人工智能原理与方法98
人工智能语音识别与处理教程
人工智能语音识别与处理教程第一章：介绍人工智能语音识别的概念和应用领域随着人工智能技术的不断发展，语音识别成为其中一个重要的研究领域。
语音识别是一种将人类语音转化为文本或其他形式的技术。
它的应用广泛，包括语音助手、智能音箱、电话客服等。
本章将介绍人工智能语音识别的基本原理和主要应用领域。
第二章：了解语音信号特点及其数学模型在进行语音信号的处理和识别之前，我们需要了解语音信号的特点和数学模型。
语音信号是一种连续时间的信号，具有时间和频率特性。
了解这些特点可以帮助我们更好地进行语音信号的处理和分析。
第三章：预处理技术在语音识别中的作用语音识别的第一步是对语音信号进行预处理，包括去噪、降噪、特征提取等。
预处理技术可以提高语音信号的质量，降低干扰对语音识别的影响。
本章将介绍常见的预处理技术，并说明其在语音识别中的作用。
第四章：语音特征提取的方法与算法语音特征提取是语音识别中的关键步骤。
它将语音信号转化为能够表示语音特征的向量。
本章将介绍常用的语音特征提取方法，包括MFCC、PLP、LPC等，并对它们的优缺点进行分析。
第五章：语音识别模型的建立和训练语音识别模型是实现语音识别的核心。
以深度学习技术为基础的语音识别模型，如基于循环神经网络（RNN）的模型和卷积神经网络（CNN）的模型，已经取得了显著的成果。
本章将介绍这些模型的建立和训练方法，并探讨它们的优势和局限性。
第六章：语音识别中的语言模型与后处理除了建立和训练语音识别模型，还需要考虑语言模型和后处理技术对于语音识别结果的影响。
语言模型可以通过对语音输入进行概率建模，提高识别的准确性。
后处理技术则可以进一步优化识别结果，如错误修正和重打分等。
本章将介绍语言模型的建立和后处理技术的应用。
第七章：评价与实验在进行语音识别系统的开发和改进过程中，评价与实验是不可或缺的环节。
通过对识别结果的评价和对比，可以得到系统的性能指标，并针对不足之处进行改进。
本章将介绍语音识别系统的评价方法和常用的实验设计。
人工智能在控制领域的理论与应用
施肥对盐化土壤油葵养分吸收及产量和品质的影响党柯柯;张骞;何文寿;曹哲;赵小霞【期刊名称】《江苏农业科学》【年(卷),期】2017(45)10【摘要】为探讨盐化土壤氮、磷、钾肥对油葵养分吸收、产量和籽实品质的影响,在宁夏灵武农场中度盐化土壤(盐化度≥0.5％)设置油葵肥效试验,测定油葵(S606)生长状况、干物质累积量、养分吸收利用、产量及品质的影响.结果表明:(1)不同处理整个生育期株高、茎粗变化均符合Logistics生长曲线,且各处理间差异显著,主要表现为N2P2 K2处理的植株株高最高,各肥料对植株增高效果表现为氮肥＞磷肥＞钾肥＞生物有机肥,对茎粗贡献为生物有机肥＞氮肥＞钾肥＞磷肥.(2)干物质累积量随生育期变化符合Logistics曲线,氮肥及磷肥对油葵植株干物质的累积量有显著促进作用,钾肥对干物质累积作用贡献较小;氮肥对干物质向籽实累积有促进作用,而磷肥对干物质向籽实累积有抑制作用.(3)总体上施用氮、磷、钾肥分别显著提高植株氮总吸收量(TNA)、磷总吸收量(TPA)、钾总吸收量(TKA)以及100 kg籽实需氮、磷、钾量,但是显著降低其对应干物质生产效率及收获指数.N2P2K2处理油葵N、P2O5、K2O吸收累积量最高,分别为3.75、1.18、15.20 g/株.平均每生产100kg籽实吸收N 4.18kg、P2O5 1.48 kg、K2O 25.34 kg.整个生育期中36.17％的养分由花期形成,灌浆期的养分累积仅次于花期(23.44％).(4)氮、磷、钾肥均能够提高油葵产量,且3种肥料配施的增产效果优于任2种肥料配施,经分析单株叶干质量及株高对产量起到主要正效应.N2P2K2处理产量与其他施肥处理相比差异显著,为4 558.8 kg/hm2,比对照提高23.19％.