什么是人工智能
什么是人工智能
人工智能（ArtificialIntelligence，简称“AI”）自诞生之日起，其定义与内涵就一直存在争议。从字面上看，AI由“人工”和“智能”两词构成，其核心是智能。因此，人工智能首先是智能的一种。但是人工智能是人造的，而非自然形成的智能（如我们人类的智能就是经过长期的进化而形成的一种生物智能）。进一步理解人工智能的关键，在于理解“智能是什么”，这其实是一个难以回答的问题。一个普遍的认识是“智能是利用知识解决问题的能力”。作为“万物之灵长”的人类，其智能很大程度上就体现在人类能够发现知识并利用知识解决各类问题。人工智能的研究与实践的一个重要目标就是回答“智能是什么”这一问题。对这个问题的回答，将成为我们这代人甚至后面几代人共同努力的方向与目标。
如果需要给人工智能下一个定义，可以表述为：人工智能是通过智能机器延伸、增强人类改造自然和治理社会能力的科学与技术。人工智能首先是一门科学，因为我们需要解释智能的本质，需要回答智能能否计算、如何计算等科学问题。人工智能更是一项工程，因为我们需要让机器实现对于人类智能的模拟，从而解决需要人类智能才能解决的问题。因此，人工智能兼有科学与工程的属性。也正是这个原因，决定了人工智能的跨学科和综合特性。人工智能涉及哲学、心理学、数学、语言学、计算机等多个学科。人工智能的最终目标不是发展自主的机器智能，而是借助人工智能增强人类认识世界、改造世界的能力。拓展和延伸人类的智能，并最终造福人类社会，是发展人工智能的根本使命，也是唯一使命。人工智能是以人类智能为模板进行拓印与塑形的，理解与模拟人类智能是人工智能实现的基本路径。人类智能，外观体现为行为，内察体现为思维。人工智能的研究与实践不论其形式如何不同，其最终落脚点要么是让机器具备人类身体的智能行为能力，要么是让机器具备人类心灵的复杂思维能力。
人类的智能行为能力体现在其身体的感知与运动能力。我们的身体具有五官与四肢。我们通过五官识音辨声、识图辨形、辨别气味等，通过四肢操纵物体、运动身体，从而实现身体与环境的复杂交互。机器实现这些能力需要具备模式识别与反馈控制能力。比如，为了识别一个手写字是不是“0”，机器必须能够从手写体输入数据中识别出“0”所对应的书写模式。模式识别能力是我们五官所具备的基本能力。我们人类的四肢能够十分柔韧、灵活地做出各类动作，实现各类物体操纵，这背后体现的是人类四肢与环境的强大交互能力。比如机械手臂在抓举物品时，需要实时感知物品的位置以及抓举的力度，从而及时调整抓举的动作与姿态，最终完成抓举动作。近年来，机器在模式识别与运动控制等能力上飞速发展，已经初步达到人类水平。以感知数据中的模式、物理世界的状态为主，让机器具备人类的智能行为为主要目标的人工智能研究和实践，我们称之为“感知派”。
人类的智能更为鲜明地体现在人类的复杂心智上。人类的心智活动十分多样，包括语言理解、场景理解、调度规划、智能检索、学习归纳、推理决策等。塑造人类心智能力的器官是我们的大脑。理解大脑的运作机制，从而实现类脑智能，一直以来是科学家们持之以恒为之奋斗的目标之一。随着人工智能的发展，让机器具有一颗聪慧的大脑，已被迫切地提上议事日程。有身无心的机器就好比没有灵魂的“僵尸”，虽然也能解决很多问题，但是难以进入人类社会，成为人类有趣的“伙伴”。如果人工智能的发展仅是停留在感知与运动阶段，机器只是达到了一般动物的智能水平，而真正意义上使得人类从动物本性中脱胎而出的是人类独有的心智能力。虽然动物也有大脑，也有一定的心智水平，但是人类心智与动物心智的根本差别在于人类的认知能力。认知能力是指人脑接受外界信息，经过加工处理，转换成内在的心理活动，从而形成对世界的认知体验的过程。它包括时空认知、因果认知、语言认知、文化认知等方面。很显然，目前只有人类具有认知能力，以“认知”为基础的人工智能研究和实践，被称为“认知派”，将是未来人工智能研究与实践的焦点。
值得注意的是，虽然人类是实现人工智能的模板，但是人工智能在当下的实践已经不单单以“类人”为目标，很多时候是远超人类水平的。人类的特定智能很多情况下是有局限的。比如，我们在决定买哪本人工智能教材时，其决策要素一般不超过5—7个，而机器则可以同时考虑数以百万计的决策要素进行判断。人类感知的物理范围是十分有限的，而机器视觉可以识别数千米范围内的目标。因此，在很多单项智能上，人类被机器超越只是时间问题，如计算、下棋、识图、辨声等。人工智能的发展进程必定是我们见证人类单项智能被机器逐步超越的过程。但是有一个至关重要的奖项，智能的“全能冠军”，却是机器难以从人类手中夺走的。无数个智能的单项冠军也难以企及这一“全能冠军”的智能水平。这就引出了人工智能的强弱之分的话题。
人工智能除了有“感知”与“认知”之分，亦有“强”“弱”之分。任何一台普通的计算器在数值运算方面的能力远超我们人类最聪明的头脑，但是不会有人觉得他比3岁的儿童更智能。其背后的根本原因在于，计算器只能胜任数值计算这一单项任务，而3岁儿童却能胜任几乎无法穷举的任务，如识别父母、寻找奶瓶、辨别声音等。因此，智能的强弱很大程度上体现在其通用或单一的程度。强的智能是能够胜任任何任务求解所需要的智能，而弱的智能仅限于解决某个特定任务，强人工智能的实现显然远远难于弱人工智能。当前取得实际应用效果的仍以弱人工智能为主。实现强人工智能任重道远，但却不可回避。因为强人工智能解决的是人工智能的根本难题：现实世界的开放性。现实世界是复杂的，真实任务是多样的，而我们的计算机当前只能胜任预定义的任务与场景，一旦碰到从未见过的案例、样本、场景，就显得无能为力。努力提升机器智能的适应性，以及对于开放性的应对能力，已经成为人工智能最为重要的研究课题之一。
