文献综述人工智能
1。 1956年前的孕育期 (１) 从公元前伟大的哲学家亚里斯多德(Arisｔｏtｌe）到1６世纪英国哲学家培根(F。 Bａｃon),他们提出的形式逻辑的三段论、归纳法以及“知识就是力量”的警句,都对人类思维过程的研究产生了重要影响。 (２）１7世纪德国数学家莱布尼兹（G。.Lｅi bｎｉz)提出了万能符号和推理计算思想，为数理逻辑的产生和发展奠定了基础，播下了现代机器思维设计思想的种子。而１9世纪的英国逻辑学家布尔(G。 Ｂoolｅ）创立的布尔代数，实现了用符号语言描述人类思维活动的基本推理法则。 (3) ２0世纪30年代迅速发展的数学逻辑和关于计算的新思想，使人们在计算机出现之前，就建立了计算与智能关系的概念。被誉为人工智能之父的英国天才的数学家图灵(Ａ。 Tｕｒ—ｉng）在1936年提出了一种理想计算机的数学模型，即图灵机之后,1946年就由美国数学家莫克利(Ｊ. Mａuchlｙ)和埃柯特(J. Ecｈert)研制出了世界上第一台数字计算机，它为人工智能的研究奠定了不可缺少的物质基础。1９50年图灵又发表了“计算机与智能”的论文,提出了著名的“图灵测试＂，形象地指出什么是人工智能以及机器具有智能的标准，对人工智能的发展产生了极其深远的影响。 （4） １９3４年美国神经生理学家麦克洛奇(W． McCｕｌｌocｈ) 和匹兹(Ｗ。 Pitｔs ）建立了第一个神经网络模型，为以后的人工神经网络研究奠定了基础。 ２。 1９56年至１９69年的诞生发育期 (1)1９５6年夏季,麻省理工学院（MIＴ）的麦卡锡（J．ＭcＣａｒｔhｙ)、人工智能 综述
- 1 - 人工智能 综述 随着技术的发展，人工智能已经成为了当今世界的热门话题之一。从最早的计算机程序到现在的深度学习，人工智能已经取得了惊人的进展，并且在人类生产生活中扮演着越来越重要的角色。本文将从人工智能的定义、应用领域、发展历程、未来趋势等方面做一个简单的综述。 首先，人工智能的定义。一般来说，人工智能是指通过计算机模拟人类的智能行为和思考模式，从而使计算机具备了自主学习、自我优化和自主决策等特性。人工智能包括了机器学习、深度学习、自然语言处理、计算机视觉等多个子领域。在应用领域方面，人工智能已经涉及到了机器人、智能家居、智能医疗、智能驾驶等多个领域。 其次，人工智能的发展历程。自20世纪50年代以来，人工智能就已经开始萌芽。在接下来的几十年中，人工智能研究不断深入，从最初的符号逻辑推理，到后来的机器学习和深度学习等技术的兴起，人工智能的发展取得了重大突破。现在，人工智能已经成为了全球科技发展的重要方向之一。 最后，人工智能的未来趋势。随着技术和算法的不断进步，人工智能未来将会呈现出更多的可能性。从数据处理到自主决策，从机器人到自动驾驶，人工智能将会在各个领域发挥重要作用。同时，人工智能的应用也将会越来越广泛，涵盖更多的场景和需求。 总之，人工智能已经成为了一个不可逆转的趋势，它将会对我们的生产生活产生深远的影响。随着技术的不断进步，我们相信人工智人工智能学院2023级硕士研究生赵久峰论文被中科院一区期刊Information Processing & Management（IPM）接收
徐昊教授指导的2021级硕士研究生赵久峰同学的论文Weak-PMLC:ALarge-ScaleFrameworkforMulti-LabelPolicyClassificationBasedonExtremelyWeakSupervision近日被InformationProcessing&Management（IPM）杂志接收。InformationProcessing&Management是Elsevier出版社旗下的中科院一区TOP期刊（CCF-B），SCIIF（2022）=7.466。本篇论文的通讯作者为徐昊教授，其他作者包括人工智能学院的2020级博士研究生宋瑞同学等。
论文题目：Weak-PMLC:ALarge-ScaleFrameworkforMulti-LabelPolicyClassificationBasedonExtremelyWeakSupervision
第一作者：赵久峰
指导教师：徐昊
