深度学习卷积神经网络
过去几年里，深度学习卷积神经网络所取得的成就足以使它成为人工智能王冠上最光彩夺目的明珠。基于深度学习卷积神经网络的语音识别系统把语音识别的精度提高到了产品级的精度，从而为人类与计算机及各种智能终端之间提供了一种崭新的、更为便捷的交互方式。将深度学习卷积神经网络应用于图像内容及人脸的识别，科学家们取得了能够与人类视觉系统相媲美的识别精度。战胜韩国棋圣李世石的谷歌围棋软件AlphaGo能够取得如此辉煌的战绩，深度学习卷积神经网络也发挥了关键性的作用。接下来，我们对深度学习卷积神经网络的起源及其原理做一个简单介绍。
脑神经科学领域的大量研究表明，人脑由大约1011个神经细胞及1015个神经突触组成，这些神经细胞及其突触构成一个庞大的生物神经网络。每个神经细胞通过突触与其它神经细胞进行连接与信息传递。当通过突触所接收到的信号强度超过某个阈值时，神经细胞便会进入激活状态，并通过突触向上层神经细胞发送激活信号。人类所有与意识及智能有关的活动，都是通过特定区域神经细胞之间的相互激活与协同工作而实现的。
早于1943年，美国心理学家W.S. McCulloch和数学家W. A. Pitts就在他们的论文中提出了生物神经元的计算模型(简称M-P①模型)，为后续人工神经网络的研究奠定了基础。M-P模型的结构如图1(a)所示，它包含n个带有权重的输入，一个输出，一个偏置b和一个激活函数组成。n个输入代表来自下层n个神经突触的信息，每个权重W)代表对应突触的连接强度，激活函数通常采用拥有S-型曲线的sigmoid函数(参见图1(b))，用来模拟神经细胞的激活模式。
早期的人工神经网络大都是基于M-P神经元的全连接网络。如图2所示，此类网络的特点是，属于同一层的神经元之间不存在连接；当前层的某个神经元与上一层的所有神经元都有连接。然而，人们很快发现，这种全连接神经网络在应用于各种识别任务时不但识别精度不高，而且还不容易训练。当神经网络的层数超过4层时，用传统的反向传递算法(Back Propagation)训练已经无法收敛。
1983年，日本学者福岛教授基于Hubel-Wiese的视觉认知模型提出了卷积神经网络计算模型(Convolution Neural Network，简称CNN)。早在1962年，Hubel和Wiesel通过对猫视觉皮层细胞的深入研究，提出高级动物视觉神经网络由简单细胞和复杂细胞构成(如图3所示)。神经网络底层的简单细胞的感受野只对应视网膜的某个特定区域，并只对该区域中特定方向的边界线产生反应。复杂细胞通过对具有特定取向的简单细胞进行聚类，拥有较大感受野，并获得具有一定不变性的特征。上层简单细胞对共生概率较高的复杂细胞进行聚类，产生更为复杂的边界特征。通过简单细胞和复杂细胞的逐层交替出现，视觉神经网络实现了提取高度抽象性及不变性图像特征的能力。
卷积神经网络可以看作是实现上述Hubel-Wiesel视觉认知模型的第一个网络计算模型。如图4所示，卷积神经网络是由卷积层(Convolution Layer)与降采样层(Sampling Layer)交替出现的多层神经网络，每层由多个将神经元排列成二维平面的子层组成(称为特征图，Feature Map)。每个卷积层和上层降采样层通常拥有相同数量的特征图。构成卷积层x的每个神经元负责对输入图像(如果x=1)或者x-1降采样层的特征图的特定小区域施行卷积运算，而降采样层y的每个神经元则负责对y-1卷积层的对应特征图的特定小区域进行Max Pooling(只保留该区域神经元的最大输出值)。卷积运算中所使用的卷积核系数都是通过学习训练自动获取的。卷积层中属于同一个特征图的神经元都共享一个卷积核，负责学习和提取同一种图像特征，对应Hubel-Wiesel模型中某种特定取向的简单细胞。卷积层中不同的特征图负责学习和提取不同的图像特征，对应Hubel-Wiesel模型中不同类型的简单细胞。而降采样层y中神经元的Max Pooling操作等同于Hubel-Wiesel模型中复杂细胞对同类型简单细胞的聚类，是对人脑视觉皮层复杂细胞的简化模拟。
上世纪90年代初期，贝尔实验室的Yann LeCun等人成功应用卷积神经网络实现了高精度手写数字识别算法，所提出的系列LeNet，都达到商用级识别精度，被当时美国邮政局和许多大银行用来识别信封上的手写邮政编码及支票上面的手写数字。然而，受制于90年代计算机有限的内存和弱小的运算能力，LeNet网络采用了较浅的网络结构，每层使用的特征图数目也很少。尽管它在小规模图像识别问题上取得了较好的效果，但与传统机器学习算法(如SVM，AdaBoost等)相比，优势并不十分明显。此外，由于卷积神经网络拥有很高的自由度，设计出一款性能优异的网络需要灵感并配合丰富的经验积累，是一项极具挑战性的工作。因此卷积神经网络在被提出后的很长一段时间里并未得到足够的重视和广泛的应用。
2012年，加拿大多伦多大学Geoffrey Hinton教授的团队提出了一个规模比传统CNN大许多的深度卷积神经网络(简称AlexNet)。该网络拥有5个卷积与降采样层、3个全连接层，每个卷积与降采样层拥有96384个特征图，网络参数达到6000多万个。利用AlexNet，Hinton团队在国际上最具影响力的图像内容分类比赛(2012 ImageNet ILSVRC)中取得了压倒性胜利，将1000类图像的Top-5分类错误率降低到15.315%。在这次比赛中，获得第二、三、四名的团队均采用了传统机器学习算法。三个团队的Top-5图像分类错误率分别是26.17%、26.98%和27.06%，相差不到1个百分点，而他们的成绩和第一名相比却低了超过10个百分点，差距十分明显。当前，深度卷积神经网络(Deep CNN)相对传统机器学习算法的优势还在不断扩大，传统学习方法在多个领域已经完全无法与Deep CNN相抗衡。
机器学习算法的基本原理及其本质
在几千年的科学探索与研究中，科学家们提出了许多描述自然界及人类社会中各种事物与现象的数学模型。这些模型主要可以被归纳为以下三大类别。
归纳模型：由少数几个参数(变量)构成，每个变量都具有明确的物理意义。这类模型能够真正揭示被描述对象的本质及规律，许多数学和物理定律都是典型的归纳模型。