值得注意的是，人工智能仍然是个不断发展中的学科，其内涵仍在不断丰富与完善，一些新的研究视角在为人工智能持续增添新的内涵，如AI的安全性与可控性、AI的黑盒化与可解释、AI与人文学科、AI与社会发展、AI与脑科学等，这些新的研究视角在持续推动AI概念的发展与完善。
人工智能发展的历程
“理想很丰满，现实很骨感”，“柳暗花明又一村”，用这两句话来表达人工智能的发展历程是再恰当不过的了。纵观人工智能的发展历程，大体可分为三次高潮和两个低谷期。
1. 人工智能发展的第一次高潮
20世纪40至50年代，来自不同领域的一批科学家开始探讨制造人工大脑的可能性，这是人工智能问题的雏形。1943年，美国麻省理工学院的两位科学家沃伦·麦卡洛克（WarrenMcCulloch）和沃尔特·皮茨（WalterPitts）提出了一种生物神经元的数学模型，使得利用计算机模拟的人工神经元成为可能。多个人工神经元连接在一起可以形成一个类似生物神经网络的网络结构（参见图引-1）。1957年，弗兰克·罗森勃拉特（FrankRosenblatt）提出了感知器模型，将神经网络研究推向工程实现。
1950年，英国计算机专家艾伦·图灵（AlanTuring）提出了著名的图灵测试，用来判断一台机器是否具有人类智能。它更像一场有趣的“模仿游戏”：由测试者向被测试者提出多个问题，根据被测试者的回答判断被测试者是人还是机器。如果有超过30%的测试者不能确定被测试者是人还是机器，那么就可以说这台机器具有人类智能（参见图引-2）。由于图灵测试只能测试机器是否具有智能的外在表现，随着人工智能的发展，它日益暴露出局限性。设想一下，如果将对话任务换成下围棋，我们现在显然无法再根据机器的围棋水平来判断对方是人还是机器。因为众所周知，机器在围棋游戏方面已经远超人类冠军水平。随着机器语音和对话能力的提升，我们也越来越难以判断为你服务的电话客服到底是机器还是人类。
[[358677]]
1956年，在美国汉诺威小镇的达特茅斯学院召开的一次研讨会上，一批各有所长的科学家聚在一起，讨论着一个当时被认为不切实际的主题——让逐渐成熟的计算机代替人类解决一些感知、认知乃至决策的问题。会议整整开了2个月，科学家们各执一词，谁都说服不了谁，最后有人提出了“人工智能”的说法。这次会议被公认为人工智能诞生的标志。同年，人工智能被确立为一门学科。
这一新兴学科的产生，很快就引起学术界的广泛关注，研究者纷至沓来，新课题层出不穷。从20世纪50年代后期到60年代，涌现出了一大批成功的AI程序和新的研究方向。有人开发了程序STUDENT，它能够解决高中程度的代数应用题，被认为是人工智能在自然语言处理领域早期的应用成果。有人创建了全世界最早的聊天机器人ELIZA，它可以使用英语和用户交流。ELIZA是一个早期的自然语言处理程序，它通过模式匹配和替代的方式来实现人机对话（其实只是按固定套路作答，机器并不理解语言的意义，实际上距离真正的人工智能还有很长的距离要走）。
20世纪60年代中期，人工智能研究在资金方面得到了大量资助，并且在世界各地建立了实验室。当时人工智能的研究人员们对未来充满信心，著名的科学家赫伯特·西蒙（HerbertSimon）甚至预言：“机器将能够在20年内完成人类可以做的任何工作。”还有的科学家认为“在一代人之内……创造‘人工智能’的问题将基本解决”。人工智能研究迎来了第一个“黄金”发展时期。
然而，现实并不像人们预期的那样乐观，人工智能的发展遭遇了瓶颈。主要的原因是：当时计算机的运算能力和数据处理能力较低，数据也相对匮乏，不能满足解决复杂问题的需要。人工智能步入第一次低谷期。
2. 人工智能发展的第二次高潮
进入20世纪80年代早期后，随着新兴的工业、商业、金融等行业的发展，人工智能研究作为附属于其他行业的辅助性手段与工具得到了一定的恢复。
这一时期比较有代表性的研究进展包括：
一是“专家系统”的出现。这是一种模拟人类专家知识和分析技能的人工智能系统，通过知识表示和知识推理技术，来模拟领域专家解决问题的过程。专家系统以知识库和推理机为核心，利用知识得到一个满意的解是系统的求解目标。著名的专家系统包括：ExSys(第一个商用的专家系统)、Mycin（一个诊断系统）等。
二是神经网络模型的再次兴起。大卫·鲁姆哈特（DavidRumelhart）等人于20世纪80年代提出的多层感知器及反向传播算法，优化了神经网络的训练方法。
这一时期比较有影响力的人工智能应用是日本的“第五代计算机项目”。20世纪80年代，日本提出了“第五代计算机项目”。它的主要目标之一是突破所谓的“冯·诺依曼瓶颈”（冯·诺依曼架构是以存储程序为核心思想的主流计算机体系结构，当时的日本学者认为这一体系结构只能实现有限的运算和信息处理，因此称之为“冯·诺依曼瓶颈”），实现具有推理以及知识处理能力的人工智能计算机。在第五代计算机项目的激励下，人工智能领域的研究项目得到推进。1985年，人工智能市场规模已超过十亿美元。
