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。
作者：徐云峰
catalogs:13000076;contentid:7688970;publishdate:2021-06-11;author:黄童欣;file:1623414511328-aff718d9-3742-46b0-b08c-e56bdd1ed8c8;source:29;from:中华读书报;timestamp:2021-06-1120:28:23;[责任编辑:]人工智能的发展与未来
随着人工智能（artificialintelligent，AI）技术的不断发展，各种AI产品已经逐步进入了我们的生活。
现如今，各种AI产品已经逐步进入了我们的生活｜Pixabay
19世纪，作为人工智能和计算机学科的鼻祖，数学家查尔斯·巴贝奇（CharlesBabbage）与艾达·洛夫莱斯（AdaLovelace）尝试着用连杆、进位齿轮和打孔卡片制造人类最早的可编程数学计算机，来模拟人类的数理逻辑运算能力。
20世纪初期，随着西班牙神经科学家拉蒙-卡哈尔（RamónyCajal）使用高尔基染色法对大脑切片进行显微观察，人类终于清晰地意识到，我们几乎全部思维活动的基础，都是大脑中那些伸出细长神经纤维、彼此连接成一张巨大信息网络的特殊神经细胞——神经元。
至此，尽管智能的具体运作方式还依然是个深不见底的迷宫，但搭建这个迷宫的砖瓦本身，对于人类来说已经不再神秘。
智能，是一种特殊的物质构造形式。
就像文字既可以用徽墨写在宣纸上，也可以用凿子刻在石碑上，智能，也未必需要拘泥于载体。随着神经科学的启迪和数学上的进步，20世纪的计算机科学先驱们意识到，巴贝奇和艾达试图用机械去再现人类智能的思路，在原理上是完全可行的。因此，以艾伦·图灵（AlanTuring）为代表的新一代学者开始思考，是否可以用二战后新兴的电子计算机作为载体，构建出“人工智能”呢？
图灵在1950年的论文《计算机器与智能（ComputingMachineryandIntelligence）》中，做了一个巧妙的“实验”，用以说明如何检验“人工智能”。
英国数学家，计算机学家图灵
这个“实验”也就是后来所说的“图灵测试（Turingtest）”：一名人类测试者将通过键盘和显示屏这样不会直接暴露身份的方式，同时与一名人类和一台计算机进行“网聊”，当人类测试者中有七成都无法正确判断交谈的两个“人”孰真孰假时，就认为这个计算机已经达到了“人工智能”的标准。
虽然，图灵测试只是一个启发性的思想实验，而非可以具体执行的判断方法，但他却通过这个假设，阐明了“智能”判断的模糊性与主观性。而他的判断手段，则与当时心理学界崛起的斯纳金的“行为主义”不谋而合。简而言之，基于唯物主义的一元论思维，图灵和斯金纳都认为，智能——甚至所有思维活动，都只是一套信息处理系统对外部刺激做出反应的运算模式。因此，对于其他旁观者来说，只要两套系统在面对同样的输入时都能够输出一样的反馈，就可以认为他们是“同类”。
1956年，人工智能正式成为了一个科学上的概念，而后涌现了很多新的研究目标与方向。比如说，就像人们在走迷宫遇到死胡同时会原路返回寻找新的路线类似，工程师为了使得人工智能达成某种目标，编写出了一种可以进行回溯的算法，即“搜索式推理”。
而工程师为了能用人类语言与计算机进行“交流”，又构建出了“语义网”。由此第一个会说英语的聊天机器人ELIZA诞生了，不过ELIZA仅仅只能按照固定套路进行作答。
而在20世纪60年代后期，有学者指出人工智能应该简化自己的模型，让人工智能更好的学习一些基本原则。在这一思潮的影响下，人工智能开始了新一轮的发展，麻省理工学院开发了一种早期的自然语言理解计算机程序，名为SHRDLU。工程师对SHRDLU的程序积木世界进行了极大的简化，里面所有物体和位置的集合可以用大约50个单词进行描述。模型极简化的成果，就是其内部语言组合数量少，程序基本能够完全理解用户的指令意义。在外部表现上，就是用户可以与装载了SHRDLU程序的电脑进行简单的对话，并可以用语言指令查询、移动程序中的虚拟积木。SHRDLU一度被认为是人工智能的成功范例，但当工程师试图将这个系统用来处理现实生活中的一些问题时，却惨遭滑铁卢。
而这之后，人工智能的发展也与图灵的想象有所不同。
