博弈论与人工智能应用.doc

博弈论与人工智能应用 02105010 021051 张佳宾人工智能（AI）是智能机和计算机科学的分支，其目的是创建它。教科书将该字段定义为“研究和设计的智能代理”，其中一个智能代理是一个系统，认为其环境，并采取行动，最大限度地提高成功的机会2个问题2.1演绎，推理，问题解决2.2知识表示2.3规划2.4学习O 2.5自然语言处理O 2.6运动和操纵O 2.7感知O 2.8社会智力O 2.9创造力O 2.10智能3个方法3.1控制论和脑模拟3.2符号3.3小符号3.4统计O 3.5集成的方法4个工具O 4.1搜索和优化4.2逻辑4.3的概率不确定性推理方法4.4分级和统计学习方法O 4.5神经网络4.6控制理论4.7语言评估进展情况6个应用程序6.1比赛及奖品6.2平台7个哲学8个预测演绎，推理，问题解决早期的人工智能研究人员开发的算法，模仿一步一步推理，这些人常常想当然地使用时，他们解决难题，玩棋盘游戏或进行逻辑推理。到了20世纪80年代末和90年代，人工智能研究也开发了非常成功的方法处理不确定或不完整的资料，从概率论和经济学的用人理念。对于难以解决的问题，这些算法都需要巨大的计算资源 - 最有经验的“组合爆炸”：内存或电脑的时间需要天文数字的问题时，超过一定规模的量。寻找更有效的解决问题的算法是人工智能研究的一个高度优先事项。人类解决他们的问题，使用快速，直观的判断，而不是有意识的，一步一步的演绎，早期人工智能的研究是能够模拟。AI一直在模仿这种“子象征性”问题的解决取得了一些进展：体现剂的方法强调的重要性ofsensorimotor技能，以更高的推理;神经网络的研究试图模拟人类和动物的大脑，让这个技能的内部结构。缺省推理和资格问题许多事情的人都知道的“工作假设的形式。”例如，如果一只鸟在谈话中，人们通常想象的动物，是拳头大小，唱歌，和苍蝇。这一切都不是真实的所有鸟类。约翰麦卡锡于1969年确定了这个问题的资格问题：任何常识性规则，人工智能研究人员关心的代表，往往是一个巨大的若干例外情况。几乎没有什么是简单的true或false的方式，抽象的逻辑要求。人工智能的研究，探索出了这个问题的解决方案。51常识性知识的广度，原子事实，一般人都知道的数量是个天文数字。尝试的手，建立一个完整的知识基础的常识性知识（例如，CYC）需要大量的艰苦的本体论的工程 - 他们必须建立一个复杂的概念，在时间的研究项目。52一个主要目标是有计算机理解足够的能够读取来源，如互联网学习的概念，从而可以添加到自己的本体。子象征性的一些常识许多人都知道什么是没有代表的“事实”或“报表”，实际上，他们可以大声的说出来。例如，国际象棋大师将避免国际象棋一个特定的位置，因为它“感觉太暴露了”一名艺术评论家，可以采取一看，在一尊雕像，并立即意识到，这是假的。54这是直觉或倾向，表示不自觉地和子象征性的。55这样的知识在大脑中的通知，支持，并提供了一个象征性的，有意识的知识背景。与子符号推理的相关问题，希望位于AI智能计算将提供这方面的知识的方式来表示。规划主要文章：自动规划与调度学习主要文章：学习机自然语言处理ASIMO使用传感器和智能算法，以避开障碍物和导航楼梯。主要文章：自然语言处理自然语言处理64给出了机器的能力，阅读和理解人类的语言说话。许多研究人员希望，一个足够强大的自然语言处理系统，将能够获得自己的知识，在互联网上提供的现有文本阅读。一些简单的应用程序包括信息检索，自然语言处理（或文本挖掘）和机器翻译。65运动和操纵主要文章：机器人机器人领域66是密切相关的AI。情报需要机器人能够处理等任务对象的操作67和导航，本地化的子问题（知道你在哪里），映射（学习什么是你周围）和运动规划（找出如何那里）。68感觉主要文章：机器感知，计算机视觉，语音识别机器感知69使用输入推断出方面的world.Computer视觉传感器（如摄像机，麦克风，声纳和其他更奇特的）70的能力，分析视觉输入的能力。几个选定的子是语音识别，72 71面部识别和物体识别。社会智力主要文章：情感计算天命，机器人基本的社交技巧情感和社会技能73一个智能代理扮演两个角色。首先，它必须能够预测他人的行为，了解他们的动机和情感状态。 （这涉及博弈论，决策论，以及模拟人类的情绪和感知能力，以检测情绪的能力）。此外，良好的人机交互，智能机也需要显示的情绪。最起码，它必须出现的人类交互的礼貌和敏感。在最好的情况下，它应该有正常的情感本身。创造力主要文章：计算创意Topio的，可以打乒乓球的机器人，开发TOSY。一分田的AI地址创造性的理论从哲学和心理学的角度和实践（通过系统的具体实现，产生输出，可以被认为是创造性的）。计算相关领域的研究，是人工的直觉和人工想象。