agent-90
刘耀文的大沙雕
钟意阿满
电力系统中的agent什么意思
Agent技术在90年代成为热门话题,甚至被一些文献称为软件领域下一个意义深远的。
突破,其重要原因之一在于,该技术在基于网络的分布计算这一当今计算机主流技术领域。
中,正发挥着越来越重要的作用。一方面,Agent技术为解决新的分布式应用问题提供了有。
效途径;另一方面,Agent技术为全面准确地研究分布计算系统的特点提供了合理的概念模。
型。
一、问题
目前,常规的分布计算技术是基于经典的客户/服务器计算模型的,即将分布式应用分。
解为客户和服务器两大部分,服务器只有在接到客户的请求后方能提供服务。这些技术是。
在共享分布资源的应用背景下形成的,在解决新的分布式应用方面存在诸多局限性。从以。
下几个目前人们较为关心的分布式应用需求中,我们不难发现问题所在。
1. 从"人找信息"到"信息找人"。
目前绝大多数的Internet应用是建立在客户/服务器计算模型基础上的,这就使得通。
过Internet进行信息分布和查找的应用不可避免地存在以下问题:一方面,信息提供者不。
能适时地将信息主动提供给最需要的用户;另一方面,信息使用者不知道到哪里能够找到。
急需的信息。越来越多的人开始为Internet上形形色色的庞杂信息所累,"逛"Internet的。
感觉真有点象逛商业街的感觉:疲劳、茫然;需要的东西不知道在何处寻找,不需要的东西。
却强烈地冲击人们的视野。盲目被动的搜寻导致网上流动的有效信息占有率大大降低,使。
已经十分紧俏的网络带宽被浪费。人们希望服务器能够根据客户的需求主动提供信息,实。
现"信息找人"。然而,常规的分布计算技术却难以胜任,原因之一就是经典的客户/服务器。
计算技术不支持主动服务机制。
2. 并行工程
尽管现代企业在其产品设计制造过程的诸多环节上,卓有成效地采用了各种计算机辅。
助工具,但各环节之间仍存在着数据共享和部门协同的沟痕,影响了产品设计制造的整体。
进度和质量。为此,人们提出了并行工程(CE)的概念,其核心思想就是以分布式的企业计。
算环境为基础设施,实现产品设计制造全过程以及相关资源的优化组合,使各部门最大限。
度地协同工作,减少中间环节对产品设计制造的进度和质量的影响。然而,常规的分布计。
算技术同样难以胜任此类协同工作的应用。因为经典的客户/服务器计算技术不支持服务。
器对客户的直接控制,也不支持客户应用之间直接的群体感知。
3. 分布式交互仿真
仿真器早已在教育、训练、制造和娱乐等诸多领域的应用中显示出其重要的价值。
但是单一仿真器的应用局限性很大,例如孤立的军用仿真器,不能适应现代战争环境对武。
器系统综合效能分析的需要,或对战斗人员进行接近战场环境训练的要求。为了更好地发。
挥现有仿真器的作用,减少训练费用,美国国防部支持了称为分布式交互仿真(DIS)的研究。
,其初衷是将各类仿真器和计算机通过网络连接起来,在此基础上建立虚拟的战场环境,以。
提高仿真训练的实效性。显然,常规的分布计算技术更难以胜任此类应用。因为,DIS中的。
行为实体是不能简单地用"客户"和"服务器"两类角色来刻划的。
概括地讲,常规的分布计算技术的局限源于经典的客户/服务器计算模型的局限,即:。
将分布式应用中的自主行为实体简单地划分为"客户"和"服务器"两类; 客户与服务。
器之间的交互关系仅限于客户主动请求/服务器被动响应的非对等关系。
二、应用
Agent的概念和技术出现在分布式应用系统的开发之中,并表现出明显的实效性。以。
下列举几项人们在分布式应用方面所从事的涉及Agent的研究和开发工作,从中我们可以。
初步体会到Agent概念和技术的意义。
1. 利用Agent技术改善Internet应用。
例如,研制"信息找人"的Agent。它具有"需求"与"服务"的集散能力,它接受信息分布。
者有关信息要点的注册,以及信息查询者有关信息需求要点的注册。该Agent根据这些信。
息,主动通知用户谁能够提供其所需信息,或主动通知信息提供者谁目前需要其所能提供。
的信息。
2. 利用Agent技术实现并行工程的思想。
例如,利用Agent技术开发工作流管理者。它能够向各工作站下达工作流程和进度计。
划,主动引导各工作站按照工作流程和进度计划推进工作,受理并评价各工作站工作进展。
情况的报告,以及集中管理各类数据等等。
3. 利用Agent技术开发分布式交互仿真环境。
例如,将飞行训练仿真器与计算机网络上的若干工作站连接起来,在工作站上实现多。
个模拟飞机的Agent,与仿真器构成可交互的空战仿真环境。受训人员操作这种置于交互。
仿真环境中的仿真器,不仅能够体验各种操纵飞机的技能,而且能够通过与智能化的自主。