然而，好景不长。受限于当时有限的数据和算力，机器仍然难以应对复杂情形。比如，专家系统中的if-then规则在描述复杂问题时呈指数增长，有限的算力难以支撑这类复杂问题的解决。从1987年Lisp（人工智能程序设计的主要语言）机市场崩溃开始，人们对专家系统和人工智能失去信任，人工智能进入第二次低谷期。
3. 人工智能发展的第三次高潮
始于20世纪90年代末和本世纪初，人工智能再一次悄然崛起。2006年，加拿大多伦多大学的杰弗里·辛顿（GeoffreyHinton）教授及其学生提出了深度学习，并迅速在图像识别、语音识别、游戏和搜索引擎等领域获得显著效果。除了以深度学习为代表算法的这一原因之外，这一阶段的成功还得益于计算机计算能力的提升以及各行各业海量数据的累积。
这一波人工智能浪潮仍在发展，已发生的比较具有代表性的事件有：
一是计算机与人类的棋坛博弈。1997年5月11日，深蓝成为第一个击败卫冕国际象棋世界冠军加里·卡斯帕罗夫的计算机国际象棋系统。2016年3月，阿尔法围棋（AlphaGo）以4∶1击败李世石，成为第一个击败职业围棋世界冠军的电脑围棋程序。2017年5月，阿尔法围棋在中国乌镇围棋峰会的三局比赛中，击败了当时世界排名第一的中国棋手柯洁。在这个基础上，经过强化学习训练后，阿法元（AlphaGoZero）无需人类经验，通过自我博弈，以100∶0击败阿尔法围棋。
二是机器在图像识别与语音识别等任务中达到人类水平。图像处理任务中的错误率自2011年以来显著下降。在计算机视觉领域，如手写数字体识别数据集上，神经网络的准确率已经超过人类的平均准确率。在语音识别方面，科大讯飞等公司的语音识别率高达98%（2018年的水平），语音识别水平在2016年就已经达到了人类水平。
三是机器在语言理解等相关任务上取得长足的进步。让机器具备理解人类自然语言的能力是人工智能发展历程中具有里程碑意义的任务。更有专家认为，语言理解是人工智能桂冠上的明珠。近年来，得益于深度学习模型和大规模语料，机器在一系列语言理解任务中攻城略地。比如在斯坦福问答数据集（StanfordQuestionAnsweringDataset，简称“SQuAD”）文本理解挑战赛上，早在2018年年初，来自阿里的研究团队所提出的机器阅读理解模型就取得超过人类水平的准确率。在2018年的谷歌I/O大会上，谷歌展示了一段谷歌助理（谷歌的一个应用软件）与人类长达数分钟的电话，现场观众几乎无法分辨出谁是机器，谁是人类。此后，各类客服电话大量由机器代替，智能客服的成功应用大幅降低了人工客服成本。
这些事件的发生，让人们充分认识到人工智能技术所蕴含的经济价值与社会潜能。人们对人工智能技术的认识由此上升到了一个前所未有的高度，从而极大地推动了人工智能技术的发展。
人工智能研究的不同视角
人工智能是个庞杂的学科，不同的视角对人工智能的理解不尽相同。让我们来了解一下人工智能研究中主要学术流派的看法吧！
1. 符号主义流派是这样认为的
符号主义流派认为人工智能源于数理逻辑，又称“逻辑主义流派”。数理逻辑从19世纪末起获得迅速发展，到20世纪30年代开始用于描述智能行为。计算机出现后，又在计算机上实现了逻辑演绎系统，其代表性成果为启发式程序LT（逻辑理论家），证明了38条数学定理，表明应用计算机研究人的思维过程，可以模拟人类智能活动。
符号主义认为人类的认知过程是符号操作与运算的过程，主张用公理和逻辑体系搭建一套人工智能系统。符号主义认为，知识表示、知识推理和知识应用是人工智能的核心。知识可以用符号来表示，认知是符号加工的过程，推理是使用理智从某些前提产生结论的行动。符号主义者致力于用计算机的符号操作来模拟人的认知过程，其实质就是模拟人的左脑抽象逻辑思维。符号主义者最早采用了“人工智能”这个术语，后来又发展了专家系统、知识工程理论与技术，并在20世纪80年代取得了很大发展。
符号主义流派曾长期一枝独秀，为人工智能的发展作出重要贡献，尤其是专家系统的成功开发与应用，为人工智能走向工程应用、实现理论联系实际具有重要意义。在人工智能的其他学派出现之后，符号主义仍然是人工智能的主流学派之一。
2. 联结主义流派是这样认为的
联结主义学派，又称“仿生学派”或“生理学派”，其主要关注神经网络及神经网络间的联结机制和学习算法。联结主义认为，人工智能源于仿生学，特别是人脑模型的研究。联结主义从神经元开始，进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。联结主义学派从神经生理学和认知科学的研究成果出发，把人的智能归结为人脑的高层活动的结果，强调智能活动是由大量简单的单元通过复杂的相互联结后并行运行的结果，其中人工神经网络就是其代表性技术。
联结主义发端于1943年，诞生了生物神经元的计算模型“M-P模型”，其后经历了1957年“感知器”模型，1982年Hopfield模型以及1986年提出的反向传播算法等代表性事件。联结主义在近期的代表性进展就是深度学习。2012年，在ImageNet大型视觉识别挑战赛中，深度学习模型以绝对领先的成绩拔得头筹。随着硬件技术的发展，深度学习成为当下实现人工智能的主流技术之一。
