智能科学研究智能的本质和实现技术, 是由脑科学、认知科学、人工智能等构建的前沿交叉学科。脑科学研究自然智能机理，建立脑模型，揭示人脑的本质；认知科学研究人类感知、学习、记忆、思维、意识等心智活动；人工智能研究用人工的方法和技术，模仿、延伸和扩展人的智能，实现机器智能。本书系统地介绍了智能科学的概念和方法。全书共分12章。本书可以作为高等院校计算机、自动化、人工智能、智能科学等相关专业的本科生教材，也可供高职培训教材。

第1章 绪论
1.1 智能革命
1.2 智能科学的兴起
1.2.1 脑科学
1.2.2 认知科学
1.2.3 人工智能
1.3 智能科学的研究内容
1.4 展望
1.5 小结
第2章 神经生理基础
2.1 脑系统
2.2 大脑皮质
2.3 神经系统
2.4 神经组织
2.5 突触传递
2.6 神经递质
2.7 静息膜电位
2.8 动作电位
2.9 离子通道
2.10 脑电信号
2.11 小结
第3章 神经计算
3.1 概述
3.2 前馈神经网络
3.3 自适应共振理论ART模型
3.4 神经网络集成
3.4.1 结论生成方法
3.4.2 个体生成方法
3.5 脉冲耦合神经网络
3.5.1 Eckhorn模型
3.5.2 脉冲耦合神经网络模型
3.5.3 贝叶斯连接域神经网络模型
3.6 超限学习机
3.7 功能柱神经网络模型
3.8 神经元集群的编码和解码
3.9 小结
第4章 心智模型
4.1 图灵机
4.2 物理符号系统
4.3 ACT模型
4.4 SOAR模型
4.5 心智社会
4.6 CAM模型
4.6.1 CAM的系统结构
4.6.2 CAM认知周期
4.7 大脑协同学
4.8 小结
第5章 感知智能
5.1 概述
5.2 知觉理论
5.2.1 建构理论
5.2.2 格式塔理论
5.2.3 直接知觉理论
5.2.4 拓扑视觉理论
5.3 视觉感知
5.3.1 视觉通路
5.3.2 马尔的视觉计算理论
5.3.3 图像理解
5.3.4 知觉恒常性
5.4 听觉感知
5.4.1 听觉通路
5.4.2 语音编码
5.4.3 语音识别
5.4.4 语音合成
5.5 人脸识别
5.6 对话系统
5.7 小结
第6章 语言认知
6.1 心理词典
6.2 口语输入
6.2.1 语音编码
6.2.2 韵律认知
6.3 书面输入
6.4 形式文法
6.5 扩充转移网络
6.6 语言理解
6.7 机器翻译
6.7.1 统计机器翻译
6.7.2 神经机器翻译
6.7.3 记忆机器翻译
6.8 语言神经模型
6.8.1 失语症
6.8.2 语言功能区
6.8.3 经典定位模型
6.8.4 记忆整合控制模型
6.9 小结
第7章 学习
7.1 概述
7.2 行为学习理论
7.2.1 条件反射学习理论
7.2.2 行为主义的学习理论
7.2.3 联结学习理论
7.2.4 操作学习理论
7.3 认知学习理论
7.3.1 格式塔学派的学习理论
7.3.2 认知目的理论
7.3.3 认知发现理论
7.3.4 信息加工学习理论
7.3.5 建构主义的学习理论
7.4 人本学习理论
7.5 观察学习理论
7.6 内省学习
7.7 强化学习
7.7.1 强化学习模型
7.7.2 Q学习
7.8 深度学习
7.9 学习计算理论
7.10 小结
第8章 记忆
8.1 记忆系统
8.1.1 感觉记忆
8.1.2 短时记忆
8.1.3 长时记忆
8.2 工作记忆
8.3 遗忘理论
8.4 层次时序记忆
8.5 互补学习记忆
8.5.1 海马体
8.5.2 互补学习系统
8.6 小结
第9章 思维
9.1 思维形态
9.1.1 抽象思维
9.1.2 形象思维
9.1.3 灵感思维
9.2 精神活动层级
9.3 推理
9.3.1 演绎推理
9.3.2 归纳推理
9.3.3 反绎推理
9.3.4 类比推理
9.3.5 常识性推理
9.4 问题求解
9.5 决策理论
9.5.1 决策效用理论
9.5.2 满意原则
9.5.3 逐步消元法
9.5.4 贝叶斯决策方法
9.6 小结
第10章 智力发展
