新一代人工智能：从“感知智能”向“认知智能”转化人工智能的三大特征感知思考和什么有关

发表时间：2023-07-06 18:51:02

新一代人工智能：从“感知智能”向“认知智能”转化

光明日报记者刘茜陈建强

新一代人工智能正在逐步从感知智能向认知智能转化——这是全国政协副主席、中国科协主席万钢在第五届世界智能大会上作出的判断。

“感知智能是机器具备了视觉、听觉、触觉等感知能力，将多元数据结构化，并用人类熟悉的方式去沟通和互动。”万钢认为，“认知智能则是从类脑的研究和认知科学中汲取灵感，结合跨领域的知识图谱、因果推理、持续学习等，赋予机器类似人类的思维逻辑和认识能力，特别是理解、归纳和应用知识的能力。”他以新能源智能汽车为例，阐释了“感知智能”向“认知智能”转化的现实图景：新一代智能汽车除了应用系统感知的智能，实现对周边环境的感知和处理外，还必须通过车网协同、车路协同，甚至综合处理超感知的因素，比如地理、交通、路口、信号、气象等实时信息，从而实现更加安全、便捷、高效的智能服务。

“感知智能向认知智能的快速迭代，就更需要跨界协同，进一步提升智能装备的质量和效益。其中最为重要的一环，就是要更加重视类脑科学研究，用创新的理论来指导人工智能的发展。”万钢表示。

事实上，“感知智能”向“认知智能”转化，是新一代人工智能的发展趋势。在众多的研究者和产业化队伍中，不乏捷足先登者。

在天津医院康复科的治疗室里，63岁的脑出血患者徐宝钏正在借助天津大学神经工程团队研发的康复机器人系统，依靠运动想象进行手腕功能康复训练。帮助他的康复机器人叫“神工”，核心技术就是脑机接口，这项技术便是人工认知智能的典型。

“神工”的“爸爸”是个70后的山东人，有着令人印象深刻的名字——明东。1994年，明东考入天津大学精仪学院生物医学工程专业学习。“我们专业本科学制5年，医工兼修。在读博期间，看到许多截瘫患者后期康复治疗非常困难，当时我就想，如果通过机器采集和读取脑电信号，然后解码输出控制信号，让身体执行，是不是可以为截瘫患者建立新的人工运动神经通路，重新获得运动能力。”

明东介绍：“大脑不但有极为复杂的神经网络结构，还有千变万化的动态信息。每说一段话，大脑里可能有上亿个涉及的神经细胞在发放电信号。”头皮脑电波的信号非常微弱，只有百万甚至千万分之一伏，科研工作者要通过传感装置监测不同活动脑电波的变化，再通过这些信息研判出人在做什么样的思考或者有什么意图。捕捉、破译头皮脑电信号类似于在非常嘈杂的购物中心远远地听见、听懂一个人自言自语的呢喃。听到脑语、解读脑语、输出脑语，涉及传感、材料、算法、介质……听上去都不轻松，研究过程的艰难可想而知。

2014年，首台适用于全肢体中风康复的人工神经机器人系统——“神工一号”研制成功。融合了运动想象脑机接口技术和物理训练康复疗法，该系统在中风患者体外，仿生构筑了一条人工神经通路，经过模拟解码患者的运动康复意念信息，进而驱动多级神经肌肉电刺激技术，产生对应动作。随后“神工二号”“神工三号”相继研发成功。目前，“神工”已通过国家食品药品监督管理总局（CFDA）检测，在天津、山东多地三甲医院进行临床试验，受益患者数千例。

明东介绍，脑机接口技术有三个发展阶段：脑机接口、脑机交互和脑机融合。目前正由第一阶段向第二阶段发展过渡，未来脑机接口技术，将从目前脑机单向接口，进化为脑机双向“交互”，最终有望实现脑机完全智能“融合”。

智能网联汽车，也是适应新一代人工智能的演进趋势，正在勃兴的产业集群。换言之，“感知智能”向“认知智能”转化，更醒目地在交通领域显现出来。但是，如何通过产业协同、系统集成，构建精密、庞大、统一的智能网络，使得每一辆人工智能汽车都能获得具备“认知智能”的系统支撑，却是当前亟须攻克的难题。在第5届世界智能大会智能交通峰会上，众多专家一致认为：“作为未来产业发展的战略制高点，我国智能网联汽车产业发展已取得显著成效，目前的重点是从关键技术创新、基础设施建设、标准法规完善、商业模式探索等方面协同发力，加快形成产业竞争优势。”