符号主义与联结主义的发展呈现出此起彼落的态势。事实上，两者各有其价值与意义，对于人工智能的发展都是不可或缺的，应该协同并进、共同促进人工智能的发展。符号主义从宏观上（人类的思维过程）模拟人类的认知过程，而联结主义则从微观上（神经网络的结构与参数）实现对于人脑功能的模拟。从当前人工智能发展趋势来看，由联结主义实现模式识别等初步感知任务，进而将相关结果输入符号主义的相关系统中，实现深度的推理与解释，是未来人工智能发展的基本模式。
3. 行为主义流派是这样认为的
行为主义流派，又称“进化主义流派”或“控制论学派”。行为主义流派认为人工智能源于控制论，研究内容包括生命现象的仿生系统、人工建模与仿真、进化动力学、人工生命的计算理论、进化与学习综合系统以及人工生命的应用等。行为主义认为，人工智能可以像人类智能一样逐步进化，智能体的智能行为只能通过其与现实世界及周围环境的交互而表现出来。
控制论思想早在20世纪四五十年代就成为时代思潮的重要部分，影响了早期的人工智能研究者。美国数学家诺伯特·维纳（NorbertWiener）等人提出的控制论和自组织系统以及我国科学家钱学森等人提出的工程控制论和生物控制论，影响了许多领域。早期的研究工作重点是模拟人在控制过程中的智能行为和作用，如对自寻优、自适应、自校正、自镇定、自组织和自学习等控制论系统的研究，并进行“控制论动物”的研制。到20世纪六七十年代，上述这些控制论系统的研究取得一定进展，播下智能控制和智能机器人的种子，并在八十年代诞生了智能控制和智能机器人系统。
直到20世纪末，行为主义流派才以人工智能新学派的面孔出现，引起许多人的关注。这一学派的代表作首推美国麻省理工学院的罗德尼·布鲁克斯(RodneyBrooks)所研发的六足行走机器人，它被看作新一代的“控制论动物”，是一个基于感知—动作模式的模拟昆虫行为的控制系统。事实上，这种通过与环境自适应交互所形成的智能，是一种“没有推理的智能”。近期，在深度强化学习等技术的推动下，机器人的环境交互能力得到显著提升，能跑会跳、满世界“溜达”的机器人已经逐步变成现实。
人工智能三要素
人工智能在近期的飞速发展，主要得益于数据的快速积累、计算能力的不断提升以及算法的改进优化。因此，人们把数据、算力和算法称为人工智能三要素。
1. 人工智能与大数据
什么是大数据？一般地说，大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新的处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
大数据一般具有大量（Volume）、高速（Velocity）、多样（Variety）、低价值密度（Value）、真实性（Veracity）五个特点，也称其为大数据的5V特点。“大量”指数据体量极大，数据量从TB级别到PB级别；“高速”指数据产生和处理的速度非常快，如工业大数据应用中部署的各种传感器能够以每秒数个G的采集频率采集数据；“多样”指数据类型很多，如语音、文字、图片和视频等，不同类型的数据往往需要不同的处理手段；“低价值密度”指大量的数据中有价值的只有极少数，如监控视频中最有价值的数据往往只有几秒；“真实性”指追求高质量的数据，因为数据的规模并不能为决策提供帮助，数据的真实性和质量才是制定正确决策的关键。
大数据在现实的生产与生活中有着大量的实际应用。例如，天气预报就是基于大数据而对未来天气作出的预测。这些数据可以是一年前的，也可以是几年、几十年甚至更长时间的数据积累。又如，在智能商业、工业4.0、互联网服务、智慧金融等领域，大数据的运用使得这些领域发生了翻天覆地的变化和进步。
大数据所具有的海量数据的特质促进了计算机科学、信息科学、统计学等应用学科的飞速发展。与此同时，随着数据量的爆炸式增长，非结构化的数据和残缺的数据也随之增加，用传统的方式处理大数据会极大地损失数据中蕴含的价值。
当前，人工智能的发展集中体现在机器学习上。机器学习的两种重要方式——监督学习和无监督学习——均需要大数据的“喂养”。监督学习是机器学习的有效手段之一。监督学习过程中需要把有标注的样本“喂”给机器，而有标注的样本来自大数据，从这个意义来看，人工智能需要大数据。以深度学习为例，数据量越多，效果就越好。无监督学习则从海量数据中学习统计模式来解决问题，同样离不开大数据。
那么，是否数据越多，是否有标注的样本越多，效果就越好呢？有学者在图像的目标检测任务上进行了相关研究（参见图引-4），得到的结论是：一方面，随着训练数据的扩展，任务性能呈对数增长，即使训练图片规模达到3亿张，性能的上升也没有出现停滞；而另一方面，对数增长也意味着当数据量达到一定程度后，模型性能的提升效果就不再显著。
当前人工智能发展的另一个重要体现是大规模知识工程技术。知识工程是以构建专家系统为核心内容的学科，旨在利用专家知识解决问题。进入互联网时代之后，大规模开放性应用需要大规模的简单知识表示。知识图谱就是这样的知识表示，其本质是一个大规模语义网络，包含实体、概念及其之间的各类语义关系。