(5)氮、磷、钾肥的施用可以改善部分油籽品质.经分析,氮肥促进粗蛋白、粗脂肪、棕榈酸、油酸在籽实中的积累,降低硬脂酸、亚油酸在籽实中的含量;磷肥促进油酸在籽实中积累,降低粗蛋白、棕榈酸、硬脂酸、亚油酸在籽实中积累;钾肥促进粗蛋白、硬脂酸、亚油酸在籽实中积累,降低粗脂肪、棕榈酸、油酸在籽实中的含量.【总页数】7页(P70-76)【作者】党柯柯;张骞;何文寿;曹哲;赵小霞【作者单位】宁夏大学农学院,宁夏银川750021;灵武现代农业发展公司,宁夏灵武751400;宁夏大学农学院,宁夏银川750021;宁夏大学农学院,宁夏银川750021;宁夏大学农学院,宁夏银川750021【正文语种】中文【中图分类】S565.506【相关文献】1.平衡施肥对马铃薯养分吸收、品质、产量及施肥效益的影响2.碱化土壤施肥对油葵养分与品质的影响3.施肥对宁夏盐化土壤油用向日葵产量与品质的影响4.减量施肥对葡萄产量、养分吸收及土壤养分残留的影响5.不同施肥结构对茄子产量、养分吸收及土壤有效养分动态变化的影响因版权原因，仅展示原文概要，查看原文内容请购买。
人工智能的起源
人工智能的起源随着科技的不断发展和创新，人工智能（Artificial Intelligence，简称AI）已经逐渐成为现代社会的重要组成部分。
人工智能的起源可以追溯到上世纪50年代的计算机科学与人类智能的交叉研究，这一领域的正式出现可以追溯到1956年的达特茅斯会议。
本文将从历史、技术和应用等角度，探讨人工智能的起源及其发展。
一、历史背景人工智能的起源可以追溯到数百年前。
早在古代，人们就开始探索机器模拟人类智能的可能性。
古希腊神话中的机械人塔洛斯和皮格马利翁就被认为是人工智能的先驱。
但真正的人工智能研究始于20世纪初。
二战期间，计算机的发展进入了高潮。
人们开始认识到计算机不仅仅是简单的计算工具，还可以用来模拟人类思维和智能。
这时期的著名人物阿兰·图灵提出了著名的图灵测试，即通过与计算机进行对话，判断其是否具有人类水平的智能。
在20世纪50年代，人工智能研究逐渐成为一门专业领域。
1956年，达特茅斯会议上，人工智能正式成为一个独立的学科领域。
会议上，人工智能领域的先驱们提出了一系列重要的理论和方法，标志着人工智能正式起步。
二、技术发展人工智能的起源阶段主要集中在符号主义（Symbolic AI）的研究中。
符号主义的核心是以符号为基础，通过逻辑推理和知识表示来模拟人类智能。
这一时期的代表性成果包括专家系统和推理机制。
在上世纪80年代后期，随着计算能力和数据存储能力的提升，人工智能的研究进入了一个新的阶段——连接主义（Connectionist AI）。
连接主义模型通过模拟神经元之间的连接来模拟人脑的工作原理，具有更强的机器学习能力。
进入21世纪，机器学习和深度学习成为人工智能领域的热点。
机器学习通过训练计算机从大量数据中学习，提高了其决策和推理能力。
深度学习则通过模拟神经网络的层次结构，实现了对复杂模式的学习和识别。
三、应用领域人工智能的起源与发展离不开其在实际应用中的表现。
如今，人工智能已经广泛应用于各个领域，为社会的发展带来了巨大的推动力。
人工智能面临的问题与解决方法
人工智能面临的问题与解决方法1.不可控的“粗鲁行为”正如我们从微软的tay聊天机器人事件中了解到的，会话式消息系统可能是荒谬的、不礼貌的、甚至是非常令人不快的。
首席信息官们必须对自己使用的东西以及使用它们的方式非常小心。
要摧毁一个品牌的形象，只需要聊天机器人一次令人恼怒的爆发就足够了。
2.认知能力很差劲谷歌人工智能科学家及斯坦福大学教授李飞飞在《纽约时报》的一篇专栏文章中表示，人工智能虽然是由人类开发的，但是具有讽刺意味的是，它根本不像人类。
她表示，人类的视觉感知是高度背景化的，但人工智能对图像感知的能力却非常的狭隘。
为此，人工智能程序员必须与领域专家合作——回归该领域的学术根源——以缩小人与机器感知之间的差距。
