2025年及以后人工智能的未来（一）
到2025年，人工智能(AI)将通过高效处理当今的一些复杂任务来显着改善我们的日常生活。 领先的人工智能研究人员GeoffHinton表示，很难预测人工智能将在五年后带来什么进步，并指出指数级的进步使得不确定性太大。 因此，本文将考虑我们在不同经济部门的发展过程中将面临的机遇和挑战。因此，它并非详尽无遗。 •到2025年将是为5G和所有经济部门的组织推出必要的基础设施，转变为数据驱动的组织的时期； •到2020年代后期，5G将在主要经济体中大量推广，覆盖范围将扩展到大城市之外，并通过人工智能和机器人技术进入农村地区，从而影响农业； •随着5G的普及和全息技术的频繁使用，增强现实和虚拟现实(AR/VR)技术将获得关注； •随着深度学习，特别是深度强化学习在整个经济领域取得重大进展，人工智能将成为所有组织和经济各个部门的核心； •正如Moven的执行官兼Augmented的作者BrettKing指出的那样：“……社会将受到技术的影响，这些技术将在未来20年比过去250年更能改变世界。”这是本文的中心主题。 •MITCSAIL的一个部分阐述了我们未来旅程的路径； •这是一个系列的一部分，将简要介绍通用人工智能(AGI)，因为在本系列的第3部分中将概述获得AGI的挑战，以及量子计算和有关医疗保健的更多细节； •一小部分将讨论人类通过与脑机接口(BCI)相关的AI增强自己的能力； •需要对世界各地的教育系统进行重大培训和改革，以便在我们过渡到新的数据驱动型经济时最大化收益。 人工智能的简短回顾 人工智能 人工智能涉及开发计算系统的领域，这些系统能够执行人类很擅长的任务，例如识别物体、识别和理解语音以及在受限环境中进行决策。人工智能的一些经典方法包括(非详尽列表)搜索算法，如宽度优先、深度优先、迭代深化搜索、AI算法，以及逻辑领域，包括谓词演算和命题演算。还开发了局部搜索方法，例如模拟退火、爬山、波束搜索和遗传算法。 机器学习 机器学习被定义为应用统计方法使计算机系统能够从数据中学习以实现最终目标的人工智能领域。该术语由ArthurSamuel于1959年引入。技术示例的非详尽列表包括线性回归、逻辑回归、K-均值、k-最近邻(kNN)、朴素贝叶斯、支持向量机(SVM)、决策树、随机森林、XGBoost、LightGradientBoostingMachine(LightGBM)、CatBoost。 深度学习 深度学习是指具有多个隐藏层的神经网络领域。这种神经网络通常被称为深度神经网络。神经网络是受生物学启发的网络，它以分层方式从数据中提取抽象特征。将在未来十年发挥作用的关键技术包括生成对抗网络(GAN)、循环神经网络，包括长短期记忆网络(LSTM)、自注意力(self-attention)、(NLP和可能的时间序列)和胶囊网络(一个正在进行的研究领域)。本系列的后续部分将更详细地讨论深度强化学习。 进化遗传算法和神经进化领域也将在本系列的未来部分进行更详细的考虑。联邦学习和差异化隐私的作用也将在以后的文章中考虑。 出于本文的目的，我将考虑人工智能涵盖机器学习和深度学习。 狭义人工智能：机器被设计为执行单个任务并且机器很擅长执行该特定任务的人工智能领域。然而，一旦机器经过训练，它就不会泛化到看不见的领域。这就是我们今天拥有的人工智能形式，例如谷歌翻译。 通用人工智能(AGI)：一种人工智能形式，可以完成人类可以完成的任何智力任务。它更有意识，做出的决定类似于人类做出决定的方式。AGI在这一刻仍然是一个愿望，对它的到来有各种预测。它可能会在未来20年左右出现，但它面临着与硬件、当今强大机器所需的能源消耗以及解决灾难性记忆损失相关的挑战，即使是当今最先进的深度学习算法也可能会受到影响。 超级智能：是一种在所有领域都超过人类表现的智能形式(由NickBostrom定义)。这指的是一般智慧、解决问题和创造力等方面。 有关AI和机器学习类型的更多详细信息，请参阅KDnuggets的文章：MachineLearningandDeepLearning(来源：https://www.bbntimes.com/companies/understanding-artificial-intelligence-machine-learning-and-deep-learning) 人工智能将成为所有组织的核心 麦肯锡出版了一份名为“人工智能前沿的笔记：深度学习的应用和价值("NotesfromtheAIfrontier:ApplicationsandvalueofDeepLearning，https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-applications-and-value-of-deep-learning)”的详细而有用的出版物，观察到“我们整理和分析了19个行业和9个业务职能的400多个用例。他们提供了对特定领域的洞察力深度神经网络可能创造最大价值的领域，这些神经网络与传统分析相比可以产生的增量提升，以及必须满足的大量数据需求——在数量、种类和速度方面——以实现这一潜力。”