人工智能基础知识总结
本文是对人工智能基础的期末复习知识总结。
文章目录一、绪论什么是人工智能？什么是图灵测试？人工智能的研究范围有哪些？二、Agent什么是Agent？什么是理性Agent？如何构建理性Agent？Ⅰ.任务环境描述--PEAS（Performance性能Environment环境Actuators执行器Sensors传感器）Ⅱ.任务环境的性质Ⅲ.Agent程序**简单反射Agent****基于模型的反射Agent****基于目标的Agent****基于效用的Agent**三、搜索1.经典搜索搜索算法基础搜索算法性能评价Ⅰ.无信息搜索宽度优先搜索一致代价搜索深度优先搜索深度受限搜索迭代加深的深度优先搜索双向搜索Ⅱ.有信息搜索贪婪最佳优先搜索A*搜索2.局部搜索简述爬山法模拟退火局部束遗传3.对抗搜索/博弈Ⅰ.形式化Ⅱ.算法极小极大算法α-β剪枝Ⅲ.实施决策优化4.约束满足问题(CSP)四、机器学习1.监督学习Ⅰ.决策树决策树例子决策树的使用决策树的生成Ⅱ.随机森林2.无监督学习Ⅰ.K-meansⅡ.层次聚类高概率考点总结一、绪论什么是人工智能？从模拟人的角度来说，可以通过认知建模的过程让机器学会像人一样思考，可以以通过图灵测试为目标让机器具有和人一样的行为；而让机器模拟人并不是我们的目的，这里学习人工智能的是让机器具备理性（rationality），指的是通过思维法则的途径让机器学汇理性的思考，通过理性Agent的构造让机器具有理性的行为。这是四个维度不同层面的解释。
发展历史就不谈了，整体上是以十年为一个周期的发展态势，没意思。
什么是图灵测试？图灵测试由AlanTuring在1950年提出，内容可以简单描述为，由一个人类询问者提出一些书面问题之后，无法判断书面回答是来自计算机还是人类，就说这台计算机通过了图灵测试。图灵测试是一个至今仍合适的测试，人工智能的研究者并没有一直致力于让计算机通过图灵测试，研究智能的基本原理比复制人类智能或让计算机模拟人更加重要。
人工智能的研究范围有哪些？知识表示（语义网络等）、搜索技术（博弈树搜索等）、非经典逻辑&非经典推理（时序逻辑等&类比推理等）、机器学习（统计学习等）、自然语言理解（语法学等）、知识工程（专家系统等）、定理机器证明（归纳法等）、人工生命（细胞自动机等）、机器人（传感器数据融合等）、AI语言（Lisp/Prolog等）。
二、Agent什么是Agent？Agent是可以感知环境并且在环境中行动的东西。
Agent通过传感器感知环境，通过执行器对环境产生影响。Agent收到的所有输入数据的历史序列叫做感知序列，Agent在任何时可的行动选择依赖于到那个时刻为止该Agent的感知序列。Agent=体系结构+程序，体系结构就是图上所表现的，具备传感器和执行器的计算装置，计算装置上运行着Agent程序，程序实现的是从感知序列映射到行为的Agent函数。
Agent函数描述了Agent的行为，可以通过表格描述，Agent函数是抽象的数学描述，Agent程序是具体的实现。
什么是理性Agent？理性Agent是做事正确的Agent，这是个很模糊的概念，准确来说，**理性Agent是对每一个可能的感知序列，根据已知的感知序列提供的证据和Agent具有的先验知识，理性Agent应该选择能使其性能度量最大化的行动。**所谓性能度量就是对Agent行为的评价，具体问题具体分析。以吸尘器的例子为例，性能度量是一定时间段内清理的灰尘总量，另外还有其他度量指标，比如保持干净地面加分，能耗高噪声大则减分。
这里有一个讲到的点，理性≠全知/完美，全知/完美是让实际的性能最大化，可以预见行动产生的实际结果并作出相应的动作，而理性只是将期望中的性能最大化。
如何构建理性Agent？Agent要从环境中通过传感器收集信息，通过程序做出合理的行动指示，才能通过执行器对环境做出符合预期的行为。那么构建理性Agent就有三方面任务，第一是收集准确且足够的环境信息，第二是有合适的体系结构包括传感器和执行器，第三也是最关键的，是要设计出满足AI需求的Agent程序。
在书中24和25章才讲到了传感器和执行器，就不提了，主要学的是设计Agent程序。
首先要尽可能完全地定义任务环境，也就是明确Agent要解决的基本问题，然后是简单了解4种基本的Agent程序。
Ⅰ.任务环境描述–PEAS（Performance性能Environment环境Actuators执行器Sensors传感器）比如：
Agent类型性能度量P环境E执行器A传感器STaxidriver安全、快捷、合法、舒适性、利润最大化道路、其他车辆、行人、乘客方向盘、油门、刹车、车灯、喇叭、显示输出设备摄像头、声呐、车速表、GPS、里程表、加速度计、乘客输入设备Ⅱ.任务环境的性质完全可观察的传感器在每个时刻都能获取环境的完整状态，若传感器能检测所有与行动决策相关的信息，则称为有效完全可观察的。部分可观察的噪声、传感器不够精确、传感器丢失了部分数据，则环境是部分可观察的。
单Agent、多Agent环境中如果有多个对象，那么多个对象的行为是否依赖于其他对象的性能度量。
确定的、随机的如果环境的下一个状态完全取决于当前状态和Agent执行的动作，则该环境是确定的，否则，是随机的，也就是说后果是不确定的，可以用概率来量化。
片段式的Agent的经历被分成一个一个的片段，下一个片段不依赖于以前的片段中采取的行动。延续式的当前的决策会影响到所有未来的决策。
静态的环境在Agent计算的时候不会发生变化，Agent在决策时不需要观察环境，也不需要顾虑时间流逝。动态的环境在Agent计算的时候会变化，会持续的要求Agent做决策。半动态的环境本身不随时间变化，而性能度量随时间变化。
离散的、连续的指环境的状态、时间的处理方式，以及Agent的感知信息和行动，如出租车Agent的环境的状态就是连续的，随时间而变化，驾驶行动也是连续的。
