[讨论]：回复PSI，说说AI
最初由 psi 发表对了，我顺便想问一下，大家所期待的AI发展到底是什么？能不能举一些实际例子？ 说实话，我和咱们这里的大多数人都并不懂ai的原理和实现方法，就目前来说应该就是程序针对特定情况作出的特定反应吧？比方说mgs里，主角进入ai视野，或者发出能让ai捕捉到的声音后，NPC的战斗模式被触发，然后按照自己与主角的距离、主角当时的装备、友方人数等因素采取不同的行为模式。离得够近就先想办法撂倒SNAKE，然后通话，离得远就直接呼叫增援……等等，还有很多人大赞的光环，应该也是比较典型的例子。
我认为现在的AI就是由一堆触发器组成的，触发器的多寡决定了AI的“人性化”程度，触发条件不同可以决定AI的个性，这种对外界刺激的反应咱们在生物课里都学过，叫“应激性”，是比较原始的生物特性，还远谈不上智能。当然这个原理是我瞎猜的，如果这里有搞程序的哥们就请纠正。
最尖端的科技到达什么程度我不知道，那是机密，但民用级别来说AI这些年来其实貌似进步不大。在游戏角度来说，以MGS系列为例，（假如我刚才瞎掰的“触发器原理”正确的话）这三代的AI虽然说确实有增强，但并没有本质变化，不过是触发器多了一点而已，敌兵对于不同的“刺激”，反应多样了一些，仅此而已；另一个例子是棋类游戏，（更深的）深蓝战胜棋王咱们都知道，但那并不是电脑在思考，只不过是它有所有棋谱的资料，对方下一步它一定知道后来有多少种变化，应该怎么应付，尽管这种分支大得惊人，但象棋毕竟变化少，电脑还是能应付，所以用这种办法，它已经能战胜任何一个大师。但是围棋就行不通，变化实在太多，电脑的棋力就很幼稚了；在民用方面来说，咱们用得比较多的就是翻译软件，从我98年用地球村那阵，到现在金山快译什么的，翻译水平没有哪怕是一丁点的提高，这也是AI的问题，电脑无法判断什么词可以正确的搭配，而采取穷举法把所有可能的组合输入……这根本就不可能，因为无穷。
总之现在的AI并不是有智能，只是通过“应激反应”模拟一下智能，（两三年前看某本杂志说的）其水平大致相当于蝗虫，想接近脊椎动物还早得很，最重要的是现在这种办法应该走进死胡同了吧？更复杂的AI=更多的刺激条件、更多的反应，这个数据量和运算量是呈几何级数上升的，人工怎么做得完？
我们真正的希望似乎在硬件本质的进化上，一个是现在的DNA计算机，利用盐碱基排列组合来产生近乎无限的变化；另一个是CPU核心刻蚀工艺，以前看过一篇小说，论证了只要CPU能达到0.5NM级别或更小，就能在电路中产生量子效应（现在的最新CPU是６５ｎｍ吧？），因而产生智能表现。但无论哪一种，电脑真到这程度，那就已经在某种意义上是生物了…… 有关“AI发展到最后能独立的思考,意识到他自身的存在”这方面的问题，可以看看《攻壳机动队》剧场版，说真的就是真有这么一天我觉得也没啥不好……另外独立思考并不代表失控，那是技术细节了。 人脑都没研究清楚如何能让AI接近人？早着呢。。。。 实验室与游戏里对AI的研究方向是不同的
游戏里只要够用就行，与其有时间改善这个还不如把时间放在画面上 最初由 sbl 发表
现在我们玩的游戏不需要太强大的人工智能
否则就游戏里这么简单的规则，要搞定太简单了
如果你不计较成本的话，完全可以把历年的sc冠军找出来训练一个神经网络，训练半年就够了，最后这ai肯定可以打进4强赛
或者把vf冠军都找来做专家系统，这个ai绝对可以打败任何人类... 这并不是成本问题吧？现在的所有游戏的变化都远远少于象棋，更别提围棋，想让格斗游戏AI无敌应该不是问题，你出任何一招，后面的变化都是连咱们都数得过来的，AI要破解轻而易举，只不会那会让玩家骂街摔手柄拆摇杆并且从此不玩格斗游戏。
游戏规则简单一定程度上也是AI弱的问题，其实咱们追求的是更强大的敌人吗？想要有一个不犯傻的NPC那才是奢望啊！
咱们在游戏里所体会到的“人性”不见得就是靠AI，比方MGS1代里盯着玫丽一段时间她就脸红，还会让SNAKE别看了。 最初由 psi 发表
