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。
人工智能的研究及应用领域(1)
在大多数学科中存在着几个不同的研究领域，每个领域都有其特有的感兴趣的研究课题、研究技术和术语。在人工智能中，这样的领域包括自然语言处理、自动定理证明、自动程序设计、智能检索智能调度、机器学习、机器人学、专家系统、智能控制、模式识别、视觉系统、神经网络、agent、计算智能、问题求解、人工生命、人工智能方法和程序设计语言等。在过去50多年中，已经建立了一些具有人工智能的计算机系统，例如，能够求解微分方程的，下棋的，设计分析集成电路的，合成人类自然语言的，检索情报的，诊断疾病以及控制太空飞行器、地面移动机器人和水下机器人的具有不同程度人工智能的计算机系统。
值得指出的是，正如不同的人工智能子领域不是完全独立的一样，这里简介的各种智能特性也不是互不相关的。把它们分开来介绍只是为了便于指出现有的人工智能程序能够做些什么和还不能做什么。大多数人工智能研究课题都涉及许多智能领域。
1.问题求解与博弈
人工智能的第一个大成就是发展了能够求解难题的下棋(如国际象棋)程序(已在本章1.2.3节有详细介绍)。在下棋程序中应用的某些技术，如向前看几步，并把困难的问题分成一些比较容易的子问题，发展成为搜索和问题消解(归约)这样的人工智能基本技术。
通用人工智能是人工智能领域的一项重大挑战，其目标是让机器能够像人一样完成各种各样的任务。具体到游戏领域通用对弈游戏(generalgameplaying，GGP)致力于开发一种能够以人类水准玩任意已知或未知游戏的人工智能系统。IBM的超级计算机“深蓝”战胜国际象棋冠军卡斯帕罗夫标志着人工智能到达了一个新的高度。然而，“深蓝”的智能至少在两个方面还存在局限性：其一是只能玩国际象棋这一种游戏不具有通用性；其二是依赖于大量的人类游戏经验，不具有完全自主学习的能力。GGP研究的目标就是突破这些局限，它设置的环境要求机器必须在没有人类游戏经验的指导下玩各种各样的游戏。因此，GGP研究的进展反映了机器游戏智能在通用性和自主学习方面的发展，GGP比赛则成为一种评价机器游戏智能的标准。
今天的计算机程序能够下锦标赛水平的各种方盘棋、十五子棋、中国象棋和国际象棋，并取得前面提到的计算机棋手战胜国际和国家象棋冠军的成果。另一种问题求解程序把各种数学公式符号汇编在一起，其性能达到很高的水平，并正在为许多科学家和工程师所应用。有些程序甚至还能够用经验来改善其性能。
如前所述，这个问题中未解决的问题包括人类棋手具有的但尚不能明确表达的能力，如国际象棋大师们洞察棋局的能力。另一个未解决的问题涉及问题的原概念，在人工智能中叫做问题表示的选择。人们常常能够找到某种思考问题的方法从而使求解变易而解决该问题。到目前为止，人工智能程序已经知道如何考虑它们要解决的问题，即搜索解答空间，寻找较优的解答。
2.逻辑推理与定理证明
早期的逻辑演绎研究工作与问题和难题的求解相当密切。已经开发出的程序能够借助于对事实数据库的操作来“证明”断定；其中每个事实由分立的数据结构表示，就像数理逻辑中由分立公式表示一样。与人工智能的其他技术的不同之处是，这些方法能够完整和一致地加以表示。也就是说，只要本原事实是正确的，那么程序就能够证明这些从事实得出的定理，而且也仅仅是证明这些定理。
逻辑推理是人工智能研究中最持久的子领域之一。特别重要的是要找到一些方法，只把注意力集中在一个大型数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。
对数学中臆测的定理寻找一个证明或反证，确实称得上是一项智能任务。为此不仅需要有根据假设进行演绎的能力，而且需要某些直觉技巧。但是至少在当前，人工智能在数学推理中的表现显得并不尽如人意。这种推理对人工系统具有很大的挑战性，因为它不仅仅涉及处理数字，还需要一套认知能力，包括学习基本公理以及以正确的顺序进行推理、计划和做事的能力。
3.计算智能计算智能(computationalintelligence)涉及神经计算、模糊计算、进化计算、粒群计算、自然计算、免疫计算和人工生命等研究领域。
进化计算(evolutionarycomputation)是指一类以达尔文进化论为依据来设计、控制和优化人工系统的技术和方法的总称，它包括遗传算法(geneticalgorithm)、进化策略(evolutionarystrategy)和进化规划(evolutionaryprogramming)。自然选择的原则是适者生存，即物竞天择，优胜劣汰。
