人工智能论文范文第1篇

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）.

人工智能论文范文第2篇

［关键词］人工智能，常识推理，归纳逻辑，广义内涵逻辑，认知逻辑，自然语言逻辑

现代逻辑创始于19世纪末叶和20世纪早期，其发展动力主要来自于数学中的公理化运动。当时的数学家们试图即从少数公理根据明确给出的演绎规则推导出其他的数学定理，从而把整个数学构造成为一个严格的演绎大厦，然后用某种程序和方法一劳永逸地证明数学体系的可靠性。为此需要发明和锻造严格、精确、适用的逻辑工具。这是现代逻辑诞生的主要动力。由此造成的后果就是20世纪逻辑研究的严重数学化，其表现在于：一是逻辑专注于在数学的形式化过程中提出的问题；二是逻辑采纳了数学的方法论，从事逻辑研究就意味着象数学那样用严格的形式证明去解决问题。由此发展出来的逻辑被恰当地称为“数理逻辑”，它增强了逻辑研究的深度，使逻辑学的发展继古希腊逻辑、欧洲中世纪逻辑之后进入第三个高峰期，并且对整个现代科学特别是数学、哲学、语言学和计算机科学产生了非常重要的影响。

本文所要探讨的问题是：21世纪逻辑发展的主要动力将来自何处？大致说来将如何发展？我个人的看法是：计算机科学和人工智能将至少是21世纪早期逻辑学发展的主要动力源泉，并将由此决定21世纪逻辑学的另一幅面貌。由于人工智能要模拟人的智能，它的难点不在于人脑所进行的各种必然性推理（这一点在20世纪基本上已经做到了，如用计算机去进行高难度和高强度的数学证明，“深蓝”通过高速、大量的计算去与世界冠军下棋），而是最能体现人的智能特征的能动性、创造性思维，这种思维活动中包括学习、抉择、尝试、修正、推理诸因素，例如选择性地搜集相关的经验证据，在不充分信息的基础上作出尝试性的判断或抉择，不断根据环境反馈调整、修正自己的行为，……由此达到实践的成功。于是，逻辑学将不得不比较全面地研究人的思维活动，并着重研究人的思维中最能体现其能动性特征的各种不确定性推理，由此发展出的逻辑理论也将具有更强的可应用性。

实际上，在20世纪中后期，就已经开始了现代逻辑与人工智能（记为AI）之间的相互融合和渗透。例如，哲学逻辑所研究的许多课题在理论计算机和人工智能中具有重要的应用价值。AI从认知心理学、社会科学以及决策科学中获得了许多资源，但逻辑（包括哲学逻辑）在AI中发挥了特别突出的作用。某些原因促使哲学逻辑家去发展关于非数学推理的理论；基于几乎同样的理由，AI研究者也在进行类似的探索，这两方面的研究正在相互接近、相互借鉴，甚至在逐渐融合在一起。例如，AI特别关心下述课题：

·效率和资源有限的推理；

·感知；

·做计划和计划再认；

·关于他人的知识和信念的推理；

·各认知主体之间相互的知识；

·自然语言理解；

·知识表示；

·常识的精确处理；

·对不确定性的处理，容错推理；

·关于时间和因果性的推理；

·解释或说明；

·对归纳概括以及概念的学习。[①]

21世纪的逻辑学也应该关注这些问题，并对之进行研究。为了做到这一点，逻辑学家们有必要熟悉AI的要求及其相关进展，使其研究成果在AI中具有可应用性。

我认为，至少是21世纪早期，逻辑学将会重点关注下述几个领域，并且有可能在这些领域出现具有重大意义的成果：（1）如何在逻辑中处理常识推理中的弗协调、非单调和容错性因素？（2）如何使机器人具有人的创造性智能，如从经验证据中建立用于指导以后行动的归纳判断？（3）如何进行知识表示和知识推理，特别是基于已有的知识库以及各认知主体相互之间的知识而进行的推理？（4）如何结合各种语境因素进行自然语言理解和推理，使智能机器人能够用人的自然语言与人进行成功的交际？等等。

1．常识推理中的某些弗协调、非单调和容错性因素

AI研究的一个目标就是用机器智能模拟人的智能，它选择各种能反映人的智能特征的问题进行实践，希望能做出各种具有智能特征的软件系统。AI研究基于计算途径，因此要建立具有可操作性的符号模型。一般而言，AI关于智能系统的符号模型可描述为：由一个知识载体（称为知识库KB）和一组加载在KB上的足以产生智能行为的过程（称为问题求解器PS）构成。经过20世纪70年代包括专家系统的发展，AI研究者逐步取得共识，认识到知识在智能系统中力量，即一般的智能系统事实上是一种基于知识的系统，而知识包括专门性知识和常识性知识，前者亦可看做是某一领域内专家的常识。于是，常识问题就成为AI研究的一个核心问题，它包括两个方面：常识表示和常识推理，即如何在人工智能中清晰地表示人类的常识，并运用这些常识去进行符合人类行为的推理。显然，如此建立的常识知识库可能包含矛盾，是不协调的，但这种矛盾或不协调应不至于影响到进行合理的推理行为；常识推理还是一种非单调推理，即人们基于不完全的信息推出某些结论，当人们得到更完全的信息后，可以改变甚至收回原来的结论；常识推理也是一种可能出错的不精确的推理模式，是在容许有错误知识的情况下进行的推理，简称容错推理。而经典逻辑拒斥任何矛盾，容许从矛盾推出一切命题；并且它是单调的，即承认如下的推理模式：如果p?r，则pùq?r；或者说，任一理论的定理属于该理论之任一扩张的定理集。因此，在处理常识表示和常识推理时，经典逻辑应该受到限制和修正，并发展出某些非经典的逻辑，如次协调逻辑、非单调逻辑、容错推理等。有人指出，常识推理的逻辑是次协调逻辑和非单调逻辑的某种结合物，而后者又可看做是对容错推理的简单且基本的情形的一种形式化。[②]