最尖端的科技我不清楚，但现在大学里学的AI课程并不是在学如何象人类那样思考或者行动，而是在学如果理性思考或者行动。理性的意思就是尽可能把事情做对，当然，这个对与错也是人类来定义的。事实上，整体的AI研究就发展到这地步而已，离“自我”还根本不搭界。当然，不排除一些科学家在暗地里研究真正带思想的电脑。
AI技术主要分为2部分，1是如果去做，2是学习。
1里面有好多方法，最简单的就是条件反应，复杂一点的就是搜索，再复杂就不说了，比如说模拟神经系统等等。现在运用最广泛的还是搜索。条件反应就不说了，大家应该可以理... 咱俩说的这就是完全一个意思啊，似乎目前的结论是除了等待科幻级别的电脑外，理论上靠软件发展是不可能解决AI问题的。 最初由 psi 发表
深蓝走一步棋要运行多少时间。。。。
把搜索运用到格斗游戏也是不能行的，因为运算速度根本就跟不上，所以目前来看在任何即时的游戏里电脑要在公平条件下打败稍有训练的玩家是不可能的。
不过格斗游戏比起即时战略来要简单一点，所以估计等机器再快个几个级别应该有可能了。...
为什么不可能，太简单了，格斗游戏里每个角色的动作就那么几个，电脑在探测到你的出招后在0.0001秒里已经想出几十种应对方法，但为了不要让玩家有太大的挫败感，一般根据难度设置选择对应的百份比选择那几十种应对方法中的一种，难度越高应对方法越准确和狠毒，难度低则可能是错误的应对，因此在格斗领域，只要设计成电脑只选择最准确有效的应对方法，人是不可能赢的。（因为人脑在那么短的时间不能不犯错）。 目前游戏AI能加入模糊搜索就算不错了 战棋游戏的AI满重要的
FFTA电脑行动经常思考好几秒, 还不时有托慢现象.
同平台的火纹几乎感觉不到思考时间, 相当流畅
程序员功力问题? 讨论游戏ai，目前就玩友来说只能到评价游戏给人的表象感觉足矣了。
同时让两个ai高手出现在这一贴太难了，所以基本没有讨论其技术层面问题的可能性。
因此目前为止，看到的只是些不懂装懂的言论，“唬唬”而有生气啊～ 最初由 psi 发表
恩，也是，我忘了人脑的反应也没这么快呵呵，不过具体细节有待研究。... 以sf3.3和SC系列来说，只要制作人愿意，完全可以把AI调整成所有招式都能完美BLOCK和弹挡，连搜索都不用，请问这怎么玩………… 似乎可分为两种AI,被动式AI,主动式AI（也叫学习型AI或者自律型AI），被动式AI主要表现为对外界行为按照早已编好的程式进行类比较、判断，再执行已设定好应对方式中最贴近的一种，比如游戏类，就我看来所有的游戏AI都是属于补动式AI。而主动AI则拥有学习功能，通过外界行为的不断变化而学习进而让本身系统更加完善。这种东西基本上只能在科幻或者动漫领域才可能看见，岂今为止的人类科技还无法做出学习型AI，人类连自身大脑都未完全研究透，但这并不代表未研究透人类大脑不能去研究主动式AI，只是科技能力未够。 神经网络介绍―利用反向传播算法的模式学习
［ 作者：Andrew Blais, Ph.D. 转贴自：developerWorks 点击数：24452 更新时间：2004-4-15 文章录入：admin ］
神经网络也许是计算机计算的将来，一个了解它的好方法是用一个它可以解决的难题来说明。假设给出 500 个字符的代码段，您知道它们是 C、C++、Java 或者 Python。现在构造一个程序，来识别编写这段代码的语言。一种解决方案是构造一个能够学习识别这些语言的神经网络。这篇文章讨论了神经网络的基本功能以及构造神经网络的方法，这样就可以在编码时应用它们了。
根据一个简化的统计，人脑由百亿条神经组成 ― 每条神经平均连结到其它几千条神经。通过这种连结方式，神经可以收发不同数量的能量。神经的一个非常重要的功能是它们对能量的接受并不是立即作出响应，而是将它们累加起来，当这个累加的总和达到某个临界阈值时，它们将它们自己的那部分能量发送给其它的神经。大脑通过调节这些连结的数目和强度进行学习。尽管这是个生物行为的简化描述。但同样可以充分有力地被看作是神经网络的模型。
