论新一代人工智能与逻辑学的交叉研究
“新一代人工智能”是为了因应当前信息环境、社会需求、人工智能研究目标等的巨大变化，而发展起来的人工智能新理论、新方法和新技术，实行的是联结主义路径。作为计算机科学和人工智能基础的逻辑学，在符号主义人工智能中起到了直接的基础性作用，但在以机器学习技术为核心的新一代人工智能中的基础性作用相对较弱。不过，随着大数据智能、群体智能、跨媒体智能、人机混合增强智能、自主智能系统等新一代人工智能前沿方向的快速发展，现有单纯基于统计方法的人工智能技术遭遇发展瓶颈。第一，现有的机器学习算法的可解释性差，在医疗、法律、金融、军事等高风险决策领域的可应用性低。第二，随着大数据技术和自主决策算法的日益普及，如何保护个人隐私，在实现安全、公平和透明等方面与人类的伦理价值对齐，仍然是一个开放性问题。第三，现有以机器学习算法为主的新一代人工智能技术容易受到不完备信息和噪声数据的干扰，缺乏对各种复杂知识的表达能力，不能建模人类在各种开放、动态环境下的推理形式，难以实现各种认知智能。尽管这些问题所针对的方向不同，但不论是为了提高可解释性，还是要进行伦理对齐或认知推理，都离不开知识的表示和推理。那么，这些问题所涉及的知识有何特点？作为计算机科学基础的数理逻辑是否足以表达和处理这些知识？如果答案是否定的，那么怎样的逻辑学理论和方法可以胜任？本文接下来的内容就围绕这些问题展开。
一、新一代人工智能的瓶颈问题及其所涉及知识的特点
当前，基于大数据和机器学习的新一代人工智能技术面临着可解释性差、伦理对齐困难、认知推理能力弱等瓶颈问题。这些问题都具有很强的交叉学科特点。例如，在提高智能系统的可解释性方面，从计算机科学和人工智能的角度，需要解决用于解释的知识的获取问题；从逻辑学的角度，需要解决知识的表示和推理问题；从社会学和心理学的角度，需要研究有效的人机交互问题，等等。本文主要从逻辑学的角度，分析上述问题所涉及的知识的特点，并在此基础上，探究与之相关的逻辑学基础理论和方法存在的问题和发展路径。
（一）可解释性问题及其所涉及知识的特点
可解释性要求人工系统能够为其决策提供人类可理解的理由。这些人工系统包括基于简单规则集的系统、基于知识的系统以及依赖于机器学习的系统等。随着机器学习技术和自主智能系统的发展，可解释成对智能系统的必然要求,特别是一些高风险决策领域。一方面，深度学习的“黑箱”性质造成深度学习缺乏对事物的语义以及事物之间因果关系的描述，因此可解释性差，使得用户难以信任深度学习算法，开发人员难以发现和改正算法存在的问题。其结果是深度学习算法难以被应用于交通、医疗、法律、金融、军事等高风险决策领域。另一方面，对于需要复杂知识表示和推理的应用，机器学习方法和知识表示方法的综合使用使决策的因素和过程变得更为复杂。例如，在法律推理领域，深度学习方法经常被用于进行情感分类、人脸识别等感知任务，而人工规则以及由归纳逻辑编程、关联规则挖掘等获得的知识则作为法律决策的理性知识。对于这样的系统决策，若缺少必要的解释机制，则难以获得相关参与方的信任和采纳。
在上述背景下，可解释人工智能近年来成为人工智能领域的研究热点。从解释的对象看，现有的方法主要集中在对机器学习模型或其预测结果的解释。主要方法包括直接建立可理解的模型，或在不可理解模型之外建立一个平行的可解释模型。前者一般基于决策树和贝叶斯网络等内在可理解的方法，后者则需要在原有模型之外获取相关知识来进行解释。对于机器学习算法以外的其他可理解的智能系统的解释，可以直接利用可理解模型中的知识。例如，在法律人工智能领域，可利用正面先例和反面先例、法律规则和法律论证等。从解释的深度看，可分为低层次的“狭窄的”解释和高层次“强”解释。前者仅说明基于一个特定的数据如何做出一个决策，而后者则将参与主体的信念、动机以及社会文化等因素也纳入解释过程，建立以人为本的会话解释系统。这样，解释不仅需要认知过程，也需要交互过程。其中，认知过程主要是关于原因和可能的反事实案例的识别，而交互过程则涉及解释者和被解释者之间的互动，目的是向被解释者提供理解决策结果所需的信息。
由上述分析可知，为了提高可解释性，人工智能系统不仅需要获得用于解释的相关知识，而且要具备合适的知识表示和推理手段，以及将推理结果作为解释内容与用户交互的途径。总的来说，与可解释性问题相关的知识具有因果性、不一致性和不确定性的特点。因果知识反映事件之间的因果关联，是解决可解释性问题的核心之一。现有研究表明，由于使用统计泛化来解释事件为什么发生并不能令人满意，在解释中很少用到概率。知识的不一致性和不确定性体现在与解释相关的其他知识中，如法律规则、法律论证、决策规则等，以及在智能系统与被解释者的动态信息交换过程之中。
（二）伦理对齐问题及其所涉及知识的特点
随着无人驾驶、医护机器人、军用武器等自主智能系统的发展，机器伦理成为一个热点研究领域。其核心问题是如何使得自主智能系统的行为或行为序列与人类的道德判断对齐。目前，用于实现机器伦理的方法主要包括自上而下方法、自下而上方法以及结合二者的混合方法。自上而下方法依据给定的伦理理论或伦理规则来约束智能系统的决策和行为。这种方法又可分为硬性约束和柔性约束两类。前者通过设置硬性的规则，当这些规则的前提未得到满足时，智能主体不能实施特定的行为。这使得智能主体没有违反规则的可能，因而限制了智能主体的自主性。后者通过基于规范的奖惩机制来实现对智能主体行为的柔性约束。通过执行奖惩机制来引导智能主体遵守规则，使得智能主体能够自主决策。目前，基于价值和规范推理的柔性约束成为管理开放、动态多主体系统的主流方法。自下而上方法通过机器学习从大数据中学习伦理原则，并以此来指导智能主体的决策和行为。在这两种方法中，都涉及伦理价值和道德规范，只是对它们的获取方法不同：前者来源于给定的理论和规则，而后者则来源于机器学习。总的来说，伦理对齐问题所涉及知识一般具有如下特点：
第一，不同的规范之间可能存在冲突。这些冲突可能发生于同一伦理体系内不同伦理原则之间，或者不同伦理体系的不同伦理规范之间。在多智能体场合，冲突可能存在于个体智能体内部，或者不同智能体之间。由于冲突的存在，智能体需要依据特定的评价标准（如道德上的、利益上的、审美上的）做出选择。
第二，伦理价值和规范具有动态性和情境依赖性。伦理价值不仅与特定的文化背景有关，而且与不同利益相关方的立场和偏好有关。事实上，在不同地域、国家、民族和文化背景下，伦理和价值是变化的，且这种变化会使规范系统产生迥异的推理结果。与此同时，当一个伦理行为涉及多个利益相关方时，不同利益相关方对伦理价值的排序可能不同。
（三）认知推理问题及其所涉及知识的特点
