① 求视觉机器人资料。。。

随着高新技术的发展，各种类型的军用机器人已经大量涌现，一些技术发达的国家相继研制了智能程度高、动作灵活、应用广泛的军用机器人。目前军用机器人主要是作为作战武器和保障武器使用。在恶劣的环境下，机器人的承受能力大大超过载人系统，并且能完成许多载人系统无法完成的工作，如运输机器人可以在核化条件下工作，也可以在炮火下及时进行战场救护。在地面上，机器人为联合国维和部队排除爆炸物、扫除地雷；在波黑战场上，无人机大显身手；在海洋中，机器人帮助人清除水雷、探索海底秘密；在宇宙空间，机器人成了火星考察的明星。现在世界上正在研制或已投入使用的军用机器入主要有以下几种。本次军事机器人介绍周将每周介绍一种军用机器人。欢迎观注。

2004年10月26日 第一天 地面机器人

地面军用机器人主要分为智能机器人和遥控机器人。按其功能可分为：排雷(弹)机器人、侦察机器人、保安机器人，甚至还研制有地面微型军用机器人。
全自主机器人美国于1984年开始研制第一台地面自主车辆，可以在人不干预的情况下自己在道路上行驶。992年美国研制出时速75公里的自主车。目前仍有许多技术难题未解决。但地面自主车的研制大大推动了遥控机器人的发展。
排雷(弹)机器人使用排雷机器人不仅可以加快扫雷破障的速度，而且还大大降低了人员的伤亡。如美国研制的"交通警察"战场机器人，它安装了多种传感器，可用于探测建筑物、掩体、隧道等处的地雷；"蜜蜂"式控雷器则具有较快的飞行速度，可以迅速而准确地发现地雷的位置，并通过自身携带的炸药对地雷进行引爆。在1982年爆发的马岛战争中，英国海军就曾用法国研制的的机器人，清除阿根廷布设的水雷。而英国陆军的排弹机器人在拆除恐怖分子放的各种类型的炸弹工作中屡建奇功，备受欢迎。
排爆机器人英国研制的"手推车"排除爆炸物机器人是世界上最有名的排除爆炸物机器人。目前，最新研制的 SuperM(超级手推车)的摄像机可以在距地面65毫米处工作，因此它可以用来检查可疑车辆的底部。SuperM机器人采用橡胶履带，最大速度为55米／分，它有一整套的无线电控制系统及各种设备，其中包括一部彩色电视摄像机、一支猎枪和两个爆炸物排除装置；该车由两组耐用的12伏电池驱动，并装有一个电动制动系统，使其在通过陡坡时能准确地动作。
侦察机器人高技术条件下的战场环境更加复杂，使用机器人不仅可以进入难以涉足的恶劣环境中侦察，而且一旦机器人不幸被"俘"，则可以通过预先设置的程序自动引爆"以身殉职"。美国海军陆战队的GSR侦察机器人是由M114装甲人员输送车改装的，上面装有15台微处理器、卫星导航接收机、声学临近传感器、激光测距机、磁罗盘和一台高分辨率的摄像机等。摄像机装在一个由计算机控制的平台上。如果没有外部导航，该车可以自主地跟踪其它车辆越过障碍物。
保安机器人保安机器人可用于军事基地等重要设施的保卫工作。具有代表性的保安机器人是由美国研制的"徘徊者"，它是一辆重1．8吨的6轮全地形车，它可以按照预编程序的路线，沿着这些设施的外部边界进行巡逻。当发现入侵者时，操作者通过声音传输系统使机器人与入侵者对话，若入侵者不合作，怀有敌意，操作者就可命令机器人攻击入侵者。当该地区受到大规模进攻时，操作者就可调动多台机器人进行阻击，以便为保安人员争取时间。
地面微型机器人专家们对微型机器人备加青睐，认为它们体积小，生存能力强，具有广泛的用途。现已研制出一种只有昆虫大小的名叫"扁虱"的机器人，它可附在敌人装备的部件上，混入敌人防线，侦察敌人的目标，也可向敌人的通信系统中注入一个功率脉冲进行干扰，或钻到敌人的装备中去，破坏发动机等关键部位。现在许多国家都非常重视微型军用机器人的研究，随着发展，军用微型机器人有可能改变21世纪的战场。
步兵支摄机器人"突击队员"遥控车是由格鲁曼航空公司与美国陆军训练与条令司令部共同研制的。它是一个重约160千克的菱形车辆，由电动机驱动。能以16 公里／时的速度在崎呕地形上行驶。该车采用光纤通信，可将车载电视摄像机的图像传送给操作员，同时将操作员的指令传送给它，装上机枪时，其总高度也只略高于1米。它能完成步兵通常所能完成的各种任务，包括反坦克任务。车上可以配备反坦克导弹发射器、机枪、催泪性毒气弹等。

2000年11月29日，中央电视台《新闻联播》报道：我国首台类人型机器人研制成功。11月30日，全国各大报都在显著位置发表了这一消息。许多人问：何为仿人型机器人？仿人型机器人的问世标志了什么？世界及中国仿人型机器人发展到什么水平？
从前面几篇可以看出，大多数的机器人并不像人，有的甚至没有一点人的模样，这一点使很多机器人爱好者大失所望，很多人问为什么科学家不研制像人一样的机器人呢？其实，科学家和爱好者的心情是一样的，一直致力于研制出有人类外观特征、可模拟人类行走与其基本操作功能的机器人。
由于仿人型机器人集机、电、材料、计算机、传感器、控制技术等多门学科于一体，是一个国家高科技实力和发展水平的重要标志，因此，世界发达国家都不惜投入巨资进行开发研究。日、美、英等国都在研制仿人形机器人方面做了大量的工作，并已取得突破性的进展。日本本田公司于1997年10月推出了仿人形机器人P3，美国麻省理工学院研制出了仿人形机器人科戈（COG），德国和澳洲共同研制出了装有52个汽缸，身高2米、体重150公斤的大型机器人。本田公司最新开发的新型机器人“阿西莫”，身高120厘米，体重43公斤，它的走路方式更加接近人。我国也在这方面作了很多工作，国防科技大学、哈尔滨工业大学研制出了双足步行机器人，北京航空航天大学、哈尔滨工业大学、北京科技大学研制出了多指灵巧手等。

日本的仿人形机器人
本田公司是日本主要生产跑车和轿车的公司之一。本田公司投入巨资，经过10多年的开发，终于研制出了在世界上居领先地位的双足步行机器人——P3。P3通过它的身体的重力感应器和脚底的触觉传感器把地面的状况送回电脑，电脑则根据路面情况作出判断，进而平衡身体，稳定地前后左右行走。它不仅能走平路，还可以走台阶和倾斜的路。它站立稳定，推不倒，脚底不平也能保持身体的直立姿态。

本田公司机器人P2
1997年中国国务院总理李鹏前往日本本田公司总部参观时，机器人P3接待了李鹏总理。当李鹏总理一行抵达表演大厅时，一个身着宇宙服像宇航员一样的机器人从投影电视的屏幕后面走了出来，其走路的样子酷似顽童学步，步子虽然不快，但坚实有力。它走到大厅当中面对李鹏总理站好，伸出右手作欢迎状。并用汉语自我介绍：“我是机器人P3，热烈欢迎李鹏总理和夫人光临，请允许我与您握手”。机器人握住李鹏总理的手，连续摇动三次，然后摆好姿势供久候在那里的记者拍照。
接着P3请出本田公司社长川本正彦等人。他们通过投影电视屏幕，向中国客人介绍了本田研制机器人的发展历史和技术特点。川本社长的声音刚落，P3又说：“我有些紧张，请允许我暂时休息一下，接下来请我的二哥继续表演”。说罢转身，沿原路退回。

