来自MIT人工智能实验室

8447 麻省理工学院

人工智能实验室 AI Working Paper 316 1988年10月来自MIT人工智能实验室：如何做研究？

作者：人工智能实验室全体研究生

编辑：David Chapman

版本：1.3 时间：1988年9月

译者：柳泉波北京师范大学信息学院2000级博士生

摘要本文的主旨是解释如何做研究。我们提供的这些建议，对做研究本身（阅读、写作和程序设计），理解研究过程以及开始热爱研究（方法论、选题、选导师和情感因素），都是极具价值的。

备注：人工智能实验室的Working Papers用于内部交流，包含的信息由于过于初步或者过于详细而无法发表。不像正式论文那样，会列出所有的参考文献。

1. 简介

这是什么？

并没有什么神丹妙药可以保证在研究中取得成功，本文只是列举了一些可能会有所帮助的非正式意见。

目标读者是谁？

本文档主要是为MIT人工智能实验室新入学的研究生而写，但对于其他机构的人工智能研究者也很有价值。即使不是人工智能领域的研究者，也可以从中发现对自己有价值的部分。

如何使用？

要精读完本文，太长了一些，最好是采用浏览的方式。很多人觉得下面的方法很有效：先快速通读一遍，然后选取其中与自己当前研究项目有关的部分仔细研究。

本文档被粗略地分为两部分。第一部分涉及研究者所需具备的各种技能：阅读，写作和程序设计，等等。第二部分讨论研究过程本身：研究究竟是怎么回事，

如何做研究，如何选题和选导师，如何考虑研究中的情感因素。很多读者反映，从长远看，第二部分比第一部分更有价值，也更让人感兴趣。

.. 小节2 如何通过阅读打好AI研究的基础。列举了重要的AI期刊，并给出了一些阅读的诀窍。 .. 小节3 如何成为AI研究领域的一员：与相关人员保持联系，他们可以使你保持对研究前沿的跟踪，知道应该读什么材料。 .. 小节4 学习AI相关领域的知识。对几个领域都有基本的理解，对于一个或者两个领域要精通。 .. 小节5 如何做研究笔记。

.. 小节6 如何写期刊论文和毕业论文。如何为草稿写评审意见，如何利用别人的评审意见。如何发表论文。 .. 小节7 如何做研究报告。 .. 小节8 是有关程序设计的。AI程序设计与平常大家习惯的程序设计有所不同。 .. 小节9 有关研究生涯最重要的问题，如何选导师。不同的导师具有不同的风格，本节的意见有助于你找到合适的导师。导师是你必须了解如何利用的资源。 .. 小节10 关于毕业论文。毕业论文将占据研究生生涯的大部分时间，本部分涉及如何选题，以及如何避免浪费时间。 .. 小节11 有关研究方法论，尚未完成。 .. 小节12 或许是最重要的一节：涉及研究过程中的情感因素，包括如何面对失败，如何设定目标，如何避免不安全感，保持自信，享受快乐。

2. 阅读

很多研究人员花一半的时间阅读文献。从别人的工作中可以很快地学到很多东西。本节讨论的是AI中的阅读，在第四小节将论述其他主题相关的阅读。

阅读文献，始于今日。一旦你开始写作论文，就没有多少时间了，那时的阅读主要集中于论文主题相关的文献。在研究生的头两年，大部分的时间要用于做课程作业和打基础。此时，阅读课本和出版的期刊文章就可以了。（以后，你将主要阅读文章的草稿，参看小节三）。

在本领域打下坚实的基础所需要的阅读量，是令人望而却步的。但既然AI只是一个很小的研究领域，因此你仍然可以花几年的时间阅读本领域已出版的数量众多论文中最本质的那部分。一个有用的小技巧是首先找出那些最本质的论文。此时可以参考一些有用的书目：例如研究生课程表，其他学校（主要是斯坦福大学）研究生录取程序的建议阅读列表，这些可以让你有一些初步的印象。如果你对AI的某个子领域感兴趣，向该领域的高年级研究生请教本领域最重要的十篇论文是什么，如果可以，借过来复印。最近，出现了很多精心编辑的有关某个子领域的论文集，尤其是Morgan-Kauffman出版的。

AI实验室有三种内部出版物系列：Working Papers，Memos和Technical Reports，正式的程度依次增加，在八层的架子上可以找到。回顾最近几年的出版物，将那些非常感兴趣的复制下来。这不仅是由于其中很多都是意义重大的论文，对于了解实验室成员的工作进展也是很重要的。

有关AI的期刊有很多，幸运的是，只有一部分是值得看的。最核心的期刊是Artificial Intelligence，也有写作"the Journal of Artificial Intelligence"或者"AIJ"的。AI领域真正具备价值的论文最终都会投往AIJ，因此值得浏览每一年每一期的AIJ；但是该期刊也有很多论文让人心烦。Computational Intelligence是另外一本值得一看的期刊。Cognitive Science 也出版很多意义重大的AI论文。Machine Learning是机器学习领域最重要的资源。IEEE PAMI（Pattern Analysis and Machine Intelligence）是最好的有关视觉的期刊，每期都有两三篇有价值的论文。International Journal of Computer Vision（IJCV）是最新创办的，到目前为止还是有价值的。Robotics Research的文章主要是关于动力学的，有时候也有划时代的智能机器人论文。IEEE Roboticsand Automation偶尔有好文章。

每年都应该去所在学校的计算机科学图书馆（在MIT的Tech Square的一层），翻阅其他院校出版的AI技术报告，并选出自己感兴趣的仔细加以阅读。

阅读论文是需要练习的技能。不可能完整地阅读所有的论文。阅读论文可分为三个阶段：第一阶段是看论文中是否有感兴趣的东西。AI论文含有摘要，其中可能有内容的介绍，但是也有可能没有或者总结得不好，因此需要你跳读，这看一点那看一点，了解作者究竟做了些什么。内容目录（the table of contents）、结论部分（conclusion）和简介（introduction）是三个重点。如果这些方法都不行，就只好顺序快速浏览了。

一旦搞清楚了论文的大概和创新点，就可以决定是否需要进行第二阶段了。在第二阶段，要找出论文真正具有内容的部分。很多15页的论文可以重写为一页左右的篇幅；因此需要你寻找那些真正激动人心的地方，这经常隐藏于某个地方。论文作者从其工作中所发现的感兴趣的地方，未必是你感兴趣的，反之亦然。最后，如果觉得该论文确实有价值，返回去通篇精读。

读论文时要牢记一个问题，“我应该如何利用该论文？”“真的像作者宣称的那样么？”“如果..会发生什么？”。理解论文得到了什么结论并不等同于理解了该论文。理解论文，就要了解论文的目的，作者所作的选择（很多都是隐含的），假设和形式化是否可行，论文指出了怎样的方向，论文所涉及领域都有哪些问题，作者的研究中持续出现的难点模式是什么，论文所表达的策略观点是什么，诸如此类。将阅读与程序设计联系在一起是很有帮助的。如果你对某个领域感兴趣，在阅读了一些论文后，试试实现论文中所描述的程序的“玩具”版本。这无疑会加深理解。

可悲的是，很多AI实验室天生就是孤僻的，里面的成员主要阅读和引用自己学校实验室的工作。要知道，其他的机构具有不同的思考问题的方式，值得去阅读，严肃对待，并引用它们的工作，即使你认为自己明晓他们的错误所在。经常会有人递给你一本书或者一篇论文并告诉你应该读读，因为其中有很闪光的地方且/或可以应用到你的研究工作中。但等你阅读完了，你发现没什么特别闪光的地方，仅仅是勉强可用而已。于是，困惑就来了，“我哪不对啊？我漏掉什么了吗？”。实际上，这是因为你的朋友在阅读书或论文时，在头脑中早已形成的一些想法的催化下，看出了其中对你的研究课题有价值的地方。

3. 建立关系

一两年后，对自己准备从事的子领域已经有了一些想法。此时——或者再早一点——加入Secret PaperPassing Network是很重要的。这个非正式的组织是人工智能真正在做什么的反映。引导潮流的工作最终会变成正式发表的论文，但是至少在牛人完全明白一年之后，也就是说，牛人对新思想的工作至少领先一年。

牛人如何发现新思路的？可能是听自于某次会议，但是最可能来自于Secret Paper Passing Network。下面是该网络工作的大致情况。Jo Cool有了一个好想法。她将尚不完整的实现与其他一些工作融合在一起，写了一份草稿论文。她想知道这个想法究竟怎么样，因此她将论文的拷贝发送给十位朋友并请他们进行评论。朋友们觉得这个想法很棒，同时也指出了其中的错误之处，然后这些朋友又把论文拷贝给他们各自的一些朋友，如此继续。几个月后，Jo对之进行了大量修订，并送交给AAAI。六个月后，该论文以五页的篇幅正式发表（这是AAAI 会议录允许的篇幅）。最后Jo开始整理相关的程序，并写了一个更长的论文（基于在AAAI发表论文得到的反馈）。然后送交给AI期刊。AI期刊要花大约两年的时间，对论文评审，包括作者对论文修改所花费的时间，以及相应的出版延迟。因此，理想情况下，Jo的思想最终发表在期刊上需要大约三年时间。所以牛人很少能从本领域出版的期刊文章中学到什么东西，来得太迟了。

你，也可以成为一个牛人。下面是建立学术关系网的一些诀窍：

.. 有很多讨论某个AI子领域（如连接主义或者视觉）的邮件列表，选择自己感兴趣的列表加入。

.. 当与很熟悉本领域的人讨论自己的思想时，他们很可能不直接评价你的想法，而是说：“你读过某某吗？”这并不是一个设问，而是建议你去阅读某份文献，它很可能与你的想法有关系。如果你还没有读过该文献，从跟你交谈的高手那里得到该文献的详细信息，或者直接从他那里借一份拷贝下来。

.. 当你读到某份让你感到很兴奋的论文，复印五份送交给对之感兴趣的其他五个人。他们可能会反馈回来很好的建议。

.. 本实验室有很多针对不同子领域的非正式（持续发展的）论文讨论组，他们每星期或每两星期聚会一次，对大家阅读完的论文进行讨论。

.. 有些人并不介意别人去翻看他们的书桌，也就是说，去翻阅他们堆在书桌上的不久要阅读或者经常翻

阅的论文。你可以去翻翻看，有没有自己感兴趣的。当然了，首先要得到主人的许可，要知道有些人确实反感别人翻自己的东西。去试试那些平易近人的人。

.. 同样，有些人也并不介意你翻看他们的文件柜。实验室中可是有很多学问精深的人，他们的文件柜里也是有好多宝贝。与利用学校图书馆相比，这通常是更快更可靠的寻找论文的方式。

.. 只要自己写下了些东西，将草稿的拷贝分发给那些可能感兴趣的人。（这也有一个潜在的问题：虽然AI领域的剽窃很少，但也确实有。你可以在第一页写上“请不要影印或者引用”的字样以做部分防范。）

大部分人并不会阅读自己收到的大部分论文，因此如果只有少数人返回评论给你，也不用太在意。你可以如此反复几次——这是期刊论文所必需的。注意，除了自己的导师，一般很少将两次以上的草稿送给同一个人。

.. 当你写完一篇论文后，将论文的拷贝送给那些可能感兴趣的人。别以为人家自然而然地就会去阅读发表论文的期刊或者会议录。如果是内部的出版物（备忘录和技术报告）就更不容易读到了。

.. 你保持联系的人越是各式各样，效果就越好。尝试与不同研究组，AI实验室，不同学术领域的人交换论文。使自己成为没有联系的两个科研组交流的桥梁，这样，很快的，你的桌子上就会冒出一大摞相关的论文。