“次协调逻辑”（ParaconsistentLogic）是由普里斯特、达·科斯塔等人在对悖论的研究中发展出来的，其基本想法是：当在一个理论中发现难以克服的矛盾或悖论时，与其徒劳地想尽各种办法去排除或防范它们，不如干脆让它们留在理论体系内，但把它们“圈禁”起来，不让它们任意扩散，以免使我们所创立或研究的理论成为“不足道”的。于是，在次协调逻辑中，能够容纳有意义、有价值的“真矛盾”，但这些矛盾并不能使系统推出一切，导致自毁。因此，这一新逻辑具有一种次于经典逻辑但又远远高于完全不协调系统的协调性。次协调逻辑家们认为，如果在一理论T中，一语句A及其否定?A都是定理，则T是不协调的；否则，称T是协调的。如果T所使用的逻辑含有从互相否定的两公式可推出一切公式的规则或推理，则不协调的T也是不足道的(trivial)。因此，通常以经典逻辑为基础的理论，如果它是不协调的，那它一定也是不足道的。这一现象表明，经典逻辑虽可用于研究协调的理论，但不适用于研究不协调但又足道的理论。达·科斯塔在20世纪60年代构造了一系列次协调逻辑系统Cn（1≤n≤w），以用作不协调而又足道的理论的逻辑工具。对次协调逻辑系统Cn的特征性描述包括下述命题：(i)矛盾律?(Aù?A)不普遍有效；(ii)从两个相互否定的公式A和?A推不出任意公式；即是说，矛盾不会在系统中任意扩散，矛盾不等于灾难。(iii)应当容纳与(i)和(ii)相容的大多数经典逻辑的推理模式和规则。这里，(i)和(ii)表明了对矛盾的一种相对宽容的态度，(iii)则表明次协调逻辑对于经典逻辑仍有一定的继承性。

在任一次协调逻辑系统Cn(1≤n≤w)中，下述经典逻辑的定理或推理模式都不成立：

?(Aù?A)

Aù?AB

A(?AB)

(A??A)B

(A??A)?B

A??A

(?Aù(AúB))B

(AB)(?B?A)

若以C0为经典逻辑，则系列C0,C1,C2,…Cn,…Cw使得对任正整数i有Ci弱于Ci-1，Cw是这系列中最弱的演算。已经为Cn设计出了合适的语义学，并已经证明Cn相对于此种语义是可靠的和完全的，并且次协调命题逻辑系统Cn还是可判定的。现在，已经有人把次协调逻辑扩展到模态逻辑、时态逻辑、道义逻辑、多值逻辑、集合论等领域的研究中，发展了这些领域内的次协调理论。显然，次协调逻辑将会得到更进一步的发展。[③]

非单调逻辑是关于非单调推理的逻辑，它的研究开始于20世纪80年代。1980年，D·麦克多莫特和J·多伊尔初步尝试着系统发展一种关于非单调推理的逻辑。他们在经典谓词演算中引入一个算子M，表示某种“一致性”断言，并将其看做是模态概念，通过一定程序把模态逻辑系统T、S4和S5翻译成非单调逻辑。B·摩尔的论文《非单调逻辑的语义思考》（1983）据认为在非单调逻辑方面作出了令人注目的贡献。他在“缺省推理”和“自动认知推理”之间做了区分，并把前者看作是在没有任何相反信息和缺少证据的条件下进行推理的过程，这种推理的特征是试探性的：根据新信息，它们很可能会被撤消。自动认知推理则不是这种类型，它是与人们自身的信念或知识相关的推理，可用它模拟一个理想的具有信念的有理性的人的推理。对于在计算机和人工智能中获得成功的应用而言，非单调逻辑尚需进一步发展。

2．归纳以及其他不确定性推理

人类智能的本质特征和最高表现是创造。在人类创造的过程中，具有必然性的演绎推理固然起重要作用，但更为重要的是具有某种不确定性的归纳、类比推理以及模糊推理等。因此，计算机要成功地模拟人的智能，真正体现出人的智能品质，就必须对各种具有不确定性的推理模式进行研究。

首先是对归纳推理和归纳逻辑的研究。这里所说的“归纳推理”是广义的，指一切扩展性推理，它们的结论所断定的超出了其前提所断定的范围，因而前提的真无法保证结论的真，整个推理因此缺乏必然性。具体说来，这种意义的“归纳”包括下述内容：简单枚举法；排除归纳法，指这样一些操作：预先通过观察或实验列出被研究现象的可能的原因，然后有选择地安排某些事例或实验，根据某些标准排除不相干假设，最后得到比较可靠的结论；统计概括：从关于有穷数目样本的构成的知识到关于未知总体分布构成的结论的推理；类比论证和假说演绎法，等等。尽管休谟提出著名的“归纳问题”，对归纳推理的合理性和归纳逻辑的可能性提出了深刻的质疑，但我认为，（1）归纳是在茫茫宇宙中生存的人类必须采取也只能采取的认知策略，对于人类来说具有实践的必然性。（2）人类有理由从经验的重复中建立某种确实性和规律性，其依据就是确信宇宙中存在某种类似于自然齐一律和客观因果律之类的东西。这一确信是合理的，而用纯逻辑的理由去怀疑一个关于世界的事实性断言则是不合理的，除非这个断言是逻辑矛盾。（3）人类有可能建立起局部合理的归纳逻辑和归纳方法论。并且，归纳逻辑的这种可能性正在计算机科学和人工智能的研究推动下慢慢地演变成现实。恩格斯早就指出，“社会一旦有技术上的需要，则这种需要比十所大学更能把科学推向前进。”[④]有人通过指责现有的归纳逻辑不成熟，得出“归纳逻辑不可能”的结论，他们的推理本身与归纳推理一样，不具有演绎的必然性。（4）人类实践的成功在一定程度上证明了相应的经验知识的真理性，也就在一定程度上证明了归纳逻辑和归纳方法论的力量。毋庸否认，归纳逻辑目前还很不成熟。有的学者指出，为了在机器的智能模拟中克服对归纳模拟的困难而有所突破，应该将归纳逻辑等有关的基础理论研究与机器学习、不确定推理和神经网络学习模型与归纳学习中已有的成果结合起来。只有这样，才能在已有的归纳学习成果上，在机器归纳和机器发现上取得新的突破和进展。[⑤]这是一个极有价值且极富挑战性的课题，无疑在21世纪将得到重视并取得进展。

再谈模糊逻辑。现实世界中充满了模糊现象，这些现象反映到人的思维中形成了模糊概念和模糊命题，如“矮个子”、“美人”、“甲地在乙地附近”、“他很年轻”等。研究模糊概念、模糊命题和模糊推理的逻辑理论叫做“模糊逻辑”。对它的研究始于20世纪20年代，其代表性人物是L·A·查德和P·N·马林诺斯。模糊逻辑为精确逻辑（二值逻辑）解决不了的问题提供了解决的可能，它目前在医疗诊断、故障检测、气象预报、自动控制以及人工智能研究中获得重要应用。显然，它在21世纪将继续得到更大的发展。

