人工智能发展正迎来第三波浪潮—中国教育和科研计算机网CERNET 人工智能第三次浪潮到来的主要原因

发表时间：2023-07-05 08:10:23

人工智能发展正迎来第三波浪潮—中国教育和科研计算机网CERNET

人工智能可谓当今社会的“明星”，许多国家都制定了人工智能发展计划。但人工智能的发展并不完全是一个技术问题，其对人类社会的改变是多方面的，影响也是深远的。

什么是人工智能？我们稍微作一个定义：人工智能就是对人类智能的模仿，并力图实现某些任务。它主要包括三方面的内容：

第一个是计算智能，涉及快速计算和记忆存储能力。在计算机科学家看来，人工智能首先是计算行为，即涉及数据、算力和算法。

第二个是感知智能，涉及机器的视觉、听觉、触觉等感知能力，即机器可以通过各种类型的传感器对周围的环境信息进行捕捉和分析，并在处理后根据要求作出合乎理性的应答与反应。

第三个是认知智能，即指机器具备独立思考和解决问题的能力。现在的人工智能主要停留在第一和第二层次，认知智能涉及深度的语义理解，还是非常难做到的。

应该看到，人工智能不仅是科技界的热闹，而且是社会科学界需要关心的一个重大问题。我提出一个概念，叫“赛维坦”。政治学中有个“利维坦”，这是古代的一个巨兽，后来被霍布斯用来指代国家，形容国家无所不能。我把“利维坦”的L变成S，意指科学。科学很强大，但我们人类要驯服它，不能让它给我们找麻烦。这就需要在伦理、法制等多个维度上进行更多思考和实践。

超人工智能的“奇点”，有可能在什么时候出现

我经常会在演讲中作问卷调查，例如会问听众大概什么时候了解到人工智能。很多人都会讲到阿尔法狗和李世石的对决。实际上，绝大多数人理解的第一波人工智能浪潮，已经是世界范围内的第三波了。

第一波发生在1950年至1970年，当时的主要工作是计算机科学家在从事机器推理系统，同时发明了早期的神经网络和专家系统。这一时期的理论流派被称为符号主义。

第二波出现在1980年至2000年。我们现在讲的统计学派、机器学习和神经网络等概念，在这一阶段都已提出。此时的主流理论流派被称为联结主义。

第三波是在2006年之后，主要得益于大数据的推广。谷歌利用大数据成功地对流感进行预测，引起了卫生部门的关注，这是大数据和人工智能密切关联的一个重要例子。在这一波浪潮中，人工智能技术及应用有了很大的提高，以神经网络为中心的算法取得突破。

关于人工智能，有三个相关概念需要弄清楚：第一个是弱人工智能，第二个是强人工智能，第三个是超人工智能。弱人工智能是专用人工智能，很难直接用在别的场景中。现在很多科学家的理想目标是强人工智能，这样的通用人工智能可以迁移到其他应用场景中。超人工智能则是指超过人类的智能，现在还不存在，我也希望它永远不要存在，否则就会对人类的意义进行颠覆。

但是，美国科学家、发明家库兹韦尔认为，通用人工智能在这个世纪的30年代或40年代有可能超过人类，并把这一个时间点看成“奇点”。为此，还专门成立了极具创新力的奇点大学。

英国牛津大学的未来学家博斯特罗姆也认为，超级智能在未来超过人类是非常有可能的。他把超级智能分为三种形式：一是高速超级智能，二是集体超级智能，三是高素质的超级智能。

高速超级智能跟人脑相似，但速度要快于人脑的智能。用博斯特罗姆的话来讲，高速超级智能可以完成人类智能做的所有事情，但速度会快很多。

集体超级智能由非常多数量的小型智能组成，并且在许多通用性领域，这种智能的整体性能大大超过现有的认知系统。集体智能最擅长解决被分为各个子问题的问题，可以同时找到并单独验证各个子问题的解决方案。博斯特罗姆认为，集体超级智能的整合方式可以是松散的，也可以是紧密的，即可以形成一个统一的智能体。

高素质超级智能和人类大脑一样快，但聪明程度与人类相比有质的超越。这种高素质智能同人类智能相比，就像人类智能与大象、海豚、猩猩的智能相比一样。博斯特罗姆认为，未来的超级智能可以获得一套新的认知模块，并通过复杂知识工程的建构使得通用智能获得新优势。

第四次工业革命中，还有哪些重要的关联技术

为什么人工智能如此重要？因为人工智能代表的是第四次工业革命。

第一次世界大战发生的原因，传统教科书往往强调英国和德国在殖民地上的矛盾。英国是老牌帝国，拥有广大的殖民地，而德国是新兴帝国，殖民地较少，因此展开了激烈竞争。这一结论是事实，但也忽视了更加深层次的一个原因，那就是英国和德国在争夺科技的主导权。

英国是第一次工业革命的主导者，德国更多是第二次工业革命的主导者，英国不能容忍像德国这样的“新贵”崛起。从表面上来看是争夺殖民地，因为殖民地代表着原材料产地和消费市场，但实际上两国在争夺新兴科学技术主导权。

在英国和德国争夺的过程中，最大的受益者是美国。一方面，美国有力地参与了第二次工业革命；另一方面，它又没有与英国和德国展开直接冲突。

第三次工业革命主要是信息技术革命，主导者是美国。美国在主导第三次工业革命过程中，遇到了两个有力的对手：一个是苏联，另一个是日本。

苏联在信息产业进行了有效布局，并且在军事工业、尖端技术及数学家储备方面有优势。但是，由于科技和产业体制等原因，苏联未能对高端的军事工业进行有效的民用转化，所以技术创新缺乏足够的应用支持。

日本于20世纪60年代开始参与信息革命，进步非常快。1985年，日本企业和美国企业在半导体生产的市场占有率方面发生了角色变化，日本成了第一，美国成了第二，其他国家的份额还不到10%。

面对这一情形，美国采取一系列方法来打击日本信息产业的兴起。例如，通过《广场协定》和《半导体协定》等，对日本进行政策限制。同时，在手提电脑产业兴起后，美国着重培育新兴合作伙伴，如韩国的三星和中国台湾的台积电，并通过新的分工方式来打击日本的半导体企业。

但20世纪90年代中期，日本的半导体企业仍具有重要地位。1995年，全球半导体企业前十名中，NEC是第一，东芝排第二，日立制作所排第三，富士通排第八，三菱电机排第九。

不过，到2005年时，东芝退为第四，NEC退为第十。2018年，唯一排名前十的东芝也不得不卖出半导体部门。由此，日本半导体企业基本退出世界市场的竞争。

在第四次工业革命中，最关键的技术是人工智能以及其他关联技术，如物联网、区块链、超级计算、脑科学等。但是，由于人工智能的作用非常显著，因此这一次革命可被称之为智能革命。它意味着人工智能不是一个简单的技术，而是一种战略性技术，是新一轮科技革命和产业变革的关键力量。

在交通、医疗、教育领域，将出现怎样的新变化

在现实生活中，我们将越来越直观地感受到人工智能产生的影响。这里，简单举几个例子。

人工智能让无人驾驶成为可能。未来交通会更多体现三个元素：一是新能源，二是无人驾驶，三是共享出行。由于无人驾驶技术的出现，人们可能不再需要拥有一辆车，而是直接购买从出发地到目的地的出行服务。由此，现在的汽车制造商在未来可能需要向无人驾驶服务运营商的角色转变。在这一过程中，汽车制造商需要同现在的打车软件以及高清地图公司等，进行充分整合与合作。

共享出行也能让许多结构性问题得到解决。例如，停车难一直是城市治理中的老大难问题，却很有可能在共享出行的背景下得到解决。因为那个时候，大部分汽车都会在路上行进，这样就可以将停车场资源重新腾出来用作绿化或人们休息的场所。

医疗也是困扰人类的一个难题。其最大的问题就是，相对于需求而言，医疗资源永远是不够用的。研究显示，人工智能可以极大地扩展这一资源。特别是，它可以把一些传统上由成熟医生来完成的工作逐步实现自动化。

