图 1.3 表示了智能系统的一般结构[23]。图 1.3   智能系统的一般结构
Figure 1.3   the general structure of intelligent system
其中，执行器是系统的输出，系统通过它对外界对象发生作用；传感器产生系统的输入，用来监视外部环境和系统本身的状态；感知处理器将传感器观测到的信号与内部的环境模型产生的期望值进行比较，通过感知处理算法综合观测值与期望值之间的异同，以检测发生的事件，识别环境中的特征、对象和关系；环境模型是智能系统对环境状态的还不错佳估计，包含有环境的知识库、存储与检索信息的数据库及其管理系统；行为发生器控制执行机构以追求所知环境模型意义下的目标；判值部件估计环境的观测状态和假设规划的预期结果，为决策提供依据。 从智能控制系统的功能模块结构观点出发，Saridis 提出了智能控制系统的分层递阶结构形式，即遵循“精度伴随智能递增而递减”的原理，分级分配控制与管理任务。典型的智能控制系统的分层递阶结构如图 1.4 所示[22][,24]，它由三层组成，分别是：组织级，协调级和执行级。
较好的级                                       组织级
第二级                                       协调级
第三级                                       执行级
被控过程
                    图 1.4   递阶智能控制系统结构
 Figure 1.4   the architecture of hierarchical intelligent control
a. 组织级
组织级是递阶智能控制系统的还不错高级，是智能系统的“大脑”。它接受并翻译输入指令和相关的系统反馈，决定要执行的任务，并按合适的执行次序将其分解为子任务。它具有较高的学习能力和决策能力。
b. 协调级
协调级是系统的次高级，它的主要任务是接受来自组织级的指令和每一子任务执行过程中的反馈信息，并协调执行级的执行过程。这一级只要求较低的运算精度，但要求有一定的决策能力，甚至具有一定的学习能力。
c.  执行级
执行级是系统的还不错低级，它直接控制局部过程并完成子任务。这一级必须高精度地执行局部任务。它要求具有过程的数学模型知识、过程的终结状态以及由协调器定义的性能指标或代价函数，而不要求具有更多的智能。
由此可以看出，从执行级协调级组织级，对智能的要求逐步提高，而对精度的要求则逐渐降低。对于这类分层递阶智能控制系统，智能主要体现在高的层次上。在高层次上遇到的问题常常具有不确定性，而在这个层次上采用基于知识的组织器是恰到好处的，这样便于处理定性信息和利用人的直觉推理逻辑和经验。因此，可以把分层递阶智能控制系统的工作原理作两次分解。从横向来看，把一个复杂系统分解成若干个相互联系的子系统，对每个子系统单独配置控制器，这样便于直接进行控制，使复杂问题在很大程度上得到了简化；从纵向看，把控制整个复杂系统所需要的知识的多少，或者说所需要智能的程度，又从低到高作了一次分解，这就给处理复杂问题又带来了方便。而协调器正是作为一个中间环节，解决各子系统间因相互关联而导致的目标冲突。这样，分层递阶智能控制系知识组织协 调 协 调控 制 控 制过程 1 过程 n
统就能在还不错高级组织器的统一组织下，实现对复杂系统的优化控制。这种分层递阶结构的优点在于强调了系统追求目标的功能，控制线路明确，易于解析描述。
     ④人工智能发展所面临的困难
迄今，对于人工智能的理论研究与应用虽己取得了许多重要的成果，然而，按照传统的研究观点和方法，难以再取得重大的突破。这是因为人工智能的发展面临着如下困难[25]：
1)  人类思维的分布/并行性、随机性、不确定性，决定了利用机器的冯·诺依曼型体系结构来模拟人的智能行为不尽合理；
2)  现有的脑模型与机制还不能确切地反映人类实际思维机理；
3)  人类思维模式应该和社会团体的运作机理存在一定的相似性。目前这方面研究很少；
4)  人类思维的机理研究未能在自然发展（特别是生物进化）中汲取足够的营养；
5)  人工智能的各个学派间的观点和方法间的交叉、渗透和综合程度不够；
6)  采用独立解决针对单一问题的模式，未能反映出人类思维与自然社会活动的内在联系；
7)  智能问题常常包涵着并行性与巨大的计算量，必须为此提供相适应的高性能计算资源环境（包括机器本身的性能、资源间的通信、计算模式与系统结构等）。
     ⑤  人工智能发展的新趋势
针对人工智能发展所面临的困难和求解大型智能问题的实际需要，对于人工智能的研究应在传统理论与实践的基础上采取新的观点和方法，综合运用各种技术，开辟新的研究与实验途径。为此，目前对于人工智能的研究出现了多种学科（如脑科学、心理学、生理学、生物化学、认知科学、社会学等）间相互交叉与渗透、与计算机网络技术相结合、建立适应于人类思维的分布式并行处理模型、构造合适的人工智能研究与实验平台的新趋势。具体表现在以下几个主要方向的理论及应用研究，包括分布式人工智能 DAI、遗传算法（Genetic Algorithms  ，  GA）、数据挖掘（Data Mining，DM）、数据查询（Data Retrieving，AR）、粗糙集理论（Rough Set Theory  ，RS）等等。