人工智能研究主要有哪三大学派，其特点是什么
人工智能研究主要有哪三大学派，其特点是什么？（1）符号主义：又称为功能模拟学派，主要观点认为智能活动的基础是物理符号系统，思维过程是符号模式的处理过程。其特点：（a）立足于逻辑运算和符号操作，适合模拟人的逻辑思维过程，解决需要逻辑推理的复杂问题。（b）知识可用显示的符号表示，在已知基本规则的情况下，无需输入大量的细节知识。（c）便于模块化，当个别事实发生变化时，易于修改。（d）能与传统的符号数据库进行连接。（e）可对推理结论进行解释，便于对各种可能性进行选择。（2）连接主义：又称为结构模拟学派，是基于神经网络及网络间的连接机制和学习算法的人工智能学派。主要观点认为大脑是一切智能活动的基础，因而从大脑神经元及其连接机制出发进行研究，渴望揭示人类智能的奥秘，从而真正实现人类智能在机器上的模拟，其特点：（a）通过神经元之间的并行协作实现信息处理，处理过程具有并行性，动态性，全局性。（b）可以实现联想的功能，便于对噪声的信息进行处理。（c）可以通过对于神经元之间连接强度的调整实现学习和分类等。（d）适合模拟人类的形象思维过程。（e）求解问题时，可以较快的得到一个近似解。（3）行为主义：又称模拟学派、进化主义或控制论学派，认为智能行为的基础是“感知行为”的反应机制。基于智能控制系统的理论、方法和技术，研究拟人的智能控制行为。其特点：（a）知识和形式表达和模型化方法是人工智能的重要障碍之一。（b）智能取决于感知和行动，应直接利用机器对机器环境作用后，以环境对作用的响应为原型。（c）智能行为只能体现在世界中，通过与周围环境交互而表现出来。（d）人工智能可以像人类智能一样逐步进化，分阶段发展和增强。
教育部印发《人工智能领域研究生指导性培养方案（试行）》―高校科技―中国教育和科研计算机网CERNET
关于印发《人工智能领域研究生指导性培养方案（试行）》的通知
教研司〔2022〕6号
各省、自治区、直辖市教育厅（教委），新疆生产建设兵团教育局，有关高等学校：
根据教育部、国家发展改革委、财政部印发的《关于“双一流”建设高校促进学科融合加快人工智能领域研究生培养的若干意见》，教育部成立人工智能高层次人才培养专家委员会。专委会在广泛调研论证基础上，研究制订了《人工智能领域研究生指导性培养方案（试行）》，现予以印发。请开展人工智能领域研究生培养的有关“双一流”建设高校结合本校学科建设和人才培养特色，参照制订和进一步完善相关研究生培养方案。
附件：《人工智能领域研究生指导性培养方案（试行）》
学位管理与研究生教育司
2022年7月27日
附件
人工智能领域研究生指导性培养方案（试行）
为落实教育部、国家发展改革委、财政部印发的《关于“双一流”建设高校促进学科融合加快人工智能领域研究生培养的若干意见》，进一步深化人工智能领域研究生培养改革，引导建设高校加强前瞻性基础研究，实现变革性原创成果突破，培养满足创新型国家建设急需的高层次基础理论人才和复合型创新人才，特制定本指导性培养方案。
一、培养目标
适应新科技与产业革命发展趋势，服务国家重大战略和经济社会发展特别是智能化发展转型的需求，面向原始创新、产业升级和技术革新的实际需要，以立德树人为根本，在德智体美劳全面发展的基础上，培养在人工智能领域相关学科掌握坚实宽广的理论基础和系统深入的专门知识，具备从事基础前沿研究、解决实际问题和开展交叉创新应用的能力，具有高度社会责任感的高层次复合型人才。
（一）品德素质方面。热爱祖国、热爱人民，拥护党的路线、方针和政策，树立和践行社会主义核心价值观。遵纪守法，具有较强的社会责任感和事业心，具备良好的道德品质，恪守科研诚信与伦理，严守学术规范，具备国际化视野、创新意识和团队精神，愿为中国特色社会主义事业贡献力量。