已知的、未知的指Agent的知识状态，在已知环境中，Agent行动的所有后果是给定的。在未知环境中，Agent需要学习环境是如何工作的，以便做出更好的决策。
Ⅲ.Agent程序输入参数：从传感器得到的当前感知信息；返回值：执行器的行动决策。
这里有四种基本的Agent程序。
简单反射Agent简单反射Agent，最简单的Agent–基于当前的感知选择行动，不关注感知历史。仅仅根据当前感知的环境信息匹配规则，得出行为决策。
环境必须是完全可观察的。
基于模型的反射Agent基于模型的反射Agent，在简单反射Agent根据当前感知的环境信息决策的基础上，结合当前的信息和过去内部状态得到当前行为决策。内部状态是靠感知历史维持的，会加入世界如何发展，行动会如何影响世界如何产生结果的信息。
可处理部分可观察的环境。
基于目标的Agent基于目标的Agent，在基于模型的反射Agent根据当前感知的环境信息决策+过去内部状态的基础上，结合模型和增加的目标信息，同时记录世界的状态和目标集合，根据目标灵活改变行动序列来达成目标，方式包括搜索和规划。
基于效用的Agent基于效用的Agent，在基于目标的基础上加入对效用的评价，追求对达到目标的最优化途径，通过效用函数决策。
可用在部分可观察和随机的环境中处理不确定性的决策。
三、搜索上文的基于目标的Agent程序提到了，这类问题的解法会根据目标灵活地找出一个行动序列，而采用的方法是搜索或是规划，规划不学，以后有时间自学，这里搜索是一个大章，我尽量理解清晰，用简洁的语言总结清楚。
通过搜索求解问题有两个步骤，一是形式化目标和问题，二是搜索算法求出行动序列。搜索指的是Agent寻找一组行动序列到达目标的过程，输入是问题，输出是行动序列形式的问题的解。
比如我的另一篇文章中讨论的罗马尼亚问题，问题的形式化需要用五个组成部分来描述，在罗马尼亚问题中：
StatusAgent的初始状态：s=In(Arad)
ActionAgent的行动集合：a(s)=a(In(Arad))={Go(Sibiu),Go(Timisoara),Go(Zerind)}
Result对每个行动的描述，即转移模型：Result(s,a)=Result(In(Arad),Go(Sibiu))=In(Sibiu)
初始状态、行动集合、转移模型三者定义了问题的状态空间——从初始状态可以到达的所有状态的集合。
状态空间形成一个有向图，即状态空间图，结点表示状态，结点之间的边表示行动，状态空间中的一条路径：通过行动连接起来的一个状态序列，状态空间中从初始状态到达目标状态的一条路径是问题的一个解。
目标测试：可以是一个状态亦可以是一个状态集合，在上述问题中目标状态是{In(Bucharest)}，目标检测就是判断当前状态是不是目标状态集合中的状态。Cost路径耗散：c(s,a,s’)=c(In(Arad),Go(Sibiu),In(Sibiu))=140上述五者，即初始状态、行动集合、转移模型、目标测试和路径耗散构成Agent的形式化描述，状态空间中从初始状态到达目标状态的一条路径是问题的一个解，解的质量由路径耗散函数度量，路径耗散值最小的解即为最优解。1.经典搜索搜索算法基础还是用罗马尼亚问题为例，可以看到图上，标红色节点的是已被扩展的节点，标红色的边连接的白色节点则是待扩展的节点。在这里的学习中，已经被扩展的节点集合被称为探索集（closed表），待扩展的节点集合被称为边缘集。
在这里，节点对应的是状态空间中的状态Status，连线代表行动，是行动集合Action(Status)中的一个行动，算法的过程就是不断地在边缘节点中找一个合适的节点进行扩展到达下一个状态，直到找到解或者没有状态能够扩展（无解）为止。
不同算法之间的区别就在于选择边缘集中哪一个新的边缘节点（状态）进行扩展，也叫做不同的搜索策略。
搜索算法性能评价就像学算法看算法导论一样，人工智能导论也有算法的性能评价，搜索算法的性能评价分别为，
完备性–当问题有解时，算法保证能否找到解；
最优性–搜索策略能否找到最优解，
时间复杂度和空间复杂度就不提了，那个是算法课讨论的内容。
另外，每个内容都要从书上看一个例子。
Ⅰ.无信息搜索宽度优先搜索原理是，每次都扩展树上边缘集中深度最浅的节点，直到找到解。宽度优先搜索实现时，将边缘集组织为FIFO队列，可以确保在下一层被扩展之前本层的所有结点都已经被扩展。
这里还有一个考点是，宽度优先和一致代价这里提到了一个目标检测的时间点，宽度优先搜索是节点被生成的时候进行测试。
宽度优先搜索的性能评价，
完备性，当分支因子b有限时，一定能找到目标结点；
最优性，找到的节点一定是深度最浅的节点，如果路径代价是基于节点深度的非递减函数，也就是说不会随着遍历加深，总的路径代价反而变小，那么找到的就是最优解，说白了就是负权边；
时间复杂度，每个状态有b个后继，路径的深度为d，则最坏情况下O(bd)O(b^d)O(bd)；
空间复杂度，O(bd)O(b^d)O(bd)。
一致代价搜索原理是，每次扩展路径消耗)g(n)最小的节点n，是贪婪算法。一致代价搜索实现时，将边缘集组织成按路径消耗值c(s,a,s’)排序的队列。
这里还有一个考点是，宽度优先和一致代价这里提到了一个目标检测的时间点，一致代价搜索是节点被选择扩展的时候进行测试，这个也很好理解，
一致代价搜索的性能评价，
深度优先搜索原理是，每次都扩展边缘集中深度最深的节点，直到找到解。深度优先搜索实现时，将边缘集组织为LIFO栈，可以采用递归实现。
深度优先搜索的性能评价，
完备性，在有限状态空间，避免重复状态和冗余路径的图搜索是完备的，树搜索则不完备，有可能会陷入死循环（如Arad-Sibiu-Arad-…）；
最优性，比如我们先搜索左子树的时候，找到解就返回，而最优解可能并不在左子树中；
时间复杂度，O(bm)O(b^m)O(bm)；
空间复杂度，O(bm)O(bm)O(bm)。
深度受限搜索原理是，对深度优先搜索设置最大深度，界限L。
深度受限搜索的性能评价，
优点：避免了深度优先搜索中的无穷路径；缺点：如果目标结点的深度超过了L，则找不到解，即不完备。