预测模型：用一个拥有大量参数的万能函数来拟合用户所提供的训练样本。万能函数的参数一般不具备任何物理意义，模型本身往往只能用来模拟或预测某个特定事物或现象，并不能揭示被描述事物或现象的本质及内在规律。当代的大多数机器学习算法都是构建于预测模型之上的。例如，单隐层全连接神经网络所使用的数学模型是：
上式中，x代表神经网络的输入，代表神经网络的参数集，M是隐层神经元的个数。这个数学模型如同一个橡皮泥，可以通过变换它的参数集被塑造成任何形状。给定一个训练样本集，其中分别代表训练样本i以及人工赋予该样本的标签(标签表示样本的类别或某种属性)，通过利用T进行训练，我们就能够得到一个优化的参数集，使神经网络能够很好地拟合训练样本集T。当新的未知样本x出现时，我们就能够利用训练好的神经网络预测出它的标签y。显而易见，神经网络的参数集规模与神经元的数目及输入x的维数成正比，所有参数没有任何物理意义，模型本身也不具备揭示被描述对象的本质及内在规律的能力。
直推模型：没有明确的数学函数，利用所采集的大数据预测特定输入的标签。此类模型认为针对某个事物或现象所采集的大数据就是对该事物或现象的客观描述。大数据的规模越大，对事物或现象的描述就越全面和准确。当新的未知样本x出现时，我们可以在大数据中找到x的K近邻，根据K近邻的标签或属性来决定x的标签或属性。显而易见，由于不需要定义明确的数学模型，与其它模型相比，直推模型最简单直接，但因为依靠大数据来决定未知样本的标签，直推模型往往需要较高的计算量及使用成本。同样，直推模型也不能被用来揭示事物或现象的本质及内在规律。
应当指出，随着互联网用户数量的不断增长以及互联网技术的快速进步，利用互联网获取内容或用户大数据变得越来越简单廉价，利用直推模型来预测某个事物或现象也变得越来越普及。例如，许多互联网搜索引擎利用每个网页的用户点击率来改进搜索网页的排序精度，就是直推模型在互联网内容搜索领域的一个成功应用。
综上所述，机器学习算法的本质就是选择一个万能函数建立预测模型。利用用户提供的训练样本对模型进行训练的目的，就是选择最优的参数集，使模型能够很好地拟合训练样本集的空间分布。通过训练得到的预测模型，实际上把训练样本集的空间分布提取出来并编码到其庞大的参数集中。利用这个训练好的预测模型，我们就能够预测新的未知样本x的标签或属性。当今大多数机器学习算法都是基于这个原理，谷歌公司的AlphaGo也不例外。
针对某个事物或现象所采集的训练样本，是对该事物或现象的直观描述，蕴藏着大量与之相关的先验知识。例如，ImageNet ILSVRC国际图像内容分类比赛所提供的训练样本集拥有1000类、总共一百多万张彩色图像。每一类都对应自然界中的一种常见物体，如汽车、飞机、狗、鸟，等等，包含大约1000张从不同场景及不同角度拍摄的该种物体的彩色图像。利用这个训练样本集训练出来的深度卷积神经网络，实际上是将每类物体的共性特征及个体差异等进行信息提取与编码，并记忆到其庞大的参数集中。当新的未知图像出现时，神经网络就能够利用已编码到参数集中的这些先验知识，对输入图像进行准确的识别与分类。
同样，谷歌公司在训练AlphaGo时，收集了20万个职业围棋高手的对局，再利用AlphaGo不同版本间的自我对弈生成了3000多万个对局。3000多万个围棋对局包含了人类在围棋领域所积累的最为丰富和全面的知识与经验。当新的棋局出现时，AlphaGo利用被编码于其庞大参数集中的这些先验知识，预测出胜率最高的一步棋，以及这步棋所产生的最终胜率。由于AlphaGo针对3000多万个对局进行了学习与编码，它对每一步棋的胜负判定甚至比九段棋手还要准，人类棋圣输给AlphaGo也就不足为奇了。
人类智能的本质与特性
对于人脑及其高度复杂的智能，人类至今还所知甚少。关于“智能”这个名词的科学定义，学术文献中就存在着许多个版本。即使是少数几个被深入研究的认知功能(如人脑的视觉认知功能)的工作机理，也还存在着各种各样的假说和争议。在这里，我们列出若干较具代表性、认可度相对较高的关于人脑智能的假说及阐述。
人类智能的本质是什么？这是认知科学的基本任务，也是基础科学面临的四大难题(Simon)中最后、最难解决的一个。每门基础科学都有其特定的基本单元，例如高能物理学的基本粒子，遗传学的基因、计算理论的符号、信息论的比特等。因此，“人类智能的本质是什么”这个问题在某种程度上取决于“什么是认知基本单元”。众所周知，适合描述物质世界的变量并不一定适合描述精神世界。因此，认知基本单元是什么这个问题，不能靠物理的推理或计算的分析来解决，根本上只有通过认知科学的实验来回答。大量实验结果显示，认知基本单元不是计算理论的符号，也不是信息论的比特，而是知觉组织形成的“知觉物体”。例如，实验表明，当人的视觉系统注意一只飞鸟的时候，它所注意的是整只鸟(即一个知觉物体)，而不是鸟的某个特性(形状、大小、位置等)。尽管在飞行过程中鸟的各种特征性质在改变，但它是同一个知觉物体的性质始终保持不变。诺奖得主Kahneman认为，知觉物体概念的直觉定义正是在形状等特征性质改变下保持不变的同一性。中科院陈霖院士领导的团队在发展了30多年的拓扑性质知觉理论的基础上，提出大范围首先的知觉物体拓扑学定义：知觉物体的核心含义，即在变换下保持不变的整体同一性，可以被科学准确地定义为大范围拓扑不变性质。应当指出，上述大范围首先知觉物体的概念，与人工智能领域广为认同与采纳的由局部到整体，由特征到物体，由具体到抽象的认知计算模型是完全背道而驰的，因而在人工智能领域并没有得到足够的重视及应用。
大量认知科学领域的实验研究表明，人类智能具有以下几个特性。
人类智能的目标不是准确。人类智能并不追求在精神世界里客观准确地再现物理世界。上帝设计人类智能时，不假思索地直奔“生存”这一终极目标而去：用最合理的代价，获取最大的生存优势。人类大脑的平均能耗大约只有20瓦，相对于庞大的计算机系统来说只是九牛一毛。尽管人脑的重量只有1400克左右，约占人体重量的2.3%，但它的血液供应量却占到了全身的15.20%，耗氧量超过全身的20%，对于人类已经接近其生理可以负担的极限。在这种资源极其有限的条件下，人脑通过以下几种方式实现了最有效的资源调配，由此来保障最有意义的生理和智能活动。