（二）知识水平方面。在相应硕士和博士层次所应有的自然和人文社会科学通识性知识基础上，具有坚实的人工智能领域相关学科基础理论知识和专业技能，深入了解本领域的发展方向，系统掌握人工智能学科相关研究领域的理论、技术和方法，具备多学科交叉的知识体系和学习能力。博士生突出广泛掌握人工智能国际前沿学术方向和行业先进技术趋势，了解国际前沿理论、技术以及需求热点；硕士生突出夯实本领域基础理论，快速获取跨学科知识和共性技术，并能够综合运用。
（三）能力素质方面。具有独立的科学研究能力和自主学习能力，包括发现和提出问题、设计实验和分析处理数据、设计优化算法、设计开发软硬件、总结凝练与表达研究成果、开展学术交流等能力。博士生突出提高原始创新能力，具有较强的系统构建能力和一定的科研组织能力，能够在解决行业企业重大工程实践中凝练科学问题、创新研究方法、转化先进技术，深入开展多领域交叉创新应用和开展学术交流，能够承担高校及研究机构的教学科研工作、从事人工智能工程技术项目管理工作等。硕士生突出提高综合应用能力，具有人工智能系统的设计、实现、测试和应用验证能力，以及良好的职业素养和沟通协作能力，能够综合运用多学科理论技术解决行业企业智能化面临的实际问题。
（四）适应国家发展需要与人工智能发展趋势、契合本校或本领域和相关技术方向高层次人才培养定位的具体目标。
二、培养方向
按照教育部、国家发展改革委、财政部三部委文件关于“深化人工智能内涵，构建基础理论人才与‘人工智能+X’复合型人才并重的培养体系，探索深度融合的学科建设和人才培养新模式”和“以产业行业人工智能应用为导向，拓展核心技术和创新方法，实现人工智能对相关学科的赋能改造，形成‘人工智能+X’的复合发展新模式”的要求，与本领域发展定位、学校学科布局和师资结构相适应的具体培养方向，可参考如下设置：
（一）人工智能基础理论研究相关方向，如：人工智能模型与理论、人工智能数学基础、优化理论学习方法、机器学习理论、脑科学及类脑智能等。
（二）人工智能共性技术相关研究方向，如：智能感知技术、计算机视觉、自然语言理解、智能控制与决策等。
（三）人工智能支撑技术研究方向，如：人工智能架构与系统、人工智能开发工具、人工智能框架和智能芯片等。
（四）人工智能应用技术相关研究方向，包括但不限于：智能制造、机器人、无人驾驶、智能网联汽车、智慧交通、智慧医疗、机器翻译和科学计算等，充分发挥人工智能对各个学科或领域的赋能作用，形成特色培养方向。
（五）人工智能与智能社会治理相关研究方向，如基于人工智能技术属性与社会属性紧密结合特征的人工智能伦理与治理，以及可信安全、公平性和隐私保护等方面相关技术方向。
三、培养方式
人工智能具有多学科交叉融合、渗透力和支撑性强的特点。培养单位要按照推进“人工智能与实体经济深度融合”的要求，结合本单位优势，以改革为动力，打破学科壁垒，加强内部教育教学资源整合共享，积极推进校企、校校和国内外交流合作，鼓励各校在学科交叉、跨界融合、加强实践、个性化培养等方面，积极探索人工智能领域研究生培养新模式，积累新经验。
在培养计划方面，鼓励师生共同制订个性化培养计划，给予学生较多的选课、选题等方面的主动权。深入推动科教融合、产教融合，坚持理论联系实际，加强实践和应用环节的训练。
在课程设置方面，加强研究生学位核心课程建设，夯实研究生基础知识和专业知识，在深化人工智能核心知识学习的同时，注重人工智能理论与技术向相关学科的延伸。实现跨层次、跨学科、跨高校的课程资源共享，探索不同学科教师共同开设跨学科课程。实践类课程要积极与企业联合，探索产业案例教学。要将有关的科技伦理纳入教学。课程体系和核心课程参考建议见附件1、2。延伸类课程由培养单位根据人才培养的特色方向设置。
