人工智能重塑数字世界 推动数实融合高质量发展
光明网讯（记者雷渺鑫）6月26日，世界互联网大会数字文明尼山对话主论坛在山东济宁曲阜尼山举行。大会期间，业界专家就人工智能重塑数字世界展开探讨。
大模型是当下全球科技创新的焦点，也是全球人工智能竞赛主战场。百度创始人、董事长兼首席执行官李彦宏在谈及人工智能的飞速发展时表示，过去一年，人工智能在技术、产品、应用等各个层面，都以“周”为迭代速度向前突进。未来大模型将渗透到越来越多的领域，以大模型为关键驱动的数字经济与实体经济的深度融合，将做强做优做大实体经济，创造可观的增量价值，带来经济社会发展和产业的深刻变革。
现阶段，人工智能技术正处在量变引发质变的关键节点，并开始赋能千行百业。360集团创始人周鸿祎认为，GPT大模型的诞生代表着通用人工智能、强人工智能的到来，是真正的智能涌现。人工智能大模型已经从感知进化到了认知，能够理解文字、语言，作出分析、规划，传统算法将被代替。未来在自动驾驶、机器人控制等很多重要领域，大语言模型都会大显身手，推动。
作为先进生产力，人工智能正推动经济社会向着智能化方向发展，是不可阻挡的历史发展趋势。“人工智能的机遇是巨大的。但随着全球对人工智能的加速应用，政府和组织有必要考虑如何最好地利用这项技术造福人类和地球。”在全球移动通信系统协会（GSMA）首席执行官洪曜庄看来，人工智能正在全球范围内逐渐崭露头角，成为一股强大的力量，有潜力改变企业和社会。
迈向第三代人工智能
本篇文章是博主在人工智能等领域学习时，用于个人学习、研究或者欣赏使用，并基于博主对人工智能等领域的一些理解而记录的学习摘录和笔记，若有不当和侵权之处，指出后将会立即改正，还望谅解。文章分类在学习摘录和笔记专栏：
学习摘录和笔记（8）---《迈向第三代人工智能》
迈向第三代人工智能原文/论文出处：
题目：《迈向第三代人工智能》
作者：张钹,朱军,苏航
时间：2020–09–22
来源：中国科学:信息科学
文章摘要：人工智能(artifificialintelligence，AI)自1956年诞生以来，在60多年的发展历史中，一直存在两个相互竞争的范式， 即符号主义与连接主义(或称亚符号主义)。二者虽然同时起步， 但符号主义到20世纪80年代之前一直主导着AI的发展，而连接主义从20世纪90年代才逐步发展起来，到21世纪初进入高潮，大有替代符号主义之势。
这两种范式只是从不同的侧面模拟人类的心智(或大脑)，具有各自的片面性，依靠单个范式不可能触及人类真正的智能.需要建立新的可解释和鲁棒的AI理论与方法，发展安全、可信、可靠和可扩展的AI技术。
为实现这个目标，需要将这两种范式结合起来，这是发展AI的必经之路。 本文将阐述这一思想，为叙述方便，称符号主义为第一代AI，称连接主义为第二代AI，将要发展的AI称为第三代AI。
1第一代人工智能符号AI与人类理性智能一样具有可解释性和容易理解.。符号AI也存在明显的局限性， 目前已有的方法只能解决完全信息和结构化环境下的确定性问题。
其中最具代表性的成果是IBM“深蓝”国际象棋程序。
2第二代人工智能对于感官信息：
符号主义主张：以某种编码的方式表示在(记忆)神经网络中，符号AI属于这一学派。
连接主义主张： 感官的刺激并不存储在记忆中，而是在神经网络中建立起“刺激–响应”的连接(通道)， 通过这个“连接”保证智能行为的产生。
1958年罗森布拉特(Rosenblatt)按照连接主义的思路， 建立一个人工神经网络(artifificialneuralnetwork， ANN)的雏形——感知机(perceptron)。
如果拥有一定质量的大数据， 由于深度神经网络的通用性(universality)，它可以逼近任意的函数， 因此利用深度学习找到数据背后的函数具有理论的保证。
2016年3月谷歌围棋程序AlphaGo打败世界冠军李世石，是第二代AI巅峰之作，因为在2015年之前计算机围棋程序最高只达到业余五段。
3第三代人工智能第一代知识驱动的AI，利用知识、算法和算力3个要素构造AI，第二代数据驱动的AI，用数据、算法与算力3个要素构造AI。
第三代AI其发展的思路：
把第一代的知识驱动和第二代的数据驱动结合起来，通过同时利用知识、数据、算法和算力等4个要素，构造更强大的AI.。目前存在双空间模型与单一空间模型两个方案。
3.1双空间模型双空间模型如图2所示，它是一种类脑模型，符号空间模拟大脑的认知行为，亚符号(向量)空间模拟大脑的感知行为。
这两层处理在大脑中是无缝融合的， 如果能在计算机上实现这种融合，AI就有可能达到与人类相似的智能，从根本上解决目前AI存在的不可解释和鲁棒性差的问题。
为了实现这种目标，需要解决以下3个问题：（1）知识与推理：Watson关于知识表示和推理方法的以下经验值得借鉴:
1)从大量非结构化的文本自动生成结构化知识表示的方法，
2)基于知识质量的评分表示知识不确定性的方法，
3)基于多种推理的融合实现不确定性推理的方法。