10.1 智力理论
10.1.1 智力的因素论
10.1.2 多元智力理论
10.1.3 智力结构论
10.2 智力的测量
10.3 皮亚杰的经典认知发展理论
10.3.1 图式
10.3.2 儿童智力发展阶段
10.4 认知发展的态射范畴论
10.4.1 范畴论
10.4.2 Topos
10.4.3 态射范畴论
10.5 心理逻辑
10.5.1 组合系统
10.5.2 INRC四元群结构
10.6 智力发展的人工系统
10.7 小结
第11章 情绪与情感
11.1 概述
11.1.1 情绪的构成要素
11.1.2 情绪的基本形式
11.1.3 情绪的功能
11.2 情绪加工理论
11.2.1 情绪语义网络理论
11.2.2 贝克的图式理论
11.2.3 威廉斯的情绪加工理论
11.3 情商
11.4 情感计算
11.5 情绪加工的神经机制
11.6 小结
第12章 意识
12.1 概述
12.2 意识的基本要素和特性
12.3 意识的剧场模型
12.4 意识的还原论理论
12.5 神经元群组选择理论
12.6 意识的量子理论
12.7 综合信息理论
12.8 机器意识系统
12.9 小结
第13章 智能机器人
13.1 概述
13.2 智能机器人的体系结构
13.3 机器人视觉系统
13.3.1 视觉系统分类
13.3.2 定位技术
13.3.3 自主视觉导航
13.3.4 视觉伺服系统
13.4 机器人路径规划
13.4.1 全局路径规

前言
视频1 《智能科学导论》介绍
智能科学研究智能的本质和实现技术,是由脑科学
、认知科学、人工智能等创建的前沿交叉学科。脑科学
从分子水平、细胞水平、行为水平研究自然智能机理，
建立脑模型，揭示人脑的本质； 认知科学是研究人类
感知、学习、记忆、思维、意识等人脑心智活动过程的
科学； 人工智能研究用人工的方法和技术，模仿、延
伸和扩展人的智能，实现机器智能。智能科学不仅要进
行功能仿真，而且要从机理上研究和探索智能的新概念
、新理论、新方法。智能的研究不仅要运用推理，自顶
向下，而且要通过学习，由底向上，两者并存。智能科
学运用综合集成的方法，对开放系统的智能性质和行为
进行研究。智能科学是生命科学的精华、信息科学技术
的核心，现代科学技术的前沿和制高点，涉及自然科学
的深层奥秘，触及哲学的基本命题。因此，在智能科学
上一旦取得突破，将对国民经济、社会进步、国家安全
产生深刻而巨大的影响。目前，智能科学正处在方法论
的转变期、理论创新的高潮期和大规模应用的开创期，
充满原创性机遇。智能科学的兴起和发展标志着对以人
类为中心的认知和智能活动的研究已进入新的阶段。智
能科学的研究帮助人类自我了解和自我控制，把人的知
识和智能提高到空前未有的高度。生命现象错综复杂，
许多问题还没有得到很好的说明，而能从中学习的内容
也是大量的、多方面的。如何从中提炼出最重要的、关
键性的问题和相应的技术，是许多科学家长期以来追求
的目标。要解决人类在21世纪所面临的许多困难，诸如
对能源的大量需求、环境的污染、资源的耗竭、人口的
膨胀等，单靠现有的科学成就是很不够的。必须向生物
学习，寻找新的科技发展的道路。智能科学的研究将为
智能革命、知识革命和信息革命建立理论基础，为智能
系统的研制提供新概念、新思想、新途径。进入21世纪
以来，国际上对智能科学及其相关学科，诸如脑科学、
神经科学、认知科学、人工智能的研究高度重视。2013
年1月28日，欧盟启动了“人脑计划”。2013年4月2日
，美国启动BRAIN计划。我国也在积极筹备“脑科学与
类脑研究计划”。为了争夺高科技的制高点，国务院于
2017年7月8日正式发布《新一代人工智能发展规划》，
力图在新一轮国际科技竞争中掌握主导权。本书概要地
介绍智能科学的概念和方法，吸收了脑科学、认知科学
、人工智能、信息科学、形式系统、哲学等方面的研究
成果，综合地探索人类智能和机器智能的性质和规律。
全书共分14章。第1章是绪论，介绍智能科学兴起的科
学背景和研究内容。第2章介绍智能科学的神经生理基
