计算机智能的技术的应用,计算机人工智能技术的应用与发展(1)
摘要在当前的互联网+时代，人工智能技术已经不再只存在于科幻电影中，其神秘面纱已经被揭开，并且被广泛地应用在工业、第三产业和民生中。随着科学技术的不断突破与进步，未来计算机人工智能技术还将发挥更加重要的作用。再加上当前计算机人工智能技术发展过程中也出现了一些问题，所以研究计算机人工智能技术的应用和发展就很有必要。本文就从计算机人工智能技术概述、其在我国当前的实际应用和未来的发展趋势三个方面进行详细的阐述。
关键词计算机人工智能技术应用发展趋势
中图分类号：TP18文献标识码：A
在早年的科幻电影中，总是会出现机器和人的_突，在不少该题材的电影中，机器人因为人工智能技术被赋予了生命，从而引发了一系列的问题。时至今日，该场面似乎已经成为现实，计算机人工智能技术已经得到非常广泛的发展和应用，已经不单单应用在机器人领域，还在社会学、工业发展、哲学、游戏业等多种学科和行业中得到极为广泛的应用。伴随着互联网技术的不断发展和各种智能设备的“平民化”，人工智能技术在未来相当长一段时间内都还会是一个较为热门的话题和学科。
1计算机人工智能技术概述
1.1人工智能技术的概念和提出
2016年，在世界范围内有一个新闻被人们津津乐道。AlphaGo挑战人类围棋高手，并且以4：1的比分战胜了世界围棋冠军李在石。这个被人们爱称为“阿尔法狗”的人工智能机器人就涉及到了当下非常流行的一个话题：人工智能。
人工智能技术是计算机科学的一个重要分支，它指的是利用计算机的运行，使原本不具备自主意识的计算机硬件设备能够以类似人类反应的方式，使计算机硬件实现表面上的“智能化”，从而使人类生活更加便捷的一种技术。传统的人工智能技术被人们熟知和了解主要是在智能机器人领域&
人工智能的创新发展与社会影响
党的十八大以来，习近平总书记把创新摆在国家发展全局的核心位置，高度重视人工智能发展，多次谈及人工智能的重要性，为人工智能如何赋能新时代指明了方向。2018世界人工智能大会9月17日在上海开幕，习总书记致信祝贺并强调指出人工智能发展应用将有力提高经济社会发展智能化水平，有效增强公共服务和城市管理能力。深入学习领会习总书记关于人工智能的一系列重要论述，务实推进我国《新一代人工智能发展规划》，有效规避人工智能“鸿沟”，着力收获人工智能“红利”，对建设世界科技强国、实现“两个一百年”的奋斗目标具有重大战略意义。
一、引言
1956年人工智能（ArtificialIntelligence，简称AI）的概念被正式提出，标志着人工智能学科的诞生，其发展目标是赋予机器类人的感知、学习、思考、决策和行动等能力。经过60多年的发展，人工智能已取得突破性进展，在经济社会各领域开始得到广泛应用并形成引领新一轮产业变革之势，推动人类社会进入智能化时代。美国、日本、德国、英国、法国、俄罗斯等国家都制定了发展人工智能的国家战略，我国也于2017年发布了《新一代人工智能发展规划》，发改委、工信部、科技部、教育部等国家部委和北京、上海、广东、江苏等地政府也相继出台推动人工智能发展的相关政策文件，社会各界对人工智能的重大战略意义已形成广泛共识。
跟其他高科技一样，人工智能也是一把双刃剑。如何认识人工智能的社会影响，也有“天使派”和“魔鬼派”之分。“天使派”认为，人工智能领域的科技创新和成果应用取得重大突破，有望引领第四次工业革命，对社会、经济、军事等领域将产生变革性影响，在制造、交通、教育、医疗、服务等方面可以造福人类；“魔鬼派”认为，人工智能是人类的重大威胁，比核武器还危险，有可能引发第三次世界大战。2018年2月，牛津大学、剑桥大学和OpenAI公司等14家机构共同发布题为《人工智能的恶意使用：预测、预防和缓解》的报告，指出人工智能可能给人类社会带来数字安全、物理安全和政治安全等潜在威胁，并给出了一些建议来减少风险。
总体上看，已过花甲之年的人工智能当前的发展具有“四新”特征：以深度学习为代表的人工智能核心技术取得新突破、“智能+”模式的普适应用为经济社会发展注入新动能、人工智能成为世界各国竞相战略布局的新高地、人工智能的广泛应用给人类社会带来法律法规、道德伦理、社会治理等方面一系列的新挑战。因此人工智能这个机遇与挑战并存的新课题引起了全球范围内的广泛关注和高度重视。虽然人工智能未来的创新发展还存在不确定性，但是大家普遍认可人工智能的蓬勃兴起将带来新的社会文明，将推动产业变革，将深刻改变人们的生产生活方式，将是一场影响深远的科技革命。
为了客观认识人工智能的本质内涵和创新发展，本报告在简要介绍人工智能基本概念与发展历程的基础上，着重分析探讨人工智能的发展现状和未来趋势，试图揭示人工智能的真实面貌。很显然，在当下人工智能蓬勃发展的历史浪潮中如何选择中国路径特别值得我们深入思考和探讨。因此，本报告最后就我国人工智能发展态势、存在问题和对策建议也进行了阐述。
二、人工智能的发展历程与启示
1956年夏，麦卡锡（JohnMcCarthy）、明斯基（MarvinMinsky）、罗切斯特（NathanielRochester）和香农（ClaudeShannon）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”这一概念，标志着人工智能学科的诞生。人工智能的目标是模拟、延伸和扩展人类智能，探寻智能本质，发展类人智能机器。人工智能充满未知的探索道路曲折起伏，如何描述1956年以来60余年的人工智能发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能60余年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。人工智能概念在1956年首次被提出后，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、LISP表处理语言等，掀起了人工智能发展的第一个高潮。
二是反思发展期：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了低谷。
三是应用发展期：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，推动人工智能走入了应用发展的新高潮。
四是低迷发展期：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：90年代中-2010年。由于网络技术特别是互联网技术的发展，信息与数据的汇聚不断加速，互联网应用的不断普及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，这些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（GraphicsProcessingUnit，简称GPU）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，大幅跨越科学与应用之间的“技术鸿沟”，图像分类、语音识别、知识问答、人机对弈、无人驾驶等具有广阔应用前景的人工智能技术突破了从“不能用、不好用”到“可以用”的技术瓶颈，人工智能发展进入爆发式增长的新高潮。
通过总结人工智能发展历程中的经验和教训，我们可以得到以下启示：
（一）尊重学科发展规律是推动学科健康发展的前提。科学技术的发展有其自身的规律，顺其者昌，违其者衰。人工智能学科发展需要基础理论、数据资源、计算平台、应用场景的协同驱动，当条件不具备时很难实现重大突破。