3.黑匣子难题许多企业都想使用人工智能，但金融服务等行业的公司必须非常小心，因为对于人工智能是如何得出其结论这个问题尚未能解决。
fannie mae的运营和技术负责人bruce lee表示：“企业如果不能解决好样本数据偏见对借贷公平造成的影响，就无法提供更好的抵押贷款利率。
在诸如信贷决策之类的工作里，人工智能实际上受到了很多监管的阻碍，很多问题有待解决。
所以我们所做的很多事情都必须进行彻底的回溯测试，以确保没有引入不恰当的偏见。
”如果人们不确切人工智能软件如何检测模式并观测结果，那么对机器的信任能抵达何种程度也尚待考究。
fox rothschild律师事务所技术课堂教学联席主席dan farris则表示：“背景、道德和数据质量就是影响人工智能价值可靠性的关键因素，特别是在受高度监管的行业中更是如此。
”他则表示：“在任何受高度监管的行业中部署人工智能都可能会引致合规性问题。
”4.民族和社会经济方面的偏见在展开一个采用谷歌街景汽车图像去确认全系列美国城镇人口结构的项目中，斯坦福大学的博士生timnit gebru对于她的研究中对种族、性别和社会经济方面的仇恨深感忧虑。
根据彭博社的报导，正是这种害怕使得gebru重新加入谷歌，她正在这里不懈努力地发掘人工智能的仇恨。
人工智能像处理的工作原理
人工智能像处理的工作原理人工智能（Artificial Intelligence，简称AI）是一种模拟人类智能的技术，它通过判断、学习和推理等能力，使得计算机系统可以模拟人类的思维过程，并依此进行决策和执行任务。
人工智能广泛应用于各个领域，包括机器学习、自然语言处理、计算机视觉等。
而在实际应用中，人工智能往往通过一系列的处理步骤来实现工作原理。
一、数据收集与预处理在人工智能的处理过程中，首先需要收集和准备相关数据。
这些数据可以来自于各种渠道，比如传感器、网络爬虫等。
在收集到的数据中，往往会包含一些无用或者冗余的信息，因此需要进行预处理来提取有价值的特征。
预处理的步骤包括数据清洗、数据变换和特征提取等。
二、模型构建与训练在数据预处理完成之后，人工智能需要通过建立模型来学习和推理。
常用的模型包括神经网络、支持向量机等。
在模型构建的过程中，需要定义问题的目标和评估标准，选择适当的算法，并进行训练和优化。
训练过程中，人工智能会通过反复调整模型参数，使得模型能够逐渐接近或者达到最佳状态。
三、推理与决策模型训练完成后，人工智能可以通过输入新的数据，并基于已经学到的知识进行推理和决策。
在推理的过程中，人工智能会根据已知的规则和模式来对输入数据进行判断和分类。
在决策的过程中，人工智能会根据具体的问题要求，通过分析和权衡不同的因素，选择出最佳的方案或者行动。
这一推理与决策的过程通常需要考虑多个变量和约束条件，并且有着一定的不确定性。
四、反馈与优化随着人工智能的应用和不断的使用，系统会逐渐积累新的数据和经验，但同时也可能会出现一些错误或者不确定性。
为了提高系统的性能和准确性，人工智能会根据实际的反馈信息，不断地进行优化和改进。
这一过程中，人工智能可以通过重新训练模型、调整参数或者采用其他策略来提高系统的效果。
综上所述，人工智能的工作原理可以概括为数据收集与预处理、模型构建与训练、推理与决策以及反馈与优化等步骤。
这个过程类似于人类的认知过程，不过更加高效和自动化。
人工智能中的知识表示与推理方法
人工智能中的知识表示与推理方法人工智能（AI）是一门研究如何使计算机执行人类智力任务的学科。
其中，知识表示与推理方法是AI的重要领域之一。
知识表示是指将世界上的知识以一种计算机可以理解的形式表达出来，而推理方法则是通过对这些知识的推理和推断来达到一定的目的。
本文将探讨人工智能中的知识表示与推理方法，包括不同的知识表示方法、推理的基本过程、以及推理任务中的一些常见挑战和解决方法。
一、知识表示方法知识表示是人工智能领域的一个核心问题，因为计算机需要以某种方式来存储和处理世界上的各种信息和知识。