完备性，不完备；
那么最优性当然不满足，最优性是在完备性的基础上扩展的。
时间复杂度，O(bL)O(b^L)O(bL)；
空间复杂度，O(bL)O(bL)O(bL)。
迭代加深的深度优先搜索原理是，在深度受限搜索的基础上，随着深度的加深调整深度界限。
迭代加深的深度优先搜索的性能评价，
当深度界限达到最浅目标结点的深度时，就能找到目标结点。
完备性，当分支因子b有限时是完备的；
最优性，如果路径代价是基于节点深度的非递减函数，也就是说不会随着遍历加深，总的路径代价反而变小，那么找到的就是最优解，说白了就是负权边；
时间复杂度，O(bd)O(b^{d})O(bd)；
空间复杂度，O(bd)O(bd)O(bd)。
双向搜索原理是，从初始状态和目标状态两个方向同时搜索，如果在中间某个结点相遇，则找到解路径。
这个搜索策略的目标检测：两个方向的搜索的边缘集是否有交集，若有交集，则找到解
双向搜索的性能评价，
若双向都采用宽度优先搜索，则时间复杂度和空间复杂度都是O(bd/2)O(b^{d/2})O(bd/2)。Ⅱ.有信息搜索贪婪最佳优先搜索原理是，试图扩展离目标最近的结点，评估函数是f(n)=h(n)，选择f(n)最小的结点扩展。在罗马尼亚问题中启发函数h(n)就依然是n距离目的地Bucharest的直线距离。选择结点扩展时，优先选择h(n)最小的结点。
性能评价，
不完备，有可能会陷入死循环；
不是最优的；
时间复杂度O(bm)O(b^m)O(bm)，m是搜索空间的最大深度；
空间复杂度O(bm)O(b^m)O(bm)。
A*搜索在另一篇文章中已经详细说过了，这里也贴图了。
2.局部搜索局部搜索关注的是解的状态而不是路径代价，对一个或多个状态进行评价和修改，而不是从初始状态搜索路径，比如八皇后问题，之后的CSP问题也会提八皇后，我的另一篇文章中实现了这里提到的很多算法。
简述适用问题的特点
到达目标的路径不重要，只关注最终状态局部搜索基本原理
从单个结点出发，只移动到它邻接的状态不保留搜索路径算法优点
只使用很少的内存，常数级别能在很大的或无限的状态空间(系统化算法不适用)中找到合理的解爬山法模拟退火局部束遗传另一篇文章中以CSP问题为例讨论回溯、最小冲突和遗传算法并给出了具体实现，可以进行参考。
3.对抗搜索/博弈Ⅰ.形式化Ⅱ.算法极小极大算法α-β剪枝两种算法都可以得到最优招数，但有较高的时间开销，可能无法在合理的时间内决策。
Ⅲ.实施决策优化4.约束满足问题(CSP)上面搜索问题的概述中本来应该提到但是没提，搜索问题的形式化主要分为两类，增量形式化和完整状态形式化。
另一篇文章中以CSP问题为例讨论回溯、最小冲突和遗传算法并给出了具体实现，可以进行参考。或者像上面一样的约束图也可以表示约束关系。
在回溯算法中，可以这样来赋值。
四、机器学习可能会考一个概念，监督学习、无监督学习和强化学习，怎么准确地描述出来。这里只分析一下监督学习和无监督学习，考到的概率挺大。
监督学习是我们对输入样本经过模型训练后有明确的预期输出，非监督学习就是我们对输入样本经过模型训练后得到什么输出完全没有预期。
监督学习是通过已有的一部分输入数据与输出数据之间的对应关系，生成一个函数，将输入映射到合适的输出，例如分类，而无监督学习是直接对数据进行建模，例如聚类。
监督学习是Agent观察某些“输入→输出”样例，学习从输入到输出的映射函数，训练集是带有类标签的，新的数据基于训练集进行分类；无监督学习是Agent学习输入中的模式，训练集是没有类标签的，提供一组属性，然后寻找出训练集中存在的类别或者聚集，新的数据基于聚类算法分出的类别进行归类；强化学习是Agent在强化序列（奖励和惩罚组合的序列）中学习。
1.监督学习主要是分类问题，解决分类问题的模型也可以用来解决回归问题，比如随机森林构建500棵决策树，每颗决策树有10个叶子节点，也就是10个Label平均值，那么这个随机森林只可能预测出≤5000个可能值，可以说是划分得足够细的分类，达到了回归的效果。
Ⅰ.决策树决策树是一个树状结构的分类器，用节点和边表示分类过程，以属性描述集合和相应数据作为输入，输出通常是一个分类，中间节点表示对某个属性的测试，叶节点则表示一个类别。分为分类树和回归树，取决于输入的属性是离散还是连续。
决策树例子决策树的使用如何生成决策树是一个重点，下面详细说，先理解生成了怎么用。
使用决策树时，输入是某个实例的属性数据，从根节点开始逐层向下，在根节点及每个中间节点，根据该节点的各条邻接边上采用的划分属性及该实例的该属性取值，选择其中一个分支，直到到达叶节点，就是最终分类了。
像这样通过把实例从根节点根据实例他本身的对应属性和边上的选择属性，排列到某个叶结点来分类实例，就能输出该实例所在的类别。
决策树的生成总的来说，所有的决策树生成算法都是–决策树生成时，在每个中间节点选一个属性进行划分，根据属性的取值划分为不同的子树，直到不能划分。
算法通常是两个步骤：
树的生成全部数据聚集在根节点采用某种算法（宽度优先、递归等）生成树，关键是如何选取下一个属性以及属性如何划分在每个中间节点选择某一个属性进行划分，直到不能继续划分树的修剪去掉一些可能是噪音或者异常的数据关键是如何选取下一个属性以及属性如何划分，算法的区别主要就在这，另一个关键是确定何时停止划分。除了划分方式和停止时间之外，如何避免监督学习的过拟合也十分关键。下面就讨论这仨问题：
决策树停止生长一般有三种情况，1.当前节点包含的样本已经属于同一个类别了；2.当前属性集空了，能划分的属性都划分完了；3.节点里面所有的样本在所有属性上取值都相同，唯独分类不同，也无法继续划分；4.样本空了，纵使有这个属性也无法划分。
怎么在节点上选择划分哪个属性呢？
树和子树根节点的划分算法，都要让节点随着树生长，其中样本趋于同一类别，即节点的纯度（purity）越来越高。量化纯度的算法有很多，比如ID3C4.5CART等算法，
