如何製作人工智慧程序

『壹』 如何製作屬於自己的ai

一般通過大規模語料訓練，行成一個大的概率表，再得到回答映射概率表，最後自動完成聊天。

一個普通聊天機器人需要大量語言訓練。有兩種做法，（對於中文）傳統的是對一段文字進行分詞，然後進行主謂賓分析，接著通過資料庫中有的句型模式進行匹配，取得匹配高的幾個，查找對應回答句型並根據原有文本聯想填詞。

人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大。

相關信息

早期的人工智慧研究人員直接模仿人類進行逐步的推理，就像是玩棋盤游戲或進行邏輯推理時人類的思考模式。到了1980和1990年代，利用概率和經濟學上的概念，人工智慧研究還發展了非常成功的方法處理不確定或不完整的資訊。

對於困難的問題，有可能需要大量的運算資源，也就是發生了「可能組合爆增」：當問題超過一定的規模時，電腦會需要天文數量級的存儲器或是運算時間。尋找更有效的演算法是優先的人工智慧研究項目。

『貳』 想做人工智慧程序需要學什麼

人工智慧入門需要掌握的知識有：自然語言處理、機器學習、計算機視覺、知識表示、自動推理和機器人學。雖然這些領域的側重點各有不同，但是都需要一個重要的基礎，那就是數學和計算機基礎。

『叄』 自己如何製作一個人工智慧

數碼時代以來，人工智慧的硬體條件已經成熟了。
目前困擾人工智慧研究的主要問題是，功能程序碎片化不能滿足模仿人類智能的需求。一個程序對應一個功能，這與人類智能的一體和諧、各功能相互相應天衣無縫的特徵相差很遠。實現操作系統與應用程序一體化，例如手機不必安裝任何應用程序驅動程序，只原創輸入或下載相關知識含義，即可實現所需功能。頂多做試運行及調試即可。操作系統會自己去了解認識自己擁有什麼。即我有什麼樣的身體。功能及表達方式將隨機主喜好，及想像力，而自主增加，實現功能及成長的無限diy，實現這樣一體化以後，你的夢想就將很快實現。
其中的難點是，操作系統智能化。
而智能化的難點是，既要保證輸入/輸出數據流的絕對鏡像，又要滿足感知/驅動這兩種完全不同的含義斷取規則需要。
預計1-2年，這些難題都將被理論上解決。再經過1年時間，你的夢想就將實現。人類那時將進入真正的智能時代。
最先應用這一原理的領域可能是，導彈目標識別系統，搜索引擎，手機。

