人工智能提速新材料发现人工智能发现过程

发表时间：2023-07-28 08:48:05

人工智能提速新材料发现

0分享至

引言

传统的材料研发模式主要依赖“试错”的实验方案或偶然性的发现，其研发过程一般长达10-20年，在很大程度上已经无法满足21世纪工业发展对新材料的需求。随着信息科技的逐渐成熟，人类通过计算系统或人工智能发现新材料成为可能。人工智能和材料科学的结合充满前景，但依然存在挑战。

2020年8月30日，未来论坛YOSIAWebinar第五期“AI+材料科学”邀请了材料计算学、材料表征及材料基因组学的学者，围绕“人工智能提速新材料发现”的主题，分享如何利用人工智能加速对材料结构和性能的了解，并与传统材料研究的学术界和产业界代表，一同探讨AI应用于材料科学研究的价值和效能。

点击查看完整直播回放

主持嘉宾：

-周华，美国阿贡国家实验室物理学家

主讲嘉宾：

-汪洪，上海交通大学材料基因组联合研究中心主任，“致远”讲席教授，中国材料试验标准委员会（CSTM）材料基因工程领域委员会主任委员

-刘宜晋，美国SLAC国家加速器实验室斯坦福同步辐射光源LeadScientist

-胡嘉冕，美国威斯康星大学麦迪逊分校材料科学与工程系助理教授

-刘淼，中国科学院物理研究所特聘研究员，博士生导师，atomly.net创始人

讨论嘉宾:

-尹万健，苏州大学能源与材料创新研究院教授，博士生导师

特别鸣谢报告编辑：蔡佩余、任美琦

主题分享

《数据驱动的材料创新基础设施》——汪洪

报告主要介绍了以“大数据+人工智能”为标志的数据驱动模式对材料基因工程领域的重要性。首先提出了数据驱动模式对材料基因工程的实际应用价值，以及目前材料数据面临的问题，最后指出需要一个以数据为中心的集成平台，整合基于高通量实验与高通量计算的“数据工厂”与数据设施，实现材料基因工程的技术要素的完美协同。

材料创新一直是各种颠覆性技术革命的核心，以至于材料经常成为时代的标志。传统上，新材料的发现和使用依赖于偶遇、科学直觉与实验试错。然而，大量的实验试错过程，非常耗时费力和昂贵。为达到当今社会的要求，我们需要向可预测、可设计的模式进行转变。

我们的理想是按需设计，从理论上算出材料，通过已知知识、计算、预测，得到关键的成份、结构、工艺和性能之间的关系。为实现此目标，我们首先要向其他领域学习，生物学里有一个生物基因，当了解了这个基因，我们可以采取相应的措施，去治病或者防病。所以相应的如果我们掌握了材料“基因”，也就找到了按需设计的钥匙。但事实上，物质世界比生物世界更加复杂，生物只是物质的一种，经过了若干年的探讨，依旧没有为材料基因找到恰当的科学定义。目前的共识是将“材料基因工程”用作预测型快速获得成分-结构-工艺-性能间关系的代名词。

材料基因工程工作模式分为三种。第一种是实验驱动。基于高通量的合成与表征的实验，直接优化和筛选材料，从一个一个试到一批一批试，量变引起质变。典型的技术是组合材料芯片制备技术，科学家受到电路芯片与基因芯片的启发，在一块基底上，以任意元素为基本单位，组合集成并快速表征多达10-108种成分、结构、物相，大大提高了实验效率。第二种模式是计算驱动。基于理论计算模拟，预测有希望的候选材料，缩小实验范围，最后用实验验证。这种办法应用广泛，从原子极到连续体都有相应方法，包括从第一性原理方法、分子动力学、介观方法和连续体方法。

第三个模式是数据驱动，基于机器学习和数据挖掘的材料信息学，通过大量数据和机器学习建立模型，预测候选材料。2016年5月，Nature发表了一篇文章，通过机器学习从过去认为是“失败”的数据中“学习”规律，并对新材料进行预测，对比有经验的化学家的人工判断，机器预测结果以成功率以89%：78%胜出，这个案例充分展现了机器学习方法的强大，就像AlphaGo对围棋的冲击。

传统的研发路径围绕目标逐步趋近，而数据密集型数据覆盖更广参数空间，这从思维上有根本变化。我们认识世界的方式依次经历过实验观测、理论推演和计算仿真。现在随着数据量及计算能力以摩尔定律般的爆炸性增长，科学研究进入“大数据+人工智能”的第四范式。实验与计算驱动是基于事实判断或者物理规律的推演，并未改变原有思维模式和工作套路。而数据驱动是真正具有革命性的，人工智能方法擅长建立数据间的关联关系，是传统认识范式的补充与延伸，它的全面应用将产生颠覆性的效果。

