《人工智能与教育》PPT课件.ppt

人工智能与教育 人工智能概述人工智能的研究领域人工智能教育应用概述 人工智能被誉为20世纪的三大尖端科技成就之一 有预言家说 说掌握了人工智能 说就能征服整个世界 第一节人工智能的概述 人工智能 ArtificialIntelligence AI 是当前科学技术发展中的一门前沿学科 人工智能是在计算机科学 控制论 信息论 神经心理学 哲学等多种学科研究的基础上发展起来的 无人驾驶飞机 扫雷机器人 卫星评估粮食产量 医学专家系统 购物篮分析 信息过滤 人脸的识别 人机搏弈 机器人足球 一 什么是人工智能 谈到人工智能的定义 首先需要指出以下两点 第一 人工智能和其他许多新兴学科一样 至今尚无一个统一的定义 所谓人工智能的定义 只能是人工智能学者根据对它的已有认识所作的一些不同解释 第二 人工智能的定义依赖于智能的定义 因此 要定义人工智能 首先应该定义智能 一 什么是智能 通俗地说 智能是一种认识客观事物和运用知识解决问题的综合能力 至于其确切定义 还有待于对人脑奥秘的彻底揭示 为了区分机器是否会 思考 有必要给出 智能 的定义 究竟 会思考 到什么程度才叫智能 人工智能专家面临的最大挑战之一是 如何构造一个系统 可以模仿由上百亿个神经元组成的人脑的行为 去思考宇宙中最复杂的问题 1 智能的层次结构 人类的智能总体上可分为高 中 低三个层次 不同层次智能的活动由不同的神经系统来完成 高层智能以大脑皮层为主 主要完成记忆和思维等活动 中层智能以丘脑为主 主要完成感知活动 低层智能以小脑 脊髓为主 主要完成动作反应 2 智能所包含的能力 智能是一种综合能力 具体地说 它包含的各种能力如下 智能具有感知能力 智能具有记忆与思维能力 智能具有学习和自适应能力 智能具有行为能力 二 什么是人工智能 综合各种不同的人工智能观点 可以从 能力 和 学科 两个方面对人工智能进行定义 从能力的角度来看 人工智能是相对于人的自然智能而言的 所谓人工智能是指用人工的方法在机器 计算机 上实现的智能 从学科的角度来看 人工智能是作为一个学科名称来使用的 所谓人工智能是一门研究如何构造智能机器或智能系统 使它能模拟 延伸和扩展人类智能的学科 图灵测试 如何衡量机器是否具有智能 测试过程 让一个程序与一个人进行5分钟对话 然后人猜测交谈对象是程序还是人 如果在30 测试中程序成功地欺骗了询问人 则通过了测试图灵期待最迟2000年出现这样的程序 但是到目前为止 面对训练有素的鉴定人 没有一个程序接近30 的标准 要想程序通过图灵测试 还需要做大量工作 这些技能包括 自然语言处理 使机器可以用人类语言交流知识表示 存储机器获得的各种信息自动推理 运用知识来回答问题和提取新结论机器学习 适应新环境并检测和推断新模式以及 为了完全图灵测试 计算机视觉 机器感知物体机器人技术 操纵和移动物体 二 人工智能的产生与发展 人工智能这个术语自1956年正式提出 并作为一个新兴学科的名称被使用以来 已经有四十多年的历史了 回顾其产生与发展过程 可大致分为四个阶段 孕育期形成期知识应用期综合集成期 1 孕育期 1956年之前 古希腊伟大的哲学家和思想家亚里斯多德 Aristotle 创立了演绎法 英国哲学家和自然科学家培根 F Bacon 创立了归纳法 德国数学家和哲学家莱布尼茨 G W Leibnitz 把形式逻辑符号化 奠定了数理逻辑的基础 使人们可以对人的思维进行运算和推理 法国物理学家和数学家帕斯卡 B Pascal 制造成功了世界上第一台加法器 2 形成期 1956年 1969年 人工智能诞生于一次历史性的聚会 1O位杰出年轻科学家在美国达特莫斯大学举行了一次为期两个月的夏季学术研讨会 共同学习和探讨了用机器模拟人类智能的有关问题 由麦卡锡提议正式采用了 人工智能AI ArtifcialIntelligence 这一术语 从而 一个以研究如何用机器来模拟人类智能的新兴学科 人工智能诞生了 3 知识应用期 1970年 