第一，主观能动的选择性。精神世界不是对物理世界的简单映射，而是非常扭曲和失真的。体积相对较小的手指、舌头等重点区域，在感觉运动中枢里却占据大部分的皮层区域。同样，在视觉上只有对应中央视野的视网膜具有很高的空间、颜色分辨率，而更广泛的外周视野只对物体的突然出现或消失，以及物体的运动更敏感。人类视觉处理的通常方式是，外周视野的显著变化会在第一时间被捕获，做出应激反应，然后再把中央视野移动到目标上进行后续的处理。
人类通过知觉组织的选择性注意机制，直接感知输入信号中的大范围不变性质，而忽略大量的局部特征性质。大量视而不见的现象，在实验室研究中表现为注意瞬脱、变化盲视等等。比如，尽管可以清晰地分辨出霓虹灯中的色块颜色、形状各不相同，甚至在空间和时间上都不连续，人脑仍然把这些色块看成是同一个物体，从而产生运动的感觉。研究表明，这种运动错觉本质上不是运动，其生态意义在于对知觉对象进行不变性抽提。另一方面，人脑会主动把忽略的部分补充回来。而通过经验知识，上下文关系等补充回来的信息，难免有错。所谓错觉就是精神世界和物理世界的错位。这些错觉的生态意义在于在有限资源条件下，快速直接地形成稳定的感知。这种机制既是人类天马行空的联想能力和创造力的源泉，同时也是各种精神心理疾患的生物学基础。
第二，模块化的层次结构和分布式表征。当前认知科学越来越依赖于脑成像技术的发展。功能模块化假设认为，大脑是由结构和功能相对独立、专司特定认知功能的多个脑区组成。这些模块组成复杂的层次结构，通过层次间的传递和反馈实现对输入信号的主动调节。大量脑成像的研究实验也支持了这一假设，特别是视觉研究发现了非常详细而复杂的功能模块及其层次结构。另一方面，分布式表征的假说认为，认知功能的神经机制是相对大范围的分布式脑状态，而不是特定脑区的激活与否。当前研究认为，人脑是模块化和分布式表达共存的自能系统。
第三，反应性活动和内生性活动。人脑不是一个简单的刺激—反应系统，大量的内生性活动甚至比反应性活动还多。人脑在所谓的静息状态下的耗氧量与任务状态下相比差别很小。然而几乎所有的经典认知科学研究都是建立在刺激反应实验范式的基础之上。这种实验范式是让实验对象在特定的条件下完成特定的认知任务，收集并分析实验对象的行为或生理反应，通过对实验数据的充分比照，建立人脑某种活动模式或认知机理的假设。内生性活动因其往往只能通过内省的方式进行研究，而被长期排除在认知科学的研究主流之外。随着脑成像技术的发展，功能连接成为分析静息态大脑自发活动的有力工具。特别是默认网络的发现，创立了强调内生性活动的全新脑功能成像研究范式。默认网络被认为涉及警觉状态、自我意识、注意调控以及学习记忆等心理认知过程，已被广泛应用于社会认知、自我、注意、学习、发育、衰老机制的研究，有力推动了各种脑生物指标的完善和脑疾病的治疗，这些疾病包括阿尔兹海默病、帕金森病、抑郁症、精神分裂症和自闭症等等。
因此，整合现有研究中有关分布式表达和内生性活动的最新研究成果，可能会带来对人脑活动模式(人类智能的物质基础)一种全新的理解。
人类智能的本质不是计算。人类智能体现在对外部环境的感知、认知、对所观察事物或现象的抽象、记忆、判断、决策等。然而，这些智能并不是人类所独有。许多高等动物，如狗、猴子、猩猩，也或多或少具有类似的能力。同时，计算并不是人类智能的强项。真正将人类与其它动物区分开来的，是人类的逻辑推理能力、想象力、创造力以及自我意识。人类利用这类能力能够想象并且创造出自然界中不存在的东西，如汽车、飞机、电视、计算机、手机，互联网。这类能力是推动人类社会不断发展与进步的源泉，是生物智能的圣杯。
而对代表生物智能最高水平的上述能力，人类目前还所知甚少，对其机理的研究还处于启蒙阶段。研究表明，这些能力不是依靠计算得来的，而似乎是与联想记忆及人类丰富的精神世界有关。基于脑信号的分析实验发现，人脑的海马回、海马旁回、杏仁核等脑区中存在着大量专司特定联想记忆的神经细胞。例如，上述脑区中存在单个或一小簇神经细胞，会被与美国前总统克林顿相关的所有刺激信号所激活，无论刺激信号是关于克林顿的图片，还是Clinton这个英语单词，还是克林顿本人的语音回放。显然，这些神经细胞并不是被某个模态的特定特征所激活，它们所对应的是克林顿这个抽象概念。此外，脑成像研究表明，围棋专业棋手相对于业余棋手更多的是依赖联想记忆系统，而非逻辑推理来下棋。实际上，围棋界训练棋手的最常用方法就是将高手对局中的关键部分拆解成许多死活题，棋手通过大量死活题的解题训练来提高自己联想记忆的经验和效率。
机器智能与人类智能的优势与劣势
当代的计算机拥有强大的存储与运算能力。伴随着计算技术的不断发展与进步，这些能力的增长似乎还远没有到达尽头。早在1997年，IBM的“深蓝”超级电脑就战胜了国际象棋冠军卡斯帕罗夫。但这次胜利在人工智能领域并没有产生太大的反响，原因在于，“深蓝”几乎纯粹是依靠强大的运算能力遍历所有的可能性，利用“蛮力”取胜的。“深蓝”所遵循的，就是“人工智能即是计算加记忆”这个简单法则。由于围棋的搜索空间比国际象棋大很多，“深蓝”的这种制胜策略针对围棋是行不通的。与“深蓝”相比，AlphaGo的最大进步就是从“计算加记忆”进化到“拟合加记忆”法则。它利用深度卷积神经网络这个万能函数，通过学习来拟合两千多年来人类所积累的全部经验及制胜模式，并将其编码到神经网络的庞大参数集中。对于当前棋局的任何一个可能的落子，训练好的神经网络都能够预测出它的优劣，并通过有限数量的模拟搜索，计算出最终的获胜概率。这样的战略不需要对棋局的所有可能性做遍历搜索，更像人类棋手所使用的策略。然而，由于AlphaGo对每个落子以及最终胜率的预测，是建立在围棋界两千多年来所形成的完整知识库之上的，它的预测比人类最优秀的棋手更准确。与其说李世石输给了机器系统，不如说输给了人类棋艺的集大成者。由此推断，AlphaGo取胜也是情理之中的事。
与机器相比，人类智能的最大优势当属它的逻辑推理能力、想象力、创造力及其高效性。人脑功耗只有20多瓦，处理许多感知及认知任务(如图像识别、人脸识别、语音识别等)的精度与拥有庞大内存、运算速度达到万亿次的超级电脑相比却毫不逊色。尽管机器智能很可能在不远的将来在类竞赛中全面超越人类，但现有的机器学习框架并不能模拟出人类的想象力和创造力。因此，在当前情况下，机器智能全面超越人类智能的预测是不会成为现实的。