（二）基础研究是学科可持续发展的基石。加拿大多伦多大学杰弗里·辛顿（GeoffreyHinton）教授坚持研究深度神经网络30年，奠定人工智能蓬勃发展的重要理论基础。谷歌的DeepMind团队长期深入研究神经科学启发的人工智能等基础问题，取得了阿尔法狗等一系列重大成果。
（三）应用需求是科技创新的不竭之源。引领学科发展的动力主要来自于科学和需求的双轮驱动。人工智能发展的驱动力除了知识与技术体系内在矛盾外，贴近应用、解决用户需求是创新的最大源泉与动力。比如专家系统人工智能实现了从理论研究走向实际应用的突破，近些年来安防监控、身份识别、无人驾驶、互联网和物联网大数据分析等实际应用需求带动了人工智能的技术突破。
（四）学科交叉是创新突破的“捷径”。人工智能研究涉及信息科学、脑科学、心理科学等，上世纪50年代人工智能的出现本身就是学科交叉的结果。特别是脑认知科学与人工智能的成功结合，带来了人工智能神经网络几十年的持久发展。智能本源、意识本质等一些基本科学问题正在孕育重大突破，对人工智能学科发展具有重要促进作用。
（五）宽容失败应是支持创新的题中应有之义。任何学科的发展都不可能一帆风顺，任何创新目标的实现都不会一蹴而就。人工智能60余载的发展生动地诠释了一门学科创新发展起伏曲折的历程。可以说没有过去发展历程中的“寒冬”就没有今天人工智能发展新的春天。
（六）实事求是设定发展目标是制定学科发展规划的基本原则。达到全方位类人水平的机器智能是人工智能学科宏伟的终极目标，但是需要根据科技和经济社会发展水平来设定合理的阶段性研究目标，否则会有挫败感从而影响学科发展，人工智能发展过程中的几次低谷皆因不切实际的发展目标所致。
三、人工智能的发展现状与影响
人工智能经过60多年的发展，理论、技术和应用都取得了重要突破，已成为推动新一轮科技和产业革命的驱动力，深刻影响世界经济、政治、军事和社会发展，日益得到各国政府、产业界和学术界的高度关注。从技术维度来看，人工智能技术突破集中在专用智能，但是通用智能发展水平仍处于起步阶段；从产业维度来看，人工智能创新创业如火如荼，技术和商业生态已见雏形；从社会维度来看，世界主要国家纷纷将人工智能上升为国家战略，人工智能社会影响日益凸显。
（一）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。面向特定领域的人工智能技术（即专用人工智能）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，因此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，统计学习是专用人工智能走向实用的理论基础。深度学习、强化学习、对抗学习等统计机器学习理论在计算机视觉、语音识别、自然语言理解、人机博弈等方面取得成功应用。例如，阿尔法狗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，语音识别系统5.1%的错误率比肩专业速记员，人工智能系统诊断皮肤癌达到专业医生水平，等等。
（二）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。虽然包括图像识别、语音识别、自动驾驶等在内的专用人工智能领域已取得突破性进展，但是通用智能系统的研究与应用仍然是任重而道远，人工智能总体发展水平仍处于起步阶段。美国国防高级研究计划局（DefenseAdvancedResearchProjectsAgency，简称DARPA）把人工智能发展分为三个阶段：规则智能、统计智能和自主智能，认为当前国际主流人工智能水平仍然处于第二阶段，核心技术依赖于深度学习、强化学习、对抗学习等统计机器学习，AI系统在信息感知（Perceiving）、机器学习（Learning）等智能水平维度进步显著，但是在概念抽象（Abstracting）和推理决策（Reasoning）等方面能力还很薄弱。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。
（三）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，在其2017年的年度开发者大会上，谷歌明确提出发展战略从“MobileFirst”（移动优先）转向“AIFirst”（AI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，麦肯锡报告2016年全球人工智能研发投入超300亿美元并处于高速增长，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%。
（四）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（IT）和产业的发展史就是新老IT巨头抢滩布局IT创新生态的更替史。例如，传统信息产业IT（InformationTechnology）代表企业有微软、英特尔、IBM、甲骨文等，互联网和移动互联网IT（InternetTechnology）代表企业有谷歌、苹果、脸书、亚马逊、阿里巴巴、腾讯、百度等，目前智能科技IT（IntelligentTechnology）的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AI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GPU服务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。在技术生态方面，人工智能算法、数据、图形处理器（GraphicsProcessingUnit，简称GPU）/张量处理器（TensorProcessingUnit，简称TPU）/神经网络处理器（NeuralnetworkProcessingUnit，NPU）计算、运行/编译/管理等基础软件已有大量开源资源，例如谷歌的TensorFlow第二代人工智能学习系统、脸书的PyTorch深度学习框架、微软的DMTK分布式学习工具包、IBM的SystemML开源机器学习系统等；此外谷歌、IBM、英伟达、英特尔、苹果、华为、中国科学院等积极布局人工智能领域的计算芯片。在人工智能商业和应用生态布局方面，“智能+X”成为创新范式，例如“智能+制造”、“智能+医疗”、“智能+安防”等，人工智能技术向创新性的消费场景和不同行业快速渗透融合并重塑整个社会发展，这是人工智能作为第四次技术革命关键驱动力的最主要表现方式。人工智能商业生态竞争进入白热化，例如智能驾驶汽车领域的参与者既有通用、福特、奔驰、丰田等传统龙头车企，又有互联网造车者如谷歌、特斯拉、优步、苹果、百度等新贵。
（五）人工智能上升为世界主要国家的重大发展战略。人工智能正在成为新一轮产业变革的引擎，必将深刻影响国际产业竞争格局和一个国家的国际竞争力。世界主要发达国家纷纷把发展人工智能作为提升国际竞争力、维护国家安全的重大战略，加紧积极谋划政策，围绕核心技术、顶尖人才、标准规范等强化部署，力图在新一轮国际科技竞争中掌握主导权。无论是德国的“工业4.0”、美国的“工业互联网”、日本的“超智能社会”、还是我国的“中国制造2025”等重大国家战略，人工智能都是其中的核心关键技术。2017年7月，国务院发布了《新一代人工智能发展规划》，开启了我国人工智能快速创新发展的新征程。