在教学方式方面，积极开展项目引导的研讨式、案例式、实践式教学，鼓励企业专家参与案例教学、实践教学等。探索学生以自修等方式学习，经过严格考核获得学分的课程学习模式。鼓励科研成果与教学成果的转化、科研方法与教学方法的渗透、教学问题与科研问题的双向延伸等。
在导师指导方面，积极推进导师组、导师团队指导方式。鼓励采取多学科导师联合指导方式开展复合型人才培养。根据实际情况，组建导师团队时积极聘请企业导师、外校及研究院所专家。
在科研训练方面，鼓励研究生积极参与前瞻性理论问题、关键技术突破问题和重大应用实践问题研究，培养研究生的问题意识，扩大研究生学术视野。确保基本科研训练强度，夯实研究生科研能力。
在实习实践方面，突出产教融合，加强校企合作，注重真刀真枪地解决实际问题。在培养方案中设置专门的实习实践环节，提高实践训练强度和比重。
在考核评价方面，要突出对创新科技前沿、解决实际问题所作实质性贡献的考察，打破学科壁垒和“唯学术论文”评价方式，探索多元评价和学科交叉评价。把跨学科思维与科研能力提升作为对博士生的重要考查内容。
在培养环境方面，积极构建跨学科、宽领域、科研方向长期稳定的培养环境，鼓励硕博连读、直攻博，和跨学科本、硕、博一体化培养的创新模式。
培养单位要根据有关要求，在研究生培养的各个方面，积极探索、分类明确具体的改革举措，力求以人工智能人才培养为抓手，推动研究生教育改革的新突破。
四、质量保障与支持机制
着重从以下方面完善质量保障制度与支撑体系建设，制订具体的质量监督与支持措施。
（一）建立适合人工智能领域研究生培养的严格而多元的质量观，形成活跃而卓越的质量文化，把质量管理贯穿于全部培养过程。
（二）以智能化管理保障人工智能领域人才培养，建立反映研究生学籍、学分、培养方案、课程学习、实验记录、学术交流、专题报告、调研实践等各关键环节信息的数据库，利用互联网与大数据技术实现培养质量预警、教学科研辅助等。
（三）实行以学生成长成才为中心的教育质量评价，在引导学生德智体美劳全面发展的同时，结合人工智能基础前沿创新和复合型人才培养的特点，优化完善学位论文答辩制度、学位评定委员会评议制度、交叉学科学位论文评议制度、学位论文跟踪制度，加强培养过程的选优分流，保证学位授予质量。
（四）建立学缘结构多样、理论功底深厚、学科交叉实践经验丰富、有积极性和责任心强的评价专家队伍，为开展学科多元评价提供支撑。
（五）加强研究生思想政治教育、科研诚信和科学伦理教育，加大对学术不端行为的处罚力度。
（六）构建奖励激励机制和荣誉体系，加大对品学兼优的取得优秀成果和贡献突出学生的奖励力度。
（七）建立开放教育资源联盟，加强内部教学实验设施设备及数据安全共享。
（八）积极拓展企业合作资源，充分利用网络、地域的优势，探索多种模式的合作机制，建立持久务实的合作关系。通过人才推荐、科研成果转化等机制，提高产业界培养人才积极性，联合企业优化教材和系列课程，积极吸引企业开放产业案例与数据集。
（九）根据学科发展的最新趋势和人才培养的需求变化，及时调整培养方案。
附件1
人工智能领域研究生培养课程体系参考建议
附件2
核心课程参考建议
一、基础知识类课程
（一）人工智能模型与理论
本课程将重点讲解人工智能基本算法、模型和理论。内容主要包括以符号主义为核心的逻辑推理、以问题求解为核心的探询搜索、以数据驱动为核心的机器学习、以行为主义为核心的强化学习和以博弈对抗为核心的决策智能等算法以及人工智能与科学计算相结合算法。
（二）数学优化