数据驱动是材料科学未来的发展方向，围绕数据开展实验-计算-信息学技术的协同和交叉。作为一种新的工作模式，其需要全新基础设施支撑才能充分发挥效力，即建立以数据为核心的集高通量实验、高通量计算和材料数据平台三位一体的，体现学科交叉的综合性材料创新平台。然而材料数据是实施科学第四范式的基本前提，也是当前全球性瓶颈，我们需要解决数据够用、好用的问题。

解决数据够用问题的方案是建立数据工厂，批量产生高质量的基础数据。这是数据产生环节的革命性变化。全面的材料数据将被大规模地有意识的产生，数据产生由个体活动变为有组织的社会活动，其社会属性从私有财产变为公共资源，数据的质量、一致性和全面性都将得到提高，数据共享变得更加简单，社会总成本就将降低。另外为解决数据好用问题，现今国际科学界已经提出了建立符合FAIR原则的数据库，即Findable(可发现)、Accessible(可获取)、Interoperable(可互操作)、Reusable(可再利用)。中国材料与实验团体标准委员会CSTM组建了全球首个材料基因工程领域委员会FC97，并首先制定了材料基因工程数据的通则标准。

总结以上，数据驱动模式是材料基因工程发展的核心问题，新型基础设施应适应数据驱动模式需要。

《X射线大科学装置与人工智能在先进材料表征中的应用》——刘宜晋

先进的X射线大科学装置为科学家提供了一个独特的实验平台来探索和表征功能材料的复杂性。报告结合机器学习和数据挖掘这些先进的计算方法，讲述可我们如何更好地应用X射线大科学装置，推进材料科学的前沿探索。

能源材料的复杂性不仅体现在我们预先设计好的多尺度多维度的形貌、成分和结构不均性，更重要的是各个结构和功能单元在其特定的应用场景下所表现出的复杂反应机理、动态演化和协同效应。比如石油化工领域的一个例子，原油开采出来后需要经过催化裂化反应，以产生各种更有经济价值的产品。这一过程伴随着毒性金属在催化材料上的逐步堆积，降低催化性能。这个现象导致了全球每天将消耗掉两千吨的催化材料。我们可以对这个复杂体系做很细致的表征，采集非常高分辨的三维结构，从中找到有化学活性的区域。但问题在于这个材料在其工作环境下发生的动态变化是很复杂的，这给我们进一步造成研究的困难。

我们需要借助先进的实验装置来解决这一类问题。SLAC国家实验室拥有的两个大科学装置，SSRL同步辐射和LCLS自由电子激光。他们的原理是相通的，电子在高速运动的过程中，当运动方向发生改变的时候，会辐射出高质量的X-ray，我们就可以利用它来做各种各样的实验。

我的同事Jun-SikLee博士和高季昌先生主导研究了钇钡铜氧超导材料对强磁场脉冲的响应。在这个工作里，我们要把非常强的磁场脉冲打在样品上，同时用X-ray的脉冲去探测这一瞬间的信号。在这个工作中，我们找到一个微弱的衍射信号，这代表了材料内部在强磁场的作用下发生的一些改变。因现在自由电子激光装置重复频率较低，所以一个磁场脉冲只采到一个数据点，但正在进行中的LCLS-II改造将从120赫兹升级到1兆赫兹，即在一个红色的磁场脉冲里可以采集到一系列的X-ray脉冲数据，将我们的数据量提高好几个数量级，从而大大提高实验效率，从根本上改变现在的研究方式。

随着技术的进步，实验数据量得到了大大提高，但这样大量的数据对我们提出了新要求，需要用新的办法从数据里面悟出知识。比如对电池材料的研究，传统的同步辐射谱学方法可以用一个较大的光斑采集吸收谱，大光斑覆盖了千千万万的颗粒，得到的信息是大量颗粒的平均现象，并无法得知颗粒和颗粒间是否有不一样或者每个颗粒内部会发生怎样的不均匀性。利用谱学成像的方法能有效解决这一问题，也能给我们带来了更多科研机会。

在我们早期的工作里，我们结合常规的计算方法开发了一个简单、高效、自动化的数据处理流程，但问题在于要让这个数据处理的流程有效工作，我们需要假定对我们研究的材料体系有一定的了解，否则就需要借助更加先进的科学计算的方法，比如对大量的吸收谱数据进行聚类运算。聚类方法有很多种，一方面我们需要针对我们的问题，选择合适的算法，更关键的是需要把这些算法整合到我们的工作流程。比如在下面这个工作中，我们在长循环之后的锂钴氧的正极材料中找到了四种不同化学态，其各自又有自己空间分布。得到这些信息之后，一个对X射线谱学很了解的科学家，配合一个对电池材料、电池化学很了解的科学家，他们可以对数据结果来进行科学的解读，赋予科学含义。