（六）人工智能的社会影响日益凸显。人工智能的社会影响是多元的，既有拉动经济、服务民生、造福社会的正面效应，又可能出现安全失控、法律失准、道德失范、伦理失常、隐私失密等社会问题，以及利用人工智能热点进行投机炒作从而存在泡沫风险。首先，人工智能作为新一轮科技革命和产业变革的核心力量，促进社会生产力的整体跃升，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发展积极正面影响。与此同时，我们也要看到人工智能引发的法律、伦理等问题日益凸显，对当下的社会秩序及公共管理体制带来了前所未有的新挑战。例如，2016年欧盟委员会法律事务委员会提交一项将最先进的自动化机器人身份定位为“电子人（electronicpersons）”的动议，2017年沙特阿拉伯授予机器人“索菲亚”公民身份，这些显然冲击了传统的民事主体制度。那么，是否应该赋予人工智能系统法律主体资格？另外在人工智能新时代，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都需要我们从法律法规、道德伦理、社会管理等多个角度提供解决方案。
由于人工智能与人类智能密切关联且应用前景广阔、专业性很强，容易造成人们的误解，也带来了不少炒作。例如，有些人错误地认为人工智能就是机器学习（深度学习），人工智能与人类智能是零和博弈，人工智能已经达到5岁小孩的水平，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。这些错误认识会给人工智能的发展带来不利影响。还有不少人对人工智能预期过高，以为通用智能很快就能实现，只要给机器人发指令就可以干任何事。另外，有意炒作并通过包装人工智能概念来谋取不当利益的现象时有发生。因此，我们有义务向社会大众普及人工智能知识，引导政府、企业和广大民众科学客观地认识和了解人工智能。
四、人工智能的发展趋势与展望
人工智能经过六十多年的发展突破了算法、算力和算料（数据）等“三算”方面的制约因素，拓展了互联网、物联网等广阔应用场景，开始进入蓬勃发展的黄金时期。从技术维度看，当前人工智能处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有数据、能耗、泛化、可解释性、可靠性、安全性等诸多瓶颈，创新发展空间巨大，从专用到通用智能，从机器智能到人机智能融合，从“人工+智能”到自主智能，后深度学习的新理论体系正在酝酿；从产业和社会发展维度看，人工智能通过对经济和社会各领域渗透融合实现生产力和生产关系的变革，带动人类社会迈向新的文明，人类命运共同体将形成保障人工智能技术安全、可控、可靠发展的理性机制。总体而言，人工智能的春天刚刚开始，创新空间巨大，应用前景广阔。
（一）从专用智能到通用智能。如何实现从狭义或专用人工智能（也称弱人工智能，具备单一领域智能）向通用人工智能（也称强人工智能，具备多领域智能）的跨越式发展，既是下一代人工智能发展的必然趋势，也是国际研究与应用领域的挑战问题。2016年10月美国国家科学技术委员会发布了《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。DeepMind创始人戴密斯·哈萨比斯（DemisHassabis）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7月成立了通用人工智能实验室，100多位感知、学习、推理、自然语言理解等方面的科学家参与其中。
（二）从人工智能到人机混合智能。人工智能的一个重要研究方向就是借鉴脑科学和认知科学的研究成果，研究从智能产生机理和本质出发的新型智能计算模型与方法，实现具有脑神经信息处理机制和类人智能行为与智能水平的智能系统。在美国、欧盟、日本等国家和地区纷纷启动的脑计划中，类脑智能已成为核心目标之一。英国工程与自然科学研究理事会EPSRC发布并启动了类脑智能研究计划。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。人机混合智能得到了我国新一代人工智能规划、美国脑计划、脸书（脑机语音文本界面）、特斯拉汽车创始人埃隆·马斯克（人脑芯片嵌入和脑机接口）等的高度关注。
（三）从“人工+智能”到自主智能系统。当前人工智能的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：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（非常费时费力）、用户需要人工适配智能系统等。因此已有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AI”。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AI人员成本。
（四）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、材料等传统科学的发展。例如，2018年美国麻省理工学院启动的“智能探究计划”（MITIntelligenceQuest）就联合了五大学院进行协同攻关。
（五）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十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，在现有基础上能够提高劳动生产率40%；美、日、英、德、法等12个发达国家（现占全球经济总量的一半）到2035年，年经济增长率平均可以翻一番。2018年麦肯锡的研究报告表明到2030年人工智能新增经济规模将达到13万亿美元。
（六）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》白皮书中指出未来五年人工智能提升各行业运转效率，其中教育业提升82%，零售业71%，制造业64%，金融业58%。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。
（七）人工智能领域的国际竞争将日趋激烈。“未来谁率先掌握人工智能，谁就能称霸世界”。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》重点推动物联网建设和人工智能的应用。世界军事强国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》报告即提出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。
（八）人工智能的社会学将提上议程。水能载舟，亦能覆舟。任何高科技也都是一把双刃剑。随着人工智能的深入发展和应用的不断普及，其社会影响日益明显。人工智能应用得当、把握有度、管理规范，就能有效控制负面风险。为了确保人工智能的健康可持续发展并确保人工智能的发展成果造福于民，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，深入分析人工智能对未来经济社会发展的可能影响，制定完善的人工智能法律法规，规避可能风险，确保人工智能的正面效应。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。2018年4月，欧洲25个国家签署了《人工智能合作宣言》，从国家战略合作层面来推动人工智能发展，确保欧洲人工智能研发的竞争力，共同面对人工智能在社会、经济、伦理及法律等方面的机遇和挑战。
五、我国人工智能的发展态势与思考
