第五代語言

第五代語言就是自然語言又被稱為知識庫語言或人工智慧語言，目標是最接近日常生活所用語言的程式語言。真正意義上的第五代語言尚未出現，LISP和PROLOG號稱第五代語言，其實還遠遠不能達到自然語言的要求。

基本介紹

• 中文名：第五代語言
• 外文名：The fifth generation language
• 別稱：知識庫語言或人工智慧語言
• 舉例：LISP和PROLOG

簡介

與傳統語言區別

人們可能會問，用人工智慧語言解決問題與傳統的方法有什麼區別呢？傳統方法通常把問題的全部知識以各種的模型表達在固定程式中。

對於人工智慧技術要解決的問題，往往無法把全部知識都體現在固定的程式中。通常需要建立一個知識庫（包含事實和推理規則），程式根據環境和所給的輸入信息以及所要解決的問題來決定自己的行動，所以它是在環境模式的制導下的推理過程。這種方法有極大的靈活性、對話能力、有自我解釋能力和學習能力。這種方法對解決一些條件和目標不大明確或不完備，（即不能很好地形式化，不好描述）的非結構化問題比傳統方法好，它通常採用啟發式、試探法策略來解決問題。

智慧型與傳統

在處理一些簡單問題時，一般傳統方法和人工智慧用的方法沒有什麼區別。但在解決複雜問題時，人工智慧方法與傳統方法有差別。

傳統方法

(人工智慧程式與傳統程式的差別)——傳統方法：把問題的全部知識以各種的模型表達在固定程式中，問題的求解完全在程式制導下按著預先安排好的步驟一步一步（逐條）執行。這種方法解決嚴格結構（Well Structured）問題非常有效。如果把這類問題形式化為三元組（x,->,y）,“x”是給定的信息，“->”為求解途徑，“y”是目標。傳統方法的特點：“x”、“y”是明確的、完備的；“->”有著固定的明確的程式。這個方法之所以有效，主要是因為這個思路與馮.諾依曼式計算機結構相吻合。當前大型資料庫法、數學模型法、統計方法等都是嚴格結構化的方法

人工智慧方法

人工智慧方法：人工智慧要解決的問題，無法把全部知識都體現在固定的程式中。這種方法對解決一些弱結構（ill structured）問題比傳統方法好。弱結構指“x”、“y”不大明確或不完備，即不能很好地形式化，不好描述。“->”用試探法。AI也尚未發展到完全能解決這類問題的全部問題。這類問題是AI研究要解決的問題。隨之而來也希望計算機硬體結構也來一個革命，突破馮.諾依曼體系結構。

特點

由於人工智慧研究的問題的特點和解決問題的方法的特殊性，為了能方便而有效地建立人工智慧系統，需要發展專門的人工智慧語言。人工智慧語言的特點是什麼，亦即人工智慧語言應具備的特徵是什麼？
一般來說，人工智慧語言應具備如下特點：
1.要有符號處理能力（即非數值處理能力）；
2.適合於結構化程式設計，編程容易；（要把系統分解成若干易於理解和處理的小單位的能力，從而既能較為容易地改變系統的某一部分，而又不破壞整個系統。）
3.要有遞歸功能和回溯功能；
4.要有人機互動能力；
5.適合於推理；
6.要有把過程與說明式數據結構混合起來的能力，又要有辨別數據、確定控制的模式匹配機制。

歷史

在人工智慧的研究發展過程中，從一開始就注意到了人工智慧語言問題。人工智慧發展的初期，人工智慧語言就得到了研究和開發。實際上四十多年來有一百來種人工智慧語言先後出現過，但很多都被淘汰了。它們大抵有三個來源。第一個來源是計算機科學家們對可計算性理論的研究。例如，LISP語言是為處理人工智慧中大量出現符號編程問題而設計的，它的理論基礎是符號集上的遞歸函式論。已經證明，用LISP可以編出符號集上的任何可計算函式。Prolog語言是為處理人工智慧中也是大量出現的邏輯推理問題(首先是為解決自然語言理解問題)而設計的。它的理論基礎是一階謂詞演算(首先是它子集Horn子句演算)的消解法定理證明，其計算能力等價於LISP。OPS5面對的問題也是邏輯推理。不過PROLOG是向後推理，OPS5是向前推理。OPS5的理論基礎是Post的產生式系統，其計算能力也等價於LISP。第二個來源是認知科學的研究成果。人們研究出各種各樣的認知模型，並為這些模型設計相應的知識表示語言。例如產生式表示、框架表示、語義網路表示等實際上都有其認知模型作為背景。如上所述的OPS5是產生式表示的語言，SRL、FRL、FEST等是框架語言，概念圖和SNetI都是語義網路表示語言。面向對象的程式設計是在SIMULA中的類程和Minsky的框架表示兩種思想融合的基礎上發展起來的(它適用於計算機軟體的所有領域，不只是人工智慧)。