3．广义内涵逻辑

经典逻辑只是对命题联结词、个体词、谓词、量词和等词进行了研究，但在自然语言中，除了这些语言成分之外，显然还存在许多其他的语言成分，如各种各样的副词，包括模态词“必然”、“可能”和“不可能”、时态词“过去”、“现在”和“未来”、道义词“应该”、“允许”、“禁止”等等，以及各种认知动词，如“思考”、“希望”、“相信”、“判断”、“猜测”、“考虑”、“怀疑”，这些认知动词在逻辑和哲学文献中被叫做“命题态度词”。对这些副词以及命题态度词的逻辑研究可以归类为“广义内涵逻辑”。

大多数副词以及几乎所有命题态度词都是内涵性的，造成内涵语境，后者与外延语境构成对照。外延语境又叫透明语境，是经典逻辑的组合性原则、等值置换规则、同一性替换规则在其中适用的语境；内涵语境又称晦暗语境，是上述规则在其中不适用的语境。相应于外延语境和内涵语境的区别，一切语言表达式（包括自然语言的名词、动词、形容词直至语句）都可以区分为外延性的和内涵性的，前者是提供外延语境的表达式，后者是提供内涵性语境的表达式。例如，杀死、见到、拥抱、吻、砍、踢、打、与…下棋等都是外延性表达式，而知道、相信、认识、必然、可能、允许、禁止、过去、现在、未来等都是内涵性表达式。在内涵语境中会出现一些复杂的情况。首先，对于个体词项来说，关键性的东西是我们不仅必须考虑它们在现实世界中的外延，而且要考虑它们在其他可能世界中的外延。例如，由于“必然”是内涵性表达式，它提供内涵语境，因而下述推理是非有效的：

晨星必然是晨星，

晨星就是暮星，

所以，晨星必然是暮星。

这是因为：这个推理只考虑到“晨星”和“暮星”在现实世界中的外延，并没有考虑到它们在每一个可能世界中的外延，我们完全可以设想一个可能世界，在其中“晨星”的外延不同于“暮星”的外延。因此，我们就不能利用同一性替换规则，由该推理的前提得出它的结论：“晨星必然是暮星”。其次，在内涵语境中，语言表达式不再以通常是它们的外延的东西作为外延，而以通常是它们的内涵的东西作为外延。以“达尔文相信人是从猿猴进化而来的”这个语句为例。这里，达尔文所相信的是“人是从猿猴进化而来的”所表达的思想，而不是它所指称的真值，于是在这种情况下，“人是从猿猴进化而来的”所表达的思想（命题）就构成它的外延。再次，在内涵语境中，虽然适用于外延的函项性原则不再成立，但并不是非要抛弃不可，可以把它改述为新的形式：一复合表达式的外延是它出现于外延语境中的部分表达式的外延加上出现于内涵语境中的部分表达式的内涵的函项。这个新的组合性或函项性原则在内涵逻辑中成立。

一般而言，一个好的内涵逻辑至少应满足两个条件：（i）它必须能够处理外延逻辑所能处理的问题；（ii）它还必须能够处理外延逻辑所不能处理的难题。这就是说，它既不能与外延逻辑相矛盾，又要克服外延逻辑的局限。这样的内涵逻辑目前正在发展中，并且已有初步轮廓。从术语上说，内涵逻辑除需要真、假、语句真值的同一和不同、集合或类、谓词的同范围或不同范围等外延逻辑的术语之外，还需要同义、内涵的同一和差异、命题、属性或概念这样一些术语。广而言之，可以把内涵逻辑看作是关于象“必然”、“可能”、“知道”、“相信”，“允许”、“禁止”等提供内涵语境的语句算子的一般逻辑。在这种广义之下，模态逻辑、时态逻辑、道义逻辑、认知逻辑、问题逻辑等都是内涵逻辑。不过，还有一种狭义的内涵逻辑，它可以粗略定义如下：一个内涵逻辑是一个形式语言，其中包括（1）谓词逻辑的算子、量词和变元，这里的谓词逻辑不必局限于一阶谓词逻辑，也可以是高阶谓词逻辑；（2）合式的λ—表达式，例如(λx)A，这里A是任一类型的表达式，x是任一类型的变元，(λx)A本身是一函项，它把变元x在其中取值的那种类型的对象映射到A所属的那种类型上；（3）其他需要的模态的或内涵的算子，例如€，ù、ú。而一个内涵逻辑的解释，则由下列要素组成：（1）一个可能世界的非空集W；（2）一个可能个体的非空集D；（3）一个赋值，它给系统内的表达式指派它们在每w∈W中的外延。对于任一的解释Q和任一的世界w∈W，判定内涵逻辑系统中的任一表达式X相对于解释Q在w∈W中的外延总是可能的。这样的内涵逻辑系统有丘奇的LSD系统，R·蒙塔古的IL系统，以及E·N·扎尔塔的FIL系统等。[⑥]

在各种内涵逻辑中，认识论逻辑（epistemiclogic）具有重要意义。它有广义和狭义之分。广义的认识论逻辑研究与感知（perception）、知道、相信、断定、理解、怀疑、问题和回答等相关的逻辑问题，包括问题逻辑、知道逻辑、相信逻辑、断定逻辑等；狭义的认识论逻辑仅指知道和相信的逻辑，简称“认知逻辑”。冯·赖特在1951年提出了对“认知模态”的逻辑分析，这对建立认知逻辑具有极大的启发作用。J·麦金西首先给出了一个关于“知道”的模态逻辑。A·帕普于1957年建立了一个基于6条规则的相信逻辑系统。J·亨迪卡于60年代出版的《知识和信念》一书是认知逻辑史上的重要著作，其中提出了一些认知逻辑的系统，并为其建立了基于“模型集”的语义学，后者是可能世界语义学的先导之一。当今的认知逻辑纷繁复杂，既不成熟也面临许多难题。由于认知逻辑涉及认识论、心理学、语言学、计算机科学和人工智能等诸多领域，并且认知逻辑的应用技术，又称关于知识的推理技术，正在成为计算机科学和人工智能的重要分支之一，因此认知逻辑在20世纪中后期成为国际逻辑学界的一个热门研究方向。这一状况在21世纪将得到继续并进一步强化，在这方面有可能出现突破性的重要结果。

4．对自然语言的逻辑研究

对自然语言的逻辑研究有来自几个不同领域的推动力。首先是计算机和人工智能的研究，人机对话和通讯、计算机的自然语言理解、知识表示和知识推理等课题，都需要对自然语言进行精细的逻辑分析，并且这种分析不能仅停留在句法层面，而且要深入到语义层面。其次是哲学特别是语言哲学，在20世纪哲学家们对语言表达式的意义问题倾注了异乎寻常的精力，发展了各种各样的意义理论，如观念论、指称论、使用论、言语行为理论、真值条件论等等，以致有人说，关注意义成了20世纪哲学家的职业病。再次是语言学自身发展的需要，例如在研究自然语言的意义问题时，不能仅仅停留在脱离语境的抽象研究上面，而要结合使用语言的特定环境去研究，这导致了语义学、语用学、新修辞学等等发展。各个方面发展的成果可以总称为“自然语言逻辑”，它力图综合后期维特根斯坦提倡的使用论，J·L·奥斯汀、J·L·塞尔等人发展的言语行为理论，以及P·格赖斯所创立的会话含义学说等成果，透过自然语言的指谓性和交际性去研究自然语言中的推理。