除吸收谱外，对图像的处理也可以利用人工智能的方法。例如我们对正极材料做了三维的高分辨的成像，我们会看到这里面有千千万万的颗粒，每个颗粒的形状与破损程度都不同，在40微米厚的电极片顶部和底部所发送的化学反应程度是不一样的，如果想对每个颗粒都进行细致的研究，显然用人工去执行这个过程是非常低效，也会带来很多人为的误差。因此就需要借助机器学习的方法。

从中间图可以得知，不少正极颗粒在多次循环后已经破裂的不成样子，传统的数据分割很容易把部分碎片识别为不同的小颗粒，但是这些碎片其实属于同一个颗粒，所以希望我们的算法具备这样的智能，能够把这些碎片组合进同一个颗粒里，然后对这个数据开展后续的统计分析。

最后讲讲我的理解和展望，大科学装置的最新发展给我们提供了很多强有力的实验工具，带来了科研的机遇。但大科学装置本身是很复杂的，想要控制好、优化好不是那么容易的事情，而人工智能在这里大有可为。一个理想研究流程需要各种各样不同的科学家共同参与，这也正是我们课题组在过去几年努力的方向。我们和世界一流的材料科学家合作，用世界一流的X射线大科学装置，结合数据发掘的方法得到有效信息完善我们理论模型，从而进一步指导我们下一轮的实验。

《机器学习在介观尺度材料设计中的应用》——胡嘉冕

材料的性能由其微结构(microstructure)直接决定，研究材料微结构-性能关联对材料设计至关重要。报告主要分享了对以下三个问题的见解：（1）哪些情况下用机器学习最为必要?（2）怎样根据具体情况选择合适的机器学习方法?（3）有哪些可能的未来发展方向?又分别存在哪些挑战?

机器学习现在炙手可热，有两种情况适合通过机器学习来研究材料微结构和性能的关联。第一种是当物理模型（即基于物理规律的模型）的计算速度太慢时。机器学习不关心材料微结构和性能之间的物理内涵，而是直接针对材料微结构和性能建立一个统计关联。这种基于统计规律的机器学习模型的预测速度可是物理模型的成千上万倍。第二种情况是当问题太复杂，使用物理模型无法对问题进行准确描述和预测。

用机器学习来建立材料微结构与性能的关联，可分为两个关键步骤：首先转化材料原始数据，找出一个向量或者矩阵，能够包含这个微结构的所有关键信息；然后，将此向量关联到目标性能上。假设一个微结构用X表示，性能用Y表示，机器学习做的事情就是根据已有数据，训练出函数F:X->Y，有了函数之后，对于一个未知的新材料和结构，就可以预测出它所对应的性能。

根据描述微结构方法的不同，目前相关的机器学习模型可分为三种。第一种描述微结构的方法起源于经典的连续介质理论，其中一种比较常见的方式叫做Two-PointCorrelationFunction，描述两种空间上的相互关联，即对于一个物理结构，对任意空间上的一个点，有多少概率能够找到对应的物理态。然而，这种Two-PointCorrelationFunction的数据维度可能比原始的微结构数据还高，而且包含很多难以理解或没有意义的数，很难直接对其与目标材料性能进行关联。因此，需要对数据进行降维。最常用的降维方式叫做PrincipleComponentsAnalysis(PCA），通过对数据做正交变换，来筛选并保留数据差异较大的维度，舍弃数据差异较小的维度，将高维的数据转化至低维空间，最后用回归分析预测材料性能。这种方式的优点是非常快，但在计算Two-pointCorrelationFunction和做数据降维时，材料微结构信息的损失难以避免，从而影响预测准确性。

第二种描述材料显微结构的方式是基于图像(Image)，可以把原始数据直接读到卷积神经网络(ConvolutionalNeuralNetwork，CNN）里，自动根据图像找到一系列的特征图，能够包含这个结构最重要的信息，然后进一步把数据做简化，关联到目标性能。这种方法的好处有两点，第一可以直接读取原始数据，二是可以直接得到你所需要的特征图，没有任何人为选择，而且这种方法适用于各种类型的显微结构。但用CNN处理多晶结构有两点问题，第一点是不够高效，一个晶粒至少包含一个三维像素点，实际材料有成千上万个晶粒，转化成的图像数据的读取速度太慢，失去了机器学习的优势。第二点在于微观结构的物理相互作用对最后性能影响非常大，但由于CNN本身的特性无法考虑两个晶粒间的物理相互作用，最后可能会影响预测准确性。

