人工智能导论练习题（上）
文章目录@[toc]练习题一一、选择题二、填空题三、简答题练习题二一、选择题二、填空题三、判断题四、简答题练习题三一、选择题二、填空题三、判断题四、简答题练习题四一、选择题二、填空题三、判断题四、简答题练习题一一、选择题1.【多选题】认识智能的观点有（ABC）
A.思维理论
B.知识阈值理论
C.进化理论
D.行为理论
2.【多选题】思维方式有（ACD）A.抽象思维
B.逆向思维
C.形象思维
D.灵感思维
3.【多选题】人工智能研究的领域包括（ABCD）A.符号智能
B.计算智能
C.机器学习
D.机器感知
4.【多选题】智能包含的能力有（ABCD）A.感知能力
B.记忆和思维能力
C.学习和自适应能力
D.行为能力
5.【单选题】图灵测试是图灵在（B）年在论文中《计算机与智能》中提出的
A.1956B.1950C.1946D.1940
6.【多选题】机器学习包括（ABC）A.监督学习B.强化学习C.非监督学习D.群体学习
7.【单选题】AI的诞生是在（A）A.1956年
B.1950年
C.1957年
D.1958
8.【多选题】参加达特茅斯会议的有（ABCD）A.麦卡锡
B.明斯基
C.香农
D.洛切斯特
9.【单选题】（D）提出“知识工程”概念
A.纽厄尔、西蒙
B.塞缪尔
C.明斯基D.费根鲍姆
10.【多选题】人工智能的三大学派是（ABC）A.符号学派B.联结学派C.行为学派D.统计学派
11.【单选题】专家系统是（A）学派的成果
A.符号学派B.联接学派C.行为学派D.统计学派
12.【单选题】神经网络是（B）学派的成果
A.符号学派B.联接学派C.行为学派D.统计学派
13.【单选题】人工智能是指（C）A.自然智能B.人的智能C.机器智能D.通用智能
二、填空题1.图灵测试是目的是验证机器是否有智能
2.中文屋子实验是为了证明即使通过图灵测试也不能说明计算机能思维
3.人工智能的近期目标研究如何使计算机去做那些靠人的智力才能做的工作
4.人工智能的终极目标是探讨智能形成的基本机理,研究利用自动机模拟人的思维过程
5.“人工智能”术语的提出是在达特茅斯会议
6.麦卡锡正式提出“人工智能”概念，被称为人工智能之父
三、简答题1.简述人工智能的研究现状与最新的研究成果。
(1)专用人工智能取得突破性进展，专用人工智能在机器人领域、机器翻译领域、人脸识别领域、虹膜识别领域和图像篡改检测等领域取得成功应用。(2)统计学习成为人工智能走向实用的理论基础,深度神经网络与强化学习的结合,构建生成器模型与判别器模型，仿生学,类生命机器人，通过生命系统与机电系统在细胞和分子尺度上的融合,实现感知、思维、能量转换和驱动的新一代机器人系统。
2.什么是机器感知？
使机器(计算机)具有类似于人的感知能力。以机机器视觉(machinevision)与机机器听觉为主
3.20世纪60年代末，人工智能陷入低潮，是因为什么？
①在博弈方面，塞缪尔的下棋程序在与世界冠军对弈时，5局中败了4局。②在定理证明方面，鲁滨逊归结法的能力有限。当用归结原理证明”两个连续函数之和还是连续函数”时，推了10万步也没证明出结果。③在问题求解方面，由于过去的研究-般针对具有良好结构的问题，而现实世界中的问题多为不良结构，如果仍用那些方法去处理，将会产生组合爆炸问题。④在机器翻译方面，原来人们以为只要有一-本双解字典和一-些语法知识就可以实现两种语言的互译，但后来发现并不那么简单,甚至会闹出笑话。例如，把"心有余而力不足"的英语句子"Thespiritiswillingbutthefleshisweak"翻译成俄语，再由俄语翻译成英语时竟变成了“酒是好的，肉变质了”，即英语句子为”Thewineisgoodbutthemeatisspoiled"。⑤在神经生理学方面，研究发现人脑由10"一l0.个神经元组成，按当时的技术条件用机器从结构.上模拟人脑是根本不可能的。对单层感知器模型，明斯基出版的专著《Perceptrons》中指出了其存在的严重缺陷,致使人工神经网络的研究落入低潮。⑥在人工智能的本质、理论、思想和机理方面,人工智能受到了来自哲学、心理学、神经生理学等社会各界的责难、怀疑和批评。
