人的记忆力会随着岁月的流逝而衰退，写作可以弥补记忆的不足，将曾经的人生经历和感悟记录下来，也便于保存一份美好的回忆。那么我们该如何写一篇较为完美的范文呢？下面是小编帮大家整理的优质范文，仅供参考，大家一起来看看吧。
凝聚态研究的领域篇一
;摘要：为了缩短工艺设计的时间，优化工艺设计过程，实现工艺设计的自动化，减轻设计员的工作强度，我国的很多企业都采用了capp构件复用技术，capp构件复用技术的应用，方便了企业对pdm，erp等系统的应用，实现了企业对自身数据的统一化，实现了企业的工艺产品的标准化设计，实现了产品的现代化设计生产和管理。该文通过对有关资料的剖析和总结，明确了一些与计算机辅助工艺规划（capp）有关的概念，给出了capp构件复用技术研究方向和发展趋势。
关键词：capp；构件复用；技术研发；应用
在产品从概念到实际应用的整个过程中，工艺设计是其重要组成部分，它是产品的设计，数据的处理，加工技术和过程确定的步骤。工艺设计的数据需要依据产品的数据和制造资源等因素来制定，它对产品质量有直接的影响，此外，对于企业生产管理和工作调度等过程都会有影响。capp是计算机辅助工艺设计的英文缩写和简称，它的功能是用来制定一些机械零件的加工的工艺过程，在实际运用过程中，capp构件复用技术，不单单只是对产品和软件的数据进行转换，而是产品信息的采集、交汇、处理等多项功能。
在产品的研发制造过程中，工艺设计是其中的关键步骤，它直接决定着产品的生产的质量、成本以及工作效率。近几年来，各大企业和相关部门提高了对工艺规划的重视程度。工艺设计不仅是产品产出过程的重要环节，而且对生产过程的有序进行起着决定性作用。现阶段，capp在产品的分析、建模和规划等多个方面，已经有了很多的应用，许多计算机规划系统和软件也已经成功的研发出来，并在实际操作中，显示出明显的差异，发展潜力很大的同时，较明显的提高了经济效益。
1 基于构件的capp系统体系结构研究
capp利用计算机软件和硬件的功能，来实现一些数据的计算、逻辑的推理、加工过程的判断等功能。当前capp技术不只是连接cad与cam的重要衔接，也是当前企业信息技术系统中的重要构成，这是因为capp系统对于诸多的制造产品材料生产过程中有着较强的依靠性，因此我们对于应用capp构件复用技术进行相关的系统软件开发过程中，主要是针对当前部分在指定的资源材料基础上，对于固定的软件产品进行系统性开发。当对于相应开发模式的系统化制定，因此使得capp系统性的通用性能差、开发效率低等诸多问题的核心所在。在近几年，我们国内大量使用系统的开发应用，基本上是从托张式变为了分布式，使得系统软件产品的寿命要不断缩短，而新的产品更新速度也不断频率加快，这对未来capp系统化的集成、智能等方面不断提出了新的要求。
在基于构件复用的应用系统研发过程中，引入计算机硬件总线的设计思路，将应用系统的研发划分为系统框架开发和构件的获取两个部分，最后再进行组装，完成系统开发。下图为基于构件的capp应用系统的层次体系结构。
以 pdm 或 plm 为平台的设计系统，建立以erp为平台的生产管理系统，将制造参数传到此系统，工艺规划中需要的人力、机械、原料的活动都作为生产数据进行导入；然后，设计管理系统还必须把工艺设计中的数据信息传到数据库系统，用来帮助自动建立车间的生产流水账，以及建立产品制造质量管理计划；以 erp为平台的生产管理系统和以capp的数据为纽带，二者的完美结合，建立了完整的企业生产管理部门与车间底层管理部门的有效沟通。
上图中，最高层都是应用程序，由一系列的应用程序组合而成。应用程序的领域连接着用户与构件，为使用者提供操作构件的用户操作界面。用户与构件以及构件之间，在领域软总线上通过请求和服务来完成自身和系统的功能。中间还有一层是构件层，并把构件层分成三部分，其它系统构件，构件库管理构件，构件库管理系统。最后的一层就是数据库，应用程序领域不能和数据库直接取得联系，而是必须要通过相应的构件操作数据库。
2 capp应用现状及发展趋势
2.1 capp应用现状
众所周知，在国外，capp系统领域一直对自身的自动化与智能化趋势有新的追求，能够使得capp与cam结合的更加紧密，进而能够成为cam的一部分。另外，我们说国内对于capp构件复用技术的研究工作，逐渐从曾经对零件的开发研究，发展到对企业系统性工程的应用范围来使用地更加宽泛，也有着更加明显的功用。整个企业的生产进行组织，进而达到工艺规划的优越性目标。在目前，我国华中科技大学cad中心实验室引进了这个系统，它能够代表着capp系统技术的最新的领先水平与能力。
然而在国内，capp构件复用技术的系统性研究是从我国上个世纪八十年代开始的，到现在有着二十余年的研究历史与经验。并且相关工作者也逐渐意识到现代capp工程开发方向的重要性，并且已经着手capp这方面的研发工作。到目前来看，国内商品化的大多是capp的工具系统，这一类系统应用性较强，自动化程度较差，只是作为一种“辅助工具”而已，因此这些软件工具过于强调了工艺设计师在现代capp系统中所具有的主导性作用，因而降低了自身自动化的程度趋势，从表面上来看这似乎是一次退化，但是却逐渐一步步进步。这种现代系统十分方便于日常推广，并且不受相关产品雷系与制造方面的自然环境禁锢，只需要通过人为定制就能够投入使用进来。
2.2 发展趋势
随着产品开发新技术的出现，工艺信息备受企业关注，以往的capp系统局限性较大，只应用于制定工艺规划，在新的发展前提下，它已经不能满足企业信息化的新要求。
工艺的制定是一个非常复杂的过程，各企业的产品更是花样繁多，要开发本企业专用的 capp 系统，满足自身的需要，不但工作量巨大，而且财力、物力消耗也很大，不符合现代市场经济发展的规律。这就需要科研人员研发出一种新型工具型的 capp 系统，这个工具系统的每个功能被分解为一个个独立的系统单元，各企业可以根据自己的不同的需要，对这些独立的单元，进行简单的二次开发组合，来研究出属于本企业的 独特的capp 系统。
由于现阶段，capp系统还仅仅局限于单一智能技术的研究方面，其中有的系统研发人员过分追求自动化，把capp作为一种取代工具，并不是帮助工艺设计者进行设计工作的工具。针对目前这种情况，有的学者提人机结合的智能综合系统的概念，这是一种智能技术与capp系统有效结合的设想，目前仍处于概念阶段，还有待设计者们进一步的探讨和研究。
3 结束语
从世界先进制造技术的发展历程中，可以看的出，未来的制造是集成化和智能化的时代，“全球化”、“网络化”的制造方式必然出现，然而，capp系统是实现产品工艺过程的前提，是实现产品设计与产品制造融合的重要手段。我们可以从现代国内制造技术发展水平与基本国情来看，当前capp的现代发展能够满足于新时期技术的发展方向需求，针对系统化角度来说，我们对于现代产品工艺设计与软件capp系统化集成与智能化趋势技术进行更加深入的研究，把capp技术的研发工作提高到新的历史阶段。