以ID3为例，首先计算出根节点的信息熵，再算出每个属性的信息增益，选信息增益大的作为节点的划分属性，这里我理解的信息增益就是对样本来说区分度最大的属性。C4.5用的是信息增益率，CART用的是基尼值，指的是随机抽取样本类别不一样的概率，基尼指数越小表示纯度越高越适合作为划分属性。总之划分节点选择的属性，找的是划分之后最大限度地减少分类的可能性的那个属性。
过拟合是模型泛化能力差，对训练集拟合度高而预测准确率低的情况，避免过拟合，可以通过剪枝进行优化，也可以通过下一个算法，基于决策树的随机森林进行优化。
剪枝分为预剪枝和后剪枝，分别是划分节点前进行估计预测，当前节点能否提升泛化能力；先生成决策树再Bottom-up地进行考察，如果把当前节点变成叶节点泛化能力可以提升就将子数变成叶节点。
这里偷个懒，贴一下课程ppt的图。
首先预剪枝，划分出训练集和测试集，这里的测试集用来评估精度，事对泛化能力的评估。
预剪枝的优缺点有，
优点
降低了过拟合的风险显著减少了决策树的训练时间开销和预测试时间开销缺点
有些分支的当前划分虽不能提升泛化能力、甚至可能导致泛化性能暂时下降，但在其基础上进行的后续划分却有可能导致性能显著提高预剪枝基于“贪心”，禁止这些分支展开，带来了欠拟合的风险然后是后剪枝，
优点
欠拟合风险很小，泛化性能往往优于预剪枝决策树缺点
后剪枝过程是在生成完全决策树之后进行的，并且要自底向上对树中的所有非叶节点进行逐一考察，因此其训练时间开销比未剪枝决策树和预剪枝决策树都要大得多后剪枝决策树通常比预剪枝决策树保留了更多的分支，而预剪枝使得很多分支都没有展开，增加了欠拟合的风险，但是后剪枝的时间开销比预剪枝大得多。
Ⅱ.随机森林随机森林的算法包含了决策树的生成，一般是CART算法构造。
2.无监督学习主要是聚类问题。
Ⅰ.K-means一张图就说得非常清楚，K-means应该是cs必须掌握的算法之一，其算法原理大致是，已知K个初始的均值点，也就是要划分K个类的中心点，算法有两个步骤，
分配(Assignment)，将每个数据点分配到聚类中，直接求点到K个均值点的欧氏距离，距离谁近就分到相应的聚类里面即可；更新(Update)，上一步得到了新的聚类，对每一个聚类用最小二乘算法求出一个新的均值中心，均值点。当然初始化、分配、更新都有很多不同的算法，且各有千秋，不多赘述了。
其特点是，
优点
对于处理大数据集合，该算法非常高效，且伸缩性较好缺点
要事先确定簇数K对初始聚类中心敏感经常以局部最优结束对噪声和孤立点敏感适用范围
当潜在的簇形状是凸面的，簇与簇之间区别较明显，且簇大小相近时，其聚类结果较理想不适于发现非凸面形状的簇或大小差别很大的簇Ⅱ.层次聚类层次聚类（HierarchicalClustering）是通过计算数据点之间的相似度创造一颗有层次的聚类树，创建层次聚类树常用的是自下而上的合并，原始数据点位于最底层，最后结果应该是下图所示的形式。
生成的基本步骤是：
计算样本之间的距离，将距离最近的点合并到同一个类
计算类与类之间的距离，将距离最近的类合并为一个大类
不停的合并，直到合成一个类
样本与样本之间的距离可以直接计算坐标系上的欧氏距离，而类与类的距离怎么计算呢？计算方法有
最短距离法：将类与类的距离定义为类与类之间样本的最短距离
最长距离法
中间距离法
类平均法
高概率考点总结暂时不贴，等考前再贴，或者自己总结完就不发出来了。
人工智能的知识表示
文章目录一、绪论人工智能研究的基本内容人工智能的主要研究领域二、知识表示知识的概念知识的特性知识的表示1.一阶谓词逻辑表示法1.连接词（连词）2.量词3.谓词公式4.量词的辖域谓词公式的性质一阶谓词逻辑表示法的特点2.产生式表示法产生式系统产生式系统的例子——动物识别系统产生式表示法的特点2.框架表示法框架表示法的特点一、绪论智能是知识与智力的总和。智能的特征：感知能力、记忆与思维能力、学习能力、行为能力（表达能力）。人工智能：用人工的方法在机器（计算机）上实现的智能；或者说是人们使机器具有类似于人的智能。知识表示：将人类知识形式化或者模型化。知识表示方法：符号表示法、连接机制表示法。
人工智能研究的基本内容1.机器感知：使机器（计算机）具有类似于人的感知能力。以机器视觉(machinevision)与机器听觉为主。2.机器思维：对通过感知得来的外部信息及机器内部的各种工作信息进行有目的的处理。3.机器学习（machinelearning）：研究如何使计算机具有类似于人的学习能力，使它能通过学习自动地获取知识。4.机器行为：计算机的表达能力，即“说”、“写”、“画”等能力。5.知识表示：将人类知识形式化或者模型化。
人工智能的主要研究领域1.自动定理证明2.博弈3.模式识别（patternrecognition）：研究对象描述和分类方法的学科。分析和识别的模式可以是信号、图象或者普通数据。4.机器视觉5.自然语言理解6.智能信息检索7.数据挖掘与知识发现8.专家系统9.自动程序设计10.机器人11.组合优化问题12.人工神经网络13.分布式人工智能与多智能体：分布式人工智能系统以鲁棒性作为控制系统质量的标准，并具有互操作性，即不同的异构系统在快速变化的环境中，具有交换信息和协同工作的能力。14.智能控制15.智能仿真16.智能CAD（简称ICAD）就是把人工智能技术引入计算机辅助设计领域，建立智能CAD系统。17.智能CAI就是把AI引入计算机辅助教学领域。18.智能管理与智能决策19.智能多媒体系统20.智能操作系统21.智能计算机系统22.智能通信23.智能网络系统24.人工生命
二、知识表示知识的概念知识：在长期的生活及社会实践中、在科学研究及实验中积累起来的对客观世界的认识与经验。事实知识：有关问题环境的一些事物的知识。规则知识：问题中与事物的行动、动作相关联的因果关系知识。控制知识：问题的求解步骤、技巧性知识。元知识：知识的知识，知识库中的高层知识使用规则、解释规则、校验规则、解释程序结构等。