例如，在影像领域，人工智能可以更有力地帮助影像科医生工作。这里的思路一定是辅助，而不是替代。很多医生都在用大量时间做一些低端的、重复性的工作。因此，当这部分工作被人工智能接手过去后，医生就可以更专注地从事科学研究，也可以更有耐心地与患者交流，从而可以根据患者的详细状况实施更有针对性的治疗方案。

另外，人工智能还可以把医疗资源向较为贫困的地方进行扩展。只要人工智能的技术实现真正突破，它所提供的问题解决方案就会更加稳定。

同时，在5G技术的基础上，远程医疗会更为可靠、更加便利。重病患者完全可以在偏僻的地区通过远程设备接受治疗。我们还可以运用人工智能技术进行药物挖掘，从而以更低的成本、更短的时间来开发治疗疑难杂症的新药。

人工智能用于教育最大的意义在于，它可以推广自适应的教育方式。目前的教育仍然是“多人一面”，因为老师的时间、精力是有限的，难以针对每个孩子的个性和特点做到因材施教。但是，借助人工智能系统，我们可以深入了解每一个孩子的受教育状况，并通过自适应系统更加精准地推出个性教育方案，从而帮助孩子提高学习效率。

此外，人工智能还可以在教师辅助、学业评估等方面发挥更大的作用。

发达国家、发展中国家之间的“鸿沟”会否消除

从世界范围来看，人工智能的发展对未来世界的结构可能会产生重要影响。

美国在人工智能领域的能力和权力仍然很强。例如，美国在通用计算硬件方面具有非常强的优势。英伟达的GPU、谷歌的TPU、高通的智能手机芯片等具有明显优势。又如，美国的企业和高校在人工智能的算法框架也有非常好的传统。在一些应用场景中，如特种机器人领域，波士顿动力的技术优势也是明显的。

近年来，中国在人工智能领域的发展较快。尤其是，在5G通信布局中，我们领先于不少国家。中国最大的优势是庞大的市场和相对整齐的消费群体。中国人口数量较多，信息化程度也较高，这是人工智能未来在各个场景中快速应用和落地的基础。

但整体上看，我们在基础芯片、算法框架及生态等方面还有一些不足。特别是，在基础理论和原生性的创新方面有很大的提高空间。

在新一轮科技革命和产业变革浪潮中，一些发展中国家可能会处于尴尬和矛盾的位置。一方面，发展中国家可以运用新型学习方式及开源软件等培养相关人才，大大缩短追赶发达国家的时间。同时，这一智能化方式也有助于克服传统文化的限制。但另一方面，智能革命有可能进一步拉大发展中国家与发达国家的差距。

关键的问题是，一些西方发达国家并不愿意将人工智能等前沿技术转让给发展中国家；当发展中国家在某些新兴技术领域实现突破性进展时，相关国家甚至会动用各种方式，包括投资审查、出口控制、限制科技和人员交流等，来阻碍新兴国家的科技进步。

从这个意义上来讲，发达国家和发展中国家之间的“数字鸿沟”有可能转为“智能鸿沟”。其中，那些主要以劳动力为竞争优势的发展中国家可能会处于更加边缘的位置。更严重的情况是，由于发达国家会把产业回撤并通过机器来推动生产，那么基础较差的发展中国家将越来越少地获得参与国际竞争和世界生产的机会。

目前，世界上关于人工智能的相关法律规则、政策、原则等，主要是由西方发达国家来定义。例如，最有影响的“阿西洛马人工智能23原则”就是由马斯克等西方企业家推动形成的；在人工智能领域颇具影响力的阿西莫夫“机器人三定律”，也是由美国科幻小说作家率先提出来的，并成为机器伦理领域的一个重要原则。

今年6月，中国发布“新一代人工智能治理原则”。这是发展中国家第一次提出人工智能相关治理准则，具有非常重要的意义。随着中国在人工智能领域实力的不断增强，类似的规则制定将会越来越受到重视，并进一步造福全人类。

（高奇琦，华东政法大学人工智能与大数据指数研究院院长、政治学研究院院长、教授）

人工智能产业发展现状与四大趋势

随着全球新一轮科技革命和产业变革孕育兴起，人工智能等数字技术加速演进，引领数字经济蓬勃发展，对各国科技、经济、社会等产生深远影响，已成为驱动新一轮科技革命和产业变革的重要力量。近年来，各国政府及相关组织持续加强人工智能战略布局，以人工智能为核心的集成化技术创新成为重点，人工智能相关技术产业化和商业化进程不断提速，正在加快与千行百业深度融合，其“头雁”效应得以充分发挥。此外，全球高度关注人工智能治理工作，发展安全可信人工智能已成为全球共识。

一人工智能的内涵与产业链

（一）人工智能的内涵

人工智能（ArtificialIntelligence）作为一门前沿交叉学科，与数学、计算机科学、控制科学、脑与认知科学、语言学等密切相关，自1956年首次提出以来，各方对其界定一直存在不同的观点。通过梳理不同研究机构和专家学者提出的相关概念，关于“人工智能”的内涵可总结如下：人工智能是指研究、模拟人类智能的理论、方法、技术及应用系统的一门技术科学，赋予机器模拟、延伸、扩展类人智能，实现会听、会看、会说、会思考、会学习、会行动等功能，本质是对人的意识和思想过程的模拟。

图1：人工智能内涵示意图

来源：火石创造根据公开资料绘制

（二）人工智能的发展历程

从1956年“人工智能”概念在达特茅斯会议上首次被提出至今，人工智能发展已经历经60余年，经历了三次发展浪潮。当前全球人工智能正处于第三次发展浪潮之中。

第一次浪潮（1956－1980年）：训练机器逻辑推理能力。在1956年达特茅斯会议上，以“人工智能”概念被提出为标志，第一次发展浪潮正式掀起，该阶段的核心是：让计算机具备逻辑推理能力。这一时期内，开发出了计算机可以解决代数应用题、证明几何定理、学习和使用英语的程序，并且研发出第一款感知神经网络软件和聊天软件，这些初期的突破性进展让人工智能迎来发展史上的第一个高峰。但与此同时，受限于当时计算机的内存容量和处理速度，早期的人工智能大多是通过固定指令来执行特定问题，并不具备真正的学习能力。

第二次浪潮（1980－2006年）：专家系统应用推广。1980年，以“专家系统”商业化兴起为标志，第二次发展浪潮正式掀起，该阶段的核心是：总结知识，并“教授”给计算机。这一时期内，解决特定领域问题的“专家系统”AI程序开始为全世界的公司所采纳，弥补了第一次发展浪潮中“早起人工智能大多是通过固定指令来执行特定问题”，使得AI变得实用起来，知识库系统和知识工程成为了80年代AI研究的主要方向，应用领域不断拓宽。

第三次浪潮（2006年至今）：机器学习、深度学习、类脑计算提出。以2006年Hinton提出“深度学习”神经网络为标志，第三次发展浪潮正式掀起，该阶段的核心是实现从“不能用、不好用”到“可以用”的技术突破。与此前多次起落不同，第三次浪潮解决了人工智能的基础理论问题，受到互联网、云计算、5G通信、大数据等新兴技术不断崛起的影响，以及核心算法的突破、计算能力的提高和海量数据的支撑，人工智能领域的发展跨越了从科学理论与实际应用之间的“技术鸿沟”，迎来爆发式增长的新高潮。

图2：人工智能的三次发展浪潮

来源：火石创造根据公开资料绘制

（三）人工智能的产业链

人工智能产业链分为三层：基础层、技术层以及应用层。基础层涉及数据收集与运算，这是人工智能的发展基础，包括智能芯片、智能传感器、大数据与云计算等；技术层处理数据的挖掘、学习与智能处理，是连接基础层与应用层的桥梁，包括机器学习、类脑智能计算、计算机视觉、自然语言处理、智能语音、生物特征识别等；应用层是将人工智能技术与行业的融合发展的应用场景，包括智能机器人、智能终端、智慧城市、智能交通、智能制造、智能医疗、智能教育等。