阈值逻辑单元（Threshold Logic Unit，TLU）
理解神经网络的第一步是从对抽象生物神经开始，并把重点放在阈值逻辑单元（TLU）这一特征上。一个 TLU 是一个对象，它可以输入一组加权系数的量，对它们进行求和，如果这个和达到或者超过了某个阈值，输出一个量。让我们用符号标注这些功能，首先，有输入值以及它们的权系数：X1, X2, ..., Xn 和 W1, W2, ..., Wn。接着是求和计算出的 Xi*Wi ，产生了激发层 a，换一种方法表示：
a = (X1 * W1)+(X2 * W2)+...+(Xi * Wi)+...+ (Xn * Wn)
阈值称为 theta。最后，输出结果 y。当 a >=theta 时 y=1，反之 y=0。请注意输出可以是连续的，因为它也可以由一个 squash 函数 s（或 sigma）判定，该函数的自变量是 a，函数值在 0 和 1 之间，y=s(a)。
图 1. 阈值逻辑单元，带有 sigma 函数（顶部）和 cutoff 函数（底部）
以下省略，我在看得真的是中文么？我果然是科技盲………………………………………………………… 人工智能简介
原文来自：http://library.advanced.org/
译者：关关
人工智能（Artificial Intelligence）, 英文缩写为 AI, 是一门综合了 计算机科学、生理学、哲学的交叉学科。 人工智能的研究课题涵盖面很广，从机器视觉到专家系统，包括了许多不同的领域。 这其中共同的基本特点是让机器学会“思考” 。为了区分机器是否会“思考”（thinking），有必要给出“智能”（intelligence）的定义。究竟“会思考”到什么程度才叫智能？比方说，解决复杂的问题，还是能够进行概括和发现关联? 还有什么是“知觉”（perception），什么是“理解”（comprehension）等等？ 对学习过程、语言和感官知觉的研究为科学家构建智能机器提供了帮助。 现在，人工智能专家们面临的最大挑战之一是如何构造一个系统，可以模仿由上百亿个神经元组成的人脑的行为, 去思考宇宙中最复杂的问题。或许衡量机器智能程度的最好的标准是英国计算机科学家阿伦?图灵的试验。 他认为，如果一台计算机能骗过人，使人相信它是人而不是机器，
那么它就应当被称作有智能。
人工智能从诞生发展到今天经历了一条漫长的路，许多科研人员为此而不懈努力。 人工智能的开始可以追溯到电子学出现以前。象布尔和其他一些哲学家和数学家 建立的理论原则后来成为人工智能逻辑学的基础。而人工智能真正引起 研究者的兴趣则是1943年计算机发明以后的事。技术的发展最终使得人们可以仿真 人类的智能行为，至少看起来不太遥远。接下来的四十年里，尽管碰到许多阻碍，
人工智能仍然从最初只有十几个研究者成长到现在数以千计的工程师和专家在研究； 从一开始只有一些下棋的小程序到现在的用于疾病诊断的专家系统，人工智能的发
展有目共睹。
人工智能始终处于计算机发展的最前沿。高级计算机语言、计算机界面及文字处理器的存在或多或少都得归功于人工智能的研究。人工智能研究带来的理论和洞察力指引了计算技术发展的未来方向。现有的人工智能产品相对于即将到来的人工智能应用可以说微不足道，但是它们预示着人工智能的未来。对人工智能更高层次的需求已经并会继续影响我们的工作、学习和生活。
人工智能的传说可以追溯到古埃及. 但随着1941年以来电子计算机的发展,技术已最终可以创造 出机器智能.\"人工智能\"(Artificial Intelligence)一词最初是在1956年Dartmouth学会上提出的.从那 以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展.在它还不长的历史中,人工智能的发 展比预想的要慢,但一直在前进.从40年前出现到现在,已经出现了许多AI程序,并且它们也影响到了其它 技术的发展.