模拟战机的交互,实践各种空战战术行为(单一飞行训练仿真器能支持前者,但不能支持后。
者)。
实际上,Agent的概念并非是今天才出现在分布计算领域的,它在分布式系统自身的管。
理中早已被使用了。例如,在80年代形成的基于TCP/IP的互联网络管理技术SNMP中就采用。
了manager/agent模型。在该模型中,agent是运行在被管理单元上的自主行为实体,它能。
够对被管理单元上的相关事件作出反应、响应manager发来的管理命令等等。然而直到今。
天,Agent的概念和技术在分布计算领域才引起人们的重视,因为它在解决当今分布式应用。
面临的普遍问题上产生了实际效果。
三、概念
在分布计算领域,人们通常把在分布式系统中持续自主发挥作用的、具有以下特征的。
活着的计算实体称为Agent。
1. 自主性
Agent具有属于其自身的计算资源和局部于自身的行为控制机制,能够在没有外界直。
接操纵的情况下,根据其内部状态和感知到的环境信息,决定和控制自身的行为。例如,S。
NMP中的agent就是独立运行在被管理单元上的自主进程。
2. 交互性
Agent能够与其他Agent(包括人),用Agent通信语言实施灵活多样的交互,能够有效地。
与其他Agent协同工作。例如,一个Internet上的用户需要使用Agent通信语言向主动服务。
Agent陈述信息需求。
3. 反应性
Agent能够感知所处的环境(可能是物理世界,操纵图形界面的用户,或其他Agent等)。
,并对相关事件作出适时反应。例如,一个模拟飞机的Agent能够对用户的操纵作出适时反。
应。
4. 主动性
Agent能够遵循承诺采取主动行动,表现出面向目标的行为。例如,一个Internet上的。
主动服务Agent,在获得新的信息之后能够按照约定主动将其提交给需要的用户;一个工作。
流管理Agent,能够按照约定将最新的工作进展情况主动通报给有关的工作站。
具有上述特性的计算实体可以是类Unix进程(或线程)、计算机系统、仿真器、机器。
人。
从系统实现的层次上分析,在上面列举的应用中,纯软件形态的Agent就是指具有上述。
特性的类Unix进程。在上述4个特性中,前3个是基本的。人们也称具有上述前3个特性的。
计算实体为反应式Agent。在经典的客户/服务器计算模型中,服务器就是一种典型的反应。
式Agent。一些学者对Agent概念赋予了更拟人化的要求,例如分布式人工智能领域的学者。
,要求Agent具有知识、信念、意图等认知特性;CSCW领域的学者,要求Agent具有更友好的。
人-机交互方式。当然,目前在主流的分布计算领域为人们广泛认同的Agent概念,是具有。
上述4个特性的计算实体。
四、结构
当初,人们在研究并发计算的过程中,为了刻划若干个同时处于执行过程中的计算单。
位,引入了"进程"的概念,并逐步形成了具有特定技术内涵的进程结构。当今,人们在研究。
分布计算的过程中发现,分布式系统中广泛存在着用已有的计算机概念难以准确描述的自。
主行为实体,于是引入了"Agent"的概念。因此研究Agent的体系结构成为分布计算领域的。
重要课题。
Agent的体系结构是指构造Agent的特殊方法学,它描述了组成Agent的基本成分及其。
作用、各成分的联系与交互机制、如何通过感知到的内外部状态确定Agent应采取的不同。
行动的算法,以及Agent的行为对其内部状态和外部环境的影响等等。目前,人们已提出的。
Agent的体系结构大致可分为以下三类。
1. 审慎式体系结构(Deliberative Architecture)。
该体系结构的特点是Agent中包含了显式表示的世界符号模型,Agent的决策是通过基。
于模板匹配和符号操作的逻辑(或准逻辑)推理作出的,如同人们通过"深思熟虑"后作出决。
定一样,因此被称为审慎式的体系结构。该体系结构在(分布式)人工智能领域占主导地位。
。我们可以认为构造经典的基于知识的系统,就是按照这种体系结构构造Agent的雏形的。
。因此,也可以说该体系结构的存在与现代人工智能的历史一样长。
2. 反应式体系结构(Reactive Architecture)。
该体系结构的特点是Agent中包含了感知内外部状态变化的感知器、一组对相关事件。
作出反应的过程,和一个依据感知器激活某过程执行的控制系统,Agent的活动是由于受到。
内外部某种"刺激"而发生的,因此被称为反应式的体系结构。该体系结构在目前主流的分。
布式系统中占主导地位。本文列举的分布式应用中所涉及的Agent基本上是反应式体系结。
构。