长久以来，人工智能对于普通人来说是那样的可望而不可及，然而它却吸引了无数研究人员为之奉献才智，从美国的麻省理工学院(mit)、卡内基-梅隆大学 (cmu)到ibm公司，再到日本的本田公司、sony公司以及国内的清华大学、中科院等科研院所，全世界的实验室都在进行着ai技术的实验。不久前，著 名导演斯蒂文·斯皮尔伯格还将这一主题搬上了银幕，科幻片《人工智能》(a.i.)对许多人的头脑又一次产生了震动，引起了一些人士了解并探索人工智能领 域的兴趣。
在本期技术专题中，中国科学院计算技术研究所智能信息处理开放实验室的几位研究人员将引领我们走近人工智能这一充满挑战与机遇的领域。
计算机与人工智能
"智能"源于拉丁语legere，字面意思是采集(特别是果实)、收集、汇集，并由此进行选择，形成一个东西。intelegere是从中进行选择，进而 理解、领悟和认识。正如帕梅拉·麦考达克在《机器思维》(machines who thinks,1979)中所提出的: 在复杂的机械装置与智能之间存在长期的联系。从几个世纪前出现的神话般的巨钟和机械自动机开始，人们已对机器操作的复杂性与自身的某些智能活动进行直观联 系。经过几个世纪之后，新技术已使我们所建立的机器的复杂性大为提高。1936年，24岁的英国数学家图灵(turing)提出了"自动机"理论，把研究 会思维的机器和计算机的工作大大向前推进了一步，他也因此被称为"人工智能之父"。
人工智能领域的研究是从1956年正式开始的，这一年在达特茅斯大学召开的会议上正式使用了"人工智能"(artificial intelligence，ai)这个术语。随后的几十年中，人们从问题求解、逻辑推理与定理证明、自然语言理解、博弈、自动程序设计、专家系统、学习以 及机器人学等多个角度展开了研究，已经建立了一些具有不同程度人工智能的计算机系统，例如能够求解微分方程、设计分析集成电路、合成人类自然语言，而进行 情报检索，提供语音识别、手写体识别的多模式接口，应用于疾病诊断的专家系统以及控制太空飞行器和水下机器人更加贴近我们的生活。我们熟知的ibm的"深 蓝"在棋盘上击败了国际象棋大师卡斯帕罗夫就是比较突出的例子。
当然，人工智能的发展也并不是一帆风顺的，也曾因计算机计算能力的限制无法模仿人脑的思考以及与实际需求的差距过远而走入低谷，但是随着硬件和软件的发 展，计算机的运算能力在以指数级增长，同时网络技术蓬勃兴起，确保计算机已经具备了足够的条件来运行一些要求更高的ai软件，而且现在的ai具备了更多的 现实应用的基础。90年代以来，人工智能研究又出现了新的高潮。
我们有幸采访了中国科学院计算技术研究所智能信息处理开放实验室史忠植研究员，请他和他的实验室成员引领我们走近人工智能这个让普通人感到深奥却又具有无穷魅力的领域。
问: 目前人工智能研究出现了新的高潮，那么现在有哪些新的研究热点和实际应用呢？
答: ai研究出现了新的高潮，这一方面是因为在人工智能理论方面有了新的进展，另一方面也是因为计算机硬件突飞猛进的发展。随着计算机速度的不断提高、存储容 量的不断扩大、价格的不断降低以及网络技术的不断发展，许多原来无法完成的工作现在已经能够实现。目前人工智能研究的3个热点是: 智能接口、数据挖掘、主体及多主体系统。
智能接口技术是研究如何使人们能够方便自然地与计算机交流。为了实现这一目标，要求计算机能够看懂文字、听懂语言、说话表达，甚至能够进行不同语言之间的 翻译，而这些功能的实现又依赖于知识表示方法的研究。因此，智能接口技术的研究既有巨大的应用价值，又有基础的理论意义。目前，智能接口技术已经取得了显 著成果，文字识别、语音识别、语音合成、图像识别、机器翻译以及自然语言理解等技术已经开始实用化。
数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据 挖掘和知识发现的研究目前已经形成了三根强大的技术支柱: 数据库、人工智能和数理统计。主要研究内容包括基础理论、发现算法、数据仓库、可视化技术、定性定量互换模型、知识表示方法、发现知识的维护和再利用、半 结构化和非结构化数据中的知识发现以及网上数据挖掘等。
主体是具有信念、愿望、意图、能力、选择、承诺等心智状态的实体，比对象的粒度更大，智能性更高，而且具有一定自主性。主体试图自治地、独立地完成任务， 而且可以和环境交互，与其他主体通信，通过规划达到目标。多主体系统主要研究在逻辑上或物理上分离的多个主体之间进行协调智能行为，最终实现问题求解。多 主体系统试图用主体来模拟人的理性行为，主要应用在对现实世界和社会的模拟、机器人以及智能机械等领域。目前对主体和多主体系统的研究主要集中在主体和多 主体理论、主体的体系结构和组织、主体语言、主体之间的协作和协调、通信和交互技术、多主体学习以及多主体系统应用等方面。
问: 您在人工智能领域研究了几十年，参与了许多国家重点研究课题，非常清楚国内外目前人工智能领域的研究情况。您认为目前我国人工智能的研究情况如何？
答: 我国开始"863计划"时，正值全世界的人工智能热潮。"863-306"主题的名称是"智能计算机系统"，其任务就是在充分发掘现有计算机潜力的基础 上，分析现有计算机在应用中的缺陷和"瓶颈"，用人工智能技术克服这些问题，建立起更为和谐的人-机环境。经过十几年来的努力，我们缩短了我国人工智能技 术与世界先进水平的差距，也为未来的发展奠定了技术和人才基础。
但是也应该看到目前我国人工智能研究中还存在一些问题，其特点是: 课题比较分散，应用项目偏多、基础研究比例略少、理论研究与实际应用需求结合不够紧密。选题时，容易跟着国外的选题走; 立项论证时，惯于考虑国外怎么做; 落实项目时，又往往顾及面面俱到，大而全; 再加上受研究经费的限制，所以很多课题既没有取得理论上的突破，也没有太大的实际应用价值。
今后，基础研究的比例应该适当提高，同时人工智能研究一定要与应用需求相结合。科学研究讲创新，而创新必须接受应用和市场的检验。因此，我们不仅要善于找到解决问题的答案，更重要的是要发现最迫切需要解决的问题和最迫切需要满足的市场需求。
问: 请您预测一下人工智能将来会向哪些方面发展？
答: 技术的发展总是超乎人们的想象，要准确地预测人工智能的未来是不可能的。但是，从目前的一些前瞻性研究可以看出未来人工智能可能会向以下几个方面发展: 模糊处理、并行化、神经网络和机器情感。