本田公司机器人P3
据介绍，本田公司按研制时间先后，把双足步行机器人分别命名为P1、P2、P3等。P3的高度为160cm，体重130公斤。被称为二哥的机器人P2身高1.80米，体重120公斤，长的笨头笨脑，但行动起来与灵活的“小三”相比毫不逊色。P2表演了上台阶这一高难动作，它走的极为平稳，一步一个台阶，令人赞叹不已。随后P2又表演了用扳手拧螺丝。P2机器人退场后，P3机器人出场与贵宾挥手告别：“表演到此结束，再次感谢李鹏总理的光临！”
本田公司最近又推出一种新型智能机器人“阿西莫”（ASIMO）。与1977年诞生的P3相比，它具有体型小、质量轻、动作紧凑轻柔的特点。阿西莫身高120cm，体重43公斤，更适合于家庭操作和自然行走。本田公司总裁吉野浩行在产品发布会上说：“将来我们还会使机器人具有更好的视觉、听觉等识别能力，提高它们的自主性。”他还说：“如果通过卫星网络来控制，它就是另外一个‘你’，可以使用者的身份做许多事情。”

科戈”机器人
出生于澳大利亚的罗德尼·布鲁克斯，40多岁，美国麻省理工学院人工智能实验室的教授。他喜欢离经判道，从不相信传统的成规。从80年代起，他就反对机器人必须先会思考，才能做事的信条。为了证实自己的观点，他研制出了一系列异型机器人。这些机器人没有思考能力，但却无所不能，比如能偷桌上的苏打罐，能穿越四周发烫的地面等。他的成功使他成为机器人界最有争议的人物。

机器人“科戈”
布鲁克斯从小就喜欢制作各种标新立异的小装置。进入福莱德大学后，他为该校唯一的一台IBM大型计算机重新编制了整个操作系统的程序。别的用户怎么也想不到，计算机怎么会突然变的具有令人不可思议的奇效。在获得该校硕士学位后，布鲁克斯又凭自己的实力考入了美国斯坦福大学。八十年代初期，布鲁克斯在麻省理工学院任初级研究员。那时人工智能研究的传统做法是先设计出各种“脑图”，以帮助机器人了解周围环境，使机器人先学会识别障碍物，再绕过障碍物。但这样做机器人往往要花很长时间去判断自己看到的东西，而且它们大多数均无法穿过陌生的空间。而布鲁克斯认为，真正的智能不能这样运作。
布鲁克斯认为，智能并不像假想的那样来自抽象思维，而是通过与外界接触学习之后作出的反应。只要机器人与其周围的环境进行复杂的相互作用，智能最终一定会出现。
最初他的计划是先从昆虫机器人做起，逐步向模仿高级动物发展，最后才是人形机器人。布鲁克斯想，只有人形机器人才能说明他的理论也适合于高级智能，于是他决定要制造出自己的人工智能型高级机器人，即现在的科戈机器人。
目前“科戈”的研制工作正在进行。“科戈”本身是非常复杂的，要它能通过与外界的联系获取知识，就必须尽可能地模仿人类，例如它的臂必须像人类那样具有柔顺性。
怎样才能把“科戈”变成一个真正的人形机器人，目前实现的目标尚不太明确。布鲁克斯和他的同事们正在借鉴幼儿的发育过程，使“科戈”由简到难，逐步学会各种本领，直到听说能力。
“科戈”机器人的大脑是由16个摩托罗拉68332芯片构成的，“科戈”的大脑放在与之相邻的室内，通过电缆与之相连。“科戈”最多可用250个摩托罗拉芯片。布鲁克斯准备用数字信号处理器取代部分这种芯片，用以完成特殊任务。“科戈”的大脑与人类的大脑一样，能同时处理多项任务。尽管计算机的能力给人们留下了深刻的印象，但是如果“科戈”能达到两岁儿童的智力，就算是成功了。现在“科戈”正在像婴儿一样利用自己的大脑学习“看”。“科戈”的每只眼睛由一台广角照相机和一台窄视野照相机组成。每一台照相机均可以俯仰和旋转。“科戈”首先通过广角照相机观察周围事物，然后再利用窄视野照相机近距离仔细观察事物。“科戈”的头可以像人的头一样前后左右转动。
布鲁克斯说：“我们试图找到一种方法，让‘科戈’自己了解这个世界。”
“科戈”先学会看以后，开始学习听。这些功能要一个一个地教。为此，在“科戈”的头上装上了麦克风和处理器。声音可以帮助“科戈”确定去看什么地方，机器人还可以对声音进行辨别。“科戈”已经有了头和身子，但还没有皮肤、臂和手指。现在正在为“科戈”制造第一条手臂，这只臂以全新的方式工作，每个关节都有一个弹簧，从而使“科戈”获得了柔顺性。

我国的仿人形机器人研究
我国在仿人形机器人方面做了大量研究，并取得了很多成果。比如长沙国防科技大学研制成了双足步行机器人，北京航空航天大学研制成了多指灵巧手，哈尔滨工业大学、北京科技大学也在这方面做了大量深入的工作。

多指灵巧手
双足步行机器人研究是一个很诱人的研究课题，而且难度很大。在日本开展双足步行机器人研究已有30多年的历史，研制出了许多可以静态、动态稳定行走的双足步行机器人，上面提到的P2、P3是其中的佼佼者。
在国家863计划、国家自然科学基金和湖南省的支持下，长沙国防科技大学于1988年2月研制成功了六关节平面运动型双足步行机器人，随后于1990年又先后研制成功了十关节、十二关节的空间运动型机器人系统，并实现了平地前进、后退，左右侧行，左右转弯，上下台阶，上下斜坡和跨越障碍等人类所具备的基本行走功能。近期在十二关节的空间运动机构上，实现了每秒钟两步的前进及左右动态行走功能。

“先行者”类人型机器人
经过十年攻关，国防科技大学研制成功我国第一台仿人型机器人——“先行者”，实现了机器人技术的重大突破。“先行者”有人一样的身躯、头颅、眼睛、双臂和双足，有一定的语言功能，可以动态步行。
人类与动物相比，除了拥有理性的思维能力、准确的语言表达能力外，拥有一双灵巧的手也是人类的骄傲。正因如此，让机器人也拥有一双灵巧的手成了许多科研人员的目标。
在张启先院士的主持下，北京航空航天大学机器人研究所于80年代末开始灵巧手的研究与开发，最初研究出来的BH－1型灵巧手功能相对简单，但填补了当时国内空白。在随后的几年中又不断改进，现在的灵巧手已能灵巧地抓持和操作不同材质、不同形状的物体。它配在机器人手臂上充当灵巧末端执行器可扩大机器人的作业范围，完成复杂的装配、搬运等操作。比如它可以用来抓取鸡蛋，既不会使鸡蛋掉下，也不会捏碎鸡蛋。灵巧手在航空航天、医疗护理等方面有应用前景。

双足步行机器人在爬楼梯
灵巧手有三个手指，每个手指有3个关节，3个手指共9个自由度，微电机放在灵巧手的内部，各关节装有关节角度传感器，指端配有三维力传感器，采用两级分布式计算机实时控制系统。
仿人型机器人是多门基础学科、多项高技术的集成，代表了机器人的尖端技术。因此，仿人形机器人是当代科技的研究热点之一。仿人型机器人不仅是一个国家高科技综合水平的重要标志，也在人类生产、生活中有着广泛的用途。目前，我国仿人形机器人研究与世界先进水平相比还有差距。我国科技工作者正在努力向前，我们热切地期盼着我们自己水平更高的、功能更强的仿人型机器人与大家见面。