图3：人工智能产业链

来源：火石创造根据公开资料绘制

二全球人工智能产业发展现状

（一）人工智能产业规模保持快速增长

近年来人工智能技术飞速发展，对人类社会的经济发展以及生产生活方式的变革产生重大影响。人工智能正全方位商业化，AI技术已在金融、医疗、制造、教育、安防等多个领域实现技术落地，应用场景也日益丰富。人工智能的广泛应用及商业化，加快推动了企业的数字化、产业链结构的优化以及信息利用效率的提升。全球范围内美国、欧盟、英国、日本、中国等国家和地区均大力支持人工智能产业发展，相关新兴应用不断落地。根据相关统计显示，全球人工智能产业规模已从2017年的6900亿美元增长至2021年的3万亿美元，并有望到2025年突破6万亿美元，2017－2025年有望以超30％的复合增长率快速增长。

图4：2017－2025年全球人工智能产业规模（单位：亿美元）

数据来源：火石创造根据公开资料整理

（二）全球主要经济体争相布局，中美两国占据领先位置

人工智能作为引领未来的战略性技术，目前全球主要经济体都将人工智能作为提升国家竞争力、维护国家安全的重大战略。美国处于全球人工智能领导者地位，中国紧随其后，欧洲的英国、德国、法国，亚洲的日本、韩国，北美的加拿大等国也具有较好的基础。从全球各国人工智能企业数量来看，美国人工智能企业数量在全球占比达到41％，中国占比为22％，英国为11％，以上三个国家的人工智能企业数量合计占到全球的七成以上。

图5：全球人工智能企业数量分布

数据来源：中国信通院，火石创造整理

（三）公共数据集不断丰富，关键平台逐步形成

全球数据流量持续快速增长，为深度学习所需要的海量数据提供良好基础。商业化数据产业发展迅速，为企业提供海量图片、语音等数据资源和相关服务。公共数据集为创新创业和行业竞争提供优质数据，也为初创企业的发展带来必不可少的资源。优势企业例如Google、亚马逊、Facebook等都加快部署机器学习、深度学习底层平台，建立产业事实标准。目前业内已有近40个各类AI学习框架，生态竞争十分激烈。中国的代表企业如科大讯飞、商汤科技利用技术优势建设开放技术平台，为开发者提供AI开发环境，建设上层应用生态。

（四）人工智能技术飞速发展，应用持续深入

近十年来，得益于深度学习等算法的突破、算力的不断提升以及海量数据的持续积累，人工智能真正大范围地从实验室研究走向产业实践。以深度学习为代表的算法爆发拉开了人工智能浪潮的序幕，在计算机视觉、智能语音、自然语言处理等领域广泛应用，相继超过人类识别水平。人工智能与云计算、大数据等支撑技术的融合不断深入，围绕着数据处理、模型训练、部署运营和安全监测等各环节的工具链不断丰富。工程化能力持续增强，人工智能的落地应用和产品交付更加便捷高效。AI在医疗、制造、自动驾驶、安防、消杀等领域的应用持续深入，特别是新冠疫情以来，社会的数字化、智能化转型不断提速，进一步推动人工智能应用迈入快车道。

三全球人工智能产业发展趋势

（一）算法、算力和数据作为人工智能产业的底层支撑，仍是全球新一代人工智能产业的核心引擎

算法、算力和数据被全球公认为是人工智能发展的三驾马车，也是推动人工智能发展的重要基础。在算力层面，单点算力持续提升，算力定制化、多元化成为重要发展趋势；计算技术围绕数据处理、数据存储、数据交互三大能力要素演进升级，类脑芯片、量子计算等方向持续探索智能芯片的技术架构由通用类芯片发展为全定制化芯片，技术创新带来的蓝海市场吸引了大量的巨头企业和初创企业进入产业。在算法层面，Cafe框架?CNTK框架等分别针对不同新兴人工智能算法模型进行收集整合，可以大幅度提高算法开发的场景适用性，人工智能算法从RNN、LSTM到CNN过渡到GAN和BERT还有GPT－3等，不断涌现的新兴学习算法将在主流机器学习算法模型库中得到更高效的实现。在数据层面，以深度学习为代表的人工智能技术需要大量的标注数据，催生了专业的技术服务，数据服务进入深度定制化阶段。

（二）全球新兴技术持续孕育涌现，以人工智能为核心的集成化技术创新成为重点

随着全球虚拟现实、超高清视频、新兴汽车电子等新技术、新产品将不断孕育涌现，并与人工智能加速交叉集成，推动生产生活方式和社会治理方式智能化变革的经济形态；与此同时，人工智能与5G、云计算、大数据、工业互联网、物联网、混合现实（MR）、量子计算、区块链、边缘计算等新一代信息技术互为支撑。这意味着以交叉融合为特征的集成化创新渐成主流，多种新兴技术交叉集成的价值将使人工智能发挥更大社会经济价值。例如：人工智能与汽车电子领域加速融合，实现感知、决策、控制等专用功能模块，推动形成自动驾驶、驾驶辅助、人车交互、服务娱乐应用系统；人工智能与虚拟现实技术相结合，为生产制造、家装等提供工具，并为虚拟制造、智能驾驶、模拟医疗、教育培训、影视娱乐等提供场景丰富、互动及时的平台环境等。

（三）新基建春风与场景赋能双轮驱动，全球泛在智能时代加速来临

在新冠肺炎疫情成为全球发展“新常态”背景下，全球主要经济体均面临经济社会创新发展和转型升级挑战，对人工智能的运用需求愈加迫切，纷纷推动人工智能与实体经济加速融合，助力实现新常态下产业转型升级。一方面，全球大力布局智能化基础设施建设和传统基础设施智能化升级，推动网络泛在、数据泛在和应用需求泛在的万物互联生态加速实现，为人工智能的应用场景向更多行业、更多领域、更多环节、更多层面拓展奠定基础；另一方面，AI应用场景建设成为国内外关注和紧抓的关键举措，面向医疗健康、金融、供应链交通、制造、家居、轨道交通等重点应用领域，积极构建符合本地优势和发展特点的人工智能深度应用场景，探索智能制造、智能物流、智能农业、智慧旅游、智能医疗、智慧城市等模式创新和业态创新，同时典型场景建设也吸引了全球资本市场的重点关注，泛在化智能经济发展时代即将到来。

（四）全球高度关注人工智能治理工作，发展安全可信人工智能已成为全球共识

随着全球人工智能发展步入蓬勃发展阶段，人工智能深入赋能引发的挑战与风险广受关注，并在全球范围内掀起了人工治理浪潮。2019年6月，二十国集团（G20）批准了倡导人工智能使用和研发“尊重法律原则、人权和民主价值观”的《G20人工智能原则》，成为人工智能治理方面的首个政府间国际公约，发展安全可信的人工智能已经成为全球共识。此后，全球各国纷纷加速完善人工智能治理相关规则体系，聚焦自动驾驶、智慧医疗和人脸识别等重点领域出台分级分类的监管措施，推动人工治理从以“软法”为导向的社会规范体系，向以“硬法”为保障的风险防控制度体系转变。与此同时，面向人工智能治理体系建设和打造安全可信生态的相关需求，围绕着安全性、稳定性、可解释性、隐私保护、公平性等方面的可信人工智能研究持续升温，其理念逐步贯彻到人工智能的全生命周期之中，基于模糊理论的相关测试技术、AI结合隐私计算技术、引入公平决策量化指标的算法模型等新技术陆续涌现，产业实践不断丰富，已经演变为落实人工智能治理相关要求的重要方法论。

原文标题 : 全球视野下人工智能产业发展现状与四大趋势

人工智能发展史：第一次热潮和第二次热潮，螺旋式向前发展

【东音社按】本文摘自日经BP的《完全读懂AI应用最前线》，经东方出版社授权发布。人工智能的历史是“热潮”与“低谷”交替出现的历史。发展热潮中充满了无限的期望，但是事与愿违，它迅速走向了衰败。热潮与低谷的发展史，为人工智能的实用化提供了积极性的参考。