自然语言具有表达和交际两种职能，其中交际职能是自然语言最重要的职能，是它的生命力之所在。而言语交际总是在一定的语言环境（简称语境）中进行的，语境有广义和狭义之分。狭义的语境仅指一个语词、一个句子出现的上下文。广义的语境除了上下文之外，还包括该语词或语句出现的整个社会历史条件，如该语词或语句出现的时间、地点、条件、讲话的人（作者）、听话的人（读者）以及交际双方所共同具有的背景知识，这里的背景知识包括交际双方共同的信念和心理习惯，以及共同的知识和假定等等。这些语境因素对于自然语言的表达式（语词、语句）的意义有着极其重要的影响，这具体表现在：（i）语境具有消除自然语言语词的多义性、歧义性和模糊性的能力，具有严格规定语言表达式意义的能力。（ii）自然语言的句子常常包含指示代词、人称代词、时间副词等，要弄清楚这些句子的意义和内容，就要弄清楚这句话是谁说的、对谁说的、什么时候说的、什么地点说的、针对什么说的，等等，这只有在一定的语境中才能进行。依赖语境的其他类型的语句还有：包含着象“有些”和“每一个”这类量化表达式的句子的意义取决于依语境而定的论域，包含着象“大的”、“冷的”这类形容词的句子的意义取决于依语境而定的相比较的对象类；模态语句和条件语句的意义取决于因语境而变化的语义决定因素，如此等等。（iii）语言表达式的意义在语境中会出现一些重要的变化，以至偏离它通常所具有的意义（抽象意义），而产生一种新的意义即语用涵义。有人认为，一个语言表达式在它的具体语境中的意义，才是它的完全的真正的意义，一旦脱离开语境，它就只具有抽象的意义。语言的抽象意义和它的具体意义的关系，正象解剖了的死人肢体与活人肢体的关系一样。逻辑应该去研究、理解、把握自然语言的具体意义，当然不是去研究某一个（或一组）特定的语句在某个特定语境中唯一无二的意义，而是专门研究确定自然语言具体意义的普遍原则。超级秘书网

美国语言学家保罗·格赖斯把语言表达式在一定的交际语境中产生的一种不同于字面意义的特殊涵义，叫做“语用涵义”、“会话涵义”或“隐涵”（implicature），并于1975年提出了一组“交际合作原则”，包括一个总则和四组准则。总则的内容是：在你参与会话时，你要依据你所参与的谈话交流的公认目的或方向，使你的会话贡献符合这种需要。仿照康德把范畴区分为量、质、关系和方式四类，格赖斯提出了如下四组准则：

（1）数量准则：在交际过程中给出的信息量要适中。

a．给出所要求的信息量；

b．给出的信息量不要多于所要求的信息量。

（2）质量准则：力求讲真话。

a．不说你认为假的东西，。

b．不说你缺少适当证据的东西。

（3）关联准则：说话要与已定的交际目的相关联。

（4）方式准则：说话要意思明确，表达清晰。

a．避免晦涩生僻的表达方式；

b．避免有歧义的表达方式；

c．说话要简洁；

d．说话要有顺序性。[⑧]

后来对这些原则提出了不和补充，例如有人还提出了交际过程中所要遵守的“礼貌原则”。只要把交际双方遵守交际合作原则之类的语用规则作为基本前提，这些原则就可以用来确定和把握自然语言的具体意义（语用涵义）。实际上，一个语句p的语用涵义，就是听话人在具体语境中根据语用规则由p得到的那个或那些语句。更具体地说，从说话人S说的话语p推出语用涵义q的一般过程是：

（i）S说了p；

（ii）没有理由认为S不遵守准则，或至少S会遵守总的合作原则；

（iii）S说了p而又要遵守准则或总的合作原则，S必定想表达q；

（iv）S必然知道，谈话双方都清楚：如果S是合作的，必须假设q；

（v）S无法阻止听话人H考虑q；

（vi）因此，S意图让H考虑q，并在说p时意味着q。

试举二例：

（1）a站在熄火的汽车旁，b向a走来。a说：“我没有汽油了。”b说：“前面拐角处有一个修车铺。”这里a与b谈话的目的是：a想得到汽油。根据关系准则，b说这句话是与a想得到汽油相关的，由此可知：b说这句话时隐涵着：“前面的修车铺还在营业并且卖汽油。”

人工智能论文范文第3篇

以上论证说明：人工智能技术可以在人类隐性智慧定义的工作框架内模拟人类显性智慧（人类智能）生成知识，创建主客双赢的策略解决各种复杂问题。而这是现今其他各类技术做不到的。不过，由于在人工智能系统工作的基本过程中，（1）中客观存在各种不确定性，人类给定的知识未必能够理想地体现客观规律，也未必能够完全满足求解问题的需要，（2）中人类预设的求解目标也不见得完全合理，（3）中人工智能系统各个环节必然存在各种不理想性。因此，人工智能系统对人类显性智慧能力的模拟不可能完全到位，人工智能系统提供的问题解答也有可能不如人类自己求出的解答。换言之，人工智能系统所模拟的人类显性智慧能力，原则上不可能超过人类自己的显性智慧能力。如果说人工智能系统确实也有超人的地方，那主要是它的工作速度、工作精度、持久能力等因素，而不可能是显性智慧中的智慧品质。至于一些人所宣传的机器超越人类甚至机器淘汰人类的说法，是没有根据的。无论是人工智能系统，还是其他各种机器系统，它们共同的问题之一是：机器没有生命，没有目的，不可能自主发现应当解决的实际问题，不可能自主形成机器的智慧，尤其不可能无中生有地形成超越人类和淘汰人类的荒唐愿望，因此更不可能产生淘汰人类或灭绝人类的行为。