知识的特性1.相对正确性：任何知识都是在一定的条件及环境下产生的，在这种条件及环境下才是正确的。2.不确定性：①随机性引起的不确定性②模糊性引起的不确定性③经验引起的不确定性④不完全性引起的不确定性3.可表示性与可利用性
知识的表示知识表示（knowledgerepresentation）：将人类知识形式化或者模型化。
1.一阶谓词逻辑表示法命题（proposition）：一个非真即假的陈述句。若命题的意义为真，称它的真值为真，记为T。若命题的意义为假，称它的真值为假，记为F。一个命题可在一种条件下为真，在另一种条件下为假。命题逻辑：研究命题及命题之间关系的符号逻辑系统。命题逻辑表示法：无法把它所描述的事物的结构及逻辑特征反映出来，也不能把不同事物间的共同特征表述出来。谓词逻辑：允许表达无法用命题逻辑表达的命题。谓词的一般形式：P(x1,x2,…,xn)个体x1,x2,…,xn：某个独立存在的事物或者某个抽象的概念；个体可以是常量、变量、函数、谓词。谓词名P：刻画个体的性质、状态或个体间的关系。
1.连接词（连词）（1）﹁：“否定”（negation）或“非”。（2）∨：“析取”（disjunction）——或。（3）∧：“合取”（conjunction）——与。（4）→：“蕴含”(implication)或“条件”(condition)。（5）↔：“等价”（equivalence）或“双条件”（bicondition）。P↔Q:“P当且仅当Q”。
2.量词（1）全称量词（universalquantifier）（x）：“对个体域中的所有（或任一个）个体x”。（2）存在量词（existentialquantifier）（x）：“在个体域中存在个体x”。全称量词和存在量词出现的次序将影响命题的意思。
3.谓词公式4.量词的辖域量词的辖域：位于量词后面的单个谓词或者用括弧括起来的谓词公式。约束变元与自由变元：辖域内与量词中同名的变元称为约束变元，不同名的变元称为自由变元。
谓词公式的性质1.谓词公式的解释2.谓词公式的永真性、可满足性、不可满足性如果谓词公式P对个体域D上的任何一个解释都取得真值T，则称P在D上是永真的；如果P在每个非空个体域上均永真，则称P永真。如果谓词公式P对个体域D上的任何一个解释都取得真值F，则称P在D上是永假的；如果P在每个非空个体域上均永假，则称P永假。对于谓词公式P，如果至少存在一个解释使得P在此解释下的真值为T，则称P是可满足的，否则，则称P是不可满足的。3.谓词公式的等价性4.谓词公式的永真蕴含
一阶谓词逻辑表示法的特点2.产生式表示法产生式通常用于表示事实、规则以及它们的不确定性度量，适合于表示事实性知识和规则性知识。基本形式：IFPTHENQ或者：P→QP是产生式的前提或条件，用于指出该产生式是否可用的条件。Q是一组结论或动作，用于指出该产生式的前提条件P被满足时，应该得出的结论或应该执行的操作。P和Q都可以是一个或一组数学表达式或自然语言。产生式与谓词逻辑中的蕴含式的区别：蕴含式是产生式的特例。1.除逻辑蕴含外，产生式还包括各种操作、规则、变换、算子、函数等。例如，“如果炉温超过上限，则立即关闭风门”是一个产生式，但不是蕴含式。2.蕴含式只能表示精确知识，而产生式不仅可以表示精确的知识，还可以表示不精确知识。蕴含式的匹配总要求是精确的。产生式匹配可以是精确的，也可以是不精确的，只要按某种算法求出的相似度落在预先指定的范围内就认为是可匹配的。
产生式的形式描述及语义——巴科斯范式BNF符号“::=”表示“定义为”；符号“|”表示“或者是”；符号“[]”表示“可缺省”。
产生式系统1.规则库:用于描述相应领域内知识的产生式集合。（运行时是不改变的）2.综合数据库(事实库、上下文、黑板等)：一个用于存放问题求解过程中各种当前信息的数据结构。（运行时是不断改变的）3.控制系统（推理机构）：由一组程序组成，负责整个产生式系统的运行，实现对问题的求解。控制系统要做以下几项工作：（1）从规则库中选择与综合数据库中的已知事实进行匹配。（2）匹配成功的规则可能不止一条，进行冲突消解。（3）执行某一规则时，如果其右部是一个或多个结论，则把这些结论加入到综合数据库中：如果其右部是一个或多个操作，则执行这些操作。（4）对于不确定性知识，在执行每一条规则时还要按一定的算法计算结论的不确定性。（5）检查综合数据库中是否包含了最终结论，决定是否停止系统的运行。
产生式系统的例子——动物识别系统规则库：e.g.:r1：IF该动物有毛发THEN该动物是哺乳动物……综合数据库：存放已知初始事实。推理机构的工作过程：（1）从规则库中取出r1，检查其前提是否可与综合数据库中的已知事实匹配。匹配失败则r1不能被用于推理。然后取r2进行同样的工作。匹配成功则r2被执行。（2）分别用r3，r4，r5，r6综合数据库中的已知事实进行匹配，均不成功。r7匹配成功，执行r7。（3）r11匹配成功，并推出“该动物是长颈鹿”。
产生式表示法的特点产生式表示法的优点（1）自然性（2）模块性（3）有效性（4）清晰性产生式表示法的缺点（1）效率不高（2）不能表达结构性知识适合产生式表示的知识（1）领域知识间关系不密切，不存在结构关系。（2）经验性及不确定性的知识，且相关领域中对这些知识没有严格、统一的理论。（3）领域问题的求解过程可被表示为一系列相对独立的操作，且每个操作可被表示为一条或多条产生式规则。2.框架表示法框架表示法：一种结构化的知识表示方法。框架（frame）：一种描述所论对象（一个事物、事件或概念）属性的数据结构。一个框架由若干个被称为“槽”（slot）的结构组成，每一个槽又可根据实际情况划分为若干个“侧面”（faced）。一个槽用于描述所论对象某一方面的属性。一个侧面用于描述相应属性的一个方面。槽和侧面所具有的属性值分别被称为槽值和侧面值。
ISA槽：对象间抽象概念上的类属关系，直观意义：是一个、是一种、是一只。一般用ISA槽指出的联系具有继承性。AKO槽：用于具体的指出对象间类属关系，直观意义：是一种。Instance槽：用于表示AKO槽的逆关系，用Instance槽指出的联系都具有继承性，即下层框架可继承上层框架中所描述的属性或值。Part-of槽：用于指出部分和全体的关系。