“提高智能网联汽车的测试效率，降低测试成本，保障测试的有效性，是当前智能网联汽车迫切需要解决的一大难题。”带领团队做了近30年传统车辆测试的长安大学副校长赵祥模说，我国目前在智能网联汽车测试方面存在5个问题：缺少科学系统多维度智能网联汽车测试评价理论体系，测试场景数据库还不够完善、场景数据结构与自动重构技术亟待突破，柔性测试工具链和自适应加速测试技术不完善，封闭测试场景构建方法和场地测试技术以及核心测试装备有待突破，没有完善的系统级或者整车级测试评价标准体系。据了解，长安大学已开展有关工作，具体包括在国内建设了首个智能网联高速公路测试基地，建设全国高校唯一车联网与智能汽车测试场，开展智能网联汽车测试场景构建方法研究和部署工作，研发一些测试工具和测试移动平台，开放国内外首套智能驾驶室内测试平台，开展网联环境下群体控制测试，开展广泛深入的国际合作等。

人工智能的三个层次：运算智能，感知智能，认知智能

2016年，人工智能成为产业界和学术界的大热词。年初，李世石与AlphaGo的人机围棋大战吸睛无数，人工智能的话题始料未及地席卷了世界每处。此外，今年也恰逢人工智能学科诞生一甲子，AlphaGo再一次打败人类，受到全世界的瞩目，历经波折的人工智能发展终于掀起全球热潮，各国政府纷纷提出人工智能发展研究相关计划，苹果、谷歌等国际IT产业也相继推出一系列人工智能应用，希望在新一轮人工智能技术竞争中取得先机。

在1970年，产生了第一次人工智能产业浪潮，通过第一代的人工智能神经网络算法证明了《数学原理》这本书中的绝大部分数学原理。1984年，人工智能的第二次产业浪潮发生，当时霍普菲尔德网络被推出来，让人工智能的神经网络具备了历史记忆的功能。我们认为人工智能的第三次大潮已经切实到来，人工智能已经不再是一个概念，而是可以进入行业的技术：从大家津津乐道的机器人领域，到社会生活的各个行业、方方面面，人工智能正在切实地影响着人们的生活，让社会生活更智慧、更便捷。

经过多年的人工智能研究，人工智能的主要发展方向：运算智能、感知智能、认知智能。这一观点如今也得到业界广泛的认可。

一是运算智能，即快速计算和记忆存储能力。人工智能所涉及的各项技术的发展是不均衡的。现阶段计算机比较具有优势的是运算能力和存储能力。1996年IBM的深蓝计算机战胜了当时的国际象棋冠军卡斯帕罗夫，从此，人类在这样的强运算型的比赛方面就不能战胜机器了。

二是感知智能，即视觉、听觉、触觉等感知能力。人和动物都具备，能够通过各种智能感知能力与自然界进行交互。自动驾驶汽车，就是通过激光雷达等感知设备和人工智能算法，实现这样的感知智能的。机器在感知世界方面，比人类还有优势。人类都是被动感知的，但是机器可以主动感知，如：激光雷达、微波雷达和红外雷达。不管是BigDog这样的感知机器人，还是自动驾驶汽车，因为充分利用了DNN和大数据的成果，机器在感知智能方面已越来越接近于人类。

三是认知智能。通俗讲是“能理解会思考”。人类有语言，才有概念，才有推理，所以概念、意识、观念等都是人类认知智能的表现。

目前，智伴科技旗下的班尼儿童成长机器人就是“能理解会思考”的。当你问了一个它不懂的问题，第二次再问时候也许它就学会了，这就是它自学的功能。五米内语音识别率为97%，可识别25种语言类情感，也是班尼的亮点之一。

在人工智能的时代中，不同行业会有不同的特点。显然人工智能不能做一切事情，也不能够代替所有人，经过分析把人工智能的行业应用分成三种主要的状况：

第一种，信息完全输入的状况。在这种状况下，机器得到输入，就可以充分准确的得到相应的输出。像以讯飞听见为代表的实时语音转写，像人脸识别、图像识别等技术，“输入”即可以得到“输出”，在这一领域机器将来可以完全替代人工。