我们甚至可以认为一个计算机基本系统,也是一个按照这种体系结构构造的Agent的。
雏形。
因此,也可以说该体系结构的存在与现代计算机系统的历史一样长。
3. 混合式体系结构(Hybrid Architecture)。
该体系结构的特点是Agent中包含了审慎式和反应式两个子系统,通常这两个子系统。
是分层次的,前者建立在后者的基础之上。这种体系结构的研究与实验目前在人工智能领。
域较为活跃,我们认为有关成果将对分布式系统中Agent应用功能的增强产生直接影响。
例如,已经有研究工作在模拟飞行员的Agent中加入基于符号表示和推理的各种规划与决。
策能力,以提高模拟飞行员的适应性。
目前,我们正在研究开发一种具体的反应式Agent体系结构。在该结构中,Agent由事。
件处理系统、方法集和内部状态集三个主要成分构成。其中,事件处理系统是Agent的行。
为控制系统。Agent的活性表现为它的事件处理系统,在该Agent的生命期内始终持续自主。
地工作着。在该结构中,事件是与Agent有特定关联的特殊状态(如外部某服务请求到达、
内部某特定状态被修改或超过设定的阈值等)。事件处理系统涉及事件感知、事件适配和。
事件处理分发3个环节的活动。Agent的事件感知器时刻捕捉其所关注的事件状态的出现。
,并根据事件状态的类型启动相应的事件适配器工作;事件适配器获取相关事件信息作识。
别,并将识别结果提交给相应的事件处理分发器,启动有关的事件处理方法执行。Agent的。
方法集体现了该Agent事件处理能力的成分,描述了Agent处理相关事件的方法。方法的执。
行由事件处理分发器引发,在其执行过程中可能影响Agent的内部状态,从而导致新事件的。
发生。Agent的内部状态集是表现该Agent当前状态的成分,其中包括表征事件的状态。在。
Agent的行为过程中,该Agent的内部状态可能会不断发生变化。
Agent之间的消息传递机制通过消息事件的处理实现。假设Agent A具有消息事件的。
处理能力,其接收服务请求的典型工作过程如下:一个传递给A的服务请求导致消息事件的。
发生。A的(消息)事件感知器将及时检测该事件的发生,从而引发A的(消息)事件适配器接。
收此消息;消息事件适配器按照Agent之间的消息传递协议,分析识别该消息为服务请求类。
型,进而引发A的(请求)事件处理分发器,并将有关适配信息提交给该分发器;(请求)事件。
处理分发器则根据适配信息选择相应的服务方法执行。
Agent的事件处理机制不仅可以有效地实现客户/服务器计算中传统的客户直接请求。
/服务器被动服务的机制,而且为实现Agent之间以及Agent与外部环境之间更为主动灵活。
的交互机制奠定了基础。例如,通过定义特定的故障事件,使担负系统管理的Agent能够主。
动向Manager报告关键故障的发生,甚至独自处理故障;通过定义特定的时钟事件,可以实。
现Agent之间以及Agent与用户之间的定时服务;通过定义特定的内部状态修改事件,实现。
Agent之间共有信息副本的一致性维护;通过定义特定的信息查询事件,使Agent在收到与。
查询相关的信息后,主动向信息需求者提供信息服务等等。
五、环境
如同主流操作系统都提供了多进程的并发系统开发和运行环境一样,为多Agent的分。
布式应用系统的运行开发和建立分布计算环境也日显重要。按照此类环境承诺的Agent的。
体系结构分类,相关的支持环境也可分为三大类。
1. 面向审慎式体系结构的支持环境。
此类支持环境通常建立在知识系统支持技术和主流网络计算技术的基础上,进一步提。
供了Agent程序设计语言和Agent通信语言等工具。
2. 面向反应式体系结构的支持环境。
此类支持环境通常建立在分布式对象技术的基础上。因为反应式Agent的体系结构与。
对象的结构存在很大的相似性,利用带有专门控制器的对象可以实现反应式Agent。在此。
类支持环境中提供各种控制器的框架,以及基于框架的Agent定义与生成工具。
3. 面向混合式体系结构的支持环境。
此类支持环境可以建立在层次化的分布式对象技术和知识系统技术的基础上。
从主流的分布计算技术和应用角度分析,我们认为发展分布式对象技术对多Agent应。
用系统的支持,将是一项十分有意义的工作。我们正在研究如何在ORB(对象请求中介)技。
术的基础上,通过纵向或横向扩展实现主动服务机制,使其在分布式对象环境中能够方便。
地实现具有自主性、交互性、反应性和主动性的Agent。
六、影响
一个新的概念和技术在计算机领域能够引起广泛关注,甚至"火"起来,通常是由于以。
下因素所至:
(1)它在解决计算机主流技术及其应用的瓶颈问题上提供了有效的途径。