计算机时代
1941年的一项发明使信息存储和处理的各个方面都发生了革命.这项同时在美国和德国出现的 发明就是电子计算机.第一台计算机要占用几间装空调的大房间,对程序员来说是场恶梦:仅仅为运行一 个程序就要设置成千的线路.1949年改进后的能存储程序的计算机使得输入程序变得简单些,而且计算机 理论的发展产生了计算机科学,并最终促使了人工智能的出现.计算机这个用电子方式处理数据的发明, 为人工智能的可能实现提供了一种媒介.
AI的开端
虽然计算机为AI提供了必要的技术基础,但直到50年代早期人们才注意到人类智能与机器之间 的联系. Norbert Wiener是最早研究反馈理论的美国人之一.最熟悉的反馈控制的例子是自动调温器.它 将收集到的房间温度与希望的温度比较,并做出反应将加热器开大或关小,从而控制环境温度.这项对反馈 回路的研究重要性在于: Wiener从理论上指出,所有的智能活动都是反馈机制的结果.而反馈机制是有可 能用机器模拟的.这项发现对早期AI的发展影响很大.
1955年末,Newell和Simon做了一个名为\"逻辑专家\"(Logic Theorist)的程序.这个程序被许多人 认为是第一个AI程序.它将每个问题都表示成一个树形模型,然后选择最可能得到正确结论的那一枝来求解 问题.\"逻辑专家\"对公众和AI研究领域产生的影响使它成为AI发展中一个重要的里程碑.1956年,被认为是 人工智能之父的John McCarthy组织了一次学会,将许多对机器智能感兴趣的专家学者聚集在一起进行了一 个月的讨论.他请他们到 Vermont参加 \" Dartmouth人工智能夏季研究会\".从那时起,这个领域被命名为 \"人工智能\".虽然 Dartmouth学会不是非常成功,但它确实集中了AI的创立者们,并为以后的AI研究奠定了基础.
Dartmouth会议后的7年中,AI研究开始快速发展.虽然这个领域还没明确定义,会议中的一些思想 已被重新考虑和使用了. Carnegie Mellon大学和MIT开始组建AI研究中心.研究面临新的挑战: 下一步需 要建立能够更有效解决问题的系统,例如在\"逻辑专家\"中减少搜索;还有就是建立可以自我学习的系统.
1957年一个新程序,\"通用解题机\"(GPS)的第一个版本进行了测试.这个程序是由制作\"逻辑专家\" 的同一个组开发的.GPS扩展了Wiener的反馈原理,可以解决很多常识问题.两年以后,IBM成立了一个AI研 究组.Herbert Gelerneter花3年时间制作了一个解几何定理的程序.
当越来越多的程序涌现时,McCarthy正忙于一个AI史上的突破.1958年McCarthy宣布了他的新成 果: LISP语言. LISP到今天还在用.\"LISP\"的意思是\"表处理\"(LISt Processing),它很快就为大多数AI开发者采纳.
1963年MIT从美国政府得到一笔220万美元的资助,用于研究机器辅助识别.这笔资助来自国防部 高级研究计划署(ARPA),已保证美国在技术进步上领先于苏联.这个计划吸引了来自全世界的计算机科学家, 加快了AI研究的发展步伐.