参考文献：
相关热词搜索：;凝聚态研究的领域篇二
;人工智能的研究领域
参照人在各种活动中的功能，我们可以得到人工智能的领域也不过就是代替人的活动而已。哪个领域有人进行的智力活动，哪个领域就是人工智能研究的领域。人工智能就是为了应用机器的长处来帮助人类进行智力活动。人工智能研究的目的就是要模拟人类神经系统的功能。
人工智能的研究更多的是结合具体领域进行的，主要研究领域有专家系统，机器学习，模式识别，自然语言理解，自动定理证明，自动程序设计，机器人学，博弈，智能决定支持系统和人工神经网络。
人工智能是一种外向型的学科，它不但要求研究它的人懂得人工智能的知识，而且要求有比较扎实的数学基础，哲学和生物学基础，只有这样才可能让一台什么也不知道的机器模拟人的思维。
因为人工智能的研究领域十分广阔，它总的来说是面向应用的，也就说什么地方有人在工作，它就可以用在什么地方，因为人工智能的最根本目的还是要模拟人类的思维。因此我们可以从许多的应用领域中挑选几个有代表性的方面来看看人工智能的发展需要进行哪些方面的工作。
下面我们就具体的应用方面专家系统来看看人工智能的主要研究领域是什么。
专家系统是目前人工智能中最活跃，最有成效的一个研究领域，它是一种基于知识的系统，它从人类专家那里获得知识，并用来解决只有专家才能解决的困难问题。这样定义专家系统：专家系统是一种具有特定领域内大量知识与经验的程序系统，它应用人工智能技术、模拟人类专家求解问题的思维过程求解领域内的各种问题，其水平可以达到甚至超过人类专家的水平。专家系统是在关于人工智能的研究处于低潮时提出来的，由它的出现及其所显示出来的巨大潜能不仅使人工智能摆脱了困境，而且走上了发展时期。
专家系统的分类有解释型，诊断型，预测型，设计型，规划型，控制型，监测型，维修型，教育型和调试型，而从体系上来说，它可分为集中式专家系统，分布式专家系统，神经网络专家系统，符号系统与神经网络结合的专家系统。名字可是不少，但是专家系统的基本结构图如下图所示：
人机接口部分就不做多的解释了，它只是一个用户界面而已。它的实现可以有不同的形式，也有可能是很复杂的。人们希望能够和人类专家那样和机器交流，不再使用简单的命令，而是用人类的语言完成交互工作，这就要求人机接口能够有自然语言理解的功能。但是专家系统能不能使用，好不好使用关键在中间的那一层，人可以思考，如果希望机器也能够象人那样思考，那么推理机制是必不可少的，而且它在很大程序上决定了这个专家系统的效率和可用性。
就推理而言，它一般可以分为精确推理和非精确推理两种。精确推理有以下特点：
精确推理是运用确定性的知识进行的推理，精确推理基于的知识都是明确无误的东西，是1就是1，是2就是2，不存在什么模糊的东西，在一点上，精确推理有它的长处，也就是说，它可以准确地推理，在推理的过程中不必关心会不会出现什么结论精确度的问题，每一步到下一步都是完全正确的，不存在什么可能对可能错，它的正确性是100%传递给下一个推理过程的。
精确推理和人类的思维模型相差很大，人类的思维是有精确的一面，但是绝大部人类的思维还是模糊的和不确定的，人类思维的结果往往是可能如何如何，大概如何如何，但是精确推理的结果中绝对不会有什么可能大概之类的话。
精确推理是一种单调性推理，即随着新知识的加入，推出的结论或证明了的命题只会单调增加，这一点和人类的思维结构也有着明显的不同。新的知识有可能使人类的思维结果增加，但绝对不会是单调增加。
精确推理需要知道全部的信息才可能进行推理，这与人有明显的不同，人可以根据一些情况进行一些假设和推断，产生一个结果，而精确推理却不可能。
正因为精确推理的基础是经典逻辑，而经典逻辑可以说是一种符号化了的形式推理，它关心的是符号与符号之间的形式联系，而不是符号与符号之后深层次的语义联系。也正是因为这一点，限制了精确推理在人工智能中的应用。如果让这种逻辑解一些题，进行一些确定性的工作，它还是可以的，但是如果让它进行更复杂的工作就力不从心了。我们可以想象一下机器翻译中的例子，人类语言中的有些句子根本没有什么语法，非要从语义上理解不可。这个时候精确推理就不好用了。
下面我们看看，人类思维的另一方面，非精确方面。我们知道所谓推理就是从已知的事实出发，通过运用相关知识逐步推出结论或者证明某个假设不成立的思维过程。专家系统中的知识来自于领域内的人类专家，而这种知识常常带有不确定性，在这种情况下，如果仍然使用经典逻辑做精确推理，就必然要把客观事物原来具有的不确定性及事物之间客观存在的不确定性关系化归为确定性，在本来不存在明确类属关系的事物之间人为地划上界限，这无疑会舍弃事物的某些重要属性，从而失去真实性。不确定性推理是建立在非经典逻辑上的一种推理，它是对不确定性知识的运用与处理，严格地说，所谓不确定性推理就是从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度不确定的，但是却是合理（或近乎于合理）的结论的思维过程。
要处理不确定的时候就涉及到确定性推理中不存在的几个基本问题：如何表示这种不确定性，根据表示了的不确定性如何进行推理得到一个（或多个结论），在推理的过程中如何处理不确定性带来的结论的不确定性，如果评价所得到的结果。
因为计算机是处理数字的一种装置，因此对于不确定性的表示说到底还是将它表示成一种有范围的数值，这种数值要有利于推理中对结论不确定性的计算。
解决问题总是需要推理的，而推理出的结论能不能用，是不是结果，那就需要一种衡量的方法，衡量的方法和具体的推理方法不同而不同，现有的推理方法基本上走的是两条路，一条是基于概论论的，一条是基于模糊数学的，前者发展的历史很长了，有很多现成的结果可以使用，但是由于概率是基于一种大样本统计的产物，而这种大样本统计往往不可能得到，而且还没有充分体现模糊性，所以也更谈不上对模糊性进行有效地处理了；而后者克服了前者的缺点，它根据模糊集理论发展出来，为不确定性的判断和获得开辟了新的道路。
现在我们回到我们上面的专家系统基本结构图上来，我们知道人类的推理活动是基于一定知识进行的，我们解几何题的时候总是要知道一些基本的公理（或定理），医生看病的时候起码要有一点最起码的医学常识，这样才有进行推理的物质条件，推理是建立在具有知识的基础上进行的。
知识就是一些事实或事实的抽象，我们称之为概念的东西组成的。知识是对客观事物某一方面属性的了解。知识有着它的特性：
相对正确性。任何知识都有一定的应用范围，不能脱离了范围来说一个知识可用不可用；
不确定性。由于现实世界的复杂性，许多事实和概念都不可以说是绝对正确，就象哲学中不存在绝对真理一样，知识本身也有不确定性；
可表示性。同样，知识也要是可以表达的，用口述也要，用什么东西记录也要，要能够感知的，如果不能表示出来，那谁能够理解，连表示都表示不出来，那也根本谈不上应用了。不能用的东西，我们知道也罢不知道也罢，对于面向应用的人工智能来说没有什么意义。
事实和概念之间，概念和概念之间，事实和事实之间都存在联系，这种联系有两种，静态联系和动态联系。