(2)它在开拓计算机技术新的应用领域方面发挥了关键的作用。
进入80年代,个人计算机和工作站的普及以及网络通信技术的迅速发展,使拥有个人。
计算机或工作站的广大用户,迫切需要共享或集成分布于网络上的丰富信息资源,用以廉。
价获得超出局部计算机能力的高品质服务,并逐步实现计算机支持的协同工作。在这样的。
需求驱动下,分布计算成为影响当今计算机技术发展的关键技术力量。分布计算目前还处。
于客户/服务器计算的中间阶段,由于受到新的应用需求的冲击,开始向分散对等的协同计。
算方向发展,将Agent的概念和技术引入分布计算已成为这一发展阶段的重要特征。
从逻辑上讲,一个分布式系统可以定义为由多个相互作用的Agent组成的系统,各种分。
布式系统的差异主要表现为其中Agent的角色和交互方式上的差别。例如分布式客户/服。
务器系统是这样的分布式系统,其中的Agent或为客户或为服务器,交互关系仅限于客户主。
动请求/服务器被动服务的交互方式。然而,这种基于Agent的分布式系统观使人们跳出了。
客户/服务器系统的局限,适应了应用需求的发展。从发展的角度看,我们认为,"Agent"的。
概念在分布计算中的地位和作用,可以与"进程"的概念在并发计算中的地位和作用相类比。
。
抱起亚轩找小葵
1, 什么是人工智能
智能主体
Agent源出于20世纪70年代人工智能的机器自动编程，兴起于20世纪80年代后期、特别是自20世纪90年代初发展成具有相互协调功能的Multi-Agent后，已成为众多应用领域研发防灾变和风险管理的一个热点。
Agent具有认知、反应和混合三种结构。认知结构具有内部状态的主动软件，包括知识、问题求解表示、环境表示和通信协议，通过推理生成决策Agent。反应式结构简单地对外部刺激产生反应，没有内部状态，根据程序安排，作出回答或发出请求。混合式结构在Agent中包括两个或以上子系统，通常反应子系统优先认知子系统，提供快速反应。
电力系统固有的分布特性，使得上述几个阶段的集中式问题求解结构显得日益难于适应市场环境的多变特点。这也就是支持分布式问题求解的Multi-Agent受到越来越重视的原因。
大圣杰锅是
电脑中Oracle-OraHome102ic 是什么东东？
人工智能（计算机科学的一个分支）
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，但没有一个统一的定义。
人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。但是这种会自我思考的高级人工智能还需要科学理论和工程上的突破。
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。
关于什么是“智能”，就问题多多了。这涉及到其它诸如意识（CONSCIOUSNESS）、自我（SELF）、思维（MIND）（包括无意识的思维（UNCONSCIOUS_MIND）等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。
人工智能在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。
人工智能机器人
著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。
人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪（基因工程、纳米科学、人工智能）三大尖端技术之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。
2研究价值编辑
具有人工智能的机器人
例如繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，另一方面又转向更有意义、更加困难的目标。
通常，“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。我们可以将这样的学习方式称之为“连续型学习”。但人类除了会从经验中学习之外，还会创造，即“跳跃型学习”。这在某些情形下被称为“灵感”或“顿悟”。一直以来，计算机最难学会的就是“顿悟”。或者再严格一些来说，计算机在学习和“实践”方面难以学会“不依赖于量变的质变”，很难从一种“质”直接到另一种“质”，或者从一个“概念”直接到另一个“概念”。正因为如此，这里的“实践”并非同人类一样的实践。人类的实践过程同时包括经验和创造。[1]。