新一代人工智能以大数据和机器学习为核心，但当前作为机器学习典型方法的深度学习只能做到“感觉”(sensation)，达不到“感知”（perception），更缺少认知推理的能力。为了完成复杂的任务，人工智能系统除了感知和行动之外，还需要理解、推理、自主决策等能力以解决复杂场景的困难问题。
认知推理是对知识和信念进行推理。依据哲学认识论，一个根本性问题是解释人类如何可能从外部世界获取知识。类似地，对于人工理性主体，也面临这个问题。为了能够获得关于世界的信息，并形成可靠的信念，一种简单的方法是在设计时把所有知识内建到人工主体的知识库中。然而，如果要让人工主体可以在一个不断变化的复杂环境中运行，这种方法显然是不可行的。因此，人工主体的设计者至少需要解决如下三个问题。第一，感知不一定是真实的。世界不总是与它所呈现的完全一样。由于这个原因，自动把感知信息转化为信念并不合适，而需要基于当前信念和观察信息，通过理性推理，获得相对可靠的信念。第二，感知实际上是一种形式的采样。由于认知的局限性，一个主体不能在所有时间检测到世界的所有状态。换句话说，主体所感知的信息只是世界的某个局部、某个片段。第三，世界在变化。主体的推理应该能够适应一个演化的世界。当世界发生变化时，主体的信念需要随之改变。
因此，为了实现认知推理，智能系统需要具备获取知识、表达知识、更新知识和对知识进行推理的有效途径。知识图谱是一种用图模型来描述知识和建模世界万物之间的关联关系的技术方法。现有的机器学习方法从大数据中发现和构造知识图谱，积累了大量的知识。然而，在由机器自动建构的知识图谱中，往往存在不完备的、不确定的、甚至冲突的信息和关系。此外，知识图谱中的知识还具有动态性，即新知识可以随时加入或删除，且新知识可能与已有的知识发生矛盾。这些都是认知推理问题所涉及的知识的特点。
二、传统逻辑学理论面临的挑战
前述新一代人工智能发展所面临的三个瓶颈问题及其所涉及知识尽管在种类上有所区别，但都具有不完备性、不确定性、不一致性等特点。同时，这些知识都来自开放、动态、真实的环境。作为计算机科学的数学基础的经典逻辑（数理逻辑）无法表示和处理这类知识，而传统非单调逻辑虽然在理论上克服了该问题，但在普遍适用性、可计算性、动态性和易解释性方面存在重要挑战。
（一）知识的不完备性、不确定性和不一致性：对经典逻辑的挑战
首先,经典逻辑不能有效表达不完备、不确定的知识，即存在例外的知识。这与新一代人工智能上述瓶颈问题所涉及知识的特点不符。例外既可以发生于认知推理中，也可以发生于规范推理中。在认知推理方面，由于主体对世界认识的局限性，主体所获得的认识经常是片面的、暂时的、不准确的。这些知识可以表现为常识、因果关系等。例如，在可解释性方面，因果关系经常存在例外。“转动点火钥匙引起发动机启动”，但这个关系在各种例外下可能不成立，如“油缸中没有汽油”。在规范推理方面，规范实施的条件经常与上下文有关，因此一条规范是否可实施一般存在例外情况。例如，“闯红灯是一种违法行为”，但这条规范在一些例外下可能不适用，如“这次闯红灯的是一辆救护车”。这些包含例外的知识难以在经典逻辑中得到表达。如果用p和q分别表示“转动点火钥匙”和“发动机启动”，那么蕴含式“p→q”显然与“转动点火钥匙引起发动机启动”的含义不符。其原因是，“转动点火钥匙引起发动机启动”实际刻画的是“正常情况下，转动点火钥匙引起发动机启动”，但存在例外。如果要直接用经典逻辑来刻画这个因果关系，就需要在蕴含式的前件中包含所有的例外，但这是难以做到的，因为例外情况不可穷尽，或者即使可穷尽，在表达方面也非常繁琐和低效。
其次，经典逻辑无法对冲突的信息进行有意义的推理。在新一代人工智能背景下，为了进行认知推理和伦理对齐，信息之间的冲突无处不在。对于认知推理，由于例外情况的出现，一般规则和例外之间可能产生冲突。在上述例子中，“转动点火钥匙引起发动机启动”和“由于油缸中没有汽油，发动机不启动”的两个结论相互矛盾。对于实践推理，不同的规范之间可能存在冲突。例如，有个智能服务机器人依据如下两条规范进行决策：“用药时间到的时候，（为了保护病人的健康）应该给他服药”、“当病人正在忙的时候，（为了保护病人的自主权）不应该给他服药”。如果用药时间到了，且病人正在忙，则上述两条规范同时适用，且存在冲突。这些冲突的信息不能在经典逻辑中进行表示和推理。其原因是，在经典逻辑中，从逻辑矛盾可以推出任一命题，因而任何一个不一致的理论都是不足道的(trivial)。若用p表示“用药时间到”，q表示“病人正在忙”，r表示“应该给病人服药”，则有知识集合。于是，对于任意的命题,从Γ都可以推出它。这显然有问题。
此外，当人们运用不完备或冲突的信息进行推理时，一个结论可以依据局部信息推出，但从全局看，可能存在与其前提、结论或推理关系相矛盾的信息。这样，一个结论是否可以被推出，取决于是否存在与支持它的论证相矛盾的信息。当主体只能依据局部信息进行推理时，得到的结论可能是暂时的。当新的（矛盾）信息出现时，原有的结论可能被推翻。例如，当价值“保护病人健康”排在价值“保护病人自主权”之前时，依据Γ和由价值排序决定的规范之间的偏好关系会得到结论r。现在，假设存在另外一条规范“当病人正在处理紧急事件时，（为了保护病人的安全）不应该给他服药”和一个命题“病人正在处理紧急事件”。如果价值“保护病人安全”排序最高，则结论r将被推翻，而结论成立。这样的非单调性在经典逻辑的推出关系中不成立。反之，经典逻辑具有单调性，即如果由一组前提集合Γ可以推出结论φ，则对于任意包含Γ的前提集合Γ′,后者也能推出φ。
（二）普遍适用性、可计算性、动态性和易解释性：对传统非单调逻辑的挑战
为了克服经典逻辑的上述问题，20世纪80年代以来的多种非单调逻辑通过扩展经典一阶逻辑，基本达到了可以表达和处理不完备知识的目的。在这些方法中，有些通过给经典一阶逻辑的模型集合或可能世界集合添加限制条件，使得以常识性知识作为前提的结论是在“尽可能正常的模型”或“尽可能正常的世界”中得到的；有些采取“封闭世界假设”，在推理规则中增加“失败即否定”条件，来实现当例外未出现时可推出某些结论的目的。用这些方法建立的形式系统显然都是非单调的，因为一旦例外出现，之前与之相关的结论就会被收回。
上述非单调逻辑系统尽管满足了例外可表达和推理非单调这两个重要特性，但仍然存在不少问题，不能直接用于解决新一代人工智能的瓶颈问题。
第一，在冲突处理方面，传统非单调逻辑系统适合于表达由例外引起的冲突，但难以表达实践推理和多主体交互中的各种冲突，从而通用性较低。在实践推理中，规范之间的冲突可能来自主体的不相容的决策或行动选项，而不一定是例外，如上述规范r1—r3。在多主体交互的推理中，主体通过交换论证、比较论证和评估论证来实现说理的目的。这种基于论证的推理模式难以在传统非单调逻辑中得到直接表达。