一般智力主要文章：强大的AI和AI完成大多数研究人员希望，他们的工作将最终将被纳入一般智力的机器（被称为强大的AI），结合以上所有的技能和超过人的能力在大多数或所有的人。12有几个相信，像人工意识anthropomorphicfeatures或人造大脑可能会需要这样的项目。74许多上述问题被认为是AI完成：解决一个问题，你必须解决这些问题。例如，即使是一个简单的，特定的任务，如机器翻译，要求机器按照作者的说法（原因），知道正在谈论什么（知识），并忠实地再现作者的意图（社会智力）。因此，机器翻译，被认为是AI完成：它可能需要强大的AI以及人类能做到这一点。75方法有没有建立统一的理论或范式，引导人工智能的研究。研究人员不同意有关的许多问题。76有几个最久的问题，尚未得到答复是：人工智能模拟自然的智慧，通过学习心理学，神经学？或者是不相关的人类生物学，人工智能研究鸟类的生物学航空工程？77智能行为的描述，使用简单，优雅的原则（如逻辑或优化）？它一定需要解决大量完全无关的问题呢？78智能转载使用高层次的符号，类似的话和想法？ 79还是需要“子象征性的”处理？控制理论与脑模拟主要文章：控制论和计算神经科学有没有达成共识的大脑应该是模拟如何密切。在20世纪40年代和50年代，许多研究者探讨神经病学，信息论和控制论之间的连接。他们中的一些内置的机器，用电子网络表现出起码的情报，如沃尔特W.灰色的海龟和约翰霍普金斯大学的野兽。这些研究人员齐聚一堂，会议的目的论在普林斯顿大学协会和俱乐部在英国比24到1960年，基本上放弃了这种方法，虽然它的元素将恢复在20世纪80年代。符号主要文章：良好的老式人工智能当进入数字式计算机成为可能，在20世纪50年代中期开始，AI的研究，探索人的智力可以减少符号操纵的可能性。三个机构债务工具中央结算系统，斯坦福大学和麻省理工学院的研究为中心，每一个研究开发出了自己的风格。约翰Haugeland命名这些方法AI“好老土AI”或“GOFAI”。80逻辑基础与纽厄尔和西蒙，约翰麦卡锡认为，机器没有需要模拟人类的思维，而应该尝试找到抽象推理和解决问题的本质，无论人们是否使用相同的算法77他在斯坦福大学的实验室（ SAIL）专注于使用正式的逻辑来解决各种各样的问题，包括知识表示，规划和学习。83逻辑的工作重点在爱丁堡和欧洲其他地方的编程语言Prolog的发展科学的逻辑编程。84“反逻辑”或“邋遢”在麻省理工学院的研究人员（如马文明斯基和西摩纸）85发现，解决困难的问题，在视觉和自然语言处理所需的临时解决方案 - 他们认为，有没有简单的一般原则（如逻辑），将捕获所有方面的智能行为。罗杰Schankdescribed他们的“反逻辑”的方法为“邋遢”（作为反对的“整齐”的范例在CMU和斯坦福大学）。78常识性的知识基础（如Doug的陈忠郁）的“邋遢”AI的一个例子，因为必须建立在一个时间的手，一个复杂的概念。86基于知识的当具有大容量内存的计算机成为所有三个传统的研究人员从1970年左右，开始建立知识转化为AI应用程序。87这种“知识革命”导致了专家系统的开发和部署的爱德华费根鲍姆提出的第一个真正的成功的AI软件。35是由许多简单的人工智能应用的实现，将需要大量的知识，也推动了知识革命。小符号在20世纪60年代，象征性的方法取得了巨大成功，在模拟小型示范项目的高层次思维。方法的基础oncybernetics或神经网络被遗弃或推到背景中。88 20世纪80年代，但是，进步的象征性AI似乎摊位，很多人认为是象征性的系统将永远无法完全模仿人类认知的过程，尤其是感知，机器人技术，学习和模式识别。一些研究人员开始研究“子象征性”的方法，具体的AI问题。79自底向上的，具体的，位于，行为或基于新式AI研究人员从相关领域的机器人，如罗德尼布鲁克斯，拒绝象征性AI和重点，使机器人移动和生存的基本的工程问题。89他们的工作恢复了非象征性的角度来看，早期的控制论研究的50年代和重新使用的控制理论在AI。这正好与所实施的头脑认知科学领域的相关论文：思想，身体方面（如运动，感知和可视化）需要更高的智力发展。计算智能在神经网络中的利息和“联结”的复兴大卫鲁梅哈特和其他人在20世纪80年代中期。90这些和其他子象征性的方法，如模糊系统和进化计算，现在集体研究的新兴学科的计算智能91。统计在20世纪90年代，人工智能研究人员开发出复杂的数学工具来解决具体的子问题。这些工具是真正的科学，在这个意义上，他们的结果是可衡量的和可核查的，他们一直负责许多AI最近取得的成功。共享的数学语言也允许一个高层次的合作与更成熟的领域（如数学，经济学或运筹学）。斯图尔特罗素和彼得彼特的描述这项运动不到的“革命”和“非紧急救护车队的胜利。”38整合的方法智能代理范式智能代理是一个系统，感知环境，并采取措施，最大限度地提高成功的机会。