机器学习、计算机视觉、自然语言处理等技术不断发展，优化技术逐渐成为人工智能领域的重要数学基础。本课程从凸优化入手，介绍优化核心原理、基本方法和前沿技术，为智能方向的科学探索做理论准备。本课程将帮助学习者正确理解优化复杂度的概念，掌握分析凸优化复杂度的基本方法，了解一阶、二阶方法在不同问题类上的求解性能，熟悉包括免疫算法、粒子群算法等的多种优化方法的基本思路，不断提高分析解决实际问题的能力。
（三）机器学习
本课程致力于介绍经典的机器学习算法，让学生初步掌握机器学习领域的基本方法与蓝图。通过掌握机器学习的算法与理论知识，能查阅并理解相关领域的前沿文献，同时熟练使用相关的机器学习算法，解决流行的人工智能领域应用问题，为今后在深度学习相关教学、科研和项目开发工作中深入解决实际应用问题打好基础。
二、专业知识类课程
（一）计算机视觉
计算机视觉是关于如何使机器“看”的科学和技术，通过对采集的图片或视频进行处理以获得相应场景的三维信息，是人工智能的重要分支，在自动驾驶、虚拟现实、生物识别、安全监控、智能制造等领域发挥着重要的作用。本课程首先介绍计算机视觉领域的发展历史和主要应用，之后讲解计算机视觉的主要任务和应用场景，包括成像原理、边界和曲线、图像分类、图像分割、目标检测、形状分析、纹理分析、图像重构、图像生成、人脸识别等；着重介绍以上主要任务中的关键技术难题、重大技术突破，针对这些任务的主流方法，特别是基于统计模式分类和人工神经网络的方法。
（二）自然语言处理
自然语言处理是关于实现人与计算机之间用自然语言进行有效通信的各种理论和方法，是人工智能的重要研究内容，在网络搜索、广告、电子邮件、客户服务、语言翻译、医疗诊断等领域得到广泛应用。课程具体内容包括自然语言处理中的词法分析、句法分析、语义分析以及语用分析等基本任务，情感倾向分析、文本摘要、对话系统、问答系统、机器翻译等自然语言处理重要应用所要解决的基本问题和难点，以及如何利用机器学习、深度学习等手段求解各种自然语言处理问题。
（三）神经与认知科学导论
本课程是神经认知科学的入门课程，包含了认知心理学、神经科学、计算机科学及其他基础科学等多学科的交叉和融合。首先介绍神经认知科学的基本概念、历史和发展现况，进一步讲解基于认知活动的脑机制，即人类大脑如何调用其各层次上的组件，包括分子、突触、细胞、脑组织区和全脑去实现各种认知活动，最后介绍相关的计算模型和算法。课程将从细胞机制和神经元模型、大脑的结构和功能组织、感知原理及模型、记忆的基础理论及模型、学习机制及学习算法、脉冲神经网络的概念、结构以及应用等方面进行展开，旨在加深同学对认知神经科学的理解。通过对这门课程的学习，学生应该掌握认知神经科学的基本内涵，熟悉借鉴大脑机制的学习、记忆等计算模型及算法，同时启发同学们对人工智能在可解释性、自适应学习和非完备信息推理等基础理论的瓶颈问题的思考。
（四）人工智能安全与治理导论
本课程将对人工智能系统的安全问题、常见的攻防方法以及人工智能技术引起的伦理道德问题进行介绍，同时探讨相应的治理技术。通过本课程的学习，使学生能够了解人工智能技术的安全和伦理问题，并了解相关的治理规范和防御方法，助力人工智能技术的健康发展。
（五）机器人学与智能控制导论
机器人是人工智能的重要载体，机器人学是一门高度交叉的前沿学科。本课程讲解机器人和控制领域基础知识和最新研究成果，主要包括机器人运动学、动力学，基于视觉、激光、超声等多传感器信息的场景感知技术，利用最新的人工智能方法实现机器人智能控制等。
（六）人工智能架构与系统
本课程讲解支持深度学习的计算机系统架构和设计方法，包括人工智能算法硬件加速、软硬件协同智能计算架构、云-边缘-端智能系统、后摩尔时代智能计算发展趋势等。