目前，人工智能的推理功能已获突破，学习及联想功能正在研究之中，下一步就是模仿人类右脑的模糊处理功能和整个大脑的并行化处理功能。人工神经网络是未来 人工智能应用的新领域，未来智能计算机的构成，可能就是作为主机的冯·诺依曼型机与作为智能的人工神经网络的结合。研究表明: 情感是智能的一部分，而不是与智能相分离的，因此人工智能领域的下一个突破可能在于赋予计算机情感能力。情感能力对于计算机与人的自然交往至关重要。
人工智能一直处于计算机技术的前沿，人工智能研究的理论和发现在很大程度上将决定计算机技术的发展方向。今天，已经有很多人工智能研究的成果进入人们的日常生活。将来，人工智能技术的发展将会给人们的生活、工作和教育等带来更大的影响。
什么是人工智能？
人工智能也称机器智能，它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。从计算机应用系统的 角度出发，人工智能是研究如何制造出人造的智能机器或智能系统，来模拟人类智能活动的能力，以延伸人们智能的科学。
ai理论的实用性
在一年一度at&t实验室举行的机器人足球赛中，每支球队的"球员"都装备上了ai软件和许多感应器，它们都很清楚自己该踢什么位置，同时也明白 有些情况下不能死守岗位。尽管现在的ai技术只能使它们大部分时间处于个人盘带的状态，但它们传接配合的能力正在以很快的速度改进。
这种ai机器人组队打比赛看似无聊，但是有很强的现实意义。因为通过这类活动可以加强机器之间的协作能力。我们知道，internet是由无数台服务器和 无数台路由器组成的，路由器的作用就是为各自的数据选择通道并加以传送，如果利用一些智能化的路由器很好地协作，就能分析出传输数据的最佳路径，从而可以 大大减少网络堵塞。
我国也已经在大学中开展了机器人足球赛，有很多学校组队参加，引起了大学生对人工智能研究的兴趣。
未来的ai产品
安放于加州劳伦斯·利佛摩尔国家实验室的asci white电脑，是ibm制造的世界最快的超级电脑，但其智力能力也仅为人脑的千分之一。现在，ibm正在开发能力更为强大的新超级电脑--"蓝色牛仔" (blue jean)。据其研究主任保罗·霍恩称，预计于4年后诞生的"蓝色牛仔"的智力水平将大致与人脑相当。
人工智能经过了一个漫长的发展环节，在计算机刚刚出现的一段时间，人工智能的应用范围还十分有限，没有对社会的发展产生影响。但在信息技术高速发展的今天，计算机得到了普及，人工智能发生了巨大变化，正在不断完善中，逐渐的从单一的个体行为转变为分布主体行为。人工智能转对信息数据传递产生了一定影响。现代社会已经来的了信息化时代，人工智能技术的应用得到了进一步加强，在人们生活中扮演的角色也越来越重要，尤其是在故障预控、故障排查、生产建模中的应用，使工作得到了进一步简化。从机械电子工程的发展情况来看，其离不开人工智能技术对其的支持，为此人们加强了对人工智能技术的研究，经过多年的研究，人工智能技术已经能够做出简单的映射发展，但在逻辑思维上的能力还没有得到体现。因此在研究过程中，要不断创新，只有这样才能使人工智能满足机械电子工程发展的实际需求。
2.电子机械工程中对人工智能的应用
社会的发展需要物质和信息的推动，在人类社会文明的最初阶段，受生产力水平限制，社会的关注点都在物质上，信息的传递方式过于单一。随着人类文明的逐渐发展，人们发现了信息船体的重要性，而近年来人们进入到了电子信息社会。电子信息社会需要人工智能技术的支撑，不论是建立模型和使对模型进行控制，对故障进行诊断，在机械电子工程中，人工智能对信息处理都有着重要作用。机械电子系统本身的稳定性较差，因此对电子信心系统的输出与输入的描述就变的额外困难，传统的描述方法主要有以下三种：（1）数学方程推导。（2）拼成知识。（3）建设规则库。传统的数学解析精确、严密，但只能在简单的系统中应用，例如，线性定常系统，如果系统过于复杂，则无法给出对应的数学解析式，因此在实际工作中只能通过操作实现。现代的社会越来越发展，设备经常需要对不同类型的信息进行处理，例如传感器需要传递的专家语言和数字信息。因为人工智能在信息出来上具有复杂性、不确定性、因此在机械电子工程中利用人工智能信息处理代替解析数学。通过人工智能而建立的系统通常分为以下两类：（1）神经网络系统，人工智能是计算机的一个分支，在研究过程中利用计算机对人行为和思维过程进行模拟，可以实现对计算的高层次应用。神经网络主要是利用神经元的兴奋将信息分布在网络上，同时可以实时的进行动态相互作用。人工神经网络主要具有分布式存储信息和协同处理信息特点，虽然其功能有限、结构简单，但通过神经元而构建的神经网络可以实现许多行为，满足人们在生产过程中的需求。此外，通过神经网络能够实现对大脑结构进行模拟，对数字信号进行分析，并提供参考值，同时可以利用相关的网络形式实现连续函数。神经网路系统在映射上采用的点对点的方式，进行数据输入时，每个神经元之间都会存在固定的联系，输出输入都具有较高的精准度，且计算量大。（2）模糊推理系统，模糊集合论是模糊推理系统的基础，模糊理论是设计的主要工具，能够对模糊信息进行处理，是一种功能强大的系统。随着科技的高速发展，模糊推理系统已经在数据处理、自动化控制方面得到了广泛应用，并取得了不错的成效。机械电子系统中，模糊推理系统主要通过对人大脑功能进行模拟，实现对语言信号的分析，同时通过网络结构无限接近连续函数，这与神经网络系统十分相近。模糊推理系的物理意义十分明确，在信息的存储上通过域到域的映射方式完成，但此系统的计算量较小，不存在固定连接，因此同神经网络系统相比输出和输入的精准度更低。
3.结束语
顾名思义，人工智能就是研究怎样利用机器模仿人脑进行推理、设计、思考和学习等思维方式和活动，帮助人们解决一些需要专家才能解决的问题，通俗一点说，就是借助计算机来执行人类的智能活动，最终实现利用各种自动化机器或是智能机器，模仿和完成人的智能活动，实现某些“机器思维”或是脑力自动化。但从学术的角度说，人工智能包含的范围非常广，与人工智能相联系的不下几十门学科，所涉及的理论领域和应用的领域几乎涉及人类的所有活动，人类任何工作离不开智能，因此，任何领域都是人工智能的潜在应用领域。例如，应用人工智能的方法和技术，设计和研制各种计算机的“机器专家”系统，可以模仿各行各业的专家去从事医疗诊断、质谱分析、矿床探查、数学证明、家务管理、运筹决策等脑力劳动工作，以完成某些需要人的智能、运用专门知识和经验技巧的任务等等。在信息社会的构建中，网络的应用正在深远的影响着人们的工作和生活方式，计算机网络技术的发展正处在日新月异、交融更替之际，信息安全的保证将成为公众的需求和时代的责任，在这个方面，人工智能技术是一种模仿高级智能的推理和运算技术，在很多实际的控制和管理问题上都显示出具有很强优势，如果能把人工智能科学中的一些算法与思想应用到计算机网络中，将会大大提高计算机网络的性能，不断提高信息的安全性。