80年代末 人工智能遇到了许多麻烦 在博弈方面 塞缪尔的下棋程序在与世界冠军对弈时 5局中败了4局 在机器翻译方面 原来人们以为只要有一本双解字典和一些语法知识就可以实现两种语言的互译 但后来发现并不那么简单 甚至会闹出笑话 在神经生理学方面 研究发现人脑有1011以上的神经元 在现有技术条件下用机器从结构上模拟人脑是根本不可能的 在人工智能的本质 理论 思想及机理方面 人工智能受到了来自哲学 心理学 神经生理学等社会各界的责难 怀疑和批评 以知识为中心的研究 专家系统悄悄开始孕育 使得人工智能在后来出现的困难和挫折中能很快找到前进方向 迅速地再度兴起 专家系统 ExpertSystem 简写为ES 是一个具有大量的专门知识 并能够利用这些知识去解决特定领域中需要由专家才能解决的那些问题的计算机程序 专家系统实现了人工智能从理论研究走向实际应用 从一般思维规律探讨走向专门知识运用的重大突破 是人工智能发展史上的一次重要转折 专家系统 1972年 费根鲍姆在继化学专家系统DENDRAL之后 又领导他的研究小组开始研究其他的项目 1976年 斯坦福大学国际人工智能中心杜达 R D Duda 等人开始研制地质勘探专家系统PROSPECTOR MIT1971年研制成功并投入使用数学专家系统MACSYMA 美国拉特格尔 Rutger 大学于1978年研制成功用于青光眼诊断和治疗的专家系统CASNET 在这一时期 与专家系统同时发展的重要领域还有计算机视觉和机器人 自然语言理解与机器翻译等 此外 在知识表示 不精确推理 人工智能语言等方面也有重大进展 1977年 在第五届国际人工智能联合会议上 费根鲍姆正式提出了知识工程 KnowledgeEngineering 简称KE 的概念 整个2O世纪8O年代知识工程和专家系统在全世界得到了迅速发展 其应用范围也扩大到了人类社会的各个领域 并产生了巨大的经济效益 专家系统的成功 说明了知识在智能系统中的重要性 使人们更清楚地认识到人工智能系统应该是一个知识处理系统 而知识表示 知识获取 知识利用是人工智能系统的三个基本问题 随着专家系统应用的不断深入和计算机技术的飞速发展 专家系统本身所存在的问题逐渐暴露出来 应用领域狭窄缺乏常识性知识知识获取困难推理方法单一没有分布式功能不能访问现存数据库 人工智能又面临着一次考验 出路何在 人工智能需要走综合集成发展的道路 4 综合集成期 80年代末至今 在专家系统方面 从2O世纪8O年代末开始逐步向多技术 多方法的综合集成与多学科 多领域的综合应用型发展 大型专家系统开发采用了多种人工智能语言 如LISP Prolog和C十十等 多种知识表示方法 如产生式规则 框架 逻辑 语义网络 面向对象等 多种推理机制 如演绎推理 归纳推理 非精确推理和非单调推理等 和多种控制策略 如正向 逆向和双向等 相结合的方式 并开始运用各种专家系统外壳 专家系统开发工具和专家系统开发环境等 目前 人工智能技术正在向大型分布式人工智能 大型分布式多专家协同系统 广义知识表达 综合知识库 即知识库 方法库 模型库 方法库的集成 并行推理 多种专家系统开发工具 大型分布式人工智能开发环境和分布式环境下的多智能体 Agent 协同系统等方向发展 尽管如此 但从目前来看 人工智能仍处于学科发展的早期阶段 其理论 方法和技术都不太成熟 人们对它的认识也比较肤浅 甚至连人工智能能否归结 如何归结为一组基本原理也还是个问号 AI成功的例子 1 博弈 IBM公司的 深蓝 成为第一个在国际象棋比赛中战胜世界冠军的计算机程序1997年 一次公开赛中3 5 2 5比分战胜卡斯帕罗夫 他说从棋盘对面感到了 一种新智能 但是 连 深蓝 的设计者也不认为用了什么人工智能技术 23 AI成功的例子 2 自主控制 CMU研制的ALVINN计算机视觉系统安置在NAVLAB计算机控制微型汽车中 用于汽车导航行驶在高速公路上全程2850英里 约4586 5公里 其中98 时间由这个系统掌握方向盘 2 