反智能化作战的研究启示与对策思考
当前人工智能正在加速向军事领域转移，这必将对信息化战争形态产生冲击甚至颠覆性的影响，人工智能的快速发展使得新的战争形态——“智能化战争”指日可待。人工智能是当前发展最为迅猛的技术，世界先进国家都纷纷将人工智能技术上升为国家战略。2017年7月国务院印发《新一代人工智能发展规划》，人工智能正式上升为国家战略，这是中国首个面向2030的人工智能发展规划。人工智能加速应用于武器装备，催生了新的武器装备类型的诞生，并且其武器装备的概念内涵、本质特征、内在规律和作战使用等也出现了全新特征。从目前技术发展状态上看，在今后一段时间内智能化武器装备及其作战使用主要有以下两个方面，分别为无人智能武器装备及其智能化作战和智能增强的武器装备及其智能化作战。
自从AlphaGo战胜围棋世界冠军李世石之后，人工智能技术得到了爆炸式的发展，并且加速在武器装备和战争上的应用后，在世界范围内产生了智能化武器及其智能作战是否最终能够战胜人类的焦虑。由于世界各国都在发展智能化武器，并应用于战场上实施智能作战。因此，反人工智能和反智能化作战成为了各国面临的一个难题。由于智能化武器和智能化作战近几年才得以迅猛发展，属于起步阶段，反智能化武器和智能化作战更是属于萌芽阶段，在世界范围内基本没有研究先例和研究资料。本文首先对智能化武器装备及其智能化作战进行分析，将其分为无人智能武器装备及其智能化作战和智能增强武器装备及其智能化作战两个方面，然后，根据无人智能作战和智能增强作战的特征，分析了在今后一段时间内智能化武器装备及其作战使用的特征和趋势，提出了“硬方式反智能作战”(硬反)和“软方式反人工智能”(软反)两种反智能作战方式，指出了反智能的核心是需要建立反智能的智能算法，提出了反智能算法建立的一般过程和需要解决的基础科学难题。然后，从技术和战术两个层面上，给出了反智能作战的对策思考。
1. 智能化武器装备和智能化作战
从目前技术发展状态上看，在今后一段时间内智能化武器装备及其作战使用主要有以下两个方面，分别为无人智能武器装备及其智能化作战和智能增强武器装备及其智能化作战。
1）无人智能武器装备及其智能化作战
无人智能是人工智能的一个重点方向，在武器装备层面上，各式各样的空中无人智能机(群)、陆上无人智能机(群)、水面水下无人智能机(群)等纷纷被推出，未来在陆、海、空、天各个领域将形成类似于“狼群”、“鱼群”、“蜂群”等各类无人集群，实施全域无人集群攻击与防御的新作战模式。立体化无人智能集群装备基于群聚生物的协作行为与交互方式，通过多分布式集群传感器的全方位侦察探测实现战场感知优势，通过智能自主决策与自动任务分配缩短OODA环周期获得战场速度优势，通过多平台自适应自优化的拦截、打击、压制、防护等有机性行动，获得群体高度一致的协同优势。
面向无人集群智能作战方式具有去中心化、自主化、集群复原等新特征。目前无人智能武器(群)的技术研究主要集中在智能技术上，例如单机智能、多机智能协同、任务自主智能技术，以及面向集群的持续学习、对抗学习和鲁棒决策等方法研究。对于无人集群作战在作战使用过程中出现的复杂战场环境自适应复杂性、自主决策饱和打击的适用性和危害性、集群内部隐秩序以及外在表现的结构行为有机性等方面，是未来一段时间内无人智能武器装备研究的一个重点方向。
目前无人智能集群武器装备主要有无人机组成的“蜂群”、无人潜器组成的“鱼群”、无人战车或坦克组成的“狼群”等。它们共同的特点是模拟生物群体的行为特征，将生物群体原理应用于机器人称为无人集群机器人(简称为无人智能集群)，是为成千上万的小型机器人的群体行动建立模型和算法，使它们能够一起执行任务，每个机器人只具有相当简单的功能，但组成集群之后成为一个具有生物集群的、能够完成复杂任务的超级有机体。
生物集群行为(Swarmbehavior)、或者群行(Swarming)是一种生物的集体行为，最典型的例子是外观上看起来一群实体聚集在一起兜圈或朝特定方向行动。生物界中的昆虫、鸟类、鱼类、水生动物、人与细菌都会出现集群行为。群体行为是大量自驱动粒子系统的集体运动。从数学模型的角度来看，它是一种突现(Emergence)行为，即个体遵循简单的运动和逻辑规则，不需要任何有中心的中央协调，而又能自然而然地呈现群体特征。
生物集群具有四个明显特点：
(1)控制是分布式的，不存在中心控制，因而它具有较强的鲁棒性，即不会由于某一个或几个个体出现故障而影响群体对整个问题的求解；
(2)群体中的每个个体都能够改变环境(共识主动性,Stigmergy)，这是个体之间间接通信的一种方式，集群智能通过非直接通信进行合作，因而随着个体数目的变化，通信开销的增幅较小，使集群具有较好的可扩充性；
(3)群体中每个个体的能力或遵循的行为规则非常简单，因而集群智能的实现比较方便；
(4)群体表现出来的复杂行为是通过简单个体的交互过程突现出来的智能(EmergentIntelligence)，因此，群体具有自组织性。
基于生物集群的无人智能集群在陆、海、空、天各个领域将形成类似于“狼群”、“鱼群”、“蜂群”等各类无人智能集群，实施全域无人集群攻击与防御的新作战模式，它们基于群聚生物的协作行为与交互方式，通过多分布式集群传感器的全方位侦察探测实现战场感知优势，通过智能自主决策与自动任务分配获得战场速度优势，通过多平台自适应自优化的拦截、打击、压制、防护等有机性行动，获得群体高度一致的协同优势。美军认为无人智能集群作战将改变未来的作战模式，而将无人智能集群作为一种“Game-Changing”的颠覆性技术。有模拟试验表明，在同等条件下，装有传感器和武器的100架无人机集群摧毁了63个目标并探测到91%的敌军部队，而现有的可部署火力单位只消灭了11个目标，探测到33%的敌军部队。