② 谁掌握了人工智能谁就掌握了未来，对此你怎么看

对于我来说，世界上的事情是瞬息万变的，并且法理不外乎人情，说到底要看掌握了所有的专那个人品性如何。如属果真的是这样的话，那这个世界早就乱了，而且也不会有人允许这样的事情发生，毕竟这是一件不可控且贪婪的事情。如果非要用什么来比喻的话那我只能说：世界是个天秤。

③ 智能锁十大名牌推荐的有哪些

德施曼DESSMANN，忠恒智能锁，凯迪仕Kaadas，亚太天能TENON，Ezon(隶属于三星)，耶鲁YALE，第吉尔Keylock，普罗专巴克 PROBUCK，必达BE-TECH，金指属码Ksmak。

凯迪仕智能科技有限公司建立了国内最大的智能锁具综合测试实验室，产品通过企业质量管理体系认证、中国防火与防盗检测认证等多重质量认证。

④ 什么是深度学习与机器视觉

深度学习框架，尤其是基于人工神经网络的框架可以追溯到1980年福岛邦彦提出的新认知机[2]，而人工神经网络的历史更为久远。1989年，燕乐存（Yann LeCun）等人开始将1974年提出的标准反向传播算法[3]应用于深度神经网络，这一网络被用于手写邮政编码识别。尽管算法可以成功执行，但计算代价非常巨大，神经网路的训练时间达到了3天，因而无法投入实际使用[4]。许多因素导致了这一缓慢的训练过程，其中一种是由于尔根·施密德胡伯（Jürgen Schmidhuber）的学生赛普·霍克赖特（Sepp Hochreiter）于1991年提出的梯度消失问题[5][6]。与此同时，神经网络也受到了其他更加简单模型的挑战，支持向量机等模型在20世纪90年代到21世纪初成为更加流行的机器学习算法。
“深度学习”这一概念从2007年前后开始受到关注。当时，杰弗里·辛顿（Geoffrey Hinton）和鲁斯兰·萨拉赫丁诺夫（Ruslan Salakhutdinov）提出了一种在前馈神经网络中进行有效训练的算法。这一算法将网络中的每一层视为无监督的受限玻尔兹曼机，再使用有监督的反向传播算法进行调优[7]。在此之前的1992年，在更为普遍的情形下，施密德胡伯也曾在递归神经网络上提出一种类似的训练方法，并在实验中证明这一训练方法能够有效提高有监督学习的执行速度[8][9].
自深度学习出现以来，它已成为很多领域，尤其是在计算机视觉和语音识别中，成为各种领先系统的一部分。在通用的用于检验的数据集，例如语音识别中的TIMIT和图像识别中的ImageNet, Cifar10上的实验证明，深度学习能够提高识别的精度。
硬件的进步也是深度学习重新获得关注的重要因素。高性能图形处理器的出现极大地提高了数值和矩阵运算的速度，使得机器学习算法的运行时间得到了显著的缩短[10][11]。
基本概念[编辑]
深度学习的基础是机器学习中的分散表示（distributed representation）。分散表示假定观测值是由不同因子相互作用生成。在此基础上，深度学习进一步假定这一相互作用的过程可分为多个层次，代表对观测值的多层抽象。不同的层数和层的规模可用于不同程度的抽象[1]。
深度学习运用了这分层次抽象的思想，更高层次的概念从低层次的概念学习得到。这一分层结构常常使用贪婪算法逐层构建而成，并从中选取有助于机器学习的更有效的特征[1].
不少深度学习算法都以无监督学习的形式出现，因而这些算法能被应用于其他算法无法企及的无标签数据，这一类数据比有标签数据更丰富，也更容易获得。这一点也为深度学习赢得了重要的优势[1]。
人工神经网络下的深度学习[编辑]
一部分最成功的深度学习方法涉及到对人工神经网络的运用。人工神经网络受到了1959年由诺贝尔奖得主大卫·休伯尔（David H. Hubel）和托斯坦·威泽尔（Torsten Wiesel）提出的理论启发。休伯尔和威泽尔发现，在大脑的初级视觉皮层中存在两种细胞：简单细胞和复杂细胞，这两种细胞承担不同层次的视觉感知功能。受此启发，许多神经网络模型也被设计为不同节点之间的分层模型[12]。
福岛邦彦提出的新认知机引入了使用无监督学习训练的卷积神经网络。燕乐存将有监督的反向传播算法应用于这一架构[13]。事实上，从反向传播算法自20世纪70年代提出以来，不少研究者都曾试图将其应用于训练有监督的深度神经网络，但最初的尝试大都失败。赛普·霍克赖特（Sepp Hochreiter）在其博士论文中将失败的原因归结为梯度消失，这一现象同时在深度前馈神经网络和递归神经网络中出现，后者的训练过程类似深度网络。在分层训练的过程中，本应用于修正模型参数的误差随着层数的增加指数递减，这导致了模型训练的效率低下[14][15]。
为了解决这一问题，研究者们提出了一些不同的方法。于尔根·施密德胡伯（Jürgen Schmidhuber）于1992年提出多层级网络，利用无监督学习训练深度神经网络的每一层，再使用反向传播算法进行调优。在这一模型中，神经网络中的每一层都代表观测变量的一种压缩表示，这一表示也被传递到下一层网络[8]。
另一种方法是赛普·霍克赖特和于尔根·施密德胡伯提出的长短期记忆神经网络（long short term memory，LSTM）[16]。2009年，在ICDAR 2009举办的连笔手写识别竞赛中，在没有任何先验知识的情况下，深度多维长短期记忆神经网络取得了其中三场比赛的胜利[17][18]。
斯文·贝克提出了在训练时只依赖梯度符号的神经抽象金字塔模型，用以解决图像重建和人脸定位的问题[19]。
其他方法同样采用了无监督预训练来构建神经网络，用以发现有效的特征，此后再采用有监督的反向传播以区分有标签数据。辛顿等人于2006年提出的深度模型提出了使用多层隐变量学习高层表示的方法。这一方法使用斯摩棱斯基于1986年提出的受限玻尔兹曼机[20]对每一个包含高层特征的层进行建模。模型保证了数据的对数似然下界随着层数的提升而递增。当足够多的层数被学习完毕，这一深层结构成为一个生成模型，可以通过自上而下的采样重构整个数据集[21]。辛顿声称这一模型在高维结构化数据上能够有效低提取特征[22]。
吴恩达和杰夫·迪恩（Jeff Dean）领导的谷歌大脑（英语：Google Brain）团队创建了一个仅通过YouTube视频学习高层概念（例如猫）的神经网络[23] [24]。
其他方法依赖了现代电子计算机的强大计算能力，尤其是GPU。2010年，在于尔根·施密德胡伯位于瑞士人工智能实验室IDSIA的研究组中，丹·奇雷尚（Dan Ciresan）和他的同事展示了利用GPU直接执行反向传播算法而忽视梯度消失问题的存在。这一方法在燕乐存等人给出的手写识别MNIST数据集上战胜了已有的其他方法[10]。
截止2011年，前馈神经网络深度学习中最新的方法是交替使用卷积层（convolutional layers）和最大值池化层（max-pooling layers）并加入单纯的分类层作为顶端。训练过程也无需引入无监督的预训练[25][26]。从2011年起，这一方法的GPU实现[25]多次赢得了各类模式识别竞赛的胜利，包括IJCNN 2011交通标志识别竞赛[27]和其他比赛。
这些深度学习算法也是最先在某些识别任务上达到和人类表现具备同等竞争力的算法[28]。
深度学习结构[编辑]
深度神经网络是一种具备至少一个隐层的神经网络。与浅层神经网络类似，深度神经网络也能够为复杂非线性系统提供建模，但多出的层次为模型提供了更高的抽象层次，因而提高了模型的能力。深度神经网络通常都是前馈神经网络，但也有语言建模等方面的研究将其拓展到递归神经网络[29]。卷积深度神经网络（Covolutional Neuron Networks, CNN）在计算机视觉领域得到了成功的应用[30]。此后，卷积神经网络也作为听觉模型被使用在自动语音识别领域，较以往的方法获得了更优的结果[31]。
深度神经网络[编辑]
深度神经网络（deep neuron networks, DNN）是一种判别模型，可以使用反向传播算法进行训练。权重更新可以使用下式进行随机梯度下降求解：