现实中的人工智能发展，并未在模仿人类的“通用人工智能（也称强人工智能）”上集中太多资源。相反，人工智能研究自正式诞生起，就专注于让计算机通过“机器学习”来自我优化算法，最后形成可以高效率解决特定问题的“专家系统”。由于这些人工智能只会在限定好的狭窄领域中发挥作用，不具备、也不追求全面复杂的认知能力，因此也被称为“弱人工智能”。
但是无论如何，这些可以高效率解决特定问题的人工智能，在解放劳动力，推动现代工厂、组织智能化管理上都起到了关键作用。而随着大数据、云计算以及其他先进技术的发展，人工智能正在朝着更加多远，更加开放的方向发展。随着系统收集的数据量增加，AI算法的完善，以及相关芯片处理能力的提升，人工智能的应用也将逐渐从特定的碎片场景转变为更加深度、更加多元的应用场景。
人工智能让芯片的处理能力得以提升｜Pixabay
从小的方面来看，人工智能其实已经渐渐渗透进了我们生活的方方面面。比如喊一声就能回应你的智能语音系统，例如siri，小爱同学；再比如在超市付款时使用的人脸识别；抑或穿梭在餐厅抑或酒店的智能送餐机器人，这些其实都是人工智能的应用实例。而从大的方面来看，人工智能在制造、交通、能源及互联网行业的应用正在逐步加深，推动了数字经济生态链的构建与发展。
虽然脑科学与人工智能之间仍然存在巨大的鸿沟，通用人工智能仍然像个科幻梦，但就像萧伯纳所说的那样“科学始终是不公道的，如果它不提出十个问题，也永远无法解决一个问题。”科学总是在曲折中前进，而我们只要保持在不断探索中，虽无法预测是否能达到既定的目的地，但途中终归会有收获。
参考文献
[1]王永庆.人工智能原理与方法[M].西安交通大学出版社,1998.
[2]Russell,StuartJ.ArtificialIntelligence:AModernApproach[J].人民邮电出版社,2002.
[3]GabbayDM,HoggerCJ,RobinsonJA,etal.Handbookoflogicinartificialintelligenceandlogicprogramming.Vol.1:Logicalfoundations.,1995.
[4]胡宝洁,赵忠文,曾峦,张永继.图灵机和图灵测试[J].电脑知识与技术：学术版,2006(8):2.
[5]赵楠,缐珊珊.人工智能应用现状及关键技术研究[J].中国电子科学研究院学报,2017,12(6):3.
[6]GeneserethMR,NilssonNJ.LogicalFoundationofArtificialIntelligence[J].brainbroadresearchinartificialintelligence&neuroscience,1987
作者：张雨晨
编辑：韩越扬
[责编：赵宇豪]人工智能历史、概念、算法与技术 概括与综述（一）
经过前五章的阅读，让我脑海中从整体上建立了三个世界的基本底层架构，之后逐渐了解到数据的概念，包括定义、形式和度量等做进一步系统和深入的探讨，还讨论关于数据的几个基本科学法则并讨论这些法则在数据科学技术中的应用。而在之后的“信息纽带”“知识升华”以及“自然智能”的章节中，从各个方面对这些主题有了更深一步的认识，例如信息的结构、含义和效用，知识的概念、判断与平衡问题，再如自然智能的概念与模型问题，以及情绪智能的相关知识。在学习的过程中，我也收获了不少与每个主题相关的知识，例如数据的编码规律遵循香农信息论的基本定理，即压缩、纠错与加密；爱因斯坦和丹麦物理学家波尔围绕量子力学的解释所展开的关于物理世界本质的争论；基于生物科学的智能模型等等。基于上一章关于自然智能的学习与探讨，一个与之相关的主题便是“人工智能”。而本次“人工智能”的上半章，从人工智能的历史、概念、算法与技术四个方面进行阐述。同时本章讨论的课题如下：
（本章讨论的课题）