静态联系。比如，我们一旦提起“早上”这个概念就会想起“太阳东升”或“公鸡叫”之类的事实，这种联系有时候是双向的，也就是等价的，而有时是单向的，我们可以把“太阳东升”与“早上”等价起来，而我们如果把“公鸡叫”和“早上”等价起来，十有八九可能要错了。
动态联系。除了静态的联系以外，我们还必须看到，事实和概念之间也会存在一种动态的联系，这一点在机器翻译中很好的体现了。比如在上文中看到了一个概念a，它建立了概念b的联系，那么，我们在下文中就必须承认a和b之间是有联系的，即使在生活中这种联系是根本不存在的，只要在上文中已经承认了这种联系，我们就必须承认这种联系的存在。再具体一点，我们在翻译一篇科幻小说的时候，前文已经说过这个地方“早上”太阳是从“北方升起”，那么，“太阳北方升起”就和“早上”这个概念建立了联系，在这篇文章的翻译中就要注意了，凡是有关早上太阳的都要是从“北方升起”的。但是千万要注意，这种联系不可做为静态联系而带到下一个文章中，如果把这个联系记住带到下一个文章中去，那可就出大麻烦了。
前面已经说过知识是客观事物某一方面属性的描述，而正因为客观事物是相互联系的，因此知识也必须是相互联系的。这就是知识联系的存在的本质原因。
知识作为机器智能的一部分，就必须能够让机器知道什么是知识，那就涉及到了知识表示的问题，这个问题就象人记录某一事实有不同的方法一样，例如对于聋子来说，你让他把“早上”和“公鸡叫”联系在一起，那是根本不可能的。而对于机器这个东西，它简直就是一个又聋又瞎，又没有感觉（更谈不上感情）的石头，它只理解数字和一些人为规定的数据结构，那么如何让它能够理解知识，特别是知识中的联系就是一个重要的问题了，一个专家系统的推理系统做得再好，没有知识做为后盾肯定什么也干不成。
同时，知识的表示又影响到推理机制的运行，推理机制和知识表示两者是相关的，一种知识表示可以有利于一种推理机制的运行，而另一种则不利于这种推理机制的运行，因此选择知识表示也一定要根据所要处理的具体领域选择相应的知识表示方法，具体的知识表示有以下几种：
一阶谓词逻辑表示法。它是把一些知识表示为经典逻辑中的谓词表示式，因为表示成了谓词的形式，进行推理起来当然比较方便了，但是有许多知识是根本无法表示为谓词的，其关键原因是因为谓词只有表示出精确的知识，而对不确定的事物无法有效表示；同时这种表示方式也不能很好地体现知识的内在联系，寻找知识内在联系的任务要交给推理系统或另外的系统完成，这就比较麻烦了。
产生式表示法。它的基本形式类似于我们的if语句的形式，因为与计算机中一些现成的语句相似，因此对它的处理要方便得多。它注意到了联系和知识的应用范围，但是它在表示结构性知识上可是先天不足。
框架表示法。它的基本作法是把许多事物放在一起，构成一个集合，然后就这个集合中的联系和事实进行表示，这种表示方法可比前两种科学得多了。在机器翻译中，如果一个老太太说到vc，我们可不要把它和微软联系起来，而要和维生素c等价。这种表示法限制了概念出现的场合，这可能是它的不足之处，但是相对于前面两种表示法，它是很接收于人类思维的一种表示法，它无形中体现了知识适用的范围。更重要的是它是可以继承的，在这一点上，它更加接近人的思维了。
语义网络法。我们自己可以想象一下自己所拥有的知识体系，有是有结构的，但在另一角度上看，它是一个网络，普遍联系的网络，而语义网络表示法正是在表示人类知识体系成网络化的一面，而且它能够使联想式推理在其上得到很好的发挥，为进行复杂推理打下了坚实的基础。它很接近人类思维，但是它不能正确表示类属关系，它体现了网络性，但它忽视了事物有类属性。框架表示法和语义网络表示法在这一点是有互补性的。
脚本表示法。这种表示法在自然语言理解方面开始应用，这是因为自然语言理解的特殊性要求有这样一种表示法。它正确地表示了上下文关系，表示了事物之间的静态关系，动态关系，充分考虑到了场景（上下文），但是世界上的场景可实在是太多了，保存这些场景几乎是不可能的。这就限制了它的应用范围。
就知识表示来的几种方法来看，知识的表示有贴近于人类表示的，有与人类表示相差比较远的表示方法，总体上我们可以看到一种特点：与人类思维接近的表示法，让计算机表示起来都会有一定的麻烦，而与机器接近的表示法却不能完全表示人类知识结构。机器和人之间有着一种差别，这种差别可能开始促使人们开始研究新结构的计算机，让机器和人类思维之间的差别减少到最小。但是因为目前人类的思维结构，人脑的结构还不能搞得很清楚，因此能够靠这样一台机器把人和机器的思维差距缩小到什么程度就不得而知了。而且就目前看来，替换如此许多的计算机也是不现实的，因此有必要采用另外的方法让机器和思维和人类的思维更加接近。
有人说人工智能就是一个数据库加上搜索，从某种程度上，这句话也确实可以说明人工智能的现状。无论是在知识库这一方也好，还是在推理机那一方也好，都要涉及到搜索这一过程。
大体上来说，搜索分为两种，一种是非启发式的搜索，另一种是启发式搜索。非启发式的搜索在搜索过程中不改变搜索策略，不利用搜索获得的中间信息，它盲目性大，效率差，用于小型问题还可以，用于大型问题根本不可能；而启发式搜索在搜索过程中加入了与问题有关的启发性信息，用以指导搜索向着一个比较小的范围内进行，加速获得结果的过程。我们都知道计算机中有一个np完全性问题，也正是因为这个使非启发式搜索在许多场合下不可用，但是启发式搜索虽然利用了搜索的中间结果，减少了搜索量，看起来优于非启发式搜索，它所得到的解是不是最优解这往往令人头痛。总的说来，非启发式搜索随着搜索的进行，需要搜索的空间很快加大；启发式搜索随着搜索的进行，需要搜索的空间有所增加，但增加的幅度远远小于非启发式搜索。问题空间中的有些地方因为中间信息的获得而根本不用搜索了。随着计算机硬件性能的不断提高和实际系统的需求，原来看起来不能使用非启发式搜索的地方现在也可以了，所以在实际应用中非启发式搜索仍然使用很广。
有了搜索的方法，那我们现在可以看看要搜索的东西是什么样子的了。数据结构决定算法的实现。对于我们所知道的问题，我们可以采用状态空间或与或树的表示方法来表示一个待搜索的问题空间。
由于工程实践的需要，搜索的结果有时候可以不是最优解（有时候最优解也没有判定标准），而是次优解，我们可以想一下机器翻译中对一句话的翻译可能有许多种，哪里谈得上有什么最优的。因此，随了我们熟悉的一些类似的深度优先，广度优先算法以外，现在研究的很多还有一种进化式的搜索算法，例如遗传算法，模拟煺火算法等等，它们有的搜索方法独立于问题，而且能够在比较短的时间内找到最优解（或次优解），特别适应于对问题空间比较在的情况下使用。
拿遗传算法来说，我想更重要的一点是我们不必关心它如何做，而只用关心它做什么，这一点是相对于传统搜索算法的最大不同。而人工智能所追求的也就是让机器具有类似人类的智能，如果你能够告诉一台计算机要干什么，它就能够自己干了，而不用你告诉它如何干，那人工智能就已经实现了。