收录期刊：InformationProcessing&Management（IPM）
期刊级别：中科院一区，CCF-B
论文概述：
随着电子政务的发展，我国多个地方政府都在发展基于互联网的政务公开平台，这些在线平台需要对政策进行自动分类。当前的政策分类方法通常是基于监督模型的，需要大量的标注数据，这在实践中可能很昂贵且难以获得。为了减轻人类专家注释大量政策的负担，我们提出了一个基于极弱监督的多标签政策分类的大规模框架（Weak-PMLC），它不依赖于任何带标签的文档，只使用每个类别的标签名称。具体来说，我们首先在给定数据集上预训练语言模型（LM），以将LM从通用扩展到特定领域。然后，我们利用特定领域的LM生成与标签名称语义相关的种子词。最后，根据类别相关的种子词，我们为大量未标注的政策生成高质量的伪标签，作为高性能监督模型的训练数据。
为了验证我们提出的方法的有效性，我们创建了两个新的人工标记数据集，分别包含大约56k和37k政策。我们还定义了59个可以涵盖所有政策主题的标签名称。在新构建的数据集上，Weak-PMLC的性能明显优于最先进的弱监督模型，同时不逊于一般的全监督分类算法。在公开数据集上，Weak-PMLC也能够取得与需要大量人力的弱监督方法相当甚至更好的性能。
人工智能研究院唐希源课题组与合作者在模拟存内计算芯片方向研究取得进展
北京大学人工智能研究院类脑智能芯片研究中心唐希源研究员课题组在国际集成电路设计领域顶级会议IEEECustomIntegratedCircuitsConference（CICC）上发表论文“ACalibration-Free15-level/CelleDRAMComputing-in-MemoryMacrowith3T1CCurrent-ProgrammedDynamic-CascodedMLCachieving233-to-304-TOPS/W4bMAC”，发布了一种最新研制并实现的基于65nmCMOS工艺的电流型eDRAM模拟存内一体芯片，该创新工艺通过将模拟权重的编程与计算统一到电流域，大幅提高了模拟存算一体电流的计算精度与鲁棒性。
不断发展的AI算法对边缘端硬件的算力与能效提出挑战。传统计算架构执行算法的瓶颈在于数据搬运功耗，即“存储墙”问题。为解决这一问题，将计算嵌入到存储单元中并在模拟域完成乘累加运算的模拟存算一体芯片被提出。模拟域存算一体芯片可以分为电流型设计、电荷型设计以及时间型设计。其中，电流型设计可以模拟计算因其高面积效率和高并行等特点，受到研究人员的青睐。
尽管近年不断有新型电流型存算一体芯片被提出，然而电流型存算一体芯片的根本问题并未得到解决。目前的电流型模拟存算一体芯片受到晶体管非理想性的限制，无法在小电流下实现精确计算，因而存在着计算精度、能效瓶颈与鲁棒性多重挑战，其应用场景严重受限。
针对这一系列挑战，唐希源课题组从电流型模拟存算一体电路的误差产生机制入手，首次提出电流编程技术。如图1所示，该技术利用编程电流产生自校准的权重电压，实现多值模拟权重的高精度编程。同时，课题组提出电压-电流两步编程模数，利用编程电压进行快速初步写入并用编程电流完成精确写入，大幅提高了多比特权重编程速度。此外，课题组提出自偏置共源共栅读出结构，在无需额外偏置电路的情况下大幅增加了存储单元读出精度，降低了计算电流的对位线电压的敏感度。这三项技术使得电流型多值模拟存算单元可以无需校准地工作在小于1uA的计算电流下，突破了电流型存算一体电路的精度与能效瓶颈，并大幅提升其鲁棒性。
图1所提出电流型存算一体设计的关键技术
基于上述创新设计，课题组研制了一款基于65nmCMOS工艺的电流型eDRAM模拟存内一体芯片（图2），并对芯片进行了性能测试与汇报。在4-b输入/4-b权重/5-b输出精度的情况下，16Kb容量的原型芯片实现了233~304TOPS/W的计算能效与2.963TOPS/mm2的单位面积算力，达到电流型存算一体芯片中的国际领先水平。该创新通过将模拟权重的编程与计算统一到电流域，大幅提高了模拟存算一体电流的计算精度与鲁棒性。
图2电流编程存算一体芯片显微照片
北京大学博士后宋嘉豪为第一作者，唐希源与王源教授为通讯作者。