4.什么是知识表示？
（1）知识表示是指把知识客体中的知识因子与知识关联起来，便于人们识别和理解知识。知识表示是知识组织的前提和基础，任何知识组织方法都是要建立在知识表示的基础上，知识表示有主观知识表示和客观知识表示两种。（2）知识表示就是对知识的描述，即用一些约定的符号把知识编码成一组可以被计算机直接识别，并便于系统使用的数据结构。
（3）将人类知识形式化或者模型化。
5.什么是人工智能学科？
一门研究如何构造智能机器(智能计算机)或智能系统，使它能模拟、延伸、扩展人类智能的学科。
6.什么是强人工智能与弱人工智能？
（1）强人工智能:有可能制造出真正能推理和解决问题的智能机器，并且它将被认为是有知觉的，有自我意识的，分为类人的人工智能、非类人的人工智能。（2）弱人工智能:不可能制造出能真正地推理和解决问题的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。
练习题二一、选择题1.【单选题】当P为F，Q为F，R为T时，（P∨Q）↔R的真值是（B）
A.TB.FC.不确定
2.【多选题】以下那些统称为项（ABC）A.个体常量
B.变元
C.函数
D.谓词
3.【单选题】以下（D）连接词叫蕴含A.↔
B.∨
C.∧
D.→
4.【单选题】连接词的优先级（A）
A.﹁∧∨→↔
B.∧∨→↔﹁
C.→↔﹁∧∨
D.﹁∨∧→↔
5.【多选题】以下关于谓词公式说法正确的是（ABCD）A.单个谓词是谓词公式
B.A,B是谓词公式，则﹁A，A∧B，A∨B，A→B也是谓词公式
C.A,B是谓词公式，则有("x)A，($x)A也是谓词公式
D.有限步应用上述过程生成的公式也是谓词公式
6.【单选题】通过一组符号及其组合来描述事物的是（A）
A.数据B.信息C.知识D.文字
7.【多选题】知识的特点有（ABCD）A.相对正确性B.不确定性C.可表示性D.可利用性
8.【多选题】知识按功能来分类，可以分为（ABCD）A.事实性知识
B.过程性知识
C.控制性知识
D.元知识
9.【多选题】经典逻辑分为（AB）
A.命题逻辑B.一阶谓词逻辑C.多值逻辑D.模糊逻辑
10.【多选题】知识表示方法的类型，按知识的不同存储方式来分，可分为（BC）A.索引性知识B.陈述性知识C.过程性知识D.结构性知识
11.【多选题】谓词的个体可以是（ABCD）A.常量
B.变元
C.函数
D.谓词
12.【单选题】Greater(5,3)是（B）元谓词A.1B.2C.3D.4
13.【单选题】Teacher(father(Zhan))的个体是（C）A.常量B.变量C.函数D.谓词
14.【单选题】二阶谓词的个体是（D）A.常量B.变量C.函数D.谓词
二、填空题1.设D是个体域，f：Dn→D是一个映射，其中Dn={(x1,x2,…,xn)|,x1,x2,…xnD},谓词是Dn到{T，F}的映射，函数是Dn到D的映射
2.个体变元的取值范围称为个体域，它可以是无限集
3.当P与Q为F，R为T时，（P∨Q）→R的真值是T
4.信息是对数据的解释，在特定场合下的具体含义
5.知识按作用范围分类，可以分为常识性知识与领域性知识
6.逻辑分为经典逻辑与非经典逻辑
7.一个命题在同一条件下不能同时既为真又为假
8.命题由谓词表示，它由谓词名和个体组成
9.个体的数目称为谓词的元数