我们现在再回到上面专家系统基本结构图上来。我们有了推理机，有了知识库，按说就可以实现用户的功能了，但是我们还应该注意到，另一个重要的部件，知识获取部分，一个人类专家只所以能够成为人类专家，就是它可以在实践过程中不断地丰富自己的知识，让自己做出的结论在结合实践后反馈回自己，让自己修改错误，人是一个负反馈的系统，而我们上面提到的没有知识获取的专家系统根本没有什么反馈，这个机器专家，现在是这个水平，将来还会是这个水平，它所知道的，不会因为自己的实践而有丝毫的变化。因此它不能适用工程实际的需要。知识获得部分的工作就是要建立这样一种反馈机制，把所得到的结果反馈给知识库，修改已知的知识，让它得到的结果更准确，更具有可用性。如果让它能够实例进行学习，那更好不过了，编程人员就可以不用把一条条的规则用程序写给这个专家系统了，而只用把一个个用计算机作好标记的实例交给计算机，它自己会生成知识库，这样它就更象一个人了。因此，如果一个专家系统有自学习的功能，那在系统的维护方面和系统的可用性方面一定会大有提高。
机器学习在这样的需求下产生了。机器学习的方法有以下几种：
机械式学习。它的另一个名称死记式学习能够直接体现它的特点，这是一种最简单的，最原始的学习方法，也是机器的强项，人的弱项。
指导式学习。这种学习方式是由外部环境向系统提供一般性的指示或建议，系统把它们具体地转化为细节知识并送入知识库中，在学习过程中要对反复对知识进行评价，使其不断完善。
归纳学习。我们看到，机器所善长的不是归纳，而是演绎，它适用于从特殊到一般，而不太适应从一般到特殊，从特殊到一般的归纳是人类所特有的，是智慧的标志。具体的归纳学习方法有许多，但它们的本质就是让计算机学会从一般中得出规律。
类比学习。类比也就是通过对相似事物进行比较所进行的一种学习。它的基础是类比推理，也就是把新事物和记忆中的老事物进行比较，如果发现它们之间有些属性是相同的，那么可以（假定地）推断出它们的另外一些属性也是相同的。
基于解释的学习。这是近年来兴起的一种新的学习方法。它不是通过归纳或类比进行学习，而是通过运用相关的领域知识及一个训练实例来对某一目标概念进行学习，并最终生成这个目标概念的一般描述，这个一般描述是一个可形式化表示的一般性知识。
通过以上的学习方法就是为了得到知识，通过一种方便的方法得到知识。前面已经说过了，因为机器的思考方式和人类的思考方式大有不同之处，因此让机器通过自己学习生成自己便于理解和使用的知识，也不失为机器学习的目标之一。
就人工智能的研究领域来说，前面说所说的系统可以表示成下面这样一个图示：
这个系统类型于控制中的负反馈系统，把结果重新作用于知识库上，于是知识库得到不断地修正，以适应系统的需要。但是我们注意到上图中，如果把结果作用于推理机会得到什么结果。
我们前面讨论的专家系统也好，推理机也好，机器学习也好，与人的差距就在于我们还需要告诉它们怎么做，而不是仅仅告诉它们做什么，它们就会去做了。人工智能的两种研究方法，一种是希望找到人类智力的数学解释，只要找到了数学解释，那么人工智能就可以得到实现了；另一种是用一种软件或硬件的结构来模拟人脑的结构，通过类似仿生学的方法来模拟人类思维。而神经网络正是基于后一种思路提出的。从某种意义上来说，对于神经网络而言，结果它改变的是不是知识库，而是推理机的结构，它也是研究人工智能的一种重要的方法。
神经网络也就是模拟人脑中神经元的功能，希望通过模拟人脑最基本的单位神经元功能来模拟人脑的功能。它通过一定的范例训练构成的神经网络，就象教一个小孩子一样，在训练结束后，这个神经网络就可以完成特定的功能了。它是通过范例的学习，修改了知识库和推理机的结构，达到实现人工智能的目的。
最后还有一个应用领域，就是模型识别，我想它应该在知识挖掘中应用不小，因为现在工程中的获得的数据越来越多，要想人为地从这些数据中确定某一规律都不容易，更不要说在这些数据中发现新规律了，因此有必要进行数据挖掘，它的应用对于决策支持系统将有着巨大的意义。
人可以思考，人工智能也需要思考，这就是推理；人可以学习，人工智能也就需要学习；人可以拥有知识，那么人工智能也就需要拥有知识。
人工智能是为了模拟人类大脑的活动的，人类已经可以用许多新技术新材料代替人体的许多功能，只要模拟了人的大脑，人就可以完成人工生命的研究工作，人创造自己，这不但在科学上，而且在哲学上都具有划时代的意义。
最后，我们来总结一下，人工智能的各个研究领域。参照人在各种活动中的功能，我们可以得到人工智能的领域也不过就是代替人的活动而已。哪个领域有人进行的智力活动，哪个领域就是人工智能研究的领域。人工智能就是为了应用机器的长处来帮助人类进行智力活动。人工智能研究的目的就是要模拟人类神经系统的功能。
相关热词搜索：;
凝聚态研究的领域篇三
;人工智能的研究领域
参照人在各种活动中的功能，我们可以得到人工智能的领域也不过就是代替人的活动而已。哪个领域有人进行的智力活动，哪个领域就是人工智能研究的领域。人工智能就是为了应用机器的长处来帮助人类进行智力活动。人工智能研究的目的就是要模拟人类神经系统的功能。
人工智能的研究更多的是结合具体领域进行的，主要研究领域有专家系统，机器学习，模式识别，自然语言理解，自动定理证明，自动程序设计，机器人学，博弈，智能决定支持系统和人工神经网络。
人工智能是一种外向型的学科，它不但要求研究它的人懂得人工智能的知识，而且要求有比较扎实的数学基础，哲学和生物学基础，只有这样才可能让一台什么也不知道的机器模拟人的思维。
因为人工智能的研究领域十分广阔，它总的来说是面向应用的，也就说什么地方有人在工作，它就可以用在什么地方，因为人工智能的最根本目的还是要模拟人类的思维。因此我们可以从许多的应用领域中挑选几个有代表性的方面来看看人工智能的发展需要进行哪些方面的工作。
下面我们就具体的应用方面专家系统来看看人工智能的主要研究领域是什么。
专家系统是目前人工智能中最活跃，最有成效的一个研究领域，它是一种基于知识的系统，它从人类专家那里获得知识，并用来解决只有专家才能解决的困难问题。这样定义专家系统：专家系统是一种具有特定领域内大量知识与经验的程序系统，它应用人工智能技术、模拟人类专家求解问题的思维过程求解领域内的各种问题，其水平可以达到甚至超过人类专家的水平。专家系统是在关于人工智能的研究处于低潮时提出来的，由它的出现及其所显示出来的巨大潜能不仅使人工智能摆脱了困境，而且走上了发展时期。
专家系统的分类有解释型，诊断型，预测型，设计型，规划型，控制型，监测型，维修型，教育型和调试型，而从体系上来说，它可分为集中式专家系统，分布式专家系统，神经网络专家系统，符号系统与神经网络结合的专家系统。名字可是不少，但是专家系统的基本结构图如下图所示：
人机接口部分就不做多的解释了，它只是一个用户界面而已。它的实现可以有不同的形式，也有可能是很复杂的。人们希望能够和人类专家那样和机器交流，不再使用简单的命令，而是用人类的语言完成交互工作，这就要求人机接口能够有自然语言理解的功能。但是专家系统能不能使用，好不好使用关键在中间的那一层，人可以思考，如果希望机器也能够象人那样思考，那么推理机制是必不可少的，而且它在很大程序上决定了这个专家系统的效率和可用性。