其中，为学习率，为代价函数。这一函数的选择与学习的类型（例如监督学习、无监督学习、增强学习）以及激活函数相关。例如，为了在一个多分类问题上进行监督学习，通常的选择是使用Softmax函数作为激活函数，而使用交叉熵作为代价函数。Softmax函数定义为，其中代表类别的概率，而和分别代表对单元和的输入。交叉熵定义为，其中代表输出单元的目标概率，代表应用了激活函数后对单元的概率输出[32]。
深度神经网络的问题[编辑]
与其他神经网络模型类似，如果仅仅是简单地训练，深度神经网络可能会存在很多问题。常见的两类问题是过拟合和过长的运算时间。
深度神经网络很容易产生过拟合现象，因为增加的抽象层使得模型能够对训练数据中较为罕见的依赖关系进行建模。对此，权重递减（正规化）或者稀疏（-正规化）等方法可以利用在训练过程中以减小过拟合现象[33]。另一种较晚用于深度神经网络训练的正规化方法是丢弃法（"dropout" regularization），即在训练中随机丢弃一部分隐层单元来避免对较为罕见的依赖进行建模[34]。
反向传播算法和梯度下降法由于其实现简单，与其他方法相比能够收敛到更好的局部最优值而成为神经网络训练的通行方法。但是，这些方法的计算代价很高，尤其是在训练深度神经网络时，因为深度神经网络的规模（即层数和每层的节点数）、学习率、初始权重等众多参数都需要考虑。扫描所有参数由于时间代价的原因并不可行，因而小批量训练（mini-batching），即将多个训练样本组合进行训练而不是每次只使用一个样本进行训练，被用于加速模型训练[35]。而最显著地速度提升来自GPU，因为矩阵和向量计算非常适合使用GPU实现。但使用大规模集群进行深度神经网络训练仍然存在困难，因而深度神经网络在训练并行化方面仍有提升的空间。
深度信念网络[编辑]

一个包含完全连接可见层和隐层的受限玻尔兹曼机（RBM）。注意到可见层单元和隐层单元内部彼此不相连。
深度信念网络（deep belief networks，DBN）是一种包含多层隐单元的概率生成模型，可被视为多层简单学习模型组合而成的复合模型[36]。
深度信念网络可以作为深度神经网络的预训练部分，并为网络提供初始权重，再使用反向传播或者其他判定算法作为调优的手段。这在训练数据较为缺乏时很有价值，因为不恰当的初始化权重会显著影响最终模型的性能，而预训练获得的权重在权值空间中比随机权重更接近最优的权重。这不仅提升了模型的性能，也加快了调优阶段的收敛速度[37]。
深度信念网络中的每一层都是典型的受限玻尔兹曼机（restricted Boltzmann machine，RBM），可以使用高效的无监督逐层训练方法进行训练。受限玻尔兹曼机是一种无向的基于能量的生成模型，包含一个输入层和一个隐层。图中对的边仅在输入层和隐层之间存在，而输入层节点内部和隐层节点内部则不存在边。单层RBM的训练方法最初由杰弗里·辛顿在训练“专家乘积”中提出，被称为对比分歧（contrast divergence, CD）。对比分歧提供了一种对最大似然的近似，被理想地用于学习受限玻尔兹曼机的权重[35]。当单层RBM被训练完毕后，另一层RBM可被堆叠在已经训练完成的RBM上，形成一个多层模型。每次堆叠时，原有的多层网络输入层被初始化为训练样本，权重为先前训练得到的权重，该网络的输出作为新增RBM的输入，新的RBM重复先前的单层训练过程，整个过程可以持续进行，直到达到某个期望中的终止条件[38]。
尽管对比分歧对最大似然的近似十分粗略（对比分歧并不在任何函数的梯度方向上），但经验结果证实该方法是训练深度结构的一种有效的方法[35]。
卷积神经网络[编辑]
主条目：卷积神经网络
卷积神经网络（convolutional neuron networks，CNN）由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更优的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网络，卷积神经网络需要估计的参数更少，使之成为一种颇具吸引力的深度学习结构[39]。
卷积深度信念网络[编辑]
卷积深度信念网络（convolutional deep belief networks，CDBN）是深度学习领域较新的分支。在结构上，卷积深度信念网络与卷积神经网络在结构上相似。因此，与卷积神经网络类似，卷积深度信念网络也具备利用图像二维结构的能力，与此同时，卷积深度信念网络也拥有深度信念网络的预训练优势。卷积深度信念网络提供了一种能被用于信号和图像处理任务的通用结构，也能够使用类似深度信念网络的训练方法进行训练[40]。
结果[编辑]
语音识别[编辑]
下表中的结果展示了深度学习在通行的TIMIT数据集上的结果。TIMIT包含630人的语音数据，这些人持八种常见的美式英语口音，每人阅读10句话。这一数据在深度学习发展之初常被用于验证深度学习结构[41]。TIMIT数据集较小，使得研究者可以在其上实验不同的模型配置。

方法
声音误差率 (PER, %)