时间由人驾驶 几乎都在高速公路出入口处 24 AI成功的例子 3 后勤规划 1991年海湾战争中美国军队配备了一个动态分析和重规划工具DART 用于自动后勤规划与运输调度 该系统同时涉及50000个车辆 货物和人 而且要考虑起点 目的地 路径 解决所有参数之间的冲突 使用AI技术使规划在几小时内完成 而传统方法需要几个星期DARPA称就此一项投资足以补偿DARPA在AI方面30年的投资 25 第二节人工智能的研究领域 一 人工神经网络 一 人工神经网络概述生物神经元及脑神经系统的结构与特征1 生物神经元的结构生物神经元 Neuron 即为神经细胞 它是生物神经系统的最基本单元 从其形状和大小来看 神经元是多种多样的 但从组成结构看 各种神经元又具有共性 神经元的基本结构如图6 4所示 它由细胞体 Soma 轴突 Axon 和树突 Dendrite 三个主要部分组成 细胞体是神经元的主体 用于处理由树突接受的其他神经元传来的信号 细胞体的内部是细胞核 外部是细胞膜 细胞膜的外面是许多向外延伸出的纤维 轴突是由细胞体向外延伸出的所有纤维中最长的一条分枝 用来向外传递神经元产生的输出电信号 每个神经元都有一条轴突 其最大长度可达1cm以上 在轴突的末端形成了许多很细的分枝 这些分枝叫神经末梢 每一条神经末梢可以与其他神经元形成功能性接触 该接触部位称为突触 所谓功能性接触 是指非永久性的接触 这正是神经元之间传递信息的奥秘之一 树突是指由细胞体向外延伸的除轴突以外的其他所有分支 树突的长度较短 但数量很多 它是神经元的输入端用于接受从其他神经元的突触传来的信号 2 人脑神经系统的结构与特征记忆和存储功能高度并行性分布式功能容错功能联想功能自组织和自学习功能 二 人工神经元及人工神经网络1 人工神经元的结构 在图7 2中 x1 x2 xn表示某一神经元的n个输入 i表示第i个输入的连接强度 称为连接权值 为神经元的阈值 y为神经元的输出 可以看出 人工神经元是一个具有多输入 单输出的非线性器件 2 人工神经网络人工神经网络是对人类神经系统的一种模拟 尽管人类神经系统规模宏大 结构复杂 功能神奇 但其最基本的处理单元却只有神经元 人工神经系统的功能实际上是通过大量神经元的广泛互连 以规模宏伟的并行运算来实现的 基于对人类生物系统的这一认识 人们也试图通过对人工神经元的广泛互连来模拟生物神经系统的结构和功能 人工神经元之间通过互连形成的网络称为人工神经网络 在人工神经网络中 神经元之间互连的方式称为连接模式或连接模型 它不仅决定了神经元网络的互连结构 同时也决定了神经网络的信号处理方式 3 人工神经网络的分类目前 已有的人工神经网络模型至少有几十种 其分类方法也有多种 例如 按网络拓扑结构可分为无反馈网络与有反馈网络 按网络的学习方法可分为有教师的学习网络和无教师的学习网络 按网络的性能可分为连续型网络与离散型网络 或分为确定性网络与随机型网络 按突触连接的性质可分为一阶线性关联网络与高阶非线性关联网络 三 人工神经网络的特点和优越性 主要表现在三个方面 第一 具有自学习功能 例如实现图像识别时 只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络 网络就会通过自学习功能 慢慢学会识别类似的图像 自学习功能对于预测有特别重要的意义 预期未来的人工神经网络计算机将为人类提供经济预测 市场预测 效益预测 其前途是很远大的 第二 具有联想存储功能 人的大脑是具有联想功能的 如果有人和你提起你幼年的同学张某某 你就会联想起张某某的许多事情 用人工神经网络的反馈网络就可以实现这种联想 第三 具有高速寻找优化解的能力 寻找一个复杂问题的优化解 往往需要很大的计算量 利用一个针对某问题而设计的反馈型人工神经网络 发挥计算机的高速运算能力 可能很快找到优化解 四 人工神经网络的局限性人工神经网络是一个新兴学科 还存在许多问题 其主要表现有 1 受到脑科学研究的限制由于生理实验的困难性 