.. 如果某篇论文引用了自己感兴趣的某些东西，做好笔记。维护一份自己感兴趣参考文献的日志。到图书馆去看看能不能找到这些论文。如果要了解某个主题的发展轨迹，可以有意地去做一张引用的“参考文献”图。所谓的参考文献图，是指引用组成的网：论文A引用B和C，B引用C和D，C引用D，等等。注意那些被经常引用的论文，这通常是值得阅读的。参考文献图有奇妙的性质。一个是经常有研究同一主题的研究组相互不了解。你搜索该图，突然发现了进入另一部分的方式，这通常出现于不同学校或者不同方法存在的地方。尽可能了解多种方法是很有价值的，这总比非常深入的了解某一种方法更好。

.. 暂时搁置。跟别人交谈。告诉他们你在做什么，并询问人家在做什么。（如果你对与别的学生讨论自己的想法感到害羞，也要坚持交谈，即使自己没有什么想法，与他们讨论自己认为确实优秀的论文。

这将很自然地引导到下一步做什么的讨论。）每天中午在活动楼七层有一个非正式的午吞致刍帷Ｔ谖颐鞘笛槭遥 嗣嵌枷肮哂谕砩瞎ぷ鳎 晕绮偷氖焙蚩梢愿 鹑俗槌伤缮⒌男∽榻 刑致邸?br/>.. 如果你与外界的交流很多——做演示或者参加会议——去印张事务名片，主要要使自己的名字容易记住。

.. 从某个时间开始，你将会开始参加学术会议。如果你确实参加了，你会发现一个事实，几乎所有的会议论文都令人生厌或者愚蠢透顶。（这其中的理由很有意思，但与本文无关，不做讨论）。那还去参加会议干吗？主要是为了结识实验室之外的人。外面的人会传播有关你的工作的新闻，邀请你作报告，告知你某地的学术风气和研究者的特点，把你介绍给其他人，帮助你找到一份暑期工作，诸如此类。如何与别人结识呢？如果觉得某人的论文有价值，跑上去，说：“我非常欣赏您的论文”，并提问一个问题。

.. 获得到别的实验室进行暑期工作的机会。这样你会结识另外一群人，或许还会学到另外一种看待事物的方式。可以去问高年级同学如何获取这样的机会，他们或许已经在你想去的地方工作过了，能帮你联系。

4. 学习其他领域

通常的情况，你只能做AI领域的事情，对AI领域之外的事情一无所知，好像有些人现在也仍然这么认为。但是，现在要求好的研究者对几个相关的领域都了解颇深。计算的可行性本身并没有对什么是智能提供足够的约束，其他的领域给出了其他形式的约束，例如心理学获得的经验数据。更重要的是，其他的研究领域给了你思考的新工具，看待智能的新方法。学习其他领域的另外一个原因是AI本身并没有评价研究价值的标准，全是借自于其他领域。数学将定理作为进展；工程会问某个对象是否工作可靠；心理学要求可重复的试验；哲学有严格的思辨；等等。所有这些标准有时都在AI中起作用，熟悉这些标准有助于你评价他人的工作，深入自己的工作以及保护自己的工作。

经过六年左右的课程方可获得MIT的PhD，你可以在一到两个非AI领域里打下坚实的基础，在更多的领域内具有阅读水平，并且必须对大部分内容具有一定程度的理解。下面是如何学习自己所知甚少领域的一些方法：

.. 选修一门研究生课程，这很牢靠，但通常不是最有效的方法。

.. 阅读课本。这方法还算不错，不过课本的知识经常是过时的，一般还有很高比例的与内容无关的修辞。

.. 找出该领域最棒的期刊是什么，向该领域的高人请教。然后找出最近几年值得阅读的文章，并跟踪相关参考文献。这是最快的感受该领域的方法，但有时候你也许会有错误的理解。

.. 找出该领域最著名的学者，阅读他们所著的书籍。

.. 跟该领域的研究生泡在一起。

.. 参看外校研究该领域的系的课程表。拜访那里的研究院办公室，挑选有用的的文献。

下面是一些需要了解的与AI有关的科目：

.. 计算机科学是我们所使用的技术。你需要选修的初级研究生课程肯定不能让你对计算机科学有足够的了解，因此你必须通过阅读学习更多的知识。计算机科学所有的领域——理论体系结构，系统，语言等等——际潜匦胙 暗摹?

.. 数学可能是接下来需要了解的最重要的学科。对于工作在视觉或者机器人学的人来说更关键。对于以系统为中心的工作，表面上看，并不相关，但数学会教

你有用的思维方式。你需要能阅读定理，如果具有证明定理的能力将会给本领域的大多数人留下深刻的印象。很少有人能自学数学，光做个听众是不够的，还得做习题集。尽可能早地选修尽可能多的数学课，其他领域的课程以后选也很容易。

计算机科学是以离散数学为基础的：代数，图论，等等。如果你要从事推理方面的工作，逻辑是很重要的。逻辑在MIT用得不多，但是在斯坦福以及其他地方，这是认识思维的主流方法。所以你必须具备足够的逻辑知识，这样你才能保护自己的观点。在MIT数学系选修一两门课程就足够了。要是研究兴趣在感知和机器人，那么不仅需要离散数学，还需要连续数学。在分析，微分几何和拓扑学具有扎实的基础将会给你提供最常使用的技巧。统计和概率只是一般有用。

.. 认知心理学与AI共享几乎完全相同的观点，但是实践者确实具有不同的目标，他们主要是做实验而不是写程序。每一个人都需要知道认知心理学的某些知识。在MIT，Molly Potter开了一门很好的有关认知心理学的初级研究生课程。

.. 如果你想做有关学习的工作，那么发展心理学是很重要的。发展心理学从一般意义上讲也是很有用的，它能告诉你对于人类智能来说，哪些事情难哪些容易。它还给出了有关认知体系结构的认知模型。例如，有关儿童语言习得的工作就对语言处理理论施加了坚实的约束。在MIT，Susan Carey开了一门很好的有关发展心理学的初级研究生课程。

.. 心理学中更“软”的部分，例如心理分析和社会心理学，对AI的影响看似很小，但具有潜在的重大意义。它们会给你非常不同的理解人是什么的方式。象社会学和人类学这样的社会科学可以起相似的作用。具有多种观点是很有用的。上述学科你需要自学。不幸的是，很难区分出这些领域哪些是优秀的成果哪些是垃圾。到哈佛去学习：对于MIT的学生来说，很容易交叉注册哈佛的课程。

.. 神经科学告诉我们有关人体可计算硬件的知识。随着最近可计算神经科学和联结主义的兴起，对AI具有非常大的影响。MIT的脑和行为科学系提供了非常好的课程，视觉（Hildreth, Poggio, Richards,Ullman），移动控制（Hollerbach, Bizzi）和普通神经科学（9.015，由专家组讲授）。

.. 如果你想研究自然语言处理，语言学是很重要的。不仅如此，它还包含了很多有关人类认知的约束。在MIT，语言学主要由Chomsky学院负责。你可以去看看是不是符合自己的兴趣。George Lakoff最近出版的书《Women, Fire, and Dangerous Things》可作为另外一种研究程序的例子。

.. 工程，特别是电机工程，已经被很多AI研究机构作为一个研究领域。我们实验室在培养程序中加入了很多需要确实做一些东西的要求，例如分析电路。了解EE也有助于建造定制的芯片或者调试自己的Lisp机器上的电源。

.. 物理学对于那些对感知和机器人感兴趣的人具有强大的影响。

.. 哲学是所有AI领域看不见的框架。很多AI工作都有蕴含着哲学的影响。学习哲学也能帮助你运用或者读懂很多AI论文中用到的观点。哲学可沿着至少两个正交的轴分解。哲学通常是某种东西的哲学；

有关思维和语言的哲学与AI更相关。然后存在着多种哲学学派，从比较大的范围来分，哲学可分为分析哲学和大陆哲学。分析哲学有关思维的观点与AI领域大多数研究者一致。大陆哲学则对我们习以为常的很多东西有非常不同的看待方式。它曾经被Dreyfus用于证明AI是不可能的。就在不久前，有几位研究者认为大陆哲学与AI是相容的，提供了另外一种解决问题的方法。MIT的哲学属于分析哲学，哲学学院深深地受到Chomsky在语言学方面工作的影响。

看起来要学习太多的东西，是不是？确实如此。要小心一个陷阱：认为对于所有的X，“只有我对X了解的更多，这个问题才会变得容易”。要知道，与之相关需要进一步了解的东西是永远没完的，但最终你还是要坐下来，解决问题的。

5. 笔记

很多科学家都有做科研笔记的习惯，你也应该这样。可能你曾被告知从五年级开始，对于每一门科学课都应该记笔记，确实如此。不同的记笔记方式适用于不同的人，可以做在线笔记，记在笔记本或者便笺簿上。可能需要在实验室有一个，家里还有一个。

在笔记本上记录下自己的想法。只有你自己才会去读它，因此可以记得比较随意。记录下自己的思索，当前工作中遇到的问题，可能的解决方案。对将来可能用到的参考文献作小结。

定期翻阅你自己的笔记本。有些人会做月度总结，方便将来的引用。

笔记中记录中的东西经常可以作为一篇论文的骨干。这会使生活变得轻松些。相反，你会发现写粗略的论文——标题，摘要，分标题，以及正文的片段——是一种记录自己当前工作的有效方式，即使你并不准备把它变成一篇真正的论文。（过一段时间你或许会改变想法）。

你或许会发现Vera Johnson-Steiner的书《Notebooks of the Mind》很有用，该书并不是描写如何做笔记的文献，它描述了随着思想片断的积累，创新思想是如何出现的。

6. 写作

写作的理由有很多。

.. 在整个读研的过程中，你需要写一到两篇（这取决于你所在系的规定）毕业论文，以获得PhD或者MS。

.. 勤于写作不仅仅给你练习的机会。

.. 学术的规则就是要么发表，要么腐烂。在很多领域和学校，这通常开始于你成为一名教授时，但是我们实验室的很多研究生毕业之前就已经开始发表论文了。鼓励发表和分发论文是很好的政策。

.. 写下自己的想法是很好的调整思路的方式。你会经常地发现自以为很完美的想法一旦写下来就显得语无伦次。

.. 如果你工作的目的是不仅为自己还要为他人服务，就必须把它发表。这也是研究的基本责任。如果你写得精彩，会有更多的人来了解你的工作。

.. AI但凭单打独斗是很难做的，你需要经常地从他人那里获得反馈。对你的论文作评论就是最重要的一种形式。任何事情，要做就要做到最好。

.. 阅读有关如何写作的书籍。Strunk和White的《Elements of Style》对基本的应该如何不应该如何做了介绍。Claire的《The MLA's Line By Line》（Houghton Mifflin）是有关在句子级别如何编辑的书籍。

Jacques Barzun的《Simple and Direct: A Rhetoric for Writers》（Harper and Row, 1985）是有关如何作文的。

.. 写论文时，读读那些写作高超的书，并思考作者的句法运用。你会发现不知不觉地，你已经吸收了作者的风格。

.. 要成为写作高手，需要付出颇多，历经数年，期间还要忍受和认真对待他人的批评。除此之外，并无捷径可走。

.. 写作有时候是很痛苦的，看起来好像是从“实际的”工作中分心了。但如果你已经掌握了写作技巧，写起来会很快。而且如果你把写作当作一门艺术的话，你能从中得到很多乐趣。

.. 你肯定会遇到思路阻塞的情况，这有很多的可能原因，没有一定可以避免的方法。追求完美可能导致思路阻塞：无论开始写什么，总觉得不够好。要理解写作是一个调试的过程。先写一个草稿，然后返回修订。写草稿有助于理顺思路，如果写不出来正文，那就写个大纲。逐步对之细化，直到已经很容易写出子部分的内容。如果连草稿也写不出来，隐藏掉正在写作的所有窗口，然后随便输入自己脑袋里想到的东西，即使看起来好像是垃圾。当你已经写出了很多文本后，重新打开窗口，将刚才写的东西编辑进去。

另外一个错误是以为可以将所有的内容依次写出。通常你应该将论文的核心内容写出来，最后才是介绍部分。引起作者思路阻塞的另一个原因是不切实际的以为写作是很容易的事情。写作是耗时耗力的，如果发现自己每天只能写一页，也不要放弃。

