Page 22 - 高中 信息技术 选择性必修4 人工智能初步

第一章 人工智能概述

如何训练机器人与周围环境进行更
高层次的交互，即从周围环境中感
知、学习、判断和推理，实现环境

预测，并根据客观环境规划自己的
行为。
3．计算机视觉
计算机视觉（Computer Vision）

是目前机器感知中最活跃的领域之
一。随着深度学习的崛起，计算机

视觉在物体识别、图像问答、物体
广东教育出版社
检测和物体跟踪等方面的应用中均 图1-8 智能机器人
取得了较大的成功。特别是图形处理器（Graphics Processing Unit，简称GPU）大规模计算
能力的提升、可用大型数据集的建立和人工神经网络算法的改进使得计算机视觉系统迅猛

发展，甚至在图像识别挑战中超越了人类进行物体识别分类的能力。
4．自然语言处理
自然语言处理（Natural Language Processing，简称NLP）是机器感知的另一个比较活跃

的领域。借助移动互联网技术、机器学习领域深度学习技术的发展，以及大数据语料的积
累，自然语言处理技术取得了突飞猛进的进步。据统计，目前20％的移动查询是通过语音
实现的，神经网络机器翻译系统可以将翻译准确率提高到90%以上，证明了实时翻译的可

能性。自然语言处理技术研究现在已经逐步转向开发能够精准地理解用户的需求，可以与
用户进行对话式搜索与智能交互的系统。
5．分布式人工智能

20世纪80年代末，分布式人工智能（Distributed Artificial Intelligence，简称DAI）就是
人工智能活跃的研究分支之一。互联网大规模的发展促进了分布式人工智能的开发与应
用。分布式人工智能主要研究在逻辑上或物理上分散的智能系统如何并行地、相互协作地
进行问题求解。多智能体系统（Multi-Agent System，简称MAS）是分布式人工智能研究的

一个前沿领域。目前，多智能体系统的研究重点是如何协调多个行为实体的动作，从而协
同地完成大型且复杂的工作任务。
6．神经形态计算

传统计算机执行计算时，将存放信息和程序指令的内存与处理信息的处理器分离。随
着需要处理的信息量逐渐增多，信息处理复杂程度越来越高，人工智能研究者正在积极追
求能够提高硬件效率和计算系统稳健性的执行计算替代模型。由于深度神经网络在一系列

任务中的成功，神经形态计算（Neuromorphic Computing）受到研究者的关注。
目前这种“神经形态”的计算机尚未获得巨大成功，只是刚开始有望实现商业化。但
在不久的将来，神经形态计算可能会变得普遍。深度神经网络已经在应用架构方面实现了飞

跃，若这些网络可以在专门的神经形态硬件上被训练和执行，一个更大的飞跃即将到来。

14 14

21Y3228.indd 14 2019/10/10 14:23:16