2016年4月，美军发布了《小型无人机系统路线图2016-2036》，该路线图凸显了小型无人蜂群系统的重要意义。国防高级研究计划局(DARPA)、战略能力办公室(SCO)，以及空军、陆军和海军等都已经开展了大量的研究和论证工作，启动了多个项目，其中最具影响力的项目包括：DARPA主导自治编队混合主动控制项目(MICA)、拒止环境下协同作战计划(CODE)、“小精灵”项目、进攻性蜂群使能战术项目(OFFSET)，美国海军研究局(ONR)负责的低成本无人机蜂群技术(LO-CIST)，以及战略能力办公室支持的“灰山鹑”微型无人机项目等。美国海军正在研制将无人巡逻艇联成“群”的系统，这就是CARACaS(机器人代理指挥和感知控制架构)技术。我国完成了119架固定翼无人机集群飞行试验。另外还有由1024个机器人组成的Kilobot，奥地利CoCoRo自主水下航行器集群等。
无人智能集群的主要目的是为了使用由简单个体组成群体所具有独特的涌现性来高效完成各种复杂的任务。无人智能集群根据所执行任务特征、所处环境情景，以及期望达到的效果不同，无人智能集群的形状构成、行为动作和适应演化也有所差异。例如鸟群面向迁徙、觅食和避敌等不同情况下的集群形状和过程变化有很大的不同，但却能够实现无缝衔接。同样无人机群在进行航行、侦察、攻击和防御等行动的群体队形、行为模式差距也是很大的。在生物集群中，个体能力弱、抗风险能力有限，通过多个个体组成群体来具备强大的抗拒外界破坏的能力(鱼群躲避对抗天敌的攻击，蜂群攻击入侵者等)。目前在无人智能集群中，无人机群是研究最为深入，用途最为广泛，也是成果最多的。在无人机群，要求将造价低的多架无人机实现对敌目标的高效侦察和攻击。然而目前无人智能集群的理论基础也很薄弱，研究最多的无人机群作用机理的研究仅限于4种形式即：近战(Melee)、聚合(Massing)、机动(Maneuver)和群集(Swarming)。相关的技术研究有机群编队控制技术、路径规划技术、任务规划技术、集群控制算法、通信组网、动态自愈合等方面。
2）智能增强的武器装备及其智能化作战
无人智能武器装备体系是无人或极少有人干预(如决策是否攻击可能需要人的干预)的情况下，无人武器(如察打一体无人机)或无人智能集群的具有全自主或绝大多数情况下自主行为。智能增强武器装备体系则是无人与有人作战装备协同一体，以及基于人机智能共生的武器装备构成的有机整体，实现人机功能互补、优势互补增强作战能力。无人与有人作战装备协同一体主要用于情报侦察探测与协同攻防，例如有人机与无人机协同、有人舰艇与无人舰艇协同等，2016年10月，美国海军三架超级大黄蜂战斗机总共投放103架山鹑小型无人机，进行组网通信和智能协同，以及自行完成编队集结、搜索定位和攻击任务等演示验证。
人机智能共生的武器装备是人智慧和机器智能相结合，很大程度是通过机器超强的计算推理能力来增强人对战争的应对能力，主要应用于战场认知与辅助决策上。在战场认知上，主要通过人工智能对海量数据自动分析与识别的强大计算能力，极大提升信息处理速度和质量，最大程度拨开了“战争迷雾”，极大增强作为主导战争的人对战场的认知能力。在辅助决策上，主要通过机器的快速推理能力和对战效果高效评估反馈能力，形成高质量的辅助决策信息，加上人的“指挥艺术”的创造性和独特性，增强复杂战场环境下的决策指挥能力。因此，无人与有人装备协同体系、基于人机智能共生的装备体系将是未来一段时间内的重点发展方向。
目前对于智能化战争一个最大的争议在于无人装备的自主决策(尤其在自主决策攻击上)上，有人认为这会带来一些我们无法接受的风险，甚至有人认为会导致人类的灭亡。这也恰恰说明目前人工智能尚有很多的基础难题尚未突破。2018年8月，2011年诺贝尔经济学奖获者ThomasJ.Sargent在世界科技创新论坛上表示：“人工智能就是统计学，只不过用了一个很华丽的辞藻”。2017年丘成桐教授在CNCC大会上也指出，人工智能的理论基础非常薄弱，需要一个可以被证明的理论作为基础。李国杰教授指出目前人工智能存在莫拉维克悖论、新知识悖论和启发式悖论。从体系角度，构建智能增强武器装备相关技术层次结构和组成关系，梳理急需解决的关键技术难题，多方面综合性地解决人工智能存在的悖论，这是未来智能增强的武器装备体系急需要开展的工作。
2. 智能化作战核心算法
事实上，智能化作战的核心是智能算法，也就是现在说的算法战争。目前能够支持智能化战争的算法包含的种类很多，但主要体现在两个方面，一方面是支持无人智能集群形成整体的编队或队形控制算法，以及应对复杂场景的优化算法；另一方面，是复杂战场环境下实时作战决策或辅助决策的智能算法，如图1所示。
图1主要的智能算法
模拟生物群体的算法主要有蚁群算法(AntColonyOptimization,ACO)、蜂群算法(ArtificalBeeColony,ABC)、粒子群算法(ParticleSwarmOptimazation,PSO)，以及鱼群算法和狼群算法等。群体正是通过简单智能个体的合作，表现出复杂有机行为的特性，实现群体可以超越最优秀个体能力的突破。