本文，我们将讲述人工智能第1次热潮和低谷以及第2次热潮初始阶段的历史。

一、初级阶段：聊天机器人

1956年的达特茅斯会议上，“人工智能”一词登上了历史的舞台。之后，各种人工智能程序陆续登场，人工智能迎来了第1次发展热潮。在这个时期，人工智能软件“Eliza（伊莉莎）”引起了很大的反响。Eliza，是最早的与人对话程序，从1964年开始，由德国科学家约瑟夫•魏泽堡主持编写。当时，使用了专门的编目处理语言“SLIP”进行程序开发，之后的程序开发则是由LISP主导进行的。

Eliza有各种各样的对话例子，其中最著名的例子就是模仿心理医生的心理辅导。被测试者都认为与自己对话的是心理医生，丝毫没有怀疑网络对面的是一台机器。

Eliza通过模式匹配与概念词典技术模仿与人对话的程序。它就是之后被称为“聊天机器人（chatterbot）”程序的原型。聊天机器人，虽然是可以模仿人类对话的程序，但是却没有融入人工智能的技术，只是表面上看起来像是双方的对话是成立的。从这种并无才能的角度出发，它也经常被称为“人工无能”。聊天机器人多是利用简单的词汇识别和概念词典编程的。

当然，也有人主张“像Eliza这样的聊天机器人（人工无能）并不是人工智能”。它既没有对智能进行定义，也没有依据智能进行推理，因此至少不能称之为研究并模仿人的智能的“强人工智能”。另外，聊天机器人是利用简单的模式匹配和概念词典编程的，它的行动模式是能够被人推断出来的，它看起来就像以if句式区别意思的决定论式的程序。

但是，以Eliza为代表的聊天机器人（人工无能），让世人开始了解人工智能，并促进了自然语言处理的迅猛发展，这也体现了它们的巨大贡献。我们至少可以称它们为初级阶段的人工智能。

二、第一次热潮：弱人工智能阶段

在人工智能发展的第1次热潮里，有一个需要介绍的程序，那就是通过符号处理获得更加严密的计算结果的“计算机代数系统”。比起简单的数值计算程序，该系统可以得到更加严密的计算结果。

“Macsyma”，是人工智能发展初期的具有代表性的计算机代数系统之一，该程序能够处理多项式以及不定积分。

Macsyma是在1968年以WilliamA.Martin为首的科学家研发的一套系统，是以LISP语言编写，并融入了启发法的问题解决方法。启发法，是通过探索最接近最优解的近似最优解的方法来得出问题的答案，而不是搜索所有可能的答案，从而得出最优解。

另外，“Reduce”也是该时期具有代表性的计算机代数系统，是由AnthonyC.Hearn于20世纪60年代开发编写的。现在，已经开放源代码，研发活动仍在进行中。Reduce程序利用LISP编写，可以处理不定积分。

Macsyma问世之后，计算机代数系统取得了很大的发展，美国沃尔夫勒姆研究的“Mathematica”、日本莎益博工程系统的“Maple”等都是之后研发出来的系统。

如前所述，Macsyma和Reduce都是利用LISP编写的，因此我们也可以说LISP作为人工智能的汇编语言发挥了巨大作用。反过来也可以说，计算机代数系统就像一个LISP的巨大的应用程序，LISP处理系统需要将这些程序成功运转起来。

其公式处理方法用的是启发法，完全不同于只是基于if句式的决定论式的程序。它至少可以称得上是一个模仿专家思考行为的“弱人工智能”。

继聊天机器人和计算机代数系统之后，在人工智能发展的第一次热潮期间诞生的还有专家系统这套程序。

专家系统，正如其名，它是一套将人类专家的知识和经验变成数据形式，然后通过数据进行推理的系统。初期的专家系统中比较有名的是“Mycin”系统，它是由以美国科学家EdwardShortliife为首的团队在1970年初期研发的。Mycin系统是通过与患者进行人机对话的形式来诊断病情，也是利用LISP来编写的。它拥有500多条规则，可以进行较为简单的推理。

它的特点是，导入了被称为“确信度”的系数这一概念来判断诊断的准确度。但是也有人主张，导入这一概念容易给推理过程造成一定的干扰。

专家系统，不仅在第1次人工智能热潮中得到发展，在第2次人工智能热潮中也继续流行。

三、人工智能的瓶颈初现端倪

在第1次人工智能发展热潮中诞生的各种人工智能程序，只是进行简单推理的程序较多，在发展过程中，瓶颈也就逐渐地显现出来了。

早在第1次发展热潮之前，马文•明斯基和西摩尔•派普特着手的人工神经网络研究就指出了人工智能发展可能出现的瓶颈问题。具体来说，由输入系统和输出系统组成的简单感知器，作为人工神经网络的一种形式，无法解决“不可分的问题”。

在这里我们不做详细说明，但是线性不可分问题的确在很多地方都存在，它也显示出只是导入了简单感知器的人工智能的弊端，这也导致了世人对人工神经网络的期待急速地降低。

最近流行的多层人工神经网络（深度学习模型），随着学习运算法则的不断进化，线性不可分的问题也逐渐被解决。这一点我们将在后面的篇章里做详细解释。

四、经历“低谷时代”，进入第2次发展热潮

人工智能发展的第1次热潮，从1956年一直持续到70年代前期。这一时期研发的专家系统等人工智能系统，因受到计算机处理性能的制约，只能处理一定数量的规则，并且是在特定的领域、特定的环境下才能够发挥作用。

人们在对人工智能充满期待的同时，对研发出来的缺乏实用性的系统也充满了失望，因此，国家以及企业在人工智能方面的预算也越来越少。这一时期，也就是20世纪70年代后期被称为人工智能发展的“第1次低谷”。

但是，进入20世纪80年代后，人工智能很快再次迎来了新的发展热潮。

本次发展热潮的主角是在第1次发展热潮时诞生的专家系统。因处理美国迪吉多公司（DEC）的VAX系统的各种订单并取得非常成功的专家系统受到广泛关注，各IT供应商迅速导入专家系统。

人工智能发展迎来第2次热潮，最大的一个原因在于计算机性能的大幅提高。进入20世纪80年代，基于复杂规则的专家系统也可以在计算机上运行。由此，逐渐实现了专家系统的商业性使用。

随着专家系统的兴盛，制定专家系统运行规则的工程师也被称为“知识工程师”，并且一时间成为炙手可热的职业，就像在今天，数据科学家这个职业相当流行，受到人们的追捧。

知识工程师的主要工作是听取用户的业务内容并对其进行分析，从中抽出明显的规则与隐藏的规则，然后进行分类。

当时，科学家们研发出了各种专家系统。初期的各种专用专家系统大都是利用LISP编程，随着技术的革新，慢慢地发生了变化，通用的引擎部分依然利用LISP编程，规则部分则是知识工程师利用外部数据进行编程。并且，用LISP编程的引擎部分，利用C语言进行编程的开发研究也已经展开了。

专家系统的编程由专用LISP语言向普通的C语言过渡，该系统也变成了一般的程序员编写的一般系统，其新意也就逐渐淡化了。

由此，专家系统也就从人工智能程序变成了决定论式的普通程序。随着这一变化，专家系统的作用效果也变得非常明确，但是其发展瓶颈也开始显现出来。

五、人工神经网络的发展

在人工智能发展的第2次热潮中，人工神经网络也发生了很大的变化。第1次发展热潮时，马文•明斯基等就已经指出，仅凭简单的人工神经网络还有很多无法解决的问题。为了解决这一大难题，多层化的人工神经网络开始受到关注。但是，如何实现多层人工神经网络的自我学习，还没有一个固定的模式。

之后，被称为反向传播（Backpropagation）的算法问世，打破了这种僵局的持续。反向传播是人工神经网络的一种自我学习算法，基于这种算法，多层人工神经网络的机器学习实现了定式化。该算法通过在输入层和输出层之间设定一个中间层（隐藏层），以反向传播的方式实现机器的自我学习。

