人工智能的三次浪潮与三种模式
■史爱武
谈到人工智能，人工智能的定义到底是什么？
达特茅斯会议上对人工智能的定义是：使一部机器的反应方式就像是一个人在行动时所依据的智能。
百度百科上对人工智能的定义是：它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
尽管人工智能现在还没有非常严格准确或者所有人都接受的定义，但是有一些约定俗成的说法。通常人工智能是指机器智能，让机器达到人智能所实现的一些功能。人工智能既然是机器智能，就不是机械智能，那么这个机器是指什么呢？是指计算机，用计算机仿真出来的人的智能行为就可以叫作人工智能。
2017年7月，国务院印发了《新一代人工智能发展规划》。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。这一国家级战略和社会流行趋势标志着，人工智能发展进入了新阶段，我国要抢抓人工智能发展的重大战略机遇，构筑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。
人工智能的三次浪潮
自1956年开始，人工智能经历了三起三落，出现了几次浪潮，现在人工智能已经是处于第三次浪潮了。
第一次浪潮（1956-1976年，20年），最核心的是逻辑主义
逻辑主义主要是用机器证明的办法去证明和推理一些知识，比如用机器证明一个数学定理。要想证明这些问题，需要把原来的条件和定义从形式化变成逻辑表达，然后用逻辑的方法去证明最后的结论是对的还是错的，也叫做逻辑证明。
早期的计算机人工智能实际上都是沿着这条路在走。当时很多专家系统，比如医学专家系统，用语言文字输入一些症状，在机器里面变换成逻辑表达，用符号演算的办法推理出大概得了什么病。所以当时的主要研究都集中在逻辑抽象、逻辑运算和逻辑表达等方面。
在第一次浪潮中，数学定理证明实际上是实现效果最好的，当时有很多数学家用定理思路证明了数学定理。为了更好地完成定理证明工作，当时出了很多和逻辑证明相关的逻辑程序语言，比如很有名的Prolog。
虽然当时的成果已经能够解开拼图或实现简单的游戏，却几乎无法解决任何实用的问题。
第二次浪潮（1976—2006年，30年），联结主义盛行
在第一次浪潮期间，逻辑主义和以人工神经网络为代表的联结主义相比，逻辑主义是完全占上风的，联结主义那时候不太吃香。然而逻辑主义最后无法解决实用的问题，达不到人们对它的期望，引起了大家的反思，这时候人工神经网络（也就是联结主义）就慢慢占了上风。
在70年代末，整个神经元联结网络、模型都有突飞猛进的进步，最重要的是BP前馈神经网络。1986年BP前馈神经网络刚出来的时候解决了不少问题，后来大家往更大的领域应用，实现了比较大的成果。在很多模式识别的领域、手写文字的识别、字符识别、简单的人脸识别也开始用起来，这个领域一下子就热起来，一时之间，人们感觉人工智能大有可为。随后十几年人们发现神经网络可以解决一些单一问题，解决复杂问题却有些力不从心。训练学习的时候，数据量太大，有很多结果到一定程度就不再往上升了。
这时期所进行的研究，是以灌输“专家知识”作为规则，来协助解决特定问题的“专家系统”为主。虽然有一些实际的商业应用案例，应用范畴却很有限，第二次热潮也就慢慢趋于消退。
第三次浪潮（2006—现在），基于互联网大数据的深度学习的突破
如果按照技术分类来讲，第二次和第三次浪潮都是神经网络技术的发展，不同的是，第三次浪潮是多层神经网络的成功，也就是深度学习取得突破。这里既有硬件的进步，也有卷积神经网络模型与参数训练技巧的进步。
若观察脑的内部，会发现有大量称为“神经元”的神经细胞彼此相连。一个神经元从其他神经元那里接收的电气信号量达某一定值以上，就会兴奋（神经冲动）；在某一定值以下，就不会兴奋。兴奋起来的神经元，会将电气信号传送给下一个相连的神经元。下一个神经元同样会因此兴奋或不兴奋。简单来说，彼此相连的神经元，会形成联合传递行为。我们透过将这种相连的结构来数学模型化，便形成了人工神经网络。