这是智能化研究者梦寐以求的东西。
2013年，帝金数据普数中心数据研究员S.C WANG开发了一种新的数据分析方法，该方法导出了研究函数性质的新方法。作者发现，新数据分析方法给计算机学会“创造”提供了一种方法。本质上，这种方法为人的“创造力”的模式化提供了一种相当有效的途径。这种途径是数学赋予的，是普通人无法拥有但计算机可以拥有的“能力”。从此，计算机不仅精于算，还会因精于算而精于创造。计算机学家们应该斩钉截铁地剥夺“精于创造”的计算机过于全面的操作能力，否则计算机真的有一天会“反捕”人类。[1]。
当回头审视新方法的推演过程和数学的时候，作者拓展了对思维和数学的认识。数学简洁，清晰，可靠性、模式化强。在数学的发展史上，处处闪耀着数学大师们创造力的光辉。这些创造力以各种数学定理或结论的方式呈现出来，而数学定理最大的特点就是：建立在一些基本的概念和公理上，以模式化的语言方式表达出来的包含丰富信息的逻辑结构。应该说，数学是最单纯、最直白地反映着（至少一类）创造力模式的学科。[1]。
3科学介绍编辑
实际应用
机器视觉：机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。
学科范畴
人工智能是一门边沿学科，属于自然科学和社会科学的交叉。
涉及学科
哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论。
研究范畴
自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法。
意识和人工智能
人工智能就其本质而言，是对人的思维的信息过程的模拟。
对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟，是对人脑思维的信息过程的模拟。
弱人工智能如今不断地迅猛发展，尤其是2008年经济危机后，美日欧希望借机器人等实现再工业化，工业机器人以比以往任何时候更快的速度发展，更加带动了弱人工智能和相关领域产业的不断突破，很多必须用人来做的工作如今已经能用机器人实现。
而强人工智能则暂时处于瓶颈，还需要科学家们和人类的努力。
4发展阶段编辑
1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。IBM公司“深蓝”电脑击败了人类的世界国际象棋冠军更是人工智能技术的一个完美表现。
从1956年正式提出人工智能学科算起，50多年来，取得长足的发展，成为一门广泛的交叉和前沿科学。总的说来，人工智能的目的就是让计算机这台机器能够像人一样思考。如果希望做出一台能够思考的机器，那就必须知道什么是思考，更进一步讲就是什么是智慧。什么样的机器才是智慧的呢？科学家已经作出了汽车，火车，飞机，收音机等等，它们模仿我们身体器官的功能，但是能不能模仿人类大脑的功能呢？到目前为止，我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官，我们对这个东西知之甚少，模仿它或许是天下最困难的事情了。
当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。如今人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，在大家不懈的努力下，如今计算机似乎已经变得十分聪明了。例如，1997年5月，IBM公司研制的深蓝（DEEP BLUE）计算机战胜了国际象棋大师卡斯帕洛夫（KASPAROV）。大家或许不会注意到，在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。人工智能始终是计算机科学的前沿学科，计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在。
5技术研究编辑
用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。
人工智能技术研究 ARTIFICIAL INTELLIGENCE AND ROBOTICS RESEARCH 是一本关注人工智能与机器人研究领域最新进展的国际中文期刊，由汉斯出版社发行，本刊支持思想创新、学术创新，倡导科学，繁荣学术，集学术性、思想性为一体，旨在为了给世界范围内的科学家、学者、科研人员提供一个传播、分享和讨论人工智能与机器人研究领域内不同方向问题与发展的交流平台。
研究领域
人工智能技术研究
智能机器人
模式识别与智能系统
虚拟现实技术与应用
系统仿真技术与应用
工业过程建模与智能控制