在AI中，有多种知识表示方法，其中包括谓词逻辑、产生式规则、框架、语义网络、本体论等。
1.谓词逻辑谓词逻辑是一种使用谓词和变量来表达陈述的逻辑形式。
在谓词逻辑中，通过定义谓词和它们之间的关系以及变量的取值范围来表示知识。
谓词逻辑具有丰富的表达能力，可以描述丰富的知识和复杂的推理规则。
2.产生式规则产生式规则是一种使用条件-动作对来表示知识和推理规则的方法。
在产生式规则中，由条件部分和动作部分组成的规则可以描述丰富的知识和推理过程。
产生式规则通常用于专家系统等领域。
3.框架框架是一种使用槽位和值对来表示对象属性和关系的方法。
在框架中，通过定义对象和对象之间的属性和关系来表达知识。
框架具有良好的结构化表达能力，可以描述复杂的现实世界知识。
4.语义网络语义网络是一种使用节点和边来表示概念和关系的方法。
在语义网络中，节点表示概念，边表示概念之间的关系，通过构建网络来表示知识。
语义网络具有良好的图形表达能力，可以描述复杂的知识结构。
5.本体论本体论是一种使用概念、属性和关系来表示知识的方法。
在本体论中，通过定义概念和它们之间的属性和关系来表达知识。
本体论通常用于语义网和语义搜索等领域。
以上所述的知识表示方法各有优点和局限性，可以根据不同的应用场景和需求来选择合适的方法。
二、推理方法推理是人工智能中的一个核心问题，它是通过对知识和规则的处理和推理来达到一定的目的。
计算机基础知识什么是人工智能原理
计算机基础知识什么是人工智能原理计算机基础知识：什么是人工智能原理人工智能（Artificial Intelligence，简称AI）作为一门交叉学科，旨在模拟人类智能的各种表现形式，使计算机具备自主思考、学习和决策的能力。
人工智能的发展离不开一系列原理和方法的支持，本文将介绍人工智能原理的基本概念和相关内容。
一、人工智能的定义人工智能是一种使机器能够理解、推理、学习和应用知识的技术，它的目标是使计算机具备像人类一样的智慧。
人工智能可以通过模拟人类的思维方式和行为，帮助机器解决复杂的问题，并根据情境做出智能决策。
二、人工智能的原理1. 机器学习机器学习是人工智能原理中的核心内容之一。
它通过让计算机从大量数据中获取信息和经验，不断优化模型，使得计算机能够根据数据来进行决策和推理。
机器学习分为监督学习、无监督学习和强化学习，对应着不同的学习方式和任务。
2. 深度学习深度学习是机器学习中的一个分支，通过多层次的神经网络模型来模拟人脑的神经网络结构。
深度学习在计算机视觉、自然语言处理等领域取得了巨大的突破，并成为当今人工智能技术的主流方法之一。
3. 自然语言处理自然语言处理是一项研究如何让计算机理解、分析和生成人类自然语言的技术。
它涉及到语音识别、文本分析、语义理解等多个领域，可以帮助机器实现与人类的交互和沟通。
4. 知识表示与推理知识表示与推理是人工智能中的基础研究领域，它涉及到如何将知识以可计算的形式表达，并通过推理和逻辑推断来解决问题。
基于知识的推理可以帮助机器从已知的事实中推导出新的结论，实现智能的决策和推理。
5. 智能代理智能代理是指能够感知环境并根据环境变化做出相应决策的实体。
智能代理可以是一个程序、一个机器人或者一个虚拟实体，它能够通过传感器获取环境信息，并通过执行动作来影响环境。
智能代理能够根据当前的状态和目标制定策略，以达到最优解决问题的效果。
6. 模式识别模式识别是人工智能的一个重要组成部分，它涉及到对事物的特征进行描述和分类的技术。
构建人工智能模型的有效方法与技巧
构建人工智能模型的有效方法与技巧人工智能（Artificial Intelligence, AI）作为一项前沿技术，正逐渐渗透到我们生活的方方面面。
构建一个高效、准确的人工智能模型是实现人工智能应用的关键。
本文将探讨构建人工智能模型的有效方法与技巧，帮助读者更好地理解和应用人工智能技术。