10.约束变元是辖域内与量词中同名的变元
11.位于量词后面的原子谓词或者用括号括起来的谓词公式称为该量词的辖域
三、判断题1.（T）数据是记录信息的符号，是信息的载体和表示
2.（T）有关信息关联在一起所形成的信息称为知识
3.（F）信息是人类在长期的生活及社会实践、科学研究及实验中积累的认识与经验
4.（F）知识表示是对知识的描述，即用一组符号把知识编码成计算机可以接受的某种结构。其表示方法是唯一的
5.（T）知识按确定性分类，可分为确定性知识与不确定性知识
6.（T）“太阳每天从东方升起”是一个命题
7.（T）一个命题可在一定条件下为真，而在另一条件下为假
8.（F）没有真假意义的陈述句是命题
9.（T）谓词名一般用具有意义的英文单词表示，或英文字母表示，也可以用其他符号，甚至中文表示。
10.（F）“明天会下雨”是一个命题
11.（T）谓词与函数的区别是谓词的真值只有真与假，而函数的值（非真值）可能有多个。
12.（T）与量词辖域内不同名的变元称为自由变元
四、简答题1.传统的知识表示方法有那些(列举6个)？
（1）非结构化方法:一阶谓词逻辑、产生式规则（2）结构化方法:语义网络、框架（3）其它方法:状态空间法、问题归约法
2.数据、信息与知识的关系是什么？
（1）数据是记录信息的符号,是信息的载体和表示;信息是对数据的解释,在特定场合下的具体含义（2）把有关信息关联在一起所形成的信息称为知识（3）有格式的数据经过处理、解释过程会形成信息，有关的信息关联到一起，经过处理过程形成知识
3.请用一阶谓词知识表示法表示下列知识
（1）所有的人都喜欢的一种游戏
（2）对于所有自然数，均有x+y>x
（3）某些人对某些食物过敏
（4）不存在最大的整数
练习题三一、选择题1.【单选题】消去存在量词时，当（B）时，用skolem函数
A.存在量词未出现在全称量词的辖域内时
B.存在量词出现在全称量词的辖域内时
C.以上情况都需要D.以上情况都不需要
2.【多选题】判断下列子句集中哪些是不可满足的（ABDF）
A.{¬P∨Q,¬Q,P,¬P}
B.{P∨Q,¬P∨Q,P∨¬Q,¬P∨¬Q}
C.{P(y)∨Q(y),¬P(f(x))∨R(a)}
D.{¬P(x)∨Q(x),¬P(y)∨R(y),P(a),S(a),¬S(z)∨¬R(z)}
E.{¬P(x)∨Q(f(x),a),¬P(h(y))∨Q(f(h(y)),a)∨¬P(z)}
F.{P(x)∨Q(x)∨R(x),¬P(y)∨R(y),¬Q(a),¬R(b)}
二、填空题1.设C1与C2是子句集中的任意两个子句，且C1中的文字L1与C2中的文字L2互补，令：C12={C1-L1}∨{C2-L2}，则称C12为C1与C2的归结式
2.若P是原子谓词公式，则称P和～P为互补文字
3.鲁宾逊归结原理应用反证法，即欲证明P→Q，只要证明P和非Q的合取为F
三、判断题1.（F）
2.（F）
3.（T）若C12是子句集S中C1、C2的归结式，则用C12代替C1、C2后得到的新子句集S1不可满足，则S也不可满足
4.（T）归结式是其亲本子句的逻辑结论
5.（F）任何文字的合取式称为子句
6.（T）从初始证据出发，按某种策略不断运用知识库中的已知知识，逐步推出结论的过程称为推理
7.（T）谓词公式不可满足的充要条件是其子句集不可满足
8.（F）空子句是可以满足的
9.（F）对于一阶谓词逻辑，如果没有归结出空子句，则说明原谓词公式是不可满足的
10.（T）对于一阶谓词逻辑，若子句集是不可满足的，则必存在一个从该子句集到空子句的归结演绎
11.（T）若C12是子句集S中C1、C2的归结式，若将C12加入到S中后得到的新子句集为S2，则S不可满足的充要条件是S2不可满足
四、简答题1.
2.
3.
4.