就推理而言，它一般可以分为精确推理和非精确推理两种。精确推理有以下特点：
精确推理是运用确定性的知识进行的推理，精确推理基于的知识都是明确无误的东西，是1就是1，是2就是2，不存在什么模糊的东西，在一点上，精确推理有它的长处，也就是说，它可以准确地推理，在推理的过程中不必关心会不会出现什么结论精确度的问题，每一步到下一步都是完全正确的，不存在什么可能对可能错，它的正确性是100%传递给下一个推理过程的。
精确推理和人类的思维模型相差很大，人类的思维是有精确的一面，但是绝大部人类的思维还是模糊的和不确定的，人类思维的结果往往是可能如何如何，大概如何如何，但是精确推理的结果中绝对不会有什么可能大概之类的话。
精确推理是一种单调性推理，即随着新知识的加入，推出的结论或证明了的命题只会单调增加，这一点和人类的思维结构也有着明显的不同。新的知识有可能使人类的思维结果增加，但绝对不会是单调增加。
精确推理需要知道全部的信息才可能进行推理，这与人有明显的不同，人可以根据一些情况进行一些假设和推断，产生一个结果，而精确推理却不可能。
正因为精确推理的基础是经典逻辑，而经典逻辑可以说是一种符号化了的形式推理，它关心的是符号与符号之间的形式联系，而不是符号与符号之后深层次的语义联系。也正是因为这一点，限制了精确推理在人工智能中的应用。如果让这种逻辑解一些题，进行一些确定性的工作，它还是可以的，但是如果让它进行更复杂的工作就力不从心了。我们可以想象一下机器翻译中的例子，人类语言中的有些句子根本没有什么语法，非要从语义上理解不可。这个时候精确推理就不好用了。
下面我们看看，人类思维的另一方面，非精确方面。我们知道所谓推理就是从已知的事实出发，通过运用相关知识逐步推出结论或者证明某个假设不成立的思维过程。专家系统中的知识来自于领域内的人类专家，而这种知识常常带有不确定性，在这种情况下，如果仍然使用经典逻辑做精确推理，就必然要把客观事物原来具有的不确定性及事物之间客观存在的不确定性关系化归为确定性，在本来不存在明确类属关系的事物之间人为地划上界限，这无疑会舍弃事物的某些重要属性，从而失去真实性。不确定性推理是建立在非经典逻辑上的一种推理，它是对不确定性知识的运用与处理，严格地说，所谓不确定性推理就是从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度不确定的，但是却是合理（或近乎于合理）的结论的思维过程。
要处理不确定的时候就涉及到确定性推理中不存在的几个基本问题：如何表示这种不确定性，根据表示了的不确定性如何进行推理得到一个（或多个结论），在推理的过程中如何处理不确定性带来的结论的不确定性，如果评价所得到的结果。
因为计算机是处理数字的一种装置，因此对于不确定性的表示说到底还是将它表示成一种有范围的数值，这种数值要有利于推理中对结论不确定性的计算。
解决问题总是需要推理的，而推理出的结论能不能用，是不是结果，那就需要一种衡量的方法，衡量的方法和具体的推理方法不同而不同，现有的推理方法基本上走的是两条路，一条是基于概论论的，一条是基于模糊数学的，前者发展的历史很长了，有很多现成的结果可以使用，但是由于概率是基于一种大样本统计的产物，而这种大样本统计往往不可能得到，而且还没有充分体现模糊性，所以也更谈不上对模糊性进行有效地处理了；而后者克服了前者的缺点，它根据模糊集理论发展出来，为不确定性的判断和获得开辟了新的道路。
现在我们回到我们上面的专家系统基本结构图上来，我们知道人类的推理活动是基于一定知识进行的，我们解几何题的时候总是要知道一些基本的公理（或定理），医生看病的时候起码要有一点最起码的医学常识，这样才有进行推理的物质条件，推理是建立在具有知识的基础上进行的。
知识就是一些事实或事实的抽象，我们称之为概念的东西组成的。知识是对客观事物某一方面属性的了解。知识有着它的特性：
相对正确性。任何知识都有一定的应用范围，不能脱离了范围来说一个知识可用不可用；
不确定性。由于现实世界的复杂性，许多事实和概念都不可以说是绝对正确，就象哲学中不存在绝对真理一样，知识本身也有不确定性；
可表示性。同样，知识也要是可以表达的，用口述也要，用什么东西记录也要，要能够感知的，如果不能表示出来，那谁能够理解，连表示都表示不出来，那也根本谈不上应用了。不能用的东西，我们知道也罢不知道也罢，对于面向应用的人工智能来说没有什么意义。
事实和概念之间，概念和概念之间，事实和事实之间都存在联系，这种联系有两种，静态联系和动态联系。
静态联系。比如，我们一旦提起“早上”这个概念就会想起“太阳东升”或“公鸡叫”之类的事实，这种联系有时候是双向的，也就是等价的，而有时是单向的，我们可以把“太阳东升”与“早上”等价起来，而我们如果把“公鸡叫”和“早上”等价起来，十有八九可能要错了。
动态联系。除了静态的联系以外，我们还必须看到，事实和概念之间也会存在一种动态的联系，这一点在机器翻译中很好的体现了。比如在上文中看到了一个概念a，它建立了概念b的联系，那么，我们在下文中就必须承认a和b之间是有联系的，即使在生活中这种联系是根本不存在的，只要在上文中已经承认了这种联系，我们就必须承认这种联系的存在。再具体一点，我们在翻译一篇科幻小说的时候，前文已经说过这个地方“早上”太阳是从“北方升起”，那么，“太阳北方升起”就和“早上”这个概念建立了联系，在这篇文章的翻译中就要注意了，凡是有关早上太阳的都要是从“北方升起”的。但是千万要注意，这种联系不可做为静态联系而带到下一个文章中，如果把这个联系记住带到下一个文章中去，那可就出大麻烦了。
前面已经说过知识是客观事物某一方面属性的描述，而正因为客观事物是相互联系的，因此知识也必须是相互联系的。这就是知识联系的存在的本质原因。
知识作为机器智能的一部分，就必须能够让机器知道什么是知识，那就涉及到了知识表示的问题，这个问题就象人记录某一事实有不同的方法一样，例如对于聋子来说，你让他把“早上”和“公鸡叫”联系在一起，那是根本不可能的。而对于机器这个东西，它简直就是一个又聋又瞎，又没有感觉（更谈不上感情）的石头，它只理解数字和一些人为规定的数据结构，那么如何让它能够理解知识，特别是知识中的联系就是一个重要的问题了，一个专家系统的推理系统做得再好，没有知识做为后盾肯定什么也干不成。
同时，知识的表示又影响到推理机制的运行，推理机制和知识表示两者是相关的，一种知识表示可以有利于一种推理机制的运行，而另一种则不利于这种推理机制的运行，因此选择知识表示也一定要根据所要处理的具体领域选择相应的知识表示方法，具体的知识表示有以下几种：