第三种用方法是用图(Graph)，图是结构化、网络化的数据，通常包含一系列相互关联或者相关的独立个体。图是无处不在的，基于这种图的神经网络就是图神经网络(GraphNeuralNetwork,GNN)。今年上半年机器学习领域顶级会议ICLR的各种关键词的文章统计图显示，包含图神经网络(GNN)关键词的文章增长速率最快，说明GNN的确是当前热门领域，我们做的工作就是把当下最炙手可热的方法应用到多晶材料。

具体地，比如考虑一个只有10个晶粒的简单多晶结构。我们会将每一个晶粒看做一个结点（node）。对于每一个结点，我们引入一个向量去描述所对应晶粒的物理特性，包括晶粒尺寸、形状、晶体学取向等。最后再将这些向量合并成一个矩阵，叫做featurematrix。同时，我们也引入另一个矩阵，叫做adjacencymatrix，来存储晶粒和晶粒之间的近邻关系。如果两个晶粒直接相邻,那么所对应的矩阵组元则是1，否则为0。如图所示：晶粒1和晶粒3相邻，那么所对应的组元A13=1；晶粒1和4不相邻，那么所对应的组元A14=0。这种基于图的方法，特别适合描述多晶材料。相对于基于图像像素的方法，它更加高效，并且可以考虑晶粒之间的相互关系，从而可以获得更高的预测准确性。举个例子，我们团队使用少于500个多晶微结构作为模型的训练数据，在测试数据集（testingdataset）上实现了大于90%的预测正确率，这是远远超过目前其他模型水平的。微结构信息学（MicrostructureInformatics）的挑战之一是数据量不够。我们这个方法由于在小数据集训练上的优异表现，应对这一挑战是有一定优势的。

最后再分享三点微结构信息学领域的挑战和机遇。第一点，目前材料的数据库主要针对原子结构、晶体结构以及分子结构，对于材料显微结构目前并没有开放的大数据库，同时没有相应的Metadata。第二点，对机器学习算法的改进。怎样才能更好的对数据不确定性进行定量分析，怎样才能对机器学习模型本身的不确定性进行分析，怎样理解深度学习网络的学习过程和所获得的预测函数，这些都是当前的研究热点。

第三点，机器学习为人人。机器学习包括其他的人工智能方法，在材料领域的应用属于较初级阶段。怎样才能让更多的研究人员把机器学习作为一个工具来辅助研究？做出一个成熟的，易于使用的，专门针对微结构信息学的机器学习软件/平台或有帮助。

《数据驱动的材料研究》——刘淼

随着的信息技术的发展和材料模拟领域的进步，人们可以通过高通量计算在短时间内获得大量数据，并利用它来筛选和设计新材料，从而大幅加速材料研发速度，降低材料研发成本。报告首先介绍了材料数据的重要性以及目前的国际趋势，然后分享了中科院物理所近期研发的Atomly材料科学数据库的进展和未来的目标。

材料研发推动人类进步。早期人类社会的定义是用材料定义的，比如石器时代、青铜时代、铁器时代。随着材料合成工艺的进步，总的趋势是从自然材料到人工合成材料，从无机材料、金属材料到现在的材料种类多元化，例如有机、半导体等材料。我们的生活中基本上都是一些人工合成的材料，比如制造航母需要特殊的钢，制造锂电池需要钴氧化物，石油化工给大家提供了塑料、橡胶类材料。材料进步非常迅猛。

但传统材料研发模式导致材料的发展非常缓慢。近期，材料科学的发展趋势正在经历从经验试错模式到理论预测模式的转变。材料研发经过了经验失错、理论推演等模式，直到近代有了计算机，人们可以用数值的方法求解数值解，大大提升了研发效率。近期的信息化技术和数据科学进展带给材料科学新的创新给予，现在人们可以用AI来处理大量数据，提取数据间的隐含变量，以此来指导材料科学的发现。

这种材料信息学方法的本质是从弱信息化、弱信息积累的模式向强信息化、强信息积累、信息耦合模式的变迁，核心推动力是和信息科学的交叉。如过去70年人类平均每年发现3.3个氮化物材料，加州大学伯克利分校的Ceder组通过高通量计算等材料大数据方法，一年内发现92种有可能材料，并用实验合成7种。