最简单的智能代理程序解决具体问题。最复杂的智能代理是理性的，思考人类92的范式为研究人员提供了授权，研究孤立的问题，并找出解决方案，可核查的和有用的，不同意在一个单一的方法。剂，解决一个具体的问题，可以使用任何方法，工作原理 - 一些代理商是象征性的，合乎逻辑的，有些是象征性的子神经网络和其他人可能使用新的方法。该模式也为研究人员提供了一个共同的语言进行沟通与其他领域，如决策理论和经济学，还可以使用抽象代理的概念。智能代理范式在20世纪90年代被广泛接受。93代理体系结构和认知结构研究人员设计了系统构建智能系统的相互作用在多Agent系统的智能代理。94系统的符号和象征性的子组件是一种混合智能系统，这样的系统是人工智能系统集成的研究。一个层次最低，反应水平和传统的象征性AI的最高水平，宽松的时间限制，允许规划和世界的建模，控制系统子象征性AI之间架起了一座桥梁。95罗德尼布鲁克斯的包容结构是一个早期的建议这样的分级系统。工具在50多年的研究过程中，AI已经开发了大量的工具来解决最困难的问题，在计算机科学。下面讨论这些方法中最一般的几个。搜索和优化主要文章：搜索算法，优化（数学），和进化计算在AI的许多问题是可以解决的理论，通过多种可能的解决方案：智能搜索96推理可以减少执行搜索。 97例如，逻辑证明可以被看作是搜索的路径，导致处所的结论，其中每一步的推理规则是应用规划的目标和子目标树算法，通过搜索，试图找到一条通往目标的目标，这个过程被称为手段 - 目的分析98。Roboticsalgorithms移动四肢和把握对象的使用本地搜索，在配置空间。67许多学习算法，使用基于搜索算法的onoptimization。简单的穷举搜索最现实世界的问题是远远不够的99：在搜索空间的地方（搜索），很快就会astronomicalnumbers。其结果是，过慢或无法完成的搜索。 ，许多问题，解决的办法是使用“启发式”或“经验法则”，消除选择，是不太可能导致目标（称为“修剪搜索树”）。启发式程序提供一个“最好的猜测”，解决的办法是什么样的路径上。100一个非常不同的搜索开始崭露头角，在20世纪90年代，基于优化的数学理论。对于很多问题，这是可能的，开始搜索与某种形式的猜测，然后细化增量的猜测，直到没有更多的改进可以。这些算法可以可视化的作为盲爬山：我们开始搜索一个随机点的景观，然后，通过跳跃或步骤，我们继续前进，我们的猜测上坡，直到我们到达山顶。其他优化算法，模拟退火算法，梁搜索和随机优化。101进化计算，使用优化搜索的一种形式。例如，他们可能会开始与人口的生物（猜测），然后让他们变异和重组，只选择最适合的，每一代人生存（提炼的猜测）。表格进化计算包括群intelligencealgorithms的（如蚁群粒子群优化）102和进化算法（如遗传算法103和遗传规划104 105）。逻辑主要文章：逻辑编程和自动推理。逻辑106引入人工智能的研究由约翰麦卡锡在他的1958年建议接受者的建议。107用于知识表示和解决问题的逻辑，但它可以被应用到其他的问题。例如，satplan算法使用逻辑规划108和归纳逻辑程序是这样一种方法forlearning 109人工智能的研究中使用的几种不同形式的逻辑。命题或句子的逻辑110是真或假的陈述，其中的逻辑。一阶逻辑111还允许使用的量词和谓词，并能表达对象的事实，性质，和他们的相互关系。模糊逻辑，112是一阶逻辑的一个版本，它允许真理的一份声明中表示为0和1之间的值，而不是简单地真（1）或FALSE（0）。用于模糊systemscan被不确定性推理，并已广泛应用于现代工业和消费电子产品控制系统。不同的和更明确的方式比模糊逻辑的的主观逻辑模型的不确定性：一个给定的的二项式认为满足“信念”+“难以置信+ Beta分布的不确定性= 1个。通过这种方法，无知可以区别于概率报表代理使得具有高可信度。默认的逻辑，非单调逻辑和界限51形式逻辑设计，以帮助默认推理和资格问题。一些扩展的逻辑被设计来处理特定的的域ofknowledge，如：描述逻辑45情景演算，演算和一口流利的事件积分（代表事件和时间）; 46因果关系演算47的信念积分;模态逻辑48。概率不确定性推理方法主要文章：贝叶斯网络，隐马尔可夫模型，卡尔曼滤波，决策理论，效用理论推理，计划，学习，感知和机器人AI（）中的许多问题需要代理操作，不完整或不确定的信息。在80年代末和90年代初开始，犹太珍珠和其他倡导使用从概率论和经济学的方法，设计一个功能强大的工具来解决这些问题。113 114贝叶斯网络115是一个非常通用的工具，可用于大量的问题：推理（使用贝叶斯推理算法），116学习（使用期望最大化算法），117规划（使用的决定网络）118和感知（使用动态贝叶斯网络）。