人工智能
1-4现在人工智能有哪些学派？它们的认知观是什么？人工智能研究形成了三大学派：随着人工神经网络的再度兴起和布鲁克（R.A.Brooks）的机器虫的出现，人工智能研究形成了符号主义、连接主义和行为主义三大学派。
符号主义学派是指基于符号运算的人工智能学派，他们认为知识可以用符号来表示，认知可以通过符号运算来实现。如专家系统等。
连接主义学派是指神经网络学派，在神经网络方面，继鲁梅尔哈特研制出BP网络之后，1987年，首届国际人工神经网络学术大会在美国的圣迭戈（San-Diego）举行，掀起了人工神经网络的第二次高潮。之后，随着模糊逻辑和进化计算的逐步成熟，又形成了“计算智能”这个统一的学科范畴。
行为主义学派是指进化主义学派，在行为模拟方面，麻省理工学院的布鲁克教授1991年研制成功了能在未知的动态环境中漫游的有6条腿的机器虫。
三大学派的综合集成随着研究和应用的深入，人们又逐步认识到，三个学派各有所长，各有所短，应相互结合、取长补短，综合集成。
人工智能的各种认知观符号主义（Symbolicism）基于物理符号系统假设和有限合理性原理连接主义（Connectionism）基于神经网络及其间的连接机制与学习算法行为主义（Actionism）基于控制论及感知—动作型控制系统
1-6人工智能的主要研究和应用领域是什么？其中，哪些是新的研究热点？人工智能目前还没有形成统一的理论，智能是多种能力的体现，目前的人工智能也是体现在具体的研究和应用领域：
1.认知科学
认知是和情感、动机、意志相对应的理智或认知过程，是为了一定目的，在一定的心理结构中进行的信息加工过程。认知科学的研究目的是说明和解释人类在完成认知活动时是如何进行信息加工的。由于认知科学几乎涵盖了人工智能所有的理论问题，因此有时人们也用认知科学作为人工智能的代名词。
2.机器学习
学习是机器获取知识的根本途径，是否具学习能力是机器是否具有智能的重要标志。机器学习主要研究如何模拟或实现人类的学习能。围绕这一问题，人们开展了人类学习机型，机器学习方法和学习系统构造技术这三个方面的研究。
3.自然语言处理
自然语言处理主要研究如何使计算机能够理解和生成自然语言。现在的自然语言理解往往与模式识别，计算机视觉等技术相结合，在文字识别和语音识别系统的配合下进行书面语言和有声语音的理解。
4.机器人学
机器人学是在电力学,人工智能,控制论,系统工程,精密机械,信息传感,仿生学以及心理学地多种学科的基础上形成的一门综合性技术学科。人工智能所涉及的几乎所有技术都可以在这个领域中得到应用。
5.计算机博弈
计算机博弈是人工智能中关于对策和斗智问题的研究领域。目前，计算机博弈主要以下棋为研究对象，但研究的主要目的不是为了让计算机与人下棋，而是为了给人工智能研究提供一个试验场地。
6.自动定理证明
自动定理证明就是让计算机模拟人类证明定理的方法,自动实现非数值符号的演算过程.
7.模式识别
模式识别是研究模拟和实现人类分类能力的科学,以便能够应用计算机对某一范畴内的事物,事件或过程进行自动的识别和分类.模式识别是人工智能的重要组成部分,它本身又分为文字识别,语音识别,生物特征识别,遥感图像分析,医学图像分析等许多分支.
8.计算机视觉
计算机视觉是在计算机上实现或模拟人类人类视觉功能的学科,其主要研究目标是使计算机具有通过二维图像认知三维环境信息的能力的能力，这种能力不仅包括感知三维环境中物体的形状，位置，姿态，运动等几何信息的能力，而且还包括对这些信息进行描述，存储，识别与理解的能力。
9.人工神经网络
人工神经网络是一个由大旦简单处理单元经广泛互连后所构成的人工网络,用于模拟神经网络的结构和功能.