目前人类对思维和记忆机制的认识还很肤浅 还有很多问题需要解决 例如 脑的层次结构是怎样形成的 脑是怎样学习的 不同类型的知识在脑中是如何组织的 脑神经元在思维记忆中起什么作用 脑神经网络中神经元之间的突触联系强度是如何修正 保持的 等等 这些问题如果能够得到解决 将极大地促进人工神经网络的发展 2 还没有完整成熟的理论体系虽然目前已有许多人工神经网络模型 但这些模型的学习策略却各不相同 还无法统一到一个完整的理论框架中 因而也无法形成一个成熟的理论体系 3 还带有浓厚的策略和经验色彩对人工神经网络 一方面还没有完整 成熟的理论系统支持 另一方面又需要用它分析和解决某些实际问题 因此使得人工神经网络的研究带有浓厚的策略和经验色彩 4 与传统技术的接口不成熟人工神经网络虽然有它自己的优势 但又不可能全面替代传统的计算技术 它们之间只能是相互补充 然而 目前人工神经网络与传统计算技术之间的接口还很不成熟 上述问题的存在 制约了人工神经网络研究的发展 二 专家系统 一 专家系统的基本概念目前 对什么是专家系统还没有一个严格公认的形式化定义 作为一种一般的解释 可以认为专家系统是一种具有大量专门知识与经验的智能程序系统 它能运用领域专家多年积累的经验和专门知识 模拟领域专家的思维过程 解决该领域中需要专家才能解决的复杂问题 从上述解释可以看出 专家系统包括以下三个方面的含义 1 专家系统是一种程序系统 但又具有智能 因此它不同于一般的程序系统 而是一种能运用专家知识和经验进行推理的启发式程序系统 2 专家系统的智能来源于领域专家的知识 经验及解决问题的诀窍 为此 专家系统内部必须包含有大量专家水平的领域知识与经验 并且能够在运行过程中不断地增长新知识和修改原有知识 3 专家系统所要解决的问题一般是那些本来应该由领域专家才能解决的问题 二 专家系统的分类 按求解问题的性质分类海叶斯 罗斯 F Heyes Roth 按照求解问题的性质 将专家系统分为以下10种类型 1 解释型专家系统解释型专家系统的任务是通过对已知信息和数据的分析与解释 确定它们的含义 其主要特点有 第一 系统处理的数据量很大 而且往往是不准确的 错误的或不完全的 第二 系统能够从不完全的信息中得出解释 并能对数据做出某些假设 第三 系统的推理过程可能很复杂和很长 因而要求系统具有对自身推理过程做出解释的能力 作为解释型专家系统的例子有语音理解 图像分析 系统监视 化学结构分析和信号解释等 例如 卫星图像分析 集成电路分析 石油测井数据分析 染色体分类等 2 预测型专家系统预测型专家系统的任务是通过对过去或现在知识状况的分析 推断未来可能发生的情况 其主要特点有 第一 系统处理的数据随时间变化 而且可能是不准确或不完备的 第二 系统需要有适应时间变化的动态模型 能够从不完全和不准确的信息中得出预报 并达到快速响应的要求 预测型专家系统的例子主要有气象预报 军事预测 人口预测 交通预测 经济预测和作物产量预测等 3 诊断型专家系统诊断型专家系统的任务是根据观察到的情况来推断出某个对象机能失常的原因 其主要特点有 第一 能够了解被诊断对象和客体各组成部分的特性 以及它们之间的联系 第二 能够区分一种现象及其所掩盖的另一种现象 第三 能够向用户提出测量的数据 并从不确切信息中得出尽可能正确的诊断 诊断型专家系统的例子特别多 有医疗诊断 电子或机械故障诊断以及材料失效诊断等 著名的血液病诊断专家系统MYCIN 青光眼治疗专家系统CASNET等都属于这类专家系统 4 设计型专家系统设计型专家系统的任务是根据设计要求 求出满足设计问题约束的目标配置 其主要特点有 第一 善于从多方面的约束中得到符合要求的设计结果 第二 系统需要检索较大的可能解空间 第三 善于分析各种子问题 并处理好子问题间的相互作用 第四 能够试验性地构造出可能设计 并易于对所得设计方案进行修改 第五 能够使用已被证明是正确的设计来解释当前的设计 设计型专家系统的例子主要有电路设计 土木建筑工程设计 机械产品设计 