| 单词 | 智能计算机 |
| 释义 | 【智能计算机】 拼译：intelligent computer 自从1946年世界上第1台电子数字计算机问世以来，几经更新换代，计算机的性能日益优越，运算速度、精度及可靠性等不断提高。随着人工智能技术(AI)的发展，人们期望构造出具有人脑思维功能的“智能型计算机”，但直至今天，计算机的“智能”仍相当低下，具体表现在：(1)对非确定性问题缺乏推理能力；(2)只能机械地执行指令，不能理解自身的行为，自组织、自适应环境的变化；(3)不能通过自学逐步完善自身，创造和发展知识；(4)无法体现智能的相对性，动态性和发展性；(5)形象思维能力低下等等。 针对这些问题，人们曾试图通过提高传统的数字计算机的运算速度，扩大存储器的容量，提高计算机的信息处理能力等等方法来解决，但终未能完全奏效，其原因在于：传统的数字计算机几乎都是按冯·诺依曼(von Neumann)原理构造的，用逻辑规则进行运算，它虽有极强的算术和逻辑运算能力，但其形象思维能力却很低下，它们的工作机理与人脑有很大差别，主要表现在：(1)冯氏数字计算机(下称传统计算机)大都采用一个或多个复杂的中央处理单元处理信息，而人脑则是使用大量简单的处理单元(神经元)进行信息处理。(2)传统计算机是离散符号处理，以串行执行预存程序为特点。而人脑的智能活动则是许多知识片之间的密切相互作用，是大规模的并行处理，具有很强的联想能力。(3)用传统计算机组成的人工智能系统实质是专家经验的知识库。而人脑则具有很强的自学习能力，可在学习过程中不断完善自己，并且所学的知识越多，解决处理问题的速度越快。(4)传统计算机只能解决那些能形式化的、有严格数学定义的形式思维问题。而人脑则能进行创造性劳动，可解决更高级、更复杂的形象思维问题。(5)传统计算机的任何软硬件损坏都可能引起严重的后果。而人脑个别神经元受到损坏，对脑的整体功能影响较小。由于这些差异的存在，人们利用传统的数字计算机解决人工智能问题时，遇到了许多困难。这就促使人们去研究能否通过模拟人脑的神经网络系统，来达到模拟人脑智能的目的。因此，以模拟人脑智能特点和结构的人工神经网络的研究便应运而生。早在1943年，W．S．Mc Culloch和W．A．Pitts就曾合作提出过形式神经元的数学模型(MP模型)，开创了神经科学理论研究的时代，但由于其结构复杂并受当时科学发展水平的限制，起始阶段进展不快，至60年代，一度陷入低谷，尽管如此，这方面的研究工作却一直没有停止，在神经网络模型建立等理论方面仍取得了不少成果。例如：1944年D．Q．Hebb提出了改变神经元连接强度的Hebb规则，1957年F．Rosenblatl首次引进了感知器概念，试图模拟人脑的感知和学习能力，1962年Grossberg研制出自适应共振模型，接着芬兰T．Kohonen设计了自组织映射模型，K．Fukushima研制了脑认知机，Webos提出了BP理论，1982年美国J．J．Hopfield建立了HNN模型……等等。这些模型的建立为神经计算机的研制奠定了理论基础。至80年代人工神经网络的研究在世界范围内重新掀起一股热潮。此时由于脑神经科学、认知学、信息科学及微电子学等的发展，使人们有可能利用人工神经网络构造出神经计算机，以适应AI发展的需要。于是根据各种神经网络模型制造的各种神经计算机便相继问世。所谓“神经计算机”泛指那些可以高效实现神经网络模型的计算机，它通过建立神经网络的工程模型来模拟生物大脑的信息处理功能。与传统的数字计算机相比它具有以下一些特点：(1)传统的数字计算机大都用一个或多个复杂的中央处理单元进行串行离散符号处理。而神经计算机则是由大量的简单处理单元(如生物神经元，电子元件，光电元件…等)广泛互连而成的一个网络，利用数字的和模拟的器件按任务需要组成一个群体并行分布式网络系统，以大规模的并行处理为主。(2)传统计算机是集中存储、集中处理信息。而神经计算机是分布式存储和处理，信息的存储和处理溶为一体。(3)神经计算机有较强的自适应、自学习能力，并能在学习中不断适应环境，完善自身，创造和发展知识。而传统计算机无此能力。(4)神经计算机有较强的鲁棒性和容错性，善于联想、归纳，有较好的处理模糊信息和不完全知识的能力，且任何局布损坏对整体结果影响较小。而传统计算机局部损坏会引起严重后果。(5)传统计算机本质上是一个线性系统。而人工神经网络则是一个非线性动力学系统。神经计算机的这些特点类似于人脑的思维特征。因此，为“智能型计算机”的诞生带来了新的希望。神经计算机的设计思想是通过模似人脑的神经系统来实现人工智能。而人脑是由100多亿个神经元组成，它们相互联接成一个巨量并行的复杂系统，因此人工神经网模型亦是由大量人工神经元按一定规则相互联接组成一个人工神经网络。网络的信息处理功能通过人工神经元之间的相互作用来实现，每一联结对应一个联结权，知识或信息以分布式方式存储在网络的联结权上，通过分布式结构实现并行处理，即改变神经元个数及它们之间的连接方式来实现处理过程。