基于反向传播的形式逐渐形成固定的模式，人工神经网络的发展也进入了兴盛期。线性不可分的问题也开始得到解决，人工智能也实现了进一步的发展。

在人工智能的第2次发展热潮时，笔者有幸参与了作为人工智能机的LISP专用机的研发工作。LISP专用机，也就是一种被称为“AI工作站”的新型计算机。当时，各企业都争相研发各种人工智能专用机，一时间，形成了一股热潮。

人工智能专用机诞生之初的价格大约在1000万日元，之后价格急速下降，使得人工智能专用机在一定程度上得到了普及。在人工智能专用机上运行的程序就有专家系统。可以在人工智能专用机上直接编写专家系统，也可以先编写通用的专家系统，然后再将各种规则编入系统中。

人工智能60周年：站在第三次浪潮的风口—新闻—科学网

人工智能60周年：站在第三次浪潮的风口

人工智能60周年纪念活动启动仪式中国人工智能学会供图

■本报记者计红梅

1955年，被誉为“人工智能之父”的约翰·麦卡锡和明斯基、罗彻斯特、香农等共同给洛克菲勒基金会提交了一份项目建议书，希望能获得第二年于达特茅斯学院举办“人工智能夏季研讨会”的资助。当时，他们认为由10位科学家组成的工作小组在为期两个月的时间里就可以在人工智能领域取得巨大的进步。事实证明，他们严重低估了人工智能的复杂程度。不过，达特茅斯会议正式确立了人工智能（AI）这一术语，也因此被认为是人工智能诞生的标志。

经过60年的发展，人工智能历经三次浪潮，现在正处于第三个“春天”。“春天”的风正往哪儿吹？在4月22日由中国人工智能学会发起，联合中国互联网协会、中国计算机学会等20多家国家一级学会及协会举办的2016全球人工智能技术大会（GAITC）暨人工智能60年纪念活动启动仪式上，来自学术界和产业界的全球人工智能领域顶级专家们给出了答案。

机器感知能力正在超越人类

1956年至今，人工智能的发展可谓起起落落，一方面被视为冉冉升起的新星，另一方面也饱受批评，并遭遇过两次严重挫折。对于过去的60年，微软亚洲研究院常务副院长芮勇的评价是，“不仅仅是一个轮回，还是一次升华。现在正处于第三个春天。”

三星电子中国研究院院长张代君则认为：“目前人工智能的发展还处于比较初级的阶段。当下是人工智能的第三次高潮，而且还会有第四次浪潮的到来。”

自2006年以来，人工智能发展加速。究其原因，百度深度学习研究院“杰出科学家”徐伟认为，大计算能力和深度学习是主要推动力。一方面，经过几十年的积累，为可观的计算能力打下基础，另一方面深度学习的发展提供了灵活、具有快速建模能力的学习系统。这两者的结合，能够将大数据背后蕴藏的各种复杂关系快速提取出来。

徐伟表示，随着深度学习逐步在各种人工智能问题里深入地使用，在一些特定领域，机器的感知能力正在超越人类的水平。例如，在中文语音识别方面，百度的错误率是5.7%，而人类的错误率则是9.7%。另外，在人脸识别领域，人类的错误率是0.8%，而百度则是0.23%。

除百度外，谷歌、微软、IBM、阿里巴巴、科大讯飞等也是人工智能领域的佼佼者。美国东部时间2015年12月10日，微软亚洲研究院视觉计算组在2015ImageNet计算机识别挑战赛中凭借深层神经网络技术的突破，获得图像分类、图像定位以及图像检测全部三个主要项目的冠军。在此次挑战赛中，微软亚洲研究院的研究团队使用了一种深度高达152层的神经网络，比此前成功使用的神经网络层数多5倍以上，将错误率降低到了3.5%。而在此前同样的实验中，人眼辨识的错误率为5.1%。

在芮勇看来，人工智能的属性包括聚合的智能、自适应的智能、隐形的智能，而微软在ImageNet挑战赛中的成功，证明了“深度学习彻底改变了图像识别领域”。他认为：“人工智能的下一个60年将是人类+机器，即把两者更强的地方结合起来，形成增强智能。”

还缺少什么

谷歌人工智能程序AlphaGo以4：1的战绩击败韩国围棋职业九段选手李世石，被认为是人工智能发展最新的里程碑。中国人工智能学会理事长、中国工程院院士李德毅则认为，从此次比赛中可以发现AlphaGo的局限性：AlphaGo仅仅是个围棋脑，还不是一个围棋手，更不是一个围棋机器人，既没有眼和手，也没有感知和行为能力。此外，它也没有情绪和情感，不能分析对手的心理状态，并在现场和对手展开心理战，缺失交互认知能力。

在李德毅看来，未来机器人给人带来的影响将远远超过计算机和互联网过去几十年对世界的改变。而理想中的机器人应该是“有智慧、有个性、有行为能力，甚至还有情感的。”

徐伟也认为，深度学习确实给人工智能带来了快速的进展，但未来还有很长的路要走。“人类智能的核心是自我学习和创造的能力。我们看到现在有很多具体的智能系统，比如AlphaGo，还缺乏一种自我学习和创造的能力。”

另外，一个小孩要认识一种物体只需几幅图就足够了，但计算机则需要几百幅图。“这是因为人工智能还很难从少量标注数据中学习。”徐伟说。

截至目前，谷歌无人驾驶汽车的行驶里程已超过200万公里，即使这样，实现商品化仍然很难。徐伟认为，核心问题是人工智能系统缺乏常识。“人看到一种路况就知道该怎么做，但机器缺乏常识性的理解，只能通过人一条一条把每种路况导入系统中去。要想解决这样的问题，最有效的方式就是放到真实的环境里去学习。”他透露，最近Facebook和微软也提出了类似的想法，即创造一个虚拟的环境，让人工智能体在这一环境中自己去探索，在与环境的交互中建立常识性知识。

“要做像人这样强大的人工智能，可能需要从最基础的东西开始。”徐伟说，“人工智能需要像幼儿一样，在一个环境中自主学习感知，拥有行动的能力，同时将语言能力作为核心嵌入到系统中。”

下一步的突破

从上世纪60年代至今，对于人工智能的研究主要从两个层面进行了探索，首先是逻辑层面，即通过逻辑和搜索来完善人工智能，在发现瓶颈后，又开始了机器学习的研究。

香港科技大学冠名讲座教授、国际人工智能学会会士杨强认为，人工智能的下一步突破将是通用性的人工智能，即将基于搜索和逻辑的人工智能方法与机器学习结合起来，形成一个完整的智能机器。“举个例子，就是一只鸡可以吃不同的食物，但是下的蛋都是对人类有用的。”

在杨强看来，人工智能的成功需要三大条件，一是高质量的数据，二是能够开发出先进算法的人才，三是强大的计算能力。

地平线机器人联合创始人、地平线机器人技术软件副总裁杨铭认为，深度学习近年来之所以备受关注，是因为一般而言性能的准确度是随着数据的增长而增加的，但其他机器学习方法随着数据的增加，性能在某一个点就不再提高了，而对于深度学习还没有发现这一现象。

他表示，深度学习的未来趋势包括四个方向：学习如何记忆及关注与取舍，把注意力集中到需要关心的细节上，增强学习以及整体任务的序列化。

人工智能要想发展，除了算法上的改进，还要解决硬件面临的挑战。寒武纪科技创始人及首席执行官陈天石表示，现在已处于从信息时代过渡到智能时代的开端。在智能时代，处理器的负载不再是以前的传统计算，而是深度学习。通用处理器将由此面临性能和功耗的问题。智能时代需要深度学习芯片作支撑。

《中国科学报》(2016-05-03第5版技术经济周刊)