在生物群体中，许多个体层面上行为模式简单的生物个体，在形成群体之后却体现出复杂而有序地种群自发行为。例如，鸟群在空中飞行时自动地调整队形；蚁群能够分享信息，协同工作，优化到实物源的最短路径；鱼群聚集最密集的地方通常是水中食物集中的地方。在仿生学的基础上，学者们对此类现象概述为：不存在中央控制机制的条件下，群体中所有个体都遵循某种特定的行为模式，通过个体之间的相互影响和相互作用，在群体整体层面涌现出来的复杂系统行为。集群行为鲁棒性强，并行性好，实现相对简单，无需中央控制机制。生物群体协作的有机模拟形成的群体智能中，个体必须能够在环境中表现出自主性、反应性、学习性和自适应性等特征。生物群体协作的核心是由众多简单个体组成的群体能够通过相互之间的简单合作来实现某一功能，或者完成某一任务。
模拟种群进化类中最具代表性的是遗传算法。生物群体的生存过程普遍遵循达尔文的物竞天择、适者生存的进化准则。种群中的个体根据对环境的适应能力而被大自然选择或淘汰。遗传算法是模仿生物遗传学和自然选择机理，通过人工方式构造的一类优化搜索算法。遗传算法与传统数学模型截然不同，它为那些难以找到传统数学模型的难题找到一种解决方法。遗传算法是一类以Darwin自然进化论和Mendel遗传变异理论为基础的求解复杂全局最优化问题的仿生型算法。遗传算法的具体流程可简述如下：模拟自然界优胜劣汰的进化现象，把搜索空间映射为遗传空间，把可能的解编码成一个向量——染色体，向量的每个元素称为基因。通过不断计算各染色体的适应值，选择最好的染色体，获得最优解。
生物个体具有目的的行为、合理的思维，以及有效的适应环境的综合性能力。生物个体在给定任务或目的下，能根据环境条件制定正确的策略和决策，并能有效地实现其目的的过程或能力。自然界中智能水平最高的生物就是人类，人类不但具有很强的生存能力，而且具有感受复杂环境、识别物体、表达和获取知识以及进行复杂的思维推理和判断的能力。因此对生物个体的模拟更多的是对人类的模拟。
基于个体的模拟大致有以下几个分支算法：模糊计算——模拟人对客观世界认识的不确定性；神经网络——模拟人脑神经元；支持向量机——基本思想是通过非线性变换将输入空间变换到一个高维空间，然后在这个新的空间中求取最优分类超平面；免疫计算——借鉴和利用生物免疫系统的信息处理机制发展的各类信息处理技术；人工生命——通过人工方法建造具有自然生命特征的人造系统以及DNA计算。
3. 反智能化作战的研究启示
反智能化作战首先需要弄清楚两个问题，就是“反什么”和“怎么反”。从智能化装备的形态和作战方式，以及智能化作战的核心——智能算法，这两个方面的发展上看，从反智能作战的形式上可以分为两种，分别为“硬方式反智能作战”(硬反)和“软方式反人工智能”(软反)。
1）硬方式反智能作战(硬反)
硬反——硬方式反智能作战，顾名思义就是通过硬杀伤、捕获、摧毁或电磁破坏等方式，实现对敌方无人机(群)、无人坦克战车(群)、无人艇(群)等无人武器装备在物理(包括电磁和通信)上实现破坏，使其丧失继续作战的功能和能力。这种方式一部分是传统作战方式在智能战争或对智能武器作战上的延伸使用(包括传统的电子战或水声对抗等)；另一部分是需要建立专门智能化武器和智能算法来实施对敌方智能武器的物理破坏。例如，专门研制用于围捕敌方无人机的有人或无人的装备，研制更加先进、性能更好的无人机来对抗敌方无人机等等。这种方式主要针对敌方的智能装备硬实体，也可以称为反智能装备(反装备)。
2）软方式反人工智能(软反)
软反——软方式反人工智能，是在作战过程通过实施故意的欺骗、无规则的动作行为或刻意制造针对性的战场态势、释放迷惑性数据等方式，使得敌方的智能核心算法效率降低甚至失效，达到战而胜之的目的。这是一种针对战争智能算法的一种全新的思路和手段。例如，为了敌方降低侦察无人机群的侦察效果，通过对敌方无人集群侦察行为的观测，如果知道敌方无人机群采用蚁群觅食算法进行侦察搜索，由于蚁群算法中信息素是决定算法效果的核心部分，那么可以有针对性地制造战场态势，使得敌方无人机群中蚁群算法中的信息素不起作用或降低作用，从而降低侦察搜索效率的目的。又如，在双方性能相当的无人战斗机(或无人战斗机群)实施对抗过程中，如果通过观察能够知道对方决定飞行动作的自主决策是主要基于强化学习的决策机制，那么可以通过我方飞机的无规则或反常的飞行动作，使得对方智能算法中奖励机制(强化学习的关键部分)发挥不出它应有的作用，从而达到获胜的目的。
软反的基本前提条件是智能武器在硬件实体性能上相当，在作战对抗过程中，想方设法来使支持对方作战的智能算法效率降低或失效，达到反智能作战的目的。从这个角度来说，软方式反人工智能是全新的方式，这是急需开展研究的一个重要方向。
3）反智能作战研究启示——反智能智能
以硬方式、软方式进行对抗智能作战，诞生了对抗智能化战争的一种全新样式和需求——反智能智能，其核心思想就是在战场上利用智能的方法来对抗智能。根据天下没有免费午餐的定理，任何智能算法都不可能解决所有的智能问题，它只能在某类智能问题上具有良好的效果。例如战胜围棋世界冠军李世石的AlphaGo，如果没有大量数据支持(棋谱)，不满足确定性信息、完全信息、静态的、单任务和有限领域这5个条件，它也是无能为力。因此就将来可能应用于智能作战的人工智能算法来说，完全有可能根据特定战场环境和智能算法，有针对性地建立有效的反智能算法的装备和算法。
实际上反智能智能的核心也是一种智能算法，它是根据需要在战场上对抗智能算法而建立的，具有很强的针对性，反智能作战的智能算法(简称反智能算法)形成的一般过程如图2所示。
图2反智能算法建立的一般过程
在智能化作战过程中，装备的智能算法会根据战场态势和对方行为动作来确定自身的动作和行为，并通过观察对方的行为动作和战场态势的变化，不断进行智能计算和决策，来调整自身的行为和动态，以寻求达到最佳效果的目的。而在反智能作战过程中，反智能算法首先需要观察对方动作和行为，迅速反演出对方智能算法类型和框架，并找到对方智能算法的弱点，然后，自动生成能够有效降低对方智能算法效率甚至使其失效的方法、策略和具体实施方案，并生成相应的能够迷惑、干扰对方装备的动作行为或战场态势，从而形成有效反击对方智能作战的手段。