加速材料发现一个比较好的方式是对材料性质提前做计算和模拟预测，比较常用的方法是基于量子力学的密度泛函理论（DFT）。运用此种方法，只需要给定空间中原子结构，就可以计算出这个结构对应的材料物性性质；此方法无需实验合成表征即可在短时间内预测材料的部分物性；将这一过程交给计算机，并引入高通量计算方法，可以为我们批量生产大量数据。

最早是MaterialsProject发现可以用这样的方式来积累大量的材料数据，并于2010年构建了数据库，目前已积累了12万条的高质量材料数据。类似的数据库还有AFLOW，NIST，OQMD、NOMAD等，但我们国家没有世界级材料数据库。中国是访问MaterialsProject最多的国家，我国的材料科学发展急需此类数据库。因此“十三五”期间，科技部、中科院和中科院物理所提前布局了这一领域的发展规划。

基于物理所的布局，我们近期构建了材料数据库Atomly.net。Atomly材料数据库通过高通量DFT计算积累了14+个无机非晶材料的高质量数据，通过Atomly数据库，用户可根据自己的需求在Atomly快速查询材料的基本结构信息，例如能量总能、晶体结构对称性等。此外Atomly数据库网站的run4u功能，允许用户提交材料结构，系统会自动计算、自动提取结果，并加入到数据库中。

Atomly积累了大量数据，这里举三个数据使用例子。第一，物性预测。通过分析大量材料数据，通过机器学习归纳出形成能预测模型，可用迅速判断新材料的形成能和结构稳定性，从而指导新材料设计、稳定性预测等。第二，人工智能拟合势能面。通过人工智能拟合大量DFT数据，得到可以精确原子间相互作用的势函数，从而可以带给业界可以坚固DFT精度和分子动力学速度的材料模拟新方法。第三，新材料发现。批量计算和分析一系列的材料，系统的分析材料演化规律，从而预测材料研发方向。

Atomly未来的方向是用一流数据引领材料科研，计划在五年内可以达到更高数据量、更高精度，用更高阶的方法指导和实际应用相关的问题。未来，我们以数据库为出发点，聚焦材料科学相关的相关应用领域，例如合金、功能材料和能源材料。

尹万健教授观

我是物理背景出身，我们做计算物理都是在已知的物理定律的条件下来解特定的方程，过去认为机器学习可能就是较为复杂的统计的拟合，并不认为它能够有什么根本性的发现。但AlphaGo战胜了人类顶尖棋手李世石这件事情给大家带来了很大冲击，包括我自己。之前我一直在做钙钛矿太阳能电池的理论计算研究，钙钛矿这个体系因为材料种类很多，恰好是AI和材料交叉研究比较好的模型体系，我们首先在数据库里做了分析，我们在一万多种可能的材料中，筛选出了300多种稳定材料，在过去通过基于密度泛函理论的第一性原理计算，这个计算量是很大的，而通过高通量计算加机器学习，把计算量大大减小的下来我们通过查找资料，发现这300多种材料虽然在数据库里不存在，但是上世纪六七十年代很多科学家已经把这些材料合成出来，跟我的理论计算对比，它的准确度达到95%以上。这个例子使我相信AI确实能够做以前传统研究做不了的事情。

我最近继续做了另外一个尝试，利用符号回归的机器学习方法，找到了一个简单的催化描述子。我们知道，催化领域里d能带中心理论应用非常广，而确定d能带中心要通过DFT计算，如果在大量的材料里面筛选，计算量很大。我们通过机器学习找到了一个不需要通过DFT计算的描述子，后续我们的实验合作者根据这一描述子很快合成了5种新材料，催化活性也都比较高。这个工作可能是我十几年来最满意的工作之一，因为这是我作为一个理论计算工作者，第一次设计出来的材料被实验合成出来，而且实验性能和预测的差不多。从这个角度来看，我也应该感谢AI让我有了不一样的科研体验。

主题讨论环节

议题一：

如何整合和充分利用已有的但分布式布局(特别是地域空间分离的)的各种基础设施，使之成为一个新的以数据为中心的材料基因组集成平台？

汪洪：现在各个国家建立了很多可以称为平台的机构，这与我们的长远目标是完全一致的，这些平台本身都具有产生数据的能力。过去我们习惯的数据，在形式和内容上都与未来略有差别。我们制定的材料基因工程的数据通则，充分考虑了未来的需要。过去的数据库，建立了成份、结构和某种性能之间的关联。为了适应未来更加开放、共享和能反复使用数据的需求，我们要把样品、原始数据、由原始数据推导出的或者经过处理的数据打散了包括在数据库当中。核心问题是要建立相应的标准，只要按照一定规则进行，整个社会的机构可以形成一个大的网络，分布式便不再是问题。至于具体如何建立交换机制，我们也在探究中。一个想法是利用区块链技术，既保证数据的真实性和可追溯性，也保证了原本拥有权。在这个基础上数据有足够能力自由流通，这个机构建在什么地方也就不那么关键了。