智能计算与机器博弈
人工智能理论
语音识别与合成
机器翻译
图像处理与计算机视觉
计算机感知
计算机神经网络
知识发现与机器学习
建筑智能化技术与应用
人工智能其他学科
研究方法
如今没有统一的原理或范式指导人工智能研究。许多问题上研究者都存在争论。其中几个长久以来仍没有结论的问题是：是否应从心理或神经方面模拟人工智能?或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？
智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提议人工智能应归类为SYNTHETIC INTELLIGENCE，[29]这个概念后来被某些非GOFAI研究者采纳。
大脑模拟
主条目：控制论和计算神经科学
20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。其中还造出一些使用电子网络构造的初步智能，如W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。 这些研究者还经常在普林斯顿大学和英国的RATIO CLUB举行技术协会会议.直到1960, 大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。
符号处理
主条目：GOFAI
当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学, 斯坦福大学和麻省理工学院，而各自有独立的研究风格。JOHN HAUGELAND称这些方法为GOFAI(出色的老式人工智能)。[33] 60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。基于控制论或神经网络的方法则置于次要。[34] 60~70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。
认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学, 运筹学和经营科学。他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。这方法一直在卡内基梅隆大学沿袭下来，并在80年代于SOAR发展到高峰。基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，JOHN MCCARTHY认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示, 智能规划和机器学习. 致力于逻辑方法的还有爱丁堡大学，而促成欧洲的其他地方开发编程语言PROLOG和逻辑编程科学.“反逻辑”斯坦福大学的研究者 (如马文·闵斯基和西摩尔·派普特)发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。ROGER SCHANK 描述他们的“反逻辑”方法为 "SCRUFFY" .常识知识库 (如DOUG LENAT的CYC)就是"SCRUFFY"AI的例子,因为他们必须人工一次编写一个复杂的概念。基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划,这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。
子符号法
80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，机器人，机器学习和模式识别。很多研究者开始关注子符号方法解决特定的人工智能问题。
自下而上, 接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEY BROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征(如移动，感知和形象)。计算智能80年代中DAVID RUMELHART 等再次提出神经网络和联结主义. 这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴。
统计学法
90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因。共用的数学语言也允许已有学科的合作（如数学，经济或运筹学）。STUART J. RUSSELL和PETER NORVIG指出这些进步不亚于“革命”和“NEATS的成功”。有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标。