从上述分析上看，反智能算法是一个全新的方向，它需要解决以下基础科学难题：
(1)基于外在行为的智能算法快速反演问题。智能算法的一个突出特点是在特定的环境条件下速度快、效率高。要对抗对方智能算法，首先必须知道该算法的类型和基本架构，这是反智能的基本前提。然而在反智能过程中，是无法直接获取对方智能算法的类型、架构和内部参数的，只能通过对改装备外在表现出来的行为动作(或有意的使它表现出一定的行为动作)来快速判断其内在智能算法的类型、基本框架和部分参数等，要达到这个目的是十分困难的。
(2)智能算法的弱点分析与对策问题。要对抗智能算法的一个基本条件就是要知道该智能算法的关键弱点，才能有针对性地采取有效的技术措施。然而不同的算法类型、基本架构和实现途径所形成智能算法的弱点是有所差异的，所采取的对策也有很大的差别。例如，都是战术动作的决策问题，基于规则的算法和基于强化学习的算法，两者之间的弱点和可能采取的对策就完全不同。因此，如何基于智能算法的反演，迅速找到智能算法的弱点，并自动形成行之有效的对策，是十分关键的基础性科学问题。
(3)反智能算法的自主生成与运行问题。从目前智能技术在战争中的应用情况分析和预测，运用于智能作战的算法种类是能够分析预测出来的，然而算法的具体实现方式和参数特性的差别就十分巨大，完全无法获知和预测。同时反智能算法需要根据对方行为和智能算法特征来构建，才能具有针对性并达到一个比较好的效果，因此反智能算法的建立生成具有很强的自主性和适应性。这是区别于智能算法的一个重要方面，也是最难的一个方面。
4. 反智能作战的对策思考
在复杂的战场环境下，智能和反智能是“魔”与“道”的关系，需要从技术和战术两个层面来应对。
1）反智能作战的技术对策思考
如果说目前人工智能的基础理论十分薄弱，那么反智能的基础理论更是处于空白状态。因此为了推动反智能作战的基础理论、关键技术和核心算法的发展，需要开展以下工作：
(1)引导前瞻性课题研究。反智能作战的技术上有其特殊性，各个部队机关和技术管理部门应该有意识地设置一些相关反智能作战的前沿研究课题，以便推动反智能基础理论和核心算法的研究进程；
(2)推动智能化武器的实际应用。目前智能化武器和智能算法的研究如火如荼，然而真正在战场上投入使用的在世界范围内都很少。要反智能化作战，必须先了解智能化作战是什么，才能知道“怎么反”。因此，只有真正实施智能化作战，才真正知道如何从技术手段上实现反智能化作战。因此，推动智能化武器的实际应用并实施智能化作战，是一项要求尽快开展的工作；
(3)将反智能置于军民融合中。人工智能兴起于民用技术，同样反人工智能技术也完全有可能兴起于民用技术，因此，将反智能作战置于军民融合中，可能会产生意想不到的效果。
2）反智能作战的战术对策思路
反智能作战不仅需要从技术手段上实施，更需要从战术、战法上进行对抗。为了能够创新反智能化作战的战术和战法，需要开展以下工作：
(1)广大官兵、指战员必须理解智能化作战的本质。就目前智能技术而言，如果在战场上满足确定性信息、完全信息、相对静态的、单任务和有限领域这5个条件，人根本无法和智能武器对抗。如果上述5个条件中有2个以上不能满足，那么人的战术、战法就能发挥巨大作用，而智能武器的发挥就会受到极大限制。因此，理解智能化战争的本质，是没有参与作战的士兵、军官等全体人员必须具备的基本知识。
(2) 有针对性地进行反智能化的作战训练。在有规则的条件下，人是无法战胜机器的，这已经从“深蓝”战胜国际象棋大师、“AlphaGo”战胜世界围棋冠军中得到证明。同时从古至今，没有任何一条必胜的作战规则，可以说“战争唯一规则就是没有规则”。对于未来的智能化战争更是如此。因此，在部队进行反智能化作战训练中，注重“没有规则”的作战训练，这可能是未来部队训练的一个重要组成部分。
※ ※ ※
创新体系工程基础理论和方法
推动系统工程理论再发展
人工智能：让机器拥有学习能力
最近，国内外掀起了一阵讨论人工智能的热潮，其背后主因是以谷歌和脸书为代表的高新技术企业广泛应用机器学习以及深度学习技术开始显现出了良好的效果。特别是在语音识别和图像识别两个领域，这几年的提升非常快。谷歌在2014年将语音识别的精准度从2012年的84%提升到98%，而脸书的人脸识别精度在短短几年里甚至超过人类肉眼的水平。
与此同时，各大企业开始了一场抢夺人工智能人才的大战，比如谷歌设立了“谷歌大脑计划”，并在2014初斥资5亿美元收购了人工智能创业公司DeepMind。国内的搜索巨头百度也不甘示弱，高薪从谷歌挖来了斯坦福大学人工智能专家吴恩达负责“百度大脑计划”。那么，人工智能到底是什么？其经过了什么样的发展历程？未来的人工智能到底会是什么样子？就此，科技日报记者采访了日本KDDI研究所研究员、通讯与网络专家吴剑明博士。
人工智能是如何出现的？
吴剑明博士称，人工智能的概念早在大约60年前就出现了。在1956年美国达特茅斯大学召开的世界第一次人工智能会议上，由当时就职于麻省理工学院的约翰·麦卡锡教授提议并推动后，人工智能概念就成为了一个热门话题。不过在这60年里，人工智能的发展几度起起伏伏，有过红红火火的日子，也有过被打入冷宫受尽白眼的岁月。