2信息安全与人类生活的关系
信息安全包含的范围很广，大到国家军事机密，小到如何防范商业秘密和人身秘密。在目前的网络信息社会中，信息安全的实质就是要保护信息系统或信息网络中的信息资源免受各种类型的威胁、干扰和破坏，但是在我们的日常生活中，这种事情还是屡有发生。
2.1信息安全对人们生活的影响
（1）对信息服务的破坏。
一是信息的泄露，被某个未被授权的实体或者是个人获得用于不法目的，而且在这个过程中，可能导致信息被非法转让、删减或者是破坏，让原来信息拥有者的信息失去真正的意义；二是被拒绝服务，这是对信息或者是相关资源的合法访问被无条件阻止。
（2）非法使用对合法权的破坏。
这主要是某一资源被某个非授权的人，或以非授权的方式使用。一是窃听。用各种可能的合法或非法的手段窃取系统中的信息资源和敏感信息。例如对通信线路中传输的信号搭线监听，或者利用通信设备在工作过程中产生的电磁泄露截取有用信息等。通过对系统进行长期监听，利用统计分析方法对诸如通信频度、通信的信息流向、通信总量的变化等参数进行研究，从中发现有价值的信息和规律。二是假冒。通过欺骗通信系统（或用户）达到非法用户冒充成为合法用户，或者特权小的用户冒充成为特权大的用户的目的。黑客大多是采用假冒攻击。攻击者利用系统的安全缺陷或安全性上的脆弱之处获得非授权的权利或特权。例如，攻击者通过各种攻击手段发现原本应保密，但是却又暴露出来的一些系统“特性”，利用这些“特性”，攻击者可以绕过防线守卫侵入系统的内部破坏
2.2信息安全受到威胁的分类
（1）授权侵犯
被授权以某一目的使用某一系统或资源的某个人，却将此权限用于其他非授权的目的，也称作“内部攻击”。在某个系统或某个部件中设置的“机关”，使得在特定的数据输入时，允许违反安全策略。
（2）木马攻击。
软件中含有一个觉察不出的有害的程序段，当它被执行时，会破坏用户的安全。这种应用程序称为特洛伊木马(TrojanHorse)。计算机病毒：一种在计算机系统运行过程中能够实现传染和侵害功能的程序。
(3)人为原因。
一个授权的人为了某种利益，或由于粗心，将信息泄露给一个非授权的人。信息被从废弃的磁碟或打印过的存储介质中获得。侵入者绕过物理控制而获得对系统的访问。重要的安全物品，如令牌或身份卡被盗。业务欺骗：某一伪系统或系统部件欺骗合法的用户或系统自愿地放弃敏感信息等等
3人工智能对信息安全的影响和未来发展趋势
随着人工智能的不断发展和应用方法的不断成熟，人工智能在信息安全保障的服务能力将更加强大，人工智能也将处于计算机网络发展的前沿，与计算机发展的轨迹同行。笔者仅就人工智能在信息安全的具体领域“数字水印”的研究展开论述，分析未来人工智能与信息安全的密切关系。
3.1数字水印的定义
数字水印技术的基本思想源于古代的密写术。古希腊的斯巴达人曾将军事情报刻在普通的木板上，用石蜡填平，收信的一方只要用火烤热木板，融化石蜡后，就可以看到密信。使用最广泛的密写方法恐怕要算化学密写了，牛奶、白矾、果汁等都曾充当过密写药水的角色。可以说，人类早期使用的保密通信手段大多数属于密写而不是密码。然而，与密码技术相比，密写术始终没有发展成为一门独立的学科，究其原因，主要是因为密写术缺乏必要的理论基础。
数字水印（DigitalWatermark）技术是指用信号处理的方法在数字化的多媒体数据中嵌入隐蔽的标记，这种标记通常是不可见的，只有通过专用的检测器或阅读器才能提取，因为当前的性信息安全技术都是以密码学为基础，计算机处理能力提高后，这种密保措施已经越来越不安全，因此数字水印就是人工智能跨速发展的结果，数字水印是信息隐藏技术的一个重要研究方向，这对于信息安全有着超强的保护能力。
3.2数字水印的特征
（1）隐蔽性：
在数字作品中嵌入数字水印不会引起明显的降质，并且不易被察觉。
（2）超强安全性：
水印信息隐藏于数据而非文件头中，文件格式的变换不应导致水印数据的丢失。
（3）不可丢失性：
是指在经历多种无意或有意的信号处理过程后，数字水印仍能保持完整性或仍能被准确鉴别。可能的信号处理过程包括信道噪声、滤波、数/模与模/数转换、重采样、剪切、位移、尺度变化以及有损压缩编码等。
3.3发展前景
（1）实现数字化作品产权信息保护。
计算机网络的发达，让数字作品（如电脑美术、扫描图像、数字音乐、视频、三维动画）的版权保护成为当前的热点问题。但是数字作品的拷贝、修改非常容易，而且可以做到与原作完全相同，“数字水印”利用数据隐藏原理使版权标志不可见或不可听，既不损害原作品，又达到了版权保护的目的。目前，用于版权保护的数字水印技术已经进入了初步实用化阶段，IBM公司在其“数字图书馆”软件中就提供了数字水印功能，Adobe公司也在其著名的Photoshop软件中集成了Digimarc公司的数字水印插件。
（2）商务票据信息安全保护。
随着高质量图像输入输出设备的发展，特别是精度超过1200dpi的彩色喷墨、激光打印机和高精度彩色复印机的出现，使得货币、支票以及其他票据的伪造变得更加容易。网络安全技术成熟以后，各种电子票据也还需要一些非密码的认证方式。数字水印技术可以为各种票据提供不可见的认证标志，从而大大增加了伪造的难度。
（3）重要声像数据信息安全保护。
数据的标识信息往往比数据本身更具有保密价值，如遥感图像的拍摄日期、经/纬度等。没有标识信息的数据有时甚至无法使用，但直接将这些重要信息标记在原始文件上又很危险。数字水印技术提供了一种隐藏标识的方法，标识信息在原始文件上是看不到的，只有通过特殊的阅读程序才可以读取。这种方法已经被国外一些公开的遥感图像数据库所采用。
参考文献简单来说就是我们在论文的写作当中参考引用过的内容，在文中引用的地方标注出来，然后在论文的末尾依次详细的列出来。关注学术参考网查阅更多优秀的论文参考文献，下面是小编采编收集的关于人工智能论文参考文献，欢迎大家阅读借鉴。
人工智能论文参考文献：
[1]杨状元，林建中.人工智能的现状及今后发展趋势展望[J].科技信息，2009（04）：184～185.