第二种类型，是仅仅有输入还不够，还需要知识积累，需要思维判断的工作。这一领域是人和机器耦合的，比如说陪伴，班尼不能代替父母陪伴孩子。回答孩子的问题，教孩子知识，让父母在忙碌的时候不会担心孩子感到孤独，并且帮助父母与孩子实时交流，了解孩子。这是第二种场景：机器无法完全替代人工，而是辅助人，人机耦合进行工作。

第三种类型，没有信息输入，而是主要靠创意，靠想象力的工作。今天的机器可以作图、作曲、写诗，但是都是编码生成的工艺，真正的艺术如今的机器还很难做到。机器能够替代了大量的传统体力劳动，从而将人类释放到无比美好和广阔的创意空间中去，这是人工智能发展的未来趋势之一。因此我们认为，需要创意和想象力的工作是机器无法取代的。

未来的世界应该是由顶尖专家和顶尖管理者协同管理人和机器的联合体的一个大未来，这就是我们认为的人机协同的机制。人类今天的工作会越来越多的由后台的学习系统不断地学习到机器中，由机器来代替人类；而人类将投身于想象更大的未来，去做更有创意的事情。在这样的机制下，人类智慧大爆炸时代正在到来。

未来十年将会是人工智能发展的关键阶段，在这一行业中，中国现在少有地兼具核心技术能力和产业基础条件：在国家层面，2014年科技部“863计划”启动《基于大数据的类人智能关键技术与系统》项目；在企业层面，以科大讯飞为代表的中国自主创新企业已经找到人工智能发展的必由之路——从语音和语言为入口介入认知智能。因此未来中国在人工智能行业和人工智能产业上必将大有可为。

数百年前的万户，不会想到现在NASA已经成功将人类送出地球，远航太空。无论人们是否承认，科技进步的速度，总是超乎最前卫的理想主义者的想象。而如今，我们已经站在了人工智能的大路前。随着技术的发展，人工智能未来将来在智能硬件、车联网、机器人、自动客服、教育等方面发挥越来越显著的作用。

文章来源：https://www.jianshu.com/p/e12fbbf3abe9

人工智能三大关键能力，终于有人讲明白了

导读：人类的智慧宽广而复杂。有些人类成就远远超出现今机器可达的领域，要想让机器触及这些领域，还需要一段漫长的时间。对于解决抽象问题、概念生成、情绪知识、创造力甚至是自我认知，即便是最强有力的深度学习算法，也无法在这些领域与人类智慧相提并论。

把所有这些认知能力融合到一台机器中，从而能够应对所有通用场景的人工智能称为通用人工智能。目前，通用人工智能还停留在理论阶段。

不过，当前的技术在执行特定类型任务方面取得了较大成功，这些任务过去都依赖于人类智力。我们称这类人工智能为狭义人工智能或弱人工智能。弱人工智能主要指三种能力：学习、感知和认知。

作者：大卫·卡尔莫纳（DavidCarmona）

来源：大数据DT（ID：hzdashuju）

▲AI能力备忘单

上图概述了本文介绍的AI的核心能力。

谈到AI的时候，客户们不停地在问：“这事儿成了吗？”在一个AI被过度炒作的世界，确实很难分清AI是幻想还是现实，是实际能力还是营销表演。

所有这些能力在今天都是真实存在的。今天的AI是真实的，成千上万的公司正在使用AI进行业务转型。关注AI未来的可能性固然重要，但是你更需要了解现在的AI能做些什么。

01学习

▲学习——无显式编程的学习

机器学习的首要特征就是随时间学习的能力，并且不需要明确编程。和人类一样，机器学习算法通过探索与实践学习，而不是遵循一步步的指令（当然我知道有些读者是小孩子的父母，有时候你们可不希望孩子们这样）。

机器学习算法是按照学习方式分类的。当下最流行的、你的企业90%的时间可能都会采用的技术就是有监督学习。

有监督学习使用包含输入和期望输出的数据集。通过迭代优化，学习算法可以找到一个函数，对输入如何转化为输出进行建模。这个模型会被应用于训练集外的新的输入，并预测对应的输出。

找到正确的算法和参数，部分靠科学，部分靠创造力和直觉。如何将机器学习应用于这一过程本身就是个研究课题——这种技术称为自动化机器学习（AutoML）。

有监督学习算法都有相同的缺陷：它们需要大量数据。而且不是任何数据都行，它们需要同时包含输入和对应输出的训练数据，也称之为标记数据。

有时我们会有在记录系统或交互系统中存储的已经标记过的历史数据。例如，对于客户流失模型——我们可以查看流失客户的历史数据，加上客户的历史交互一起作为训练数据的输出部分。通过使用正确的算法，我们仅仅通过查看一系列的交互，就能够预测未来的客户流失情况。