生产工艺设计等 5 规划型专家系统规划型专家系统的任务是要寻找出某个能够达到目标的动作序列或步骤 其主要特点有 第一 所要规划的目标可能是动态的或静止的 第二 所涉及的问题可能很复杂 要求系统能抓住重点 处理好各子目标间的关系和不确定的信息 并通过试验性动作得出可行的规划 规划型专家系统可用于机器人规划 交通运输调度 工程项目论证 通信与军事指挥以及农作物施肥方案规划等 6 监视型专家系统监视型专家系统的任务在于对系统 对象或过程的行为进行不断观察 并把观察到的行为与其应当具有的行为进行比较 以发现异常情况 发出警报 监视专家系统的主要特点有 第一 系统应具有快速反应能力 在造成事故之前及时发出警报 第二 系统发出的警报要有很高的精确性 第三 系统能够随时间和条件的变化而动态地处理其输入信息 监视型专家系统可用于核电站的安全监视 防空监视与报警 国家财政的监控及农作物病虫害的监视与报警等 7 控制型专家系统控制型专家系统的任务是自适应地管理一个受控对象或客体的全面行为 使其满足预期要求 这类专家系统的主要特点是 能够解释当前情况 预测未来可能发生的情况 诊断可能发生的问题及其原因 不断修正计划 并控制计划的执行 也就是说 控制型专家系统具有解释 预报 诊断 规划和执行等多种功能 控制型专家系统可用于空中交通管制 商业管理 自主机器人控制 作战管理 生产过程控制和生产质量控制等许多方面 8 调试型专家系统调试型专家系统的任务是对失灵的对象给出处理意见和方法 它要求专家系统须具有规划 设计 预报和诊断等功能 调试专家系统可用于新产品或新系统的调试 也可用于被维修设备的调整 测试与试验 9 教学型专家系统教学型专家系统的任务是根据学生的特点 弱点和基础知识 以最适当的教学方案和教学方法对学生进行教学和辅导 这类专家系统的主要特点有 第一 同时具有诊断和调试功能 第二 具有良好的人机界面 专家系统的结构是指专家系统各组成部分的构造方法和组织形式 不同应用领域和不同类型的专家系统 其体系结构和功能也都不尽相同 通常 一个最基本的专家系统应由知识库 数据库 推理机 解释机构 知识获取机构和用户界面6个部分所组成 如图1所示 四 专家系统的基本结构 知识库是专家系统的知识存储器 用来存放求解问题的领域知识 通常 知识库中的知识分为两大类型 一类是领域中的事实 称为事实性知识 这是一种广泛公认的知识 即在书本上的知识及常识 另一类是启发性知识 它是领域专家在长期工作实践中积累起来的经验总结 专家系统开发中的一个重要任务就是要十分认真细致地对专家的这类经验知识进行分析 1 知识库 数据库又称为全局数据库或综合数据库 用来存储有关领域问题的事实 数据 初始状态 证据 和推理过程中得到的各种中间状态及目标等 实际上 它相当于专家系统的工作存储器 用它存放用户回答的事实 已知的事实和由推理得到的事实 2 数据库 推理机是一组用来控制 协调整个专家系统的程序 它根据数据库当前输入的数据 利用知识库中的知识按一定的推理策略 去求解当前的问题 解释外部输入的事实和数据 推导出结论并向用户提出问题等 由于专家系统是模拟人类专家进行工作 因此设计推理机时 应使它的推理过程和专家的推理过程尽量相似 并最好完全一致 推理机所采用的推理方法可以是正向推理 逆向推理 或正逆向结合的双向推理 并且 在这三种推理方式中 都包含有精确推理和不确定推理 3 推理机 推理机和知识库相分离 是专家系统的一大特点 这不仅便于对知识库的管理 而且还可以实现具有可塑性 通用性的系统 解释机构实际上也是一组程序 它包括系统提示 人机对话 能书写规则的语言以及解释部分程序 其主要功能是解释系统本身的推理结果 回答用户的提问 使用户能够了解推理的过程及所运用的知识和数据 因此 在设计解释机构时 应预先考虑好 在系统运行过程中 应该回答哪些问题 然后根据这些问题 设计好如何回答 目前 大多数专家系统的解释机构都采用人机对话的交互式解释方法 4 解释机构 