[2]郝勇胜.对人工智能研究的哲学反思[D].太原：太原科技大学，2012.
[3]蔡曙山，薛小迪.人工智能与人类智能——从认知科学五个层级的理论看人机大战[J].北京大学学报（哲学社会科学版），2016，53（04）：145.
[4]张凯斐.人工智能的应用领域及其未来展望[J].吕梁学院学报，2010，26（04）：85～87.
[5]褚秋雯.从哲学的角度看人工智能[D].武汉：武汉理工大学，2014.
人工智能论文参考文献：
[1]史忠植，王文杰.人工智能[M].北京：国防工业出版社，2007.
[2]周以真.计算思维[J].中国计算机学会通讯，2007（3）.
[3]陈庆霞.人工智能研究纲领的发展历程和前景[J].科技信息，2008（33）.
[4]周晓东，刘雪梅.信息时代的计算机人工智能[J].硅谷，2010（1）.
[5]朱祝武.人工智能发展综述[J].中国西部科技，2011（17）.
人工智能论文参考文献：
[1]黄炎孙.人工智能的符号主义立场研究[D].北京化工大学，2014.
[2]刘步青.人机协同系统的推理机制及其哲学意蕴[D].华东师范大学，2016.
[3]陈晋.人工智能技术发展的伦理困境研究[D].吉林大学，2016.
[4]马龙.人工智能技术在电气自动化控制中的应用[J].山西焦煤科技，2014，（S1）：50-51+55.
[5]马仲雄.浅谈电气自动化控制中的人工智能技术[J].电子技术与软件工程，2014，（11）：246-247.
[6]纪文革.人工智能技术在电气自动化控制中的应用思路分析[J].电子测试，2014，（03）：137-138.
[7]祝珊.人工智能与会计人员[J].中财税研究，2016（15）.
人工智能是近年来随着计算机技术的不断发展的一个学科分支，是新兴的高科技技术。人工智能与纳米科学以及基因工程被人们称之为二十一世纪的三大尖端科技。人工智能的研究范围涉及较广，在诸多不同的领域都有涉及，比如：数学、认识科学、哲学、心理学以及计算机科学等多门学科，不同学科领域以人工智能为信息交流平台，进行相互的影响渗透，进而形成一门具有综合性质的科学。因此，人工智能也可以称之为社会科学与自然科学的交叉科学。人工智能主要是通过对计算机的研究，对人的某些思维以及智能行为进行模拟的学科，其主要被应用在专家系统、语言的理解、智能控制、遗传编程机器人工厂以及机器人技术等方面。一般而言，对于人工智能的研究的主要目的就是让机器代替人做一些复杂的工作。电气工程的研究长久以来都局限在电气化的方面，随着现代化科学技术的进步以及信息计算机技术的发展，电气工程自动化中逐渐向人工智能的趋势发展，通过引入人工智能进入电气工程自动化的领域，对人类大脑进行模拟并进行数据与信息的分析、收集、处理以及反馈，经过信息的自动化生产，进而提高电气工程的生产效益，进而推动电气工程产业结构的优化与升级。
2.人工智能在电气工程自动化中的应用
2.1人工智能在电气产品优化设计中的应用在电气工程运行过程中，进行电气设备的设计是十分复杂的，其设计不但对电气自动化的各个专业学科与内容有所设计，而且要求电气设备设计人员具有较高的专业文化知识以及丰富的设计经验，进行电气设备的设计只有把电气知识、经验以及科学进行有机的融合，才能够对电气产品的科学性有所保障。人工智能在电气产品设计中的应用有效的对一些依靠人脑无法迅速解决的复杂计算以及模拟过程进行解决，进而大大的缩短了产品设计的周期，提高电气工程的工作效率，并且设计出的电气产品极具科学性与实用性。专家系统对于电气工程的开发性设计有积极的意义，而遗传算法主要应用于产品的优化设计，在进行产品设计的过程中，要求设计人员应该具备设计经验以及较强的智能软件应用的能力，从而便于依据不同情况的沾边选择不同的算法对产品进行高质量的设计。
2.2人工智能在电气设备故障诊断中的应用在进行电气设备故障的诊断时，电气企业通常会使用人工智能中的人工神经网络、模糊理论以及专家系统的引用，其应用诊断的范围包含：发电机、电动机、变压器等的故障诊断。在电气设备中，电气工程遇到故障问题时，所呈现的现象是相对复杂的，运用传统的处理技术很难对问题进行及时准确的查找与判断，人工智能技术对于这种问题科技进行高效的解决，例如：当发电机的设备出现故障时，故障所呈现的不确定性、复杂性以及非线性的特征都是可以通过人工智能中的专家系统以及模糊理论进行综合的处理，人工智能技术大大的提升了电气设备故障诊断的准确性。
2.3电气工程运行过程中的智能控制目前，在电气工程的自动化中智能控制的应用已经十分广泛，逐渐的发展成为电气工程自动化领域中的未来趋势。由于电气设备的控制工作比较复杂且极具综合性，对控制系统的技术含量以及计算的精确度都有比较高的标准，通过对人工智能中的模糊理论、人工神经网络以及专家系统的综合应用，有效的提高了电气设备的计算精度以及计算速度，不仅有利于节约电气企业的资源，而且对实现电气企业资源的优化配置具有积极的意义。