119概率算法也可以被用于滤波，预测，平滑和找到的流的数据的解释，帮助感知系统的分析120随着时间的推移发生的进程 （例如，隐马尔可夫模型121或122卡尔曼滤波器）。从经济学的科学的一个重要概念是“实用”的措施多么宝贵的东西是一个智能代理。精确的数学工具已经开发出来，分析如何剂可以使选择和规划，决策理论，决策分析，123信息价值理论。57这些工具包括模型如马尔可夫决策过程，124动态决策网络124博弈论和机制设计125。分类器和统计学习方法主要文章：（数学），统计分类，分类和机器学习最简单的AI应用程序可以被分为两种类型：分类器（“如果光泽然后钻石”）和控制器（“如果光泽然后拿起”）。控制器然而，分类条件之前推断的行动，因此，分类形成许多AI系统的核心部分。分类功能，使用模式匹配来确定一个最接近的匹配。它们可以根据实施例被调谐，使它们非常有吸引力的用于在AI。这些实施例中是已知的作为观察或图案。在监督学习中，每个模式有一定的预定义类。可以被看作是具有以作出决定的一类。所有的意见结合自己的类标签被称为一个数据集。当接收到一个新的观察，分类，根据以往的经验，观察。126可以训练一个分类，以不同的方式，有许多统计和机器学习方法。使用最广泛的分类是神经网络，127内核的方法，如支持向量机，128 k-近邻算法，129高斯混合模型，130朴素贝叶斯分类器，131和决策树。132这些分类器的性能已经比在宽范围内的任务。分类器的性能在很大程度上取决于对数据进行分类的特性。没有单一的分类效果最好的在所有给定的问题，这也被称为“没有免费的午餐”定理。对于一个给定的问题确定一个合适的分类仍然是一门艺术，而不是科学。133神经网络主要文章：神经网络和联结神经网络是一个相互关联的一组节点，类似于在人类大脑中的神经元的庞大网络。人工神经网络的研究127在10年开始成立，前场的AI研究在沃尔特皮茨和沃伦麦卡洛的工作。其他重要的早期研究人员弗兰克罗森布拉特是谁发明的感知和开发的BP算法的的保罗Werbos，134的主要类别的网络是无环或前馈神经网络（其中的信号通过仅在一个方向）andrecurrent神经网络（允许反馈）。其中最流行的前馈网络感知器，多层感知器，径向基函数神经网络135在经常性的网络，最有名的是Hopfield网络，吸引子网络的一种形式，这是第一次由约翰霍普菲尔于1982年。 137 136神经网络可以应用于智能控制的问题（机器人）或学习，使用这样的技术作为Hebbian学习和有竞争力的学习。杰夫霍金斯认为，在神经网络的研究已经停滞，因为它未能建模的基本属性theneocortex，并提出了一个模型（分层时间记忆），是基于神经学研究138。控制理论主要文章：智能控制控制理论，控制论的孙子，有许多重要的应用，特别是在机器人技术。139语人工智能编程语言的主要文章：AI人工智能的研究，研究人员已经开发出多种专用语言，包括Lisp的140和Prolog 141。评估进展情况主要文章：在人工智能的研究进展如何才能确定如果代理是智能？ 1950年，阿兰图灵提出了一个通用的智能代理，现在被称为图灵测试程序来测试。这个程序允许几乎所有的人工智能的主要问题进行测试。然而，这是一个非常困难的挑战，目前所有代理失败。人工智能也可以评估的具体问题，如化学，手写识别和玩游戏的小问题。这样的测试被称为图灵测试主题专家。较小的问题，提供更多可实现的目标，并有不断增加的一些积极成果。AI测试结果为两大类：最佳：它是不可能有更好的表现强大的超人类的表现比所有的人超人类：执行比大多数人更好子人：执行比大多数人更糟糕例如，在草案的性能是最优的，142在国际象棋比赛中的表现是超人类和接近强超人类，143和性能在许多日常事务由人执行的是分人。一种完全不同的方法进行测试，从数学定义智能测量机智能。这些类型的测试设计的智力测验使用柯尔莫哥洛夫复杂性和数据压缩的概念从90年代后期开始的。144 145相似的机器智能的定义已提出马库斯 - 胡特尔在他的著作通用人工智能（施普林格2005 ），一个想法由美和胡特尔的进一步发展。146数学定义的两个主要优点是适用于非人类的智能，没有人测试人员的要求。应用主要文章：人工智能的应用人工智能已成功应用在广泛的领域，包括医疗诊断，买卖股票，机器人控制，法律，科学发现，电子游戏，玩具，和网络搜索引擎。通常情况下，当技术达到主流应用，它不再被认为是人工智能的AI效果，有时被描述为147，它也可能成为集成到人工生命。比赛及奖品主要文章：在人工智能的比赛及奖品有一些比赛和奖品，以促进人工智能的研究。促进主要领域有：普通机器智能，对话行为，数据挖掘，无人驾驶汽车，机器人足球比赛和游戏。