一、数据的收集与预处理数据是构建人工智能模型的基础，良好的数据集可以提高模型的准确性和泛化能力。
首先，需要确定模型的任务和目标，明确需要收集的数据类型。
其次，通过各种途径收集数据，包括网络爬虫、传感器、用户反馈等。
在收集数据的过程中，需要注意数据的质量和隐私保护。
在数据收集完毕后，需要对数据进行预处理。
预处理包括数据清洗、特征选择和特征转换等步骤。
数据清洗是指对数据中的噪声、缺失值和异常值进行处理，以保证数据的准确性和完整性。
特征选择是从大量的特征中选择出对模型有用的特征，以减少模型的复杂度和训练时间。
特征转换是将原始数据转换成适合模型训练的形式，如将文本数据转换成向量表示。
二、模型选择与设计在数据预处理完成后，需要选择适合任务的模型。
根据任务的不同，可以选择分类模型、回归模型、聚类模型等。
常用的模型包括决策树、支持向量机、神经网络等。
模型的选择需要考虑模型的复杂度、准确性和计算效率等因素。
在选择模型后，需要进行模型的设计。
模型设计包括确定模型的结构和参数。
模型的结构是指模型的层数、节点数等，不同的结构可以适应不同的任务。
模型的参数是指模型的权重和偏置等，通过训练数据来优化参数，使模型能够更好地拟合数据。
三、模型训练与评估模型设计完成后，需要使用训练数据对模型进行训练。
训练过程是通过不断调整模型的参数，使模型能够更好地拟合数据。
训练的目标是最小化模型的损失函数，常用的优化算法包括梯度下降、牛顿法等。
训练完成后，需要使用测试数据对模型进行评估。
评估指标包括准确率、召回率、精确率等，通过评估指标可以了解模型的性能和泛化能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
谓词公式：连接词、量词。 合适公式：原子是合适公式；若A是合适公式，则A也是
合适公式；若A、B都是合适公式，则 AB ，AB ， AB ，也都是合适公式； 若A是合适公式则，(x)A(x) 、(x)A(x) 也是合适公式。 谓词公式的永真性、可满足性和不可满足性
⑵ P(Ai ) 0(1 i n) ⑶ D n Ai 则对任何事件有下式成立：
i 1
n
P(B) P(Ai ) P(B | Ai )
i1
为全概率公式，它提供了一种计算的方法。
2020/7/30
17
第二章 人工智能的数学基础
2 概率论
条件概率：设A，B是两个事件，P(B) 0 ，则称 P(A | B) P(A B)
P(B)
为在A事件已经发生的条件下B事件发生的概率。
全概率公式和Bayes公式的条件概率：设 A1, A2 ,, An 事件满 足：⑴ 两两互不相容，即当 i j 时，有 Ai Aj
2020/7/30
11
第一章 绪论
3 人工智能研究途径
人工智能研究可以有三种途径进行：
符号主义：（思维理论）符号主义认为人类认知的基本元素 是符号，认知的过程就是符号处理的过程。（一阶谓词逻 辑）
连接主义：（阈值理论）连接主义认为人类认知的基本元素 是神经元本身。人类的认知过程就是大量的神经元的整体 活动。（研究方法：人工神经网络）
2020/7/30
14
第一章 绪论
5 人工智能研究领域
● 模式识别（Pattern Recognition） ● 自然语言理解（Natural langrage Understanding） ● 专家系统（ Expert System） ● 机器学习（Machine Learning） ● 自动定理证明（Automatic Theorem Proving） ● 自动程序设计（Automatic Programming） ● 机器人学（Robots） ● 博弈（Game） ● 智能决策支持系统（Intelligent Decision Support System） ● 人工神经网络（Artificial natural networks）
2020/7/30
15
第一章 绪论
思考题