麦肯锡还明确表示，他们的用例库虽然广泛，但并非详尽无遗，并且可能会导致对特定行业潜力的高估或低估，而麦肯锡将继续对其进行完善和补充。 虽然麦肯锡的研究提供了全面而有用的概述，但我相信深度学习的影响将比麦肯锡预测的要大，因为卷积神经网络(CNN)等技术将对医疗保健等领域产生重大影响。仅举几个例子，如保险行业具有零售行业的自动化视觉搜索，以及无需在收银员处付款直到店内使用AmazonGo和在银行业务中使用KYC进行身份验证。 此外，一些用于成功训练具有较小数据集的深度神经网络的技术预计将在未来十年内投入生产，从而使深度学习能够在整个经济中进一步扩展。这在下面提供的一些新技术的简短回顾部分中进行了处理。 我相信在2019年至2029年期间，值得重新审视AndrewNg的评论，他说： “我们需要一个适用于AI的金凤花姑娘规则(恰到好处)。” “太乐观了：深度学习为我们提供了一条通往AGI的清晰道路！” “太悲观了：深度学习有局限性，所以人工智能冬天来了！” “恰到好处：深度学习不能做所有事情，但会改善无数人的生活并创造巨大的经济增长。” 正如JasonBrownlee在《DeepLearning&ArtificialNeuralNetworks(https://machinelearningmastery.com/what-is-deep-learning/)》中引用AndrewNg的工作所述，“随着我们构建更大的神经网络并使用越来越多的数据来训练它们，它们的性能将继续提高。”这与其他性能趋于稳定的机器学习技术通常是不同的。” 如前所述，正在进行大量研究以允许深度学习也成功地训练和扩展较小的数据集。 允许深度神经网络准确训练较小数据的新技术将投入生产 较早的文章“更智能的AI和深度学习(SmarterAI&DeepLearning，https://www.linkedin.com/pulse/smarter-ai-deep-learning-imtiaz-adam/)”中提供了一个示例，该文章考虑了简化和改进深度神经网络训练的潜力。它考虑了MITCSAIL的JonathanFrankleMichaelCarbin发表的TheLotteryTicketHypothesis:FindingSparse,TrainableNeuralNetworks以及AdamConner-Simons在更智能的神经网络训练中提供的有见地的总结。 文章指出，麻省理工学院CSAIL项目表明，神经网络包含小10倍的“子网络”，它们可以同样好地学习——而且通常更快。 如今，我们生活中几乎所有基于人工智能的产品都依赖于自动学习处理标记数据的“深度神经网络”。 “不过，对于大多数组织和个人来说，深度学习很难进入。要学习好，神经网络通常必须很大，并且需要大量数据集。这个训练过程通常需要多天的训练和昂贵的图形处理单元(GPU)-有时甚至是定制设计的硬件。” 但是，如果它们实际上根本不必那么大怎么办？ 在一篇新论文中，麻省理工学院计算机科学与人工智能实验室(CSAIL)的研究人员表明，神经网络包含的子网络最多可缩小10倍，但能够通过训练做出同样准确的预测——有时可以学会这样做甚至比原版还快。 WillKnight在MITTechnologyReview上的一篇文章报道说，“两种相互竞争的AI方法结合起来，让机器像孩子一样了解世界”。该文章与题为TheNeuro-SymbolicLearner:InterpretingScenes,Words,andSentencesformNaturalSupervision的论文相关，是MITCSAIL、MITBrainComputerScience、MIT-IBMWatsonAILab和GoogleDeepMind的联合论文。 《技术评论》中的WillKnight观察到： “更实际的是，它还可以开启人工智能的新应用，因为新技术需要的训练数据要少得多。例如，机器人系统最终可以即时学习，而不是花费大量时间为它们所处的每个独特环境进行训练。” “这真的令人兴奋，因为它将让我们摆脱对大量标记数据的依赖，”领导MIT-IBMWatsonAI实验室的科学家DavidCox说。 也许CapsuleNetworks也将投入生产。 此外，这将是深度强化学习将对机器人和其他自主系统等领域产生重大影响的时期。例如，SethAdler撰写了“强化学习快速指南”并提供了对制造业影响的示例，其中日本制造商Fanuc“机器人使用深度强化学习从一个盒子中挑选一个设备并将其放入一个容器中。是否无论成功或失败，它都会记住对象并获得知识并训练自己以极快的速度和精确度完成这项工作。”未来十年，此类技术将在制造业中变得普遍，并且GAN和深度强化学习将更频繁地应用于运输(自动驾驶汽车)和制药行业(药物发现)。 数据科学和机器学习职能将直接向CEO汇报 在伦敦CogX期间，我参加了麦肯锡公司QuantumBlack(@quantumblack)的一次演讲，其中指出机器学习/数据科学负责人在企业中的角色正在从统计和编码之外演变为一个数据科学负责人将负责做出与业务相关的判断，在2020年代期间，人工智能和数据科学职能将直接归组织执行官。 