础。第3章讨论神经计算的进展。第4章探讨重要的心智
模型。第5章论述感知智能，包括视觉和听觉。第6章讨
论语言认知的理论。第7章重点论述重要的学习理论和
方法。记忆是思维的基础，第8章探讨记忆机制。第9章
重点讨论思维形式和推理。第10章研究智力的发展和认
知结构。第11章讨论情绪和情感的有关理论。第12章初
步探讨意识问题。第13章介绍智能机器人研究的进展。
第14章介绍类脑智能，展望智能科学发展路线图。本书
研究工作得到国家重点基础研究发展计划课题“脑机协
同的认知计算模型”(2013CB329502)、“非结构化信息
(图像)的内容理解与语义表征”(2007CB311004)； 自
然科学基金重点项目“基于云计算的海量数据挖
掘”(61035003)、“基于感知学习和语言认知的智能计
算模型研究”(60435010)、“Web搜索与挖掘的新理论
与方法”(60933004)等的支持； 国家863高技术项目“
海量Web数据内容管理、分析挖掘技术与大型示范应用
”(2012AA011003)、“软件自治愈与自恢复技
术”(2007AA01Z132)等项目的支持； 清华大学出版社
对本书的出版给予了大力支持，在此一并致谢。本书可
以作为高等院校智能科学与技术、人工智能、计算机科
学与技术、自动化等相关专业的本科生、研究生智能科
学课程教材，也可以供从事智能科学研究与应用的科技
人员学习参考。智能科学是处于研究发展中的前沿交叉
学科，许多概念和理论尚待探讨，加之作者水平有限，
撰写时间仓促，因此书中谬误在所难免，恳请读者指正
。
史忠植
2022年8月
微课视频清单
视 频 名 称时长/min对应内容
视频1《智能科学导论》介绍10前言视频2智能革命
71.1节视频3智能科学的兴起201.2节视频4智能科学的
研究101.3节视频5脑系统和神经组织202.1节、2.3节视
频6突触传递和神经递质202.5节、2.6节视频7跨膜转导
和膜电位152.7节视频8动作电位和离子通道152.8节视
频9神经计算103章视频10前馈神经网络153.2节视频11
自适应共振理论ART模型203.3节视频12脉冲耦合神经网
络153.5节视频13图灵机204.1节视频14ACT模型204.3
节视频15SOAR模型154.4节视频16CAM心智模型204.6节
视频17知觉理论155.2节视频18视觉感知305.3节视频
19听觉感知305.4节视频20对话系统205.6节视频21心
理词典206.1节视频22口语输入和书面输入306.2节、

智能科学研究智能的基本理论和实现技术，综合地研究人类智能和机器智能的性质和规律, 是由脑科学、认知科学、人工智能等学科形成的交叉学科。智能科学将在21世纪取得重大进展，并发挥重大作用。本书反映21世纪NBIC会聚技术发展的大趋势，促进经济和社会发展智能化，具有重要的学术价值，广泛的社会需求。国务院发布了新一代人工智能发展规划，指出人工智能成为国际竞争的新焦点、经济发展的新引擎，迎来人工智能发展的新机遇。

视频9
神经计算
第3章
CHAPTER 3
神 经 计 算
神经计算是建立在神经元模型和学习规则基础之上的一种计算范式，由于特殊的拓扑结构和学习方式，产生了多种人工神经网络，模仿人脑信息处理的机理。人工神经网络是由大量处理单元组成的非线性大规模自适应动力系统。
3.1概述
神经计算(Neural Computing，NC)也称作人工神经网络(Artificial Neural Networks，ANN)，神经网络(Neural Networks，NN)，是对人脑或生物神经网络的抽象和建模，具有从环境学习的能力，以类似生物的交互方式适应环境。
现代神经网络研究开始于麦克洛奇(W.S.McCulloch)和皮兹(W.Pitts)的先驱工作。1943年，他们结合了神经生理学和数理逻辑的研究，提出了MP神经网络模型，标志着神经网络的诞生。1949年，赫布(D.O.Hebb)的书《行为组织学》第一次清楚说明了突触修正的生理学习规则。