神经计算机的学习功能决定于各神经元联结权系的动态演化过程，通过反覆处理样本数据，使各神经元之间的结合强度自动变化，如果在训练中实际输出模式与期望输出值之间有差别，则改变其仅值，以减少这一差别，直至稳定时学习过程结束。神经计算机各神经元之间的这种联结方式与人脑神经元之间的突触联结极其类似。神经计算机的研究正沿着两个方向进行：1．使用脑神经细胞试制神经计算机。为了能再现人脑，如能用脑的神经细胞作为元件制造“人造脑”肯定是一种最好的方法。日本东京大学的相泽益男对培养神经细胞的基板施加电压，已成功地使随机散布的细胞自由地形成老鼠的神经网络。这一工作目前尚处于基础研究阶段，还存在许多问题，如：生物细胞是活的东西，会死亡。为此人们试验了不用细胞，而用直径为0．03mm的小球作为人造细胞，这种人造脂质体和细胞一样都有脂质的两层构造，它虽是一种有机物，但比较结实耐久。日本利用蛋白质制造这种小球并按一定要求放在硅基板上进行固定，取得了成功。东芝公司则把人工色素放入排列着的脂质体中，试制成了人工视网膜，用光照射时，其中的色素起化学变化，光消失后色素恢复原状，这与人的细胞的兴奋作用相似，但不能进行学习，如何使之能进行模式识别，将是东芝下一步的研究课题。生物计算机还需要很长的时间才能真正投入使用。2．利用光电器件试制神经计算机。用软件模似实现神经计算机较易实现，其方法是通过软件在传统计算机上模拟各种神经网络模型。这种神经网络计算软件包已成为商品，如Neural Ware公司的Neural Works Professianal Ⅱ等，这类软件包的特点是通过选择不同的参数可以模拟多种神经网络模型，实现的学习规则亦可有许多种且成本低，研制周期短，主要问题是速度慢，难以体现神经网络的大规模并行处理特性。因此，要实现功能更强，速度更快的神经计算机必须从硬件着手。用硬件制造神经元时，若使用数字电路，则每个神经元要用1000个左右晶体管，人脑约有130亿个神经元，但在用途限定时，在许多情况下有100～1000个神经元也就够了。但是若改用模拟电路，所需的晶体管数可减少很多，由于使用元件数目减少，可以把许多神经元和突触放在一个芯片上，因此能通过并行处理使许多突触一起完成学习，从而使学习速度比采用数字电路时大大提高，缺点是联结权不易改变、精度低，对噪声温度敏感且制造困难。此外，采用光学技术亦是试制神经计算机的另一条理想途径。与硅VLSI神经计算机相比，光神经计算机具有如下优点：(1)光具有空间并行性，这一点与完全并行的神经计算机要求相吻合。特别是随着神经元数目的增加，神经网络连接线数目将迅速增加现有的LSI技术很难实现，而采用光布线恰可能解决神经元之间的大量连线的布线难题，从而使实行神经元之间结合强度的动态控制成为可能。(2)光波传播无交叉失真，传输容量大。(3)光集成度高。(4)运算速度快。实现光计算机的困难是：光学材料和制做工艺尚存在问题，此外，光计算机的学习算法及其收敛问题，对全息技术编程控制问题等尚需进一步研究解决。通过上面对传统的数字计算机与神经计算机的讨论可以看出：基于传统的数字计算机实现的人工智能，体现了人脑逻辑思维的基本特征，具有串行、线性、局部、准确、简洁、易于表达等特点。但某一局部错误将导致全局崩溃。但人脑思维除逻辑思维外，大都是并发的、联想的、模糊的、全局动态性的、非唯一性的具有非线性特征的形象思维，神经计算机模拟了人脑的形象思维能力。但无论用哪种计算机实现的人工智能系统都有其局限性。因此未来的“智能“计算机”必将是两者的结合。从求解问题的观点看。形象思维(用神经网络方法)可以给出一个直觉的解，而形式思维(用数字，符号方法)则能进行精确的推理和计算，可得出一个准确的解。也即是说最适于神经计算机求解的问题是那些难于精确计算，且又不要求精确答案的那类问题，如：联想、预测、诊断，估价，模式识别等等。需要精确计算的问题，则用数字符号方法就更合适，这两种方法各有所长，互不能替代，因此，如将它们结合起来，相互取长补短，必将会给新一代“智能计算机”的出现带来新的希望。现在面临的主要问题是：如何将两者有机地结合起来，将逻辑的与非逻辑的运算综合考虑，设计出一个既能进行符号处理，又能进行非符号处理的智能信息处理系统，这将是今后人工智能和计算机工作者需进一步研究和探索的课题。【参考文献】：1 Treleaven P．Research not 89／8 Dept of cs．Univ，collage london，19892 焦李成．神经网络系统理论，西安：电子科技大学出版社，19903 尹红风，戴汝为．计算机研究与发展，1990，44 姚新，陈国良．计算机工程和应用，1990，1(合肥工业大学梁曼君副教授撰) |
| 随便看 |
科学参考收录了7804条科技类词条，基本涵盖了常见科技类参考文献及英语词汇的翻译，是科学学习和研究的有利工具。