一、人工智能的历史在对于人工智能的研究之中，最开始起源于英国数学家阿兰·图灵，他对于人工智能机器的最初构想与推理。在一定程度上促进了人工智能的发展与进步，不仅如此，他所设计的“图灵实验”，被用来判断和衡量机器的智能水平，至今仍是判断人工智能的方法与标准。而在70年代之后，在一些如医疗、化学、地质等领域取得一定的成功的结果下，模拟人类专家知识和经验的专家系统变得流行起来。但是由于各项应用的发展较为缓慢，且在一些问题上遇到了瓶颈。导致人工智能的发展也随之滞缓了。在90年代之中，由于网络技术特别是互联网技术的发展，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公司的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。这也在某种程度上为接下来的新一次人工智能浪潮做出了应有的铺垫。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，各种各样的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，从很大程度上打破了科学与应用之间的深厚壁垒，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术已经逐渐在生活中的各个方面进行渗透，引起了人工智能领域的进步与拓展。
（人工智能的发展历史）
二、人工智能的概念对于人工智能的概念与定义的表达，百度上是这样定义的：“人工智能（ArtificialIntelligence），英文缩写为AI。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。”这种定义较为精确地表达出了人工智能的应用之处，除此以外，人工智能还可以被定义为一种数学模型、计算程序和执行系统，包括软件和硬件，能够胜任和完成由人类或自然智能所具有的功能和任务。[1]
在此基础上，人工智能可以在专业应用领域和行为表现等层次上进行如下分类，分为“初级智能”、“普通智能”与“超级智能”。
无独有偶，按照另一种分类方法可以将人工智能进行分类，分为“特殊人工智能”、“一般人工智能”和“超级人工智能”。
通过人工智能的分类可以看出来，有部分的人工智能可以在表现上达到和超过人类。并且通过图灵测试可以了解到，它的核心思想是将被测试的人与机器看作是“黑盒子”，假定在相同的测试条件下，给两者同样的问题，以两者做出答案的正确率作为衡量其智能水平的标准。如果机器回答正确的次数超过人，则证明机器的智能超过了人的智能。对于这样的黑盒子，它能够完成一类人类所从事的工作和任务,那么是否意味着人工智能将永远不会与自然智能具有相同的内部工作机制呢?
结果是否定的，因为按照目前的进程来看，人工智能的产生与发展始终无法摆脱人类自然智能的影响，它是人类通过一定的算法与硬件的算力相结合的产物，本质上并不是生物的，并非自发实现的。根据人类的研发意愿与研究方向，人工智能可以定向地完成一类人类所从事的工作和任务，从而达到协助人类的目的。但是，无法忽视的是，我们对于人类的自然智能的内部工作机制的研究还不是非常透彻，对于可以达到这种自然智能的算法的研究也尚未完成，因此我们无法直接将智能算法和机制借鉴和平移到到机器上来实现，于是我们仅仅可以达到通过开发某种特定的软件并与硬件相结合的方式，并以此达到对于某些人类和自然智能的外在行为、过程和效果的模仿和替代。这种层面的应用与开发是相对于表层的，并未真正地涉及到内部工作机制。但是随着科技的发展，针对于内部工作机制的探索也在进行中，例如“深度学习“机制等等，当然这只是基础的模仿与初步的探索，毕竟人类大脑这种复杂的高级智能系统，其软件和硬件的功能与结构是通过神经元之间复杂和动态的连接实现的，这很难依靠传统的计算机结构与功能实现，不过科技的发展还在继续，最终是否可以与自然智能具有相同的内部工作机制还是一个未知数。还需要科学家们的进一步研究。
三、人工智能的算法人工智能的核心便是算法，智能算法将是具有产生智能功能和完成智能任务的程序性知识。同时，算法也有一定的学习能力，它可以从数据样本中获取将所需要的知识，并进行一定程度上的分析与归纳，形成自己的知识。有人认为，人工智能的模型是一个基于计算机架构的信息模型,与大脑自然智能具有极大的不同。
这种观点无疑是片面的，因为人工智能的算法的不断发展，通过仿生的思想，例如生物进化算法，人工神经网络算法等等。
（人工智能的两种主要算法）