自然进化的这些特征早在20世纪60年代就引起了美国的霍兰(Holland)的极大兴趣。受达尔文进化论思想的影响，他逐渐认识到在机器学习中，为获得一个好的学习算法，仅靠单个策略的建立和改进是不够的，还要依赖于一个包含许多候选策略的群体的繁殖。他还认识到，生物的自然遗传现象与人工自适应系统行为的相似性，因此他提出在研究和设计人工自主系统时可以模仿生物自然遗传的基本方法。70年代初，霍兰提出了“模式理论”，并于1975年出版了《自然系统与人工系统的自适应》专著，系统地阐述了遗传算法的基本原理，奠定了遗传算法研究的理论基础。
遗传算法、进化规划、进化策略具有共同的理论基础，即生物进化论，因此，把这三种方法统称为进化计算，而把相应的算法称为进化算法。
人工生命是1987年提出的，旨在用计算机和精密机械等人工媒介生成或构造岀能够表现自然生命系统行为特征的仿真系统或模型系统。自然生命系统行为具有自组织、自复制、自修复等特征以及形成这些特征的混沌动力学、进化和环境适应。
人工生命的理论和方法有别于传统人工智能和神经网络的理论和方法。人工生命把生命现象所体现的自适应机理通过计算机进行仿真，对相关非线性对象进行更真实的动态描述和动态特征研究人工生命学科的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。
4.分布式人工智能与Agent
分布式人工智能(DistributedAI，DAI)是分布式计算与人工智能结合的结果。DAI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。
分布式人工智能的研究目标是要创建一种能够描述自然系统和社会系统的精确概念模型。DAI中的智能并非独立存在的概念，只能在团体协作中实现，因而其主要研究问题是各agent间的合作与对话，包括分布式问题求解和多agent系统(Multi-AgentSystem，MAS)两领域MAS更能体现人类的社会智能，具有更大的灵活性和适应性，更适合开放和动态的世界环境，因而倍受重视，已成为人工智能乃至计算机科学和控制科学与工程的研究热点。MAS解决实际问题的方式可以理解为一种基于agent的协作问题，而分布式约束则可以描述领域对象的性质、相互关系、任务要求、目标，因此可以作为一种有效的方法表示这种agent间的协作关系。
(人工智能知识系列由樊重俊教授人工智能团队编写，转发本文请标明作者与出处。欢迎关注，带你一起长知识！)
人工智能 之 定义与发展
文章目录定义发展阶段主要流派定义智能的定义： 智能是一种应用知识处理环境的能力或由目标准则衡量的抽象思考能力，即一种理解和学习事物的能力。
智能机器的定义： 智能机器是一种能够在不确定环境中执行各种拟人任务达到预期目标的机器，即一种能呈现人类智能行为的机器。
人工智能的定义有很多，但总的来说就是机器应用算法进行数据学习和使用所学进行如同人类进行决策的能力。
发展阶段人工智能的发展阶段大致分为六个：
孕育期（1956年前） 在该阶段，丘奇、图灵等学者们提出了数理逻辑和计算新思路，为人工智能的发展提供了理论基础。形成阶段（1956-1970年） 在该阶段，举办了第一次人工智能研讨会，编写了第一套人工智能程序，创办了《人工智能》杂志。暗淡阶段（1966-1974年） 因为知识、解法、结构的局限性，人工智能的发展陷入低迷。知识应用阶段（1970-1988年） 专家系统的提出，使人工智能知识得到应用。集成发展阶段（1986-2010年） 因专家系统存在应用领域狭窄、知识获得困难、推理机制单一的问题，人们需要研究一个新的机制来推动人工智能的发展。人工智能延伸出三个流派：符号主义、连接主义和行为主义，三个流派携手合作、走综合集成、优势互补。融合发展阶段（2011年至今） 该阶段实现人工智能各个核心技术的大融合以及人工智能与实体经济的深度融合。主要流派人工智能的主要学派：
符号主义：一种基于逻辑推理的智能模拟方法，原理主要是物理符号系统假设和有限合理性原理。个人理解就是将思维活动符号化。连接主义：连接主义认为人工智能源于仿生学，特别是人脑模型的研究。行为主义：行为主义认为人工智能源于控制论。