练习题四一、选择题1.【多选题】不确定性推理，包括（ABCD）A.主观Bayes推理
B.证据理论
C.模糊推理
D.概率推理
2.【单选题】是（C）A.假言三段论B.析取三段论C.假言推理D.拒取式
3.【多选题】按推理的逻辑基础分类，推理分为（ABC）A.演绎推理
B.归纳推理
C.默认推理
D.双向推理
4.【单选题】设P和Q是两个谓词公式，D是它们共同的个体域，若对于D上的任何一个解释P和Q都有相同的真值，则称P和Q在D上（D）A.永真B.永假C.不可满足D.等价
5.【单选题】对于谓词公式P，如果至少存在一个解释使得公式P在此解释下的真值为T，则称公式P是（C）A.永真的B.永假的C.可满足的
D.不可满足的
6.【单选题】是（B）A.结合律B.连接词化归律
C.分配律D.德•摩根律
7.【单选题】是（A）A.德.摩根律
B.吸收律
C.补余律D.结合律
二、填空题1.设个体域D={1,2}，求公式，设对个体常量b，函数f(x)指派的值分别为：b=2,f(1)=1,f(2)=2，对谓词P，Q：P(1)=F,P(2)=T,Q(1,2)=T,Q(2,2)=T，谓词的真值是T
2.P(y)
3.对于谓词公式P和Q，若P→Q永真，则称P永真蕴含Q
4.启发式知识是指与问题有关且能加快推理进程、求得问题最优解的知识
5.自然演绎推理是从一组已知为真的事实出发，直接运用经典逻辑的推理规则推出结论的过程
三、判断题1.（F）
2.（T）自然演绎推理与归结演绎推理属于确定性推理
3.（F）
4.（F）若谓词公式P对个体域D上的任何一个解释都取真值T，则称P是永真的
5.（T）永假性与不可满足是等价的
6.（F）
四、简答题1.什么是P规则，什么是T规则？
（1）P规则:在推理的任何步骤上都可引入前提。（2）T规则:推理时，如果前面步骤中有一个或多个公式永真蕴含公式S，则可把S引入推理过程中。
2.演绎推理与归纳推理的区别是什么？
（1）演绎推理所得出的结论实际上早已蕴含在一般性知识的前提中，演绎推理只不过是将已有事实揭露出来,因此它不能增殖新知识。（2）归纳推理由个别事物或现象推出一般性知识的过程，是增殖新知识的过程。
3.什么是推理策略中的冲突消解？
当事实可以匹配多条规则时，冲突消解解决那条土规则可以被激活。
4.用一阶谓词知识表示与自然演绎推理完成推理。
设已知如下知识：
（1）如果是需要编程序的课，王程就喜欢。
（2）所有的程序设计语言课都是需要编程序的课。
（3）C是一门程序设计语言课。
求证：王程喜欢C这门课。
下一篇>>人工智能导论练习题（下）
下一篇>>人工智能导论期末复习题
医学领域的人工智能
医学领域的人工智能是使用机器学习模型搜索医疗数据，发现洞察，从而帮助改善健康状况和患者体验。得益于近年来计算机科学和信息技术的发展，人工智能(AI)正迅速成为现代医学中不可或缺的一部分。由人工智能支持的人工智能算法和其他应用程序正在为临床和研究领域的医学专业人员提供支持。
目前，人工智能在医学领域中最常见的职责是临床决策支持和医学影像分析。临床决策支持工具可让医疗服务提供方快速访问与其患者相关的信息或研究，从而帮助他们制定有关治疗、用药、心理健康和其他患者需求方面的决策。在医学影像方面，人工智能工具可用于分析CT扫描、X射线、核磁共振影像以及其他影像，以找出人类放射科医师可能会错过的病变或其他检查结果。
新冠病毒疫情为众多医疗系统带来严峻挑战，而这也促使全球许多医疗卫生组织开始实地测试人工智能支持的新兴技术，比如旨在帮助监视患者的算法以及用于筛查新冠患者的基于人工智能的工具。
这些测试的研究和结果仍在收集过程中，且有关在医学领域应用人工智能的总体标准仍在制定过程中。但人工智能已经让越来越多的临床医生、研究人员以及他们所服务的患者从中受益。在这个角度来说，人工智能无疑将成为数字化医疗卫生系统的核心，为现代医学的形成和发展提供支持。