我国当前人工智能发展的总体态势良好。中国信通院联合高德纳咨询公司（Gartner）于2018年9月发布的《2018世界人工智能产业发展蓝皮书》报告统计，我国（不含港澳台地区）人工智能企业总数位列全球第二（1040家），仅次于美国（2039家）。在人工智能总体水平和应用方面，我国也处于国际前列，发展潜力巨大，有望率先突破成为全球领跑者。但是我们也要清醒地看到，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。
一是高度重视。党和国家高度重视并大力发展人工智能。党的十八大以来，习近平总书记把创新摆在国家发展全局的核心位置，高度重视人工智能发展，多次谈及人工智能的重要性，为人工智能如何赋能新时代指明方向。2016年7月习总书记明确指出，人工智能技术的发展将深刻改变人类社会生活，改变世界，应抓住机遇，在这一高技术领域抢占先机。在党的十九大报告中，习总书记强调“要推动互联网、大数据、人工智能和实体经济深度融合”。在2018年两院院士大会上，习总书记再次强调要“推进互联网、大数据、人工智能同实体经济深度融合，做大做强数字经济”。在2017年和2018年的《政府工作报告》中，李克强总理都提到了要加强新一代人工智能发展。2017年7月，国务院发布了《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，人工智能将成为今后一段时期的国家重大战略。发改委、工信部、科技部、教育部、中央网信办等国家部委和北京、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。
二是态势喜人。根据2017年爱思唯尔（Elsevier）文献数据库SCOPUS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。从2012年开始，我国在人工智能领域新增专利数量已经开始超越美国。据清华大学发布的《中国人工智能发展报告2018》统计，我国已成全球人工智能投融资规模最大国家，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。近两年，清华大学、北京大学、中国科学院大学、浙江大学、上海交通大学、南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（CCAI）已连续成功召开四届、规模不断扩大，人工智能领域的教育、科研与学术活动层出不穷。
三是差距不小。我国人工智能在基础研究、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较大差距。英国牛津大学2018年的一项研究报告指出中国的人工智能发展能力大致为美国的一半水平。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，存在“头重脚轻”的不均衡现象。在Top700全球AI人才中，中国虽然名列第二，但入选人数远远低于占一半数量的美国。据领英《全球AI领域人才报告》统计，截至2017年一季度全球人工智能领域专业技术人才数量超过190万，其中美国超过85万，我国仅超过5万人，排名全球第7位。2018年市场研究顾问公司CompassIntelligence对全球100多家AI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。我国制定完善人工智能相关法律法规的进程需要加快，对可能产生的社会影响还缺少深度分析。
四是前景看好。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。
人类社会已开始迈入智能化时代，人工智能引领社会发展是大势所趋，不可逆转。经历六十余年积累后，人工智能开始进入爆发式增长的红利期。伴随着人工智能自身的创新发展和向经济社会的全面渗透，这个红利期将持续相当长的时期。现在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、展现中国智慧需要深入思考。
（一）树立理性务实的发展理念。围棋人机大战中阿尔法狗战胜李世石后，社会大众误以为人工智能已经无所不能，一些地方政府、社会企业、风险资金因此不切实际一窝蜂发展人工智能产业，一些别有用心的机构则有意炒作并通过包装人工智能概念来谋取不当利益。这种“一拥而上、一哄而散”的跟风行为不利于人工智能的健康可持续发展。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。根据高德纳咨询公司发布的技术发展曲线，当前智能机器人、认知专家顾问、机器学习、自动驾驶等人工智能热门技术与领域正处于期望膨胀期，但是通用人工智能及人工智能的整体发展仍处于初步阶段，人工智能还有很多“不能”，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。因此发展人工智能不能以短期牟利为目的，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，并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。
（二）加强基础扎实的原创研究。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。在此发展的临界点，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。根据2017年爱思唯尔文献数据库SCOPUS统计结果，尽管我国在人工智能领域发表的论文数量已经排名世界第一，但加权引文影响力则只排名34位。为了客观评价我国在人工智能基础研究方面的整体实力，我们搜索了SCI期刊、神经信息处理系统大会（ConferenceonNeuralInformationProcessingSystems，简称NIPS）等主流人工智能学术会议关于通用智能、深度学习、类脑智能、脑智融合、人机博弈等关键词的论文统计情况，可以清楚看到在人工智能前沿方向中国与美国相比基础实力存在巨大差距：在高质量论文数量方面（按中科院划定的SCI一区论文标准统计），美国是中国的5.34倍（1325:248）；在人才储备方面（SCI论文通讯作者），美国是中国的2.12倍（4804:2267）。
我国应对标国际最高水平，建设面向未来的人工智能基础科学研究中心，重点发展原创性、基础性、前瞻性、突破性的人工智能科学。应该鼓励科研人员瞄准人工智能学科前沿方向开展引领性原创科学研究，通过人工智能与脑认知、神经科学、心理学等学科的交叉融合，重点聚焦人工智能领域的重大基础性科学问题，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。
（三）构建自主可控的创新生态。美国谷歌、IBM、微软、脸书等企业在AI芯片、服务器、操作系统、开源算法、云服务、无人驾驶等方面积极构建创新生态、抢占创新高地，已经在国际人工智能产业格局中占据先机。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，国际影响力有待提高。美国对中兴通讯发禁令一事充分说明自主可控“核高基”技术的重要性，我国应该吸取在核心电子器件、高端通用芯片及基础软件方面依赖进口的教训，避免重蹈覆辙，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，如军民融合、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。
另外，我们需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，并通过标准实施加速人工智能驱动经济社会转型升级的进程。