一阶谓词逻辑表示法。它是把一些知识表示为经典逻辑中的谓词表示式，因为表示成了谓词的形式，进行推理起来当然比较方便了，但是有许多知识是根本无法表示为谓词的，其关键原因是因为谓词只有表示出精确的知识，而对不确定的事物无法有效表示；同时这种表示方式也不能很好地体现知识的内在联系，寻找知识内在联系的任务要交给推理系统或另外的系统完成，这就比较麻烦了。
产生式表示法。它的基本形式类似于我们的if语句的形式，因为与计算机中一些现成的语句相似，因此对它的处理要方便得多。它注意到了联系和知识的应用范围，但是它在表示结构性知识上可是先天不足。
框架表示法。它的基本作法是把许多事物放在一起，构成一个集合，然后就这个集合中的联系和事实进行表示，这种表示方法可比前两种科学得多了。在机器翻译中，如果一个老太太说到vc，我们可不要把它和微软联系起来，而要和维生素c等价。这种表示法限制了概念出现的场合，这可能是它的不足之处，但是相对于前面两种表示法，它是很接收于人类思维的一种表示法，它无形中体现了知识适用的范围。更重要的是它是可以继承的，在这一点上，它更加接近人的思维了。
语义网络法。我们自己可以想象一下自己所拥有的知识体系，有是有结构的，但在另一角度上看，它是一个网络，普遍联系的网络，而语义网络表示法正是在表示人类知识体系成网络化的一面，而且它能够使联想式推理在其上得到很好的发挥，为进行复杂推理打下了坚实的基础。它很接近人类思维，但是它不能正确表示类属关系，它体现了网络性，但它忽视了事物有类属性。框架表示法和语义网络表示法在这一点是有互补性的。
脚本表示法。这种表示法在自然语言理解方面开始应用，这是因为自然语言理解的特殊性要求有这样一种表示法。它正确地表示了上下文关系，表示了事物之间的静态关系，动态关系，充分考虑到了场景（上下文），但是世界上的场景可实在是太多了，保存这些场景几乎是不可能的。这就限制了它的应用范围。
就知识表示来的几种方法来看，知识的表示有贴近于人类表示的，有与人类表示相差比较远的表示方法，总体上我们可以看到一种特点：与人类思维接近的表示法，让计算机表示起来都会有一定的麻烦，而与机器接近的表示法却不能完全表示人类知识结构。机器和人之间有着一种差别，这种差别可能开始促使人们开始研究新结构的计算机，让机器和人类思维之间的差别减少到最小。但是因为目前人类的思维结构，人脑的结构还不能搞得很清楚，因此能够靠这样一台机器把人和机器的思维差距缩小到什么程度就不得而知了。而且就目前看来，替换如此许多的计算机也是不现实的，因此有必要采用另外的方法让机器和思维和人类的思维更加接近。
有人说人工智能就是一个数据库加上搜索，从某种程度上，这句话也确实可以说明人工智能的现状。无论是在知识库这一方也好，还是在推理机那一方也好，都要涉及到搜索这一过程。
大体上来说，搜索分为两种，一种是非启发式的搜索，另一种是启发式搜索。非启发式的搜索在搜索过程中不改变搜索策略，不利用搜索获得的中间信息，它盲目性大，效率差，用于小型问题还可以，用于大型问题根本不可能；而启发式搜索在搜索过程中加入了与问题有关的启发性信息，用以指导搜索向着一个比较小的范围内进行，加速获得结果的过程。我们都知道计算机中有一个np完全性问题，也正是因为这个使非启发式搜索在许多场合下不可用，但是启发式搜索虽然利用了搜索的中间结果，减少了搜索量，看起来优于非启发式搜索，它所得到的解是不是最优解这往往令人头痛。总的说来，非启发式搜索随着搜索的进行，需要搜索的空间很快加大；启发式搜索随着搜索的进行，需要搜索的空间有所增加，但增加的幅度远远小于非启发式搜索。问题空间中的有些地方因为中间信息的获得而根本不用搜索了。随着计算机硬件性能的不断提高和实际系统的需求，原来看起来不能使用非启发式搜索的地方现在也可以了，所以在实际应用中非启发式搜索仍然使用很广。
有了搜索的方法，那我们现在可以看看要搜索的东西是什么样子的了。数据结构决定算法的实现。对于我们所知道的问题，我们可以采用状态空间或与或树的表示方法来表示一个待搜索的问题空间。
由于工程实践的需要，搜索的结果有时候可以不是最优解（有时候最优解也没有判定标准），而是次优解，我们可以想一下机器翻译中对一句话的翻译可能有许多种，哪里谈得上有什么最优的。因此，随了我们熟悉的一些类似的深度优先，广度优先算法以外，现在研究的很多还有一种进化式的搜索算法，例如遗传算法，模拟煺火算法等等，它们有的搜索方法独立于问题，而且能够在比较短的时间内找到最优解（或次优解），特别适应于对问题空间比较在的情况下使用。
拿遗传算法来说，我想更重要的一点是我们不必关心它如何做，而只用关心它做什么，这一点是相对于传统搜索算法的最大不同。而人工智能所追求的也就是让机器具有类似人类的智能，如果你能够告诉一台计算机要干什么，它就能够自己干了，而不用你告诉它如何干，那人工智能就已经实现了。
我们现在再回到上面专家系统基本结构图上来。我们有了推理机，有了知识库，按说就可以实现用户的功能了，但是我们还应该注意到，另一个重要的部件，知识获取部分，一个人类专家只所以能够成为人类专家，就是它可以在实践过程中不断地丰富自己的知识，让自己做出的结论在结合实践后反馈回自己，让自己修改错误，人是一个负反馈的系统，而我们上面提到的没有知识获取的专家系统根本没有什么反馈，这个机器专家，现在是这个水平，将来还会是这个水平，它所知道的，不会因为自己的实践而有丝毫的变化。因此它不能适用工程实际的需要。知识获得部分的工作就是要建立这样一种反馈机制，把所得到的结果反馈给知识库，修改已知的知识，让它得到的结果更准确，更具有可用性。如果让它能够实例进行学习，那更好不过了，编程人员就可以不用把一条条的规则用程序写给这个专家系统了，而只用把一个个用计算机作好标记的实例交给计算机，它自己会生成知识库，这样它就更象一个人了。因此，如果一个专家系统有自学习的功能，那在系统的维护方面和系统的可用性方面一定会大有提高。
机器学习在这样的需求下产生了。机器学习的方法有以下几种：
机械式学习。它的另一个名称死记式学习能够直接体现它的特点，这是一种最简单的，最原始的学习方法，也是机器的强项，人的弱项。
指导式学习。这种学习方式是由外部环境向系统提供一般性的指示或建议，系统把它们具体地转化为细节知识并送入知识库中，在学习过程中要对反复对知识进行评价，使其不断完善。
归纳学习。我们看到，机器所善长的不是归纳，而是演绎，它适用于从特殊到一般，而不太适应从一般到特殊，从特殊到一般的归纳是人类所特有的，是智慧的标志。具体的归纳学习方法有许多，但它们的本质就是让计算机学会从一般中得出规律。
类比学习。类比也就是通过对相似事物进行比较所进行的一种学习。它的基础是类比推理，也就是把新事物和记忆中的老事物进行比较，如果发现它们之间有些属性是相同的，那么可以（假定地）推断出它们的另外一些属性也是相同的。
基于解释的学习。这是近年来兴起的一种新的学习方法。它不是通过归纳或类比进行学习，而是通过运用相关的领域知识及一个训练实例来对某一目标概念进行学习，并最终生成这个目标概念的一般描述，这个一般描述是一个可形式化表示的一般性知识。