人工智能给军事安全带来的机遇与挑战

1.2提升军事情报分析效率

随着信息技术的发展，人类正在迎来一个“数据爆炸”的时代。目前地球上两年所产生的数据比之前积累的所有数据都要多。瀚如烟海的数据给情报人员带来了极大的困难和挑战，仅凭增加人力不仅耗费大量钱财，问题也得不到根本解决。与此同时，伴随大数据技术和并行计算的发展，人工智能在情报领域日益展现出非凡能力。目前，美军已经敏锐地捕捉到了人工智能在军事情报领域的巨大应用潜力，成立了“算法战跨职能小组”。该小组的首要职能就是利用机器视觉、深度学习等人工智能技术在情报领域开展目标识别和数据分析，提取有效情报，将海量的数据转换为有价值的情报信息，为打击ISIS等恐怖组织提供有力的技术支撑。机器算法的快速、准确、无疲劳等特点使其在大数据分析领域大展身手，展现出远超人类的能力。因此，美国防部联合人工智能中心主任沙纳汉中将就直言不讳地表示，算法就是“世界上最优秀、训练最有素的数据分析师”。

1.3提升军事网络攻防能力

网络空间已经成为继陆、海、空、天之外的“第五维空间”，是国家利益拓展的新边疆、战略博弈的新领域、军事斗争的新战场。习近平主席在中央网络安全和信息化领导小组第一次会议上指出，“没有网络安全就没有国家安全”。网络攻防是军事安全领域中的重要一环，基于人工智能技术的自动漏洞挖掘可以显著提升军事系统的网络防御能力。目前，网络防御领域存在两大问题：一是网络技术人才短缺；二是当前的网络防御系统面对未知漏洞表现不佳。人工智能的新发展为提升网络防御水平提供了新途径，主要体现在网络系统漏洞自动化检测和自主监视系统等方面。以深度学习为代表的机器学习技术有望使得网络防御系统不仅能从以往的漏洞中学习，而且能在监视数据中不断提升对未知威胁的应对能力。有研究表明，人工智能可以从大量网络数据中筛选出可疑信息，以此增强网络防御能力。比如“蒸馏网络”公司（DistilNetworks）就利用机器学习算法来防御人类难以察觉的高级持续性威胁（APT）网络攻击。目前，美国亚利桑那州立大学的科学家已经研发出了一种能够识别“零日漏洞”的机器学习算法，并能够追踪其在黑客界的流动轨迹。麻省理工学院（MIT）“计算机科学和人工智能”实验室的研究人员也启动了PatternEx研究项目，意在构建一个机器学习系统，预期每天能检查36亿行日志文件，监测85%的网络攻击，并在投入使用时进行自动学习和采取防御措施。美国国防部高级研究计划局正计划将人工智能用于网络防御，重点发展的功能包括在投入使用之前自动检测软件代码漏洞以及通过机器学习探测网络活动中的异常情况等。

1.4为军事训练和培训提供新方式

人工智能为军事训练和培训也提供了新方式。在作战训练领域，人工智能技术与虚拟现实技术相结合能够极大提升模拟软件的逼真度和灵活性，为针对特定战场环境开展大规模仿真训练提供高效手段，真正实现“像训练一样战斗，像战斗一样训练”。首先，通过收集卫星图像、街景数据、甚至是无人机拍摄的三维图像，虚拟现实程序能够在人工智能的帮助下快速、准确地生成以全球任何一处场景为对象的综合训练环境（STE），帮助士兵进行更有针对性的预先演练，提升士兵执行特定任务的能力。其次，人工智能赋能军事训练模拟软件在不降低真实度的情况下快速生成训练环境、设计交战对手，摆脱了以往军事训练耗费大量人力物力布置训练场景的传统模式。再次，人工智能具备的自主性使得模拟军事训练不会以可预测模式进行，士兵必须使用各种设备和不同策略在复杂多样的环境中战斗，有利于提升士兵和指挥官在作战中的应变能力。最后，人工智能通过在模拟对战中与人类反复交手从而迭代学习，系统借助大量复盘模拟可以不断完善应对方法，为参谋人员提供参考借鉴。这一过程类似于与AlphaGo进行围棋对战。换言之，人工智能不仅可以扮演模拟军事训练中人类的强大对手，还可以在每次胜利时向人类传授一种针对这次战役或行动的新策略。除此之外，人工智能在军事训练的其他领域也有着广泛应用。目前，一个名为“神探夏洛克”（SHERLOCK）的智能辅导系统已经被用于美国空军的培训中。这个系统能够为美国空军技术人员提供如何操作电子系统对飞行器进行诊断的培训。同时，南加州大学的信息科学学院已经研制出了一个基于替身的训练程序，能够为派驻海外的军人提供跨文化交流训练。

1.5给军事理论和作战样式创新带来新的启发

诚如恩格斯所言：“一旦技术上的进步可以用于军事目的，他们便立刻几乎强制地，而且往往是违背指挥官的意志而引起作战方式上的改变甚至变革。”技术进步作用于军事领域必然引起作战方式的改变甚至变革，这是恩格斯100多年前就向人们揭示的军事技术发展规律，人工智能技术当然也不例外。总体来看，以人工智能技术为支撑的智能化武器装备较传统武器装备具有突防能力强、持续作战时间长、战术机动性好、训练周期短以及综合成本低等显著优势。智能化无人系统可采用小型化甚至微型化设计，使用复合材料和隐身技术，以隐蔽方式或集群方式接近目标，让敌人难以察觉或无法防范。无人武器系统还可以突破人类生理局限，装备的性能指标和运转时长只需考虑制造材料、各类机械电子设备的承受极限和动力能源的携带量，不但使得系统在机动、承压方面能力得到革命性提升，并且能够实现远距离侦察打击和在目标区域的长时间存在。同样重要的是，与传统武器系统操控训练周期一般长达数年不同，无人系统操控员仅需数月或一年左右的训练即可远程操控“捕食者”“死神”等无人武器参加实战，更多作战人员不必直接踏上战场，有望大大降低战死率和随之而来的社会舆论压力。基于人工智能技术军事化应用的上述特点，近年来美军提出了以算法较量为核心的算法战、无人武器系统蜂群式作战、具有高度自适应性的“马赛克战”等一系列新作战样式。可以预见的是，随着人工智能技术的进一步发展，智能化条件下的军事理论和作战样式创新不会停止。

总而言之，人工智能可以帮助军事力量更加精准高效地运转，同时降低人类面临的生命危险。人工智能在无人作战、情报搜集与处理、军事训练、网络攻防、智能化指挥控制决策等军事领域的广泛运用具有“改变游戏规则”的颠覆性潜力，有望重塑战争形态，改写战争规则，推动智能化战争的加速到来。中央军委科技委主任刘国治中将等专家认为，人工智能必将加速军事变革进程，对部队体制编制、作战样式、装备体系和战斗力生成模式等带来根本性变化，甚至会引发一场深刻的军事革命。

人工智能给军事安全带来的风险和挑战

人工智能作为一种科学技术，同样具备“双刃剑”属性。人工智能一方面为人类社会发展进步和维护军事安全提供了新的动力和机遇，另一方面也带来了一系列威胁与挑战。综而观之，人工智能给军事安全带来的威胁和挑战主要有以下几个方面。