2023年人工智能十大技术进展
2020年即将过去，今年人工智能领域有哪些重大进展呢？下面，我们一起来看！
[[373266]]
进展1：OpenAI发布全球规模最大的预训练语言模型GPT-3
2020年5月，OpenAI发布了迄今为止全球规模最大的预训练语言模型GPT-3。GPT-3具有1750亿参数，训练所用的数据量达到45TB，训练费用超过1200万美元。对于所有任务，应用GPT-3无需进行任何梯度更新或微调，仅需要与模型文本交互为其指定任务和展示少量演示即可使其完成任务。GPT-3在许多自然语言处理数据集上均具有出色的性能，包括翻译、问答和文本填空任务，还包括一些需要即时推理或领域适应的任务等，已在很多实际任务上大幅接近人类水平。
进展2：DeepMind的AlphaFold2破解蛋白质结构预测难题
2020年11月30日，Google旗下DeepMind公司的AlphaFold2人工智能系统在第14届国际蛋白质结构预测竞赛(CASP)中取得桂冠，在评估中的总体中位数得分达到了92.4分，其准确性可以与使用冷冻电子显微镜(CryoEM)、核磁共振或X射线晶体学等实验技术解析的蛋白质3D结构相媲美，有史以来首次把蛋白质结构预测任务做到了基本接近实用的水平。《自然》(Nature)杂志评论认为，AlphaFold2算法解决了困扰生物界“50年来的大问题”。
进展3：深度势能分子动力学研究获得戈登·贝尔奖
2020年11月19日，在美国亚特兰大举行的国际超级计算大会SC20上，智源学者、北京应用物理与计算数学研究院王涵所在的“深度势能”团队，获得了国际高性能计算应用领域最高奖项“戈登·贝尔奖”。“戈登·贝尔奖”设立于1987年，由美国计算机协会(ACM)颁发，被誉为“计算应用领域的诺贝尔奖”。该团队研究的“分子动力学”，结合了分子建模、机器学习和高性能计算相关方法，能够将第一性原理精度分子动力学模拟规模扩展到1亿原子，同时计算效率相比此前人类最好水平提升1000倍以上，极大地提升了人类使用计算机模拟客观物理世界的能力。美国计算机协会(ACM)评价道，基于深度学习的分子动力学模拟通过机器学习和大规模并行的方法，将精确的物理建模带入了更大尺度的材料模拟中，将来有望为力学、化学、材料、生物乃至工程领域解决实际问题(如大分子药物开发)发挥更大作用。
进展4：DeepMind等用深度神经网络求解薛定谔方程促进量子化学发展
薛定谔方程是量子力学的基本方程，即便已经提出70多年，能够精确求解薛定谔方程的方法少之又少，多年来科学家们一直在努力攻克这一难题。2019年，DeepMind开发出一种费米神经网络(Fermionicneuralnetworks，简称FermiNet)来近似计算薛定谔方程，为深度学习在量子化学领域的发展奠定了基础，2020年10月，DeepMind开源了FermiNet，相关论文发表在物理学期刊PhysicalReviewResearch上。FermiNet是第一个利用深度学习来从第一性原理计算原子和分子能量的尝试，在精度和准确性上都满足科研标准，且是目前在相关领域中最为精准的神经网络模型。另外，2020年9月，德国柏林自由大学的几位科学家也提出了一种新的深度学习波函数拟设方法，它可以获得电子薛定谔方程的近乎精确解，相关研究发表在NatureChemistry上。该类研究所展现的，不仅是深度学习在解决某一特定科学问题过程中的应用，也是深度学习能在生物、化学、材料以及医药领域等各领域科研中被广泛应用的一个远大前景。
进展5：美国贝勒医学院通过动态颅内电刺激实现高效率“视皮层打印机”功能
对于全球4000多万盲人来说，重见光明是一个遥不可及的梦想。2020年5月，美国贝勒医学院的研究者利用动态颅内电刺激新技术，用植入的微电极阵列构成视觉假体，在人类初级视皮层绘制W、S和Z等字母的形状，成功地能够让盲人“看见”了这些字母。结合马斯克创办的脑机接口公司Neuralink发布的高带宽、全植入式脑机接口系统，下一代视觉假体有可能精准刺激大脑初级视觉皮层的每一个神经元，帮助盲人“看见”更复杂的信息，实现他们看清世界的梦想。