第二，传统非单调逻辑尽管可以在理论上解决不完备知识的表示与推理问题，但计算复杂性非常高。例如，一阶逻辑的有效性问题是递归可枚举(半可判定)的，而一阶缺省逻辑却不是递归可枚举的;又如，命题Horn语句的可满足性问题可在线性时间内完成，而同样的问题在命题缺省逻辑和限制逻辑中则是NP完全的。由于传统非单调推理的复杂度总体较高，而人工智能对计算速度有很高的要求，因此常常只能采用非单调逻辑的计算复杂度较低的片段。
第三，对于非单调的推理系统，新信息的加入可能引起已有推理结果的变化。在系统计算复杂性很高的情况下，如果在新信息加入后需要重新计算所有的推理结果，不仅低效，而且在许多情况下也是不可行的。为了解决该问题，一种自然的解决思路是对系统的动态性进行局部化处理。然而，在传统非单调逻辑系统中，难以区分局部推理和全局推理，给动态性的局部化处理带来了根本性的困难。例如，在缺省逻辑中，命题的一个证明是由若干缺省规则组成的有穷序列。缺省规则由三部分组成：先决条件、缺省条件和结论。对于序列中的每条推理规则，需要检查其先决条件是可证的，而缺省条件的反面是不可证的（即该规则的实施不会引起不一致性）。由于证明的过程伴随着一致性检查，每条规则的可应用性（局部推理）和整个证明是否成功（全局推理）是结合在一起的。因此，当信息发生变化时，通过重新检查所有证明或构造新证明来刻画系统的动态性，显然是低效而困难的。
第四，推理的可解释性牵涉到推理结论和过程是否易于被人类用户所理解。由于解释的对象是人类，因此一个解释不仅要反映一个推理内在的逻辑关系，而且需要以人类日常交流的方式来表达。人们在进行解释、说服或协商时，经常以提供论证或反面论证的方式进行。例如，为了解释“应该给病人服药”这个结论，可以提供一个论证“当用药时间到的时候，（为了保护病人的健康）应该给他服药；现在用药时间到了；所以，应该给病人服药”。这是一个演绎论证，由两个前提和一个结论组成。另一方面，如果“应该给病人服药”这个结论不成立，可以提供一个论证来反驳它：“当病人正在忙的时候，（为了保护病人的自主权）不应该给他服药；现在病人正在忙；所以，不应该给病人服药”。以此类推，通过使用论证可以达到各种不一致情境中推理和说理的目的。遗憾的是，这种人类经常使用的推理和说理的模式在传统非单调逻辑中没有得到直接的反映。不管是通过给经典一阶逻辑的模型集合或可能世界集合添加限制条件来实现的非单调逻辑，还是通过增加缺省条件来建立的缺省逻辑，其证明过程都难以被普通用户所理解。同时，一体化的证明过程也不便于多主体交互过程中的推理与说理。
三、基于形式论辩的研究路径
上一节的分析表明，在新一代人工智能背景下，为了实现对不完备、不一致信息的表示和推理，并解决可计算性、动态性和易解释性等方面的问题，不仅在逻辑基础理论方面要求有新的方法，而且在计算高效性和人机交互有效性方面也需要有新的机制。
在探究这些新方法和新机制的过程中，一种自然的思路是回归到人类的常用推理和说理模式。众所周知，人类的推理和说理经常以交换论证的形式进行。直觉上，一个内部自洽的论证是可接受的，当且仅当与之有冲突的其他论证均被拒绝。通过这种方法，一致性仅限于论证内部，而不同的论证之间可以有冲突。当新的论证出现时，与之存在冲突关系的其他论证的状态可能发生变化。换句话说，这种基于论证和论证之间交互的方法不仅可以表达不完备的、不一致的知识，而且可以实现非单调推理。沿着这个思路，自然产生如下问题：这种以交换论证的形式进行的推理是否具有严格的数学模型？如果存在这样的模型，它与传统非单调逻辑有何关系？
可喜的是，近年来发展起来的形式论辩理论(又称为“论辩逻辑”)以一种数学上严格的模型刻画了上述思路。它由抽象论辩理论和结构化论辩理论组成。其中，抽象论辩理论由人工智能领域知名学者潘明勇（PhanMinhDung）于1995年提出。它是形式论辩理论的核心，阐明了在一组具有冲突的论证中如何选择集体可接受的论证子集，并证明了多种传统非单调逻辑都是抽象论辩理论的特殊形式。与此同时，除了对传统非单调逻辑的表达，其他不一致情境中的推理，如稳定婚姻问题和多人合作博弈问题等，也都可以在抽象论辩理论中得到统一表达。因此，这一理论可以看作是关于冲突的演算。它解决了不一致情境中推理的核心问题，在人工智能和逻辑学领域具有里程碑式的作用。更为重要的是，在抽象论辩理论中，抽象论辩框架的概念可以被看作是有向图，而图论中的节点可达关系和强连通分量等概念为建立静态或动态系统的高效算法提供了天然的支持。作为抽象论辩理论的具体化，结构化论辩理论研究底层知识的表示、论证的构造、攻击关系的识别、优先级关系的使用，使得基于论辩的推理系统满足一些期望的理性假设或特性。由于形式论辩理论刻画了人类的推理模式，基于论证的推理和对话机制可被应用于建立可解释模型。
鉴于上述原因，基于形式论辩的方法在解决新一代人工智能瓶颈问题方面有望发挥重要作用。接下来从五个方面对基于形式论辩的研究路径作介绍和分析。
（一）形式论辩理论
论辩是人类智能的重要方面，人们经常通过论辩来进行日常推理、科学决策、澄清观点等。在许多情况下，一个观点是否可以被采纳，不是完全取决于该观点的真假，而是取决于与支持该观点的论证有反对关系的其他论证的状态。人类推理经常以交换论证的形式展开，且推理过程经常受语用因素的影响。为了刻画人类这种论辩机制的本质，使得该机制可以被应用于计算机科学领域，抽象论辩理论应运而生。该理论刻画了人类论辩的重要原则：“笑到最后的才是最好的”。基于该思路，潘明勇提出了抽象论辩框架的概念，并通过它来定义论证的可接受性。下面以一个例子来引入这一概念。
参考机器伦理的一个简单例子。设想有个用于老年人陪护的道德人工主体，它能够依据特定的规范、价值和信念等进行推理与决策。我们考虑它的一个推理片段。该片段涉及两条观察信息o1和o2、一个假设“电池显示异常”、一个缺省“一般情况下，电池显示正常”、两条规范n1和n2、一条信念规则b1，及四个论证α、β、γ和δ，如图1所示。其中，“去送药”和“去充电”在逻辑上相互反对，信念规则b1的后件“规范n2不适用”反对规范n2的推理关系，缺省的结论反对假设。每条规范都与其要实现的价值关联。这些价值包括“健康”“可持续性”“安全#1”“安全#2”。其中，“安全#1”表示当前时刻的安全价值，“安全#2”表示长期的安全价值。基于这些知识，论证由一个结论和支持该结论的理由组成。例如，非形式地，论证α表示的是“去送药给老人，因为：观察信息o1显示老人用药时间到；如果老人用药时间到，应该给他送药（体现‘健康’和‘安全#1’价值）”。 论证之间的攻击关系可以是反驳（α与β之间）、底切（从γ到β）或破坏（从δ到γ）。这三种攻击关系可以被理解为：当一个论证的结论反对另一个结论时，前者“反驳”（rebutting）后者；当一个论证的结论反对另一个论证的推理关系时，前者“底切”(undercutting)后者；当一个论证的结论反对另一个论证的前提时，前者“破坏”（undermining）后者。