然而有时我们不会如此幸运，数据并不会被标记。无监督学习算法会处理一组没有标记的数据并找出其中的结构。聚类算法是无监督学习算法中最流行的一种，它通过不同的技术，在数据中找到共性并对其分组。你可能使用这种算法对你的客户群或网页访问者进行客户细分。

其他常用的无监督学习算法有关联规则（定义数据间的关联，如购买某种特定产品的用户会对其他特定产品感兴趣）和异常检测（找出与主体数据不同的罕见或可疑部分数据）。

在其他情况下，我们完全不使用训练数据。想想人们如何学会玩一款视频游戏。解决这个问题的有监督方法就是观看成千上万的游戏视频并从中学习。这是许多Youtube播主的商业模式，我的孩子们就看这种视频，但我发现这种方式极度枯燥。

一个更有趣的学习方法是实际上手玩这个游戏。在玩的过程中，如果我们做对了（比如得分）就会得到正向强化，如果我们做错了（比如被杀死）就会得到负向强化。强化学习算法就是这么做的：它们通过探索环境并强化正确的行为来学习机器学习的功能。

强化学习由于其不需要数据的特性，成为商业上一种极其有前途的机器学习方式。它特别适合自动化系统——无论是移动的（如车辆、遥控飞机）还是静止的（如空调系统、电力系统）——同时也可以应用于复杂的业务流程。强化学习通常被认为是AI中最困难的学科。

02感知

▲感知——解释周边世界

如果说有某个领域为人类所独有，那就是感知了。数十年来，我们尝试模仿人类的能力去感知周围的世界，却鲜有成功。理解一幅图画或将语音转文字的复杂度使其几乎无法用编程的方式实现——想象一下如何用一步步的指令来定义图片里的一匹马。

机器学习算法更适合解决这类问题。然而，传统机器学习算法在处理感知任务时的准确性与人类能做到的程度相去甚远（我仍然记得在WindowsVista上给开发们演示语音识别功能的情景……这件事教我学会要做个更坚强的人！）。

以图像分类为例。ImageNet是图像分类中最著名的挑战。自2010年起，全球的参与者提交他们的算法来创建最精准的模型。在竞赛初期（即2010年），能达到的较好的误差率约在25%左右。作为比较，同一数据集下人类对应的误差率约为5.1%。

到了2012年，AlexKrizhevsky（一位来自多伦多大学的学生）提交了他的方案：一个包含8层名为AlexNet的神经网络。AlexNet击败了其他竞争对手，达到了15.3%的误差率—比仅次于他的竞争者低了10个点。

在接下来的数年内，他引入的技术被持续改进并增加了更多层数，直到2014年，一个名为GoogLeNet的22层神经网络达到了6.7%的误差率。

次年，一个来自微软研究院的团队提交了使用全新神经网络技术的作品，其神经网络的深度达到了超大的152层，误差率仅为3.57%，首次超过了人类的表现。

深度学习永远地改变了计算机视觉。如今，这项技术实际上已经被用于计算机视觉的所有高精度场景，这使其成为企业中最常见的用例。以下是一些计算机视觉在当今的应用：

为图像的内容分类（影像分类）

识别一幅图像中的多个物体，并识别每个物体的边界（物体检测）

识别图像中的场景或行为（如：工作场所的不安全情形，或零售商店的补货）

检测人脸，识别身份，甚至辨识每张脸的情绪

识别书写文本，包含手写体文本（光学字符识别）

鉴别图像或视频里的攻击性行为

研究员HaroldStolovitch和EricaKeeps在他们的书TellingAin’tTraining（ASTD出版社）中断言，我们获取的信息中，有83%来自视觉，次之是听觉，提供了11%的感觉输入。两者合起来占据了我们从外界获取信息的94%。毫无疑问，音频处理是人工智能关注的另一个较大领域，仅次于计算机视觉。

相似的深度学习技术可以应用到音频信号上，帮助计算机识别声音。你可以利用这项能力区分鸟儿们的歌声，或通过风力涡轮机发出的声音来预测故障。

不过人工智能在音频处理方面最激动人心的还是语音识别。用于语音识别的参照数据集被称为总机，它包含了约260小时的电话交谈录音。测量后人类的转录误差率为5.9%。该误差率在2016年被微软研究院设计的神经网络追平，并于1年后被其以5.1%的误差率击败。有史以来第一次，一台机器可以比人类自身更好地理解人类。