那么到底什么是人工智能呢？为什么人工智能之路会如此的沧桑坎坷呢？吴剑明说，顾名思义，人工智能就是让机器拥有学习能力，甚至能够像人类一样去思考工作。在人工智能的早期，有些科学家非常乐观地认为，随着计算机的普及和CPU计算能力的提高，人工智能的实现指日可待。不少早年的科幻电影描述，到了2000年，机器人几乎无所不能。但事实证明，人工智能的发展没有预期的那么美好和顺利，因为人类对人脑机制的理解还是有道迈不过去的坎儿。
一般人看来，人工智能属于计算机科学的范畴，但实际上人工智能覆盖了计算机科学、数学、心理学、哲学和语言学等几乎所有自然科学和社会科学学科，要想有所突破，仅仅靠精通计算机的专家学者和技术人员是远远不够的。幸运的是，强攻不果，迂回之战却有了突破，近年来随着机器学习以及深度学习技术的成熟，人类离人工智能的梦想实现还是实实在在地迈出了一大步。
发展历程：从经典数理逻辑到专家系统
人工智能从出现发展到现在，经历了一个比较曲折的过程。
吴剑明指出，人工智能从1956年概念建立至今，最初的30年是逻辑学派占主导地位，主要是因为逻辑推理和启发式搜索在智能模拟中避开了当时知之甚少的大脑思维规律中深层次的复杂问题，利用了比较成熟有效的逻辑学方法。这在当时计算机性能不高、普及率也很低的条件下显得简单灵活、见效快，是一个捷径。通过计算机实现的人工智能很快在定理证明、问题求解、模式识别等关键领域取得了重大突破，崭露头角。于是早年的科学家们乐观地认为，人工智能与传统计算机程序的本质差别在于它能够进行逻辑推理，依靠逻辑推理定理的完善和计算机的高性能CPU以及大容量存储设备的普及，可以在不久的将来完全解决智能模拟问题。
吴剑明说，逻辑学派撇开大脑的微观结构和智能的进化过程，单纯利用程序或是逻辑学对问题求解的过程来模拟人类的思维过程，所以也被分类为弱人工智能。这种方法专注于建立被解问题的数学模型，即找到该问题输入和输出之间的数量关系，把它转化为一个数学问题，然后找到用计算机实现该数学问题的解决算法。然而经过对经典数理逻辑理论解决智能模拟问题进行深入研究后，科学家们才发现这条路是走不通的。主要原因在于，人工智能中的推理和搜索存在组合爆炸问题。也就是说，计算时间与问题的复杂度成几何级数正比，绝大部分人类的思维过程仅仅靠计算机的高速计算能力是无法模拟和解决的。吴剑明举了个通俗的例子来解释组合爆炸的严重性：一张纸折叠50次的厚度是多少？很多人直觉会认为就是黄页电话号簿的厚度。错了，答案是地球到太阳之间距离！这就是数学上几何级数的恐怖之处。此外，人类思维中的绝大部分问题都无法转化为一个数学问题，原因在于人类思维过程中充满了不确定性、矛盾和演化。而科学家们长期的实验也证明，人类在解决问题时并没有使用数理逻辑运算，人类思考的过程是无法用经典数理逻辑理论进行描述的。
吴剑明称，事实证明，通过经典数理逻辑的方法是实现不了真正的人工智能的，科学家需要找到其他办法来解决所遇到的难题。
他说，在此之后的10多年，也就是80年代开始，人工智能进入了专家系统发展的黄金时代。科学家们发现，人类之所以能快速高效地解决各种复杂问题，不仅是由于人有逻辑推理能力，更由于人具有知识，特别是有关领域的专门知识。这时期尽管也属于前面提到的弱人工智能时代，但确定了基于知识的逻辑推理在智能模拟中的重要地位，人工智能开始从实验室走向实际应用。
但在这个时期，专家系统的瓶颈问题也显现了，那就是知识获取的途径一直没有得到良好的解决，主要原因在于不像现在有互联网，有云计算，有无处不在的智能手机，那个时代专家知识库的构建常常是没有完备性和可靠性保证的经验知识，专家学者和技术人员不得不依靠各种经验性的非精确推理模型。而且，人类思维面临的实际问题中，只有很少一部分是可以确切定义的确定性问题，大部分是带有不确定性的问题。所以当知识工程深入到这些问题时，经典数理逻辑的局限性不可避免地暴露出来了。尽管弱人工智能时代使人工智能理论有了长足的发展和进步，但离实用还有比较大的距离，一直到2000年后机器学习和深度学习的出现，科学家们才发现终于找对了方向。
机器学习：其实是“旧瓶装新酒”
吴剑明指出，如果2000年前是弱人工智能时代，那么2000年之后就可以称为强人工智能时代。
吴剑明说，与弱人工智能相比，强人工智能在最近的十多年里慢慢成为主流。强人工智能又称仿生方法，这个方法认为，人工智能应该专注于模拟人脑的结构机制，也就是说通过计算机模拟人的思维过程，应该通过研究神经元的互相合作机制，而不是逻辑学运算过程。这一学派重视对人脑模型的研究，谷歌就是强人工智能技术的推土机之一。
吴剑明说，在传统上，如果我们想让计算机工作或是按照弱人工智能的方式运作，我们会给它编好一段段的指令，然后计算机就会遵照这个指令忠实地一步步执行下去，或是按照事先制定好的知识逻辑公式推导下去。有前因才会有后果。但这样的方式仍然只属于机器的范畴而不是人工智能。强人工智能和弱人工智能的区别就在于，它们不是接受事先安排好的指令或是逻辑推论，而是从输入的数据里自己发现事物的规律。
吴剑明所说的推动强人工智能迅速发展的机器学习技术。
他认为，近年来大放异彩的机器学习其实是“旧瓶装新酒”。早在1956年人工智能概念出现后不久，就有了对机器学习的研究，但之后迟迟没有进展。和前面提到的专家系统类似，原因在于那个时代知识或是数据获得的途径非常少，难度以及成本又非常大。
机器学习的思想并不复杂，它模拟人类在生活中学习成长的过程，从数据中自动分析获得规律，并利用规律对未知数据进行预测。因为机器学习算法中涉及了大量的统计学理论，所以也被称为统计学习理论。
换句话说，机器学习的本质就是将人的操作/思维过程的输入与输出记录下来，然后统计（又叫做训练）出一个模型用来对新的数据进行预测，使得这个模型对输入输出达到和同人类相似的表现，这种方式也慢慢成了现代强人工智能最基本的核心理念。