经模型化的人工神经网络，是由“输入层”“隐藏层”及“输出层”等三层构成。深度学习往往意味着有多个隐藏层，也就是多层神经网络。另外，学习数据则是由输入数据以及相对应的正确解答来组成。
为了让输出层的值跟各个输入数据所对应的正解数据相等，会对各个神经元的输入计算出适当的“权重”值。通过神经网络，深度学习便成为了“只要将数据输入神经网络，它就能自行抽出特征”的人工智能。
伴随着高性能计算机、云计算、大数据、传感器的普及，以及计算成本的下降，“深度学习”随之兴起。它通过模仿人脑的“神经网络”来学习大量数据的方法，使它可以像人类一样辨识声音及影像，或是针对问题做出合适的判断。在第三次浪潮中，人工智能技术及应用有了很大的提高，深度学习算法的突破居功至伟。
深度学习最擅长的是能辨识图像数据或波形数据这类无法符号化的数据。自2010年以来，Apple、Microsoft及Google等国际知名IT企业，都投入大量人力物力财力开展深度学习的研究。例如AppleSiri的语音识别，Microsoft搜索引擎Bing的影像搜寻等等，而Google的深度学习项目也已超过1500项。
深度学习如此快速的成长和应用，也要归功于硬件设备的提升。图形处理器（GPU）大厂英伟达（NVIDIA）利用该公司的图形适配器、连接库（Library）和框架（Frame⁃work）产品来提升深度学习的性能，并积极开设研讨课程。另外，Google也公开了框架TensorFlow，可以将深度学习应用于大数据分析。
人工智能的3种模式
人工智能的概念很宽泛，根据人工智能的实力可以分成3大类，也称为3种模式。
（1）弱人工智能：擅长于单个方面的人工智能，也叫专业人工智能。比如战胜世界围棋冠军的人工智能AlphaGo，它只会下围棋，如果让它下国际象棋或分辨一下人脸，它可能就会犯迷糊，就不知道怎么做了。当前我们实现的几乎全是弱人工智能。
（2）强人工智能：是指在各方面都能和人类比肩的人工智能，这是类似人类级别的人工智能，也叫通用人工智能。人类能干的脑力活，它都能干，创造强人工智能比创造弱人工智能难得多，目前我们还做不到。
（3）超人工智能：知名人工智能思想家NickBostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能”。超人工智能可以是各方面都比人类强点，也可以是各方面都比人类强很多倍。超人工智能现在还不存在，很多人也希望它永远不要存在。否则，可能像好莱坞大片里面的超级智能机器一样，对人类也会带来一些威胁或者颠覆。
我们现在处于一个充满弱人工智能的世界。比如，垃圾邮件分类系统是个帮助我们筛选垃圾邮件的弱人工智能；Google翻译是可以帮助我们翻译英文的弱人工智能等等。这些弱人工智能算法不断地加强创新，每一个弱人工智能的创新，都是迈向强人工智能和超人工智能的进步。正如人工智能科学家AaronSaenz所说，现在的弱人工智能就像地球早期软泥中的氨基酸，可能突然之间就形成了生命。如世界发展的规律看来，超人工智能也是未来可期的！
人工智能产业迎来发展新机遇
习近平总书记强调，人工智能是新一轮科技革命和产业变革的重要驱动力量，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。要深刻认识加快发展新一代人工智能的重大意义，加强领导，做好规划，明确任务，夯实基础，促进其同经济社会发展深度融合，推动我国新一代人工智能健康发展。
近年来，我国人工智能产业在技术创新、产业生态、融合应用等方面取得积极进展，已进入全球第一梯队。中国信通院测算，2022年我国人工智能核心产业规模达5080亿元，同比增长18%。
我国人工智能产业的发展现状与发展趋势如何？面临着哪些机遇？今后产业发展有哪些着力点？最近，记者采访了工业和信息化部相关负责人及业内多家企业。
核心技术取得突破，创新能力显著提升
