武立軍

（長(zhǎng)治學(xué)院 山西 長(zhǎng)治 046011）

1 計(jì)算機(jī)科學(xué)與技術(shù)領(lǐng)域人工智能的發(fā)展現(xiàn)狀

隨著科學(xué)信息技術(shù)的迅速發(fā)展，計(jì)算機(jī)人工智能已經(jīng)在社會(huì)上得到了廣泛的應(yīng)用，越來(lái)越多的人工智能技術(shù)及產(chǎn)品被人們關(guān)注，例如，從百度翻譯到Alpha Go，從蘋果Siri 到龍泉寺機(jī)器僧等。在這個(gè)網(wǎng)絡(luò)信息的新時(shí)代，人工智能已經(jīng)深入人們?nèi)粘Ｉ?，變得觸手可及，不再是那種遙不可及的高新技術(shù)，目前，智能移動(dòng)手機(jī)已經(jīng)被廣泛應(yīng)用，并且智能移動(dòng)手機(jī)的更新?lián)Q代非常快，當(dāng)前已經(jīng)發(fā)明圖像識(shí)別、人臉識(shí)別以及視覺(jué)檢測(cè)等技術(shù)，在社會(huì)上得到了廣泛的應(yīng)用，越來(lái)越多的人已經(jīng)接受了人工智能技術(shù)及產(chǎn)品，成為一種全新的生產(chǎn)力。

2 人工智能發(fā)展的理論基礎(chǔ)

人工智能這門學(xué)科是屬于比較新興的一門學(xué)科，這門學(xué)科其實(shí)是由很多門學(xué)科交叉融合之后所發(fā)展出來(lái)的一門學(xué)科。而在這個(gè)過(guò)程中，需要采用的知識(shí)中比較重要的一個(gè)部分就是數(shù)學(xué)這門學(xué)科中的內(nèi)容，其中的各種基礎(chǔ)知識(shí)都是其發(fā)展過(guò)程中所會(huì)用到的。數(shù)學(xué)的基礎(chǔ)知識(shí)具體包括：線性代數(shù)、概率論、數(shù)理統(tǒng)計(jì)、最優(yōu)化理論、信息論以及形式邏輯等六個(gè)部分內(nèi)容。而這六個(gè)部分使得整個(gè)人工智能計(jì)算能夠發(fā)展得更加順利[1]。

3 數(shù)學(xué)運(yùn)算在未來(lái)計(jì)算機(jī)科學(xué)與技術(shù)領(lǐng)域中人工智能方面的應(yīng)用

3.1 線性代數(shù)：如何將研究對(duì)象形式化

線性代數(shù)是數(shù)學(xué)學(xué)科中一門較為基礎(chǔ)的數(shù)學(xué)課程，具有非常強(qiáng)的實(shí)用性，是在社會(huì)生產(chǎn)實(shí)踐中逐漸產(chǎn)生并發(fā)展起來(lái)的，已經(jīng)被廣泛應(yīng)用在工程技術(shù)、物理、經(jīng)濟(jì)等領(lǐng)域。線性代數(shù)既是人工智能的基礎(chǔ)，同時(shí)也是與現(xiàn)代數(shù)學(xué)有關(guān)聯(lián)的眾多學(xué)科的基礎(chǔ)[2]。例如，量子力學(xué)和圖像處理表面上是量與矩陣的應(yīng)用，實(shí)質(zhì)上還是應(yīng)用線性代數(shù)提供的一些計(jì)算方式和方法。通過(guò)利用這些線性代數(shù)的相關(guān)知識(shí)，就可以較好地將一些比較復(fù)雜的問(wèn)題拆分成比較簡(jiǎn)單的問(wèn)題。

3.2 概率論：如何描述統(tǒng)計(jì)規(guī)律

概率論作為一門非常重要的數(shù)學(xué)基礎(chǔ)，也是在人工智能的研究過(guò)程中得到了非常廣泛的應(yīng)用。正是由于目前的世界是信息爆炸的世界，這就使得目前有越來(lái)越多的研究人員對(duì)這些數(shù)據(jù)的隨機(jī)性進(jìn)行研究，而在這個(gè)過(guò)程中一般會(huì)使用到概率論。