2人工智能与信息技术的关系

图2的人工智能系统模型表明，完整的人工智能技术系统必须具有如下环节：信息获取（感知）、信息传递（通信）、信息处理（计算）、知识生成（认知）、策略创建（决策）、策略执行（控制）以及反馈学习优化等基本技术系统，这正像“人”这个智能系统必须具有感觉器官（信息获取）、传输神经系统（信息传递）、思维器官（信息处理、知识生成、策略创建）以及执行器官（策略执行）。 其中传感（感受信息）、通信（传递信息）、计算（处理信息）、控制（执行信息）等技术属于信息技术。可见，人工智能系统是一个全局整体，其中包含着传感、通信、计算、控制等信息技术环节；这正像人这个智能系统是一个全局整体，其中包含感觉器官、传输神经、丘脑和执行器官这些信息器官。如果把人工智能系统称为完整的人工智能系统，而把其中的知识生成和策略创建称为核心人工智能系统，那么，则有：完整的人工智能系统＝核心人工智能系统＋信息技术系统其中，核心人工智能系统处于完整人工智能系统的核心，处理知识和智能层次的问题；信息技术系统处于完整人工智能系统的外周，处理信息层次的问题，同时担任核心系统与外部环境之间的两端接口：一端是从环境获取本体论信息（传感），另一端是对环境施加智能行为（控制）。这就表明，信息技术系统提供给人类的服务主要是方便快捷的信息共享，而不可能提供如何认识事物本质的服务（因为这需要知识），更不可能提供如何解决问题的服务（因为这需要智能策略）[2]。

3“新型”信息技术

近十多年来，先后出现了大数据、云计算、物联网、移动互联网以及各种互联网的应用技术。人们把它们称为“新型”信息技术或“新一代”信息技术。深入分析可以发现，这些新型信息技术的核心技术正是核心人工智能系统的知识生成和策略创建技术。不妨以大数据技术为例加以说明。图3表示了大数据技术系统的工作流程。由于有着多种来源、多种背景以及多种格式，大数据通常是病态结构或不良结构的大规模数据集合，其中可能包含垃圾、病毒和黑客攻击程序。因此，如图3所示，大数据技术的第一个环节就是智能分类：把无用的数据识别分类出来加以过滤和抑制，把有用的数据按照某些特征进行分类，再分门别类地送到恰当的云计算（和云存储）系统，进行相应的信息处理，为知识生成（知识挖掘）做好必要的准备。通过知识挖掘生成了足够的知识之后，才可以把这些知识（结合求解目标）转换成为用来解决问题的智能策略。其中，智能分类、知识挖掘和策略创建都是人工智能的基本技术。可见，如果没有这些人工智能技术，大数据就只能是数据，而不可能转换成为有用的知识和可以用来解决问题的智能策略。

由此可知，大数据技术的核心就是人工智能技术，可以把它比较确切地称为面向大数据的智能技术。而把它称为新型信息技术则没有真正抓住大数据技术的要害和本质，模糊了人们对大数据技术和人工智能技术的认识，不利于大数据技术的研究和发展，也不利于人工智能的研究和应用。真正的智能物联网模型不是别的，正是图2所示的模型。如图2所示，只要在综合知识库内设置“对物控制的目标”，那么“外部世界的物”的信息就经由传感器获得，经过通信系统传送到计算系统并在这里进行必要的处理即把信息变成适用的信息，接着由认知系统转换成为知识，然后由决策系统根据控制目标把信息和知识转换成为智能策略，智能策略再经通信系统传到执行系统之后转换成为智能行为反作用于所关注的“物”，使它的状态符合预设的目标。近来人们在密切关注着“互联网＋”。其实，“互联网＋”可以有两种不同的理解。一种理解是当前人们所关注的互联网推广，这里的“＋”就相当于信息化的“化”，就是互联网的各种应用。另一种更有意义的理解则把“互联网＋”理解为互联网升级，就是把以计算机为终端的现有互联网升级为以人工智能系统为终端的智能互联网。这就是2015年全国两会期间全国政协委员的“中国大脑”提案。应当认为，互联网推广,即把互联网应用到各行各业是完全必要的，这是信息化建设的正常要求。但是，从信息化建设的发展大势来看，互联网升级即把当前常规互联网升级为智能互联网则更为必要，这将为中国信息化建设注入更为强大的新活力，是转变经济发展方式的需要，是国民经济产业升级的需要。综上所述，大数据技术、云计算技术、智能物联网技术，其实都是人工智能技术的相关具体应用。可以这么说，如果没有人工智能技术，单凭信息技术很难有效地应对大数据和物联网以及未来更多更复杂的技术挑战。

4结束语

人工智能论文范文第4篇

一、银行反欺诈发展趋势

国内外银行在传统反欺诈管理中主要依赖专家经验，通过人工方式制定检测规则，当申请或交易信息与反欺诈规则匹配后即执行相应的业务策略。这种管理模式得出的反欺诈规则存在一定的局限性，不能枚举所有业务场景，无法对各类欺诈行为进行全面覆盖。与此对应，欺诈者会针对性的对已有规则进行回避，导致专家规则处于被动调整的位置，无法跟上欺诈手段的更新换代[1， 2]。另外，当专家规则积累达到一定数量后误报率通常会比较高，能够影响到实际风险决策制定和实际业务开展。

机器学习是一种重要的金融科技创新手段，近年来在国内外金融机构和金融科技企业中被尝试应用到风险防范、反欺诈等领域。例如花旗银行、美国银行、汇丰银行等机构广泛应用逻辑回归、神经网络等技术以提升欺诈识别能力；京东金融与ZestFinance组建的合资公司以数据挖掘建模为核心竞争力，在反欺诈领域深入应用机器学习技术以发挥大数据价值。机器学习是一种研究机器获取新知识和新技能，并识别现有知识的方法[3]；通常针对大规模数据集进行全方位综合考量，挖掘深层次业务场景特征进而建立监督、无监督等类型的学习模型，在大量应用中模型的准确性、稳定性也得到了充分验证[4]。

为此，我们针对信用卡申请审批这一典型业务场景，应用机器学习技术进行欺诈风险管理并设计数据产品对异常客户进行监控预警。区别于将机器学习技术应用到单一反欺诈规则制定的典型做法，我们尝试从整体视角对欺诈风险进行评估，实现精准量化预测并以此作为应对欺诈风险的强有力手段。建模思路及方法具有一定的可迁移性，可以被广泛应用到银行风险防范、反欺诈等业务领域。

二、“会思考”的风控模型

在应用大数据支持业务发展转型的过程中，我们提出构建增强智能(Augumented Intelligence)系统[5]的创新思路。一个务实的增强智能系统包括客户画像、数据挖掘模型和决策引擎三个组成部分。数据挖掘模型是智能化的核心，客户画像为建模过程持续提供特征输入，决策引擎将模型输出成果转换为实际业务行动。增强智能系统的一个重要目标是提升传统业务流程的自动化水平，过程中的大数据能力主要体现在三个方面，也就是下图中的三个组成部分：更好的客户认知、更智能化的算法、更快速的决策支持。