集成方法
智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。最简单的智能AGENT是那些可以解决特定问题的程序。更复杂的AGENT包括人类和人类组织（如公司）。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法。范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学（也使用ABSTRACT AGENTS的概念）。90年代智能AGENT范式被广泛接受。AGENT体系结构和认知体系结构研究者设计出一些系统来处理多ANGENT系统中智能AGENT之间的相互作用。一个系统中包含符号和子符号部分的系统称为混合智能系统 ,而对这种系统的研究则是人工智能系统集成。分级控制系统则给反应级别的子符号AI 和最高级别的传统符号AI提供桥梁，同时放宽了规划和世界建模的时间。RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一个早期的分级系统计划。
智能模拟
机器视、听、触、感觉及思维方式的模拟：指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，智能搜索，定理证明，逻辑推理，博弈，信息感应与辨证处理。
学科范畴
人工智能是一门边沿学科，属于自然科学、社会科学、技术科学三向交叉学科。
涉及学科
哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。
研究范畴
语言的学习与处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计，软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法人类思维方式，最关键的难题还是机器的自主创造性思维能力的塑造与提升。
应用领域
机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。
值得一提的是，机器翻译是人工智能的重要分支和最先应用领域。不过就已有的机译成就来看，机译系统的译文质量离终极目标仍相差甚远；而机译质量是机译系统成败的关键。中国数学家、语言学家周海中教授曾在论文《机器翻译五十年》中指出：要提高机译的质量，首先要解决的是语言本身问题而不是程序设计问题；单靠若干程序来做机译系统，肯定是无法提高机译质量的；另外在人类尚未明了大脑是如何进行语言的模糊识别和逻辑判断的情况下，机译要想达到“信、达、雅”的程度是不可能的。
安全问题
人工智能还在研究中，但有学者认为让计算机拥有智商是很危险的，它可能会反抗人类。这种隐患也在多部电影中发生过，其主要的关键是允不允许机器拥有自主意识的产生与延续，如果使机器拥有自主意识，则意味着机器具有与人同等或类似的创造性，自我保护意识，情感和自发行为。
实现方法
人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法（ENGINEERING APPROACH），它已在一些领域内作出了成果，如文字识别、电脑下棋等。另一种是模拟法（MODELING APPROACH），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法（GENERIC ALGORITHM，简称GA）和人工神经网络（ARTIFICIAL NEURAL NETWORK，简称ANN）均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。
小韩在追星
什么是snmp的实体和引擎
Oracle的组件，是否安装过数据库或虚拟机？
小韩在追星
或下载器现在升级是什么软件
SNMPv3是SNMP协议的最新版本，可以将各个版本的SNMP集中在一起工作。SNMP管理站和代理在SNMPv3中被统一称作SNMP实体（SNMP entity）。SNMP实体由一个SNMP引擎和一个或多个SNMP应用程序组成。
SNMP引擎具有唯一的标识snmpEngineID，snmpEngineID与SNMP实体是一一对应的。SNMP引擎主要的功能包括：发送和接收报文，认证和加密报文，控制对管理对象的访问等。SNMP引擎由四部分组成：调度器，报文处理系统，安全系统和访问控制系统。