尤其是人工神经网络算法，它是是一种基于神经元连接的学习算法模型。与自然智能之间的联系紧密。因为对于大脑自然智能来讲，它的模型主要存在于大脑神经网络之中。人的大脑通过脊椎与身体其它器官相连接，形成一个巨大而复杂的数据/信息处理和行为控制系统，负责管理所有心智、神经和其它活动与任务。在宏观的层次，负责学习、预测、决定和控制等算法程序均以某种特定的连接方式存在于大脑复杂动态的连接网络之中。在微观层次，大脑神经元由输入端树突、细胞体和输出端轴突构成。神经元的输入端从其它神经元得到电和化学信号并叠加。当输入信号的强度超过一定阈值时，神经元便发出脉冲信号，此信号通过轴突传到相邻的神经元或其它的接收器。[2]基于这种结构模型，人工智能也模仿并研发出人工神经元的输入信号经过加权求和及偏置后再经过某种非线性变换，即激活函数输出的方法，以此来达到相同的结果。尽管这过程中存在种种挑战，在迭代学习的过程中计算成本函数对网络神经元参数的梯度本身便具有极大挑战。对于一个具有许多局部最优点的全局优化问题，是否能够在有效的时间内准确地找到全局最优解，仍然有许多实际问题需要解决。
由此可见，这并不是人工智能唯一或最优的模型，在人工智能的不断进步之中，人工智能的深度神经网络算法日新月异，各种模型也在不断优化的过程中，针对模型优化中不断出现的问题，科学家们也在用相应的算法，知识来解决。可见，在所谓的最优方面并不成立。其次，人工智能的模型也是多元化发展的，除了神经网络算法，还有生物进化算法等等。由此可见，唯一性也不成立。
四、人工智能的技术
放眼当今时代，随着数字经济的不断发展，世界数据化程度不断加深，人工智能已经人工智能技术将成为推动社会经济发展的重要基础支撑，将与互联网一样，通过各种技术、产品和工具，融入各行各业中，不断改造各个行业的发展水平，创造新的价值体系和产业体系，并在多个行业拥有深度应用的前景。人工智能研究的领域非常广泛，如专家系统、语音识别、自然语言处理、机器学习、知识获取等等方面。当前的人工智能的研究也在从原来的初级窄域人工智能向着超级宽域人工智能不断发展。在近期人工智能不可忽视的一个应用是在棋类博弈游戏中体现出来的深度学习的算法与智能的状态。
由于棋牌的规则明确，棋牌所需的技能与思考水平也一直被认为是人类智力活动的高级形式和能力体现。早在1948年香农就发表过关于计算机在国际象棋领域的策略分析，从理论上给这种应用方向上的指引。在IBM公司的深蓝击败了世界国际象棋冠军卡斯帕罗夫后，人工智能科学家们在棋牌领域的研究不断深入，人工智能团队又将目标放在状态空间与游戏树复杂度高于其他棋类游戏的围棋上面，在2016年3月英国智能公司DeepMind开发的基于人工智能的策略和算法“AlphaGo”成功以4比1的成绩战胜9段顶尖职业韩国棋手李世石，在此之后，AlphaGo与多位世界围棋冠军和顶级职业选手比赛，均以全胜告捷。有人认为人工智能战胜了世界围棋冠军是否意味着超出了人类的智能。但是事实并非如此。
首先，人工智能在很大程度上借鉴和依赖大量人类所积累的围棋程序性知识，并在此基础上通过强化学习做了进一步优化。可见，人工智能所蕴含的程序及知识本质上还是人类的智能结晶。除此以外，人工智能要达到真正的人脑智能,处理真实社会中占绝大多数的非完全信息,还存在两个巨大障碍:一是对自然语言的理解;二是对人类知识体系的理解。
（人工智能面临的障碍）
尤其是第二点,由于人工智能本身的发展便是建立在人们对于自我的认知与理解的基础之上的，因而人工智能的发展也不可避免地打上了人类思维的烙印，而人类思维的形态主要有感知思维、形象思维、抽象思维和灵感思维等等。目前几乎还没有把人文知识,系统地抽象出来的算法。即使有关于人工智能作诗让专家难以分辨的新闻，但本质上作出来的诗仅仅是韵脚和意向上的拼凑，并不具有实际的内涵。因此我们可以知道，对于人工智能，总体上仍是建立在物理交互层面的研究，是对于“神经”层面的研究，而非对于“精神”层面的理解与研究。[3]所以现今的人工智能，更是一种为人类服务的，具有特定功能的服务工具。因此人工智能战胜了世界围棋冠军并不意味着超出了人类的智能，相反它从侧面证明了对于人工智能的研究达到了早期预计的目标，接下来也将会进一步发展，辅助人类未来在某一领域的研究与工作。
参考文献：
[1][2]黄卫平. 数据智能科学技术导论[M].北京：清华大学出版社,1-274.
[3]程柏华,李章淼.浅谈对人工智能超越人类问题的反思[J].中国新通信,2018,20(16):222-223.