进展6：清华大学首次提出类脑计算完备性概念及计算系统层次结构
2020年10月，智源学者，清华大学张悠慧、李国齐、宋森团队首次提出“类脑计算完备性”概念以及软硬件去耦合的类脑计算系统层次结构，通过理论论证与原型实验证明该类系统的硬件完备性与编译可行性，扩展了类脑计算系统应用范围使之能支持通用计算。该研究成果发表在2020年10月14日的《自然》(Nature)期刊。《自然》周刊评论认为，“‘完备性’新概念推动了类脑计算”，对于类脑系统存在的软硬件紧耦合问题而言这是“一个突破性方案”。
进展7：北京大学首次实现基于相变存储器的神经网络高速训练系统
2020年12月，智源学者、北京大学杨玉超团队提出并实现了一种基于相变存储器(PCM)电导随机性的神经网络高速训练系统，有效地缓解了人工神经网络训练过程中时间、能量开销巨大并难以在片上实现的问题。该系统在误差直接回传算法(DFA)的基础上进行改进，利用PCM电导的随机性自然地产生传播误差的随机权重，有效降低了系统的硬件开销以及训练过程中的时间、能量消耗。该系统在大型卷积神经网络的训练过程中表现优异，为人工神经网络在终端平台上的应用以及片上训练的实现提供了新的方向。
进展8：MIT仅用19个类脑神经元实现控制自动驾驶汽车
受秀丽隐杆线虫等小型动物脑的启发，来自MIT计算机科学与人工智能实验室(CSAIL)、维也纳工业大学、奥地利科技学院的团队仅用19个类脑神经元就实现了控制自动驾驶汽车，而常规的深度神经网络则需要数百万神经元。此外，这一神经网络能够模仿学习，具有扩展到仓库的自动化机器人等应用场景的潜力。这一研究成果已发表在2020年10月13日的《自然》杂志子刊《自然·机器智能》(NatureMachineIntelligence)上。
进展9：Google与FaceBook团队分别提出全新无监督表征学习算法
2020年初，Google与Facebook分别提出SimCLR与MoCo两个算法，均能够在无标注数据上学习图像数据表征。两个算法背后的框架都是对比学习(contrastivelearning)。对比学习的核心训练信号是图片的“可区分性”。模型需要区分两个输入是来自于同一图片的不同视角，还是来自完全不同的两张图片的输入。这个任务不需要人类标注，因此可以使用大量无标签数据进行训练。尽管Google和FaceBook的两个工作对很多训练的细节问题进行了不同的处理，但它们都表明，无监督学习模型可以接近甚至达到有监督模型的效果。
进展10：康奈尔大学提出无偏公平排序模型可缓解检索排名的马太效应问题
近年来，检索的公平性和基于反事实学习的检索和推荐模型已经成为信息检索领域重要的研究方向，相关的研究成果已经被广泛应用于点击数据纠偏、模型离线评价等，部分技术已经落地于阿里和华为等公司的推荐及搜索产品中。2020年7月，康奈尔大学ThorstenJoachims教授团队发表了公平无偏的排序学习模型FairCo，一举夺得了国际信息检索领域顶会SIGIR2020最佳论文奖。该研究分析了当前排序模型普遍存在的位置偏差、排序公平性以及物品曝光的马太效应问题等，基于反事实学习技术提出了具有公平性约束的相关度无偏估计方法，并实现了排序性能的提升，受到了业界的广泛关注和好评。
新一代人工智能的发展与展望