.. 完美主义可能会导致对本来已经足够好的论文还在不停地打磨。这是浪费时间。（这也是一种有意无意之间逃避做研究的表现）。将论文看作你与本领域其他人交谈时的一句话。在交谈中，并不是每一句话都是完美的。很少有人会期待自己的某次谈话就是全部的故事，是与对方的最后一次交流。

.. 写信是一种很好的练习。很多技术论文，如果其风格更类似于给朋友的信，那么会有很大的提高。坚持记日记也是练习写作的方法（也会使你试验更多的文体，不仅仅是技术论文）。这两种方法还有其它的实质作用。

.. 一个常见的陷阱是花很多时间去追求修辞而不是内容。要避免这样。LaTeX 并非完美，但是它有很多你所需的修饰语。如果这还不够，还可从其他从事这一研究的人那里借用一些词语用法。很多站点（例如MIT）维护了一个写作修辞的库。

.. 清楚自己要表达什么。这是清楚的写作中最难最重要的因素。如果你写了拙劣的东西，且不知道如何修改，这很有可能是因为你不知道自己要说什么。一旦搞清楚了自己要说什么，说就行了。

.. 论文的写作要有利于读者查找到你所做的工作。无论是段落的组织还是通篇的组织，都要将最核心的部分放在前面。要精心写作摘要。确保摘要已经反映出你的好思路是什么。确保自己明白自己的创新点是什么，然后用几句话表达出来。太多的论文摘要只是一般性地介绍论文，说是有一个好思路，却不说是什么。

.. 不要用大话来贩卖你的工作。你的读者都是很优秀的人，正直且自尊。与之相反，也不要为自己的工作道歉或者进行消减。

.. 有时候你意识到某个子句、句子或者段落不够好，却不知道如何修改。这是因为你钻到死胡同里出不来了。你需要返回重写这一部分。现实中这种情况很少发生。

.. 确保自己的论文中有中心思想。如果你的程序在10毫秒内解决了问题X，告诉读者你是如何办到的。不要只是解释呢的系统是如何构建的，是做什么的，还要解释其工作原理和价值所在。

.. 写作是给人看的，而不是机器。因此光观点正确是不行的，还要易懂。不要靠读者自己去推理，除非是最明显的推论。如果你在第七页的脚注上解释了某个小玩意的工作原理，接着在第二十三页没有进一步解释就引用了它，此时如果读者感到困惑一点都不值得奇怪。正式的论文要写清楚是很难的。不要模仿数学领域的文献，它们的标准是尽可能少的解释，使读者感到越困难越好。这并不适用于AI。

.. 写完一篇论文后，删掉第一段或者头几句话。你会发现那是与内容无关的一般性话语，更好的介绍语句在第一段最后或者第二段的开头。如果你等做完所有的工作后才开始写作，会失去很多。一旦开始了某个科研项目，要养成这样的习惯：写作解释当前工作进展或者每几个月学习所得的非正式论文。从你的研

究笔记中的记载开始。花两天的时间写下来——如果你花的时间更长，说明你是一个完美主义者。将论文与你的朋友分享。写的是草稿——不是为了被引用的那种。将论文复制数十份，送给那些感兴趣的人（包括你的导师）。与写正式论文相比，这样做具有很多相同的好处（评论，理清思路，写作练习等等），而且从某种意义上讲，付出无需那么多。

经常地，如果你做得不错，这些非正式论文以后可以作为正式论文的骨干内容，也就是从AI实验室的Working Paper成为一篇期刊文章。一旦你成为Secret Paper Passing Network的成员，会有很多人给你寄论文拷贝要求评论。获得他人对自己的论文的评论是很有价值的。因此你评论的论文越多，你获得支持就越多，也会收到更多人对你论文的评论。不仅如此，学习评价别人的论文也有助你的选择。

为论文写有用的评论是一门艺术。

.. 要写出有用的评论，需要读两遍论文。第一遍了解其思想，第二遍开始作评论。

.. 如果某人在论文中屡次犯同一错误，不要每次都标记出来。而是要弄清楚模式是什么，他为什么这样做，对此还可以做什么，然后在第一页清晰地指出或者私下交流。

.. 论文的作者在合并你的评论时，将会遵循最小修改的原则。如果可以，就只修改一个词，不行再修改一个词组，再不行才修改整个句子。如果他的论文中某些拙劣之处使得他必须修改整个段落，整个小节甚至整篇论文的组织，要用大字体的字母指出来，这样他才不会忽视。

.. 不要在论文写毁灭性的批评如“垃圾”。这对于作者毫无帮助。花时间提出建设性的建议。要设身处地地为作者着想。

评论有很多种。有对表达的评论，有对内容的评论。对表达的评论也可以很不同，可以是校对打字稿，标点，拼写错误，字词丢失等。应该学一些标准的编辑符号。还可以是校正语法，修辞，以及混乱不清楚的段落。通常人们会持续地犯同一语法错误，因此需要花时间明确地指出。接下来是对组织结构的评论：

不同程度（子句，句子，段落，小节乃至一章）的次序混乱，冗余，无关的内容，以及丢失论点。

很难描述对内容进行评论的特征。你可能建议作者扩展自己的想法，考虑某个问题，错误，潜在的问题，表达赞美等。“因为Y，你应该读X”是一种总是有用的评论。

当被要求对论文作评论时，你首先想弄清楚哪种评论更有用。对于早期的论文草稿，需要你主要对内容和论文的组织结构作评论；对于最终的草稿，需要你主要

评论表达的细节。注意，作为一种礼貌，在要求别人评论之前，应首先用拼写检查器对自己的论文进行检查。

你无须接受所有的意见，但是必须都认真对待。将论文的部分内容裁掉是挺令人痛心的，但往往也提高了论文的水平。你经常会发现某个意见确实指出了问题，但是解决方法你觉得不可接受，那么就去寻找第三条道路。

要多发表论文，这其实比想象中的容易。基本上，AI出版物评审者评审论文的标准是：有新意；

在某些方面，符合标准。看看IJCAI的会议录，你会发现论文录取的标准相当低。这种情况由于评审过程本身固有的随机性而变得更糟糕了。所以一个发表论文的诀窍是不停地试。

.. 确保论文可读性比较好。论文被拒绝的原因，除了没有意义之外，就是无法理解或者组织糟糕。

.. 论文在投往期刊之前，应该交流一段时间，并根据反馈的评论进行适当的修订。要抵制那种急匆匆地把结果投往期刊的做法。在AI领域，没有竞赛，而且不管怎么说，出版周期的延迟要大大超过对草稿进行评论的时间。

.. 读一读你想投稿的期刊或者会议的过刊，确保自己论文的风格和内容是适合的。

.. 很多出版物都有一页左右的“作者投稿须知”，仔细看看。

.. 主要的会议都会在被接收的论文中评出内容和表达俱佳的获奖论文，仔细研究研究。

.. 通常是向会议投交一篇篇幅比较短的有关部分工作内容的早期报告，然后再往期刊投交一份篇幅长的最终的正式论文。

.. 论文被决绝了——千万不要沮丧灰心。

.. 期刊和会议的论文评审过程存在很大的不同。为了节省时间，会议论文的评审必须迅速，没有时间细究或者交流。如果你被拒绝了，你就失败了。但期刊论文则不同，你可以经常地与编辑争辩，通过编辑与评审人争辩。

.. 评审人一般都会对你有帮助的。如果你收到了令人生厌的评审报告，应该向大会的程序主席或者编辑投诉。不能期望可以从会议论文评审人的报告那里得到多少反馈。但对于期刊论文，往往可以得到非常棒的建议。你不必完全按照评审报告的建议去做，但是，如果你不按照报告去做，那么就必须解释原因，并且要意识到这可能会导致进一步的负面评价。不管怎么样，无论是哪种的评审，作为评审者都要有礼貌。因为在余下的职业生涯中，你将会与被评审者在一个学术圈子里。

.. MIT AI Lab Memos大体上是或者接近发表的水平。实际上，Technical Reports 基本上都是这些Memos的修订版本。Working Papers则更不正式，这是很好的将自己的论文分发给同事们的方法。要出版这些内部文件，只需到Publications Office（在活动楼八层）领一份表格，并有两位教员签字即可。

就像其它的科研活动一样，论文写作所花的时间总是比期望的要高。论文的发表在耗费时间这个问题上则更严重。当你完成了一篇论文，投出去，等待发表。数月后，论文以及评论被返回来。你不得不对论文进行修改。然后又是几个月，才返回对你的修改的确认。如果你同时发表了该论文的不同形式，如有一篇短的投会议，一篇长的投期刊，这样的过程将反复数个回合。结果有可能是当你已经厌倦了，研究主题也已经令人生厌后数年，你仍然在修改那篇论文。这启示我们：不要去做那些需要热情投入但是很难发表论文的研究——苦不堪言。

7. 讲演

与同行交流的另外一种方式就是讲演，上面提到的有关论文写作的问题，同样适用于讲演。站在听众面前从容讲演而不会使听众恹恹欲睡的能力，对于你成功地获得别人的承认、尊敬乃至最终的求职都是很关键的。讲演的能力不是天生的，下面是一些学习和练习讲演的方法：

.. Patrick Winston有一篇很好的有关如何作讲演的小论文。每年的一月，他都会就此作讲演，演示和描述它的演讲技巧。

.. 如果你觉得自己是一个糟糕的演讲者，或者想成为一名优秀的演讲者，选一门公共演讲课。初级的表演课也很有用。

.. 如果你的导师有定期的研究讨论会，自愿去作演讲。

.. MIT AI实验室有一系列的半正式座谈会，叫做Revolving Seminar。如果你觉自己的某些观点值得写进AI Memo或者会议论文中，自告奋勇去作一场报告。

.. 深入了解实验室的不同机器人项目，当你外地的亲朋好友来的时候，你可以领着他们逛一圈，并就机器人做60分钟的报告。

.. 由于修改演讲远比修改论文容易，有些人会觉得这是很好的寻找如何表达思想的方式。（Nike Brady)有一次曾说，他所有最好的论文都来自于演讲）。

.. 在一间空屋子里练习，最好就是你马上要做的报告。这有助于调整报告的技巧：每一张幻灯讲些什么；转换的延迟以及保持平滑；保持解释和幻灯的同步；估计报告的时间长度。你花在调整设备上的时间越少，留下来的与人交流的时间就越长。

.. 用镜子，录音机或者录像机练习是另外一种方法。实验室有这三种设备。这也有助于调整自己的发音和肢体语言。

.. 对于比较正式的报告——特别是你的答辩——应该在几个朋友面前练习一遍，请他们批评指正。

.. 观察别人是如何做报告的。有很多访问MIT的人会做报告。参加这样的报告会能够感受自己不熟悉的领域，并且如果报告令人提不起兴趣，你可以暗中分析报告者错在哪里。

.. 找一位朋友，将你最近的想法说给他听。这既可以提高的交际技巧，又能调试自己的思路。

8449 8. 程序设计

并不是所有的AI论文都包含代码，而且本领域的很多重量级人物从来没有写过一个重要的程序。但是为了初步的近似AI工作原理，你必须会程序设计。不仅仅是很多AI研究工作需要编写代码，而且学会程序设计能给你什么是可计算的什么是不可计算的直觉，这是AI对认知科学贡献的主要来源。

在MIT，本质上所有的AI程序设计都使用Common Lisp。如果还不知道，赶快学吧。当然，学习一门语言并不能等同于学习程序设计；AI程序设计包含的一些技术与那些在系统程序设计或者应用程序设计中用到的大不相同。开始学的时候，可以先看看Abelson和Sussman的《Structure and Interpretation of Computer Programs》，并做一些练习。这本书与AI程序设计本质上并不相干，但是包含了一些相同的技术。然后读Winston和Horn写的Lisp书第三版，书里有很多优雅的AI程序。最后，进行实际的程序设计，而不是阅读，才是最好的学习程序的方法。