议题二：

高通量实验表征的设计与实施应该如何选取和优化?它的挑战和应对策略分别是什么？

刘宜晋：高通量实验表征包含两种不同类型，第一种类型是自动化、高效率测试大量不同材料，用这种方式搜索参数空间，寻找最优化组合。如我们最近参与的一个工作，对数据进行实时分析和预判，从而针对性的选择下一个实验的采样点。实验不再简单按照预先设定好的流程，而是有的放矢，能够一定程度上提高实验效率。另一种类型是对复杂的系统用高时间和空间覆盖率，覆盖比较大的视野，用多模态的实验手段，多维度和动态地跟踪材料体系的变化。最后在产生的大量数据中寻找蛛丝马迹，找复杂体系中的蝴蝶效应，将微观现象和宏观性能进行关联。这种工作需要保证数据采样足够多，并且需要非常仔细的验证，最后才能保证结果是统计上可靠的。

议题三：

从利用人工智能机器学习来提速材料设计的角度，性能需求反溯微结构设计为导向还是微结构设计优化而预测性能为导向会更能发挥AI、机器学习的优势所在?

胡嘉冕：这两个问题并不矛盾，材料设计应以优化性能为导向，以找到合适的原材料和材料制备工艺为目的。但对微结构的预测和设计优化不可或缺，从工艺到微结构再到性能(Processing-Microstructure-Property)是一个完整的链。首先，预测不同工艺条件（比如温度、成分、压强等）下的微结构，然后再预测与此微结构对应的性能。接下来，需要做实验来验证在给定的工艺条件下是否能获得相应的性能。如果实验表明预测的性能未达到预期，则需要重新选择其他工艺条件，再重复上述过程直至性能满足预期。关键在于怎样让工艺条件的再选择变得更高效，而不是没有目的地试。在这方面，贝叶斯优化（Bayesianoptimization）或可发挥一定的作用。

议题四：

Atomly.net数据库和MaterialsProject之间有什么样的区别和联系？

刘淼：首先高通量计算是一种方法，它不仅仅只是数据库，所以我们想建立的是这样一套方法。国外已经有此类的程序包、工作流和基础设施，给我们很多启发。在建立Atomly以后，我们也可以针对某一类材料做高通量计算，拥有这样的工作模式。我们对MaterialsProject的方式比较认同，现阶段的成品比较相似。但我们现在的数据量和数据质量，在某种意义已经超越了MaterialsProject。目前数据库已经完成了几乎所有人类已发现的实验结构的计算，现在正在增加的都是人造结构，随着数据积累再过三五年之后大家就可以逐渐体会出差别。

议题五：

如何将与材料合成相关的庞杂内容整合到材料计算预测和高通量实验表征的环节里面去?

刘淼：第四范式就是材料数据的积累去改变从前个人经验积累的模式。通过数据科学的模式，把群体的智慧不断结晶、积累下去，这是根本方式的变化。我们想通过做好数据的方式，帮助机器学习的过程更好的运行。生产数据的模式不仅仅限于计算，所有可以批量生产高度一致性数据的方法，都有可能有益于材料数据科学，只不过现阶段通过高通量计算获得大批量的数据是比较容易。重要的是数据产生过程需要数据标准化，但并非人为规定的数据标准，而是保证在数据库内每个数据之间具有相同标准，具有可比较性，才能让这个数据集扩充下去。我们正在实践这样的事情，第一批的计划是做DFT计算数据库，未来还会有实验数据库，包括各种组合材料方法，各种批量制造材料、批量表征材料的方式产生的数据。

议题六：

描述子的构建如何能更反映材料构效更本质的规律？

尹万健：要做机器学习，数据质量非常关键。描述子其实是一个化学语言，就是定量描述一个复杂现象的简单标度，一个好的描述子需要两个条件：一是准确，二是简单，太复杂不容易被公众接受。我们通过自己的研究发现，AI确实能发现好的描述子，指导我们发现新材料，但AI发现的新描述子到底有什么物理意义，很多情况下并不清楚。如果能够进一步挖掘简单描述子背后的物理意义，就能得到新知识。这样的话，AI不仅帮助发现新材料，还可以教我们新知识，这可能是更重要的意义。