（四）建立协同高效的创新体系。我国经济社会转型升级对人工智能有重大需求，但是单一的创新主体很难实现政策、市场、技术、应用等方面的全面突破。目前我国学术界、产业界、行业部门在人工智能发展方面各自为政的倾向比较明显，数据资源开放共享不够，缺少对行业资源的有效整合。相比而言，美国已经形成了全社会、全场景、全生态协同互动的人工智能协同创新体系，军民融合和产学研结合都做得很好。我国应在体制机制方面进一步改革创新，建立“军、政、产、学、研、用”一体的人工智能协同创新体系。例如，国家进行顶层设计和战略规划，举全国优势力量设立军事智能的研发和应用平台，提供“人工智能+X”行业融合、打破行业壁垒和行政障碍的激励政策；科技龙头企业引领技术创新生态建设，突破人工智能的重大技术瓶颈；高校科研机构进行人才培养和原始创新，着力构建公共数据资源与技术平台，共同建设若干标杆性的应用创新场景，推动成熟人工智能技术在城市、医疗、金融、文化、农业、交通、能源、物流、制造、安全、服务、教育等领域的深度应用，建设低成本高效益广范围的普惠型智能社会。
（五）加快创新人才的教育培养。发展人工智能关键在人才，中高端人才短缺已经成为我国人工智能做大做强的主要瓶颈。另外，我国社会大众的人工智能科技素养也需要进一步提升，每一个人都需要去适应人工智能时代的科技浪潮。在加强人工智能领军人才培养引进的同时，要面向技术创新和产业发展多层次培养人工智能创新创业人才。《新一代人工智能发展规划》提出逐步开展全民智能教育项目，在中小学阶段设置人工智能课程。目前人工智能科普活动受到各地学校的欢迎，但是缺少通俗易懂的高质量人工智能科普教材、寓教于乐的实验设备和器材、开放共享的教学互动资源平台。国家相关部门应高度重视人工智能教育领域的基础性工作，增加投入，组织优势力量，加强高水平人工智能教育内容和资源平台建设，加快人工智能专业的教学师资培训，从教材、教具、教师等多个环节全面保障我国人工智能教育工作的开展。
（六）推动共担共享的全球治理。人工智能将重塑全球政治和经济格局，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将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。美国、日本、德国等通过人工智能和机器人的技术突破和广泛应用弥补他们的人力成本劣势，希望制造业从新兴国家回流发达国家。目前看，我国是发展中国家阵容中唯一有望成为全球人工智能竞争中的领跑者，应采取不同于一些国家的“经济垄断主义、技术保护主义、贸易霸凌主义”路线，尽快布局构建开放共享、质优价廉、普惠全球的人工智能技术和应用平台，配合国家“一带一路”战略，向亚洲、非洲、南美等经济欠发达地区输出高水平、低成本的“中国智造”成果、提供人工智能时代的中国方案，为让人工智能时代的“智能红利”普惠人类命运共同体做出中国贡献！
（七）制定科学合理的法律法规。要想实实在在收获人工智能带来的红利，首先应保证其安全、可控、可靠发展。美国和欧洲等发达国家和地区十分重视人工智能领域的法律法规问题。美国白宫多次组织这方面的研讨会、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；科研人员自发签署23条“阿西洛马人工智能原则”，意图在规范人工智能科研及应用等方面抢占先机。我国在人工智能领域的法律法规制定及风险管控方面相对滞后，这种滞后局面与我国现阶段人工智能发展的整体形势不相适应，并可能成为我国人工智能下一步创新发展的一大掣肘。因此，有必要大力加强人工智能领域的立法研究，制定相应的法律法规，建立健全公开透明的人工智能监管体系，构建人工智能创新发展的良好法规环境。
（八）加强和鼓励人工智能社会学研究。人工智能的社会影响将是深远的、全方位的。我们当未雨绸缪，从国家安全、社会治理、就业结构、伦理道德、隐私保护等多个维度系统深入研究人工智能可能的影响，制定合理可行的应对措施，确保人工智能的正面效应。应大力加强人工智能领域的科普工作，打造科技与伦理的高效对话机制和沟通平台，消除社会大众对人工智能的误解与恐慌，为人工智能的发展营造理性务实、积极健康的社会氛围。
六、结束语
人工智能经过60多年的发展，进入了创新突破的战略机遇期和产业应用的红利收获期，必将对生产力和产业结构以及国际格局产生革命性影响，并推动人类进入普惠型智能社会。但是，我们需要清醒看到通用人工智能及人工智能的整体发展仍处于初级阶段，人工智能不是万能，人工智能还有很多“不能”。我们应当采取理性务实的发展路径，扎实推进基础研究、技术生态、人才培养、法律规范等方面的工作，在开放中创新，在创新中发展，全速跑赢智能时代，着力建设人工智能科技强国！
（主讲人系中国科学院院士）
人工智能对计算机技术的,人工智能技术在计算机网络技术的影响
随着科技的发展，计算机这些智能化的物品已经渗透人们的日常生活的方方面面。而人工智能技术的出现和应用会对计算机网络技术的发展带来更多的优势和创新。本文将针对人工智能技术进行讨论和分析，从而发掘其在计算机网络技术应用方面的优势和劣势，以此促进计算机网络技术的发展。
计算机网络技术在各行各业得到了广泛的应用，改变了人们的生活和工作方式。随着人工智能的出现，计算机网络技术便面临着一项全新的挑战——结合人工智能技术进行更加完善的发展。如若这项挑战可以成功，计算机网络技术的不足便会得到弥补，进而给人们带来更多的实用价值。
一、人工智能概况
人工智能是一项综合性的技术，因为其涵盖的内容非常广泛，有计算机学、物理学、语言学甚至心理学。因此，拥有人工智能的机器可以代替工人去完成一些危险而又复杂的工作，从而减少危险事故的发生，进一步提高工作效率和质量。20世纪50年代，相关专家第一次提出了人工智能这一全新的理念，随后人工智能技术一直在不断地发展和创新。一开始，人工智能主要应用在机器上，专门为各种复杂的计算方式提供服务，减轻人们的工作量。后来，专家们开始研发机器人，希望这些机器能够拥有像人类一样灵活的思维方式。之后，人工智能技术发展得更加完善了，它能够结合大量数据对某一方面的工作进行全面的、系统的分析，大大提高了人们的工作效率。如今人们主要将人工智能应用在两个方面：第一，可以帮助人们完成一些复杂、费时的工作；第二
人工智能与计算机发展史
人工智能的由来人工智能的发展得益于信息化技术，人工智能也就是信息化发展的新阶段，是新一轮科技革命和产业变革的前沿领域，是培育新动能的重要方向。
谈到信息化，我们应该谈到两个人及其理论，首先想到了“现代计算机之父”—冯.诺依曼，他在二十世纪四十年代，设计了经典的冯.诺依曼结构，就是将软件命令和数据都存在一起，把程序本身当做数据来对待，整个设备由中央处理器，内存，硬盘，输入接口，输出设备组合而成。今天，我们仍然采用这样的结构开发人工智能软件。
其次就是“信息论之父”—香农（ClaudeShannon），信息是个很抽象的概念，很难量化描述，直到1948年，美国的数学家香农提出了“信息熵”的概念，才解决了对信息的量化、度量问题。信息熵可理解成某种特定信息的出现概率，在机器学习、深度学习、强化学习中得到大量的应用。
人工智能(ArtificialIntelligence)概念，是在1956年达特茅斯（Dartmouth）学会上提出的。达特茅斯会议主要发起人有当时在达特茅斯学院数学系任教的麦卡锡（JohnMcCarthy）及在哈佛大学任教的明斯基（MarvinMinsky）。后来，麦卡锡被称为“人工智能之父”，也是Lisp语言的发明者，马文．明斯基（MarvinMinsky）是人工神经网络（ANNs）领域的早期贡献者，以及重要的参会者还有信息论之父香农等等。英国科学家图灵（AlanTuring）做给出了最早的智慧定义。在图灵逝世14年后，他的论文原稿《智能机器》才被大家所发现，在《科学美国人》杂志上发表，图灵也被称为“人工智能之父”。