1、什么是人工智能？ 2、人工智能研究的对象是什么？ 3、人工智能研究的途径有那些？ 4、人工智能研究的领域有那些？ 5、人工智能研究的近期目的和远期目的是什么？ 6、简述图灵试验。
2020/7/30
16
第二章 人工智能的数学基础
1 命题逻辑和谓词逻辑
命题：命题是具有真假意义的语句。
行为主义：（进化理论）由美国麻省理工学院的R.A.Brook教 授提出的。该理论认为人的本质能力是在动态环境中的行 走能力、对外界事物的感知能力、维持生命和繁衍生息的 能力，正是这些能力对智能的发展提供了基础，因此智能 是某种复杂系统所浮现的性质。
2020/7/30
12
第一章 绪论
4 人工智能研究的内容
分布式学派：以C.Hewitt为代表的研究智能系统中的知识 分布行为。
进化学派：R.A.Brook为代表。
2020/7/30
13
第一章 绪论
（2）人工智能研究的内容 ● 机器感知：所谓的机器感知就是使机器具有类似于人的 感知能力，其中以机器视觉与机器听觉为主。 ● 机器思维：机器思维是指对通过感知得到的外部信息及 机器内部的各种工作信息进行有目标的处理。 ● 机器学习：研究使机器具有获取新知识、学习新技巧， 并在实践中不断完善、改进的能力。 ● 机器行为：与人的行为相对应，机器行为主要是指计算 机的表达能力，即 “说”、“写”、“画”等。
人工智能原理与方法
Artificial Intelligence
2020/7/30
1
内容
第一章
绪论
● 什么是人工智能？ ● 人工智能研究的目标 ● 人工智能研究途径 ● 人工智能研究的内容
人工智能研究中的学派 人工智能研究的内容 ● 人工智能研究领域
2020/7/30
2
内容
第二章 人工智能的数学基础
（1） 人工智能研究中的学派
逻辑学派：以麦卡锡和尼尔逊为代表的研究基于逻辑的 知识表示和推理机制。
认知学派：以纽厄尔和西蒙为代表的研究对人类认知功 能的模拟，试图找出产生智能行为的原理。
知识工程学派：以费根鲍姆为代表的研究知识在人类智 能中的作用和地位，提出了知识工程概念。
连 接 学 派 ： 以 J.L.McClelland 和 J.D.Rumelhart 为 代 表 的 研 究神经网络。
● 博弈树的启发式搜索
2020/7/30
5
内容
第五章
基本推理方法
● 推理的基本概念 ● 推理方式和分类 ● 推理控制策略 ● 归结反演
● 基于规则的演绎系统
2020/7/30
6
内容
第六章
不确定性推理
● 不确定性推理的基本概念 ● 确定因子法 ● 主观Bayes方法 ● 证据理论
● 可能性理论
2020/7/30
7
内容
第七章 专家系统
● 专家系统的基本概念 ● 专家系统分类 ● 专家系统的一般结构 ● 专家系统的建造与评价 ● 专家系统开发工具 ● 专家系统开发环境 ● 新一代专家系统的研究
● 几个著名的专家系统
2020/7/30
8
内容
第八章
机器学习
● 机器学习的概念 ● 学习系统模型 ● 机器学习分类 ● 机器学习研究历史 ● 机器学习的研究目标
● 命题逻辑和谓词逻辑 ● 概率论 ● 模糊理论
2020/7/30
3
内容
第三章 知识表示
● 知识与知识表示
● 对知识表示的要求
● 知识表示方法
一阶谓词逻辑
产生式规则
语义网络
框架
状态空间
脚本
Petri网
2020/7/30
4
内容
第四章
基本的问题求解方法
● 基本概念 ● 状态空间搜索 ● 与/或树搜索
● 几个著名的学习系统
2020/7/30
9
第一章 绪论
1 什么是人工智能？ 人工智能是研究知识的一门科学，即如 何表示知识，如何获取知识和如何利用 知识的科学。
2020/7/30
10
第一章 绪论
2 人工智能研究的目标 近期目标：在近期，人工智能研究的任务
是利用冯.偌依曼型计算机模拟人类智力 行为，研制智能程序； 远期目标：远期是研制全新的计算机，即 智能计算机。