平台的平台（或“计算平台”）被定义为“某种硬件架构软件架构（包括应用程序框架），允许软件运行。”由于罗德尼布鲁克斯148指出，很多年前，它不是人工智能软件，它定义了AI功能的平台，而平台本身的实际影响的结果，即，我们需要工作的AI对现实世界的平台，而不是孤立的人工智能问题。各种各样的平台，允许不同的AI方面的发展，从专家系统，尽管基于PC的，但仍然是整个真实世界的系统，各种机器人平台与开放的接口，如广泛使用的伦巴149哲学主要文章：人工智能哲学人工智能，自称是能够重新的能力，人的心灵，是一个挑战，也是哲学的灵感。智能机可以有限制吗？人类智能和人工智能之间是有本质上的区别吗？一台机器可以有一记andconsciousness？下面给出几个最有影响力的这些问题的答案。150图灵的“礼貌公约”如果一台机器作为智能作为一个人，那么它是作为一个人的智能。阿兰图灵的理论，最终，我们只能判断基于行为的智能机器。这个理论形成图灵测试的基础上的151达特茅斯的建议“学习的每一个方面或任何其他功能的智能可以如此精确地描述，一台机器可以模拟它。” 152这种说法被印在1956年的达特茅斯会议的建议，和代表工作的人工智能研究人员的位置。纽厄尔和西蒙的物理符号系统假设“物理符号系统具有必要的和足够的手段，一般明智的行动。”纽厄尔和西蒙认为，智力是由的正式运营符号。153休伯特德雷福斯认为，相反，人类的专业知识依赖于无意识的本能，而不是自觉的符号操作，有“感觉”的局面，而不是明确的象征意义知识。 （见德雷福斯的批评AI）154 155哥德尔不完备定理一个正式的系统（如计算机程序）不能证明所有真实的陈述。罗杰彭罗斯是在那些谁主张，哥德尔定理的限制机器可以做什么。 （见皇帝的心灵。）156 157塞尔强大的AI假说“用正确的输入和输出的适当编程的计算机将因此在同样的意义上，人类有思想有自己的主见。”158塞尔计数器这一说法与他的中国房间的说法，这要求我们看看里面的计算机，并尝试找到可能的“心”。159人造大脑参数可以模拟大脑。 160汉斯摩拉瓦河，雷库日韦尔和其他人认为，它是大脑直接复制到硬件和软件技术上是可行的，而且，这种模拟将原来的基本上是相同的。原有文献Artificial intelligence(AI) is theintelligenceof machines and the branch ofcomputer sciencethat aims to create it. Textbooks define the field as the study and design ofintelligent agents,where an intelligent agent is a system that perceives its environment and takes actions that maximize its chances of success 2Problemso 2.1Deduction, reasoning, problem solvingo 2.2Knowledge representationo 2.3Planningo 2.4Learningo 2.5Natural language processingo 2.6Motion and manipulationo 2.7Perceptiono 2.8Social intelligenceo 2.9Creativityo 2.10General intelligence 3Approacheso 3.1Cybernetics and brain simulationo 3.2Symbolico 3.3Sub-symbolico 3.4Statisticalo 3.5Integrating the approaches 4Toolso 4.1Search and optimizationo 4.2Logico 4.3Probabilistic methods for uncertain reasoningo 4.4Classifiers and statistical learning methodso 4.5Neural networkso 4.6Control theoryo 4.7Languages 5Evaluating progress 6Applicationso 6.1Competitions and prizeso 6.2Platforms 7Philosophy 8PredictionDeduction, reasoning, problem solvingEarly AI researchers developed algorithms that imitated the step-by-step