许多的人工智能领域的研究论文中Agent都是用的英文单词 据说中文的翻译有两种 智能代理和智能主体 到底哪一种更合适 各有各的理由 这也反映了人们对于Agent的不同理解 或者说对Agent的各个特征的重要性的不同理解 三 智能代理 有一种理解认为 Agent是一类自动程序 它能够代替人完成某些任务 例如邮件Agent可以代替人对收到的邮件进行分类并处理 这种Agent不仅能够了解企业或人对于邮件处理的规则和习惯 而且在很多情况下比人做得还要好 它的作用就像是我们在日常生活中的旅行代理 税务代理 保险代理等 能够帮助我们完成一些特定的任务 很显然 在这类Agent中 强调的是程序的自治能力和学习能力 把这类Agent翻译成智能代理是合适的 另一种理解认为 Agent是功能单一的主体 换句话说 它只是解决某一方面的问题 但是 通过群体Agent的通信和协调 它们可以共同解决非常复杂的问题 在这类系统中 智能并不是体现在个体Agent上 而是体现在群体Agent上 从目前的研究来看 尽管第一种意义下的Agent也有广泛的应用 但是 从问题求解方法论的角度上讲 单纯的代理行为意义不大 而如果一些简单的Agent能够通过协作完成复杂的任务是我们非常希望的一种解决问题的方式 因此是Agent研究背后的真正动机 什么是Agent 实际上并没有一个公认的定义 这也充分说明这还是一个发展中的学科 我比较认同下面的定义 Agent是为了达到某个特定的目标 在与外部环境的相互作用基础上 通过对环境状态的认识以及和其他Agent的协作 自律地推进问题解决的处理单位 从这个定义来看 Agent应具有以下四种基本特征 自律性 Agent拥有内部自治机制和问题解决机制 能够控制自己的行为和内部状态 无需他人的干涉即可根据自己的知识和捕捉到的信息进行判断和行为 Agent自律性的高低在很大程度上决定了其智能的高低 社会性 Agent不是孤立的 而是一个相互作用的群体 Agent间可以按照某种协议或者语言进行通信和对话 从而形成一个小组来协作完成某一特定的任务 反应性 指Agent具有外部环境的反射作用 能够识别外部环境的变化并作出适当反应 但是这种反应可以是简单的反射 reactiveagent 也可以是深思熟虑的反应 deliberativeagent 自发性 指Agent具有对目标的能动性 为了达到目标 Agent能够自发地参加到某些处理或者协作中 表现出有目标的行为 基于Agent的方法就是MAS方法 也就是定义多个自律Agent 通过它们的相互协作来解决复杂的问题 在这里我们不强调单个Agent的功能有多强 相反我们希望每个Agent的功能越单一越好 因为单一的功能容易确保其操作正确和可靠 在实现上也比较容易 Agent的智能不是体现在其功能的强弱上 而是体现在相互协作上 如果把重点放在单个Agent的智能上 强调它的学习能力 那么Agent就和一般的具备学习功能的AI程序没有什么区别 Agent也就仅仅是一个新名词而已 没有什么本质的意义 第三节人工智能教育应用一 人工智能教育应用概述智能辅助教学系统具有教学决策模块 学生模型模块 自然语言接口 因此有以下特点 1 了解每个学生的学习能力 认知特点和当前知识水平 2 因材施教 有针对性的开展个别指导 3 实现人性化的人机对话 二 智能计算机辅助教育 ICAI IntelligentComputerAssistedInstruction 研究方向 根据学生的能力 弱点及所喜爱的学习风格编制出一套进行教学的计算机软件 ICAI系统主要由下图所示的三个基本模块组成 知识库 它包含学科知识 教学内容 和教学知识 教学策略 两部分内容 学生模型 模块 它指明学生知道什么和不知道什么 代表了学生的智能活动 教师模型 模块 它提供教学策略 负责指导系统如何向学生呈现教材 代表了教师的智能活动 ADELE AgentforDistanceEducation LightEdition 是一个用于临床医学诊断的一个典型ICAI系统