大家直观地想象一下人和机器的区别在哪里？其实不在于弱人工智能强调的计算能力、存储能力，或是推理能力，任何人和机器最大的区别在于，人类在成长、生活过程中积累了很多的历史与经验，人类会定期对这些经验进行“归纳”，获得生活的“规律”。当遇到未知问题时，人类会使用这些“规律”对未来进行“推测”，从而指导自己的生活和工作，甚至于去创造新的东西出来。我们老祖宗说得好，“以史为鉴，可以知兴替；以人为鉴，可以明得失”，这与机器学习的思想是极为接近的。机器学习中的“训练”与“预测”过程，也可以分别精确地一一对应到人类的“归纳”和“推测”过程。
吴剑明说，随着现代互联网和个人计算机的普及，以及智能手机的崛起，海量数据和知识的获得变得非常容易和低成本了，这也直接促进了机器学习的飞速发展和实用性的迅速提高。当训练数据的样本足够大，学习算法方向对头的话，就有望接近极限，达到甚至超过人类的能力。比如前几年“谷歌大脑”通过从网络上的上千万张图片学习建立各种各样的猫的品种、颜色、姿势和拍摄角度等特征量，然后对于任意一张图片，它就可以从中把“猫”准确地识别出来。
深度学习：技术进步使之终有用武之地
吴剑明指出，现在除了机器学习，人工智能还出现了一个叫“深度学习”的概念。深度学习是机器学习研究中的一个新的领域，和机器学习相比，它让人工智能又前进了一步。深度学习在机器学习的基础上进一步深入模拟人脑进行分析学习的神经网络，它模仿人脑的机制来训练和预测数据，例如图像、声音和文本。
2012年6月，《纽约时报》披露了应用深度学习的“谷歌大脑计划”，吸引了公众的广泛关注。这个项目的主导之一就是斯坦福大学人工智能专家吴恩达。这一项目用16000个CPUCore的并行计算平台，训练一种称为“深度神经网络”（DNN）的机器学习模型（内部共有10亿个节点），在语音识别和图像识别领域获得了巨大的成功。
吴剑明介绍，和大多数机器学习技术需要事先给训练数据提取特征做标注不同，深度学习直接把海量数据投放到算法中，系统会自动从数据中学习。比如“谷歌大脑”识别猫的算法，在训练数据的时候不用告诉机器“这是一只猫”，深度学习系统自己找到了什么是“猫”这个分类。
机器学习所需要的提取特征做标注，其实需要人工的专业知识和经验，有的时候能不能选好甚至于需要一定的运气。由于这部分人工操作对最终算法的准确性起到非常关键的作用，不但非常消耗时间和精力，且如混入一些模棱两可或是错误的数据，那么很可能会前功尽弃，事倍功半。
既然手工选取特征不太好，人类也不可避免的有主观偏差，那么能不能自动地学习一些特征呢？吴剑明指出，深度学习就是用来干这个事情的，它的一个别名UnsupervisedFeatureLearning，顾名思义，Unsupervised的意思就是不要人参与特征的选取过程。
吴剑明介绍说，这类研究最早起步的契机是，研究瞳孔与大脑皮层神经元的对应关系的科学家们发现了一些有趣的现象，人眼和大脑合作识别看到物体时，通过神经元互相合作很可能有一个分层次识别过程。具体的讲，从原始信号摄入开始（瞳孔摄入像素Pixels），接着做初步处理（大脑皮层某些细胞发现像素色块间边缘的局部变化特征），然后下一步抽象（大脑皮层判定眼前的物体的形状、颜色、质地等），最后再进一步抽象（从周围的场景、物体和物体间的空间位置关系等等）确定识别的物体。
深度学习正是运用了类似的分层次抽象思想，更高层次的概念从低层次的概念学习得到，而每一层都自底向上，对没有人工标注的数据进行学习，最后再用人工监督自顶向下反向进行调优。这一点也为深度学习赢得了重要的优势。
吴剑明表示，现在欧美、日本，包括我们中国的学术界都对深度学习非常关注，深度学习的威力目前在语音识别和图像识别上得到了很好的验证。不过在自然对话、自我进化机器人等人工智能更高深的领域里，它的效果还有待进一步考察。有意思的是，深度学习也是“旧瓶装新酒”，它的思想其实来自于上世纪80年代成熟的人工神经网络技术（ANN）。人工神经网络同样包含输入层、输出层以及中间的若干隐层，每层都有若干结点及连接这些点的边，在训练数据集上会学习区分超平面，从而建立模型。但后来科学家们发现，当时科学家们发现的人工神经网络实用性很差，究其原因，是由于巨大的计算量使得人工神经网络只能包含少许隐层，从而限制了性能。花费了大量人力物力之后，科学家们发现，只有少数几个特殊场景可以成功应用。所以到上世纪90年代开始，人工神经网络失去了关注和经费，成为了食之无味、弃之可惜的鸡肋行业。
但为什么一个上世纪90年代被放弃的技术又重新回到了万众瞩目的地位呢？因为80年代虽然理论基础完备，但真正到达实用所需要的数据和计算能力都不具备。近年来，随着互联网的发展，计算机硬件的价格下降，以及谷歌这样“怪物级”高科技公司的存在，以前高不可及的困难也终于有了解决的可能性。另外，功夫不负有心人，深度学习领域最重要的科学家、多伦多大学的辛顿教授带领的团队一直没有放弃对人工神经网络技术的研究，2006年他在《科学》上发表了一篇文章，解决了神经网络在计算上的难题，同时也说明了深层神经网络在学习上的优异性。辛顿教授提出的新理论大幅度降低了多层神经网络训练上的计算量，减少了训练偏差，和传统机器学习相比，优势明显。从此，神经网络重新成为了机器学习界中的主流学习技术。神经网络改头换面，为深度学习开启了学术界和工业界的新浪潮。