通过以上的学习方法就是为了得到知识，通过一种方便的方法得到知识。前面已经说过了，因为机器的思考方式和人类的思考方式大有不同之处，因此让机器通过自己学习生成自己便于理解和使用的知识，也不失为机器学习的目标之一。
就人工智能的研究领域来说，前面说所说的系统可以表示成下面这样一个图示：
这个系统类型于控制中的负反馈系统，把结果重新作用于知识库上，于是知识库得到不断地修正，以适应系统的需要。但是我们注意到上图中，如果把结果作用于推理机会得到什么结果。
我们前面讨论的专家系统也好，推理机也好，机器学习也好，与人的差距就在于我们还需要告诉它们怎么做，而不是仅仅告诉它们做什么，它们就会去做了。人工智能的两种研究方法，一种是希望找到人类智力的数学解释，只要找到了数学解释，那么人工智能就可以得到实现了；另一种是用一种软件或硬件的结构来模拟人脑的结构，通过类似仿生学的方法来模拟人类思维。而神经网络正是基于后一种思路提出的。从某种意义上来说，对于神经网络而言，结果它改变的是不是知识库，而是推理机的结构，它也是研究人工智能的一种重要的方法。
神经网络也就是模拟人脑中神经元的功能，希望通过模拟人脑最基本的单位神经元功能来模拟人脑的功能。它通过一定的范例训练构成的神经网络，就象教一个小孩子一样，在训练结束后，这个神经网络就可以完成特定的功能了。它是通过范例的学习，修改了知识库和推理机的结构，达到实现人工智能的目的。
最后还有一个应用领域，就是模型识别，我想它应该在知识挖掘中应用不小，因为现在工程中的获得的数据越来越多，要想人为地从这些数据中确定某一规律都不容易，更不要说在这些数据中发现新规律了，因此有必要进行数据挖掘，它的应用对于决策支持系统将有着巨大的意义。
人可以思考，人工智能也需要思考，这就是推理；人可以学习，人工智能也就需要学习；人可以拥有知识，那么人工智能也就需要拥有知识。
人工智能是为了模拟人类大脑的活动的，人类已经可以用许多新技术新材料代替人体的许多功能，只要模拟了人的大脑，人就可以完成人工生命的研究工作，人创造自己，这不但在科学上，而且在哲学上都具有划时代的意义。
最后，我们来总结一下，人工智能的各个研究领域。参照人在各种活动中的功能，我们可以得到人工智能的领域也不过就是代替人的活动而已。哪个领域有人进行的智力活动，哪个领域就是人工智能研究的领域。人工智能就是为了应用机器的长处来帮助人类进行智力活动。人工智能研究的目的就是要模拟人类神经系统的功能。
相关热词搜索：;
凝聚态研究的领域篇四
;摘要 历史长河发展至今日，每一个古老的国度都有自己特有的神话，“神话”就像人类童年的“百科全书”，融合了当时的经济、政治、哲学、道德，当然，还有艺术的起源。神话，即是让后人了解不同文明最直观的途径。中西方在艺术领域的异同，归根到底是古希腊与华夏文明之间的差别，而这两种久远的神话至今依然被后人传颂。本文将从神的差异性、图腾的不同形成以及古代文明对中西方艺术的形成几个方面论述古希腊与华夏文明创造的伟大神话，进而阐述两者在艺术领域的差异性。
一 引言
当一个部落发展为一个民族，开始对问题进行思考的时候，对于自己和世界的来源问题无疑是所有远古民族的困惑，而对于来源的解读便是文明的开始。古希腊文明与华夏文明对于人类的来源都做出了不同的解答，这些形形色色的答案在现代看来只是荒诞不经的神话传说，可是，对于远古的伟大民族来说，便是万物的起源，是人之本了。我们的艺术史便开篇于这个充满想象充满神话的懵懂时代。
二 古希腊与华夏文明中“神”角色之异同性
1 古希腊与华夏文明中的神话之同
茅盾先生曾下过一个定义：“神话是一种流行于上古时代的民间故事，所叙述的是超乎人类能力以上的神的行事，虽然荒唐无稽，可是古代人民互相传颂，却信以为真”。笔者认为，在远古至上古时期，人们将生活的方方面面都划分为不同的神话作为各个领域的精神依托，其故事越是神秘，其神话意味越浓，艺术性也就越强。首先，是创世纪神话：华夏文明中的创世纪神话，相传盘古开天辟地，创建了江河湖海，像这样的卵生神话，在古希腊神话故事中也有雷同，如西方也认为同样是混沌一片的世界，呈卵状，在不断地裂变分离之后变成天与地。这种破茧而出的神话正是原始民族形成人类坚定信念的保证；其次，灾难神话也是古希腊和华夏文明所共有的神话传说，多为水火的灾难，如古希腊神话中宙斯为了惩罚人类降洪水之灾于大地，华夏文明也有共工怒撞不周山，天河水滔天倾降的故事，古希腊有帮助人类盗取火种的神邸普罗米修斯，我们有钻木取火造福人类的燧人氏。然后，远古民族关于万物的生命化传说也被后人所传颂，如古希腊传说中四季常青的月桂树便是美丽的女神达芙妮躲避太阳神阿波罗的追求而变成的，而中国的精卫鸟也有一则悲壮的精卫填海的传说被后人乐道等。这些各个领域的神话故事不仅显示了远古人类的丰富想象力，更是构建中西方不同人格化、意志化的过程。中西方艺术与文化的差异从此刻已经开始形成。
2 古希腊与华夏文明中的神话之异
首先，从神话中神仙的延续性来看，古希腊神话中的神更像是一个群婚的家族，主神宙斯是神界与人间的主宰，他生性暴力，有七情六欲，身边有掌管天空的天后赫拉、有掌管地狱的兄长哈德斯与掌管海洋的兄长塞莱斯，有儿女狄安娜、战神、维纳斯等，可以看出，他的宗亲占据着天地各个要职，掌控人神界所有权利，他们名为神，其实却是人们思想构造出来的人的模板，只是比人更完美，正如我们现在看到的希腊人像雕塑大卫、维纳斯、战神那样，他们都是被人格化了的神，正如恩格斯所说的：“由于自然力被人格化，最初的神产生了。”从这一点看，我们中华文明的神与古希腊的神之间的差异就一目了然了。
如我们的神话中的炼石补天的女娲与南方的天神伏羲，女娲，古神女而帝者，人面蛇身，一日中七十变。（《山海经·大荒西经·郭璞注》）；燧人之氏……生伏羲……人首蛇身也是人首蛇身。（《帝王世纪》）
可以看出，华夏文明中的神邸是集人与动物为一身的，在汉代的帛画上，伏羲与女娲都拖着一个长长的尾巴；华夏始祖炎帝则是牛头人身，另一位始祖黄帝拥有着别于人类的四张脸，汉画像石中的神女嫦娥更像是一只壁虎。华夏文明中的神仙多沿袭着人首蛇身的面目，而且，我们的神的降生是通过感化或者召唤而来，七情六欲更无从说起。从这儿可以看出，古希腊的神具有人性，我们的神则容人性于一身。
其次，从神话的体系来看，古希腊神话中的神仙体系一气呵成，有主有次，各司其职，即奥林匹斯十二神为主体系，俄狄浦斯、阿家门农等家族神话都在这个体系中。而中国神话体系分支琐碎，神的掌管范围不限，没有一个统一的神仙系统，这也就形成了中国华夏文明中神仙的同神异事性与同事异神性，归根到底便是中国的泛神论与西方一神论的差异。