『肆』 AI怎麼做

人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」。人工智慧可以對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種「復雜工作」的理解是不同的。[1]2017年12月，人工智慧入選「2017年度中國媒體十大流行語」。[2]2021年9月25日，為促進人工智慧健康發展，《新一代人工智慧倫理規范》發布。用來研究人工智慧的主要物質基礎以及能夠實現人工智慧技術平台的機器就是計算機，人工智慧的發展歷史是和計算機科學技術的發展史聯系在一起的。除了計算機科學以外，人工智慧還涉及資訊理論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。人工智慧學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。研究方法如今沒有統一的原理或範式指導人工智慧研究。許多問題上研究者都存在爭論。其中幾個長久以來仍沒有結論的問題是：是否應從心理或神經方面模擬人工智慧?或者像鳥類生物學對於航空工程一樣，人類生物學對於人工智慧研究是沒有關系的？智能行為能否用簡單的原則（如邏輯或優化）來描述？還是必須解決大量完全無關的問題？智能是否可以使用高級符號表達，如詞和想法？還是需要「子符號」的處理？JOHN HAUGELAND提出了GOFAI(出色的老式人工智慧)的概念，也提議人工智慧應歸類為SYNTHETIC INTELLIGENCE，[29]這個概念後來被某些非GOFAI研究者採納。大腦模擬主條目：控制論和計算神經科學20世紀40年代到50年代，許多研究者探索神經病學，信息理論及控制論之間的聯系。其中還造出一些使用電子網路構造的初步智能，如W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。 這些研究者還經常在普林斯頓大學和英國的RATIO CLUB舉行技術協會會議.直到1960， 大部分人已經放棄這個方法，盡管在80年代再次提出這些原理。符號處理主條目：GOFAI當20世紀50年代，數字計算機研製成功，研究者開始探索人類智能是否能簡化成符號處理。研究主要集中在卡內基梅隆大學， 斯坦福大學和麻省理工學院，而各自有獨立的研究風格。JOHN HAUGELAND稱這些方法為GOFAI(出色的老式人工智慧)。[33] 60年代，符號方法在小型證明程序上模擬高級思考有很大的成就。基於控制論或神經網路的方法則置於次要。[34] 60~70年代的研究者確信符號方法最終可以成功創造強人工智慧的機器，同時這也是他們的目標。認知模擬經濟學家赫伯特·西蒙和艾倫·紐厄爾研究人類問題解決能力和嘗試將其形式化，同時他們為人工智慧的基本原理打下基礎，如認知科學， 運籌學和經營科學。他們的研究團隊使用心理學實驗的結果開發模擬人類解決問題方法的程序。這方法一直在卡內基梅隆大學沿襲下來，並在80年代於SOAR發展到高峰。基於邏輯不像艾倫·紐厄爾和赫伯特·西蒙，JOHN MCCARTHY認為機器不需要模擬人類的思想，而應嘗試找到抽象推理和解決問題的本質，不管人們是否使用同樣的演算法。他在斯坦福大學的實驗室致力於使用形式化邏輯解決多種問題，包括知識表示， 智能規劃和機器學習. 致力於邏輯方法的還有愛丁堡大學，而促成歐洲的其他地方開發編程語言PROLOG和邏輯編程科學.「反邏輯」斯坦福大學的研究者 (如馬文·閔斯基和西摩爾·派普特)發現要解決計算機視覺和自然語言處理的困難問題，需要專門的方案-他們主張不存在簡單和通用原理（如邏輯）能夠達到所有的智能行為。ROGER SCHANK 描述他們的「反邏輯」方法為 "SCRUFFY" .常識知識庫 (如DOUG LENAT的CYC)就是"SCRUFFY"AI的例子，因為他們必須人工一次編寫一個復雜的概念。基於知識大約在1970年出現大容量內存計算機，研究者分別以三個方法開始把知識構造成應用軟體。這場「知識革命」促成專家系統的開發與計劃，這是第一個成功的人工智慧軟體形式。「知識革命」同時讓人們意識到許多簡單的人工智慧軟體可能需要大量的知識。子符號法80年代符號人工智慧停滯不前，很多人認為符號系統永遠不可能模仿人類所有的認知過程，特別是感知，機器人，機器學習和模式識別。很多研究者開始關注子符號方法解決特定的人工智慧問題。自下而上， 介面AGENT，嵌入環境（機器人），行為主義，新式AI機器人領域相關的研究者，如RODNEY BROOKS，否定符號人工智慧而專注於機器人移動和求生等基本的工程問題。他們的工作再次關注早期控制論研究者的觀點，同時提出了在人工智慧中使用控制理論。這與認知科學領域中的表徵感知論點是一致的:更高的智能需要個體的表徵(如移動，感知和形象)。計算智能80年代中DAVID RUMELHART 等再次提出神經網路和聯結主義. 這和其他的子符號方法，如模糊控制和進化計算，都屬於計算智能學科研究范疇。統計學法90年代，人工智慧研究發展出復雜的數學工具來解決特定的分支問題。這些工具是真正的科學方法，即這些方法的結果是可測量的和可驗證的，同時也是人工智慧成功的原因。共用的數學語言也允許已有學科的合作（如數學，經濟或運籌學）。STUART J. RUSSELL和PETER NORVIG指出這些進步不亞於「革命」和「NEATS的成功」。有人批評這些技術太專注於特定的問題，而沒有考慮長遠的強人工智慧目標。集成方法智能AGENT範式智能AGENT是一個會感知環境並作出行動以達致目標的系統。最簡單的智能AGENT是那些可以解決特定問題的程序。更復雜的AGENT包括人類和人類組織（如公司）。這些範式可以讓研究者研究單獨的問題和找出有用且可驗證的方案，而不需考慮單一的方法。一個解決特定問題的AGENT可以使用任何可行的方法-一些AGENT用符號方法和邏輯方法，一些則是子符號神經網路或其他新的方法。範式同時也給研究者提供一個與其他領域溝通的共同語言--如決策論和經濟學（也使用ABSTRACT AGENTS的概念）。90年代智能AGENT範式被廣泛接受。AGENT體系結構和認知體系結構研究者設計出一些系統來處理多ANGENT系統中智能AGENT之間的相互作用。一個系統中包含符號和子符號部分的系統稱為混合智能系統 ，而對這種系統的研究則是人工智慧系統集成。分級控制系統則給反應級別的子符號AI 和最高級別的傳統符號AI提供橋梁，同時放寬了規劃和世界建模的時間。RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一個早期的分級系統計劃。智能模擬機器視、聽、觸、感覺及思維方式的模擬：指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，智能搜索，定理證明，邏輯推理，博弈，信息感應與辨證處理。學科範疇人工智慧是一門邊沿學科，屬於自然科學、社會科學、技術科學三向交叉學科。涉及學科哲學和認知科學，數學，神經生理學，心理學，計算機科學，資訊理論，控制論，不定性論，仿生學，社會結構學與科學發展觀。研究范疇語言的學習與處理，知識表現，智能搜索，推理，規劃，機器學習，知識獲取，組合調度問題，感知問題，模式識別，邏輯程序設計，軟計算，不精確和不確定的管理，人工生命，神經網路，復雜系統，遺傳演算法人類思維方式，最關鍵的難題還是機器的自主創造性思維能力的塑造與提升。安全問題人工智慧還在研究中，但有學者認為讓計算機擁有智商是很危險的，它可能會反抗人類。這種隱患也在多部電影中發生過，其主要的關鍵是允不允許機器擁有自主意識的產生與延續，如果使機器擁有自主意識，則意味著機器具有與人同等或類似的創造性，自我保護意識，情感和自發行為。實現方法人工智慧在計算機上實現時有2種不同的方式。一種是採用傳統的編程技術，使系統呈現智能的效果，而不考慮所用方法是否與人或動物機體所用的方法相同。這種方法叫工程學方法（ENGINEERING APPROACH），它已在一些領域內作出了成果，如文字識別、電腦下棋等。另一種是模擬法（MODELING APPROACH），它不僅要看效果，還要求實現方法也和人類或生物機體所用的方法相同或相類似。遺傳演算法（GENERIC ALGORITHM，簡稱GA）和人工神經網路（ARTIFICIAL NEURAL NETWORK，簡稱ANN）均屬後一類型。遺傳演算法模擬人類或生物的遺傳-進化機制，人工神經網路則是模擬人類或動物大腦中神經細胞的活動方式。為了得到相同智能效果，兩種方式通常都可使用。採用前一種方法，需要人工詳細規定程序邏輯，如果游戲簡單，還是方便的。如果游戲復雜，角色數量和活動空間增加，相應的邏輯就會很復雜（按指數式增長），人工編程就非常繁瑣，容易出錯。而一旦出錯，就必須修改原程序，重新編譯、調試，最後為用戶提供一個新的版本或提供一個新補丁，非常麻煩。採用後一種方法時，編程者要為每一角色設計一個智能系統（一個模塊）來進行控制，這個智能系統（模塊）開始什麼也不懂，就像初生嬰兒那樣，但它能夠學習，能漸漸地適應環境，應付各種復雜情況。這種系統開始也常犯錯誤，但它能吸取教訓，下一次運行時就可能改正，至少不會永遠錯下去，用不到發布新版本或打補丁。利用這種方法來實現人工智慧，要求編程者具有生物學的思考方法，入門難度大一點。但一旦入了門，就可得到廣泛應用。由於這種方法編程時無須對角色的活動規律做詳細規定，應用於復雜問題，通常會比前一種方法更省力。