知识图谱的诞生使得知识工程迈入了大数据时代。传统工程依赖专家进行知识获取所导致的瓶颈被突破了，前所未有的算力、算法和数据的“汇聚”，使得大规模自动化知识获取成为可能。从互联网数十亿文本当中，利用自动抽取模型，可以自动获取数亿计的结构化知识。互联网时代的高质量UGC（用户贡献内容），比如问答、论坛、维基等为自动化知识获取提供了大量优质的数据来源。与大数据共生的众包平台，使得我们可以更有效地利用闲散的人力资源。正是在这些机会的合力作用下，人类从小规模知识时代迈进了大规模知识时代。知识图谱有望引领知识工程的复兴。更多的知识表示形式会在大数据的赋能下，解决更多的实际问题（参见图引-5，这是与一位足球明星有关的知识图谱）。
人工智能的第三次发展浪潮很大程度上是由大数据推动的，没有大数据的滋养，人工智能很难在当下取得突飞猛进的进步。当前人工智能的很多成功应用都发生在数据丰富的场景，如图像识别在准确率上的突破得益于大量普及的摄像头所采集的海量图像数据等。
2. 人工智能与算力
算力即计算能力。算力的显著增长，体现在计算机的数据存储容量和数据处理速度的快速提升（参见图引-6、图引-7），均呈现出指数增长的趋势。我国的超级计算机“神威·太湖之光”的持续性能为9.3亿亿次/秒，峰值性能可以达到12.5亿亿次/秒。算力的快速增长，一方面是由于摩尔定律（计算机硬件每隔一段时间便会翻倍升级）持续发挥作用，使得单体计算元器件的计算性能在增长。另一方面，以云计算为代表的性能扩容等技术也在持续发展。云计算能够将大规模廉价机器组织成高性能计算集群，提供匹配甚至远超大型机的计算能力。
人工智能的飞速发展离不开强大的算力。在人工智能概念刚刚被提出的时候，由于其计算能力的受限，当时并不能完成大规模并行计算与处理，人工智能系统能力比较薄弱。但是随着深度学习的流行，人工智能技术的发展对高性能算力提出了日益迫切的需求。深度学习主要以深度神经网络模型为学习模型，深度神经网络是从浅层神经网络发展而来的。深度学习模型的训练是个典型的高维参数优化问题。深度神经网络模型具有多层结构，这种多层结构带来了参数的指数增长。以BERT（BidirectionalEncoderRepresentationfromTransformers）为代表的语言模型多达3亿参数，最新的世界纪录是Nvidia训练出包含83亿参数的语言模型（2019年8月）。以BERT的3亿参数的模型训练为例，研发团队共消耗了16块云TPU（张量处理单元）近4天时间才能训练完成，其中每块云TPU能提供180TFLOPs（1TFLOPs意味着每秒1万亿次的浮点运算能力）算力和64GB内存。
国家间的人工智能之争已经在很大程度上演变为算力之争。华为公司推出的一系列AI计算芯片在一定程度上推动了我国人工智能发展的算力的提升。
3. 人工智能与算法
算法是计算机解决问题或者执行计算的指令序列。很多数学模型在具体运行时往往需要实现相应的算法，算法与模型已经成为人工智能发展的重要支撑。人工智能的相关算法类型众多，涉及搜索、规划、演化、协同与优化等一系列任务。当下，人工智能领域的快速发展尤为明显地体现在一系列新颖算法和模型的发展，特别是以深度学习为代表的机器学习算法的快速发展。机器学习是一种从观测数据（样本）中寻找规律，并利用学习到的规律（模型）对未知或无法观测的数据进行预测的方法。随着数据量的急剧增加，从大数据中发现统计规律，进而利用这些统计规律解决实际问题变得日益普遍。
当前大多数机器学习的本质是统计学习，即通过历史标注数据来拟合构建学习模型。以经典的线性回归为例，线性回归旨在从样本习得一个合适的线性映射f，使得对于输入变量x，经过
后能够得到正确的输出变量y。假设我们有房屋面积与价格之间的历史数据（比如表引-1所示，第一列表示60米2的房屋价格为300万，其他列以此类推）。这里的每一对房屋面积和价格数据（
）就是一个样本，所有样本的集合为（
），（
），…，（
）。显然我们关心的是根据房屋面积预测房屋价格。房屋面积
就是输入变量或者解释变量，房屋价格
是我们需要预测的变量，是输出变量，或称响应变量。从这些样本数据学习到的房价与房屋面积之间的关系，可以表示为一个函数f（每个输入产生确定的唯一的输出）。f接收某个房屋面积作为输入，预测相应的价格作为输出。例如，对于表格中不存在的85平方米的房屋，通过f函数我们就可以预测其价格。
为了学习房屋面积与房屋价格之间的函数关系，一种常见的学习方法是最小二乘法。首先假定f是简单的线性函数形式，也就是f(x)=a+bx，其中a，b是参数。所谓确定f的函数形式，就是确定a和b两个参数的具体值。因此对f的学习，就转换为对a和b两个参数的学习问题。很显然，如果f是一个好的函数，就应该尽可能与当前已经观测到的样本一致，也就是f（60）应该尽可能接近300万的真实价格。将这一期望推广到所有已观测样本，就有了如下的误差函数：