随机初始化RNN 26.1
贝叶斯三音子GMM-HMM 25.6
单音子重复初始化DNN 23.4
单音子DBN-DNN 22.4
带BMMI训练的三音子GMM-HMM 21.7
共享池上的单音子DBN-DNN 20.7
卷积DNN 20.0
图像分类[编辑]
图像分类领域中一个公认的评判数据集是MNIST数据集。MNIST由手写阿拉伯数字组成，包含60,000个训练样本和10,000个测试样本。与TIMIT类似，它的数据规模较小，因而能够很容易地在不同的模型配置下测试。Yann LeCun的网站给出了多种方法得到的实验结果[42]。截至2012年，最好的判别结果由Ciresan等人在当年给出，这一结果的错误率达到了0.23%[43]。
深度学习与神经科学[编辑]
计算机领域中的深度学习与20世纪90年代由认知神经科学研究者提出的大脑发育理论（尤其是皮层发育理论）密切相关[44]。对这一理论最容易理解的是杰弗里·艾尔曼（Jeffrey Elman）于1996年出版的专著《对天赋的再思考》（Rethinking Innateness）[45]（参见斯拉格和约翰逊[46]以及奎兹和赛杰诺维斯基[47]的表述）。由于这些理论给出了实际的神经计算模型，因而它们是纯计算驱动的深度学习模型的技术先驱。这些理论指出，大脑中的神经元组成了不同的层次，这些层次相互连接，形成一个过滤体系。在这些层次中，每层神经元在其所处的环境中获取一部分信息，经过处理后向更深的层级传递。这与后来的单纯与计算相关的深度神经网络模型相似。这一过程的结果是一个与环境相协调的自组织的堆栈式的转换器。正如1995年在《纽约时报》上刊登的那样，“……婴儿的大脑似乎受到所谓‘营养因素’的影响而进行着自我组织……大脑的不同区域依次相连，不同层次的脑组织依照一定的先后顺序发育成熟，直至整个大脑发育成熟。”[48]
深度结构在人类认知演化和发展中的重要性也在认知神经学家的关注之中。发育时间的改变被认为是人类和其他灵长类动物之间智力发展差异的一个方面[49]。在灵长类中，人类的大脑在出生后的很长时间都具备可塑性，但其他灵长类动物的大脑则在出生时就几乎完全定型。因而，人类在大脑发育最具可塑性的阶段能够接触到更加复杂的外部场景，这可能帮助人类的大脑进行调节以适应快速变化的环境，而不是像其他动物的大脑那样更多地受到遗传结构的限制。这样的发育时间差异也在大脑皮层的发育时间和大脑早期自组织中从刺激环境中获取信息的改变得到体现。当然，伴随着这一可塑性的是更长的儿童期，在此期间人需要依靠抚养者和社会群体的支持和训练。因而这一理论也揭示了人类演化中文化和意识共同进化的现象[50]。
公众视野中的深度学习[编辑]
深度学习常常被看作是通向真正人工智能的重要一步[51]，因而许多机构对深度学习的实际应用抱有浓厚的兴趣。2013年12月，Facebook宣布雇用燕乐存为其新建的人工智能实验室的主管，这一实验室将在加州、伦敦和纽约设立分支机构，帮助Facebook研究利用深度学习算法进行类似自动标记照片中用户姓名这样的任务[52]。
2013年3月，杰弗里·辛顿和他的两位研究生亚历克斯·克里泽夫斯基和伊利娅·苏特斯科娃被谷歌公司雇用，以提升现有的机器学习产品并协助处理谷歌日益增长的数据。谷歌同时并购了辛顿创办的公司DNNresearch[53]。
批评[编辑]
对深度学习的主要批评是许多方法缺乏理论支撑。大多数深度结构仅仅是梯度下降的某些变式。尽管梯度下降已经被充分地研究，但理论涉及的其他算法，例如对比分歧算法，并没有获得充分的研究，其收敛性等问题仍不明确。深度学习方法常常被视为黑盒，大多数的结论确认都由经验而非理论来确定。
也有学者认为，深度学习应当被视为通向真正人工智能的一条途径，而不是一种包罗万象的解决方案。尽管深度学习的能力很强，但和真正的人工智能相比，仍然缺乏诸多重要的能力。理论心理学家加里·马库斯（Gary Marcus）指出：
就现实而言，深度学习只是建造智能机器这一更大挑战中的一部分。这些技术缺乏表达因果关系的手段……缺乏进行逻辑推理的方法，而且远没有具备集成抽象知识，例如物品属性、代表和典型用途的信息。最为强大的人工智能系统，例如IBM的人工智能系统沃森，仅仅把深度学习作为一个包含从贝叶斯推理和演绎推理等技术的复杂技术集合中的组成部分[54]。

⑤ 人工智能的工作原理是什么

人工智能的工作原理是：计算机会通过传感器（或人工输入的方式）来收集关于某个情景的事实。计算机将此信息与已存储的信息进行比较，以确定它的含义。计算机会根据收集来的信息计算各种可能的动作，然后预测哪种动作的效果最好。计算机只能解决程序允许解决的问题，不具备一般意义上的分析能力。

⑥ 机器人智能判别技术如何实现

本人觉得前景非常的光明.首先，智能的家电首先已经出现在国内国外各大商场了,所以这是作为一个硕士生来说还是比较不错的话题的.
另外,如果你是写论文的话还是写写比较超前的话题，例如,将来的智能机器人(制造业中应用于电子业,如电子板,电容，各种芯片等等)如果是想将来有这样的发展的话，还是学一学关于电子类的智能体,单片机就不错.
智能机器人资料
机器人现在已被广泛地用于生产和生活的许多领域,按其拥有智能的水平可以分为三个层次.

一是工业机器人,它只能死板地按照人给它规定的程序工作,不管外界条件有何变化,自己都不能对程序也就是对所做的工作作相应的调整.如果要改变机器人所做的工作,必须由人对程序作相应的改变,因此它是毫无智能的.

二是初级智能机器人.它和工业机器人不一样,具有象人那样的感受,识别,推理和判断能力.可以根据外界条件的变化,在一定范围内自行修改程序,也就是它能适应外界条件变化对自己怎样作相应调整.不过,修改程序的原则由人预先给以规定.这种初级智能机器人已拥有一定的智能,虽然还没有自动规划能力,但这种初级智能机器人也开始走向成熟,达到实用水平.

三是高级智能机器人.它和初级智能机器人一样,具有感觉,识别,推理和判断能力,同样可以根据外界条件的变化,在一定范围内自行修改程序.所不同的是,修改程序的原则不是由人规定的,面是机器人自己通过学习,总结经验来获得修改程序的原则.所以它的智能高出初能智能机器人.这种机器人已拥有一定的自动规划能力,能够自己安排自己的工作.这种机器人可以不要人的照料,完全独立的工作,故称为高级自律机器人.这种机器人也开始走向实用.

智能机器人

我们从广泛意义上理解所谓的智能机器人，它给人的最深刻的印象是一个独特的进行自我控制的“活物”。其实，这个自控“活物”的主要器官并没有像真正的人那样微妙而复杂。

智能机器人具备形形色色的内部信息传感器和外部信息传感器，如视觉、听觉、触觉、嗅觉。除具有感受器外，它还有效应器，作为作用于周围环境的手段。这就是筋肉，或称自整步电动机，它们使手、脚、长鼻子、触角等动起来。

智能机器人之所以叫智能机器人，这是因为它有相当发达的“大脑”。在脑中起作用的是中央计算机，这种计算机跟操作它的人有直接的联系。最主要的是，这样的计算机可以进行按目的安排的动作。正因为这样，我们才说这种机器人才是真正的机器人，尽管它们的外表可能有所不同。

我们称这种机器人为自控机器人，以便使它同前面谈到的机器人区分开来。它是控制论产生的结果，控制论主张这样的事实：生命和非生命有目的的行为在很多方面是一致的。正像一个智能机器人制造者所说的，机器人是一种系统的功能描述，这种系统过去只能从生命细胞生长的结果中得到，现在它们已经成了我们自己能够制造的东西了。

智能机器人能够理解人类语言，用人类语言同操作者对话，在它自身的“意识”中单独形成了一种使它得以“生存”的外界环境——实际情况的详尽模式。它能分析出现的情况，能调整自己的动作以达到操作者所提出的全部要求，能拟定所希望的动作，并在信息不充分的情况下和环境迅速变化的条件下完成这些动作。当然，要它和我们人类思维一模一样，这是不可能办到的。不过，仍然有人试图建立计算机能够理解的某种“微观世界”。比如维诺格勒在麻省理工学院人工智能实验室里制作的机器人。这个机器试图完全学会玩积木：积木的排列、移动和几何图案结构，达到一个小孩子的程度。这个机器人能独自行走和拿起一定的物品，能“看到”东西并分析看到的东西，能服从指令并用人类语言回答问题。更重要的是它具有“理解”能力。为此，有人曾经在一次人工智能学术会议上说过，不到十年，我们把电子计算机的智力提高了10倍；如维诺格勒所指出的，计算机具有明显的人工智能成分。