『伍』 怎麼用C語言編寫人工智慧程序

如果是沒有學習過的話，有一定的難度，建議先去學習。

人工智慧代表的范圍太大了 C是必不可少的一部分 不能說是有直接關系 可以說是一個必備的組成部分；
人工智慧實際的范圍和實際應用：機器視覺，指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，自動規劃，智能搜索，定理證明，博弈，自動程序設計，智能控制，機器人學，語言和圖像理解，遺傳編程等,
其中幾項和C語言、自動化、必不可分。
能力有限，不熟悉人工智慧這塊。

『陸』 怎樣製作AI人工智慧

• 一個普通聊天機器人需要大量語言訓練。有兩種做法，（對於中文）傳統的是對一段文字進行分詞，然後進行主謂賓分析，接著通過資料庫中有的句型模式進行匹配，取得匹配高的幾個，查找對應回答句型並根據原有文本聯想填詞。

• 現代一般通過大規模語料訓練，現成一個大的概率表，再得到回答映射概率表，最後自動完成聊天。對於小黃雞之類的程序，是根據傳統ALICE程序對句式學習的產物。
  

• 流程：
  

• 語料－－－分詞（中科院ICTCLAS庫）－－－語法分析／概率分析（聚類，N－gram）－－－句型模式匹配（模板匹配）／隱馬可夫鏈，神經網路－－－概率分析（N－gram）／句型選用－－－句子生成

『柒』 C語言能做人工智慧嗎

分類: 電腦/網路 >> 程序設計 >> 其他編程語言
問題描述:

C語言能做人工智慧嗎？

解析:

理論上講是在於演算法

但在具體的實現上,同一問題用不同的語言解決的時候的演算法設計是有區別的,即使實現了,那在效率也是有差別的

據我所知,LISP是人工智慧程序語言(很少聽說聽C做人工智慧的)