直观的理解是希望求得的线性函数（红色的直线）所预测的价格与实际价格累计平方误差最小。可以通过偏导数求得上述误差函数最小化时的参数a与b。根据求得的参数a与b，就可以完全确定函数f，从而可以根据任意面积进行房价预测（参见图引-8）。机器学习有着很多任务，上述线性回归只是最简单的一类。如果f是非线性函数，那么就是非线性回归问题。房价是一个连续数值，在有些任务中要预测的是一个离散量。例如，根据体温、血液指标等预测病人是否得了感冒（只需要判断是否感冒这两种情况），此时的机器学习问题就变成了分类问题。此外，我们经常需要对数据进行聚类，比如将客户自动聚类，从而分为不同人群。除了这些具体的问题模型外，机器学习还涉及众多算法，完成不同的任务，比如K近邻分类算法、基于“决策树”的分类算法、基于“支持向量机”的分类算法、K均值聚类算法、基于PCA的降维算法、基于梯度下降和进化算法的参数学习算法（如线性回归中的参数最优化学习）等。
回 顾｜“AI是什么网文怎么办——人工智能时代的语言算法和网文写作”高峰论坛
以下文章来源于北京大学文学讲习所 ，作者北大文学讲习所
无论愿否，人类将进入人工智能（AI）时代。AI的底层逻辑是什么？什么是它的基本“语法”？在碳基生命和硅基文明的交汇面，人机如何共生？机器如何写作？人类又该如何写作？尤其是网文写作，会死掉，还是会新生？
6月18日下午，“AI是什么？网文怎么办？——人工智能时代的语言算法和网文写作”高峰论坛在北京大学中文系召开。四位人工智能领域大咖专家和思维网络文学青年研究者齐聚燕园，就人工智能时代的诸多议题分享新知、碰撞思想、交流感悟，展望了未知新世界的前景，拓展了网文写作的更多可能。本次论坛也是北京大学第一届全国网络文学高级研修班的结业课程。
论坛现场，北京大学第一届全国网络文学高级研修班的学员们
论坛伊始，北京大学中文系教授、北京大学文学讲习所副所长、北京评协新媒体文艺评论委员会主任邵燕君致欢迎辞，她说：“我一直想送我们第一届学员朋友朋友们一个礼物，就是一堂我自己迫切想听的课，这个礼物兰珺为我们送到了。秦兰珺是中国艺术研究院副研究员，也是中国艺术研究院大名鼎鼎的青年艺术论坛的负责人，她召集组织了很多场高思想含量的文艺论坛，她本人刚刚出版的《编码日常——大众软件批判》，是关于网络媒介环境底层逻辑最前沿的学术探索。所以，准确地说，今天，我送给大家的礼物是秦兰珺，秦兰珺送给大家的礼物是这场高峰论坛。她为我们请来了四位目前在AI科技界活跃的大咖：路绪清老师、刘培源老师、饶高琦老师和耿弘明老师，再加上傅善超、高寒凝、王玉玊、李皓颖这四位我们北大网络文学研究团队热衷在此方向上探索的年轻学者。此时此刻，冒着近40度的高温，我们济济一堂，高峰论剑。我简单粗暴地扔给兰珺的问题是：AI是什么？网文怎么办？下面我把话筒交给她，这次论坛由她主持。”
邵燕君教授向学员们介绍主持人秦兰珺博士
论坛主持人秦兰珺博士首先特别介绍：本次论坛贴出了八张海报，“并不是北大财大气粗”，而是由嘉宾刘培源和耿弘明两位老师训练AI生成的，“我们真是来到一个人机共生的时代”。她希望今天这场“面向未知、面向未来”的分享能探索“网络文学要死掉，还是要新生”等话题，打开新世界的大门。
秦兰珺博士
上半场：人工智能时代的语言和文学
论坛上半场的主题是“人工智能时代的语言和文学”，四位与会专家从各自的专业出发，带来了他们对大模型、语言算法和文学写作等问题的最新思考，赋予了未来“人机共生”的无限可能。
路绪清（人工智能和大数据专家、原智源悟道CEO、集异璧科技有限公司创始人）首先从集异璧的启示出发，分享了他对大模型初起、路径与想象力的看法。《哥德尔、艾舍尔、巴赫——集异璧之大成》（集异璧——GEB，即哥德尔、艾舍尔、巴赫三个名字的首字母）是美国学者侯世达所著的科普著作，引人入胜地介绍了数理逻辑学、人工智能学、语言学、遗传学、音乐、绘画等多方面知识。路绪清指出，大家不必因以大模型为代表的人工智能的出现而恐慌，因为有集异璧为之划定界限。图灵停机问题和哥德尔不完备定理都证明了，计算机作为抽象系统，有它不可解决的问题——拥有终极的和人一样的智能。要产生智能首先要具备智能，这是一个逻辑悖论，所以计算系统无法替代人。随后，路绪清回顾了人工智能技术的发展史，回答了AI是什么这个问题。在他看来，一切都是概率，人工智能给我们的答案都是算出来的，背后是海量参数和长久的大规模集群训练，在本质上它并没有人类的逻辑思维能力。
尽管如此，我们也不能否认大模型所具有的划时代意义：首先，它真正实现了意图识别，同时可以按照一定的逻辑和风格输出结果；其次，它成为了记录、传承、创造知识的新载体，能有效提高人类群体协作时对知识的处理效率；再次，它提供了人机交互的新范式，兼具模型的通用理解力与规模化处理能力；最后，它会成为人类新的生产力工具，对社会发展具有革命性影响。路绪清预测，人工智能发展的终局或许是人类和机器人的二元对立统一，人类创造新知识反馈给机器，机器则帮助人类更好地生活发展。
路绪清：集异壁的启示——大模型初起，路径与想象力
《哥德尔、艾舍尔、巴赫——集异璧之大成》
路绪清演讲时提到人工智能的“能力随模型量级涌现”，那么，究竟何为“涌现”？语言又如何“涌现”呢？刘培源（集智俱乐部）就探讨了“复杂科学和语言涌现”这一话题。他介绍道，诺贝尔物理学奖得主菲利普·安德森曾发表过一篇名为《多者异也》（MoreIsDifferent）的文章，文中明确了“涌现”的概念。“涌现”指一个系统中个体间预设的简单互动行为所造就的无法预知的复杂样态的现象，与传统的还原论相对立，在理解复杂系统中起着重要作用。为了便于理解，刘培源举黏菌为例，黏菌没有大脑和神经系统，但在培养皿上仿照东京周边城市放置食物，它们就会在这些食物点之间自发形成与东京路网十分类似的传输通道，这意味着黏菌在集体层面上涌现出一种智能。