学习Lisp程序设计有很多传统。有些人习惯一起写代码，这取决于个性。还有的人寻找机会直接向有经验的程序员学习，或者请他对你的代码进行评价。阅读别人的代码也是很有效的方法。如果可以向高年级同学要他们的源代码。他们可能会有些抱怨，说自己的编程风格差极了，程序实际上并不能工作云云。

不管怎么样，最后你获得了源代码。然后你要仔细地通篇阅读，这很费时间。通常阅读并完全理解别人代码所花的时间与你自己编程完成的时间是一样多的，因此要计划好在你的头一个或者头两个学期用数周的时间去阅读别人的代码。你将从中学到很多以前不曾想到在课本中也没有的技巧。如果你读到了大段大段不可理解没有注释的程序，你就会明白不应该如何写代码了。

在软件工程课里学习到的那些知识在AI程序设计中依然有用。要给代码加注释。使用正确的数据抽象。将图和你的代码隔离开，由于你使用的语言基本上是Common Lisp，因此可移植性很好。诸如此类。

经过头几年的学习后，应该写一些自己的标准AI模块，如：

.. 真值维护系统 .. 规划器 .. 规则系统 .. 不同风格的解释器 .. 具有流程分析的优化编译器 .. 具有继承特性的框架系统 .. 几种搜索方法 .. 基于解释的学习器

任何你感兴趣的东西都可以尝试用程序实现。你可以抓住问题的实质，在几天之内完成一个功能版本。

修改已有的程序是另外一种有效的方法，前提是你已经写过这样的东西，并且确实了解其工作原理，优缺点以及效率等问题。

不象其他通常的程序员，AI程序员之间很少相互借阅代码。（演示代码例外）。这部分由于AI程序很少有真正起作用的。（很多著名的AI程序只在作者论文所提到的那三个例子上起作用，虽然最近这种情况已经有所改善）。另外一个原因是AI程序通常是匆忙凑成，并没有考虑一般化的问题。使用Foobar的“标准”规则解释器，开始时很有效，不久就会发现缺少一些你需要的功能，或者不够有效率。虽然可以对代码进行修改满足自己的需要，但记住理解别人的代码是很耗时的，有时候还不如自己写一个。有时候构建一个标准包的工作本身就可以成为一篇论文。

像论文一样，程序也有可能过于追求完美了。不停重写代码以求完美，最大化的抽象所有的东西，编写宏和库，与操作系统内核打交道，这都使得很多人偏离了自己的论文，偏离了自己的领域。（从另外一方面，或许这正是你需要将来谋生的手段）。

9. 导师

在MIT，有两种类型的导师，教学导师和论文导师。

教学导师的工作比较简单。每一位研究生都被分配了系里的一位老师作为教学导师。教学导师的作用是作为系方代表，告诉你对你的正式要求是什么，如果你的进度慢了敦促你，批准你的课程计划等。如果一切顺利的话，你每年只需要见教学导师两次，在注册日那天。从另一方面讲，如果你遇到了困难，教学导师替你向系里反映或者提供指导。

论文导师是监督你研究的人。选择论文导师是你读研期间最重要的选择，比选题都重要得多。从更广的意义上讲，AI是通过师傅带徒弟的方式学习的。有很多领域的技术方面或者研究过程方面的非正式知识，只能从导师那里学到，在任何教科书上都找不到。

很多AI教员都是行为古怪的人，毕业生也如此。导师与研究生的关系是非常个性化的，你的个人特点必须与导师的配合得很好，这样你们才能合作成功。

不同的导师具有不同的风格。下面是一些需要值得考虑的因素：

.. 你需要多大程度的指导？有些导师会给你一个定义良好的适合做论文的问题，对解决方法进行解释，并告诉你如何开展工作。如果你陷在某个地方了，他们会告诉你如何开展下去。其他的导师属于甩手型，他们可能对你的选题毫无帮助，但是一旦你选好题目，他们对于引导你的思路具有非常大的作用。

你需要考虑清楚自己适合独立工作还是需要指导。

.. 你需要多大程度的联系？有的导师要求每周与你见面，听取你工作进展的汇报。他们会告诉你应该读的论文，并给你实际的练习和项目做。其他的导师每学期与你的谈话不会超过两次。

.. 你能承受的压力有多大？有些导师施加的压力是很大的。

.. 需要多少情感支持？

.. 听取导师意见的认真程度如何？大多数导师会相当正式的建议你的论文题目。有些导师是值得信赖的，他们给出的建议，如果按照执行，几乎肯定会做出一篇可接受程度的论文，如果不是令人兴奋的论文的话。其他的则一下子抛出很多思路，大部分是不切实际的，但是有一些，或许会导致重大突破。

如果选了这样的一位导师，你首先得把自己当作一个过滤器。

.. 导师提供了什么类型的研究组？有些教授会创造环境，把所有的学生聚集在一起，即使他们做的不是同一个项目。很多教授每周或者每两周与自己的学生们会面。这对你有用么？你能与教授的学生和睦相处么？有些学生发现他们更能与其他教研组的学生建立良好的工作关系。

.. 你想参与大的项目么？有些教授将大系统分解，每个学生负责一部分。这给了你与一组人讨论问题的机会。

.. 你想被共同监督么？有些论文项目包含了多个AI领域，需要你与两个以上的教授建立密切的工作关系。虽然你正式的论文导师只有一位，但是有时候这并不反映实际情况。

.. 导师愿意指导其研究领域之外的论文题目么？你是否能与导师一起工作，比你做什么本身更重要。

MIT的机器人系就曾指导过量子物理学和认知建模方面的论文；推理方面的教员指导过视觉方面的论文。但是有些教员只愿意指导自己研究兴趣领域内的论文。这对于那些欲获得终身职位的年轻教员来说尤其如此。

.. 导师会为了你跟体制作斗争吗？有些导师会为了你跟系里或者某些有敌意的实体作斗争。有时候体制对某些类型的学生不利（特别是对于女学生和怪癖的学生），因此这一点很重要。

.. 导师愿意并且能够在会议上推荐你的工作吗？这是导师工作的一部分，对你将来工作意义重大。

上述这些因素，不同学校的情况很不相同。与大部分学校相比，MIT提供了多得多的自由。

找论文导师是你研究生一年级最主要的任务。研一结束时，或者研二学年开始阶段，你必须有一个论文导师。下面是一些诀窍：

.. 查阅实验室的研究总结。其中有一页左右的篇幅描述了每个教师以及很多研究生目前在做什么。 .. 如果你对某些教师的研究工作感兴趣，查阅其最近的论文。 .. 在第一学期，与尽可能多的教师交谈。去感受他们喜欢做什么，他们的研究和指导风格是什么。 .. 与预期导师的研究生交谈。要保证与导师的多个学生交流，因为每位导师在与不同的学生交流时有不同的工作方式和交流效果。不能被一个学生的看法所左右。 .. 很多教师所在研究组的会议对新同学都是公开的。这是非常好的了解导师工作方式的途径。

作为一门学科，AI不同寻常的一点是很多有用的工作是由研究生完成的，而不是博士——他们忙着做管理去了。这有几个后果。一是某个教师的声望，是否会获得终身聘用，在很大程度上取决于学生的工作。

这意味着教授有很强烈的动机吸引最好的学生为自己工作，并给与有效的指导和足够的支持。另外一个后果是，由于大部分学生的论文方向是由导师形成的，因此整个领域的方向和发展很大程度上取决于导师选择什么样的研究生。

当选定了导师，决定了自己对导师的要求后，要确保导师知道。不要由于交流不好，浪费时间于自己并不想做的项目上。

不要完全依赖你的导师，要建立自己的网络。找一些能定期评审你的工作的人是很重要的，因为研究时很容易走火入魔。网络中的人可以包括自己实验室或者外单位的研究生和老师。

在与其他学生、老师甚至自己的导师的关系中，很可能会碰到种族主义者，性别歧视，同性恋或者其他令人尴尬的事情。如果你不幸碰到了，去寻求帮助。 MIT 的ODSA出版了一本叫做“STOP Harrassment”的小册子，里面有很多建议。《Computer Science Women's Report》，可在LCS文档室找到，也与之相关。

实验室中有些同学只是名义上由导师指导。这对于那些独立性很强的人来说很好。但是如果你已经完成了某项导师指导的工作，除非你确保没有导师也行且自己有牢靠的支持网络，否则就不要这么干。

10. 论文

做毕业论文将占据研究生生活的大部分时间，主要是去做研究，包括选题，这比实际的写作耗时更多。

硕士论文的目的是为做博士论文练兵。博士水平的研究如果没有准备好的话，是很难进行的。硕士论文最本质的要求是展示自己的掌握程度：你已经完全理解了本领域最新进展，并具备相应的操作水平。并不需要你对本领域的最新知识有所拓展，也不要求发表你的论文。然而我们实验室的论文总是比较大气的，因此很多硕士论文实际上都对本领域的发展作出了显著的贡献，大约有一半都出版了。这并不一定是好事情。很多人精力都集中于硕士的工作，所以MIT有这样的名声：硕士论文的质量往往比博士论文高。这有悖于硕士工作本来是为博士研究作准备的原有目的。另外一个因素是所做研究要对领域有所贡献，至少需要两年，这使得研究生学习时间之长令人难以忍受。现在或许你感受不到匆忙，但当你已经在实验室呆了七年后，你肯定迫不及待地想逃出去。硕士从入学到毕业平均时间是两年半，但是，计算机系强烈鼓励学生提前毕业。如果某个硕士生的题目过于庞大，可将之分解，一部分来做硕士论文，另一部分给博士生作博士论文。

想要了解硕士论文研究是什么样的，读几本最新的硕士论文。记住比较好的论文是那些出版的或者成为技术报告的，因为这标志着该论文被认为是扩展了领域的最新知识——换句话说，他们的论文远远超出了硕士论文的水平。还要读一些通过的但是没有出版的论文，所有通过的论文都可以在MIT图书馆中找到。

博士论文必须对最新知识有所拓展，博士论文的研究必须具备可出版的质量。MIT 的泱泱气质又表现出来了，很多博士论文在几年内都是某个子领域的权威工作。对于MIT的博士论文来说，开创一个新领域，或者提出并解决一个新问题，并不是什么了不起的事情。虽然，这并不是必需的。

一般来说，需要两到三年的时间来做博士论文。很多人花一到两年的时间跟硕士生活说再见，以及选题。这段时间可以去尝试一些别的事情，例如做助教或者在某个非AI领域打下坚实的基础或者组织个乐队。

博士论文的实际写作时间大约是一年。

选题是论文工作中最重要最困难的部分：

.. 好的论文题目不仅能够表达个人观点，而且可与同行交流。 .. 选择题目必须是自己愿意倾注热情的。个人远景观点是你作为一个科学家的理由，是你最为关切的意象，原则，思路或者目标。有多种形式。或许你想造一台可与之交谈的计算机，或许你想把人类从计算机的愚蠢使用中拯救出来，或许你想展示万物都是统一的，或许你想在太空发现新生命。远景观点总是比较大的，你的论文并不能实现你的远景，但是可以朝着那个方向努力。 .. 做论文时，最困难的就是如何将问题消减至可解决的水平，同时规模又足以做一篇论文。“解决AI的宽度优先”是常见毛病的一个例子，题目太大太虚了。你会发现需要不断的缩小题目的范围。选题是一个渐进的过程，不是一个离散的事件，会持续到你宣布论文已经完成那一刻为止。实际上，解决问题通常比精确地描述问题要容易得多。如果你的目标是一个五十年的工程，那么合理的十年工程是什么，一年的呢？如

