永无止境的人工智能技术（三）

现在，日本正准备开发自动系统。日本通商产业省和十几家公司准备把多种人工智能技术紧密地集中为一体，以开发这样一种软件：它能够使明天的产品具有足够的智能，从而不需要人类的指导就可以完成它们要发挥的功能。
专家系统对于获得和保存地质学家等专家的知识以帮助新手这方面用处极大，但是与人一样，专家系统可能在适应快速变化方面不够灵活。而神经网络则相反，它会在成堆的数据中灵活地进行挑选，从中发现模糊的偶然联系。将这些技术集中在一起形成的综合体，在逐渐向模仿人脑的灵活性靠近。
神经网络是敏感的虚幻事物。如果神经网络的训练包含的数据太多或太少，就会出现无用输入和无用输出。这时遗传算法就能发挥作用了。它们采用了达尔文的适者生存法则来找出解决办法，包括解决如何设计神经网络等问题。神经网络初始时就像一张空白的记录，通过寻找隐藏在数据中的模式和关系进行学习。
这并不是巫术，而是无止境的反复试验和出错所得出的结果。一个人在经过数十次的努力试图解决一道问题之后会产生疲倦感，当他决定勉强接受迄今为止的最好结论而罢手不管了。遗传算法还在继续进行运算，它会毫无疲倦地进行千百万次数据变换。
例如，当通用电气公司的设计师们受到要求，为波音公司的７７７客机的喷气发动机设计效率较高的螺旋桨叶片时，他们面对的是令人困惑的一系列选择。影响喷气螺旋桨性能和成本的因素加起来多达１０。用一台每秒钟可执行１０亿次运算的超级计算机来对每种组合方案进行测试，需要花费数十亿年时间。而用遗传算法同专家系统相配合的这种混合人工智能技术，能在不到一星期内解决这一问题。
这种称为“Ｅｎｇｅｎｅｏｕｓ”的混合系统开始时采用一大堆数字化的染色体，每个染色体代表一种设计因素。他们混合起来构成几十种假设的设计方案。让其中一些最佳模型进行“繁殖”，通过交换基因来产生新一代的螺旋桨叶片设计方案，其中有一些方案更好一些。通过一次又一次的运算，计算机中最后只留下最适合的方案进行电子“繁殖”。这一处理过程很快就能得出产生最佳设计的组合方案。通用电气公司仅用三天时间就得出一种设计，使发动机效率提高了１％，在像喷气发动机这样技术成熟的领域，效率提高ｌ％不是一个小成就。
在另一个事例中，“Ｅｎｇｅｎｅｏｕｓ”混合系统还将用于发电涡轮机的一种新型螺旋桨的效率提高了５％。
令人惊奇的是，遗传算法违反了专家系统的一些设计规律。人们容易认为以前起作用的方法是唯一可行的方法。但是“Ｅｎｇｅｎｅｏｕｓ”混合系统并没有这种成见，因此它可以找出会从人们手中溜走的解决方法。
（三）