吴剑明指出，深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。区别于传统的机器学习，深度学习的不同在于：首先，强调了模型结构的深度，通常有5层、6层甚至10多层的隐层节点；其次，明确突出了无监督特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与机器学习所需要的依靠人工建立特征的方法相比，利用大数据来自动提取学习特征，是我们朝着真正的人工智能迈进的又一步。
在另一方面，和传统人工神经网络的迭代训练需要过于复杂的计算量不同，深度学习并不同时训练所有层，辛顿教授提出了更为有效的降低训练上的计算量和减少训练偏差的方法。简单的说，就是自底向上每次只训练一层网络，通过非监督学习“逐层初始化”（layer-wisepre-training）网络，当所有层训练完之后，再自顶向下反向调教（backpropagation）优化。打个比方，人类的大脑发育初期，大脑每一部分的职责分工并不是明确的，我们对外界事物的理解由浅到深也是出自于本能或是实践，而去了学校学习后则可以通过后期教育来纠正自己错误的认识，进而对事物有更为体系和深入的理解。
即使这样，深度学习也是需要很大的计算量的，好在近年来，得益于计算机速度的提升、大规模集群技术的兴起、GPU的应用以及众多优化算法的出现，耗时数月的训练过程可缩短为数天甚至数小时，深度学习终于在实践中有了用武之地。
未来发展：通过仿生学思路实现突破
吴剑明指出，目前世界各科技发达国家人工智能的发展路线不尽相同。和其他科技领域有些相像，在人工智能行业，一直是欧美在带头创造新理论，而日本则是在改良和应用上下工夫。相对来说，日本在硬件方面，比如机器人的精密机器制造、机器人仿人运动方面有优势，但在关键的人工智能理论方面，新创或是原创的理论很少，所以不管在学术界还是在产业界，目前看来还不如欧美，特别是美国那么活跃。此外，可能和日本经济的长期不景气有关，近年来一些日本大公司对研发投入的决心和长期眼光还不够。比如在语音识别领域，由于谷歌走在了前面，一些日本大公司干脆就放弃了自家的语音识别技术转而使用谷歌的技术。但这样一来，人工智能的关键入口和背后的大数据就被谷歌给夺走了，这也导致在人工智能领域很难再翻身超越。
至于哪个路线的未来性更大，吴剑明表示，尽管机器学习和深度学习在语音、图像、文本识别上有了长足的进步，也让计算机变得聪明智能了很多，但和人类所具有的智能相比，仍然有本质区别。比如计算机能精确识别人脸、物体，但是却无法识别如张三闯红灯、李四喝醉了这样更为抽象的场景。
人类具有丰富的联想能力、理解能力、创造能力，要实现这些能力而又不通过建立人脑类似的机制，就会绕很大的弯路，几乎是不可能的。要真正实现强人工智能，必须借鉴人脑先进结构和学习思维的机制，再通过深度学习这样的方法进行规模、结构和机理上的模拟，通过仿生学思路实现人工智能的突破。
当然，人类是从低等生物经历几十亿年、在地球生态圈这么庞大的空间中进化而来，要获得人类这样充足的进化时空环境几乎是不可能的。在没有完全弄清大脑原理之前，通过模仿部分人脑原理来逐步渐进，可能是比较现实的办法。比如谷歌在收购DeepMind之后明确表示，不会首先将其应用在机器人部门，而是先从基础的语义识别开始。而百度也是将深度学习技术应用在具体的用户服务方面，比如说提高中文语音识别率、完善图像识别能力。所谓循序渐进，按部就班，就像人类一样有五感才会有思考，把人工神经网络低层的学习水平给完善了，才会有更抽象的高层的学习水平的突破。从这点来看，应该对深度学习未来进一步的理论发展充满希望。
吴剑明表示，深度学习运用在各个单独领域比如声音识别、图像识别时已经得到了很好的效果，当计算机不需要被事先告知明确数据含义，下一步能够融合吸收和理解各个部分的数据，起到1+1>2的作用时，人工智能也许将会被真正兑现。
“人工智能”到底对我们的学习生活有什么影响
0分享至人工智能，也称机器智能，是指由人工制造出来的系统所表现出来的智能。通常人工智能是指通过普通电脑实现的智能。人工智能目前尚且是一个高科技技术，还没有形成完整的产业，但是就像几百年前人们发现电一样，当时也是一种新兴的技术，而现今也早已发展为人类不可或缺的一个产业，人工智能不仅离不开电力，它还和电力有着千丝万缕的联系，它正在像电力一样慢慢地侵入并改变着我们的生活。
人工智能的飞速发展，不禁让很多人产生疑问：“人工智能作为一个高科技会给我们的学习生活带来怎样的变革？”看到这个问题，让我想起斯坦福人工智能实验室的主任吴恩达所说的：“100年前电能改变了很多不同行业，包括农业、冰箱甚至通信，现在人工智能也可以改变更多的行业，例如自动驾驶、金融、医疗行业。”目前人工智能正在一点点的挑战那些机器所不擅长的领域，而好多恰恰是人类最简单的感知，但是正是这些最基础、最简单的感知被机器慢慢取代的过程，让人工智能慢慢地融入人类的学习和生活，并慢慢地改变着我们的生活。
1积极意义
1.1提高学习和工作生活效率
由于云计算和API的普及，2019年人工智能将开始为企业带来和提供更有意义的价值，人工智能将会让工作更有效更高效，同时发现更多新的机遇和新的工作方式。就好比清华大学的“云课堂”，过去，学生需要用笔记本手写一个个记录重点，教师使用花名册点名，而大学生在课堂上使用的云课堂app，将能直接理解和保存教师传授的知识点，而教师也能直接在软件签到上更有效率的监督学生的出勤和听课效率等。
同时，随着人工智能在工作场所扮演的角色越来越多，人们不仅会根据它的智商，还会根据它的情商，也就是感知和理解人类所有事物的能力来进行评判。能够理解人类情感和认知状态的能力将成为评估人工智能标准的一部分，从而让公司为工作场所选择哪种人工智能，甚至让消费者决定在家中用哪种虚拟助手或智能扬声器。