果目标的结构庞大，那么最核心的部件是什么，如何最大程度的了解核心部件？ .. 一个重要的因素是你可以忍受多大程度的风险。在最终的成功和风险之间需要权衡。这也并不总是对的，AI中有很多研究者尚未涉及的想法。 .. 好的论文选题有一个中心部分，你确信肯定可以完成，并且你和你的导师都同意这已经满足毕业要求了。除此之外，论文中还有多种扩展，有失败的可能，但如果成功了，会增加论文的精彩程度。虽然不是每一个论文选题都符合这个模式，但值得一试。 .. 有些人觉得同时在多个项目中工作可以在选题的时候选择可以完成的那个。这确实降低了风险。另外一些人则愿意在做任何工作之前，选一个单独的题目。 .. 可能你只对某个领域感兴趣，这样你的选题范围就狭窄得多。有时候，你会发现系里的老师没有一个人能够指导你选择的领域。可能还会发现好像那个领域没什么很自然的选题，反而对别的领域有好想法。 .. 硕士选题比博士选题更难，因为硕士论文必须在你所知不多没有足够自信时就完成。 .. 博士选题需要考虑的一个因素是是否继续硕士阶段所研究的领域，可能拓展或者作为基础，或者干脆转到另外一个领域。待在同一个领域事情就简单了，可能只需要一到两年就毕业了，特别是如果在硕士阶段的工作中已经发现了适合做博士论文的题目。不足之处在于容易定型，改换领域则能增加知识的宽度。 .. 有的论文题目很新奇，有的则很普通。前者开创了新领域，探索了以前未曾研究过的现象，或者为很难描述的问题提供了有效的解决方法；后者则完美地解决了定义良好的问题。两种论文都是有价值的。选择哪一种论文，取决于个人风格。 .. 论文的“将来的工作”部分，是很好的论文题目来源。 .. 无论选什么样的题目，必须是前人未曾做过的。即使是同时有人做的工作，也不好。有很多东西可作，根本无需竞争。还有一种常见的情况，读了别人的论文后感觉很惊慌，好像它已经把你的问题解决了。这通常发生在确定论文题目过程中。实际上往往只是表面类似，因此将论文送给某个了解你的工作的高人看看，看他怎么说。 .. MIT AI实验室的论文并非全是有关人工智能的；有些是有关硬件或者程序设计语言的，也行。选好题后，即使有点虚，你必须能够回答下列问题：论文的论点是什么？你想说明什么？你必须有一句，一段，五分钟的答案。如果你不知道自己在干什么，别人也不会严肃对待你的选题，更糟糕的是，你会陷在选题——再选题的圈子里而不能自拔。

开始作论文研究后，一定要能够用简单的语言解释每一部分的理论和实现是如何为目标服务的。

记住，一旦选好了题目，你必须与导师就论文完成的标准达成清晰的一致。如果你和他对论文具有不同的期望，最后你肯定死得很惨。必须定义好“完成测试”的标准，像一系列的能够证明你的理论和程序的例子。这是必须做的，即是你的导师并不这么要求。如果环境发生了根本的变化，测试也要随之改变。

首先尝试论文问题的简化版本。用实例检验。在形成理论抽象之前，要完整的探究具有代表性的例子。

做论文的过程中，有很多浪费时间的方式。要避免下列活动（除非确实跟论文相关）：语言表达的设计；用户接口或者图形接口上过分讲究；发明新的形式化方法；过分优化代码；创建工具；官僚作风。任何与你的论文不是很相关的工作要尽量减少。

一种众所周知的现象“论文逃避”，就是你突然发现改正某个操作系统的BUG

是非常吸引人也很重要的工作。此时你总是自觉不自觉的偏离了论文的工作。要记住自己应该做些什么。（本文对于部分作者来说就属于论文逃避现象）。

11. 研究方法论

[本部分内容比较少，请添加]

研究方法学定义了什么是科研活动，如何开展研究，如何衡量研究的进展，以及什么叫做成功。AI的研究方法学是个大杂烩。不同的方法论定义了不同的研究学派。

方法是工具。使用即可，不要让他们来使用你。不要把自己陷于口号之中：“AI 研究需要牢靠的基础”，“哲学家只会高谈阔论，人工智能则需要拼搏”，“在问为什么之前，先搞清楚计算的是什么”。实际上，要在人工智能领域取得成功，你必须擅长各种技术方法，还必须具备怀疑的态度。例如，你必须能够证明定理，同时你还必须思考该定理是否说明了什么。很多优秀的AI篇章都是巧妙地在几种方法论中取得平衡。例如，你必须选择一条在太多理论（可能与任何实际问题都无关）和繁琐的实现（把实际的解决方法表达得语无伦次）之间的最佳路线。你经常会面临区分“干净”和“肮脏”的研究决策。你应该花时间将问题在某种程度上形式化吗？还是保持问题的原始状态，此时虽然结构不良但更接近实际？采用前一种方法（如果可行的话）会得到清晰确定的结果，但这一过程往往是繁琐的，或者至少不会直接解决问题。后者则有陷入各种处理的漩涡之中的危险。任何工作，任何人，必须作出明智的平衡。

有些工作象科学。你观察人们是怎样学习算术的，大脑是如何工作的，袋鼠是如何跳的，然后搞清楚原理，形成可检验的理论。有些工作象工程：努力创建一个更好的问题解决器或者算法。有些工作象数学：

跟形式化打交道，要理解属性，给出证明。有些工作是实例驱动的，目标是解释特定的现象。最好的工作是以上几种的结合。

方法具有社会性，看看别人是如何攻克类似难题的，向别人请教他们是如何处理某种特殊情况的。

12. 情感因素

研究是艰苦的工作，很容易对之失去兴趣。一个令人尴尬的事实是在本实验室读博的学生只有很少比例最后获得学位。有些人离开是因为可以在产业界赚到更多的钱，或者由于个人的原因；最主要的原因则是由于论文。本节的目标是解释这种情况发生的原因，并给出一些有益的建议。

八数码问题求解--实验报告讲解

实验报告 一、实验问题 八数码问题求解 二、实验软件 VC6.0 编程语言或其它编程语言 三、实验目的 1. 熟悉人工智能系统中的问题求解过程； 2. 熟悉状态空间的盲目搜索和启发式搜索算法的应用； 3. 熟悉对八数码问题的建模、求解及编程语言的应用。 四、实验数据及步骤 （一、）实验内容 八数码问题：在3×3的方格棋盘上，摆放着1到8这八个数码，有1个方格是空的，其初始状态如图1所示，要求对空格执行空格左移、空格右移、空格上移和空格下移这四个操作使得棋盘从初始状态到目标状态。 2 8 3 1 2 3 1 4 8 4 7 6 5 7 6 5 (a) 初始状态(b) 目标状态 图1 八数码问题示意图 （二、）基本数据结构分析和实现 1.结点状态 我采用了struct Node数据类型 typedef struct _Node{

int digit[ROW][COL]; int dist; // distance between one state and the destination一 个表和目的表的距离 int dep; // the depth of node深度 // So the comment function = dist + dep.估价函数值 int index; // point to the location of parent父节点的位置 } Node; 2.发生器函数 定义的发生器函数由以下的四种操作组成： (1)将当前状态的空格上移 Node node_up; Assign(node_up, index);//向上扩展的节点 int dist_up = MAXDISTANCE; (2)将当前状态的空格下移 Node node_down; Assign(node_down, index);//向下扩展的节点 int dist_down = MAXDISTANCE; (3)将当前状态的空格左移 Node node_left; Assign(node_left, index);//向左扩展的节点 int dist_left = MAXDISTANCE; (4)将当前状态的空格右移 Node node_right; Assign(node_right, index);//向右扩展的节点 int dist_right = MAXDISTANCE; 通过定义结点状态和发生器函数，就解决了8数码问题的隐式图的生成问题。接下来就是搜索了。 3.图的搜索策略 经过分析，8数码问题中可采用的搜速策略共有：1.广度优先搜索、2.深度优先搜索、2.有界深度优先搜索、4.最好优先搜索、5.局部择优搜索，一共五种。其中，广度优先搜索法是可采纳的，有界深度优先搜索法是不完备的，最好优先和局部择优搜索法是启发式搜索法。 实验时,采用了广度(宽度)优先搜索来实现。 （三、）广度(宽度)优先搜索原理 1. 状态空间盲目搜索——宽度优先搜索 其基本思想是，从初始节点开始，向下逐层对节点进形依次扩展，并考察它是否为目标节点，再对下层节点进行扩展（或搜索）之前，必须完成对当层的所有节点的扩展。再搜索过程中，未扩展节点表OPEN中的节点排序准则是：先进入的节点排在前面，后进入的节点排在后面。其搜索过程如图（1）所示。

浙江大学人工智能研究所(以下简称AI)创建于1981年,是专概要

浙江大学人工智能研究所（以下简称AI）创建于1981年，是专门从事科学研究与培养高层次计算机专业人才的科研机构。全所现有各类研究人员46名，其中教授15名（含中国工程院院士1名，长江计划特聘教授1名,博士生导师10名），副教授22名，讲师10名。同时设有计算机应用技术博士点、硕士点和计算机科学与技术博士后流动站。现任研究所所长为浙江大学校长、中国工程院院士潘云鹤教授，副所长为董金祥教授、朱淼良教授和周昌乐教授，学术委员会主任为何志均教授。 研究所下设： 知识工程研究室、智能CAD研究室、CAD&CG研究室、计算机视觉与智能机器人研究室、智能信息管理与决策研究室等5个研究室、实验室，以及资料室、办公室等机构。 主要研究方向： 人工智能理论，形象思维，计算机图形学（CG）与计算机辅助设计（CAD）,计算机集成制造（CIMS）及其它先进制造技术，智能CAD，信息智能和决策支持，计算机视觉与智能机器人，多媒体技术，工程数据库，智能控制，计算机网络和信息通讯，科学可视化，分布式知识库，操作系统，数据库，管理信息系统，计算机辅助工业设计等。 学术带头人： Founded in 1981, the Artificial Intelligence Research Institute (AIRI) is an institution specializing in scientific research and high-level computer talent cultivating. Presently it has a staff of 46. Among them, there are 15 professors ( including one member of Chinese Engineering Academy, one member of China Education Ministry’s Cheung Kong (Chiang Jiang) Scholar,ten doctoral supervisors), 22 associate professors and 10 lecturers. In addition to the Ph.D and Master degree programs, it also offers post doctoral program in computer science and technology. Chief of Institution is Prof. Pan Y unhe, who is also president of Zhejiang University and a member of Chinese Engineering Academy. Prof. Dong Jinxiang and Prof. Zhu Miaoliang and Prof. Zhou Changle are vice chiefs of the Institution. Prof. He Zhijun is chairman of academia committee of AIRI. The AIRI consists of one reference room, one administrative office and five research labs, including Knowledge Engineering Lab, Intelligence CAD Lab, CAD&CG Lab, Computer vision & Robotics Labs, Intelligence Information Management and Decision Lab. The main research scope is as follows: Artificial Intelligence theory Imagery thinking Computer Graphics and Computer Aided Design Computer Integrated Manufacture system (CIMS) and other Advanced Manufacturing Technologies Intelligence CAD Information Intelligence and policy support Computer Vision and Robotics Multimedia Technology Engineering Database Intelligent Control Computer Network and Communication Scientific Visualization Distributed Knowledge Database

炒股软件排行榜讲课教案

华尔通星级：五星 1、实时热点资讯 2、人工智能选股系统 3、股票基础知识学习视频教程（初、中、高） 4、支持线上开户，多数券商合作登录。 5、有比较多的技术指标。 6、支持模拟炒股功能 优势： 1、华尔智能选股 华尔智能选股是华尔通推出的根据对个股的量化计算、智能算法以及数据分析智能为用户选出相对优势股。分六个方面选择，包括趋势、突破、尾盘、十字星、黄金位、红三兵六种技术形态，全方位满足用户选股习惯。除此以外，华尔还能帮用户分析个股未来走势。 2、牛人圈子 华尔通设有专门的牛人圈子，资深高手汇聚，牛人会定时直播、分享经典战法、精研技术指标，更有牛人私人笔记，主要记录牛人精华内容，解读上市公司公告、季报、年报，提供最具参考的价值观点。 同花顺星级：五星 同花顺起步早，是国内第一批的企业，总体来说，优势还是有的。 优势： 1、资料齐备，你想看的信息基本上都有；