不过，尽管机器人人工智能取得了显著的成绩，控制论专家们认为它可以具备的智能水平的极限并未达到。问题不光在于计算机的运算速度不够和感觉传感器种类少，而且在于其他方面，如缺乏编制机器人理智行为程序的设计思想。你想，现在甚至连人在解决最普通的问题时的思维过程都没有破译，人类的智能会如何呢——这种认识过程进展十分缓慢，又怎能掌握规律让计算机“思维”速度快点呢？因此，没有认识人类自己这个问题成了机器人发展道路上的绊脚石。制造“生活”在具有不固定性环境中的智能机器人这一课题，近年来使人们对发生在生物系统、动物和人类大脑中的认识和自我认识过程进行了深刻研究。结果就出现了等级自适应系统说，这种学说正在有效地发展着。作为组织智能机器人进行符合目的的行为的理论基础，我们的大脑是怎样控制我们的身体呢？纯粹从机械学观点来粗略估算，我们的身体也具有两百多个自由度。当我们在进行写字、走路、跑步、游泳、弹钢琴这些复杂动作的时候，大脑究竟是怎样对每一块肌肉发号施令的呢？大脑怎么能在最短的时间内处理完这么多的信息呢？我们的大脑根本没有参与这些活动。大脑——我们的中心信息处理机“不屑于”去管这个。它根本不去监督我们身体的各个运动部位，动作的详细设计是在比大脑皮层低得多的水平上进行的。这很像用高级语言进行程序设计一样，只要指出“间隔为一的从1～20的一组数字”，机器人自己会将这组指令输入详细规定的操作系统。最明显的就是，“一接触到热的物体就把手缩回来”这类最明显的指令甚至在大脑还没有意识到的时候就已经发出了。

把一个大任务在几个皮层之间进行分配，这比控制器官给构成系统的每个要素规定必要动作的严格集中的分配合算、经济、有效。在解决重大问题的时候，这样集中化的大脑就会显得过于复杂，不仅脑颅，甚至连人的整个身体都容纳不下。在完成这样或那样的一些复杂动作时，我们通常将其分解成一系列的普遍的小动作 （如起来、坐下、迈右脚、迈左脚）。教给小孩各种各样的动作可归结为在小孩的“存储器”中形成并巩固相应的小动作。同样的道理，知觉过程也是如此组织起来的。感性形象——这是听觉、视觉或触觉脉冲的固定序列或组合 （马、人），或者是序列和组合二者兼而有之。

学习能力是复杂生物系统中组织控制的另一个普遍原则，是对先前并不知道、在相当广泛范围内发生变化的生活环境的适应能力。这种适应能力不仅是整个机体所固有的，而且是机体的单个器官、甚至功能所固有的，这种能力在同一个问题应该解决多次的情况下是不可替代的。可见，适应能力这种现象，在整个生物界的合乎目的的行为中起着极其重要的作用。本世纪初，动物学家桑戴克进行了下面的动物试验。先设计一个带有三个小平台的T形迷宫，试验动物位于字母T底点上的小平台上，诱饵位于字母T横梁两头的小平台上。这个动物只可能做出以下两种选择，即跑到岔口后，它可以转向左边或右边的小平台。但是，在通向诱饵的路上埋伏着使它不愉快的东西：走廊两侧装着电极，电压以某种固定频率输进这些电极之中，于是跑着经过这些电极的动物便受到疼痛的刺激——外界发出惩罚信号。而另一边平台上等着动物的诱饵则是外界奖励的信号。实验中，如果一边走廊的刺激概率大大超过另一走廊中的刺激概率，那么，动物自然会适应外界情况：反复跑几次以后，动物朝刺激概率低、痛苦少的那边走廊跑去。桑戴克作试验最多的是老鼠。如老鼠就更快地选择比较安全的路线，并且在惩罚相差不大的情况下自信地选择一条比较安全的路线，其它作试验的动物是带着不同程度的自适应性来体现这一点的，不过，这种能力是参加试验的各种动物都具有的。

控制机器人的问题在于模拟动物运动和人的适应能力。建立机器人控制的等级——首先是在机器人的各个等级水平上和子系统之间实行知觉功能、信息处理功能和控制功能的分配。第三代机器人具有大规模处理能力，在这种情况下信息的处理和控制的完全统一算法，实际上是低效的，甚至是不中用的。所以，等级自适应结构的出现首先是为了提高机器人控制的质量，也就是降低不定性水平，增加动作的快速性。为了发挥各个等级和子系统的作用，必须使信息量大大减少。因此算法的各司其职使人们可以在不定性大大减少的情况下来完成任务。

总之，智能的发达是第三代机器人的一个重要特征。人们根据机器人的智力水平决定其所属的机器人代别。有的人甚至依此将机器人分为以下几类：受控机器人——“零代”机器人，不具备任何智力性能，是由人来掌握操纵的机械手；可以训练的机器人——第一代机器人，拥有存储器，由人操作，动作的计划和程序由人指定，它只是记住 （接受训练的能力）和再现出来；感觉机器人——机器人记住人安排的计划后，再依据外界这样或那样的数据 （反馈）算出动作的具体程序；智能机器人——人指定目标后，机器人独自编制操作计划，依据实际情况确定动作程序，然后把动作变为操作机构的运动。因此，它有广泛的感觉系统、智能、模拟装置（周围情况及自身——机器人的意识和自我意识）。

怎样变聪明的

人工智能专家指出：计算机不仅应该去做人类指定它做的事，还应该独自以最佳方式去解决许多事情。比如说，核算电费或从事银行业务的普通计算机的全部程序就是准确无误地完成指令表，而某些科研中心的计算机却会“思考”问题。前者运转迅速，但绝无智能；后者储存了比较复杂的程序，计算机里塞满了信息，能模仿人类的许多能力 （在某些情况下甚至超过我们人的能力）。

为了研究这个问题，许多科学家都曾耗尽了自己一生的心血。如第二次世界大战期间，英国数学家图灵发明了一种机器，这种机器成了现代机器人的鼻祖。这是一种破译敌方通讯的系统。后来，图灵用整个一生去幻想制造出一种会学习、有智能的机器。而在1945年10月的普林斯顿，另一位著名的数字家冯·奈曼却设计了一个被称为“人工大脑”的东西。他和自己的学生都是心理学和神经学的狂热迷恋者，为了制造人类行为的数学模拟机，他们遭受了多次失败，最后失去了制造“人工智能”可能性的信心。早期的计算装置过于笨重，部件尺寸太大，使得冯·奈曼无法解决如何用这些部件来代替极小极小的神经细胞这样一个难题，因为当时人类的大脑被看作是某种相互联系的神经元编织成的东西，所以就可以把它想象成某种计算装置，其中循环的不是能量，而是信息。科学家们想到，如果接受这样的对比的话，为什么不能发明出一种使信息通过以后产生智能的系统呢？

于是他们提出了人工思维的各种理论。比如，物理学家马克便提出了企图使机器人用二进位或二进位逻辑元件进行思维的方法。这个方法被大家认为是非常简便的方法。1956年科学家们召开了第一届大型研讨会，许多专家学者主张采用“人工智能”这个术语作为研究对象的名称。两位不出名的研究者——内维尔和西蒙提出了不同凡响的设想。他们研究了两个人借助于信号装置和按钮系统进行交际的方式。这个系统要把这两个人的行为分解为一系列简单动作和逻辑动作。因为在这两个研究者的工作地点装有两台大型计算机，所以他们俩常把自己的试验从脚到头倒着进行消遣取乐：把简单的逻辑规则输入计算机，使它养成进行复杂推理的能力。这真是一个天才的想法；计算机程序不仅进行工作，而且靠它帮助，发现了一个新定理，这个定理证明完全出乎意料之外，而且比以前所有的证明还要优美得多。内维尔和西蒙发现了一个奠定性的原则，即赋予机器人智能用不着非得弄懂人类大脑不可。需要研究的不是我们的大脑是怎样工作，而是它做些什么；需要分析人的行为，研究人的行为获得知识的过程，而不需要探究神经元网络的理论。简单地讲，应着重的是心理学，而不是生理学。