reasoning those humans were often assumed to use when they solve puzzles play board games or make logical deductions.By the late 1980s and 90s, AI research had also developed highly successful methods for dealing withuncertainor incomplete information, employing concepts fromprobabilityandeconomics.For difficult problems, most of these algorithms can require enormous computational resources most experience a combinatorial explosion: the amount of memory or computer time required becomes astronomical when the problem goes beyond a certain size. The search for more efficient problem solving algorithms is a high priority for AI research. Human beings solve most of their problems using fast, intuitive judgments rather than the conscious, step-by-step deduction that early AI research was able to model.AI has made some progress at imitating this kind of sub-symbolic problem solving:Embodied agentapproaches emphasize the importance ofsensorimotorskills to higher reasoning;Neural netresearch attempts to simulate the structures inside human and animal brains that give rise to this skill.Default reasoningand thequalification problemMany of the things people know take the form of working assumptions. For example, if a bird comes up in conversation, people typically picture an animal that is fist sized, sings, and flies. None of these things are true about all birds.John McCarthyidentified this problem in 1969as the qualification problem: for any commonsense rule that AI researchers care to represent, there tend to be a huge number of exceptions. Almost nothing is simply true or false in the way that abstract logic requires. AI research has explored a number of solutions to this problem.51The breadth ofcommonsense knowledgeThe number of atomic facts that the average person knows is astronomical. Research projects that attempt to build a complete knowledge base ofcommonsense knowledge(e.g.,Cyc) require enormous amounts of laboriousontological engineering they must be built, by