开放式讨论

Q：

材料科研界和工业界的合作目前还比较松散，这种紧密合作目前的最大挑战和难度是什么?材料科学家在推动这一进程中能做些什么？

汪洪：我们在做材料基因组的最终目标就是要应用，所以我们跟很多的企业建立了联系，而且有很多的沟通。但是往往谈到具体找一个案例来做的时候，但在执行上经常遇到一些困难。企业共有的担心的是数据的保密性，因为有些数据是他们的生命线。在这个问题没有解决之前，作为外单位的人与他们合作是有门槛和困难的。

刘淼：我想这是一个业界的共同问题，并不仅仅限于材料领域或者AI领域，我们和产业结合，彼此互为支撑的关系；当我们做应用研发时，应该解决的是企业材料具体应用的问题。这在过去是脱节的，但我们国家整体的方向，正在从基础科研逐渐向应用转化，所以我不太担心这个问题，这只是时间早晚的问题。具体如何和企业合作，我认为还得把材料研发过程中的一些好的工具、好的方式不断地做扎实、做细。当我们和企业坐在一起，能听懂彼此讲的话。这是一个开放且正在解决的问题，我觉得不用太担心。

刘宜晋：在这个问题上，我认为学术界的研究人员可以有所作为。比如我们做的工作可以努力朝着OpenSource、OpenData方向努力，这能够从我们这一端把这个事情往前推，经过我们的努力来争取工业界的正向回应。

Q：

在学术界或科研界内部，如何能有效的实现AI+材料研究的数据共享？

汪洪：材料界有一个共识，急需要有一个交换机制。如果数据是由国家资助生产的，它的归属自然是国家，但若通过自身资源生产出来的数据，肯定也需要一定回报的，所以交换机制非常重要。客观上交换机制经历了很多讨论，但现在为止并没有一个特别清晰的结论。但在区块链的发展之下，它在商业领域应用了很多，在未来几年内可能会产生与此相关新的交换机制。如果将来所有材料开发都是数据驱动的话，那么数据就是一个基本的财富，数据的商业化和产业化会发展起来，这个过程中必然会产生比较实用的，广泛接受的交换或者购买机制，这时候可能更容易推广数据的共享。目前即使以国家项目来收数据，也存在很多困难，未来可能会有所改变，但今天还是大家一个共同的心愿。

Q：

人工智能或机器学习能否对材料合成方法和路径做一定的预测或规划？

刘淼：比如伯克利的Ceder团队试图用机器学习读文献，他们的数据库里已经有300万个文献，将300万个材料合成方法范例之后和计算数据做吻合，机器学习可以提取出一些材料的合成方式，那么其他的新材料就可以用这个模型去预测，我认为这是业界最领先的方式。一切皆有可能，大家只要善于思考，才有可能产生这样具有开创性的方案。另外我们可以用高通量合成、高通量表征这样的方式积累数据，当数据量到达一定程度，我们也能得到相应的知识。

Q：

机器学习能否对亚稳状态的材料合成有所帮助？

刘淼：这需要具体问题具体分析，总体就是如果有足够多的数据，数据质量足够高，多少会给出一些洞察。大家不要被已有的方式局限思路，我们其实在做一个信息化的方式，信息化是一种技术革命，带给我们很多可以做的方向，并不仅限于我们展示给大家的这些，有开创性的思维可能会更重要。

Q：

用数据驱动来进行研究可能解释性比较差，甚至要改写材料科学的基础理论，我们该如何推进材料科学理论的进步？

尹万健：我们的物理定律是人类几百年来慢慢总结和发现的规律，这些规律是不是能够代表全部？这是一个根本性问题。用我们做计算的语言来说，人类现有的知识结构（domainknowledge）是否有可能只是处于整个知识结构(knowledgelandscape)的一个局域波谷处(localminimum)，因此而出现“一叶障目，不见泰山“。就像下围棋一样，算法可以不按照人类千年来总结出来“定势”来走，最后还是把你给打败了，说明所谓的“定势”本身就不是最优的。现在机器学习有一个方向叫做“可解释的机器学习”，我们不仅要知道这个材料比其他材料好，还要知道为什么，它背后的规律在哪儿。所以有没有更好的方法让我们应用到材料科学上，更好理解背后的物理规律，这方面现在可能刚刚起步，这需要不同科学领域的人相互交流。

胡嘉冕：举一个机器学习预测有机分子性能的例子。研究人员通过机器学习定量分析了分子中每一个原子对最后结果的贡献度。他们发现，机器筛选出来的具有最大贡献度的原子正巧是该分子的催化活性中心。有时候，如果数据量太大，可以通过机器学习先筛选出统计意义上最重要的数据，然后我们再对该部分的数据进行重点分析，这样更为高效，或对新科学现象的发现起到促进作用。

刘宜晋：机器学习可以帮助我们捕捉到大量数据里面的蛛丝马迹，从而了解一些原来没有预想到的化学反应。这些信息可以反过来帮助我们理解整个流程，从而可以提供一些信息让我们进一步改进材料设计。

Q：

针对材料物质科学的年轻学生和刚加入这个领域的新生力量的，他(她)们需要有怎样的准备，训练和积累来迎接材料探索开发新时代的到来?