图1：增强智能系统组成模块

数据挖掘模型发挥动力引擎作用，吸收学术界和产业界先进机器学习知识成果并应用于银行实践。客户画像重点体现大数据背景下的客户多维度刻画，在静态信息和交易行为信息之外可以补充社交网络维度特征信息。伴随大数据的持续采集、生产和交换，客户画像能够进一步补充情绪属性、价值观属性乃至道德属性等信息，为数据挖掘建模提供源源不断的能源输入。决策引擎能够面对业务场景进行快速响应，通过可视化等手段提供自助式业务分析能力，促进数据价值转化为业务行动。

践行上述思路，我们结合传统风险管控和社交网络分析技术，加工基础维度信息和社交维度信息特征指标组成反欺诈客户画像，并应用随机森林等分布式机器学习算法建立欺诈风险预测模型。不同于传统风控模型以年为单位的更新优化周期，智能化预测模型每天都能够进行“思考”，通过更新网络关系并重新训练模型确定最新的欺诈预测思维模式。模型在研发和使用的过程中灵活运用机器学习和社交网络分析技术，催生新型数据产品的开发与应用从而带动传统业务流程的优化。

三、模型构建与结果分析

以银行信用卡申请反欺诈为应用场景，详细描述社交网络构建、特征处理、算法实现、运行结果分析等阶段过程。

1、结合社交视角构造客户特征信息

社交网络分析是融合多学科理论和方法，为理解各种社交关系的形成、行为特点分析以及信息传播的规律提供的一种可计算的分析方法[6]。社交网络分析方法旨在建立一个网络与真实世界的实体与关系映射，在银行应用中的典型实体包括客户、账户、员工等。社交网络分析通常关注静态和动态两个层面的网络特征，静态特征包括提取网络指标、对网络特征刻画、识别网络群组等；动态特征主要包括描述网络如何随时间推移进行扩散、如何影响其他节点等。

分析信用卡进件审批数据，确定数据中包含四种角色，分别是申请人、申请人亲属、联系人和推广人。在建模实施过程中将申请人角色作为社交网络的关键节点，把申请人、申请人亲属、联系人及推广人这四种角色的移动电话、家庭电话、办公电话的相同作为关系类型。建模过程中构建的社交网络包括780万节点，2.33亿条关系。

在构建完成社交网络后，设计并计算一二阶度、一二阶欺诈数、一二阶欺诈占比、最短路径等网络指标。从网络视角衡量欺诈风险的传播，度反映节点关联好友数量，最短路径反映网络中节点间亲密程度。此外，建模中的客户基础信息包括申请人年龄、手机号、单位电话、电子邮箱、学历、年收入、职位等，针对这些信息需要进行结构化分解、离散化、频度计算等数据预处理操作，共同构建特征以用于后续模型的训练和验证。

图2：反欺诈模型特征构造过程

2、建模方案设计

对进行特征工程化处理的数据进行拆分，设置三组建模数据集，分别是基础信息的数据集(base)、社交信息的数据集(social)，以及组合在一起的数据集(combine)。建模过程中采用3折交叉验证的方式完成欺诈风险预测模型建立和训练，并比较多组模型输出的计算结果。

算法选择方面，分别选择逻辑回归(LogisticsRegression， LR)，随机森林[7](Random Forests， RF)和深度学习[8](Deep Learning， DL)。逻辑回归是银行风控领域的经典算法，以此作为模型结果的标杆参考。随机森林是一种集成学习算法，利用多棵决策树对样本进行训练并预测；通常单棵树性能表现较弱，但进行组合之后能够提供较好的分类性能，同时算法稳定性较好。深度学习(DL)模型是包含多隐层的多层感知器系统，通过应用综合复杂结构和多重非线性变换构成的多个处理层及对数据进行高层抽象的一系列算法，建立具有数个隐层的多层感知网络并实现各种模式的识别和认知。

模型评价方面，选用AUC、Precision、Recall、Accuracy、F1-measure等指标。其中AUC[9](Area under Curve)是ROC曲线下的面积，介于0和1之间；AUC值表示将两样本正确分类的概率，AUC值越大说明模型分类性能越好。其他指标均是从不同角度衡量模型性能，这里不再详细说明。

3、建模结果分析

如下表所示，前三列数据为应用随机森林(RF)算法在不同数据集上进行的三组模型输出结果。比较结果数据可以发现，通过整合社交属性信息模型各项评价指标较基础信息模型结果均有大幅度提升。不同于基础信息，社交维度重在刻画实体在网络中的关系，其加工指标在建模后呈现出与欺诈风险相关的强特征关系。建模结果中AUC提升7个百分点，F1-measure提升2个百分点，充分验证了建立多维度视角对于提升客户欺诈风险识别能力的有效性。更重要的是，伴随大数据的采集和处理，可以从深度和广度上对客户欺诈风险认知进一步补强，进而持续优化模型的底层数据源。

后面三组数据是在整合数据集上应用三种不同算法，整体表现逻辑回归算法较弱，深度学习居中，随机森林表现最优。结果表明目前模型输入特征与预测目标关联性较好，并且总体特征数量为数十个的量级，还不足以发挥深度学习海量特征无监督优化选择的特性，相比之下随机森林、GBDT[10]等集成学习算法表现更为突出。

表1：欺诈风险预测模型结果比较

四、欺诈监控数据产品

大数据在实际应用中体现出强产品化的特点，通过构建反欺诈数据产品能够快速实现决策引擎的功能；同时原始数据从积累到建模均与该数据产品关联，用户画像建立和持续丰富也与反欺诈业务场景相结合。数据产品通过可视化技术实现自助式分析能力，在数据价值转化为业务行动过程中发挥桥梁作用。

针对信用卡申请反欺诈场景，设计专项数据产品对接相关业务系统。数据产品提供全国进件审批疑似欺诈情况分布图，实时获得所关注区域的欺诈进件分布、欺诈发展趋势、欺诈比重等动态。另外，提供分地区信息概要、进件详情、明细检索和社交网络检索等功能，能够在系统页面查询基础指标统计图(手机和电话特征分布)、不同模型输出的欺诈风险概率值、进件基本信息、进件网络特征、社交指标统计(一度、二度、最短路径)等内容。