“人工智能将超越炒作和媒体的头条新闻。实用的人工智能将专注于让购物变得更容易、让病人更好地参与诊疗、让律师更聪明、让网络安全更强大。我们不会看到永远不会撞车的自动驾驶汽车，但人工智能将在2019年以全新的有趣方式提高工作效率。”企业聊天机器人的创始人RamMenon这样说道。
1.2丰富学习资源与数据
“2019年将是各个组织机构基于自身数据构建专门人工智能系统的一年。考虑到各个组织机构拥有的专有数据量有限，其将会意识到他们需要工具来轻松在内部创建高质量的人工智能数据。”深度学习公司的联合创始人在谈到人工智能与大数据时，这样说道。
同时，随着社会的快节奏步伐的加快，人们对自己记忆力知识储量的要求越来越高，这就要求我们合理安排时间进行有效率的学习和复习。而人工智能的出现，将会带来更多有效率的产品出现，帮助我们丰富学习资源，提高自己的知识储量。例如我们在学习中外新闻史的发展历程的时候，在整个知识框架面前，我们将可以看到各个国家各个年代的新闻发展状况，倘若我们想要悉知民国时期的报业发展，那么这时我们便可以借助人工智能的学习系统来帮助我们填补这一空缺，这样一来，人工智能不仅能丰富我们的学习资源，还能帮助我们省去更多的珍贵时间。
1.3促进部分专业就业的发展
谈到人工智能对专业就业的影响，尤其是在农业专业领域并不缺乏担忧和焦虑。未来的精准农业以及种植更好作物的关键将依赖于人工智能、图像和传感器，这些传感器将能够收集千英亩农场的种植信息并进行学习。随着人们对粮食的需求正在增加，虽然农业学家和农民面临严重劳动力短缺和专业知识匮乏等多种问题，但由于农业经营需求的规模化和多样性，农业从业者需要密切关注劳动力积极性和管理水平，因此，世界各地的农场可以用人工智能技术填补劳动力缺口，而不是取代工作岗位。
2消极意义
2.1网络学习生活的安全存在隐患
随着越来越多的企业依赖人工智能提升自己的产品，不法分子也将利用类似的能力实施大规模欺诈计划，甚至会给企业人员造成数亿美元的损失。一旦自动化落入网络攻击者之手，就能够使用更简单的工具来获取访问权限并渗透进网络，进而干扰我们的网络学习生活。
过去几年，人工智能和机器学习一直是安全行业的杀手锏。恶意行为者也正在注意到这一点。就像是去年十分恐怖的全球多国爆发电脑勒索病毒，受害者电脑会被黑客锁定，提示支付价值约合人民币2069元的比特币才可解锁。
2.2影响部分传统媒体专业的就业和发展
虽然人工智能在许多行业发挥着越来越重要的作用，覆盖从文本翻译、为工业无人机提供动力到患者诊疗等多个领域，但是毫无疑问，任何事物都是具有两面性的，就好比在新闻学下传统媒体的就业与发展将受到很大的影响，许多大学生在对他进行选择时，会有更多的迟疑性心理。
首先，机器新闻写作高效、全天候的模式使它能够生产海量新闻内容。智能写稿机器人较之于编辑记者，更擅长对枯燥的海量数据进行有效的处理，在整体性、精确性和高效能方面，机器人比人具有更多优势。
其次，在突发事件的报道中，人工智能下的机器人新闻写作正在扮演着越来越重要的“守望者”角色。《南方都市报》写稿机器人“小南”首篇春运报道作品共300余字，报到生成用时不到一秒，还写出了“基本都是无座票，一站到底，路途会比较辛苦”这样充满人情味的文字。当人类记者面对突发事件还在惊愕中时，机器人写手已经迅速完成了数据描述和分析、以及进一步的数据价值挖掘、最后迅速完成自动写稿的全过程。因此，人工智能的发展会影响部分传统媒体专业的就业和发展。
人工智能技术是一把双刃剑，有利有弊。人工智能的学习系统能提高学习生活效率，丰富我们的学习资源和数据，促进部分专业行业的发展，但其也会使得网络学习生活存在隐患，影响传统媒体的发展。对于消极影响，我们必须趋利避害，采取积极的措施应对，让人工智能在外面的学习生活中发挥最好的作用。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.
/阅读下一篇/返回网易首页下载网易新闻客户端人工智能学期心得体会
课程回顾与总结（对课程其它算法的认识、分析与总结）通过此次课程的学习，以python语言为基础学习了有关编程原则和基本的ADT及其实现；其中使我印象比较深刻的是深度优先和宽度优先搜索、博弈树搜索技术等算法的实现。深度优先搜索和宽度优先搜索都是一种遍历树/图数据结构的简单算法。DFS算法的特点在具有递归特性；而BFS算法是一种层次遍历算法。在博弈树搜索中，双方始终根据“己方利益最大化，对方利益最小化”这一原则，选择对己方最有力的动作来执行。Minimax算法就是一种可以体现上述策略的算法——对max方计算最大值，对min方计算最小值。
心得与展望（对课程的认识、体会与展望）通过这学期的学习，对人工智能有了更进一步的了解和认识。我觉得人工智能是一门具有挑战性的科学，想要学好这门课程必须要懂得计算机知识以及基本的算法认识。人工智能包括了十分广泛的科学，它由不同的领域组成，例如机器学习，计算机视觉等，总的来说，人工智能研究的主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。虽然在此门课程中对算法的实现不能独立完成，但在一些简单的基本的算法上还是有一定的理解和认识。我也在此次课程设计的过程中不断的学习，反复的调式和思考问题，终于在我的坚持下能够很好地理解算法转换为实际代码的过程，也对算法有了更加清晰的思路。因此，我更加确信在自己的不断努力下总是会有收获的，只有坚持下去，才有成功的希望。在之后的学习中我会积极主动的查漏补缺，尽快完善自己欠缺的部分