随着大数据、云计算等技术的飞速发展，人们生产生活的数据基础和信息环境得到了大幅提升，人工智能（AI）正在从专用智能迈向通用智能，进入了全新的发展阶段。国务院印发的《新一代人工智能发展规划》指出新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。在4月10日“吴文俊人工智能科学技术奖”十周年颁奖盛典中，作为我国不确定性人工智能领域的主要开拓者、中国人工智能学会名誉理事长李德毅院士荣获“吴文俊人工智能最高成就奖”，并在大会上作题为《探索什么叫新一代人工智能》的报告，探讨了新一代人工智能的内涵和路径，引领着新一代人工智能的发展与展望。
人工智能这一概念诞生于1956年在美国达特茅斯学院举行的“人工智能夏季研讨会”，随后在20世纪50年代末和80年代初先后两次步入发展高峰，但因为技术瓶颈、应用成本等局限性而均掉入低谷。在信息技术的引领下，数据信息快速积累，运算能力大幅提升，人工智能发展环境发生了巨大变化，跨媒体智能、群体智能成为新的发展方向，以2006年深度学习模型的提出为标志，人工智能第三次站在了科技发展的浪潮之巅。
当前，随着移动互联网、物联网、大数据、云计算和人工智能等新一代信息技术的加速迭代演进，人类社会与物理世界的二元结构正在进阶到人类社会、信息空间和物理世界的三元结构，人与人、机器与机器、人与机器的交流互动愈加频繁。在多源数据、多元应用和超算能力、算法模型的共同驱动下，传统以计算机智能为基础的、依赖于算力算法和数据的人工智能，强调通用学习和大规模训练集的机器学习，正逐渐朝着以开放性智能为基础、依赖于交互学习和记忆、基于推理和知识驱动的以混合认知模型为中心的新一代人工智能方向迈进。应该说，新一代人工智能的内核是“会学习”，相较于当下只是代码的重复简单执行，新一代人工智能则需要能够在学习过程中解决新的问题。其中，学习的条件是认知，学习的客体是知识，学习的形态是交互，学习的核心是理解，学习的结果是记忆……因此，学习是新一代人工智能解释解决现实问题的基础，记忆智能是新一代人工智能中多领域、多情景可计算智能的边界和约束。进而当人类进入和智能机器互动的时代，新一代人工智能需要与时俱进地持续学习，不断检视解决新的问题，帮助人机加深、加快从对态势的全息感知递进到对世界的多维认知。
事实上，基于数据驱动型的传统人工智能，大多建立在“数据中立、算法公正和程序正义”三要素基础之上，而新一代人工智能更关注于交互能力，旨在通过设计“记忆”模块来模仿人脑，解决更灵活多变的实际问题，真正成为“不断学习、与时俱进”的人工智能。特别是人机交互支撑实现人机交叉融合与协同互动，目前已在多个领域取得了卓越成果，形成了多方面、多种类、多层次的应用。例如，在线客服可以实现全天候不间断服务，轻松解决用户咨询等问题，也可将棘手问题转交人工客服处理，降低了企业的管理成本；在智慧医疗领域，人工智能可以通过神经影像实现辅助智能诊断，帮助医生阅片，目前准确率已达95%以上，节省了大量的人力；2020年，在抗击疫情的过程中，新一代人工智能技术加速与交通、医疗、教育、应急等事务协作联动，在科技战“疫”中大显身手，助力疫情防控取得显著成效。
未来已来，随着人工智能逐渐融入居民生活的方方面面，将继续在智慧医疗、自动驾驶、工业制造智能化等领域崭露头角。一是基于新一代人工智能的智慧医疗，将助力医院更好记录、存储和分析患者的健康信息，提供更加精准化和个性化的健康服务，显著提升医院的临床诊断精确度。二是通过将新一代人工智能运用于自动驾驶系统的感知、预测和决策等方面，重点解决车道协同、多车调度、传感器定位等问题，重新定义城市生活中人们的出行方式。三是由于我国工业向大型化、高速化、精细化、自主化发展，对高端大规模可编程自动化系统提出迫切需求，新一代人工智能将推动基于工业4.0发展纲领，以高度自动化的智能感知为核心，主动排除生产障碍，发展具备有适应性、资源效率、人机协同工程的智能工厂应运而生。总之，如何展望人工智能通过交互学习和记忆理解实现自编程和自成长，提升自主学习和人机交互的效率，将是未来研究着力发展的硬核领域，并加速新一代信息技术与智能制造深度融合，推动数字化转型走深走实，有信心、有能力去迎接下一场深刻产业变革的到来。