2、支持线上开户，大部分券商可以直接登录； 3、行情稳定； 4、有比较多的技术指标。 不足之处：还是偏向于传统，缺乏创新。 1.同花顺，大智慧：老牌交易软件, 功能齐全, 资讯及时, 模拟炒股为辅助, 更适合实盘操 作。 2.同花顺的最习惯最顺手，简洁、可视面积大。不过大券商基本都自己开发自家产品了。 电脑：收盘的温馨提示概况得也很实用。资讯栏信息排列得时间错乱 同花顺首页的强弱评级、赚钱效应、个股涨停分布算是挺实用的亮点。K线的指标平台各种指标都有，我觉得实用的一个是“扑捉顶底”，逃顶功能挺准的。感觉软件架构有点问题，容易假死。 雪球星级：四星 雪球最早是做美股论坛的平台，由于上线时间早，累积了大量的专业投资者。现在的雪球更像是个人投资组合的管理工具，同时也比较强调社交属性。 有趣的晒实盘的功能，增加了用户的互动。同时，雪球也推出了“买什么”产品，实质是用户自己建立的投资组合，一些投资组合是免费的，而一些是需要收费的。总的来说，在雪球上可以获得丰富的信息，而且投资者也可以非常便捷的交流。 自媒体社交，好声音打广告，股票微博类

2020人工智能技术的五大改变

2020人工智能技术的五大改变 虽然近年来人工智能经常成为热门议题，但它还远未实现真正的成就。人工智能技术发展的主要障碍在于投资成本，投资成本影响短期内的回报。而当时机成熟时，投资AI的公司却可以获得巨大的回报。在最近的一份报告中，麦肯锡预测人工智能领头企业未来将会实现现金流翻倍。 我们可以在谷歌母公司alphabet财报收入中的“其他投注”里看到一些证据，如2018年其人工智能项目亏损达33.5亿美元。其中，deep mind亏损5.71亿美元，欠母公司14亿美元。由于去年9月技术上的延误，自动驾驶项目waymo 的估值下调了40% 。 其他公司也在进行大规模且昂贵的人工智能服务器项目，如百度、facebook、特斯拉、阿里巴巴、微软和亚马逊。除特斯拉外，上述其他公司现金充裕，能够负担人工智能项目所需的转型成本和资本支出。 尽管科技巨头们在人工智能领域投入了大量资金，但大多数受益的行业本身并不属于科技行业。在re-work 的深度学习和人工智能峰会，与会的人工智能工程师和浪潮ai服务器高管们就他们所带头的项目进行了演示和讨论。 2020，AI技术将会有哪些改变?

1、训练AI知道它“不知道什么” 随着越来越多的医疗保健公司寻求利用人工智能获得准确性，“人类和机器谁能更好地进行医疗诊断”这一问题的答案将在未来十年揭晓。 人工智能初创公司curai 正在研究这样一个问题：如何训练一个模型，让它知道自己什么时候不知道，这样人类就可以介入，避免模型对未知疾病的错误分类。这种方法被称为“人机回圈”。 2、减轻呼叫中心负担 美国联合健康集团在2017年接到了3600万个电话，其中有760万个电话转给了人工智能。这个ai服务器平台的解决方案包括：预检查入口和索赔队列的深度学习、用自动语音识别(asr)实现音频到文本的翻译、自然语言处理(nlp)的无监督聚类算法，生成新的呼叫参数和自动转移呼叫。 3、零售巨头大规模投资人工智能 沃尔玛实验室、宝洁公司和塔吉特百货公司(target)等零售业巨头也出席了本次会议，并介绍了他们计划如何进一步优化零售体验。也许在过去十年里，这些公司被竞争对手(如亚马逊)抢了不少重要领地，但是现在它们也正在抱着谨慎的态度拥抱技术和人工智能。 想象一下这样的购物体验：手推车很多，收银员结算台一直开着，库存充足。与倡导无人超市的amazon go不同，沃尔玛更关注的是库存控制，而不是取代收银员。 4、人工智能可能用来保护隐私权 随着监管机构和社交媒体用户开始质疑用隐私交换免费服务的公平性，隐私问题就一直是新闻头条的常客。自剑桥分析事件爆发以来，这场战斗已接近两年了，

八数码问题人工智能实验报告

基于人工智能的状态空间搜索策略研究 ——八数码问题求解 （一）实验软件 TC2.0 或VC6.0编程语言或其它编程语言 （二）实验目的 1. 熟悉人工智能系统中的问题求解过程； 2. 熟悉状态空间的盲目搜索和启发式搜索算法的应用； 3. 熟悉对八数码问题的建模、求解及编程语言的应用。 （三）需要的预备知识 1. 熟悉TC 2.0或VC6.0 编程语言或者其它编程语言； 2. 熟悉状态空间的宽度优先搜索、深度优先搜索和启发式搜索算法； 3. 熟悉计算机语言对常用数据结构如链表、队列等的描述应用； 4. 熟悉计算机常用人机接口设计。 （四）实验数据及步骤 1. 实验内容 八数码问题：在3×3的方格棋盘上，摆放着1到8这八个数码，有1个方格是空的，其初始状态如图1所示，要求对空格执行空格左移、空格右移、空格上移和空格下移这四个操作使得棋盘从初始状态到目标状态。 图1 八数码问题示意图 请任选一种盲目搜索算法（深度优先搜索或宽度优先搜索）或任选一种启发式搜索方法（A 算法或A* 算法）编程求解八数码问题（初始状态任选），并对实验结果进行分析，得出合理的结论。 2. 实验步骤 （1）分析算法基本原理和基本流程； 程序采用宽度优先搜索算法，基本流程如下：

（2）确定对问题描述的基本数据结构，如Open表和Closed表等；

（3）编写算符运算、目标比较等函数； （4）编写输入、输出接口； （5）全部模块联调； （6）撰写实验报告。 （五）实验报告要求 所撰写的实验报告必须包含以下内容： 1. 算法基本原理和流程框图； 2. 基本数据结构分析和实现； 3. 编写程序的各个子模块，按模块编写文档，含每个模块的建立时间、功能、输入输出参数意义和与其它模块联系等； 4. 程序运行结果，含使用的搜索算法及搜索路径等； 5. 实验结果分析； 6. 结论； 7. 提供全部源程序及软件的可执行程序。 附：实验报告格式 一、实验问题 二、实验目的 三、实验原理 四、程序框图 五、实验结果及分析 六、结论

人工智能选股之stacking集成学习

人工智能选股之stacking集成学习

本文研究导读 (4) Stacking集成学习模型简介 (5) Stacking集成学习的原理 (5) 从传统的Stacking到改进的Stacking (6) Stacking集成学习中基模型的对比和选取 (7) 相同训练数据，不同模型的对比 (7) 训练数据为72个月 (7) 训练数据为6个月 (7) 不同训练数据，相同模型的对比 (8) 模型预测值相关性分析和夏普比率分析 (9) Stacking集成学习测试流程 (10) 测试流程 (10) 模型构建 (12) Stacking模型分层回测分析 (13) 模型选股测试结果和IC值分析 (17) 对比测试1 (18) 对比测试2 (20) 对比测试3 (22) 总结和展望 (24) 附录：传统Stacking和改进Stacking的区别 (25) 传统Stacking模型的构建过程 (25) 改进Stacking模型的构建过程 (25) 风险提示 (27)

图表1： Stacking集成学习示意图 (5) 图表2：传统的Stacking集成学习 (6) 图表3：改进的Stacking集成学习 (6) 图表4：各机器学习模型相对中证500的超额收益（训练数据为72个月） (7) 图表5：各机器学习模型相对中证500的超额收益（训练数据为6个月） (8) 图表6： XGBoost各训练期长度训练所得模型相对中证500的超额收益（训练数据为6个月）.. 8图表7：其他基模型预测值与XGBoost_72m预测值的相关系数 (9) 图表8：基模型夏普比率 (9) 图表9：基模型适应度指标S (9) 图表10： Stacking集成学习模型构建示意图 (10) 图表11：选股模型中涉及的全部因子及其描述 (11) 图表12： Stacking模型滚动训练过程 (12) 图表13： Stacking模型滚动测试过程 (13) 图表14：单因子分层测试法示意图 (14) 图表15： Stacking模型分层组合绩效分析（20110131～20180427） (15) 图表16： Stacking模型分层组合回测净值 (15) 图表17： Stacking模型各层组合净值除以基准组合净值示意图 (15) 图表18： Stacking模型分层组合1相对沪深300月超额收益分布图 (15) 图表19： Stacking模型多空组合月收益率及累积收益率 (15) 图表20： Stacking模型组合在不同年份的收益及排名分析（分十层） (16) 图表21：不同市值区间Stacking模型组合绩效指标对比图（分十层） (16) 图表22：不同行业Stacking模型分层组合绩效分析（分五层） (17) 图表23：对比测试1中各种模型选股指标对比（全A选股，行业中性） (18) 图表24：对比测试1中各种模型超额收益和回撤表现（全A选股，中证500行业中性，每个行业选4只个股） (19) 图表25：对比测试1中各种模型IC，IR指标 (19) 图表26：对比测试1中各种模型IC 值累积曲线 (19) 图表27：对比测试2中各种模型选股指标对比（全A选股，行业中性） (20) 图表28：对比测试2中各种模型超额收益和回撤表现（全A选股，中证500行业中性，每个行业选4只个股） (21) 图表29：对比测试2中各种模型IC，IR指标 (21) 图表30：对比测试2中各种模型IC 值累积曲线 (21) 图表31：对比测试3中各种模型选股指标对比（全A选股，行业中性） (22) 图表32：对比测试3中各种模型超额收益和回撤表现（全A选股，中证500行业中性，每个行业选4只个股） (23) 图表33：对比测试3中各种模型IC，IR指标 (23) 图表34：对比测试3中各种模型IC 值累积曲线 (23) 图表35：传统Stacking模型的构建过程 (25) 图表36：改进Stacking模型的构建过程 (26)

stem课程实验室建设方案(20200515164750)

stem课程实验室建设方案 一、政策背景 国务院颁布的《新一代人工智能发展规划》中指出：“人工智能成为国际竞争的新焦点，应逐步开展全民智能教育项目，在中小学阶段设置人工智能相关课程、逐步推广编程教育、建设人工智能学科，培养复合型人才，形成我国人工智能人才高地。” 战略目标： 第一步 ----- 2020年 ----- 人工智能产业成为新的重要经济增长点。技术应用成为改善民生的新途径。 第二步 ----- 2025年 ----- 人工智能成为带动我国产业升级和经济转型的主要动力。 第三步 ----- 2030年 ----- 我国将成为世界主要人工智能创新中心，为跻身创新型国家前列和经济强国奠定重要基础。 二、如何建设stem课程实验室