这些突破不但让机器更懂我们，而且使得机器可以用自然的方式与我们沟通。2018年，Azure上线了基于深度学习开发的文字转语音服务，该服务能够合成出与真人无异的人声。

这些能力的结合将实现计算机科学的法宝：全自然用户接口（NUI）。机器既可以看见和理解人类，又可以用自然语言与人类交流，这看起来就像是我们已经实现了科幻电影的幻想一样。不过，我们真的做到了吗？要与计算机进行真正有意义的交流，计算机不但要能转录我们说的话，还要能理解话里的意思。

自然语言处理（NLP）是人工智能中从人类语言中分析、理解并提取含义的领域。NLP最常见的场景之一就是语言理解，语言理解是现代会话型人工智能体验（比如数字助理）的基础。

当你向Siri、Alexa或Cortana询问天气时，系统首先将你的会话音频转换成文字，然后通过自然语言理解模型抽取出你的意图，然后将意图（如“获取天气”）映射到对应输出（在这个例子中，就是提供当地的天气信息）。

NLP技术在过去几年中飞速发展。有些只能处理简单任务，比如情绪分析、关键字抽取或个体识别，有些则可以处理更复杂的任务，如文本归纳或翻译。2018年，微软的机器翻译团队首次在自动翻译方面达到人类水平——这是个极度复杂的任务，曾一度被认为是不可能实现的。

自然语言理解最激动人心的应用之一便是机器阅读理解。2018年1月，来自微软亚洲研究院的团队使用斯坦福问答数据集（SQuAD）达到了人类的水平，该数据集由针对一组维基百科文章的问题所组成。实际上，有关这些文章的开放性问题，系统能够给出比人类更好的答案。许多公司为之做出了贡献，帮助它走得更远。

尽管如此，这些系统仍然无法达到人类的抽象层次。在其核心，问答算法会搜索文本来寻找可以指向正确答案的线索。对于每个问题，系统都要搜索整个文本来匹配。人类也这么做（特别是当我们很匆忙时），但是当我们真正想理解一段文字时，我们会从中抽取知识，进行概括，并使其更易于理解。

想象一段描述加利福尼亚的文字。人类会从这段文字中归纳出“加利福尼亚”这个实体并给它赋予属性（如人口、面积），甚至与其他实体的关系（如邻州、地方长官）。归纳后，我们不再需要那段文字来回答关于加利福尼亚的问题。我们已经概括了有关的知识。

人工智能中与此过程对应的是知识抽取，其对企业有着深远的意义。通过使用这些技术，我们可以从混沌、无序，甚至令人困惑的信息中抽取高阶概念。结果知识图不但能用于回答关于整个数据产业的宽泛问题，还能浏览和理解这些信息。

这种水平的抽象远远超出了传统NLP的能力范围，使其更接近我们所说的认知。

03认知

▲认知——基于数据进行推理

严格来说，认知是获取和处理知识的能力。它包含人脑用于推理、理解、解决问题、计划和决策的高层次概念。

我们目前探索的技术包含了一定程度的认知，虽然有时不那么明显。以图像分类为例，如果我们仔细审视用于图像分类的深度神经网络，实际上就可以看出神经网络是如何在每一层将问题分解成更小的步骤的。

没有人工干预，神经网络自动展示了某种程度的概括：第一层检测简单的特性，如边缘或纹理。往更深层走，每一层都能够抽取更复杂的属性，如图案或元素。某种意义上，神经网络已经可以获取一些知识并使用这些知识做一些基础推理。

自然语言处理展示了类似的内在抽象。在其核心，大部分现代的NLP技术都使用了被称为词嵌入的技术。通过词嵌入技术，文本中的每个词都转换为一个代表单词含义的向量。在这个新的空间，语义相似的词（如“天气”和“预报”）彼此接近。

通过这种方式，系统会将“今天天气如何？”和“获取未来24小时的预报”匹配为相同的意图。即使词不同，它们的含义却是相似的，因为它们的语义相近。翻译也是相同的工作原理：翻译技术使用词嵌入来抽象输入的文本，将其转换为与语言无关的“想法”，再用反向流程将其翻译为任意一种语言。