当把具体的信息填入槽或侧面后，就得到了相应框架的一个事例框架。e.g.用框架表示地震消息：
框架表示法的特点（1）结构性便于表达结构性知识，能够将知识的内部结构关系及知识间的联系表示出来。（2）继承性框架网络中，下层框架可以继承上层框架的槽值，也可以进行补充和修改。（3）自然性框架表示法与人在观察事物时的思维活动是一致的。
人工智能的历史、现状和未来
如同蒸汽时代的蒸汽机、电气时代的发电机、信息时代的计算机和互联网，人工智能正成为推动人类进入智能时代的决定性力量。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷转型发展，抢滩布局人工智能创新生态。世界主要发达国家均把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，力图在国际科技竞争中掌握主导权。习近平总书记在十九届中央政治局第九次集体学习时深刻指出，加快发展新一代人工智能是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。错失一个机遇，就有可能错过整整一个时代。新一轮科技革命与产业变革已曙光可见，在这场关乎前途命运的大赛场上，我们必须抢抓机遇、奋起直追、力争超越。
概念与历程
了解人工智能向何处去，首先要知道人工智能从何处来。1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能（ArtificialIntelligence，简称AI）”这一概念，标志着人工智能学科的诞生。
人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。
人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段：
一是起步发展期：1956年—20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
二是反思发展期：20世纪60年代—70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。
三是应用发展期：20世纪70年代初—80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。
四是低迷发展期：20世纪80年代中—90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
五是稳步发展期：20世纪90年代中—2010年。由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司（简称IBM）深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。
六是蓬勃发展期：2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。
现状与影响
对于人工智能的发展现状，社会上存在一些“炒作”。比如说，认为人工智能系统的智能水平即将全面超越人类水平、30年内机器人将统治世界、人类将成为人工智能的奴隶，等等。这些有意无意的“炒作”和错误认识会给人工智能的发展带来不利影响。因此，制定人工智能发展的战略、方针和政策，首先要准确把握人工智能技术和产业发展的现状。
专用人工智能取得重要突破。从可应用性看，人工智能大体可分为专用人工智能和通用人工智能。面向特定任务（比如下围棋）的专用人工智能系统由于任务单一、需求明确、应用边界清晰、领域知识丰富、建模相对简单，形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能。人工智能的近期进展主要集中在专用智能领域。例如，阿尔法狗（AlphaGo）在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，人工智能系统诊断皮肤癌达到专业医生水平。
通用人工智能尚处于起步阶段。人的大脑是一个通用的智能系统，能举一反三、融会贯通，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题，可谓“一脑万用”。真正意义上完备的人工智能系统应该是一个通用的智能系统。目前，虽然专用人工智能领域已取得突破性进展，但是通用人工智能领域的研究与应用仍然任重而道远，人工智能总体发展水平仍处于起步阶段。当前的人工智能系统在信息感知、机器学习等“浅层智能”方面进步显著，但是在概念抽象和推理决策等“深层智能”方面的能力还很薄弱。总体上看，目前的人工智能系统可谓有智能没智慧、有智商没情商、会计算不会“算计”、有专才而无通才。因此，人工智能依旧存在明显的局限性，依然还有很多“不能”，与人类智慧还相差甚远。
人工智能创新创业如火如荼。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷调整发展战略。比如，谷歌在其2017年年度开发者大会上明确提出发展战略从“移动优先”转向“人工智能优先”，微软2017财年年报首次将人工智能作为公司发展愿景。人工智能领域处于创新创业的前沿。麦肯锡公司报告指出，2016年全球人工智能研发投入超300亿美元并处于高速增长阶段；全球知名风投调研机构CBInsights报告显示，2017年全球新成立人工智能创业公司1100家，人工智能领域共获得投资152亿美元，同比增长141%。