標題：LISP人工智慧程序語言

內容：

LISP的由來

LISP是一種計算機的表處理語言,是函數型語言。它是LIST Processing 的縮寫,是研究人工智慧的有力工具。

LISP最初是作為書寫字元與表的遞歸函數的形式系統出現的,1958年由美國麻省理工學院(MIT)的AI小組提出(要為問答系統設計一種語言),1960年由MIT的John.McCarthy教授(麥卡西教授,舉世聞名的計算機科學家,圖靈獎獲得者,後為美國斯坦福大學教授)整理成統稱為LISP1.0的形式發表,然後開始流行於AI界.以後陸續出現了LISP1.5(1962年),LISP1.6,MACLISP,INTERLISP,COMMONLISP,GCLISP,CCLISP等等變種。商業中一般認Berkeley(加洲大學)的LISP1.5為規范,但以目前的發展看,COMMON LISP將成為一種標准,有統一各種LISP 「方言」的趨勢。在眾多不同版本的流行LISP語言中,使用最廣泛的是INTER LISP(XEROX公司開發),MACLISP(麻省理工學院開發)和COMMON LISP。LISP是繼FORTRAN(FORTRAN是1954年提出,1956年開始使用)之後出現的第二個古老的(1958年提出，1960年開始使用)計算機高級語言,至今使用近四十年仍受重視,並為人工智慧的發展作出了不可磨滅的貢獻.由此可見LISP是一門歷史悠久,用途廣泛,功能極強,生命力極強的人工智慧程序設計語言。

LISP語言一般為解釋型語言(即由解釋程序邊解釋邊執行),但也有了編譯型的LISP語言,並已經有了專用的LISP機。例如,編譯型的LISP語言SCHEME誕生於麻省理工學院,1984年由美國15個大學和公司共同提供了被廣泛接受的SCHEME標准。德克薩斯儀器公司於1985年在IBM PC機上實現了稱為PC SCHEME的語言。PC SCHEME的中文版由南京大學和武漢大學聯合開發,可在640KB以上的PC機上在CCDOS和MSDOS下運行並可訪問其它DOS程序。

LISP語言的主要特點(優點)

(1) LISP具有和圖靈機相同的(也就是理論上最高的)計算能力;

在計算機科學的可計算理論中,人們已經證明遞歸函數和圖靈機具有相同的（也就是理論上最高的）計算能力,通常指的是自然數集上的遞歸函數。這個結論對符號集上的遞歸函數也成立。J.McCarthy在LISP中設計了一套符號處理函數,它們具有符號集上的遞歸函數的計算能力,因此原則上可以解決人工智慧中的任何符號處理問題。

(2)數據類型的唯一性,程序與數據的一致性;

LISP的數據類型和句法結構簡單,甚至簡單到具有唯一性和一致性:其數據和程序的表現形式是一樣的， 都是用S-表達式一種形式.基本的數據結構是表(表是S-表達式的特例)。

(3)數據和程序的 等價性;

LISP的數據和程序不僅類型一致,而且作用也等價；

即：程序可作為數據被處理，數據也可作為程序來執行。

(4)LISP一切功能由函數來實現，程序的運行就是求值；

LISP程序的通常形式是一串函數定義，其後跟著一串帶有參數的函數調用，函數之間的關系只是在調用執行時才體現出來。

(5)LISP語言的控制結構以遞歸為主；

大多數語言使用的控制結構是以循環為主的，有的程序語言允許遞歸，而LISP以遞歸形式為主。遞歸是LISP能力的源泉。當然現在LISP也有循環結構和迭代。

(6)原子可以有任意多個值(特性值)；

LISP非常重要的一個特點是每個文字原子可以加許多特性，每個特性有一個特性表及對應的特性值。由於原子的多值性給使用者帶來很多方便，給問題表示帶來好處，使LISP很好用。

(7)LISP具有表的結構形式和規模的靈活性，不必預先設定；

(8)具有收集無用單元的功能。

LISP語言的主要缺點

(1)初學者不容易習慣LISP的句法結構，特別是多層表的括弧配對寫法；

(2)數據類型少(常用的只有表和原子)，使其表達能力受限；

(3)規范性差(無標准版本，不同的LISP文本間差別較大)；

(4)程序的可讀性不及一般的高級語言；

(5)執行速度慢。

LISP執行速度慢的原因有幾個：(1)一般的 LISP是解釋型， 程序邊解釋邊執行當然比編譯型慢；(2)LISP的控制結構主要是遞歸， 遞歸費時間費空間；(3)內存空間動態變化。LISP不要求用戶在程序 中寫一些用來指示內存分配的說明語句，全部內存必須動態的分配，直到 沒有空間時才開始收集無用單元。