其實，對專家系統，很早以前就已經有了相關概念，大概是在上大學本科時候了。但那時候幾乎是無知的徹底，對ai的知識是一無所知，在書店裡看到此類書籍，譬如，資料探勘，人工智慧，或者什麼類似的東西，都覺得高深莫測。其實現在回過頭來，發現，此類書裡有實際意義的內容的寥寥無幾。人類對此領域還只是瞎子摸象，摸著石頭過河。
有乙個問題一直困擾著，不止是我，還有全世界所有的人，到底人類能不能創造出所謂的智慧型。按照常規的分類，ai可以分為強人工智慧和弱人工智慧。其中強人工智慧就是上述的智慧型，可以思考的機器，也是乙個停滯不前的領域。往往，研究者們對此領域或多或少有種畏懼，不敢觸碰的感覺，或者是走投無路，或者是信仰因素的制約。我自認為不是天才，於是乎，我去搜了一下站在世界前沿的部分英國大學的**，包括劍橋，牛津，和帝國理工。這些被人認定會出現科學家，或者諾貝爾獎的地方，居然他們的計算機系裡也沒有此類研究。他們所作的工作也一般來講是所謂的弱人工智慧，如神經網路，基因演算法（自然計算）之類的。強ai的話題在網上非正式的討論確是還算活躍。
另外有幾個概念，最近接觸到的，我覺得挺有啟發，第一：embodiment。機械人必須有物理實體。這個statement似乎太過果斷，不過實際想想，有一定道理。第二：如果做類人機械人，機械人的感知和其他驅動系統比然要很接近人類，這樣的結論實際上程式設計了必須轉殖人類。所以，絕對意義上講，計算機工程實現的機械人永遠都不會有主動的意識。有乙個領域，serorimotor + artificial life 也許是理解人工智慧的方向，但至於結論或者能產生什麼樣的生命體，取決於不同的 criteria 和embodiment。
當然，傳統的人工智慧，是解決問題比較有效的方法。為了學習這個領域的相關知識，（所謂symbolic intelligence?），比如專家系統，合適的工具是必不可少的。搜尋了一下，prolog還有一些其他的程式語言，包括jess ，都很有用。這個prolog的網路教程 似乎不錯，以後要認真研讀一番。
自然語言處理（natural language processing）和知識表達（knowledge representation）的關係是個很有意思的題目。是知識依賴語言，還是語言依賴知識，或者簡單說來，我們是否需要語言來進行思考？了解此問題，對於開展智慧型研究工作會有所幫助。我想，可能kr是更好的解決方案，nlp卻是當前最有效的方法，尤其是用於解決搜尋引擎方向上，雖然研究方向還有很大空間。kr是否可以成為一種萬能的資訊庫呢，用於表示真正的資訊，而nlp在此情況下，可以依賴於此，以至於無論語種，可以達到交叉搜尋呢？當然這都只是設想而已。
胡言亂語一番，回頭一看，毫無邏輯和思路，卻又不忍刪掉。留下來吧，反正你也不認識我！
如果可以，請按下時光暫停鍵看看人工智慧的「今生」
有沒有想過，如果可以，我們突然按下時光暫停鍵，這個世界會有哪些不同？猶疑中的大勢已來，人工智慧的無處不在 人工智慧一路發展至今，在經歷了誕生 時代 遭遇障礙 繁榮 低潮等數個階段之後，儘管我們不一定能感受到人工智慧 前世 的侵襲，但不可否認的是人工智慧演算法已經高度滲透到我們的生活之中。零售業 通訊...
看人工智慧如何在DevOps中大展身手
對於人工智慧，我們通過機器學習 深度學習演算法已經有很了很多了解了。但實際上，我們還在人工智慧的初級階段，未來一段時間內可能處於並將長期處於人工智慧初級階段。在人工智慧逐漸 智慧型 的過程中，有一種形態有點意思，那便是知識圖譜。這是google在2012年5月17日提出的新概念，它本質上是實體之間關...
人工智慧簡史 人工智慧簡史
人工智慧簡史 在人工智慧的早期，計算機科學家試圖在計算機中重建人類思維的各個方面。這就是科幻 中的智力型別，即或多或少像我們一樣思考的機器。毫無疑問，這種型別的智慧型稱為可理解性。具有可理解性的計算機可用於探索我們如何推理，學習，判斷，感知和執行腦力活動。可懂度的早期研究集中於在計算機中對現實世界和...