现代人工智能标志性的事件是1997年5月，在超级电脑“深蓝”在国际象棋上打败国际象棋冠军卡斯特洛夫，以及这二十年之后，2016年3月人工智能AlphaGO才在围棋上击败了李世石。“深蓝”以暴力穷举为基础的特定用途人工智能，而AlphaGo是几乎没有特定领域知识的、基于深度学习、泛化的人工智能。“深蓝”是以超级计算机为代表的一个象征性的人工智能里程碑，而AlphaGo则更具实用意义，接近实用的人工智能。
中间这二十年，是计算机硬件、软件飞速发展的二十年，虽然是人工智能沉寂了，但是，人们对人工智能的研究没有止步。人工智能随计算机技术和信息化技术的发展，大数据、机器学习、深度学习等人工智能技术也得到快速发展。可以说，没有计算机软硬件的飞速发展，也很难有今天的人工智能风口浪尖。
自从2016年3月，AlphaGo在围棋上击败李世石，人工智能迎来发展新的高峰，政府、企业、科研机构纷纷布局人工智能，例如大学开设人工智能课程，这将会使人工智能产业不断向前发展，并与传统产业结合，同时我们将会迎接更多的人工智能产品走进我们的生活。
什么是人工智能？1891年，德国解剖学家瓦尔德尔（WilhelmWaldeyer）提出了“神经元学说”，人们认为人脑中约有上千亿个神经元，以及这些神经元被上百万亿的突触链接，从而形成庞大、复杂的神经网络（neuralnetwork）。思维学认为，人的大脑的思维有三种基本方式：逻辑思维、形象思维和灵感思维。其中逻辑思维是根据逻辑规则进行推理的过程，这一过程已经可以由计算机代替完成。而形象思维是将分布式存储的信息综合起来想出解决问题的方法。这种思维方式有以下两个特点：一是信息在神经元上的分布存储，二是神经元之间的同时相互作用并做出决策的过程。人工智能（简称AI,ArtificialIntelligence）就是模拟这一种形象思维方式。
通俗的按计算机技术来说，人工智能就是使用计算机及相关硬件、软件系统、程序及数学算法集成为统一整体，来模拟人类感知、思维和行为的方式，来实现目前必须借助人类智慧才能实现的工作。从应用范围层面来说，人工智能有狭义和广义之分：狭义的人工智能是指其主要是通过软件和算法的设计及优化，模拟人类的智能行为和思维方式，在特定领域完成单一任务，比如现阶段的照片识别、语音处理，自动驾驶，“AlphaGo”就属于这一个范畴。而广义的人工智能则是指是包括硬件发展在内进一步模拟人脑，可以跨领域解决不同的问题，具有像人一样的推理和思考能力。
人工智能发展历史最早的神经网络的思想起源于美国心理学家麦卡洛克（WarrenMcCullock）和数学家皮特斯（WalterPitts）在1943年首次提出的MCP人工神经元模型，一个简化版大脑细胞的概念，当时是希望能够用计算机来模拟人的神经元反应的过程。在同时代，冯.诺依曼设计出了经典计算机结构。1950年，图灵发表了题为《机器能思考吗》的论文，在论文里提出了著名的“图灵测试”。图灵测试由计算机、被测试的人和主持试验的人组成。人们这些研究，终于在1956年达特茅斯（Dartmouth）学会上，由麦卡锡等人提出了”人工智能“。
上图人物分别是图灵（左）和麦卡锡（右）。
1、人工智能起步阶段（1956—1980）
最早的神经网络的思想起源于1943年的MCP人工神经元模型，当时是希望能够用计算机来模拟人的神经元反应的过程，该模型将神经元简化为了三个过程：输入信号线性加权，求和，非线性激活（阈值法）。
1958年罗森.布拉特（Rosenblatt）发明的感知器（perceptron）算法。该算法使用MCP模型对输入的多维数据进行二分类，且能够使用梯度下降法从训练样本中自动学习更新权值。1962年，该方法被证明为能够收敛，理论与实践效果引起第一次神经网络的浪潮。1969年，美国数学家及人工智能先驱Minsky在其著作中证明了感知器本质上是一种线性模型，只能处理线性分类问题，就连最简单的XOR（亦或）问题都无法正确分类。这等于直接宣判了感知器的死刑，神经网络的研究也陷入了近20年的停滞。
2、专家系统阶段（1980—1990）
1965年在美国国家航空航天局要求下，斯坦福大学成功研制了DENRAL专家系统，到20世纪70年代中期，专家系统已逐步成熟起来，专家系统时代最成功的案例是DEC的专家配置系统XCON。DEC是PC时代来临之前的宠儿，他们用小型机冲击IBM。当客户订购DEC的VAX系列计算机时，XCON可以按照需求自动配置零部件。从1980年投入使用到1986年，XCON一共处理了八万个订单。
第一次打破非线性诅咒的是深度学习之父——弗里.辛顿（GeoffregHinton），在1986年发明了适用于多层感知器（MLP）的BP算法，并采用Sigmoid进行非线性映射，有效解决了非线性分类和学习的问题。该方法引起了神经网络的第二次热潮。
1989年，RobertHecht-Nielsen证明了MLP的万能逼近定理，即对于任何闭区间内的一个连续函数f，都可以用含有一个隐含层的BP网络来逼近该定理的发现极大的鼓舞了神经网络的研究人员。同年，LeCun发明了卷积神经网络-LeNet，并将其用于数字识别，且取得了较好的成绩，不过当时并没有引起足够的注意。
虽然，1997年，LSTM模型被发明，尽管该模型在序列建模上的特性非常突出，但由于正处于NN的下坡期，也没有引起足够的重视。
3、深度学习阶段（2000—至今）
1986年，弗里·辛顿提出了一种适用于多层感知器的反向传播算法——BP算法，让人工神经网络再次的引起了人们广泛的关注。同时期，计算机的计算能力得到快速发展，特别是进入二十一世纪，计算机软件、硬件的快速发展，为神经网络，特别是深度神经网络的研究提供了算力资源，陆续出现了CNN、RNN。
在2006年深度学习理论被正式提出后，卷积神经网络的表征学习能力得到了关注，并随着数值计算设备的更新开始快速发展。自2012年的AlexNet开始，卷积神经网络多次成为ImageNet大规模视觉识别竞赛（ImageNetLargeScaleVisualRecognitionChallenge,ILSVRC）的优胜算法，包括2013年的ZFNet、2014年的VGGNet、GoogLeNet和2015年的ResNet。
其中，随着2008年大数据时代的到来，由于数据量增大，神经网络深度加深等情况越来越普遍，计算机GPU的重要性被突显出来，拥有CPU的计算机，其算力，特别是图像处理能力特到大幅的提升。大数据、机器学习的发展，人工智能爆发式的发展起来。
2017年7月20日，国务院印发《新一代人工智能发展规划》（以下简称规划），该规划提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施，部署构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国。
随着人工智能落地、推广，各行各业急需大量人工智能研发技术人员，扩大人工智能在我们生活中的应用，以及人工智能与工业生产广泛的融合。
人工智能知识体系从机器学习和IT的视角来看，人工智能很大一部分是数据治理与挖掘，机器学习属于数据治理与挖掘的子集，机器学习又包括深度学习、强化学习子集。如下图所示。
机器学习“机器学习”的概念提出者是亚瑟.塞缪尔于1952年提出来的，“使计算机在没有明确编程的情况下进行学习”。今天，机器学习是专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，机器学习是对能通过经验自动改进的计算机算法的研究，