2.1人工智能军事应用带来的非预期事故

人工智能的军事应用存在诸多不确定性，容易带来非预期事故的发生。这主要由以下两点原因所致：一是由于人工智能内部的脆弱性问题（internalvulnerbility）。当前，人工智能还停留在弱人工智能阶段，而弱人工智能系统的特点在于它们接受了非常专门的任务训练，例如下棋和识别图像。战争可以说是最复杂的人类活动之一，巨量且不规律的物体运动仿佛为战场环境蒙上了一层“迷雾”，难以看清和预测战争全貌。在这种情况下，系统的应用环境无时无刻都在发生变化，人工智能系统可能将难以适应。因此，当前弱人工智能存在的根本脆弱性（brittleness）很容易损害系统的可靠性。交战双方部署的人工智能系统交互产生复杂联系，这种复杂性远远超出一个或多个弱人工智能系统的分析能力，进一步加剧了系统的脆弱性，发生事故和出错的概率将大大增加。此外，人工智能算法目前还是一个“黑箱”，可解释性不足，人类很难预测它的最终结果，也容易带来很多非预期事故。二是外部的攻击利用问题（externalexploitation)。研究人员已证明，图像识别算法容易受到像素级“毒”数据的影响，从而导致分类问题。针对开源数据训练的算法尤其容易受到这一挑战，因为对手试图对训练数据进行“投毒”，而其他国家又可能将这些“中毒”数据用于军事领域的算法练。目前对抗性数据问题（adversarialdata）已经成为一个非常严峻的挑战。此外，黑客攻击还可能导致在安全网络上训练的算法被利用。当训练数据受到污染和“投毒”，就很可能产生与设计者意图不符的人工智能应用系统，导致算法偏见乃至更多非预期事故的发生。最后，人机协同也是一个很大的难题。无论是强化学习、深度学习，还是专家系统都不足以完全准确地反映人类的直觉、情感等认知能力。人工智能的军事运用是“人—机—环境”综合协同的过程，机器存在可解释性差、学习性弱、缺乏常识等短板，或将放大发生非预期事故乃至战争的风险。

2.2人工智能军备竞赛的风险

与核武器类似，由于人工智能可能对国家安全领域带来革命性影响，世界各国将会考虑制定非常规政策。目前，世界各国（尤其是中、美、俄等军事大国）都认识到人工智能是强化未来国防的关键技术，正在加大人工智能领域的研发力度，并竭力推进人工智能的军事应用，力图把握新一轮军事技术革命的主动权，全球人工智能军备竞赛态势初露端倪。具体而言，美国将人工智能视为第三次抵消战略的核心，建立“算法战跨职能小组”，筹划基于人工智能的算法战。2018年7月，美国防部设立专门的人工智能机构——联合人工智能中心（JAIC），大力推动军事人工智能应用。2019年2月12日，美国防部正式出台美军人工智能战略，并将联合人工智能中心作为推进该战略落地的核心机构。美国2021财年国防授权法案草案中也特别强调对人工智能、5G、高超声速等关键技术进行投资，建议对人工智能投资8.41亿美元，对“自主性”（autonomy)投资17亿美元。这些举措都体现出美国积极推动人工智能军事化、在人工智能领域谋求新式霸权的意图。俄罗斯在这一领域也不甘落后。2017年1月，普京要求建立“自主机器复合体”（AutonomousRoboticComplexs）为军队服务。中国政府则于2017年7月20日出台《新一代人工智能发展规划》，正式将发展人工智能上升到国家战略高度。军事领域也在通过“军民融合”战略加快“军事智能化发展”步伐，“促进人工智能技术军民双向转化，强化新一代人工智能技术对指挥决策、军事推演、国防装备等的有力支撑，推动各类人工智能技术快速嵌入国防创新领域”。

鉴于人工智能强大而泛在的技术本质以及军事领域对于强大技术的强烈需求，人工智能走向军事应用是难以阻挡的趋势，当前各国竞相推动人工智能军事化和发展人工智能武器便是其现实体现。大国间在人工智能领域的军备竞赛将会危及全球战略稳定，对国家安全带来严重威胁，埃隆·马斯克关于人工智能军备竞赛可能引发第三次世界大战的预言并非危言耸听。如同所有军备竞赛一样，人工智能领域的军备竞赛本质上都是无政府状态下安全困境的体现，如果缺乏信任和有效的军备控制措施，这将成为一场“危险的游戏”，直到一方把另一方拖垮或双方共同卷入战争，上演一场智能时代的“零和博弈”。

2.3扩展威胁军事安全的行为体范围和行为手段

传统上，威胁军事安全的主要行为体是主权国家的军队，但随着网络和人工智能技术的发展，这一行为体范围正在拓展。以网络攻击为例，根据攻防平衡理论，重大军事技术的出现将对攻防平衡产生重大影响，而有的军事技术天然偏向于进攻方。当前，人工智能技术的发展对提升网络攻击能力同样提供了极大机遇。可以预见，人工智能与深度学习的结合有望使得“高级持续威胁”系统成为现实。在这种设想下，网络攻击方能够利用APT系统24小时不间断地主动搜寻防御方的系统漏洞，“耐心”等待对方犯错的那一刻。随着人工智能逐步应用，将有越来越多的物理实体可以成为网络攻击的对象。例如，不法分子可经由网络侵入军用自动驾驶系统，通过篡改代码、植入病毒等方式使得军用无人车失去控制，最终车毁人亡。又比如通过入侵智能军用机器人，控制其攻击己方的人员或装备。同时，人工智能与网络技术结合可能进一步降低网络攻击的门槛。当智能化网络攻击系统研制成功，只要拥有足够多的资金便能有效提升自己的网络攻击能力，而不需要太高的技术要求。因此，未来恐怖分子利用人工智能进行网络攻击或攻击自主系统的算法、网络等，继而诱发军事系统产生故障（如军用无人车、无人机撞击己方人员），或者直接损坏军事物联网实体设备等，都会对军事安全产生很大威胁。

此外，人工智能的发展应用还将催生新的威胁军事安全的方式和手段。人工智能表现出诸多与以往技术不一样的特点，也自然会带来威胁军事安全的新手段，深度伪造（deepfakes）就是其中的典型代表，该技术为煽动敌对国家间的军事冲突提供了新途径。例如，A国雇佣代理黑客使用人工智能技术制作“深度伪造”视频或音频材料，虚构B国密谋针对C国采取先发制人打击，并将这段“深度伪造”材料故意向C国情报部门秘密透露，引发C国的战略误判，迫使其采取对抗手段。B国面对这种情况也将不得不采取措施予以应对，一场由A国借助人工智能技术策划的针对B、C两国的恶意情报欺诈就完成了。当前，“深度伪造”技术的发展速度远超相关的检测识别技术，“开发深度伪造技术的人要比检测它的人多100到1000倍”，这给各国安全部门抵御人工智能增强下的信息欺诈和舆论诱导制造了很多困难。此外，运用人工智能系统的军队也给自身带来了新的弱点，“算法投毒”、对抗性攻击、误导和诱骗机器算法目标等都给军事安全带来了全新挑战。

2.4人工智能产生的跨域安全风险

人工智能在核、网络、太空等领域的跨域军事应用也将给军事安全带来诸多风险。例如，人工智能运用于核武器系统将增加大国核战风险。一方面，人工智能应用于核武器系统可能会强化“先发制人”的核打击动机。核武器是大国战略威慑的基石，人工智能增强下的网络攻击将对核武器的可靠性构成新的威胁，在战时有可能极大削弱国家威慑力、破坏战略稳定。因此，尽管目前人工智能增强下的网络攻击能力的有效性并不确定，危机中仍将大大降低对手间的风险承受能力，增加双方“先发制人”的动机。信息对称是智能化条件下大国间进行良性竞争的基础和保障，但现实情况往往是，在竞争激烈的战略环境中，各国更倾向于以最坏设想来揣测他国意图并以此为假设进行斗争准备，尤其当面对人工智能赋能下的愈加强大的针对核武器系统的网络攻击能力，“先下手为强”确乎成为国家寻求自保的有效手段。另一方面，人工智能技术在核武器系统领域的应用还将压缩决策时间。人工智能增强下的网络攻击几乎发生在瞬间，一旦使核武器系统瘫痪，国家安全将失去重要屏障，给予决策者判断是否使用核武器的压力将激增。尤其在一个国家保持“基于预警发射”（lauch-on-warning)的情况下，核武器系统遭到人工智能增强下的网络攻击时几乎无法进行目标探测并且发出警报，更不可能在短时间内进行攻击溯源和判定责任归属，决策时间压缩和态势判断困难会使决策者承受巨大压力，极有可能造成战略误判，给世界带来灾难。