无保护左转、行人车辆避让、自动变道、自动转向、红绿灯识别、窄路及拥堵路段通行、自动绕障……北京轻舟智航科技有限公司不久前推出的基于地平线征程5芯片的“轻舟乘风高阶辅助驾驶解决方案”，支持城市多场景、高速公路、快速路多种复杂路况的点到点辅助驾驶，让开车变得轻松。
包括18个智能水位站、5个流量站、100套森林火灾地表火探测器在内，200余个前端感知点位，将实时数据输送至云从科技主导搭建的综合枢纽数字孪生平台——“天府大脑”，并在数字孪生世界完美复原成都天府新区的生态现状。水体抬升、水质反演、污染等城市应急事件，在AI（人工智能）赋能下完成高效能治理。
六轴机器人轻柔地抓起几十公斤重的电池模组，精准放置到电池包底座上，在AI视觉和100%扭矩监控下完成自动拧紧，安装精度达到0.2毫米……在上汽通用汽车武汉奥特能超级工厂电池车间模组上线工位，由上汽通用工程制造团队与国内顶尖人工智能企业共同开发的“机器人、3D点云视觉、力控感知”技术融合应用，在业内成功落地。
“智能视觉技术在装配工艺中的应用，有效避免了模组在组装过程中由于磕碰造成的潜在安全风险，确保了装配过程电池零损伤。”据工厂负责人介绍，后续的电池包涂胶、合盖、拧紧工艺，也全部基于数字孪生技术的机器人自动完成。通过采用深度学习算法的视觉技术进行多重质量保证，安装工艺实现测量精度小于0.1毫米，确保电池包满足最高密封等级要求。
不仅如此，在武汉奥特能工厂，数字孪生技术已广泛运用于产线规划、设备制造、安装调试、生产运营监测、设备预维护等领域，节省设备建造、调试时间约50%，项目实际投产比规划提前了5个月。
以上事例，是我国人工智能创新能力显著提升的缩影。总体看，有四个方面主要进展：
——人工智能专利申请量居世界首位。据中国信通院测算，2013年至2022年11月，全球累计人工智能发明专利申请量达72.9万项，我国累计申请量达38.9万项，占53.4%；全球累计人工智能发明专利授权量达24.4万项，我国累计授权量达10.2万项，占41.7%。
——创新载体建设取得新进展。一批新型研发机构在人工智能大模型、人工智能计算芯片等领域取得了技术突破。算力基础设施达到世界领先水平。全国一体化大数据中心体系基本构建，“东数西算”工程加快实施；建成一批国家新一代人工智能公共算力开放创新平台。
——关键核心技术局部突破，部分关键应用技术居世界先进水平。我国企业在应用算法、智能芯片、开源框架等关键核心技术上已取得重要突破，图像识别、语音识别等应用技术进入国际先进行列，智能传感器、智能网联汽车等标志性产品有效落地应用。
——产业生态初步形成。目前，我国已有超过400所学校开办人工智能专业，高端人才居全球第二。截至2022年底，全球人工智能代表企业数量27255家，其中我国企业数量4227家，约占全球企业总数的16%。我国人工智能产业已形成长三角、京津冀、珠三角三大集聚发展区。百度、阿里、华为、腾讯、科大讯飞、云从科技、京东等一批AI开放平台初步具备支撑产业快速发展的能力。
融合应用步伐加快，赋能效果持续显现
“春节后，早高峰等车时间变短了，车上也不那么挤了。”2月23日7时40分，李先生在深圳桃源村东72路公交车站登车。他并不知道，车队根据智能排班，车辆周转率提升10%，乘车舒适度也提高了25%。
深圳巴士集团安托山公交车队调度组长陈晓岚告诉记者，去年车队6条线路、72辆公交车安装智能系统后，借助人工智能算法，车队可以通过精准匹配的动态飞线图，全面了解线路客流信息，如哪个时段、哪个区间客流量大，进而调整线路早晚高峰时段的发车频次，增发72路、M500路区间车，提升了线路运营效率，方便了乘客出行。
据了解，目前，深圳已经有6000辆公交车安装了该系统。构建城市级公交大脑不仅帮助公交公司降本增效，还有效推动城市智慧出行。