在这些例子中，认知是感知的内在。然而，许多人工智能场景是单纯的认知。它们不专注于感知周围的世界，而是专注于抽象这个世界并基于抽象进行推理。一些最基础的有监督学习方法便是如此。回归分析是根据现有信息预测数值的能力，例如基于房屋的特征和位置评估其价值，或根据历史数据预估其销售额。

分类是根据物品自身特征对其分级或分类的能力，例如，判断一栋房屋是不是会被出售给某个特定的买家。优化算法则是基于流程进行推论，从而最大化某个特定的结果，比如在医院里分配资源。

推荐系统仅通过评分或购买习惯就能够找出电影、书籍或歌曲等物品间不为人知的共性。其他技术，如前所述，如聚类分析能找出数据中的模式，并以无监督方式对物品归类。

我们在强化学习技术中也能看到认知能力。2017年，蒙特利尔微软研究院（前马鲁巴岛）跨越了100万分大关，创造了吃豆人游戏的新纪录。该系统通过玩成千上万把游戏来实现自我训练。

同样地，在2018年，OpenAIFive（一个由五个神经网络组成的团队）在Dota2游戏中打败了人类队伍。OpenAIFive通过自我对战进行训练，每天的训练量相当于180年游戏时长。

最著名的例子应该是由GoogleDeepMind取得的成就：其系统AlphaGo第一次击败了一位9段围棋专业选手。相对于其他游戏（如象棋），围棋被认为是对电脑来说更为困难的游戏。

深入观察所有AI系统参与的游戏，你会觉得它们展现出了认知的另外一种特征——计划。系统能够提前“思考”最佳的方式来获得长期看来最大化的分数。

关于作者：大卫·卡尔莫纳（DavidCarmona）负责领导微软AI的整体市场，并负责公司和开发者层面的AI产品、服务及创新的整体战略，在技术行业拥有20多年的经验。他在15年前加入微软，在国际上和雷德蒙德（微软总部）担任过各种技术和商业领导职务。

本文摘编自《AI重新定义企业—从微软等真实案例中学习》，经出版方授权发布。

新一代人工智能具有五大特点

科学技术部副部长李萌（刘健摄）

7月21日，国务院新闻办公室举行国务院政策例行吹风会，重点介绍《新一代人工智能发展规划》（以下简称《规划》）的编制情况。科技部副部长李萌在回答记者提问时表示，经过60多年的演进，人工智能出现了一些新特点，包括《规划》当中讲到“它呈现出深度学习、跨界融合、人机协同、群智开放和自主智能的新特点”。新一代的人工智能主要是大数据基础上的人工智能。

李萌指出，人工智能具有以下五个特点：一是从人工知识表达到大数据驱动的知识学习技术。二是从分类型处理的多媒体数据转向跨媒体的认知、学习、推理，这里讲的“媒体”不是新闻媒体，而是界面或者环境。三是从追求智能机器到高水平的人机、脑机相互协同和融合。四是从聚焦个体智能到基于互联网和大数据的群体智能，它可以把很多人的智能集聚融合起来变成群体智能。五是从拟人化的机器人转向更加广阔的智能自主系统，比如智能工厂、智能无人机系统等。

据了解，国际普遍认为人工智能有三类“弱人工智能、强人工智能还有超级人工智能”。弱人工智能就是利用现有智能化技术，来改善我们经济社会发展所需要的一些技术条件和发展功能。强人工智能阶段非常接近于人的智能，这需要脑科学的突破，国际上普遍认为这个阶段要到2050年前后才能实现。超级人工智能是脑科学和类脑智能有极大发展后，人工智能就成为一个超强的智能系统。从技术发展看，从脑科学突破角度发展人工智能，现在还有局限性。《规划》中的新一代人工智能，是建立在大数据基础上的，受脑科学启发的类脑智能机理综合起来的理论、技术、方法形成的智能系统。

跟以往相比，新一代人工智能不但以更高水平接近人的智能形态存在，而且以提高人的智力能力为主要目标来融入人们的日常生活。比如跨媒体智能、大数据智能、自主智能系统等。在越来越多的一些专门领域，人工智能的博弈、识别、控制、预测甚至超过人脑的能力，比如人脸识别技术。新一代人工智能技术正在引发链式突破，推动经济社会从数字化、网络化向智能化加速跃进。

新一代人工智能：从“感知智能”向“认知智能”转化 人工智能的三大特征感知思考和什么有关