如何搭stem课程实验室，STEAM实验室正在全国各地的学校涌现。Stem课程创客实验室为教育实践提供新的创新方法，鼓励 学生设计、实验、建设和发明。 创客实验室不仅仅是科学实验室，木工作坊，计算机实验室或艺术室，而是可能包含所有这些空间中的元素。因此，它的设计必 须适应各种活动需求以及活动的多样性和趣味性，这个在制作和探索过程非常重要，这就是STEM实验室与一次性空间的区别。 三、中小学stem课程包含有哪些内容，以智库教育为例： 四、备注 由于每个学校的stem课程实验室及其适应的活动可能会有所不同，也要看学校的具体的需求和要求。建设创客实验室功能和使用最为关键的步骤之一，学校可以与创客企业合作，阐明满足这些需求。或者，访问其他创客空间或实验室可以得到一些宝贵的 意见。作为创客教育设备提供商，会有很多合作的创客空间与

steam实验室可供参观。

八数码实验报告人工智能课设报告

学生实验报告 实验课名称：人工智能 实验名称: 八数码 专业名称：计算机科学与技术 班级： 学号： 学生姓名： 教师姓名： 2010 年10 月20日 一．实验内容 用OPEN表和CLOSED表解决搜索问题。 二．实验题目 采用启发式算法（如A*算法）求解八数码问题。 三．实验要求 1.必须使用OPEN表和CLOSED表。 2.明确给出问题描述。系统初始状态。目标状态和启发式函数。 3.除了初始状态以外，至少搜索四层。 4.给出解路径（解图）。 四．实验过程 ①问题：初始状态到目标状态是否可解如何判断？ 答：实验过程自己给出的初始状态使用A*算法求解，并不是所有的初始状态都可解到达目标状态。因为八数码问题其实是0~9的一个排列，而排列有奇排列和偶排列，从奇排列不能转化为偶排列或者相反。例如：函数f(s)表示s前比s 小的数字的数目（s 则当f(a8)+f(a7)+……+f(a1)为偶数时才能重排成，所以嘛,上面那个有解的. ②问题描述： 在3X3的九宫格棋盘上，摆有8个将牌，每一个将牌都刻有1~8数码中的某一个数码。棋盘中留有一个空格，允许周围的某一个将牌向空格移动，这样通过移动将牌就可以不断地改变将牌的布局。这种游戏的求解的问题是：给定一种处

世的将牌布局或结构和一个目标的布局，问如何移动将牌，实现从从初始状态到目标状态的转变。 下面给出初始状态和目标状态： 初始状态：Array 目标状态： 评价函数f(n)形式为：f(n)=g(n)+h(n),其中g(n)是节点所处的深度， h(n)是启发式函数，这里启发式函数h(n)表示“不在位”的将牌个数，这时f(n) 注意：移动规则为左-→上→右→下。 ③搜索过程： 因此可得解路径：S(4)→B(4)→D(5)→E(5)→I(5)→K(5)→L(5). ④得到OPEN表和CLOSED表 OPEN表

人工智能-图像识别与人工智能研究所XXXX年研究生招生简章考研专业目录 精品

图像识别与人工智能研究所 图像识别与人工智能研究所（以下简称图像所）于1978年由教育部和航天部共同批准建立、直属于华中科技大学的一所融研究、教学为一体，以图像识别和人工智能为研究方向的研究机构。建所30余年来，图像所始终瞄准航天、航空和信息技术领域的国家目标，进行应用基础和应用技术的研究，在国内的模式识别与智能系统学科具有明显的研究特色和学科优势，在航天航空的智能信息处理领域具有较高的知名度。图像所分别于1984年、1990年获得硕士和博士学位授予权，20XX年被批准为湖北省重点学科，20XX年被批准为国家重点二级学科“模式识别与智能控制”，是该二级学科全国5个重点学科单位之一。1993年获批“图像信息处理与智能控制”国家教委开发实验室，1999年升格为教育部重点实验室。1998年3月由中国航天工业总公司和国家教委共同批准命名为“中国航天图像识别技术研究所”，与航天工业总公司共建。20XX年12月获批成立“多谱信息处理技术”国家级重点实验室。 图像所经过多年的建设已形成先进、配套的科研、教学、开发环境和雄厚的技术储备，有一支层次高，年龄、专业结构合理的科研教学梯队。该所现有科研、教学人员40余人，其中双聘院士1人，“长江学者”讲座教授1名，教授10名、副教授13名，入选“新世纪优秀人才支持计划”1人。87%的教师拥有博士学位，76％为45岁以下青年教师。20XX年被命名为国家级科技创新团队。除了本所的教师队伍外，图像所还聘请了航天科技集团的科学院院士沈绪榜教授、美国西北大学终生教授、计算机视觉领域的世界知名学者吴郢教授等作为图像所兼职博导培养博士生。目前本专业在读硕士生、博士生350余人。 图像所在“模式识别与智能系统”学科点上现有的研究方向是：计算机视觉与应用、模式识别与图像分析、图像处理系统及应用、医学成像与处理、人工智能与认知科学、集成电路及系统芯片的研究与设计以及微纳光电技术。在“导航制导与控制”学科点上现有的研究方向是：多谱寻的制导、多谱匹配制导、多谱目标探测以及制导信息处理芯片设计。在“信息安全”学科点上现有的研究方向是：混沌密码理论与技术（包括密码算法的IC设计），无线移动网络的安全技术，网络主动防御技术以及城市交通智能管理与安全信息服务技术。2001年以来，图像所培养博士135名、硕士540名，6人获得湖北省优秀博士论文，5人获得湖北省优秀硕士论文。图像所现有在读硕士研究生235人，博士研究生118人。 图像所在培养研究生的同时，承担了大量的国家级科研项目，取得了一大批科研成果。20XX年至今，图像所已经承担了包含国家自然科学基金、973、863、国家级预研计划等在

[人工智能改变生活论文] 人工智能改变生活 ppt

[人工智能改变生活论文] 人工智能改变生活ppt 人工智能(ArtificialIntelligence) ,英文缩写为AI，也称机器智能。以下是小编整理分享的人工智能改变生活论文的相关文章，欢迎阅读! 人工智能改变生活论文篇一 摘要：介绍了人工智能的概念及其目前发展概况,对人工智能的几种类型及应用，如：模式识别、专家系统作了简要的介绍。并对人工智能今后的发展前景进行了分析。 关键词：人工智能 1引言 人工智能(ArtificialIntelligence) ,英文缩写为AI，也称机器智能。人工智能一词最初是在1956年Dartmouth学会上提出的。它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。从计算机应用系统的角度出发，人工智能是研究如何制造智能机器或智能系统，来模拟人类智能活动的能力，以延伸人们智能的科学。 2目前人工智能技术的研究和发展状况 目前，人工智能技术在美国、欧洲和日本依然飞速发展。在AI技术领域十分活跃的IBM 公司，已经为加州劳伦斯利佛摩尔国家实验室制造了ASCIWhite 电脑，号称具有人脑的千分之一的智力能力，而正在开发的更为强大的新超级电脑蓝色牛仔(Blue Jean)，据其研究主任保罗霍恩称，蓝色牛仔的智力水平将大致与人脑相当。 3技术应用 随着AI的技术的发展，现代几乎各种技术的发展都涉及到了人工智能技术，可以说人工智能已经广泛应用到许多领域，其典型的应用包括：

3.1符号计算 计算机最主要的用途之一就是科学计算,科学计算可分为两类:一类是纯数值的计算,例如求函数的值; 另一类是符号计算,又称代数运算,这是一种智能化的计算, 处理的是符号。符号可以代表整数、有理数、实数和复数,也可以代表多项式,函数,集合等。随着计算机的普及和人工智能的发展,相继出现了多种功能齐全的计算机代数系统软件, 其中Mathematic和Maple 是它们的代表，由于它们都是用C 语言写成的, 所以可以在绝大多数计算机上使用。 3.2模式识别 模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读。这里,我们把环境与客体统称为模式。网。用计算机实现模式(文字、声音、人物、物体等)的自动识别，是开发智能机器的一个关键的突破口，也为人类认识自身智能提供线索。计算机识别的显著特点是速度快、准确性和效率高。识别过程与人类的学习过程相似。以语音识别为例：语音识别就是让计算机能听懂人说的话，一个重要的例子就是七国语言(英、日、意、韩、法、德、中)口语自动翻译系统。该系统实现后，人们出国预定旅馆、购买机票、在餐馆对话和兑换外币时，只要利用电话网络和国际互联网，就可用手机、电话等与老外通话。 3.3机器翻译 机器翻译是利用计算机把一种自然语言转变成另一种自然语言的过程，用以完成这一过程的软件系统叫做机器翻译系统。目前，国内的机器翻译软件不下百种，根据这些软件的翻译特点，大致可以分为三大类：词典翻译类、汉化翻译类和专业翻译类。词典类翻译软件代表是金山词霸了，堪称是多快好省的电子词典，它可以迅速查询英文单词或词组的词义，并提供单词的发音，为用户了解单词或词组含义提供了极大的便利。汉化翻译软件的典型代表是东方快车2000，它首先提出了智能汉化的概念，使翻译软件的辅助翻译作用更加明显。 3.4机器学习 机器学习是机器具有智能的重要标志，同时也是机器获取知识的根本途径。有人认为，一个计算机系统如果不具备学习功能，就不能称其为智能系统。机器学习主要研究如何使计算机能够模拟或实现人类的学习功能。机器学习是一个难度较大的研究领域，它与认知科学、神经心理学、逻辑学等学科都有着密切的联系，并对人工智能的其他分支，如专家系统、自然语言理解、自动推理、智能机器人、计算机视觉、计算机听觉等方面，也会起到重要的推动作用。

人工智能 八数码实验

人工智能作业八数码问题

一、题目 八数码问题： 初始状态图：目标状态图： 二、算符与状态空间 算符：左、上、右、下 状态空间： 状态：A=(X0,X1,X2,X3,X4,X5,X6,X7,X8) 初始状态：S0=(0,4,1,5,2,8,3,6,7); 目标状态：Sg=(0,1,7,5,2,8,3,6,4)。

三、搜索树 22 求解: 四、Open 表，Closed 表 Open 表： Closed 表：

五、程序代码 /* 3_13.pro eight puzzle */ trace DOMAINS state=st(in,in,in,in,in,in,in,in,in) in=integer DATABASE-mydatabase open(state,integer) closed(integer,state,integer) res(state) mark(state) fail_ PREDICATES solve search(state,state) result searching step4(integer,state) step56(integer,state) equal(state,state) repeat resulting(integer) rule(state,state) GOAL solve. CLAUSES solve:-search(st(0,4,1,5,2,8,3,6,7),st(0,1,7,5,2,8,3,6,4)),result. search(Begin,End):-retractall(_,mydatabase), assert(closed(0,Begin,0)),assert(open(Begin,0)),

盘点：从斯坦福人工智能实验室走出的人物及创举

盘点：从斯坦福人工智能实验室走出的人物及创举 来源：宇辰网 成立至今，斯坦福人工智能实验室的历史已逾50年，在人工智能漫长的发展岁月里，从这座实验室走出了许多杰出人物和作品。 1.图像识别 李飞飞/图来源网络 斯坦福大学人工智能实验室和视觉实验室（Stanford Artificial Intelligence Laboratory，SAIL）华裔教授李飞飞，多年来致力于解决图像识别、机器学习和语言处理等人工智能领域的棘手难题。 2007-2009年，李飞飞及其团队通过网络众包技术，建立起了含有1500万张照片、涵盖22000种物品的全球最大图像识别数据库Imagenet。

“这些物品是根据日常英语单词进行分类组织的。无论是在质量上还是数量上，这都是一个规模空前的数据库。在"猫"这个对象中，我们有超过62000只猫，长相各异，姿势五花八门，而且涵盖了各种品种的家猫和野猫。我们对ImageNet收集到的图片感到异常兴奋，而且我们希望整个研究界能从中受益，所以以一种和TED一样的方式，我们公开了整个数据库，免费提供给全世界的研究团体。”Li Feifei在TED演讲上说:“事后我们再来看，这个利用大数据来训练计算机算法的思路，也许现在看起来很普通，但回到2007年时，它就不那么寻常了。我们在这段旅程上孤独地前行了很久。” 图像识别之后，李飞飞又开启了Visual Genome（视觉基因组）计划，要把语义和图像结合起来，推动人工智能的进一步发展。 2.人工神经网络 吴恩达/图来源网络

机器学习领域专家，斯坦福人工智能实验室教授，在线教育平台Coursera 的联合创始人吴恩达，曾于2011年创建并领导了谷歌的深度学习团队，打造出大规模人工神经网络。该神经网路总共由16000 个处理器连接而成，内部共有10 亿个节点，能够在没有任何先验知识的情况下自主学习。这个项目的技术已经被应用到了安卓操作系统的语音识别系统上。 人工神经网络是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。近十多年来，随着研究工作的不断深入，人工神经网络取得了显著进展，现已应用于模式识别、智能机器人、生物、医学、经济等领域，成功地解决了很多现代计算机难以解决的实际问题。 3.开源机器人技术软件平台 ROS/图来源网络