“伴随着人工智能在智慧城市领域的应用加速落地，我们对智慧城市的理解越来越深，战略也越来越清晰，那就是做自进化城市智能体。”云天励飞副总裁郑文先说，云天励飞拥有算法、芯片、大数据全栈式AI能力，基于对行业场景需求的深刻理解，通过自定义指令集、处理器架构及工具链的协同设计，实现了算法芯片化，进而打造具备多维敏捷感知、海量数据分析、全局实时洞察、持续迭代进化的城市超级大脑，助力智慧城市建设。目前，一系列示范应用已在北京、上海、深圳、青岛、成都等多个城市实现项目落地。
中国电子信息产业发展研究院副总工程师安晖表示，当前，人工智能与一、二、三产业融合成效初显，正在从医疗、交通、制造等先导产业领域向旅游业、农业等领域拓展；智能金融、智能医疗、智能安防、智能交通等领域已经成为人工智能技术产业化落地的热点应用场景；制造业研发设计、工艺仿真、生产制造、产品检测等重点环节智能化水平全面提升。
推动关键核心技术攻关，培育良好发展生态
“作为国内首款可量产的百TOPS级大算力AI芯片，地平线征程5已经获得比亚迪、上汽、一汽等多家主流车企的量产合作项目，首款量产车型已于今年2月落地。”业内专家表示，实现大算力车规级芯片量产，国内芯片企业仍需突破一些关键技术，如先进封装技术、自主IP技术、高算力芯片系统架构，以及功能安全流程、功能安全产品认证、车规可靠性认证等。
车规级智驾和智舱芯片，只是我国人工智能产业链短板之一。安晖认为，总体看，我国人工智能基础理论、核心关键技术积累不足，核心算法、AI框架、芯片及基础元器件与国外差距较大，重大原创科技成果还需要进一步研发。
“实现人工智能产业高水平自主可控，国内企业要加强产学研用协同创新，推动关键核心技术攻关。”安晖列举道，一是大力推进人工智能基础软硬件开发，加强小样本学习、迁移学习等基础技术研究，提升原始创新能力。二是加快智能芯片、深度学习框架及关键算法等共性技术迭代升级与产业化，发展感存算一体化的智能传感器。三是强化知识计算引擎、跨媒体智能、自然语言处理、自主无人系统等技术攻关与应用，加快人工智能安全技术创新。四是加速语音、图像文字等多媒体技术向跨媒体技术提升，推动感知智能向认知智能演进，发展超大规模预训练模型。五是加快人工智能与5G大数据、云计算、区块链等技术的融合创新，鼓励开发融技术产品并加速商业化落地。六是推动类脑智能等前沿技术，前瞻布局人工智能与量子信息、脑机接口等前沿领域探索。
在云从科技副总裁王仲勋看来，我国人工智能企业和初创公司在获得资金支持方面仍存在一定困难，有时无法承担训练大型语言模型的高昂成本，“此外，一些财力雄厚的大企业，项目投资更多关注短期的投资回报率，对长期规划且产出成果不明确的项目存在一定程度的重视不足。”
工信部有关负责人表示，“十四五”期间，我国将加快壮大人工智能产业，培育良好发展生态，具体举措包括：组织由大中小企业联合、产学研共同参与的创新联合体，推动人工智能关键核心技术突破，提升我国智能芯片、开发框架、典型智能产品等水平；加快人工智能在制造、交通、能源等领域的应用，推动重点领域智能化转型；打造产业集群，培育一批具有国际竞争力的人工智能龙头企业，发展一批专精特新企业，依托先导区打造产业集聚发展高地。
以技术突破和应用拓展为主攻方向，依托我国超大规模市场优势吸引全球资源要素，我国人工智能产业正在与实体经济深度融合，成为经济社会发展新的增长引擎。据预测，到2030年，我国人工智能产业规模将达到1万亿元。（王政）
[责编：姜楠]武汉大学人工智能研究院
武汉大学“人工智能研究院”是依托于计算机学院，联合数学与统计学院、电子信息学院、测绘学院、动力与机械学院、电气与自动化学院、GPS国家工程技术中心、遥感信息工程学院、测绘遥感信息工程国家重点实验室、工业科学研究院、生命科学学院、物理科学与技术学院、武汉大学人民医院、武汉大学中南医院、武汉大学口腔医院、国家网络安全学院、法学院、信息管理学院等校内单位共同建设的大型跨学科研究平台。
研究院努力实现三项主要职能：
1.攻关人工智能重大基础理论难题和“卡脖子”技术问题；
2.人工智能一级学科建设，形成本硕博一体化的完整人工智能人才培养体系；
3.为多学科的发展赋能，提升武汉大学综合实力。