大量的程序
以后几年出现了大量程序.其中一个著名的叫\"SHRDLU\".\"SHRDLU\"是\"微型世界\"项目的一部分,包括 在微型世界(例如只有有限数量的几何形体)中的研究与编程.在MIT由Marvin Minsky领导的研究人员发现, 面对小规模的对象,计算机程序可以解决空间和逻辑问题.其它如在60年代末出现的\"STUDENT\"可以解决代数 问题,\"SIR\"可以理解简单的英语句子.这些程序的结果对处理语言理解和逻辑有所帮助.
70年代另一个进展是专家系统.专家系统可以预测在一定条件下某种解的概率.由于当时计算机已 有巨大容量,专家系统有可能从数据中得出规律.专家系统的市场应用很广.十年间,专家系统被用于股市预 测,帮助医生诊断疾病,以及指示矿工确定矿藏位置等.这一切都因为专家系统存储规律和信息的能力而成为 可能.
70年代许多新方法被用于AI开发,著名的如Minsky的构造理论.另外David Marr提出了机器视觉方 面的新理论,例如,如何通过一副图象的阴影,形状,颜色,边界和纹理等基本信息辨别图象.通过分析这些信 息,可以推断出图象可能是什么.同时期另一项成果是PROLOGE语言,于1972年提出. 80年代期间,AI前进更为迅速,并更多地进入商业领域.1986年,美国AI相关软硬件销售高达4.25亿 美元.专家系统因其效用尤受需求.象数字电气公司这样的公司用XCON专家系统为VAX大型机编程.杜邦,通用 汽车公司和波音公司也大量依赖专家系统.为满足计算机专家的需要,一些生产专家系统辅助制作软件的公 司,如Teknowledge和Intellicorp成立了.为了查找和改正现有专家系统中的错误,又有另外一些专家系统被设计出来.
从实验室到日常生活
人们开始感受到计算机和人工智能技术的影响.计算机技术不再只属于实验室中的一小群研究人员. 个人电脑和众多技术杂志使计算机技术展现在人们面前.有了象美国人工智能协会这样的基金会.因为AI开发 的需要,还出现了一阵研究人员进入私人公司的热潮.150多所象DEC(它雇了700多员工从事AI研究)这样的公 司共花了10亿美元在内部的AI开发组上.
其它一些AI领域也在80年代进入市场.其中一项就是机器视觉. Minsky和Marr的成果现在用到了生 产线上的相机和计算机中,进行质量控制.尽管还很简陋,这些系统已能够通过黑白区别分辨出物件形状的不 同.到1985年美国有一百多个公司生产机器视觉系统,销售额共达8千万美元.
但80年代对AI工业来说也不全是好年景.86-87年对AI系统的需求下降,业界损失了近5亿美元.象 Teknowledge和Intellicorp两家共损失超过6百万美元,大约占利润的三分之一.巨大的损失迫使许多研究领 导者削减经费.另一个另人失望的是国防部高级研究计划署支持的所谓\"智能卡车\".这个项目目的是研制一种 能完成许多战地任务的机器人.由于项目缺陷和成功无望,Pentagon停止了项目的经费.
尽管经历了这些受挫的事件,AI仍在慢慢恢复发展.新的技术在日本被开发出来,如在美国首创的模糊 逻辑,它可以从不确定的条件作出决策;还有神经网络,被视为实现人工智能的可能途径.总之,80年代AI被引入 了市场,并显示出实用价值.可以确信,它将是通向21世纪之匙. 人工智能技术接受检验 在\"沙漠风暴\"行动中军方的智能设备经受了战争的检验.人工智能技术被用于导弹系统和预警显示以 及其它先进武器.AI技术也进入了家庭.智能电脑的增加吸引了公众兴趣;一些面向苹果机和IBM兼容机的应用 软件例如语音和文字识别已可买到;使用模糊逻辑,AI技术简化了摄像设备.对人工智能相关技术更大的需求促 使新的进步不断出现.人工智能已经并且将继续不可避免地改变我们的生活.
页:
[1]