图3审批疑似欺诈情况分布图

五、总结与展望

人工智能论文范文第5篇

关键词：智力；智力理论；心理学

中图分类号：C911 文献标志码：A 文章编号：1002-2589（2012）29-0085-02

智力究竟是什么？智力的本质是一元的还是多元的？智力是如何发生如何发展的？我们如何测量智力及其影响因素又是什么？这些问题始终困惑着智力研究者，一代代心理学家纷纷提出自己的观点理论，心理学界对智力的研究一度呈现百家争鸣的状态。从心理学还在哲学母亲的孕育中以来，在千年的研究探索中，智力的本质始终没有定论，人们就智力究竟是什么的争论，使对智力的研究成为心理学研究中最有活力、最有朝气的领域。

一、西方对智力是什么的历史探讨

智力是什么？对这个问题的追问连同我是谁、生命从何而来一道成为哲人们的永恒话题。对智力的讨论至少可追溯至古希腊时期，柏拉图认为学习能力是智力的一个重要方面，学习能力强能够举一反三的人是聪明人，而学习能力差且容易遗忘的人则是愚笨的人。柏拉图认为在智力方面，人们是生而平等的，而个体智力的差别是后天形成的，即主要由于教育和榜样作用的影响。亚里士多德则主张社会不同阶层的区别是智力个体差异的原因，上帝赋予人的天赋是并不均等。而且在个体成长中智力天赋是固定不变的，将生育限定在那些处于社会阶层高的人，才能提高整个社会的智力水平。亚里士多德根据反应的“敏捷”和“迅速”来判断智力，聪明的人体现在他对事物现象及其原因的快速反应和理解上。

17世纪唯物主义哲学家霍布斯区分了自然性智慧和获得性智慧，前者是个体从实践和经验中获得的，后者则是通过文化和他人传授获得。著名哲学家洛克重视智力与反应速度间的关系，认为能够快速记忆和学习的人比较聪明，且区分不同事物的能力也比较高。18世纪哲学家康德认为，智力是一种高级认知能力，智力主要包括理解能力、判断能力和推理能力。19世纪被推崇为“美国心理学之父”的詹姆斯则区分了人与动物在智力方面的差别，即人类能发现不同观念间的相似性。詹姆斯还区分了两种不同的智力，即分析智力和直觉智力。

纵观西方哲学家和心理学家对智力概念的理解和分类，我们可以看到，虽然不同的哲学家对智力的内涵及其分类不同，可他们均强调智力的核心成分应该是学习能力、分析能力和快速反应能力。智力主要表现为一种认知能力，人们常常将智力与快速反应能力相联系。

二、现代智力研究的发展与演变

以1879年冯特在德国莱比锡大学建立科学心理学为标志，人们对智力的研究从哲学层面的探讨开始转到心理学范式的研究，同时“智力”（Intelligence）应运而生。研究者应用心理学的研究方法和技术手段，对智力可能的结构、智力形成机制和发展特点、影响智力的因素及测量智力的方式、标准进行了丰富的研究。对智力的深入、科学的研究推动了人类对智力本质的认识。随着研究内容的不断拓展、研究方法的不断创新，心理学对智力理论体系的建构也逐渐丰富充实。系统的智力研究从20世纪初至今大致经历了五个阶段的变化——心理测量学取向、认知心理学取向、文化生态学取向、智力多元化取向和神经生理学取向。

20世纪50年代前，智力研究领域是心理测量学取向一统天下，心理测量学取向最基本的假定是：智力是稳定的。正因为智力是稳定的这个前提，智力才可能被测量和评判。心理测量学取向认为智力测量可以以因素分析法为主，通过对智力结构的因素分析，探寻出构成智力的主要因素。不同心理学家纷纷提出自己对智力因素的建构：斯皮尔曼说明了智力双因素理论、瑟斯顿建构了智力群因素理论、吉尔福特提出了三维智力结构理论、卡特尔提出了流体智力/晶体智力理论。但以上智力理论均对智力构成因素进行静态分析，并没有看到智力动态过程性的特点。迄今为止，尽管心理学家们逐渐摒弃了从心理测量学方面研究智力，但以心理测量学为基础构建的智力测量和评定在实际生活中的应用仍然最为广泛，根据因素分析法编制的各种智力测验在西方人生活中仍然扮演着重要角色。

20世纪60年代后，认知心理学研究兴起，心理学家们逐渐意识到，传统的智力心理测量学研究取向局限在对智力结构的静态描绘，忽略了智力活动是一个动态过程的事实，因此认知心理学的兴起为心理学家从内部行为结构对智力进行研究提供了理论基础。他们采用成分分析法来刻画智力的加工过程，从信息表征和加工方式上来寻求智力差异的原因。詹森、戴斯是智力认知取向的主要代表，戴斯等人于1900年提出了PASS模型理论。PASS模型将传统的因素分析法、认知加工的理论及方法与鲁利亚提出的大脑功能分区理论结合起来，形成了智力“计划-注意-同时性加工和继时性加工”模型。相比于心理测量学取向，认知心理学取向从探寻智力的结构模型到描绘智力加工过程模型的转变，在对智力内涵和本质的认识上前进了一步。认知取向虽然认识到智力是一个动态加工过程，并在传统心理测量学取向的基础上完善了研究方法，但仍存在一些不能解决的问题，如不能提出智力个体差异的相关解释，对智力影响因素的分析中缺乏对情境变量的考察，没有能够行之有效地验证其理论的智力测验。

无论是心理测量学的结构论还是认知心理学的过程论，二者均从内部结构方面对智力进行了说明，在这个意义上看，二者的研究在一定意义上将智力局限在“纯粹的智力”，忽视了影响智力的外部世界——文化环境和生态环境对智力形成和发展的影响。20世纪80年代心理学呈现出文化转向运动，随着研究技术的发展，先进的技术手段使得对智力生物因素的宽泛研究成为可能。在这样的大背景下，智力研究出现一种新的取向——文化生态学取向。智力的文化生态学取向研究的重要代表人物之一是博瑞，他提出研究智力的两种方式：一是智力文化研究，即强调文化环境对个体智力形成的影响；二是智力种族研究，即强调生物因素对智力发展的影响。我们认识到智力是一定文化背景下的智力。智力的文化和生态学取向突破了智力研究中单纯考察智力内部结构的局限，更加看重智力发展过程中社会文化及生物遗传的影响。结合智力的文化因素和生物生态因素的研究顺应了智力研究的整体趋势。