10.专家系统
专家系统是基于专家知识和符号推理方法的智能系统,它将领域专家的经验用知识表示的方法表示出来,放入知识库中,根据这些知识在推理机的作用下,解决某一专门领域内需要专家才能解决的问题。对于专家系统，目前尚无公认的定义，但人们一般普遍认为：专家系统是一个能在某特定领域内，以专家水平去解决该领域中困难问题的计算机软件系统。
11.知识发现与数据挖掘
知识发现与数据挖掘是人工智能中比较新的一个分支,是在数据库基础上实现的知识发现系统,用于从数据库中提炼和抽取的知识,以便能够提示出蕴含在数据背后的关于客观世界内在联系和本质原理的信息,实现知识的自动获取。
12.自动程序设计
自动程序设计是将自然语言描述的程序自动转换成成可执行的程序的技术。自动程序设计包括程序综合性和正确性检验两个方面。程序综合手于实现自动编程，用户只需告诉计算机“做什么”，无须说“怎么做”，计算机就可自能实现程序的设计。
13.智能控制
智能控制是指无需人的干预，或基本无需人的干预，能独立的驱动机器实现其目标的自动控制技术。它是一种把人工智能技术与经典控制理论及现代控制理论相结合，研制智能控制方法。
14.智能决策支持系统
智能决策支持系统是地传统决策支持系统中增加了智能部件的决策支持系统。它是人工智能技术，尤其是专家系统技术与决策支持系统相结合的产物质。智能决策支持系统由数据库，模型库，方法库，人机接口及知识库五部分所组成，既可发挥专家系统在知识处理方面的特长，又可发挥传统决策支持系统在数值分析方面的优势，具有良好的应用前景。
15.分布式人工智能
分布式人工智能主要研究如何协调逻辑或物理上分散的智能系统之间的行为，以便实现问题的并行求解。
深度学习是当前最热的人工智能研究领域当前，基于人工神经网络的深度学习技术是当前最热的研究领域，被Google，Facebook，IBM，百度，NEC以及其他互联网公司广泛使用，来进行图像和语音识别。人工神经网络从上个世纪80年代起步，科学家不断优化和推进算法的研究，同时受益于计算机技术的快速提升，目前科学家可以利用GPU（图形处理器）模拟超大型的人工神经网络；互联网业务的快速发展，为深度学习提供了上百万的样本进行训练，上述三个因素共同作用下使语音识别技术和图像识别技术能够达到90%以上的准确率。
人工智能与自然语言处理技术
随着人工智能技术的发展，我们生活中的许多应用都带上了“AI”的色彩，比如可以用计算机帮翻译外文文档。但有时候人工智也能会出一些小故障，变得不那么智能，尤其在语言处理方面。那么我们怎样才能让人工智能变成真正的“智能”呢？自然语言处理技术就是一个重要的方式。
自然语言处理技术（即natural language processing，简称NPL）是人工智能的一个重要分支，其目的是利用计算机对自然语言进行智能化处理。基础的自然语言处理技术主要围绕语言的不同层级展开，包括音位（语言的发音模式）、形态（字、字母如何构成单词、单词的形态变化）、词汇（单词之间的关系）、句法（单词如何形成句子）、语义（语言表述对应的意思）、语用（不同语境中的语义解释）、篇章（句子如何组合成段落）7个层级。这些基本的自然语言处理技术经常被运用到下游的多种自然语言处理任务中，如机器翻译、对话、问答、文档摘要等。
科学家研究自然语言处理技术（NLP）的目的是让机器能够理解人类语言，用自然语言的方式与人类交流，最终拥有“智能”。AI时代，我们希望计算机拥有视觉、听觉、语言和行动的能力，其中语言是人类区别于动物的最重要特征之一，语言是人类思维的载体，也是知识凝练和传承的载体。在人工智能领域，研究自然语言处理技术的目的就是让机器理解并生成人类的语言，从而和人类平等流畅地沟通交流。
但现在的人工智能常常和我们的人工评价有很大的出入，这也是基于AI算法的自动评测面临的最大挑战：如何与人工评价保持一致？应对这个挑战需要解决很多问题。以智能阅卷为例：如何制定电脑适用的评测标准？人工智能如何应对语言的千变万化？如何设计阅卷综合性的评测指标？有科学家认为，大数据与富知识双轮驱动或许能成为解决问题的关键，即在大数据驱动的基础上加入富知识驱动，可以突破现在智能语言处理技术上的瓶颈。
总而言之，自然语言技术的发展说明人工智能技术的核心还是在“人”。“人工智能和机器学习带给决策过程的支撑和信心将使创新加速，但这并不意味着人类的缺席。人们仍然需要定义分析的起点、标注主题并从收集的信息中提取所需数据。”
本文由北京市第六十五中学一级教师李岩进行科学性把关。
科普中国中央厨房新华网科普事业部科普中国-科学原理一点通联合出品更多精彩内容，请下载科普中国客户端。作者：和卓琳 [责任编辑:魏承瑶]