3.3 數(shù)理統(tǒng)計(jì)：如何以小見(jiàn)大

目前的情況下，數(shù)理統(tǒng)計(jì)也是被經(jīng)常用到的一種數(shù)學(xué)。同時(shí)，目前處于大數(shù)據(jù)時(shí)代，這就使得對(duì)各種大數(shù)據(jù)進(jìn)行分析是非常有必要的，同時(shí)在進(jìn)行數(shù)據(jù)分析的過(guò)程中，也會(huì)常常使用到機(jī)器學(xué)習(xí)的方法。而在數(shù)據(jù)處理的過(guò)程中，這些基礎(chǔ)理論的應(yīng)用才能更好地對(duì)這些數(shù)據(jù)處理的結(jié)果進(jìn)行更加正確的解釋。而從另一個(gè)方面來(lái)將，梳理統(tǒng)計(jì)其實(shí)也是一種反向進(jìn)行的概率論。其在機(jī)器學(xué)習(xí)中常常用來(lái)對(duì)錯(cuò)誤率進(jìn)行相關(guān)的估計(jì)[3]。

3.4 最優(yōu)化理論：如何找到最優(yōu)解

在目前的人工智能的研究過(guò)程中，最主要的就是解決一些優(yōu)化方面的問(wèn)題，找到一個(gè)最優(yōu)化的解，即在一些比較復(fù)雜的情況下對(duì)整體情況進(jìn)行更加詳細(xì)的分析和判斷，從而使得這些復(fù)雜情況下所產(chǎn)生的各種問(wèn)題都能夠被較好地解決掉。所以，最優(yōu)化理論確實(shí)是整個(gè)人工智能計(jì)算中非常重要的一個(gè)部分。而這個(gè)理論所研究的主要情形就是在沒(méi)有特殊約束的情況下，對(duì)目標(biāo)函數(shù)進(jìn)行求解，并找出其中的最小值，這樣才能讓目標(biāo)函數(shù)達(dá)到最優(yōu)化。而在最優(yōu)化過(guò)程中，人們最常用的方法就是使用神經(jīng)網(wǎng)絡(luò)進(jìn)行相應(yīng)的求解。

3.5 信息論：如何定量度量的不確定性

信息論是目前被研究比較多的一門學(xué)科。而根據(jù)目前這些年的研究可以看出，目前的客觀世界中最本質(zhì)的一種屬性，便是這個(gè)世界中所存在的不確定性。很多事情都只能使用概率模型進(jìn)行模擬，而不能準(zhǔn)確地判斷，這就使得信息論能夠得到進(jìn)一步的發(fā)展。而對(duì)于信息的可測(cè)量性，其實(shí)是可以與信息的不確定性進(jìn)行聯(lián)系的，這個(gè)在概率論中主要是使用“信息熵”的概念來(lái)闡述的[4]?？偠灾?，信息論主要就是對(duì)各種不確定的事情進(jìn)行解決。在解決一些分類問(wèn)題的過(guò)程中往往會(huì)用到信息增益的概念。而在對(duì)這些問(wèn)題進(jìn)行匯總的過(guò)程中，往往采用的是最大熵原理。

3.6 形式邏輯：如何實(shí)現(xiàn)抽象推理

根據(jù)定義可以發(fā)現(xiàn)，較為理想的人工智能所具有的學(xué)習(xí)能力應(yīng)該是屬于比較抽象的，而不是解決某一種具體的問(wèn)題，一般情況下，需要具有更加強(qiáng)大的總結(jié)能力，同時(shí)需要具有一定的推理能力。

而對(duì)于人工智能而言，最基礎(chǔ)的內(nèi)容便是其中的形式邏輯，而這個(gè)取決于在很多的傳統(tǒng)過(guò)程中，將對(duì)符號(hào)進(jìn)行邏輯運(yùn)算定義為一種認(rèn)知的過(guò)程。而在這個(gè)過(guò)程中，也使得目前所認(rèn)定的一種在人工智能中所涉及到的基本理念遭受到了一定的質(zhì)疑和挑戰(zhàn)，這就使得人工智能中會(huì)更多地對(duì)“認(rèn)知的本質(zhì)是計(jì)算”的概念進(jìn)行進(jìn)一步的考量、思考和探索[5]。

4 結(jié)語(yǔ)

綜上所述，在這個(gè)網(wǎng)絡(luò)信息化大數(shù)據(jù)新時(shí)代環(huán)境下，人們的生活、學(xué)習(xí)以及工作已經(jīng)越來(lái)越依賴計(jì)算機(jī)技術(shù)和網(wǎng)絡(luò)的支持，并且越來(lái)越需要應(yīng)用人工智能來(lái)解決計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)無(wú)法獨(dú)立完成的問(wèn)題。因此，相關(guān)的技術(shù)人員必須要對(duì)人工智能進(jìn)行深入研究，充分應(yīng)用先進(jìn)的技術(shù)以及數(shù)學(xué)知識(shí)，讓人工智能更加完善，能夠?yàn)槿藗兊纳钆c工作提供更多的幫助和便捷。