智力研究方向的不断拓展，研究程度的不断深入，研究者们意识到智力的内涵不是简单的学习能力或是认知速度，而是一个多层次、多维度的复杂的体系，只从一个侧面对智力本质进行归纳难以把握智力本质的复杂性。20世纪80年代后，智力研究呈现出多元化取向，其中比较有代表性的理论包括加德纳的多元智力理论、斯滕伯格的三元智力理论等。美国心理学家加德纳在1983年提出多元智力理论，该理论认为智力不仅是一种而是一组能力，智力多种能力形成一个相对独立的智力系统。加德纳最初认为存在7种智力，后来又增加到9种，即视觉-空间智力、身体-运动智力、言语-语言智力、逻辑-数理智力、音乐智力、人际交往智力、自我反省智力、自然主义智力和存在主义智力。另一位多元智力理论的代表美国心理学家斯腾伯格提出了三元智力理论，他认为智力存在跨越文化的三个基本信息加工成分：元成分、操作成分和知识获得成分。斯腾伯格认为人们对信息加工的差异是因为个体在这三个成分上存在差异。

20世纪90年代后，随着脑科学、神经科学的迅速发展，兴起了一个新的智力研究取向——神经生理学取向。2002年，加里及其同事在综合神经科学和认知科学发现的基础上，对人工神经进行系统研究并提出智力的神经可塑性模型。神经可塑性模型中个体智力随其大脑神经系统可塑性的发展而发展，个体神经可塑性程度的高低反映了个体神经联系对环境的适应能力，也标志着个体间智力发展水平的差异。个体神经可塑性并不是永恒不变的，环境刺激能够激发神经系统对任务进行调节来发展神经联结，同时神经系统的调节和适应能力也随时间、区域的不同而变化，这也就确定了智力发展关键期的存在。神经可塑性模型试图将心理测量学对智力研究的理论与神经科学中认知科学在智力研究中的发现进行整合，来说明智力的生理基础和本质。神经可塑性模型的提出使人们更加充分地认识到智力发展与神经系统的密切关系。

纵观智力研究不同取向的发展，传统的智力理论尚未退出历史的舞台，随着科技水平的发展而出现的新兴智力理论纷纷登场，不同研究立场和方向的智力理论日臻成熟。研究者们提出了丰富多彩的智力理论，从不同学科、不同角度充实了我们对智力的认识，让我们对智力本质的探索越来越全面，对智力的发生和发展的认识越来越具体。

三、智力研究的新取向

社会信息化的发展及知识经济时代的到来，成功教育出适应社会发展的人才成为各国综合实力竞争的最终决定力量，如何能够更加有效、充分地培养人才，如何在科学技术飞跃发展的今天，让智力研究更加适应社会和生活的需要，成为心理学家们迫切需要研究和解答的问题。同时，对自身的认识以及对个人自我成长发展规划的需要，也成为我们不断进行智力研究的动力。

1.智力的内涵从一元单维向多元系统发展，对智力跨专业跨学科的研究增多

传统的智力观将智力研究局限在狭窄的学业智力上，其编制的一些智力测验仅仅测量的是个体言语和数理逻辑的能力，忽视了个体在生活中遇到其他情景并成功应对也可以纳入到智力研究的范畴，而且以往过于简单的智力观并不符合人类智力活动复杂性和多样性的特点。心理学的研究不仅需要进行理论探讨，也应该将科学心理学知识应用到社会实际生活中，考察理论的稳定性和适应性。在多元文化背景下对智力进行系统研究逐渐成为适应社会发展的必然方向，在这样的背景下，智力研究出现多元智力理论，如加德纳提出多元智力理论、斯滕伯格提出三元智力理论等。20世纪80年代以后，随着不同取向智力研究成果的融合统一，有影响力的智力理论大多采取了系统论的观点，试图整合各种智力理论的合理之处。生物技术和计算机科学的迅猛发展，脑成像、人类基因解码、人工智能等高端科学技术让研究者们更精确地检测智力的神经生理机制成为可能，智力研究开始将宏观解释与微观探查相结合。这就要求我们在考察智力这一复杂的心理现象时，必需打通学科与专业的界限，将心理学与脑科学、认知神经科学、语言学、文化人类学、教育学、社会学等学科结合起来，实现各领域专家通力合作，跨专业跨学科建构智力理论，更加全面深入地认识智力。

2.力研究更加重视社会文化背景因素的影响

早期智力理论研究，尤其是智力测量方面特别注重对“纯净的”智力的评定，即不受任何后天社会文化因素影响的智力。随着智力神秘面纱的层层揭开，智力研究范围的渐渐扩展，人们发现将智力研究孤立于形成和发展智力的社会文化这一大环境之外，人为地局限智力的研究领域，只会让智力研究停滞不前，得出片面狭隘的观点。近些年，后现代主义思潮涌起，心理学研究受到社会文化理论的影响，在多元社会文化背景下对智力进行研究成为必然。人们逐渐认识到社会文化在很大程度上制约着智力的形成和发展，不同文化背景下对智力存在不同的观念，所以智力研究开始更加重视社会文化背景因素的影响。强调个体社会化过程对智力发展的影响，将对社会文化背景因素的考察纳入到智力研究的领域中。在这样的前提下，智力研究不再割裂社会文化和智力的关系，而是将社会文化环境与智力研究紧密联系起来。

3.力研究更加重视在社会生活中的科学运用

工业快速发展，对能熟练操作机器的人才的需要是探索智力研究最初的原因，人才标准的建立、如何教育出可以进行社会生产的相关人才的方法成为心理学研究中急需解决的问题。当代智力研究的最初目的就是为了解决以上问题，测量心理学取向的智力研究最初的想法也许是为了测量个体的智力水平，以衡量其是否适合参与社会生产。随着智力研究的发展，可喜的是心理学家们并没有脱离实际去空谈智力，无论是斯滕伯格的智力理论还是加德纳的多元智力理论，其研究的目的都是基于社会实践的需求。对智力的不懈探索，根本目的就是为了更好的教育人才和更好的实现个人的自身价值。对智力内涵的研究，以及智力理论的构建，不仅推动了教育学研究的发展，使得对个体的智力开发更加科学合理，让人们树立正确的人才教育观，也有利于人们在社会生活中更好地发展，更好地开发我们的潜能，准确地测评我们的能力，为社会发展和进步贡献力量。

参考文献：

[1]蒋京川，叶浩生.智力是什么？——智力观的回溯与前瞻[J].国外社会科学，2006，（2）.

[2]蒋京川，叶浩生.心理学的视角：关于智力本质的当代思考[J].自然辩证法通讯，2007，（2）.

[3]赵笑梅.智力理论的最新发展探析[J].教育探索，2005，（4）.

[4]陈英和，赵笑梅.智力研究的新取向[J].北京师范的学学报：社会科学版，2006，（4）.

[5]王莉萍.对智力本质及其科学运用的思考[J].山西大同大学学报：自然科学版，2008，（3）.

[6]赵笑梅.智力理论的最近发展与演变[J].比较教育研究，2005，（1）.

[7]张常洁.智力理论的新进展及其教育涵义[J].心理科学，2003，（4）.