2.4人工智能在电力系统中的应用在电力系统中应用比较普遍的人工智能主要有：启发式探索、专家系统、人工神经网络以及模糊理论。其具体的应用主要表现为：一是，专家系统。作为一个十分复杂的程序系统，专家系统集知识、规则以及经验于一体，主要工作程序是通过运用电气系统中某领域的专业经验以及专业知识对所遇问题进行分析与判断，接着进行专家决策的模拟，对需要专家解决的问题进行处理，而且在专家系统的使用过程中，应该依据现实情况对系统中的知识库、数据库以及规则库的信息与数据进行更新，从而使用电力系统的应用需要。二是，人工神经网络。其学习的方式十分灵活，存储方式也是呈现分布式，在大规模的信息处理中得到广泛的应用，人工神经网络具有较强的识别与分类能力，对与模型进行合理的分类并进行科学的选择，同时其与元件进行关联分析相结合能够对复杂的电力系统进行故障的诊断，而且能对故障进行识别与定位。三是，模糊理论。模糊理论主要应用于系统规划、潮流计算以及模糊控制之中。有利于操作界面的优化以及工作流程的简化，而系统可以进行自动日志与报表的生成与保存，进而提高系统日常操作的效率，对系统的安全运行具有积极的作用。
3.总结
1.1人工智能技术不易受其他因素影响
过去传统的控制器在进行工作的时候会遇到很多外界因素或者机器自身的问题的干扰，并且会对工作造成不良影响。但是人工智能技术在这方面的优势则比较明显。例如，人工智能技术不需要精确的动态模型，所以，即使模型设置的参数发生了变化，也不会对其造成太大的影响，而且其对环境的要求也不苛刻。所以，人工智能技术在其运行的过程中，可以不受不确定因素的影响，并且可以实现较为精准的自动化控制。
1.2人工智能技术产生的误差小
人工智能技术在运行过程中基本不受到来自外界的影响，而且其本身的抗干扰能力就很强，所以，一旦提前对系统设定了参数，那么在操作过程中就不用担心参数发生变动。这些参数在整个过程中会保持在一个值域之内，所以不需要担心会有较大的差值，因此其工作效率也比较高。
2人工智能在电气自动化中的应用
2.1智能控制和保护功能
2.1.1进行操作控制。
在进行操作的过程中，使用人员可以通过键盘或鼠标对隔离开关、断路器等进行现场的或者远程的控制，对励磁电流进行精准的调整。除此之外，还能够进行带负荷操作和停机操作，对相关的人员的权限进行限制。
2.1.2对相关数据的收集和处理。
人工智能技术对所有开关量、模拟量数据进行实时的采集，而且根据先前设计好的要求进行定时批量的存贮以及整理等工作。设置和修改某些参数，及时地保护软压板的退投。
2.1.3对设备的管理。
人工智能在对电力系统进行管理的时候，可以对运行日志进行自动保存，并生成报表的存储或打印、描绘系统运行曲线等。
2.1.4实行有效的监控。
智能技术能够对模拟量与开关量进行全程同步的监测，当检测过程发生异常时，则可以选择多种模式进行报警，同时还可有序地记录系统里的各项事件、在线分析负序量计算等。
2.1.5对画面的显示。
人工智能技术可以运用图像生成软件进行真实画面模拟，可以对有关设备和整个系统的工作运行进行模拟，并且最终以画面的形式显现到屏幕上。
2.1.6进行故障录波。
智能技术对故障波形的获取具有良好的功能，在获取的同时还可以做好相关的记录，对模拟量故障及时地进行录波和捕捉相关波形。
2.2智能信息检索
作为人类智能的模拟理论而产生的新兴技术方法，人工智能具有良好的信息检索功能。其不仅可以对网络中出现的较为模糊和不确定性的因素进行科学的换算以及推理，还可以根据信息检索的结果提出一些切实可行的解决方案。人工智能技术的优势还在于它可以将正确的指令精确无误的传达给各种机器，进而机器在接受到指令后能够进行正确、正常的运转，确保任务的完成。3.3提高电气自动化性能，提高产品质量人工智能系统具有优越的条件，其模拟人类智能，并将人工智能技术中的遗传算法投入到电器产品的应用中。利用人工智能技术，可以将产品的性能优化，假如可以科学合理地把人工智能技术运用到电气自动化的控制中，那么电子自动化性能就会得到显著的改善，电气设备的运行效率也会被大大提高，电气自动化控制的准确性便有所保障。这样一来，就可以减少在电气工程自动化中人力资源的使用，劳动成本也可以随之降低，进而推进电气工程事业的发展。此外，人工智能技术还可以在各种电器产品的会设计中辅助进CAD，使产品的开发周期得到有效缩短，并且能够对提高CAD技术的开发和应用程度有很大的帮助，设计难度也会有所降低，产品的质量自然就会提高。
2.4电气设备优化设计
有关电气设备的优化设计工作是比较复杂的，需要结合多方面的理论知识，比如电磁场、电机电器、电路等相关知识，此外还需要丰富的设计经验知识。过去的电气产品设计效率很低，一般是因为缺乏相关的技术的支持，再加上工作量本身就很大，所以整个设计就显得比较难，很少有科学合理的设计。但是如今计算机技术发展迅速，手工设计逐渐被计算机辅助设计（CAD）所代替，产品的开发周期缩短了，设计人员的设计产品质量和设计的效率也提高了，而且设计已经越来越趋于智能化和高效化。人工智能技术在电气产品的优化设计应用中，主要有两种方法，即专家系统和遗传算法。其中，遗传算法可以直接操作结构对象，对优化和自动获取搜索空间、自行调整搜索的方向方面具有指导作用，而且采用先进的计算方法，计算结果很精确，因此在电气产品的智能化优化设计中应用广泛。而专家系统则不同，它是主要依据相关领域的一个或是多个专家所提供经验与知识来进行工作的，它是一个对专家的决策过程进行模拟的过程，从而对需要人类专家处理的问题进行处理，这种方式也比较重要。当然，除此两种方法还有很多其他方法，比如神经网络、模糊逻辑等。
3结束语
