一、人工智能的研究意义？
对于人工智能的研究，可以帮助我们找准人类对于自身的定位。就目前来说，人类是地球上最高形态的智慧存在，但对于整个宇宙来说，其实是不确定的，相对于未来未知的情况，就更加不确定。
人类在研究人工智能时，总是希望研究的目的成为最终的结果。从而达到对自己有利的目的。而事物的发展也不总是如我们自己所愿。从整个生命进化来看，人类并不一定是生命进化的最终形态。
如果这一点成立，那么我们研究人工智能，很可能就是告诉我们人类不要狂妄自大，人这样一种生命存在的形态，并非是生命进化的终极层次。
二、人工智能的研究内容？
人工智能的研究内容如下的：
人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。
用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。
扩展资料
智能模拟：机器视、听、触、感觉及思维方式的模拟：指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，智能搜索，定理证明，逻辑推理，博弈，信息感应与辨证处理。
学科范畴：人工智能是一门边沿学科，属于自然科学、社会科学、技术科学三向交叉学科。
涉及学科：哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。
三、人工智能的研究策略？
其一是功能模拟学派。
这又称为符号主义学派，主张从功能方面模拟、延伸、扩展人的智能。认为人脑和电脑都是物理符合系统，其代表性成果有专家系统、知识工程、启发式程序得等等。
其二是结构模拟学派。
又被称之为联系结主义学派。主张从结构方面模拟、延伸、扩展，人的智能，，要用电脑模拟人脑的神经系统联合机制，其代表性成果有M-P神经细胞模型，BP神经网络模型，Hopfield神经网络模型等等。
其三是行为模拟学派。
又被称为行为主义学派，主张从行为方面模拟、延伸、扩展人的智能，认为智能可以不需要知识。代表性成果有MIT的Brooks研制的智能机器人
四、人工智能的研究课题？
龚志龙的研究课题是怎样代替人类的复杂工作。
五、人工智能的基本研究对象？
人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。
六、人工智能的主要研究对象是人工智能吗？
人工智能（Artificial Intelligence)主要研究用人工的方法和技术，模仿、延伸扩展的智能，实现机器智能。
人工智能是极具挑战性的领域。伴随着大数据、类脑计算和深度学习等技术的发展，人工智能的浪潮又一次掀起。目前信息技术、互联网等领域几乎所有主题和热点，如搜索引擎、智能硬件、机器人、无人机和工业4.0，其发展突破的关键环节都与人工智能有关。
七、人工智能长期研究的目标是？
完全服务于人类，更为便捷的为人提供方便
八、人工智能研究领域的新技能？
他们给自己的人工智能进行了67次核磁共振扫描的训练，其中38人是老年痴呆症患者，29人则来自健康对照组。研究人员将扫描结果分为几个小区域，并让他们的人工智能分析各个神经元之间的联系。
在培训结束后，他们对这一算法进行了测试，方法是让148名受试者进行脑部扫描。在总人数中，对患有这种疾病的48人进行了扫描，同时也对患有轻度认知障碍的48人进行了扫描，而患有轻度认知障碍的人最终将会发展成老年痴呆症。
人工智能诊断出阿尔茨海默症的几率为86%。更重要的是，它检测轻微认知损伤的几率能够达到84%，使其成为早期诊断的有效工具。
不幸的是，研究数据仅限于南加州大学洛杉矶的阿尔茨海默神经成像数据库的扫描结果。然而，随着研究更多的样本和进一步开发，人工智能可能会变得更加精确，直到它的结果可靠到能成为一种非侵入性的早期检测系统。
九、人工智能中最顶级尖端的研究？
当前深度学习技术主要是data driven的，即对一个特定任务来说，只要增加训练数据的规模，深度学习模型的表现就可以得到提高。但是发展到今天，这种思路面临很多挑战。主要面临下面几个问题：
很多领域（如医疗，教育），很难获取大量的监督数据或者数据的标注成本过高。
训练数据规模再大，也有难以覆盖的情况。例如聊天机器人，你不可能穷尽所有可能的答案。而且很多答案，也是随时间变化的（例如明星年龄，配偶）。因此仅仅依靠大规模的训练语料，并不能解决这些问题。
通用深度学习模型，直接应用到具体问题，表现（效果，性能，占用资源等）可能不尽如人意。这就要求根据特定的问题和数据，来定制和优化深度学习网络结构。这个是当前研究最多最热的地方。
训练的问题。包括网络层数增加带来的梯度衰减，如何更有效的进行大规模并行训练等等。
为了解决上面的问题，当前的研究前沿主要包括以下几个方向：
引入外部知识(如知识图谱,WordNet)
Knowledge-Based Semantic Embedding for Machine Translation