创新生态布局成为人工智能产业发展的战略高地。信息技术和产业的发展史，就是新老信息产业巨头抢滩布局信息产业创新生态的更替史。例如，传统信息产业代表企业有微软、英特尔、IBM、甲骨文等，互联网和移动互联网时代信息产业代表企业有谷歌、苹果、脸书、亚马逊、阿里巴巴、腾讯、百度等。人工智能创新生态包括纵向的数据平台、开源算法、计算芯片、基础软件、图形处理器等技术生态系统和横向的智能制造、智能医疗、智能安防、智能零售、智能家居等商业和应用生态系统。目前智能科技时代的信息产业格局还没有形成垄断，因此全球科技产业巨头都在积极推动人工智能技术生态的研发布局，全力抢占人工智能相关产业的制高点。
人工智能的社会影响日益凸显。一方面，人工智能作为新一轮科技革命和产业变革的核心力量，正在推动传统产业升级换代，驱动“无人经济”快速发展，在智能交通、智能家居、智能医疗等民生领域产生积极正面影响。另一方面，个人信息和隐私保护、人工智能创作内容的知识产权、人工智能系统可能存在的歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等问题已经显现出来，需要抓紧提供解决方案。
趋势与展望
经过60多年的发展，人工智能在算法、算力（计算能力）和算料（数据）等“三算”方面取得了重要突破，正处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有诸多瓶颈。那么在可以预见的未来，人工智能发展将会出现怎样的趋势与特征呢？
从专用智能向通用智能发展。如何实现从专用人工智能向通用人工智能的跨越式发展，既是下一代人工智能发展的必然趋势，也是研究与应用领域的重大挑战。2016年10月，美国国家科学技术委员会发布《国家人工智能研究与发展战略计划》，提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。阿尔法狗系统开发团队创始人戴密斯·哈萨比斯提出朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。微软在2017年成立了通用人工智能实验室，众多感知、学习、推理、自然语言理解等方面的科学家参与其中。
从人工智能向人机混合智能发展。借鉴脑科学和认知科学的研究成果是人工智能的一个重要研究方向。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。在我国新一代人工智能规划和美国脑计划中，人机混合智能都是重要的研发方向。
从“人工+智能”向自主智能系统发展。当前人工智能领域的大量研究集中在深度学习，但是深度学习的局限是需要大量人工干预，比如人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据、用户需要人工适配智能系统等，非常费时费力。因此，科研人员开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。例如阿尔法狗系统的后续版本阿尔法元从零开始，通过自我对弈强化学习实现围棋、国际象棋、日本将棋的“通用棋类人工智能”。在人工智能系统的自动化设计方面，2017年谷歌提出的自动化学习系统（AutoML）试图通过自动创建机器学习系统降低人员成本。
人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度交叉的复合型学科，研究范畴广泛而又异常复杂，其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破，脑与认知科学的发展开启了新时代，能够大规模、更精细解析智力的神经环路基础和机制，人工智能将进入生物启发的智能阶段，依赖于生物学、脑科学、生命科学和心理学等学科的发现，将机理变为可计算的模型，同时人工智能也会促进脑科学、认知科学、生命科学甚至化学、物理、天文学等传统科学的发展。
人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来10年将进入高速增长期。例如，2016年9月，咨询公司埃森哲发布报告指出，人工智能技术的应用将为经济发展注入新动力，可在现有基础上将劳动生产率提高40%；到2035年，美、日、英、德、法等12个发达国家的年均经济增长率可以翻一番。2018年麦肯锡公司的研究报告预测，到2030年，约70%的公司将采用至少一种形式的人工智能，人工智能新增经济规模将达到13万亿美元。
人工智能将推动人类进入普惠型智能社会。“人工智能+X”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影响，并推动人类进入普惠型智能社会。2017年国际数据公司IDC在《信息流引领人工智能新时代》白皮书中指出，未来5年人工智能将提升各行业运转效率。我国经济社会转型升级对人工智能有重大需求，在消费场景和行业应用的需求牵引下，需要打破人工智能的感知瓶颈、交互瓶颈和决策瓶颈，促进人工智能技术与社会各行各业的融合提升，建设若干标杆性的应用场景创新，实现低成本、高效益、广范围的普惠型智能社会。
人工智能领域的国际竞争将日益激烈。当前，人工智能领域的国际竞赛已经拉开帷幕，并且将日趋白热化。2018年4月，欧盟委员会计划2018—2020年在人工智能领域投资240亿美元；法国总统在2018年5月宣布《法国人工智能战略》，目的是迎接人工智能发展的新时代，使法国成为人工智能强国；2018年6月，日本《未来投资战略2018》重点推动物联网建设和人工智能的应用。世界军事强国也已逐步形成以加速发展智能化武器装备为核心的竞争态势，例如美国特朗普政府发布的首份《国防战略》报告即谋求通过人工智能等技术创新保持军事优势，确保美国打赢未来战争；俄罗斯2017年提出军工拥抱“智能化”，让导弹和无人机这样的“传统”兵器威力倍增。
人工智能的社会学将提上议程。为了确保人工智能的健康可持续发展，使其发展成果造福于民，需要从社会学的角度系统全面地研究人工智能对人类社会的影响，制定完善人工智能法律法规，规避可能的风险。2017年9月，联合国犯罪和司法研究所（UNICRI）决定在海牙成立第一个联合国人工智能和机器人中心，规范人工智能的发展。美国白宫多次组织人工智能领域法律法规问题的研讨会、咨询会。特斯拉等产业巨头牵头成立OpenAI等机构，旨在“以有利于整个人类的方式促进和发展友好的人工智能”。