到2025年，智能自动化将经历巨大的增长 毕马威的一份报告预测，涵盖人工智能和机器人过程自动化(RPA)技术的智能增强业务支出将从2018年的124亿美元增加到2025年的2320亿美元。 到2030年，人工智能将推动全球经济增长。 普华永道预测，到2030年，人工智能对全球经济的潜在贡献将达到15.7万亿美元，到2030年，人工智能对当地经济的GDP贡献高达26%。 AI无处不在 在边缘处理AI工作负载的一个主要优势是，相对于等待来自远程基于云的服务器的查询响应，延迟大大减少。因此，未来的摄像机、机器人和计算机将能够做出改进和更明智的判断，而不是不断地查询远程云服务器并在做出决定之前等待。例如，自动驾驶汽车需要实时决定是左转还是右转，而不是等待服务器做出响应。此外，使用计算机视觉的无人机将通过在设备上使用人工智能来调整自己的飞行路径来提高可靠性。 JasonCompton在一篇题为“边缘人工智能及其范式改变效应(EdgeAIAndItsParadigm-ChangingEffects)”的文章中指出，随着传感器在智慧城市中的广泛应用，边缘计算的增长在其中他观察到“设备上的人工智能可以通过使用嵌入式传感器来改善第一响应者的通知时间“在路灯等城市基础设施中，评估背景噪音并确定是否存在紧急情况。人工智能还可以让交通摄像头通过车牌的光学识别以及图案和颜色匹配来立即识别车辆。” 这将为急救人员在到达现场之前了解情况节省宝贵的时间。此外，在边缘采用AI将能够立即识别制造设施中业务流程的中断，从而向工厂中的人员提出有关导致问题的原因(例如组件故障)以及如何产生的建议以最好的方式对事件做出反应，以将损失降到最低，并在最快的时间内恢复正常运营。 在此期间，深度强化学习将频繁部署到我们周围的日常活动中。例如Zhu等人“无人机辅助车辆网络的深度强化学习("DeepReinforcementLearningforUnmannedAerialVehicle-AssistedVehicularNetworks”，https://arxiv.org/pdf/1906.05015.pdf)提出部署无人机(UAV)以补充未来智慧城市的5G通信基础设施。热点容易出现在道路交叉口，车辆之间的有效通信具有挑战性。无人机可以作为中继器，具有价格低廉、部署方便、视距链接、机动灵活等优点。 SourceforFigureabove:Zhuetal."DeepReinforcementLearningforUnmannedAerialVehicle-AssistedVehicularNetworks" …… 未完待续 •5G的影响越来越大 •无形银行的兴起 •自动飞行汽车 •太空与天文学中的人工智能 •人工智能与工作 •混合云/边缘模型 •更清洁的经济增长和摆脱一切照旧(BAU) •通往AGI高度复杂的途径 •脑机接口(BCI)增强 •需要在教育和技能培训方面进行革命 •通往人工智能和机器人未来之路 {原标题：2025年及以后人工智能的未来(一)}上一篇：全球智慧城市工程与建设服务市场将达4530亿美元
下一篇：智能家居行业增速创历史新高：产品拿货要等2个月
我要评论请输入正确验证码文明上网，理性发言。（您还可以输入200个字符)表情所有评论仅代表网友意见，与本站立场无关。
热门评论全部评论相关新闻这些年度机器人前沿技术，一年时间内发展情况如2023-07-2510:37:32经过了一年的发展，这十大前沿技术有些已经取得了阶段性突破，有些已成为了一众科技企业着重投资发展的方向，一起看看这一年来机器人十大前沿技术中个别领域的发展吧！宝马利用人工智能提高车辆装配效率！2023-07-2515:52:08据报道，人工智能正在对汽车工业产生重大影响。作为整个行业趋势的一部分，宝马集团现在正在转变方向，更多地依赖人工智能来打造一个更精简、更高效的生产流程。福厦泉三个省级人工智能产业园授牌仪式2023-07-2411:04:07近年来，福建省委省政府高度重视人工智能产业发展，出台了《关于推动新一代人工智能加快发展的实施意见》等一系列政策措施，从技术、平台、产业、应用等方面推进人工智能发展。版权与免责声明：凡本网注明“来源：智能制造网”的所有作品，均为浙江兴旺宝明通网络有限公司-智能制造网合法拥有版权或有权使用的作品，未经本网授权不得转载、摘编或利用其它方式使用上述作品。已经本网授权使用作品的，应在授权范围内使用，并注明“来源：智能制造网”。违反上述声明者，本网将追究其相关法律责任。
本网转载并注明自其它来源（非智能制造网）的作品，目的在于传递更多信息，并不代表本网赞同其观点或和对其真实性负责，不承担此类作品侵权行为的直接责任及连带责任。其他媒体、网站或个人从本网转载时，必须保留本网注明的作品第一来源，并自负版权等法律责任。
如涉及作品内容、版权等问题，请在作品发表之日起一周内与本网联系，否则视为放弃相关权利。
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]