hand, one complicated concept at a time.52A major goal is to have the computer understand enough concepts to be able to learn by reading from sources like the internet, and thus be able to add to its own ontology.The sub symbolic form of somecommonsense knowledgeMuch of what people know is not represented as facts or statements that they could actually say out loud. For example, a chess master will avoid a particular chess position because it feels too exposedor an art critic can take one look at a statue and instantly realize that it is a fake.54These are intuitions or tendencies that are represented in the brain non-consciously and sub-symbolically.55Knowledge like this informs, supports and provides a context for symbolic, conscious knowledge. As with the related problem of sub-symbolic reasoning, it is hoped thatsituated AIorcomputational intelligencewill provide ways to represent this kind of knowledge.PlanningMain article:Automated planning and schedulingLearningMain article:Machine learningNatural language processingASIMOuses sensors and intelligent algorithms to avoid obstacles and navigate stairs.Main article:Natural language processingNatural language processing 64gives machines the ability to read and understand the languages that humans speak. Many researchers hope that a sufficiently powerful natural language processing system would be able to acquire knowledge on its own, by reading the existing text available over the internet. Some straightforward applications of natural language processing includeinformation retrieval(ortext mining) andmachine translation.65Motion and manipulationMain article:RoboticsThe field ofrobotics66is closely related to AI. Intelligence is required for robots to be able to handle such tasks as object manipulation67andnavigation, with sub-problems oflocalization(knowing where you are),mapping(learning what is around you) andmotion planning(figuring out how to get there).68PerceptionMain articles:Machine perception,Computer visi