通过上述例子，我们可以洞察到基于论证的推理具有如下重要性质：尽管各个论证内部的知识表示和逻辑结构可以不同，论证之间攻击关系的来源也可以不同，但是从论证可接受性的角度看，这些不同的因素并不产生任何影响。其原因是对于一个内部自洽的论证，其可接受性仅与攻击它的其他论证的状态有关，而与该论证的内部结构无关。因此，可以用抽象的论证和攻击关系来刻画不一致情境中的各种推理系统所共有的冲突处理逻辑结构。这样，在评估论证的状态时，可以不考虑论证内部的结构。我们把这样的论证称为抽象论证，同时把由一组抽象论证集合A及其上的攻击关系R构成的二元组称为一个抽象论辩框架，记作F=(A,R),其中。显然，可以把一个抽象论辩框架看作一个有向图。
给定一个抽象论辩框架，可以通过建立具有一般意义的评价标准来定义论证集合的可接受性。通常把这样的评价标准称为论辩语义，而把每个可接受的论证集合称为该语义下的一个外延。与人类的推理直觉相对应，最基本的语义（称为可相容语义）必须满足无冲突性和可防御性。形式化地，我们说一个论证集合是无冲突的当且仅当E中的任何论证之间都不存在攻击关系，E可防御论证α∈A当且仅当对于每个攻击α的论证β，在E中都存在一个攻击β的论证。因此，无冲突性确保推理结果的协调性，而可防御性则反映了人类论辩机制的上述重要原则“笑到最后的才是最好的”。满足这两个条件的外延也称为可相容外延。在此基础上，通过添加其他条件，可得到其他语义下的外延。例如，若一个可相容外延包含它可防御的所有论证，那么它是一个完全外延；把一个极大的完全外延称为优先外延；把一个极小的完全外延称为基外延。上述例子所对应的抽象论辩框架（记作F1）如下图所示。它有两个优先外延E1={α,δ}和E2={β,δ}，一个基外延E3={δ}。
在抽象论辩理论中，定义多种不同的语义是为了反映人类在运用冲突或不确定信息进行推理时的不同选择，以实现不同需求。例如，在认知推理中，轻信的主体倾向于选择更多的不十分确定的结论，而有怀疑精神的主体则仅选择可靠的结论。抽象论辩理论不仅定义了各种条件下论证的可接受性，而且对论证的内部结构和攻击关系的来源没有限定，因此有很好的普遍适用性。
（二）不一致情境下知识表示与推理的通用机制
以抽象论辩为基础的形式论辩理论刻画了人类推理的一般机制，使其具有良好的通用性。形式论辩不仅可以刻画传统非单调逻辑，而且可以用于建模其他各种不一致情境中的推理。
在不完备知识的表达方面，基于形式论辩的方法与传统非单调逻辑方法不同。基于形式论辩的方法既不是通过给经典一阶逻辑的模型集合或可能世界集合添加限制条件，也不是在推理规则中增加“失败即否定”条件，而是通过添加新论证以攻击已有论证来实现的。例如，对于上述论证δ“一般情况下，电池显示正常”。在不存在其他论证时，论证δ自然成立。当有新的信息出现时，不需改变原来的论证，而只需增加新论证和攻击关系。例如，当出现新论证η“观察信息o3显示，此次电池显示存在异常”。这样，η击败δ，并得到一个新的抽象论辩框架（记作）。由此可见，通过增加论证和攻击关系的形式来刻画例外，更加灵活。它避免了重新构建论证或证明的过程，只要通过有向图中节点的添加，就可实现例外的表达。由于在一个抽象论辩框架中，论证的状态取决于与其具有攻击关系的其他论证的状态，因此关于论证状态的推理是非单调的。在前面的例子中，当论证δ没有攻击者时，δ是可接受的；当增加了攻击δ的论证η后，论证δ是被拒绝的，因此其结论也被拒绝而撤回。
除了可以灵活刻画意外情况以及关于论证状态的推理是非单调的，抽象论辩理论还提供了更加通用的冲突表示和处理机制。由于负责处理不一致性问题的抽象论辩理论相对独立于底层知识的类别、来源、表示语言和表示方法，因此不论具体论证由何种知识、通过何种方法来建构，也不论它们是由单个命题构成，还是由一组命题构成的，只要找出不同论证之间的攻击关系，就足以阐明所有论证的状态是如何相互制约的。从而，不一致情境下的各种推理可以用抽象论辩理论统一建模。
在上述例子中，除了认识推理，还有规范推理。规范之间的冲突也可以表示为相应论证之间的攻击关系。这样，因果推理、知识图谱推理、规范推理等在形式论辩中均可以得到统一表达。
此外，在形式论辩理论中，区分局部推理和全局推理。前者局限于个体论证内部，因此可以采用不同的推理形式，如演绎推理、基于可废止规则的推理、基于论证图式的推理等，也可以是不同的推理种类，如认识推理、规范推理、因果推理等。这样，不同种类的论证可以被放在一个抽象论辩框架中评估。这种推理模式充分反映了人类推理和说理中可以包含各种推理类型的特点。
（三）与偏好、概率等决策因素的灵活结合机制
在运用不完备和不确定的信息进行推理时，研究者要求形式系统能够方便地表达偏好和概率等信息。这是由于这些因素在日常论证中广泛存在。例如，在规范推理中，价值及规范之上存在偏好排序。具体地，对于图1的决策知识，规范经常用于实现特定的伦理价值：规范n1与“健康”及“安全#1”关联，n2与“可持续性”及“安全#2”关联。由于价值上存在排序，与之相关的规范也存在排序。这些排序的存在，会影响到推理结果。在图1中，如果“健康”和“安全#1”总体上比“可持续性”和“安全#2”的重要性更大，那么，直觉上应该选择“去送药”。因此，为了得到理性的结论，形式系统需要能够表达偏好和概率等信息。
值得注意的是，形式论辩理论提供了表示和处理偏好或权重的方便机制。对于偏好，其基本原理是通过把组成论证的各部分的优先级提升到论证之间的优先级，即把个体之间的优先级提升到由个体组成的集合之间的优先级。为了达到该目的，通常采用民主原则或精英原则。给定集合X和Y，依据民主原则，说X优先于Y,当且仅当对于Y中的任意个体y，在X中都存在一个x,使得x优先于y；依据精英原则，说X优先于Y,当且仅当在Y中存在个体y，使得对于X中的任何个体x,都有x优先于y。尽管这两种原则不是普遍适用的，但在特定情况下有着较好的可应用性。
在上述例子中，与论证α关联的价值集合是{健康，安全#1},而与论证β关联的价值集合是{可持续性，安全#2}。如果对于这些价值的偏好排序是“安全#2安全#1健康可持续性”，采用民主原则时，论证β优先于论证α;采用精英原则时，论证α优先于论证β。