从此，研究者便开始沿着上述方向前进了。不过，他们还一直在争论这样的问题：用什么方式使计算机“思维”。
有一派研究者以逻辑学为研究点，试图把推理过程分为一系列的逻辑判断。计算机从一个判断进到另一个判断，得出合乎逻辑的结论。象众所周知的三段论一样：“所有的动物都会死掉；小刺唱是动物，因此，小刺猖也会死掉。”计算机能否获得幼童一样的智力水平呢？关于这个问题，科学家们有两种相反的见解。伯克利的哲学教师德赖弗斯带头激烈反对“人工智能派”。他说人工智能派的理论是炼金术。他认为，任何时候也无法将人的思维进行程序设计，因为有一个最简单不过的道理：人是连同自己的肉体一起来认识世界的，人不仅仅由智能构成。

他进一步举例：计算机也许懂得饭店是什么意思，但它绝不会懂得得客人是否用脚吃饭，不懂得服务小姐是飞到桌边，还是爬到脚边；总之，计算机永远也不会有足够的知识来认识世界。但麻省理工学院的研究员明斯基却不同意德赖弗斯的观点，他认为机器人的智能是无限的。他对“人工智能”的解释是：这是一门科学，它使机器去做这样一种事情，如果这种事情由人来做的话，就会被认为是有智力的行为。明斯基同时是一位物理学家、数学家，还对心理学、社会学、神经学都有所研究。他指出，人工智能是心理学的一个新门类，这个门类用实验的方法，以计算机为手段模拟人类思维的本性。他认为自己所研究的计算机，是一门全新的科学；当然机器并不是人，它永远没有人的那种快乐或是痛苦的情感体验，只是热衷于掌握纯粹的知识。举个例子来说吧，人可以给计算机输入“水”的概念：水是一种液体，表面是平的；如果从一个容器倒入另一个容器里，其数量不变；水可以从有洞的容器里漏出来，能弄湿衣服，等等。但是，它获得有关水的最一般的信息之后，就尽力回答一个很重要的问题：“如果将盛满水的玻璃杯倾斜，那会怎样呢？”计算机在它的荧光屏上显示出了一只倾斜到水平位置的玻璃杯，尽管计算机知道引力定律，但它还是固执地在荧光屏上显示：玻璃杯歪倒了，可液体就是不外流。计算机永远不会从痛苦的、但却是有益的经验中体验到那种衣服被弄湿的人所感受到的不快心情。

所以有一个名叫申克的心理学家正领导一批学者从事这个令人感兴趣的课题的研究：让计算机学会阅读和概括读物内容，回答有关问题；让计算机学会几种人类语言，并互相翻译；让计算机学会对话、学习论证艺术、背单词……

与人对话

美国耶鲁大学曾经设计了一台这样的计算机：它的存储器里没有保存预先准备好的固定说法，它自行编制答话，会论证，会“思考”，某种程度上有点像人。靠着心理学和信息论，科学家为自己提出了一个令世人惊异不已的课题：把人的思维方式和行为研究清楚，然后去人工模拟它。

谈到“人工智能”这个词的时候，我们马上会把它跟一些非真实的东西联在一起。这个词的出现，令许多人提心吊胆：机器人和人一样了，那人类将何去何从！有的人在拼命捍卫着人类自身的最后一个堡垒，使其免遭机器人的伤害、侵犯。问题之所以复杂还在于这个词至今还没有形成统一的定义。明斯基说：“这是一门科学，它使机器人去做这样一种事情，这种事情如果由人去做的话，就会被认为是有智能的行为。”这类俏皮的定义用处不大，有时简直会把研究者引到实用形式主义的沼泽中去。另一个叫图灵的研究者提出了人工智能的测试方法：如果人类猜不出计算机跟他谈话时将表述何种内容——不知道它要说什么，那么，这台计算机已经达到了人的智能水平。他的这一番高论曾经引起了轰动，给学术界添了不少忙乱。为了排除计算机言语问题，这样的对话最好是利用电传机进行。对于许多控制专家来说，为达到图灵所说的水平，进行了大量的工作。数不清的各种各样的电子交谈者纷纷问世。

60年代末，美国控制论专家、麻省理工学院教师魏森鲍姆编成了几个程序，其主要目的是满足图灵的测试条件——把吹毛求疵的技术专家搞糊涂。这种做法的基础是似是而非的对话。在进行这种对话时，交谈者只是看起来像是在交谈。“交谈者”实际上不去考虑交谈对方所说的意思，而是把听到的东西作些并不复杂的形式上的改变，组成自己的答话。请看：

研究者说：“朋友建议我到您这儿来，他说这多少可使我快乐些。”

计算机吃惊地问道：“您的朋友建议您到这儿来？”

研究者说：“他说我总是郁郁不乐。”

计算机说：“您郁郁不乐，我很遗憾。”

详尽研究了无聊空洞的沙龙对话之后，魏森鲍姆发明了他那富有魅力的

“机器人女士”。他发现他的某些同胞能在毫无兴趣的情况下应付对方谈话，而且他们的对话仍能很好地进行下去。这个机器人女士继承了这一能力，能在问话中找到关键词语，然后组成一些公式化的令人感到恰当的答案。看得出，这位“女士”是有些智能。但实际上，她的智能有限，只是善于伪装罢了。“女士”的头脑十分简单，在人说出来的话语中，一些固定的关键词语迫使它产生反应，提出一些固定的语句来。比如，当人说“你不知道某某”时，“女士”便会答道：“为什么您认为我不知道呢？”她能说会道，但只不过是一个沙龙里闲聊的能手罢了。

科尔比在斯坦福大学编制了另一种计算机程序，它与上述“女士”不同。它的任务是帮助刚刚开始工作的精神病医生获得某些同重病患者交谈的经验。这个程序模拟的是患迫害狂的病人。程序中存储了一定的履历情况：佩里，28岁，未婚，在邮局工作；他极其脆弱，对涉及他的外貌、教育和信仰等所有问题都敏感；他的爱好是看电影和赛马；有一次，他竟朝赛马场赌注登记员猛扑过去，因为那个人没付给他赢得的彩金；从此，他便开始惧怕黑社会的报复。交谈中，佩里的情绪经常变化。如果谈话主持人经常地触及到佩里的“痛处”，佩里便开始激动，出现妄想狂症状。下面是他们的对话：

医生：“您怕黑社会吗？”

佩里：“黑手党是最可怕的暴徒。”

医生：“您跟黑手党有什么联系吗？”

佩里：“您没看到吗，他们知道我。”

医生：“他们怎么会知道你？”

佩里：“他们在监视我。”

医生：“为什么？”

佩里：“他们想罗织罪名把我打入监狱。”

医生：“他们为什么要害您？”

佩里：“他们想置我于死地。”

医生：“为什么呢？”

佩里：“我掌握着黑手党的罪证。”

一群精神病医生被安排通过电传机跟一个真病人和佩里同时进行交谈，虽然他们知道其中一个交谈者是计算机，但猜不出究竟哪个是计算机。这样，图灵测试法便开始发生作用了。后来发生了更加有趣的事，先前魏森鲍姆制作了一个模拟精神病医生医治某些神经功能失调症的机器人；后来产生了用这个机器人来治佩里的想法，这是它们之间的对话：

医生：“您好，请说说您哪儿不舒服？”