人工智能与网络的结合会极大提升国家行为体和非国家行为体的网络能力，同时也会催生出一系列新的问题。首先，人工智能技术的网络应用将提升国家行为体的网络攻击能力，可能会加剧网络领域的冲突。如前所述，基于人工智能的APT攻击可使得网络攻击变得更加便利，溯源问题也变得更加困难。与此同时，人工智能的网络应用可能会创造新的缺陷。目前人工智能的主要支撑技术是机器学习，而机器学习需要数据集来训练算法。一旦对方通过网络手段注入“毒数据”（如假数据），则会使得原先的人工智能系统非正常运行，可能带来灾难性后果。其次，由于人工智能算法的机器交互速度远超人类的反应速度，因此一旦将人工智能用于军事领域的网络作战，还有可能带来“闪战”风险，即人类还没来得及完全理解网络空间的战争就已经发生。此外，人工智能在太空领域的应用可能对全球战略稳定和军事安全带来破坏性影响。在人工智能的加持下，传统的反卫星手段将变得更加精准、更具破坏性、更难追溯，从而加大“先发制人”的动机，寻求先发优势。这容易破坏航天国家的军事安全和全球战略稳定，因为攻击卫星尤其是预警卫星往往被视为发动核打击的前兆。

结语

总体国家安全观强调，发展是安全的基础和目的，安全是发展的条件和保障，二者要同步推进，不可偏废。既要善于运用发展成果夯实国家安全的实力基础，又要善于塑造有利于经济社会发展的安全环境，以发展促安全、以安全保发展。因此，维护人工智能时代的军事安全并不代表放弃人工智能的发展，反而要大力推动其应用，使其成为维护军事安全的重要手段和支撑，并注重化解风险。如今，我国正处在由大向强发展的关键时期，人工智能有望成为驱动新一轮工业革命和军事革命的核心技术。因此，我们需要抢抓此次重大历史机遇，积极推动人工智能的研发和军事应用，推动军事智能化建设稳步发展，为建设世界一流军队增添科技支撑。

在当今时代，没有谁是一座孤岛，人工智能对于军事安全领域的影响是全球性的，因此推动人工智能领域的国际安全治理、构建人类命运共同体就显得尤为重要。由于人工智能的迅猛发展，目前对于智能武器尤其是致命性自主武器系统的相关法律法规还并不完善，各国在如何应对这些问题方面也没有明确的方法、举措和共识，但这些问题确关人类社会的未来前景和国际体系稳定。为了维护我国的军事安全以及整体的国家安全利益，应当推动人工智能技术治理尤其是安全领域的全球治理，在人工智能的军事应用边界（如是否应当将其用于核武器指挥系统）、致命性自主武器系统军备控制等领域开展共同磋商，在打击运用人工智能进行恐怖犯罪等领域进行合作，构建人工智能时代的安全共同体和人类命运共同体，维护国家军事安全和人类和平福祉。

免责声明：本文转自信息安全与通信保密杂志社，原作者文力浩,龙坤。文章内容系原作者个人观点，本公众号转载仅为分享、传达不同观点，如有任何异议，欢迎联系我们！

DARPA推动人工智能第三波浪潮

DARPA公开资料解释说，第二波能够“创建统计模型并对大数据进行训练”，但推理极少。这意味着算法能够识别新信息，并且通常将其置于与现有数据库相关的更广泛的上下文中。

因此，第二波AI通常可以通过检查上下文并执行某些级别的解释来确定先前未识别的单词和信息的含义。在此阶段，启用人工智能的计算机可以借助单词和信息与周围的数据和概念的上下文来进行准确分析。

对于AI第二次浪潮，DARPA科学家解释说，在某些情况下，解释的可靠性和响应新信息的能力可能存在局限性，这可能是因为其决定不太可靠。海纳姆解释说，当新信息发生变化时，训练现有数据的能力就会降低。因此，DARPA信息将这一波描述为“最小推理”。

AI可以做出主观判断吗？

雷神公司目前正在与美国海军进行合作，以探索预测学、基于条件的维护和训练算法，以便对其他复杂问题进行实时分析。这是一个为期6个月的合作研发协议(CRADA)，围绕广泛的新型人工智能应用。

雷神公司的开发人员不愿意透露他们正在与海军合作的相关特定问题或平台，但有一点可以确认，他们正在研究改进人工智能，以进一步支持大型作战系统、武器装备和网络。

雷神公司负责任务支持和现代化的副总裁托德·普罗伯特表示，他们正在致力于推动国防部当前人工智能推动的举措。“部署AI的部分目的是未来获得信心，如果作战发生变化，人工智能就将其进一步分解。”普罗伯特说，“我们正在训练算法来完成人类的工作。”

第三波人工智能引领工程AI驱动算法来解释主观细微差别的前景。例如，像某些哲学概念、情感和受过去经验影响的心理细微差别等，这些是计算机无法解释的东西。

普罗伯特说，虽然在许多方面即使是最先进的算法也不能与人类的认知或情感相提并论，但是在某些方面，人工智能越来越能够做出判断。

普罗伯特解释说，高级人工智能能够通过收集和组织选词、语音识别、表达模式和语调有关的信息来处理某些类型的意图、情绪和偏见，以此来识别更多的主观现象。

此外，一个系统拥有足够大的数据库，还可以将新的单词、表达式和输入的数据置于更广泛、更主观的范围内，普罗伯特解释说。

人工智能成为防御网络系统的重要资产

防务合作伙伴正在使用新级别的人工智能来加强反恐调查和网络取证。例如，一家名为托雷斯（TorresAES）的全球安全公司，采用先进的人工智能来探寻恐怖组织、跨国犯罪分子或其他美国对手之间的隐蔽或隐藏的通信。

公司开发人员表示，虽然出于安全原因，这类人工智能应用程序的大部分细节无法获得，但托雷斯网络取证专家确实表示，先进的算法可以使用更高级的人工智能方法，找到与不良分子或敌人活动相关的“数字足迹”。

作为对美国及其盟军反恐部队的网络取证训练的一部分，Torres网络战士和调查人员利用人工智能进行网络取证，例如，在连接巴拉圭、阿根廷和巴西的疏于松散治理的“三边”地区打击金融恐怖主义活动。

“我们训练的系统建立在人工智能上。支持AI的算法可以识别坏人之间直接和间接数字关系，“TorresAES首席执行官杰瑞·托雷斯说。例如，AI可以使用自适应推理来辨别不良参与者使用的位置、姓名、电子邮件地址或银行账户之间的关系。

托雷斯补充说：“人工智能可以成为我们的防御网络系统了解攻击者的一项重要资产，我们可以从每一次攻击中丰富知识库，并发起智能反击来中和攻击者，或者假装反击，让攻击者暴露自己。人工智能对打击攻击者至关重要。”

未来战争将围绕速度

人工智能迅速发展到前所未有的自主机器学习，其算法能够立即吸收和分析新的模式和信息，推理上下文，与海量数据进行比较。目前在军事网络、数据系统、武器和大型平台上的应用吸引了诸多关注。

计算机自主执行程序，规整信息，凭借惊人的处理速度，实现更迅捷的决策、执行、指挥和控制。但在许多情况下，人类的认知仍然需要整合较少的“有形”变量、解决动态问题或作出更多的主观判断。

就目前和新兴平台而言，人工智能领域已经取得了很大进展。F-35“传感器融合”依赖于人工智能的早期迭代，海军“福特”级航母使用更高水平的自动化来执行舰载功能，“弗吉尼亚”级BlockIII攻击潜艇利用触摸屏线控技术为海底导航带来更多自主性。

其他例子包括军方目前在IBM启用人工智能的沃森计算机上进行的试验，该计算机可用于对“斯特雷克”装甲车的作战相关维修细节进行无线实时分析。与此类似，C3IOT公司利用AI授权进行实时分析，对空军F-16进行状态检修维护。

“尽管自主程度更高，但最终还是会由人做出决定，电脑只是作为合作伙伴。”海纳姆解释说：“我们着眼未来，不是说让机器做所有的事情，而是让人类和机器共同努力，为下一场战斗做好准备。”

海纳姆断言：“未来战争将围绕速度——更快地将信息转化为知识。”返回搜狐，查看更多