形式论辩理论还提供了表示和处理概率的机制。以上述例子为例，当运用观察信息进行推理时，由机器学习方法得到的信息存在不确定性。假定观察信息o2和o3的概率分别是p(o2）和p(o3）。于是，论证β有p(o2）的概率存在，论证η有p(o3的概率存在（即出现于论辩框架中）。当考虑论证的存在概率时，论证的可接受性也具有概率。这样，通过把概率理论和论辩理论结合起来，可以对既不一致又不确定信息进行表示和推理。值得注意的是，在许多情况下，信息的不一致性和不确定性无法单纯由概率理论或论辩理论来表达，而需要二者的结合。在图1的例子中，我们可以用论证之间的攻击关系来表示规范之间的冲突，而用论证的存在概率来表示观察信息的不确定性。
（四）基于局部化和模块化思想的高效语义计算机制
符号主义人工智能的瓶颈问题之一是计算复杂性问题。在引入非单调推理机制之后，相应算法的计算复杂性进一步提高了。因此，如何有效提高非单调推理系统的计算效率，降低计算复杂性，是逻辑学与人工智能交叉研究的重要问题。抽象论辩理论具有基于模块化和局部化思想的高效计算机制。
在抽象论辩理论中，由于抽象论辩框架可以被看作是有向图，这为推理系统语义计算的模块化提供了良好的条件。一方面，模块化和可组合性是解决复杂问题的重要手段。通过把一个复杂的系统分解为相对独立的子系统，使得各个子系统内的问题可以局部求解，且各个子系统的求解结果的合成等价于整个系统的求解结果。这种分而治之的解决问题的范式可以大幅度降低系统的计算复杂度。依据有向图理论，可以利用图论中的强连通分量的概念来实现抽象论辩框架的分解。现有研究证明，在多数论辩语义下，各个子框架的外延可局部求解，且局部语义具有可组合性。现在来考虑上述抽象论辩框架的语义求解。基于强连通分量的概念，可以把分解为两个子框架和。后者是一个无环图，其论辩语义的计算复杂度是线性的；前者由一个强连通分量和一个起条件作用的论证(γ)组成。在多数情况下，的语义等于和的语义的合成。这样，整个框架的计算复杂度由的计算复杂度确定。由于的论证数量比少，因此对于指数级计算复杂性的问题，使用分而治之的方法后，整个框架的计算复杂性成指数级减少。
抽象论辩理论处理动态信息时同样具有高效的计算机制。论辩框架中动态性在多数情况下是局部的，不会波及整个论辩框架。于是，可以利用有向图中节点之间的可达关系，识别受影响的论证集合和不受影响的论证集合。这样，在多数语义下，只有受影响的论证集合需要被重新评估，因此可以达到局部处理系统动态性的目的。例如，添加论证θ“观察信息o2不可靠”。 该论证攻击论证β。 把θ加入后，得到。依据攻击关系，从θ出发，只有α和β是可达的。因此，可以把分解为受影响的部分和不受影响的部分。在多数论辩语义下，对于不受影响的部分，其外延保持不变；对于受影响的部分，其外延可以在一个受限的子框架中求解。
（五）基于论证的可解释机制
上文提到，为了提高可解释性，人工智能系统不仅需要具备知识获取、表示和推理手段，而且要有将推理结果作为解释内容与用户交互的途径。现有研究表明，基于论证的辩护是影响解释相关的最关键因素。其原因在于人们进行思想交流时经常采取基于论证的交互方式，而形式论辩的推理机制直接反映了这种方式。具体而言，从局部推理的角度看，个体论证的逻辑结构可以用于解释一个断言成立的前提条件；从全局推理的角度看，通过抽象论辩框架中不同论证之间的攻击关系，可以解释一个论证为什么被接受或拒绝：一个论证及其支持的结论是可接受的，当且仅当它的所有攻击者都是被拒绝的；一个论证是被拒绝的，当且仅当存在一个攻击者是可接受的。
此外，从解释的机制看，可以采取不同的方式，如基于论证的对话机制、基于论证树的解释、基于子框架的解释等。
结论与展望
新一代人工智能的瓶颈问题给逻辑学的发展提出了新的挑战和机遇。该挑战的核心是要求基于逻辑的系统必须能够处理来自开放、动态、真实环境中的不完备、不确定和不一致的信息，同时在可计算性、动态性和可解释性方面具有良好性能。传统非单调逻辑克服了经典逻辑的缺陷，能够表示不完备信息并进行非单调推理，但在通用性、可计算性、动态性和易解释性等方面存在不足。形式论辩作为一种关于冲突的演算，通过分层抽象的方式来刻画人类推理与说理方式，不仅可以等价表达多种传统非单调逻辑，而且为建模各种不一致情境中的推理提供了更加通用的模型。同时，在抽象论辩层次上，通过利用图论中节点可达关系和强连通分量等概念，建立分而治之的方法，可以在很大程度上提高系统语义的计算效率和系统动态性的处理效率。此外，基于论证的解释机制为提高人工智能系统的易解释性提供了一个重要途径。
上述结论表明，人工智能在发展过程中所遇到的挑战性问题对于逻辑学、哲学等相关学科基础理论的发展具有重要促进作用。这也进一步验证了逻辑学必须与时俱进，现有逻辑系统需要得到不断修正，不断进步。众所周知，逻辑学研究是20世纪哲学和数学研究的核心内容，也曾在计算机科学和人工智能的诞生和发展过程中起到至关重要的作用，使得这一学科在现当代依然作为人类思维和各类理论研究的基本工具和方法。但进入21世纪以来，在新一代人工智能的背景下许多逻辑学理论和方法难以找到用武之地。逻辑学研究面临着缺少参与度和新的推动力等难题。以新一代人工智能的瓶颈问题及其所涉及知识的特点为导向，新建立的逻辑语言和推理机制，针对的是开放、动态和真实环境中的信息处理，以及新一代人工智能推理的一些主要方向，因此可以在一定程度上突破现有逻辑学理论在新一代人工智能应用中的局限性，并为逻辑学研究找到新的增长点。进一步地，上述人工智能与逻辑学相互促进的交叉研究思路也可以对其他方向的交叉研究产生推动作用。例如，哲学和人工智能两个领域的互动推动着人工智能逻辑研究的进一步发展，而逻辑学的术语体系在其中可以使得哲学和人工智能研究之间的沟通更为便利。
此外，由上述分析可知，逻辑学基础理论的革新有利于促进新一代人工智能所面临瓶颈问题的解决。然而，如同人类的认知必须和感知相结合才能实现智能那样，人工智能的发展也离不开感知方法和认知方法的结合。因此，如何把基于逻辑的方法与机器学习方法相结合是一个需要进一步解决的挑战性问题。一方面，机器学习方法一般由数据驱动，主要采用概率和统计方法,反映的是某些特性的量的规定性。相反，有关概念和特性的逻辑表征体现的是事物的性质或关系。从认知科学的角度看，机器学习方法重在感知方面，而符号方法重在认知方面。人工智能不同研究范式的融合根植于它们所模拟的认知类型的可融合性。因此，需要把二者紧密联系起来。从方法的层面看，二者的结合路径可以多样化。