复杂科学就是研究复杂系统普遍规律的学科，要求人们从不同视角观察系统并进行跨尺度思考，其中最重要的范式就是网络思维。通过展示航空网络、贸易网络和人际关系网络的组成结构，他指出，复杂系统中的不均匀性普遍存在，最典型的就是二八定律和幂律分布，语言系统其实也符合幂律分布，因此达到某一阈值之后会发生突变，亦即产生“涌现”，当下的大模型已经突破了这个阈值，所以会给人带来极大挑战。不过，刘培源在最后呼吁，“我们不要拘泥于这个工具对人类有什么影响，而是要更加深入地进入场景里体验，批判性少一点，体验性更多一点”，毕竟，“人有人用、机有机用”。
刘培源：复杂科学与语言涌现
刘培源用AI生成论坛海报
面对发展如此迅猛的人工智能，人类要何以自处又何以与之共处？饶高琦（北京语言大学助理研究员）以“大模型的治理和伦理：人机共生的语言生活”为主题，从人机共生的语言生活、大模型治理的理念、大模型治理的理想原则和大模型治理的现实原则四个方面分享了自己的见解。在ChatGPT等大规模语言模型已经进入人们日常生活的大背景下，人机共生的语言生活已经成为现实，所以关键不在于人机如何竞争，而是如何更好地共生。
饶高琦指出，尽管大模型目前仍存在结构化、模式化、同质化等缺点，主要表现为简单信息和材料的拼贴，但已经将舆论制作的水平从“汉阳造”提升到了“加特林”级别，若不加限制地应用，会放大人类语言生活中的顽疾，并可能在多个领域产生现实损失及伦理焦虑。因此，他强调了大模型治理的重要性，并介绍了治理理念及其理想原则与现实原则。他最后总结道：“语言智能的发展秉承以人为中心的发展观，不断向更深层次与更广范围的人机互助、人机共处前进，使之成为进一步提升人类语言能力和沟通能力、凝聚社群心灵、融会世界知识的工具，最终助力人类命运共同体的形成。”
饶高琦：大模型的治理和伦理
饶高琦介绍prompt要领
在三位“理工男”之后，耿弘明（清华大学人文学院讲师）站在人文学者的立场上，以“叙事巫师的机械大脑”为喻，从文学理论、人工智能技术和网络文学创作三个方面探讨了机器写故事的可能性和挑战。他首先介绍了二十世纪结构主义叙事学、好莱坞编剧理论和人工智能早期符号流派的同频共振，指出它们都基于一个仓库模型，即通过存储、分类和取用各种故事元素，来实现故事的自动化生成。然而，这种模型面临着情节库的复杂性和逻辑库的直觉性两大难题。
随后，他介绍了近年来基于人工神经网络的概率计算模型，说明了它如何通过大量数据的训练和优化，来实现诗歌等短文本的生成。但是，他也指出了这种模型在小说生成中的局限性，因为小说作为长文本，在输入输出和计算复杂度、知识推理需求以及语境关联性等方面的要求都比诗歌更高。最后，他展示了一些利用ChatGPT进行海报设计和小说创作的实例，讨论了人机共生创造力（DistributedHuman-ComputerCo-creativity）的概念和前景，认为未来的人与机器是互相学习、互相提高、互相调整的朋友竞争关系，而不是单方面的工具使用关系。他以此呼吁广大网络文学创作者和研究者积极参与到人工智能时代的故事创作中，迎接新的挑战，探索新的可能性。
耿弘明：叙事巫师的机械大脑
耿弘明用ChatGPT生成的小说人设和段落
路绪清分享时，曾以一句“未名湖畔遇知音”为例介绍大模型的概率本质。上半场的最后，刘培源分享了他在现场训练ChatGPT以此句为基础写就的一首七言诗：
倚窗眺望书海深，笔墨飞扬舞意寻。
曾过江湖无别友，未名湖畔遇知音。
（前两句为ChatGPT生成，第三句为刘培源自己创作）
下半场 人工智能时代的网络文学
论坛下半场的主题为“人工智能时代的网络文学”，四位网络文学研究者试图回答“人工智能时代人如何写作”的问题，将讨论话题推向了纵深。
傅善超（北京大学中文系博士）从东浩纪提出的“想象力环境”这一概念出发做了反思，探讨了现实主义、轻小说、网络文学与人工智能之间的关系。他首先介绍了东浩纪在《游戏性写实主义的诞生》一书中提出的“想象力环境”的概念，即文学创作和消费背后的“公共性”。东浩纪认为，想象力环境制约作家的表现，限制作品的消费形态，其改变的根本关键点是传达的效率。在傅善超看来，东浩纪的提法有一些不足之处，比如混淆了现实主义与自然主义，并且在最后与现实主义和解，没有挖掘出“想象力环境”这一宏大概念的更大潜力。所以他试图从《神曲》这一古典作品出发，重新审视想象力环境的概念。
在深入分析《神曲》背后基督教的想象力环境后，傅善超重新定义了“何为想象力环境”：角色、形象、叙事装置套路等文本要素得以共存的背景以及对叙事意义的最终保障。如果从具有想象力环境结构来说，把《神曲》追溯为现实主义小说/轻小说/网络文学/同人写作的共同祖先，那么它们的分化方向是什么？傅善超回答道，比较的方式有很多种，他更关注的是“可能和潜能的差别”。可能的背后是一个确定的集合，潜能则是一种生成不包含于既有可能的状态，对于潜能来说，是否现实化非常重要，因为现实化会充实、改变潜能本身的内容。现实主义小说以“可能的偶然”显现现实真理，轻小说/网络文学/同人写作则用“想象力环境”不断将要素之间的连接与冲突的潜能生成叙事文本。他进一步将想象力环境与大语言模型进行类比，指出大语言模型也是一种潜能性的装置，它依赖于属性资料库和训练机制，而不仅仅是语料本身。他认为这对于理解网络文学有不小的启发，也为未来的研究提出了一个值得探索的方向。