1986年，鲁梅尔哈特和麦克莱伦德(J.L.McClelland)编辑的《并行分布处理： 认知微结构的探索(PDP)》一书出版［50］。这本书对反向传播算法的应用引起重大影响，成为最通用的多层感知器的训练算法。后来证实，有关反向传播学习方法韦勃斯(P.J.Werbos)在1974年8月的博士学位论文中已有描述。
2006年，加拿大多伦多大学的辛顿(G.E.Hinton)及其学生提出了深度学习(deep learning)，全世界掀起了深度学习的热潮。2016年3月8～15日，谷歌围棋人工智能AlphaGo与韩国棋手李世石比赛，AlphaGo
最终以4∶1的战绩取得了人机围棋对决的胜利。2019年3月27日，ACM(国际计算机学会)宣布，有“深度学习三巨头”之称的本吉奥、杨立昆(Yann LeCun)、辛顿共同获得了2018年的图灵奖，以表彰他们为当前人工智能的繁荣发展所奠定的基础。
大脑神经信息处理是由一组相当简单的单元通过相互作用完成的。每个单元向其他单元发送兴奋性信号或抑制性信号。单元表示可能存在的假设，单元之间的相互连接则表示单元之间存在的约束。这些单元的稳定的激活模式就是问题的解。鲁梅尔哈特等提出并行分布处理模型的8个要素：
(1) 一组处理单元。
(2) 单元集合的激活状态。
(3) 各个单元的输出函数。
(4) 单元之间的连接模式。
(5) 通过连接网络传送激活模式的传递规则。
(6) 把单元的输入和它的当前状态结合起来，以产生新激活值的激活规则。
(7) 通过经验修改连接模式的学习规则。
(8) 系统运行的环境。
并行分布处理系统的一些基本特点，可以从图3.1中看出来。这里有一组用圆图表示的处理单元。在每一时刻，各单元ui都有一个激活值ai(t)。该激活值通过函数fi而产生出一个输出值oi(t)。通过一系列单向连线，该输出值被传送到系统的其他单元。每个连接都有一个叫作连接强度或权值的实数wij与之对应； 它表示第j个单元对第i个单元影响的大小和性质。采用某种运算(通常是加法)，把所有的输入结合起来，就得到一个单元的净输入
netj=wijoi(t)(3.1)
单元的净输入和当前激活值通过函数$F$的作用，就产生一个新的激活值。图3.1下方给出了函数f及F的具体例子。最后，在内部连接模式并非一成不变的情况下，并行分布处理模型是可塑的； 更确切地说，权值作为经验的函数，是可以修改的，因此，系统能演化。单元表达的内容能随经验而变化，因而系统能用各种不同的方式完成计算。
图3.1并行分布处理示意图
视频10
前馈神经网络
3.2前馈神经网络
一般的前馈网络包括一个输入层和一个输出层，若干隐单元。隐单元可以分层也可以不分层，若分层，则称为多层前馈网络。网络的输入、输出神经元其激活函数一般取为线性函数，而隐单元则为非线性函数。任意的前馈网络，不一定是分层网络或全连接的网络。下面给出它的定义和说明： 一个前馈网络可以定义为无圈的有向图N=(V，E，W)，其中V={0，1，…，n}为神经元集合，E∈V×V为连接权值集合，W:E→R为对每一连接(i，j)∈E赋予一实值的权重Wij。对神经元i∈V定义它的投射域为Pi={j:j∈V，(i，j)∈E}，即表示单元i的输出经加权后直接作为其净输入的一部分的神经单元； 同样定义神经元的接受域为Ri={j:j∈V，(i，j)∈E}，即表示其输出经加权后直接作为神经元i的净输入的一部分的神经单元。特别地，对分层前馈网络来说，每个神经元的接受域和投射域分别是其所在层的前一层神经元和后一层神经元(若它们存在)。神经元集V可以被分成无接收域的输入节点集VI，无投射域的输出节点集VO和隐层节点集VH。一般地，假设一个特殊的偏置节点(在这里其标号为0)，它的输出恒为+1，它和输入节点以外的所有节点相连。
多层前馈神经网络需要解决的关键问题是学习算法。以鲁梅尔哈特和麦克莱伦德为首的科研小组提出的误差反向传播(error
Back Propagation，BP)算法，为多层前馈神经网络的研究奠定了基础。多层前馈网络能逼近任意非线性函数，在科学技术领域有广泛的应用。下面