第一，在认知推理方面，基于知识图谱的认知推理是一个可行性较高的路径。一方面，人类的各种知识可以在知识图谱中得到恰当表达。尽管知识图谱中的知识可能是不完备的或存在冲突，但基于传统非单调逻辑或形式论辩的方法可以有效处理这类知识。另一方面，知识图谱的生成和演化可以基于机器学习方法。通过分类和聚类，新的知识不断被加入知识图谱或对知识图谱进行更新。这样，对于需要认知推理的时候，就可以利用基于知识图谱的推理来弥补数据驱动的机器学习方法在推理决策方面的不足。此外，在处理计算复杂性和系统动态性方面，基于形式论辩的方法提供了模块化和局部化的计算支持，可以在一定程度上提高系统的计算效率。
第二，在伦理对齐方面，事件分类、事实认定、价值原则获取、因果关系识别等可以运用机器学习方法，但社会规范和文化规范的表达、不同主体的价值及其排序的表征以及基于这些形式化知识的推理等，则只能采取符号方法。目前，国内外学者已通过各种方法来把机器学习与基于规则的知识表示结合起来，以实现伦理对齐。例如，结合量化论辩树和机器学习的方法用论辩树来表达网络诈骗案件的规范知识，用数据驱动的机器学习方法来获取论辩树中节点的初始值以及边的权重，以此来优化决策,克服法律规范难以在机器学习中得到明确表达的缺点;利用归纳逻辑编程来实现基于案例的学习，把伦理原则与公众意见结合起来，以指导公共政策。
第三，在可解释性方面，现有单纯基于统计学的机器学习方法以特定的数据集为训练样本，只研究事物的关联性，而不阐明其因果性，因而可解释性差。为了解决该问题，现有方法研究机器学习中的因果推断，建立事件之间的因果关系。由于因果关系具有可废止的特点，即因果关系不是必然成立，优先级或权重更高的因果关系可以使得与之冲突的因果关系不成立。因此，利用机器学习所获得的因果关系，结合其他相关领域知识进行推理，并在此基础上建立解释模型，是一个重要的研究方向。此外，把量化论辩理论与机器学习相结合，也是一个值得探索的方向。
本文注释内容略
责任编辑：赵培杰
人工智能的定义人工智能的基本概念是什么
【热门云产品免费试用活动】|【最新活动】|【企业应用优惠】
自从人类发明了计算机或机器人，它们执行各种任务的能力都有了相对的增长，人类已经可以开发出计算机系统的很多功能，涉及各种工作领域，人工智能的定义，简单来说，就是要通过智能的机器，达到人与机器和谐共处的一个社会。逐渐延伸了人类改造自然和治理社会的能力。
人工智能的定义是什么？
人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。
人工智能的定义
人工智能的基本概念（AI）
根据人工智能之父约翰麦卡锡的说法，它是“制造智能机器的科学与工程，特别是智能计算机程序”。
人工智能是一种使计算机，计算机控制的机器人或软件智能地思考的方式，其方式与智能人类的思维方式类似。人工智能是通过研究人类大脑如何思考以及人类在尝试解决问题时如何学习，决定和工作，然后将本研究的结果用作开发智能软件和系统的基础来实现的。
在充分利用计算机系统的力量的同时，人类的好奇心使他想知道“机器能像人类一样思考和行为吗？”
因此，人工智能的发展始于在我们发现并在人类中高度重视的机器中创造类似的智能。
人工智能的定义
学习人工智能的必要性
我们知道AI追求创造像人类一样聪明的机器。我们研究AI的原因有很多。
AI可以通过数据学习
在我们的日常生活中，我们处理的是大量的数据，人类的大脑无法跟踪这么多的数据。这就是我们需要自动化的原因。为了实现自动化，我们需要研究AI，因为它可以从数据中学习，并且可以准确无误地完成重复性任务。
AI可以自学
系统应该自学，因为数据本身不断变化，并且必须不断更新从这些数据中获得的知识。我们可以使用AI来实现这一目的，因为启用AI的系统可以自学。
AI可以实时响应
借助神经网络的人工智能可以更深入地分析数据。由于这种能力，AI可以根据实时情况思考和响应情况。
AI实现准确性
在深度神经网络的帮助下，AI可以实现极高的准确性。AI帮助医学领域从患者的MRI中诊断癌症等疾病。
AI可以组织数据以最大限度地利用它
数据是使用自学习算法的系统的知识产权。我们需要AI以一种始终提供最佳结果的方式索引和组织数据。
了解情报
使用AI，可以构建智能系统。我们需要了解智力的概念，以便我们的大脑可以构建像自己这样的另一个智能系统。
人工智能的定义其实是一个非常广泛的领域。这些领域虽然目前不是非常集中，但是它们正在交叉发展中，很多的未知的领域处在研究之中，并且逐渐走向统一。人工智能的最终目标是希望变成一门真正的科学，形成一个完整的科学体系。
更多相关文章：
1.域名建站专场
2.商标特惠专场
3.云速邮箱
4.网站建设专场
5.SSL证书专场
6.全球云服务专场
7.云服务器免费试用
8.企业免费试用专区
9.个人免费试用专区
10.图片文字识别OCR
11.网站建设自助建站
12.企业应用专场
13.域名注册申请
14.服务器和网关的关系是什么？网关的作用有哪些
15.域名解析a记录是什么意思
16.网址域名ip查询方式有哪些？域名和ip地址的区别是什么？
17.域名和url的区别与联系是什么？
18.域名和ip地址有什么关系？二者的含义是什么？
19.com域名和cn域名是什么意思？com和cn域名哪个好？
版权声明：本文章文字内容来自第三方投稿，版权归原始作者所有。本网站不拥有其版权，也不承担文字内容、信息或资料带来的版权归属问题或争议。如有侵权，请联系contentedit@huawei.com，本网站有权在核实确属侵权后，予以删除文章。
为什么说人工智能是一门综合性的交叉学科和边缘学科
0分享至用微信扫码二维码
分享至好友和朋友圈
为什么说人工智能是一门综合性的交叉学科和边缘学科？
人工智能虽然是计算机科学的一个分支，但它的研究却不仅涉及到计算机科学，而且还涉及到脑科学、神经生理学、心理学、语言学、逻辑学、认知（思维）科学、行为科学和数学以及信息论、控制论和系统论等许多学科领域。因此，人工智能实际上是一门综合性的交叉学科和边缘学科。人工智能运用极大地促进了机器人的发展。
科学家早在计算机出现之前就已经希望能够制造出可能模拟人类思维的机器了。近年来，随着计算机技术的迅猛发展和日益广泛的应用，自然地会提出人类智力活动能不能由计算机来实现的问题。
几十年来，人们一向把计算机当作是只能以极快地、熟练地、准确地运算数字的机器。但是在当今世界要解决的问题并不完全是数值计算，像语言的理解和翻译、图形和声音的识别、决策管理等都不属于数值计算，特别像医疗诊断要有专门的特有的经验和知识的医师才能作出正确的诊断。
这就要求计算机能从“数据处理”扩展到还能“知识处理"的范畴。计算机能力范畴的转化是导致“人工智能”快速发展的重要因素。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.