什么是机器学习？机器学习（简称ML,MachineLearning）是对于某给定的任务T，在合理的性能度量方案P的前提下，某计算机程序可以自主学习任务T的经验E；随着提供合适、优质、大量的经验E，该程序对于任务T的性能逐步提高。
这里最重要的是机器学习的对象：*任务Task,T，一个或者多个*经验Experience,E*性能Performance,P
基于人工智能来描述，机器学习是人工智能的一个分支。我们使用计算机设计一个系统，使它能够根据提供的训练数据按照一定的方式来学习；随着训练次数的增加，该系统可以在性能上不断学习和改进；通过参数优化的学习模型，能够用于预测相关问题的输出。
机器学习是实现人工智能的一种途径，它和数据挖掘有一定的相似性，也是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。对比于数据挖掘从大数据之间找相互特性而言，机器学习更加注重算法的设计，让计算机能够白动地从数据中“学习”规律，并利用规律对未知数据进行预测。因为学习算法涉及了大量的统计学理论，与统计推断联系尤为紧密，所以也被称为统计学习方法。
机器学习为数据挖掘提供了理论方法，而数据挖掘技术是机器学习技术的一个应用场景。数据挖掘一般是指从大量的数据中通过算法搜索、分析隐藏于其中信息的过程。数据挖掘与机器学习关系上像是机器学习和人工智能的基础，它的主要目的是从各种各样的数据源中，按需求提取出信息，然后将这些信息整合，发现新的的模式和内在关系。
机器学习可以分为以下六个大类：（1）监督学习：从给定的训练数据集中学习出-一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是输人和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归与分类。（2）无监督学习：无监督学习与监督学习相比，训练集没有人为标注的结果。常见的无监督学习算法有聚类等。（3）半监督学习：这是一"种介于监督学习与无监督学习之间的方法。（4）迁移学习：将已经训练好的模型参数迁移到新的模型来帮助新模型训练数据集。（5）深度学习：的学名又称“深层神经网络”（deepneuralnetwork），是从人工神经网络模型演变而来，其对应的是“浅层（单层或双层）神经网络”。（6）强化学习：通过观察周围环境来学习。每个动作都会对环境有所影响，学习对象根据观察到的周围环境的反馈来做出判断。
传统的机器学习算法有以下几种：线性回归模型、logistic回归模型、k-临近算法、决策树、随机森林、支持向量机、人工神经网络、EM算法、概率图模型等。
深度学习什么是深度学习？深度学习（简称DL,DeepLearning）是机器学习领域中一个分支，研究人工神经网络方向，它被引入机器学习使其更接近于最初的目标——人工智能。
深度学习是基于人工神经网络学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像、行为和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别并处理文字、图像和声音等数据。
深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、知识图谱、推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
从结构上来说，“深度学习”的学名又称“深层神经网络”（deepneuralnetwork），是从人工神经网络模型演变而来，其对应的是“浅层（单层或双层）神经网络”。由于这一类模型一般采用计算机科学中的网络图模型来直观表达，“深度”即是指网络图模型的层数以及每一层的节点数量。
深度学习的特征深度学习的方式以识别狗和猫为例，如果是传统机器学习的方法，我们会首先定义一些特征，比如胡须，耳朵、鼻子、嘴巴的特征等等。这样，我们首先要确定相应的“面部特征”作为我们的机器学习的特征，以此来对我们的对象进行分类识别。
而现在，深度学习的方法则更进一步。深度学习自动地找出这个分类问题所需要的重要特征！由于这些特征不被人们所了解，也就是很难解释。而传统机器学习则需要我们人工地给出特征！
深度学习的优点在大数据的前提下，深度学习提出了一种让计算机自动学习模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。而目前以深度学习为核心的某些机器学习应用，在满足特定条件的应用场景下，已经达到了超越现有算法的识别或分类性能。
深度学习的缺点深度学习虽然能够自动的学习模式的特征，并可以达到很好的识别精度，但这也恰恰是深度学习存在的一个缺点：也就是说在只能提供有限数据量的应用场景下，深度学习算法便不能够对数据的规律进行准确的归类和总结，因此在识别效果上可能不如一些已有的简单算法。另外，由于深度学习中，图模型的复杂化导致了这个算法的时间复杂度急剧提升，为了保证算法的实时性，需要更高的并行编程技巧以及更好更多的硬件支持（比如GPU阵列）。所以，目前也只有一些经济实力比较强大的科研机构或企业，才能够用深度学习算法，来做一些比较前沿而又实用的应用。
深度学习的局限从功能上来说，目前深度学习的应用集中于人工智能中的模式识别，如图像／语音识别等。但是在人脑中，识别功能仅仅是其中一小部分，甚至不是核心部分。人脑的核心功能在于学习和运用。目前而言，深度学习仅仅能对特定条件下的信息进行处理，从而达到特定的目的。导致深度学习在功能上趋近与大脑的原因，很大程度上是由于目前深度学习中的神经元模型和突触模型还没有突破传统模型的限制。
强化学习强化学习任务通常使用马尔可夫决策过程（MarkovDecisionProcess，简称MDP）来描述，具体而言：机器处在一个环境中，每个状态为机器对当前环境的感知；机器只能通过动作来影响环境，当机器执行一个动作后，会使得环境按某种概率转移到另一个状态；同时，环境会根据潜在的奖赏函数反馈给机器一个奖赏。综合而言，强化学习主要包含四个要素：状态、动作、转移概率以及奖赏函数。————周志华《机器学习》
人工智能的未来新一代人工智能AI2.0，AI2.0时代大数据人工智能具体表现为：从浅层计算到深度神经推理；从单纯依赖于数据驱动的模型到数据驱动与知识引导相结合学习；从领域任务驱动智能到更为通用条件下的强人工智能（从经验中学习）。下一代人工智能（AI2.0）将改变计算本身，将大数据转变为知识，以支持人类社会更好决策。
计算机网络技术中的人工智能应用
计算机网络技术中的人工智能应用时间：2023-05-1120:06:10
【摘要】随着大数据时代的到来，人工智能技术应运而生。人工智能的大范围普及和应用，不但可深入到计算机网络系统中，还可应用到人们生活日常中，带给人们更多的服务，也为计算机网络安全管理和系统管理提供更优质的辅助。为此，本文分析大数据时代下人工智能含义和应用的优势，并结合实际情况，提出大数据时代人工智能在计算机网络技术中的应用对策，旨在促使人工智能为人们提供更好的服务。
【关键词】大数据时代；人工智能；计算机网络技术
引言
科学技术的飞速发展，使计算机网络成为人们生活和工作的重要组成部分。在计算机应用领域，将人工智能与大数据进行融合，可有效解决计算机网络管理中安全性的问题。然而，在大数据时代背景下，由于人工智能技术的发展仍处在探索阶段，在计算机网络技术中的应用还存在许多问题。基于此，深度探讨人工智能应用优势，并针对人工智能在计算机网络技术中的应用提出几点建议，具有十分重要的意义。