A Neural Knowledge Language Model
深度学习与传统方法的结合。
人工规则与神经网络的结合
Harnessing Deep Neural Networks with Logic Rules
贝叶斯与神经网络的结合
Human-level concept learning through probabilistic program induction(论文讲的是用贝叶斯让机器模仿人写字的，但是对深度学习有非常大的启发价值）
迁移学习与神经网络的结合
强化学习与神经网络的结合
Mastering the game of Go with deep neural networks and tree search
图模型与神经网络的结合
Bidirectional LSTM-CRF Models for Sequence Tagging
A Hierarchical Latent Variable Encoder-Decoder Model for Generating Dialogues
无监督的深度生成模型。
Generative Adversarial Networks
新的网络结构
Highway Networks
Neural Turing Machines
End-To-End Memory Networks
Deep Residual Learning for Image Recognition
Mollifying Networks
新的训练方法
Batch Normalization Accelerating Deep Network Training by Reducing Internal Covariate Shift
从具体研究方向上来说，我觉得深度学习在图像和语音上已经非常成熟，因为图像信号和语音信号，都是比较原始的信号，从原始信号中抽取特征对人比较困难，但对深度学习模型比较容易，因此深度学习技术率先在这两个领域取得巨大成功。而NLP领域，因为文字是一种high level的信息，而且从文字到语义，存在一个比较大的语义鸿沟，因此深度学习技术在NLP上存在很大的挑战，但是挑战也意味着机会，因此除了传统NLP领域的研究人大量开始发力深度学习，许多其他领域的人（如机器学习，统计），也开始向NLP进军（Bengio组的人开始搞机器翻译，语言模型，对话系统等等）。
十、人工智能研究的机器感知包括？
1 视觉感知
视觉系统由于获取的信息量更多更丰富，采样周期短，受磁场和传感器相互干扰影响小，质量轻，能耗小，使用方便经济等原因，在很多移动机器人系统中受到青睐。
视觉传感器将景物 的光信号转换成电信号。目前，用于获取图像的视觉传感器主要是数码摄像机。
在视觉传感器中主要有单目、双目与全景摄像机3种。
单目摄像机对环境信息的感知能力较弱，获取的只是摄像头正前方小范围内的二维环境信息；
双目摄像机对环境信息的感知能力强于单目摄像机，可以在一定程度上感知三维环境信息，但对距离信息的感知不够准确；
全景摄像机对环境信息感知的能力强，能在360度范围内感知二维环境信息，获取的信息量大，更容易表示外部环境状况。
但视觉传感器的缺点是感知距离信息差、很难克服光线变化及阴影带来的干扰并且视觉图像处理需要较长的计算时间，图像处理过程比较复杂，动态性能差，因而很难适应实时性要求高的作业。
2 听觉感知
听觉是人类和机器人识别周围环境很重要的感知能力，尽管听觉定位精度比是决定为精度低很多，但是听觉有很多其它感官无可比拟的疼醒。听觉定位是全向性的，传感器阵列可以接受空间中的任何方向的声音。机器人依靠听觉可以工作在黑暗环境中或者光线很暗的环境中进行声源定位和语音识别，这是依靠视觉不能实现的。
目前听觉感知还被广泛用于感受和解释在气体（非接触感受）、液体或固体（接触感受）中的声波。声波传感器复杂程度可以从简单的声波存在检测到复杂的声波频率分析， 直到对连续自然语言中单独语音和词汇的辨别，无论是在家用机器人还是在工业机器人中，听觉感知都有这广泛的应用。
3 触觉感知
触觉是机器人获取环境信息的一种仅次于视觉的重要知觉形式, 是机器人实现与环境直接作用的必需媒介。 与视觉不同, 触觉本身有很强的敏感能力可直接测量对象和环境的多种性质特征。 因此触觉不仅仅只是视觉的一种补充。 触觉的主要任务是为获取对象与环境信息和为完成某种作业任务而对机器人与对象、环境相互作用时的一系列物理特征量进行检测或感知。机器人触觉与视觉一样基本上是模拟人的感觉, 广义的说它包括接触觉、压觉、力觉、滑觉、冷热觉等与接触有关的感觉, 狭义的说它是机械手与对象接触面上的力感觉。
机器人触觉能达到的某些功能, 虽然其它感觉如视觉也能完成, 但具有其它感觉难以替代的特点。 与机器人视觉相比, 许多功能为触觉独有。 即便是识别功能两者具有互补性，触觉融合视觉可为机器人提供可靠而坚固的知觉系统。