中小学无人机创客实验室建设方案

中小学无人机创客实验室 建设方案 Prepared on 24 November 2020

空中机器人中小学创客实验室建设方案 （初稿） 河北恒拓电子科技有限公司 2017年8月17日 一、背景 空中机器人又叫无人机，近年来在军用机器人家族中，无人机是科研活动最活跃、技术进步最大、研究及采购经费投入最多、实战经验最丰富的领域。 近些年来，空中机器人从军用走向了民用，同时也衍生出了多种多样的形态和用途。目前使用最为广泛的是多旋翼飞行器，多旋翼飞行器以其简单的结构、超强的机动性、独特的飞行方式以及军事和民事领域展现出的巨大应用价值，引起了国内外学者以及科研机构的广泛关注，并迅速成为目前国际上研究的热点之一，越来越多的人员对其研究以及学习。 从教育部获悉，2017年本科院校新增7个无人机相关专业，从侧面印证了无人机行业的前瞻性，无论是现在还是未来无人机智控科技在社会上将掀起一阵新的科技浪潮。 国务院印发《新一代人工智能发展规划》，《规划》提出要在中小学阶段设置人工智能相关课程，推动人工智能领域一级学科建设，把高端人才队伍建设作为人工智能发展的重中之重，完善人工智能教育体系等内容。 2017年《义务教育小学科学课程标准》提出，为进一步加强小学科学教育，从今年秋季开始，小学科学课程起始年级调整为一年级。并且今年国务院印发《新一代人工智能发展规划》，其中明确指出应逐步开展全民智能教育项目，在中小学阶段设置人工智能相关课程、逐步推广编程教育、建设人工智能学科，培养复合型人才，形成我国人工智能人才高地。

中国STEM教育协作联盟倡导的“以人文引领的学科融合性教育”是STEAM教育理念的延伸，将给国内的中小学人工智能学科教育带来新的探索和尝试。 二、理念和必要性 随着无人机尤其是多旋翼飞行器技术的不断发展，无人机的用途已经深入各行各业，尤其我国无人机行业发展速度很快，对于人才的需求急剧增加，据估算，我国2018年需要的无人机操作维护人员至少达到20万人未来甚至更多，为面对未来人才的急剧需求和面对日新月异的科技变化时代，我国对人工智能基础教育项目的重视越来越大，而国务院印发的《新一代人工智能发展规划》更是提出了对中小学人工智能相关教育的战略规划，为培养未来的人工智能人才，人工智能基础教育显得尤为重要，而具体的体现便是空中机器人创客实验室。 本方案根据中小学自身的特点，结合本公司产品情况进行中小学科普课程设计，实验室设施不仅可以满足中小学生对空中机器人有一定系统的认识，掌握一定的基础理论知识，还能在平时的课程练习中习得飞行技能和一定专业的编程知识。从认识到组装，从组装到趣味飞行，从趣味飞行到功能性任务完成，再到能力的升华，整个过程一气呵成可谓一举多得。 三、空中机器人创客教育实验室建设目标 建设具有自身特色的空中机器人创客教育实验室，以此为依托促进学校的人工智能基础教育发展和锻炼学生的思维能力以及对人工智能有一定的认识和学习。 教师可以依托实验室的硬件以及技术环境进行课程设计和科学理论的普及，进一步促进学校科技智能教育的发展和相关学科课程的升华，促进学校教学能力的提升，为学校的教学发展增添一抹科技亮色。

人工智能整合

1、人工智能诞生的标志： 1956年夏季，来自数学、心理学、神经生理学、信息论和计算机方面的十位专家，在美国达特莫斯大学召开一次历时两个月的研讨会，讨论了关于机器智能的有关问题，会上达特莫斯大学的麦卡锡提议正式采用“人工智能”一次，标志人工智能学科的正式诞生。 2、状态空间图中三元素分别代表什么？ 状态空间常记为三元组：，S为初始状态的集合，F为操作的集合，G为目标状态的集合。 3、与或图的定义是？ 与或图中节点代表问题：子节点为与关系的节点为与节点，子节点为或关系的节点为或节点，在与或图中无子节点的节点称为端节点。包含与或节点的图称之为与或图。 4、产生式系统推理中的三个推理定义： （1）正向推理：从事实出发，向目标方向进行推理； （2）反向推理：从目标出发，向事实方向进行推理； （3）双向推理：同时从事实和目标出发进行推理。 5、人工智能的学派： 传统划分方法：符号主义学派、连接主义学派和行为主义学派； 现代划分方法：符号智能流派、计算智能流派、群体智能流派。 6、归结策略有哪些：1、删除策略 2、支持集策略 3、线性归结策略 4、单元归结策略 5、语义归结策略祖先过滤型策略；除此之外还有锁归结策略、输入归结策略。 7、不确定性的类型：（1）随机不确定性（2）模糊不确定性（3）不完全性（4）不一致性 简答： ①人工智能的研究领域： 1、博弈 2、自动定理证明 3、专家系统 4、模式识别 5、机器学习 6、计算智能 7、自然语言处理 8、分布式人工智能 9、机器人。 ②子句集的8个步骤： （1）消去蕴含词“->”和等值词“<->”。 （2）缩小否定词的作用范围，使否定词仅作用于原子公式。 （3）变量标准化。适当改名，使得不同量词指导变量不同。 （4）消去存在量词，同时要进行变量替换。 （5）消去所有全称量词。 （6）将公式化为合取范式。 （7）适当改名，使子句之间不含同名的指导变量。 （8）消去合取词，以子句为元素组成一个集合S。 1、状态空间图：状态、操作、状态空间图、求解 2、状态空间图的盲目搜索算法的概念和步骤：深度优先、广度优先（教材30-32页） 3、状态空间图的启发式搜索算法的概念：以启发性知识为导航的搜索就是启发式搜索。 按照考察节点的选择范围不同，算法分为全局择优和局部择优两种。 4、A算法：启发式搜索算法中同时考虑初始节点到当前节点已经付出的代价和当前节点到目标节点的代价，即引入估价函数f(x)=g(x)+h(x) 5、 A*算法：A*算法是一种启发式搜索方法，搜索时对扩展节点的选择方法做了一些限制。要求根据估价函数 f(x)=g(x)+h(x) 对OPEN表中的节点进行排序，并且要求启发函数 h(x) 是 h*(x) 的一个下界，即 h(x)<=h*(x)。h*(x) 是从x节点到目标节点的最小代价路径上的代价。 A* 算法和A算法的区别就是A算法不要求启发函数h(x) 是 h*(x) 的一个下界，即不限制条件h(x)<=h*(x)。A*算法具有可采纳性（如果问题有解，该算法一定能够在有限步内找到一条最优解）、单调性（启发函数值单调递增）、信息性（启发函数的值越大，搜索效率越高） 6、与或图：与或图中节点代表问题：子节点为与关系的节点为与节点，子节点为或关系的节点为或节点，在与或图中无子节点的节点称为端节点。包含与或节点的图称之为与或图。

人工智能将会给我们的生活带来怎样的改变

人工智能与我们的生活 同学们，2017年10月26日，全球首位女性机器人“索菲娅”在沙特职拉伯首都利雅得举行的“未来投资倡议”大会上获得了公民身份。 今天我要跟大家探讨的是人工智能与我们的生活，首先人工智能有三个方面： 一是计算智能，主要表现为能存会算，机器开始像人类一样会计算、传递信息。例如神经网络、遗传算法等，可以帮助人类存储和快速处理海量数据。 二是感知智能，表现为感知外界，机器开始能看懂、听懂，并做出判断，还能做一些相应的行动。例如可以认出罪犯份子的摄像头、可以听懂语音的音箱等，可以帮助人类高效完成“看”和“听”相关的工作。如带小孩的机器人：萌萌。 三是认知智能，表现为自主行动，机器能够像人一样思考。例如完全独立驾驶的无人驾驶汽车、自主行动的机器人等，可以全面辅助或替代人类工作。 Alphago是人工智能发展的标志性事件，未来将诞生自主行为和决策的机器，使我们的生活更加便捷。那么越来越“人”性化的机器，对我们人类的生活会带来哪些影响呢？ 一、人工智能对经济的影响 1.专家系统的效益 成功的专家系统能为它的建造者、拥有者和用户带来明显的经济效益。用比较经济的方法执行任务而不需要有经验的专家，可以极大地减少劳务开支和培养费用。如机器医生。 2.人工智能推动计算机技术发展 人工智能研究已经对计算机技术的各个方面产生了很的大影响。如上天，入地，进入人体工作。以后象我这样的身体也可以大吃大喝，现在还不行。 二、人工智能对文化的影响 1.改善人类语言 人工智能能够扩大人们交流知识的概念，为我们提供一定状况下可供选择的概念，如我国已经进入中国特色社会主义新时代。 2.改善文化生活 比如现有的智力游戏机将发展为具有更高智能的文化娱乐手段。 人工智能技术对人类的社会进步、经济发展和文化提高都有巨大的影响。随着时间的推进和技术的进步，这种影响将越来越明显地从我们的生活中表现出来。还有一些影响，可能是我们现在难以预测的。可以肯定，人工智能将对我们人类的物质文明和精神文明都将产生越来越大的影响。 三、人工智能对人类社会的影响 1.劳务就业问题

图像识别与人工智能研究所发展规划报告

图像所学科建设与发展规划 根据学校建设世界知名高水平大学的发展目标，特制定图像所相应的学科建设与发展规划，以推动本学科的跨越式发展。 一、学科建设总体目标 （一）学科基础 图像识别与人工智能研究所（简称图像所）将继续以跻身于我国的国防科技的发展为切入点，从事发展巡航导弹中制导、末制导关键技术，承担相关预先研究和攻关科研任务为学科建设的主攻方向。 （1）目前本学科点共有五个研究方向： “计算机视觉与应用”、 “成像自动目标识别与精确制导技术”、 “多谱成像与遥感图像处理”、 “人工智能与思维科学” “面向模式识别的专用处理机与IC芯片设计”。 （2）本学科点现有科研人员26人，其中教授（含博士生导师）7人，副教授7人。科研教学梯队层次高，年龄、专业结构合理。现有教学科研用房4000 平方米。实验设备固定资产5000余万元，已初步形成先进、配套的教学、科研、开发环境和雄厚的技术储备。 （3）学科特点 模式识别与智能系统是信息科学技术领域中发展最迅速的前沿领域之一。

来自不同成像传感器的不同谱段的图像信号能全面揭示客观世界的各种特性，智能控制是人工智能与自动控制相结合的现代控制理论和技术，图像模式处理、识别与智能控制的结合构成了智能信息系统和智能自动化系统发展的基础，不仅科学意义深远而且有十分广阔的应用前景。本学科点的主要特色是紧密结合航天、航空和信息技术领域的国家目标，进行应用基础和应用技术的研究和开发，重点研究多谱段图像模式信息的获取、表示、处理、分析与智能系统领域的基础理论与关键技术，同时培养和造就本领域高层次、高质量的科技人才。本学科点具有特色和优势的研究方向是： ·计算机视觉与应用 在基于信息融合的信号处理、基于视觉、力觉和超声波接近觉的多传感器机器人系统和飞行器三维航迹规划技术方面具有特色，承担了国家重大型号XY-20末制导航迹规划攻关项目并进入型号研制。 ·成像自动目标识别与精确制导技术 开展面向复杂背景和随机环境下成像自动目标检测、识别、跟踪的新理论、新方法、新算法和新系统的研究，其特色是瞄准有关国家安全的国家目标,紧密结合航天航空高技术发展,在基于图象和图象序列的自动目标识别,景象匹配定位等精确制导领域开展应用基础和高技术的研究,并将一系列高水平成果应用于国防高技术武器系统中。 ·多谱成像与遥感图像处理 研究微波辐射特性及成像技术、激光雷达成像信号处理和遥感图像处理与