（2）感知：目前的研究只能提取部分的语义信息，还不能做到提取不同层面上的语义信息,如整体”、“部件”和“子部件”等,达到符号化的水平，因此仍有许多工作有待研究。
（3） 强化学习：通过感官信息有可能学到一些基本知识(概念)，不过仅仅依靠感官信息还不够，比如“常识概念”，如“吃饭”“睡觉”等仅依靠感官难以获取，只有通过与环境的交互，即亲身经验之后才能获得，这是人类最基本的学习行为，也是通往真正AI的重要道路。
强化学习(reinforcementlearning)就是用来模拟人类的这种学习行为，它通过“交互–试错”机制，与环境不断进行交互进而学习到有效的策略，很大程度上反映了人脑做出决定的反馈系统运行机理。
-------语义空间即语言意义的世界。一般来说，信息是意义和符号的统一体，内在的意义只有通过一定的外在形式（动作、表情、文字、音声、图画、影像等符号）才能表达出来。因此，每一种符号体系在广义上都是传达意义的语言，它们所表达的意义构成了特定的语义空间。
强化学习的核心目标就是选择最优的策略，使得预期的累计奖励最大。
但是在不确定性、不完全信息、数据或者知识匮乏的场景下， 目前强化学习算法的性能往往会出现大幅度的下降， 这也是目前强化学习所面临的重要挑战。
存在的典型问题：
(1)部分观测马氏决策过程中强化学习
(2)领域知识在强化学习中的融合机制
(3)强化学习和博弈论的结合
3.2单一空间模型单一空间模型是以深度学习为基础，将所有的处理都放在亚符号(向量)空间，这显然是为了利用计算机的计算能力，提高处理速度。
关键问题：
1.符号表示的向量化
2.深度学习方法的改进
3.贝叶斯深度学习
4.单一空间中的计算
总结为了实现第三代AI的目标，最好的策略是同时沿着这两条路线前进，即三空间的融合，如图10所示。这种策略的好处是，既最大限度地借鉴大脑的工作机制，又充分利用计算机的算力，二者的结合，有望建造更加强大的AI。
文章若有不当和不正确之处，还望理解与指出。由于部分文字、图片等来源于互联网，无法核实真实出处，如涉及相关争议，请联系博主删除。如有错误、疑问和侵权，欢迎评论留言联系作者，或者关注VX公众号：Rain21321，联系作者。
适应人工智能驱动科研新范式
当前，随着新科技革命和产业变革深入发展，人工智能技术不断突破并向科研领域广泛渗透，为科研工作注入了新元素、新动能，对科研效率提升和范式变革形成显著催化作用，现代科研活动由此更加高效、精准，“人工智能驱动的科学研究”已成为全球人工智能新前沿，必将为未来科技发展开启全新局面。
近年来，我国人工智能技术快速发展，科研数据和算力资源日益丰富，顺应新时代新趋势，利用新技术新优势，推动人工智能赋能科学研究恰逢其时、大有可为。
应用场景是新范式的孕育土壤和实训基地，人工智能技术与科学研究互动互促需要在诸多应用场景中反复实践、不断完善，随着应用范围不断拓展延伸，科研能力持续实现智慧升级。为此，以需求为牵引谋划人工智能技术应用场景，基于促进科学研究更加紧密拥抱人工智能技术，拓展人工智能技术在数学、化学、地学、材料、生物和空间科学等重大科学领域的应用。充分发挥人工智能技术在文献数据获取、实验预测、结果分析等方面的作用，围绕具有典型代表意义和辐射带动性的基础科学、应用科学领域，创造更多实战式应用场景，融合人工智能模型算法和领域数据知识，不断探索重大科学问题研究突破的新路径、新范式，持续积累可复制可推广的经验做法。
人工智能技术在科研活动应用中涉及多专业、多环节，离不开不同类型、不同链条主体机构的合理分工和有效协作。为此，要鼓励企业运用人工智能开展关键技术研发、新产品培育等科研活动，支持高校、科研院所、新型研发机构探索人工智能技术用于重大科学研究和技术开发的先进模式，培育壮大一批跨界技术转化和企业孵化机构、科研中介服务机构，探索多元主体合作协作新机制。面向重大科学问题的人工智能模型和算法创新，发展一批针对典型科研领域的“人工智能驱动的科学研究”专用平台，推动国家新一代人工智能公共算力开放创新平台建设，支持高性能计算中心与智算中心异构融合发展，鼓励各类科研主体按照分类分级原则开放科学数据。支持成立“人工智能驱动的科学研究”创新联合体，搭建国际学术交流平台。
适应性人才是新范式突破和推广的根本源泉。提高人工智能技术在科学研究领域的应用水平，既需要人工智能和相应学科的专业人才，也离不开跨领域复合型人才为跨界沟通协作提供高效支撑，这需要多渠道构筑相关人力资源引育平台和机制。为此，要多渠道培养和汇聚跨越人工智能和专业领域的复合型人才。支持更多数学、物理等科学领域的科学家、研究人员投身相关研究，鼓励普通高校、职业院校在人工智能学科专业教学中设置科技创新类专业课程，提升人工智能专业学生科研专业素养。鼓励开展相关人才培训，通过开设研修班、开展实践交流、组织专题培训等多种形式，培养一批人工智能与专业科研能力兼顾的复合型人才。鼓励地方政府、央企、行业领军企业通过“揭榜挂帅”、联合创新等方式支持相关优秀人才和科研团队开展智慧赋能科研工作。（张璐璐）