傅善超：何为“想象力环境”
东浩纪《游戏性写实主义的诞生》
但丁《神曲》
在语言问题之外，高寒凝（中国社会科学院文学所网络文学研究室助理研究员）聚焦于当下的亲密关系变化问题，分享了她对“罗曼蒂克2.0和亲密关系劳动自动化”的见解。“罗曼蒂克2.0”是高寒凝在博士论文中提出的主要概念，是传统浪漫之爱（即“罗曼蒂克1.0”）在当下的更新迭代版本，主要表现为亲密关系的“虚拟化”和“商品化”。她认为，尽管女性向网络亚文化的多种形式，如女性网络小说、偶像粉丝文化、游戏等普遍具有可复制性，但这些东西背后共享一套公共的仪式，就是制造和消费亲密关系想象，这些作品的共通点就是都凝结着无差别的亲密关系劳动。
她进一步借鉴伊娃·易洛思在《爱，为什么痛？》中的论述，提出亲密关系想象是被制度化和编码化的，而亲密关系想象的制度化和亲密关系劳动的制度化一脉相承。就像工业生产一旦制度化、标准化、流水线化，最终就会走向自动化一样，高寒凝认为，“亲密关系劳动总有一天也会走向自动化”，并展示了ChatGPT模拟人类抚慰对话者的例证。
高寒凝：罗曼蒂克2.0与亲密关系劳动的自动化
高寒凝展示ChatGPT模拟人类抚慰对话者王玉玊（中国艺术研究院副研究员）主要探讨了（数码）人工环境中的网文写作，从软件、媒介、设定等方面分析了机器对文学创作的影响和挑战。“橙瓜码字”软件能为作者提供自动排版、随机起名、敏感词检测、细节描写等多种辅助功能，已经成为许多网文作者必备的助手。从“橙瓜码字”入手，王玉玊指出，在当下的写作领域，机器已经可以帮助作者实现一些机械性、规范性、重复性的写作任务。但她同时强调，人类的创造力和主体性仍然是不可替代的，既可以体现在一个字一个字打出情节，也可以体现在面对机器生成的无数可能做出自己的判断和选择。
王玉玊的博士论文《编码新世界——游戏化向度的网络文学》提及目前的网文创作有模组化和数据库的倾向，这种创作方式来源于（数码）人工环境的底层逻辑，也受到大数据算法和商业消费逻辑的影响。她用萌要素这个概念来说明，网文中的人物设定和世界设定是由各种欲望凝结核构成的，这些欲望凝结核既有公共性又有私人性，既有肯定性又有否定性，既有稳定性又有流变性。她认为，基于设定的叙事是“一种以肯定的形式存在的当代反讽”，“以极致的笃定包裹着极致的反讽”。她表示，未来自己会就设定叙事与现实的关系，以及如何处理“无物是真”与“一切皆真”的关系展开更多研究。
王玉玊：（数码）人工环境中的网文写作
王玉玊《编码新世界：游戏化向度的网络文学》
在主题演讲环节最后，李皓颖（北京大学艺术学院研究生、北京大学网络文学论坛创作研究组负责人）分享了她和创研组在私人定制小说创作与AI的合作写作方面的一些经验和探索。“哔哔打文”是创研组常年举办的一项非商业创作交流活动，灵感来源于“滴滴打车”，具体流程是读者向作者提供大纲或梗，作者根据读者的需求私人定制一篇小说，读者再给予长评和反馈。
2021年时，“哔哔打文”活动与续写AI“彩云小梦”合作，小梦以自己生成的开头作为“订单”，作者与小梦交替完成全文，实现了人与人工智能协作写作的一次尝试。李皓颖分析了小梦在续写方面的优势和局限，比如小梦可以延伸场景细节、开新话题、创造转折性情节，但是也可能出现一些逻辑错误、设定混乱、重复转折等问题。最后，李皓颖提出了一些值得思考的问题，比如AI是作者的竞争者还是辅助者？使用AI是为了批量生产还是灵感来源？当进入共创时代，创作交流的模式会发生什么样的变化？她希望能够与在场的研究者进行更多的交流和探讨。
李皓颖：私人订制的小说创作以及与AI的合作（以创研组哔哔打文以及和彩云小梦的合作为例）
李皓颖展示“哔哔打文”成果
主题演讲结束后，与会专家还与在座学员围绕着中国的人工智能发展速度、AI的版权风险等话题进行了的互动交流。邵燕君总结道，正如麦克卢汉所言，所有媒介都是人的延伸，既然人不能拒绝轮子代替腿，那么今天也就别想拒绝ChatGPT对人的延伸，“人机共生肯定是未来必然的道路。问题是怎么共生、怎么共建”。她希望经由这场论坛、这次课程，大家能交到更多朋友，彼此破壁、共同进步，“在这个过程之中发展我们的兴趣，进一步推动未来的事业进步”。
研修班学员认真听取专家分享
学员与专家互动交流
邵燕君教授总结
本次论坛由北京大学中文系、北京大学文学讲习所、北京评协新媒体文艺评论委员会共同主办。北京评协驻会副主席、秘书长赖洪波博士坚持以普通一员的身份认真听课，最后，她在简短的致辞中说：“我觉得每一个热爱网络文学、从事这个行业的人，要形成合力，真正从内心推动这个领域发展，才能让网络文学充满生机。今天在研修班上我看到了这样的信心和希望，在大家共同努力下，这一块充满活力的领域肯定会发展得更好。”
赖洪波致辞
全体与会专家在贴有论坛海报的会议室门口合影留念
（备注：本文在ChatGPT和NewBing的协助下完成）
撰稿：鲁沛怡
摄影：陈晓彤