态势与思考
当前，我国人工智能发展的总体态势良好。但是我们也要清醒看到，我国人工智能发展存在过热和泡沫化风险，特别在基础研究、技术体系、应用生态、创新人才、法律规范等方面仍然存在不少值得重视的问题。总体而言，我国人工智能发展现状可以用“高度重视，态势喜人，差距不小，前景看好”来概括。
高度重视。党中央、国务院高度重视并大力支持发展人工智能。习近平总书记在党的十九大、2018年两院院士大会、全国网络安全和信息化工作会议、十九届中央政治局第九次集体学习等场合多次强调要加快推进新一代人工智能的发展。2017年7月，国务院发布《新一代人工智能发展规划》，将新一代人工智能放在国家战略层面进行部署，描绘了面向2030年的我国人工智能发展路线图，旨在构筑人工智能先发优势，把握新一轮科技革命战略主动。国家发改委、工信部、科技部、教育部等国家部委和北京、上海、广东、江苏、浙江等地方政府都推出了发展人工智能的鼓励政策。
态势喜人。据清华大学发布的《中国人工智能发展报告2018》统计，我国已成为全球人工智能投融资规模最大的国家，我国人工智能企业在人脸识别、语音识别、安防监控、智能音箱、智能家居等人工智能应用领域处于国际前列。根据2017年爱思唯尔文献数据库统计结果，我国在人工智能领域发表的论文数量已居世界第一。近两年，中国科学院大学、清华大学、北京大学等高校纷纷成立人工智能学院，2015年开始的中国人工智能大会已连续成功召开四届并且规模不断扩大。总体来说，我国人工智能领域的创新创业、教育科研活动非常活跃。
差距不小。目前我国在人工智能前沿理论创新方面总体上尚处于“跟跑”地位，大部分创新偏重于技术应用，在基础研究、原创成果、顶尖人才、技术生态、基础平台、标准规范等方面距离世界领先水平还存在明显差距。在全球人工智能人才700强中，中国虽然入选人数名列第二，但远远低于约占总量一半的美国。2018年市场研究顾问公司CompassIntelligence对全球100多家人工智能计算芯片企业进行了排名，我国没有一家企业进入前十。另外，我国人工智能开源社区和技术生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。我国参与制定人工智能国际标准的积极性和力度不够，国内标准制定和实施也较为滞后。我国对人工智能可能产生的社会影响还缺少深度分析，制定完善人工智能相关法律法规的进程需要加快。
前景看好。我国发展人工智能具有市场规模、应用场景、数据资源、人力资源、智能手机普及、资金投入、国家政策支持等多方面的综合优势，人工智能发展前景看好。全球顶尖管理咨询公司埃森哲于2017年发布的《人工智能：助力中国经济增长》报告显示，到2035年人工智能有望推动中国劳动生产率提高27%。我国发布的《新一代人工智能发展规划》提出，到2030年人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。在我国未来的发展征程中，“智能红利”将有望弥补人口红利的不足。
当前是我国加强人工智能布局、收获人工智能红利、引领智能时代的重大历史机遇期，如何在人工智能蓬勃发展的浪潮中选择好中国路径、抢抓中国机遇、展现中国智慧等，需要深入思考。
树立理性务实的发展理念。任何事物的发展不可能一直处于高位，有高潮必有低谷，这是客观规律。实现机器在任意现实环境的自主智能和通用智能，仍然需要中长期理论和技术积累，并且人工智能对工业、交通、医疗等传统领域的渗透和融合是个长期过程，很难一蹴而就。因此，发展人工智能要充分考虑到人工智能技术的局限性，充分认识到人工智能重塑传统产业的长期性和艰巨性，理性分析人工智能发展需求，理性设定人工智能发展目标，理性选择人工智能发展路径，务实推进人工智能发展举措，只有这样才能确保人工智能健康可持续发展。
重视固本强基的原创研究。人工智能前沿基础理论是人工智能技术突破、行业革新、产业化推进的基石。面临发展的临界点，要想取得最终的话语权，必须在人工智能基础理论和前沿技术方面取得重大突破。我们要按照习近平总书记提出的支持科学家勇闯人工智能科技前沿“无人区”的要求，努力在人工智能发展方向和理论、方法、工具、系统等方面取得变革性、颠覆性突破，形成具有国际影响力的人工智能原创理论体系，为构建我国自主可控的人工智能技术创新生态提供领先跨越的理论支撑。
构建自主可控的创新生态。我国人工智能开源社区和技术创新生态布局相对滞后，技术平台建设力度有待加强。我们要以问题为导向，主攻关键核心技术，加快建立新一代人工智能关键共性技术体系，全面增强人工智能科技创新能力，确保人工智能关键核心技术牢牢掌握在自己手里。要着力防范人工智能时代“空心化”风险，系统布局并重点发展人工智能领域的“新核高基”：“新”指新型开放创新生态，如产学研融合等；“核”指核心关键技术与器件，如先进机器学习技术、鲁棒模式识别技术、低功耗智能计算芯片等；“高”指高端综合应用系统与平台，如机器学习软硬件平台、大型数据平台等；“基”指具有重大原创意义和技术带动性的基础理论与方法，如脑机接口、类脑智能等。同时，我们要重视人工智能技术标准的建设、产品性能与系统安全的测试。特别是我国在人工智能技术应用方面走在世界前列，在人工智能国际标准制定方面应当掌握话语权，并通过实施标准加速人工智能驱动经济社会转型升级的进程。
推动共担共享的全球治理。目前看，发达国家通过人工智能技术创新掌控了产业链上游资源，难以逾越的技术鸿沟和产业壁垒有可能进一步拉大发达国家和发展中国家的生产力发展水平差距。在发展中国家中，我国有望成为全球人工智能竞争中的领跑者，应布局构建开放共享、质优价廉、普惠全球的人工智能技术和应用平台，配合“一带一路”建设，让“智能红利”助推共建人类命运共同体。
（作者：中央人民政府驻香港特别行政区联络办公室副主任、中国科学院院士）