/阅读下一篇/返回网易首页下载网易新闻客户端如何认识人工智能对未来经济社会的影响
原标题：如何认识人工智能对未来经济社会的影响人工智能作为一种新兴颠覆性技术，正在释放科技革命和产业变革积蓄的巨大能量，深刻改变着人类生产生活方式和思维方式，对经济发展、社会进步等方面产生重大而深远的影响。世界主要国家都高度重视人工智能发展，我国亦把新一代人工智能作为推动科技跨越发展、产业优化升级、生产力整体跃升的驱动力量。在此背景下，我们有必要更好认识和把握人工智能的发展进程，研究其未来趋势和走向。
人工智能不同于常规计算机技术依据既定程序执行计算或控制等任务，而是具有生物智能的自学习、自组织、自适应、自行动等特征。可以说，人工智能的实质是“赋予机器人类智能”。首先，人工智能是目标导向，而非指代特定技术。人工智能的目标是在某方面使机器具备相当于人类的智能，达到此目标即可称之为人工智能，具体技术路线则可能多种多样，多种技术类型和路线均被纳入人工智能范畴。例如，根据图灵测试方法，人类通过文字交流无法分辨智能机器与人类的区别，那么该机器就可以被认为拥有人类智能。其次，人工智能是对人类智能及生理构造的模拟。再次，人工智能发展涉及数学与统计学、软件、数据、硬件乃至外部环境等诸多因素。一方面，人工智能本身的发展，需要算法研究、训练数据集、人工智能芯片等横跨整个创新链的多个学科领域同步推进。另一方面，人工智能与经济的融合要求外部环境进行适应性变化，所涉的外部环境十分广泛，例如法律法规、伦理规范、基础设施、社会舆论等。随着人工智能进一步发展并与经济深度融合，其所涉外部环境范围还将进一步扩大，彼此互动和影响亦将日趋复杂。
总的来看，人工智能将波浪式发展。当前，人工智能正处于本轮发展浪潮的高峰。本轮人工智能浪潮的兴起，主要归功于数据、算力和算法的飞跃。一是移动互联网普及带来的大数据爆发，二是云计算技术应用带来的计算能力飞跃和计算成本持续下降，三是机器学习在互联网领域的应用推广。但人工智能技术成熟和大规模商业化应用可能仍将经历波折。人工智能的发展史表明，每一轮人工智能发展浪潮都遭遇了技术瓶颈制约，导致商业化应用难以落地，最终重新陷入低潮。本轮人工智能浪潮的技术上限和商业化潜力都大大高于以往，部分专用人工智能可能获得长足进步，但许多业内专家认为目前的人工智能从机理上还不存在向通用人工智能转化的可能性，人工智能大规模商业化应用仍将是一个长期而曲折的过程。人工智能的发展尚处于早期阶段，在可预见的未来仍将主要起到辅助人类工作而非替代人类的作用，同时，严重依赖数据输入和计算能力的人工智能距离真正的人类智能还有很大的差距。
作为继互联网后新一代“通用目的技术”，人工智能的影响可能遍及整个经济社会，创造出众多新兴业态。国内外普遍认为，人工智能将对未来经济发展产生重要影响。
一方面，人工智能将是未来经济增长的关键推动力。人工智能技术的应用将提升生产率，进而促进经济增长。许多商业研究机构对人工智能对经济的影响进行了预测，主要预测指标包括GDP增长率、市场规模、劳动生产率、行业增长率等。多数主要商业研究机构认为，总体上看，世界各国都将受益于人工智能，实现经济大幅增长。未来十年（至2030年），人工智能将助推全球生产总值增长12%左右。同时，人工智能将催生数个千亿美元甚至万亿美元规模的产业。人工智能对全球经济的推动和牵引，可能呈现出三种形态和方式。其一，它创造了一种新的虚拟劳动力，能够解决需要适应性和敏捷性的复杂任务，即“智能自动化”；其二，人工智能可以对现有劳动力和实物资产进行有力的补充和提升，提升员工能力，提高资本效率；其三，人工智能的普及将推动多行业的相关创新，提高全要素生产率，开辟崭新的经济增长空间。
另一方面，人工智能替代劳动的速度、广度和深度将前所未有。许多经济学家认为，人工智能使机器开始具备人类大脑的功能，将以全新的方式替代人类劳动，冲击许多从前受技术进步影响较小的职业，其替代劳动的速度、广度和深度将大大超越从前的技术进步。但他们同时指出，技术应用存在社会、法律、经济等多方面障碍，进展较为缓慢，技术对劳动的替代难以很快实现；劳动者可以转换技术禀赋；新技术的需求还将创造新的工作岗位。
当前，在人工智能对经济的影响这个领域，相关研究已经取得了一些成果，然而目前仍处于研究的早期探索阶段，还未形成成熟的理论和实证分析框架。不过，学界的一些基本共识已经达成：短期来看，人工智能发展将对我国经济产生显著促进作用；长期来看，人工智能的发展路径和速度难以预测。因此，我们需对人工智能加速发展可能导致的世界经济发展模式变化保持关注。
（作者单位：国务院发展研究中心创新发展研究部）
(责编：赵超、吕骞)分享让更多人看到
加快推动人工智能产业高质量发展
人工智能产业为中国经济发展提供战略新动能，是引领中国经济发展的重要战略抓手。2018年9月17日，习近平总书记在致2018世界人工智能大会的贺信中指出，新一代人工智能正在全球范围内蓬勃兴起，为经济社会发展注入了新动能，正在深刻改变人们的生产生活方式。习近平总书记强调，中国正致力于实现高质量发展，人工智能的发展应用将有力提高经济社会发展智能化水平，有效增强公共服务和城市管理能力。习近平总书记的重要论述，为人工智能产业实现高质量发展，更好服务于人民的美好生活指明了方向。
推动高质量发展是“十四五”时期的主题
党的十九届五中全会明确指出，我国经济已转向高质量发展阶段。以推动高质量发展为主题，是“十四五”时期以习近平同志为核心的党中央根据我国发展阶段、发展环境和发展条件变化对我国经济做出的新的重大科学判断。习近平总书记指出，高质量发展就是体现新发展理念的发展，是创新成为第一动力、协调成为内生特点、绿色成为普遍形态、开放成为必由之路、共享成为根本目的的发展。高质量的发展意味着在中高端产品消费、创新引领、绿色低碳、共享经济、现代供应链、人力资本服务等领域需要培育经济新增长点、形成发展新动能。新时代新阶段的发展必须贯彻新发展理念，必须是高质量发展。而推动经济高质量发展，关键在于以创新为驱动、高质量供给为引领，加快建立科技创新体系，构建现代产业体系，推动质量变革、效率变革、动力变革，建立中高端产业链、价值链，使发展成果更好惠及全体人民，不断实现人民对美好生活的新需求。
当前新一轮科技革命和产业革命正在发生变革，这与我国高质量发展形成历史性交汇。“十四五”时期我国经济发展应抢抓这一重要变革机遇，为高质量发展“动力换挡”导入强劲引擎。伴随移动互联网、大数据、超级计算、传感网、脑科学等新理论新技术的驱动，以人工智能技术为代表的新一轮科技革命蓬勃发展，以前所未有的速度和方式改变着经济发展，成为高质量发展的重要引擎。习近平总书记在十九届中央政治局第九次集体学习时的讲话中指出，“人工智能是引领这一轮科技革命和产业变革的战略性技术，是新一轮科技革命和产业变革的重要驱动力量，具有溢出带动性很强的‘头雁’效应”。加快发展新一代人工智能不仅“事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题”，而且是“我们赢得全球科技竞争主动权的重要战略抓手”，更是“推动我国科技跨越发展、产业优化升级、生产力整体跃升的重要战略资源”。在推动经济高质量发展的过程中，人工智能产业的高质量，可以为中国经济发展添薪续力。