佩里：“我有时生别人的气。”

医生：“我不太理解您说的意思。”

佩里：“您应该注意听些。”

医生：“请继续说吧。”

佩里：“我曾经去过贝—梅多乌斯赛马场。”

医生：“您去干什么？”

佩里：“我去赛马了。”

医生：“您还想讨论什么？”

佩里：“我对赛马感兴趣。”

医生：“您为什么要说这些呢？”

佩里：“那里赛马赌博时捣鬼。”

医生：“我不太明白您的意思。”

佩里：“您真是个令人讨厌的人！”

医生：“您喜欢把我看作是个真正令人讨厌的人吗？”

佩里：“我听腻了。”

医生：“为什么？”

佩里：“再见！”

医生：“认识您十分高兴。您应交付399美元25美分。”

这就是它们的对话，交谈得不错，尽管医生有些“瞎蒙”。程序员准备逐步完善“佩里”的程序，以便年轻的医生们能在对话过程中“治愈”这个人造病人。到那时，大学生们便可以通过跟计算机交谈来学习，免去面对真正的精神病人时因医术不熟练造成的痛苦。

教会机器人去抓住这样或那样的实质更为重要。跟计算机谈话有两种类型：有限的交谈和有限的理解。在有限的交谈中，机器人“理解”它所交谈的全部内容，不过只是涉及到确定话题的情形下，比方说，下棋或摆积木。在有限的理解时，可以同它随意交谈，但是它却远远不能全部理解你的话。魏森鲍姆编制的机器人“女士”这个程序正属于此类。“女士”只能表面上理解事件和现象。不过，随着控制对话理论和实践的发展，机器人的言语变得越来越能表达意思了。图灵测试法开始经常性地生效了。

美国的一家电子计算机公司的副董事长，阴差阳错，接受了一次图灵标准测试。从此，这个标准的地位开始下降了。因为控制专家们由此发现，它也不是检验计算机智能极限的最佳标准。

最佳标准是什么呢？怎样的智能水平才够称得上是真正的“智能”机器人呢？这又成了摆在智能科学家面前的一个新问题。

机器人教给你

计算机事业的发展是建立在许多科学研究者“异想天开”的主观设想和辛勤劳动的客观实践的基础之上的。前面已经说过，一些学者在研制控制对话原理，做出了不少贡献。此时，另一些实践家和实用主义者则努力将机器人的这种新能力套在科技进步的大车上，他们决心让机器人具备具体的领域中的某些知识。

我们知道，计算机所获得的全部信息因素被一个相互依赖的复杂系统联系在一起。计算机比起逻辑推理来，更经常地采用类比和判断的方法，它将这些要素进行归类、合并和综合，渐渐地发展了自己的“思维”能力。现在我们来回顾一下机器人在这个发展过程中的一些历史性事件。

最初一批这样的计算机诞生于50年代末。它们证明了约40个定理，并且能解答象“建造儿童金字塔”一类的简单小问题。到60年代，人们已经能够同计算机谈论天气之类的话题了，因为这些计算机了解气象学，并具备正确造句所必需的句法知识。比如，如果对它说：“我不喜欢夏天下雨。”它会彬彬有礼地回答：“是的，不过夏天并不经常下雨。”此外，还有一个叫“棒球”的程序能解答与本年度比赛有关的所有问题：比赛地点、比分、参赛队的人员情况。而“谈谈”程序，它已经开始对交谈者的家庭关系感兴趣了，尽管它确实对此一无所知。只是到了1965年，机器人“先生”才开始更多地注意词义，而不仅是单词在句中的排列顺序。计算机“学生”也是这种类型的，像一个学习成绩优秀的学生，能解答一次方程，能用流利的英语叙述解方程的顺序。

输入计算机中的知识专业化程度越高，计算机掌握它们的可能性就越大。现在，有些计算机已成了真正的“技术顾问”。比如，它们已经在协助专家们去确定哪个地层矿产丰富；协助专家们作出有关传染病的诊断。要制造出这样的“专家”来，必须把人——专家的知识，传授给它们。然而，不管令人多么难以置信，主要困难仍在于怎样把这些知识从人的大脑中“全掏”出来。比如，医生作出诊断时，根据经验，遵守一些规则。这些规则，他几乎是在下意识地和机械地加以运用的。研究者们花费了好多时间去采访医生和其他专家，以便弄清楚他们思维过程所固有的基本规律。只要能将他们思维的全部过程还原，那么，再把它复制于计算机程序中，这相对来说就不复杂了。从1965年开始，计算机中的第一个“专家”便由法伊根鲍姆在斯坦福制成了。它一出生，就自告奋勇地帮助化学家确定物质的分子结构；另一个技术顾问“探矿者”，工作起来更是严谨。它详细地研究地质图和土壤样图，以便确定存在的矿床。它居然在华盛顿州发现了一座蕴藏丰富的钼矿。

⑦ 变形金刚博派5个机器人详细资料

汽车人
擎天柱（柯柏文）－－彼得比尔特Peterbilt 389 牵引卡车头
先遣队员大黄蜂－－卡玛罗轿车
救护车力捷－－悍马H2型救援车
汽车人武器专家铁皮－－通用托普基克皮卡
特种部队队长爵士－－庞迪克Solstice跑车
擎天柱/柯柏文（Optimus Prime，配音Peter Cullen）：汽车人的首领，很多年前他被“the Matrix of Leadership”（值于机器人首领胸中的一种固件，相当于王冠）选中成为新的首领，他谦逊的接受了，从此由赛伯博恩星球（Cybertron）上一名普通的劳动阶级机器人变成了宇宙中最强大的仁爱之师——汽车人的首领，当他带领着部下准备作战时，总会说那句著名的台词“汽车人，变形！” （Transform and Rollout!）

大黄蜂（BUMBLEBEE）：大黄蜂是随着飞船来到地球的汽车人之一，参加了多场战斗，是汽车人的一名优秀侦察员，在电影版中他是主人公男孩萨姆（Sam Witwicky）的第一辆车——通用雪佛兰Camaro。在汽车人大家族里大黄蜂个头算小的，被其它同伴当作小弟弟，但他执行危险任务可一点不比别人逊色。

爵士（JAZZ）：他一直都是最受欢迎的汽车人角色之一，他的人生信条是“如果做事没有自己的风格，那就别做”。他非常酷、很有个性、非常能干、勇敢而聪明。他有着接近完美的记忆力，这是他成为战场上不可多得的记录者。由于他采用了核子融和动力的引擎，所以当他变形后能达到接近光速的速度。

爵士也是跟随擎天柱登上寻找新世界的宇宙方舟的汽车人之一，由于遭到威震天（Megatron）袭击，他们的飞船坠落在地球上，船上的所有成员都进入紧急停滞状态。1984年一次火山爆发唤醒了汽车人的电脑——“一号了望器”（Teletran-1），它修复并重新格式化了飞船上的机器人，使他们具备了变形为地球上机器的能力。爵士是一辆漂亮的通用公司“庞蒂亚克”轿车。

冷静的头脑使爵士总是担当起特殊任务的领导，他总是把最危险的任务留给自己，此外爵士适应各种环境的能力也很强，他来到地球后努力适应这里的文化，吸收和改进，做出一些有创意的命令和决定。这些使他成为擎天柱不可缺少的得力助手。

救护车/力捷（RATCHET）：在汽车人中担当了“医生”的角色，本是一辆救护车，但在电影里改为通用“悍马H2”（Hummer H2）抢险救急车，作用比原来更广泛了。虽然“治病救人”是他的工作，但作战起来他也丝毫不逊色，他的勇气和忠诚经得起时间的考验。