计算启发式智能是人工智能的一个子领域，专注于设计和应用启发式方法，即利用实用捷径、经验法则或迭代搜索过程来寻找满意解的问题求解途径，当精确或最优解在计算上不可行时。与保证最优性的经典算法方法不同，启发式技术以确定性换取速度和可处理性，使其在处理具有大型或不确定解空间的复杂现实问题时不可或缺。这一学科借鉴了生物学、心理学和数学的洞见，并与机器学习和深度学习的实例有显著重叠。
“计算智能”一词出现于20世纪90年代初，用于描述表现出自适应行为的系统，通常与传统符号人工智能形成对比。启发式方法在20世纪60年代和70年代随着进化计算和搜索算法形式化的兴起而变得突出。随着时间的推移，该领域扩展到包括神经启发方法、模糊逻辑和混合系统，成为现代人工智能实践的基础支柱。如今，计算启发式智能支撑着优化、机器人技术、自然语言处理和决策支持系统中的许多应用。
搜索与优化启发式
计算启发式智能的核心组成部分是使用随机或确定性搜索策略来探索解空间。诸如模拟退火（1983年由斯科特·柯克帕特里克及其同事发明）和遗传算法（20世纪70年代由约翰·霍兰德推广）等技术被广泛应用于组合优化问题，如调度、路由和芯片设计。这些方法迭代地细化候选解，使用类似于温度冷却或自然选择的机制。与精确求解器相比，它们不保证全局最优性，但通常能在极短的时间内找到高质量解。现代变体包括粒子群优化（1995年由肯尼迪和埃伯哈特引入）和蚁群优化（1992年由马尔科·多里戈提出），它们模仿生物体的社会行为。这些方法被应用于从物流到电信的各个行业，包括富士通和日本电气等公司。
神经启发式与学习
人工神经网络是计算启发式智能中的关键工具，其本身具有启发式性质：它们从数据中近似函数映射，而无需显式编程。20世纪60年代伯纳德·威德罗关于自适应线性元件以及后来反向传播（1986年由大卫·鲁梅尔哈特及其同事形式化）的早期工作，将学习确立为对权重参数的启发式搜索。现代神经网络系统，包括变换器模型，依赖Adam优化器等启发式方法进行高效梯度下降，以及丢弃法来防止过拟合。这些方法在数学上并不精确，但在深度学习任务（如图像识别和语言生成）中已被证明极为有效。2015年引入的残差网络架构使用跳跃连接作为启发式方法，以支持极深网络的训练，而U-Net在生物医学图像分割中应用了类似原理。正则化的启发式技术，如批归一化和层归一化，进一步提高了训练稳定性和泛化能力。
进化计算与基于规则的系统
进化算法构成另一支柱，它们在候选解种群上操作，应用选择、交叉和变异算子。这些方法在多目标优化中特别有用，因为需要管理权衡。在基于规则的系统中，从专家知识或数据中学习的启发式规则驱动决策，通常在生产环境中。例如，施乐帕洛阿尔托研究中心使用启发式设计原则开创了图形用户界面，而诺基亚贝尔实验室探索了通信网络中的启发式方法。该领域还与课程学习交叉，其中训练示例按难度排序作为改进模型收敛的启发式方法，以及与从人工智能反馈中强化学习相关，后者使用启发式奖励模型来引导智能体行为。
跨领域应用
计算启发式智能在工业中无处不在。像圣所人工智能和菲格人工智能这样的机器人公司采用启发式路径规划和控制来实现灵巧操作。韦莫和特斯拉自动驾驶的自动驾驶系统使用启发式决策框架来导航不确定环境。在医疗保健领域，康穆尔和直觉外科分别将启发式方法整合到临床工作流程和手术机器人中。像亚马逊网络服务（配备AWS Trainium）、微软Azure、谷歌云和甲骨文云这样的云提供商部署启发式调度器来优化资源分配。像格罗克、桑巴诺瓦和图形核心这样的专用人工智能硬件公司设计加速启发式推理任务的芯片，而D-Wave提供用于启发式优化的量子退火系统。包括麻省理工学院计算机科学与人工智能实验室、斯坦福人工智能实验室和伯克利人工智能研究在内的学术机构继续推进理论基础，梅兰妮·米切尔和布赖恩·克里斯蒂安等研究人员研究启发式推理的局限性和伦理。
挑战与未来方向
一个主要挑战是缺乏性能保证，启发式方法可能在对抗性输入上惨败，而一流的方法则不会。例如，亚历山大·马德里和阿里·拉希米强调了学习型启发式方法中的鲁棒性问题，促使对验证和约束优化的研究。另一个挑战是可解释性：理解启发式方法为何得出特定解通常很困难。像序列生成中的束搜索和Top-k采样这样的工具无法解释其选择。未来方向包括将精确方法与启发式方法相结合的混合系统，以及学习在较低级启发式方法中进行选择的元启发式方法。将大型语言模型整合到启发式搜索过程中也在兴起，系统使用自然语言来提出和评估候选方案。随着计算能力的增长，精确解和近似解之间的界限在变化，但对高效、可扩展启发式方法的需求保持不变，确保该领域的持续相关性。
与人类和自然智能的关系
这里的“智能”一词与人类和生物智能相类比。启发式方法通常源自人类的问题求解策略，正如约书亚·特南鲍姆和布伦丹·莱克所研究的那样。自然进化中的拟人化特征，如大脑使用稀疏表示，为丢弃法和剪枝提供了启示。与纯粹依赖统计模式的生成式人工智能模型不同，计算启发式智能强调目标导向的搜索。这一视角在人工智能伦理讨论中至关重要，卡尔沃·拉斐尔等研究人员倡导与人类价值观一致的机制。该领域还与国际象棋计算机历史互动，从深蓝开始，启发式评估函数就至关重要。随着我们开发更强大的人工智能系统，启发式基础可能仍将不可或缺，在精确性和适应性之间取得平衡。
参见
注释
- 本文聚焦于计算启发式智能作为一个独特概念，强调其启发式性质而非纯粹学习。
- 在可靠来源中提及了具体日期和作者。
类别：启发式
参考文献
为简洁起见省略了大量引文，但文本中注明了关键基础工作。进一步阅读，请参见关于进化计算和神经网络训练的外部资源。