笔者认为形成这种差异性可以归为几个原因，首先，是地理环境的原因，古希腊文明发生在海洋气候为主的地区，连绵的海岸线形成了那里生活的民族特有的开放性与积极性，他们热情、奔放，享受生活，追求完美，奔放的大海给予了他们勇气和斗志，这种性格在希腊神话中的人物身上都有体现，如他们的爱恨情仇、他们的以自己为中心，他们的追求自然和生命等，相比较，中国的华夏文明更显得内敛和深沉，我们的生存环境造就了我们以农耕与畜牧为主的生活方式，生存环境的不可控制性使我们的神仙更具深沉的意味性，神农尝尽百草历尽万苦，大禹治水13年三过家门而不归等。其次，是受传统文化的影响，古希腊的人民始终受爱琴海文明的影响，后来罗马攻破希腊，对其文化却是全盘接受，继续着享乐的追求和神的赠与，古希腊人民在体育竞技、音乐、艺术领域的追求都是所有文明所不及的，这也为后来的人文主义思想奠定了坚实的文化基础，而华夏文明的传统在历朝历代的发展中开始出现分歧，帝王君主更信奉帝王神话，将尧舜禹逐渐改造为历史人物，儒家思想的控制又使远古神话充满了道德理性，从现存的汉代帛画或画像石以及后世的壁画都能看出，被人供奉的神邸都端庄严肃，正襟危坐，成为儒家伦理规范下的正宗。
三 对图腾的不同追求形成不同艺术观
1 龙图腾孕育华夏文明
我国的远古先民们在与自然与环境抗衡、协调的过程中，也在用他们最纯粹的头脑和最直观的视角观察着这个世界。在他们眼中，世间万物，不管是动物植物还是日月山川都是有灵性的，它们和人并无差别，甚至高于人而存在，所以在这种原始思维模式下必然产生拜物情结，为了在冬日得到充足的阳光，便产生了拜日仪式，为了渴望雨水的滋润，便产生了求雨仪式，为了狩猎的成功，人们在出发前模仿狩猎的情节跳狩猎的舞蹈，在我们看来只是娱乐的形式，在当时却表达了人们对丰收、收获的渴求和对天地自然的虔诚。正是这种虔诚，在很大程度上使人将自身放置到了一个很卑微的位置，人的信仰和膜拜也证明了人类渴望了解自然的野心，希望通过与图腾的交流得到神秘的力量。
有研究人员认为中华民族的图腾即是“博采各部图腾之特长，确定：以蛇为主体，以鱼鳞为龙鳞，以鱼尾为龙尾，以狮头为龙头，以鹿角为龙角，以鹰爪为龙爪，构成了部落联盟的图腾——龙”；当然关于龙图腾的说法有很多种，但归根一点，龙是集各个氏族部落的图腾之精彩为一体的祥兽，将蛇身、鹿角、鹰爪、蜈蚣尾、虎头、虾目、马齿、公羊须等组合在一个图腾中，即万众一心的君权神授。华夏民族对龙图腾的崇拜也一直从古至今的流传，直到现在中国人依然以龙的传人自居。
也是由于图腾的崇拜，华夏民族的政治领域也时时充满着神秘的气息，龙乃正宗，天子为王，众人为臣民，这已经是不争的事实，礼数规定着正宗理应得到更优质的生活，而剩下的人们应顺应天命，效忠正宗，纵观我国历朝历代的绘画作品，都能明显的感受到等级的严格，如流传已久的《历代帝王图》，对历代帝王的描绘惟妙惟肖，人物也普遍占据画面重要的位置，而周遭的奴仆臣子，在画面中仅仅占据很小的空间，这就是中国森严等级制度的真实写照，再如《虢国夫人游春图》中，对贵妃一行的刻画严格按照等级制度来绘制，从人物到服饰再到马匹都有明显的等级性。
2 对图腾崇拜走向对人的崇拜
古希腊的图腾崇拜不同于我们华夏文明，西方神话世界中的神仙宙斯、阿波罗、维纳斯等，他们不像中国传统西王母、嫦娥、伏羲一样是人兽同身，而是拥有完美体型的人，古希腊神话中的王也不像华夏文明中的王一样集权利、威严于一身，没有人间情愫，而是有其独立的个体性，没有专制，人才是神界的主题，正如流传至今的奥林匹克运动会一样，盛会是所有人的盛会，古希腊的图腾崇拜的是人性，因此有学者认为古希腊是西方对自我认识的一个新纪元。
四 远古文明的差异性决定了中西的艺术取向
华夏文明和古希腊文明对于神话的寓意、图腾的崇拜都表现得各具特色，在中西方艺术领域也充满了各自独特的艺术魅力，而中西方在绘画领域的差别笔者认为也离不开远古的华夏文明与古希腊神话。
1 崇尚人性的再现性——西方艺术
古希腊的神话是理性的神话，宙斯作为最高神抵虽然掌管着一切事物，但下面的每一位神仙都是单独的个体，有他们自己的思维方式，这一点便奠定了西方艺术领域的人性主张，不仅是人性的主张，还有人性的赞扬，他们注重人体的比例美，看重性爱的神圣，从文艺复兴时期的艺术家米开朗基罗的不朽雕塑《大卫》便可看出西方艺术的完美人性化积淀，从绘画大师波提切利的《维纳斯的诞生》中我们也可以感受到从古希腊流传下来的神话传说在近代传承中的继承与发展，维纳斯的胴体裸露在画面之中，没有羞愧和胆怯，而是活生生的从海中升起，完美的肉体美没有一丝肮脏的杂念，这就是西方艺术的境界，人性的光辉从古希腊开始就延续至今。
正是因为古希腊对人性的崇尚和追求，使西方的艺术家更注重真实的传达事物，这种理性的思维必然造就了西方绘画中的空间意识，在这个基础上，西方人开始了对解构学、透视学、数学、逻辑学等领域的研究。
2 崇尚意境的表现性——中国艺术
上文已经提到不同于西方神话的华夏文明，往往是人兽同体的神话主人公，中国的神话故事，少了逻辑缜密的体系系统，多了几分神秘的浪漫主义色彩，中国神话故事中的人性不被作为渲染的重点，而自然与人的融合、天人合一的思想才是神话的主题，在这种思想的指引下，人们不去研究自然的规律和理性，而是通过对自然界的感性追求去领悟自然，在对自然对象的凝神关注中，释放自己的心情，这是非逻辑思想的认识，这种感悟式合一式的思维方式，在中国文化的各个方面都有所体现，如中国历朝历代抒情写意的诗歌、中国的周易学、中医、气功等，在中国传统绘画中更是充分地体现了出来。无论是道释人物画或是文人画，还是一气呵成的山水画，都讲究虚实相生，意到笔不到，讲究笔墨情趣的表现都遵循着天人合一的思想。
在这个思想的指引下，我们可以发现中西方在艺术领域尤其是绘画艺术领域有很多异同点，如中国的卷轴画与西方的布面油画，中国的散点式与西方的焦点式，还有中国画中女性的知书达理含蓄内敛与西方绘画中女性的身体语言豪迈奔放，这些异同点举不胜举，但又都和中西方远古的文明相呼应着，由此可见，中西方艺术领域的种种异同也来源于不同的神话和不同的文明。
五 结语
古希腊文明与我们的华夏文明作为东西方文明的两大体系存在着质的不同，两种神话的起源成就了各自不同的历史轨迹，古希腊是“人文”的文明，我们的文明是引领了独具东方特色的文化体系，两段精彩的神话，两个古老的文明，为后人开启了探索艺术的大门。
参考文献：
[1] 徐复观：《中国艺术精神》，华东师范大学出版社，2001年版。
[2] [英] 里德，王柯平译：《艺术的真谛》，辽宁人民出版社，1987年版。
[3] 周平远：《维纳斯艺术史》，上海三联书店，2006年版。
[4] 李泽厚：《美的历程》，生活·读书·新知三联书店，2003年版。
[5] 孔新苗、张萍：《中西美术比较》，山东画报出版社，2002年版。
[6] 朱光潜：《西方美学史》，人民文学出版社出版，1979年版。
[7] 马淑琴：《古希腊罗马神话鉴赏辞典》，吉林人民出版社出版，2006年版。
[8] 陈炎：《文化与文明》，山东大学出版社出版，2006年版。
[9] 茅盾、张建贵：《神话研究》，百花文艺出版社，1981年版。
[10] 于乃昌、夏敏：《初民的宗教与审美迷狂》，青海人民出版社，1994年版。
相关热词搜索：;【本文地址：http://www.pourbars.com/zuowen/2574072.html】