党的十九届五中全会审议通过的《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》指出，“在当前和今后一个时期，我国发展仍然处于重要战略机遇期”，要紧扣重要战略机遇新变化，“坚持把发展经济着力点放在实体经济上，坚定不移建设制造强国、质量强国、网络强国、数字强国，推进产业基础高级化、产业链现代化，提高经济质量效益和核心竞争力”。在推动经济高质量发展阶段，人工智能正在为中国新旧动能转换和国民经济高质量发展提供有力支撑，它是推动工业变革的核心驱动力量，也是最能体现知识要素贡献和打造经济社会发展新动能的基础设施产业，加快推进人工智能产业优化升级，成为未来科技创新的一个“超级风口”。近年来，中国人工智能产业化发展迅速，技术发展日益成熟、应用场景日益丰富，企业数量、融资规模均居全球第二，成为人工智能产业化大国之一。与此同时，我国人工智能产业的发展在基础理论研究、关键核心技术、人才培养等方面存在一些短板，这在一定程度上限制了人工智能产业创新发展潜能的充分释放。对此，习近平总书记强调，要深刻认识加快发展新一代人工智能的重大意义，加强领导，做好规划，明确任务，夯实基础，创新技术，促进其同经济社会发展深度融合，推动我国新一代人工智能实现高质量的发展。
以人才、技术促进人工智能产业实现高质量发展
我国人工智能产业迅速发展，在智能芯片、智能算法、知识图谱、计算机视觉、自然语言处理等技术方面不断取得突破，为人工智能产业的创新发展奠定了一定基础。但中国智能产业在芯片硬件等关键性核心技术上仍然比较薄弱，这成为制约人工智能产业实现高质量发展的重要隐患。对此，习近平总书记指出，人工智能具有多学科综合、高度复杂的特征。我们必须加强研判，统筹谋划，协同创新，稳步推进，把增强原创能力作为重点，以关键核心技术为主攻方向，促进人工智能实现高质量发展。
重视产业人才培养，构建“引才、留才、用才”新格局。人工智能产业要实现高质量发展，培养人工智能人才是关键。因此，要强化多层次人才的培养和引入。一是培养人工智能产业所需的复合型人才。一方面，构建以技能为本的劳动力市场，鼓励企业和各类机构为员工提供人工智能技能培训，培育一批专业技能扎实、科学素养高、动手实践能力强、具备开阔产业应用视角和国际前瞻视野的人才，确保关键工种拥有充分数量的人才储备；另一方面，完善高校人工智能学科体系建设和布局，深化“产学研”融合发展，鼓励高校、科研院所与企业合作，通过校企共建人工智能专业和课程，培育更多符合人工智能产业高质量发展所需的复合型人才。二是坚持“走出去+引进来”，加大全球高端人才的培养和引入。一方面，选派人工智能领域优秀科研人员赴海外学习交流，扩大国际化视野；另一方面，充分利用海南自由贸易港、自由贸易区、粤港澳大湾区等历史性战略机遇，鼓励人工智能产业人才引入。
加快完善数字基础设施，增强人工智能科技创新能力。人工智能产业要实现高质量发展，技术的完善和突破是重点，这就要求在技术上既要加快完善基本数字基础设施，也要坚持核心技术的攻坚克难。一是要完善数字基础设施，推动传统产业智能化转型。一方面，充分利用新基建机遇，加强人工智能基础研究和技术研发，协调推进各类数据中心、5G网络部署，全面提升端侧的数据计算、采集及传输能力，为传统产业全面向数字化转型打造坚实广泛的计算基础。另一方面，充分发挥国家新一代人工智能开放创新平台赋能作用，加强传统产业与科技公司合作力度，共同突破工业数字化壁垒，实现双赢。二是要加大基础研究力度，加快突破一批人工智能产业化关键技术。国家要调整人工智能投入结构，提高基础研究经费投入比重和投入力度，支持科学家勇闯人工智能科技前沿的“无人区”，鼓励校企开展深度合作，建立协同创新联盟，努力在人工智能发展方向和理论、方法等方面取得变革性突破，确保我国在人工智能重要领域的理论研究走在前面。同时，要以问题为导向，重点突破自主芯片技术和算法技术，加快建立新一代人工智能关键共性技术体系，确保人工智能关键核心技术牢牢掌握在自己手里。
融合实体经济，推动人工智能产业高质量发展
人工智能是具有极强渗透性的技术。当前人工智能产业化应用正加速从娱乐、消费等领域开始向制造、医疗、能源、交通等更大范围的实体经济进军，这给人工智能产业提供了庞大的市场和丰富的场景。人工智能在我国交通、医疗、教育等传统行业中的发展和应用仍然处于较低水平，无法满足人民对美好生活的需要。因此，要实现人工智能产业高质量发展，就要发挥人工智能在产业升级、产品开发、服务创新等方面的技术优势，推动人工智能与实体经济深度融合，以人工智能技术推动各产业变革，加快产业对接，聚焦重点领域，形成以场景应用为导向的发展模式。
搭建智能平台，发挥人工智能技术应用功能。人工智能不仅能创新产品和服务，而且也能在相当程度上改进或优化传统产业的生产流程，重构传统产业的业务模式。当前，以人脸识别、车辆特征识别、手写识别、文字识别等为代表的计算机视觉相关技术基本成熟，“机器视觉”在制造业中已经逐渐推广应用，加强计算机视觉技术与传统汽车制造等产业的深度融合，用机器代替人力劳动，不仅能节约人力投入，还能提高产品品质。人工智能还能对生产过程的数据进行分析并加以改进。工业生产线在运行过程中会生出大量实时数据(比如温度、压力等等)，利用人工智能技术对数据进行分析，能提前预测可能出现的机器故障、残次品率等等，进而对生产流程进行优化，以达到节约成本、提高效率的目标。因此，要大力推广应用人工智能在促进制造业转型升级中的支撑和引领作用，使其成为推动高新技术产业创新发展中的“头雁”和区域发展的“增长极”。
聚焦重点领域，助推人工智能应用场景落地。如果说人工智能产业是供给侧，那么传统行业则是需求侧。推进人工智能应用场景落地，就要处理好供给侧和需求侧的关系。随着人工智能加速向医疗、交通、智慧城市等多领域的渗透，应聚焦这些涉及民生的领域，提升人工智能产业与实体经济的融合度，为人民群众提供更优质、丰富、便利的新产品和新服务，满足人民群众对美好生活的需要。因此，人工智能技术要着眼于我国庞大的市场和丰富的场景，围绕社会发展需求领域布局，探索出一条充分发挥我国市场和场景资源优势的高质量人工智能产业发展路径。
（作者单位：北京科技大学马克思主义学院）
责任编辑：肖景华