1大数据时代人工智能技术的含义及应用优势
1.1大数据下的人工智能技术
人工智能作为计算机技术体系下的分支，是一门融合开发和研究为一体，主要作用于开发人类智慧所应用的科学技术。在人工智能不断发展的历程中，对于人工智能的探索逐渐延伸至管理学、语言学、社会学等学科，使人工智能能够更好地接近人类大脑，完成对社会中存在各类要素和信息的采集，并模拟出人脑对图像和声音出现的反应。在大数据时代背景下，人工智能可借助大数据内容多和规模大的特征，替代人们完成部分工作，为人们生活和生产提供便利，以进一步增强人们的幸福感。人工智能与大数据的配合，可将人类思考习惯进行数字化处理，并完成对数据的储存。在未来发展中，人工智能可实现对人类日常生活的复制，实现机械化的自动操作和控制。通过大数据和人工智能的相互配合，可为人类和技术的发展提供更广阔的空间。1.2大数据时代下人工智能在计算机网络技术中的应用优势在大数据时代背景下，人工智能在计算机网络技术中应用所体现的优势，主要体现在以下几方面：①完成对信息的预测，在计算机网络运行中，要想提升运转速度就要及时处理系统中存在的模糊数据，但对于这部分信息价值的辨别存在一定的难度。如依照传统处理方法会增加系统运行成本，对系统造成影响。在大数据时代人工智能的干预，可依据模糊分析理论更有效辨别信息价值，完成对信息的预见，进而实现计算机网络运行效率的提高。②增加网络监管能力，计算机系统的快速发展使得计算机网络结构日趋复杂，为网络监管带来难度。而人工智能的参与可实现对网络的分类管理，不但提升管理的效果和能力，还为网络营造更加安全的环境。③人工智能强化数据整合，在人工智能和大数据相互协作下，对于计算机网络空间中存在的信息进行快速整合，完成对各类资源的有效配置。还可加快资源整合的速度，减少资源的消耗，降低计算机网络的运行成本。
2大数据时代下人工智能在计算机网络技术中的应用对策
2.1计算机网络安全管理中人工智能的参与
①在计算机网络网络安全入侵检测中应用人工智能。在大数据时代下，计算机网络环境日趋复杂，各类病毒和木马的入侵可对网络造成不可逆的影响。而在计算机网络管理中应用人工智能，可通过对以往入侵情况的分析，建立数据集成的系统，通过数据编码将入侵特征进行编码转换，在系统中储存完整的信息。一旦计算机网络出现入侵系统的情况，对网络安全造成威胁，系统就可依据设定对入侵类型进行辨别，并完成安全处理，保障计算机系统和网络的安全。②数据挖掘技术在计算机网络安全管理中的应用。数据挖掘主要是指将网络从主机会话中分离出来，并通过对网络控制实现计算的规范化，并将其产生的数据储存到数据库中，在遇到网络风险时就能完成数据的辨别。③人工神经模拟。人工智能的模拟技术可模仿人类大脑的思考和处理逻辑，在网络运行中，可对噪声等要素进行识别，并通过检测，完成对网络的安全性检查，提升网络运行安全性，提升检测的质量。④危险信息拦截和垃圾处理。在计算机网络安全管理中，人工智能可在网络系统中建立智能防火墙，对部分危险信息进行识别，并完成拦截。还可在系统设置访问权限，提升安全防控的效果。同时，在垃圾处理方面，人工智能和大数据的相互配合，可实现对网络遗留数据痕迹和垃圾的检测，快速找到包含病毒的文件，并在人工智能处理模式下完成病毒的处理，消除网络中存在的安全隐患。另外，人工智能可完成对系统资源的扫描，通过对信息的分析和处理，将数字化数据反馈给用户，使用户更加直接地了解计算机网络的运行状况，为进一步保障计算机网络安全提供帮助。
2.2计算机网络管理系统中人工智能的导入
①系统数据库技术。在计算机网络系统中，利用人工智能技术将计算机系统运行的内容转化为数据，将简单内容在变为复杂的程序，在运行中对其进行不断的优化，找到有效的运行方式，实现对系统对有效的管理。这种人工智能和大数据的相互配合，可有效弥补传统数据加工在内容逻辑性方面的缺陷，并通过数据库的建立，使得计算机网络系统在运行速度和储存空间方面都得到提升。②智能问答技术。在计算机网络搜索功能中，人工智能技术的参与可使得用户利用部分有效信息就能获得海量的资源，提升网络资源的使用效率。这种智能问答方式主要以简单指令为核心，通过对关键词的识别在海量数据中快速筛选到相关的资料，获取到用户需要的内容。这种工作方式可减少搜索的时间，完成对资源的合理应用。比如，用户在搜索栏中输入“流行乐”，当下在音乐市场中流行的乐曲都能显示出来，并带出“流行乐”相关的搜索标签，找到更多相关的信息和数据，减少搜索的时间，并提升搜索的整体质量。③智能技术。计算机网络系统可完整记录用户的搜索数据，并从海量资源中挑选出相关内容，完成对用户的精准推送，这种服务的机制，可减低用户大量搜索的时间，并在短时间内找到更有效的相关信息，提升计算机网络系统的应用效果，带给人们更多的便利和帮助。
2.3计算机网络运营系统中人工智能的支持
目前，计算机网络与行业领域的深度融合，奠定了计算机网络的发展基础。同时计算机网络所支持的各类平台，可为整体网络管理工作的开展提供对接渠道，依托于信息传输机制，可有效提高数据传输的时效性，进一步为行业的发展提供保障。（1）在企业管理方面。大多数企业在运行过程中，将产生大量的数据信息，有价值与无价值的信息将呈现出同步传输的模式，计算机网络系统的应用，则是对此类数据信息进行有效整合与分类，为管理人员提供一定的信息决策支持。人工智能的融合，对于原有的计算机网络运营系统来讲，则可有效建立起一种基于人工智能实现的运算环境，通过大数据技术的价值信息挖掘、神经网络与模糊网络的精密算法等，可有效提高数据信息的统计能力，以此来节约企业资金成本的投入。此类人工之能的导入可为企业经济管理建立一种数据运营框架，在相关信息的输入下，可按照有序性的运算模式实现数据的分析，进而提高企业自身的运营质量。（2）在教育教学方面。计算机网络与教育领域的结合，是我国教育改革的一个重要实现载体，通过网络海量资源的支持，可为学生提供更为全面的信息。例如，以人工智能技术为载体的信息分配机制，其可有效建立起一智能化数据体系，学生通过网络进行作答时，计算机系统的分配机制可依据学生作答情况，将各类信息进行精准记录。同时，平台本身还可依据学生的作答信息进行学习行为方面的预期分析，然后针对某一时间点下数据信息呈现出的异常特性来分析出学生学习行为的发展方向，并将此类信息及时反馈到系统中。通过此类信息的正确界定，可对教师的教学行为以及学生的学习行为等进行有效规范。人工智能的支持下，可令计算机网络呈现出智能化运作的特性，对于当前信息时代的发展态势来讲，智能化、自动化的运营模式在行业领域中属于一种必然导向，为此，应针对行业本身的需求，界定出技术的应用形式，以此来发挥出技术应有的价值效果。
3结语
总而言之，大数据技术和人工智能技术都是计算机科学技术现代化发展的产物，通过人工智能和大数据的有效结合，对计算机网络安全和系统管理起着重要的促进作用。在计算机网络不断发展过程中，对于人工智能的应用还处在探索阶段，还需进一步展开深入的研究，并作出相应的完善，使人工智能能够在计算机网络中为用户提供更多便捷、优质的服务。
参考文献
[1]崔英敏.大数据时代人工智能在计算机网络技术中的应用策略研究[J].电子商务，2020（5）：24-25.
[2]刘元斌.人工智能及其在计算机网络技术中的实施策略浅谈[J].计算机产品与流通，2020（4）：148.
[3]马遥.基于大数据及人工智能技术的计算机网络安全防御系统设计[J].信息与电脑：理论版，2020，32（4）：208-209.
[4]谢晓广.浅析大数据时代背景下人工智能在计算机网络技术中的应用[J].科学技术创新，2019（5）：96-97.
作者：杨斌单位：山西建筑职业技术学院