汪洪：现在的同学们随着计算机一起成长，对于未来要进入材料科学的同学来说，计算机技术是非常重要的一环，今后的学生，除了要打牢物理、数学、材料的基础，学习计算机、学习编程对于未来会有极大的帮助。所谓培养下一代的材料学家，就是要培养他们从思想上要认识到数据驱动是必由之路，能够掌握数据驱动这些基本工具。

刘宜晋：我们做研究必须得从自己的专业出发，一开始不要追求很复杂先进的算法，从小问题逐步开始，一切皆有可能，但是要明确自己的未来发展方向。

尹万健：我经常和我的学生说，千万不要追求大而全，也许我们做的工作，方式不是最完美，算法不是最好，但是一定要想我们是要解决什么科学问题，你把自己定位成什么很重要。如果定位成做材料的，首先要想清楚到底要解决材料里的什么问题、设计什么材料、如何改进材料性能，作为年轻科研工作者提出合适的问题非常关键，然后再想怎么样利用好机器学习这个工具。

刘淼：我建议比较年轻的同学或者从业者尽早规划自己的职业，只要找到自己的热爱，剩下的问题迎刃而解了。

YOSIAWebinar旨在促进交叉学科的深度学术交流，探讨科研尖端问题，期望通过启发跨学科、跨领域合作，为学术研究带来新思维角度。2020年，推出「AI+X科学」系列主题，邀请来自不同科研领域的青年科学家，分享AI推动科学发现的科研案例，一同探讨AI赋能科学与技术创新的发展方向。

未来论坛青年科学家创新联盟简称“青创联盟”，为全球优秀的华人青年科学家提供学术探讨与思想交流的平台，在跨界碰撞中畅想未来，在交叉合作中孕育新思想，以共同推动跨界前沿科学的进步，从而发掘科研界的未来世界级领袖。青创联盟成员可以在未来论坛平台上开展学术分享、科普宣传和科技成果转化。

来源：未来论坛

编辑：米老猫

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

《新一代人工智能伦理规范》发布

9月25日，国家新一代人工智能治理专业委员会发布了《新一代人工智能伦理规范》(以下简称《伦理规范》)，旨在将伦理道德融入人工智能全生命周期，为从事人工智能相关活动的自然人、法人和其他相关机构等提供伦理指引。

《伦理规范》经过专题调研、集中起草、意见征询等环节，充分考虑当前社会各界有关隐私、偏见、歧视、公平等伦理关切，包括总则、特定活动伦理规范和组织实施等内容。《伦理规范》提出了增进人类福祉、促进公平公正、保护隐私安全、确保可控可信、强化责任担当、提升伦理素养等6项基本伦理要求。同时，提出人工智能管理、研发、供应、使用等特定活动的18项具体伦理要求。《伦理规范》全文如下：

新一代人工智能伦理规范为深入贯彻《新一代人工智能发展规划》，细化落实《新一代人工智能治理原则》，增强全社会的人工智能伦理意识与行为自觉，积极引导负责任的人工智能研发与应用活动，促进人工智能健康发展，制定本规范。

第一章总则

第一条本规范旨在将伦理道德融入人工智能全生命周期，促进公平、公正、和谐、安全，避免偏见、歧视、隐私和信息泄露等问题。

第二条本规范适用于从事人工智能管理、研发、供应、使用等相关活动的自然人、法人和其他相关机构等。（一）管理活动主要指人工智能相关的战略规划、政策法规和技术标准制定实施，资源配置以及监督审查等。（二）研发活动主要指人工智能相关的科学研究、技术开发、产品研制等。（三）供应活动主要指人工智能产品与服务相关的生产、运营、销售等。（四）使用活动主要指人工智能产品与服务相关的采购、消费、操作等。

第三条人工智能各类活动应遵循以下基本伦理规范。（一）增进人类福祉。坚持以人为本，遵循人类共同价值观，尊重人权和人类根本利益诉求，遵守国家或地区伦理道德。坚持公共利益优先，促进人机和谐友好，改善民生，增强获得感幸福感，推动经济、社会及生态可持续发展，共建人类命运共同体。（二）促进公平公正。坚持普惠性和包容性，切实保护各相关主体合法权益，推动全社会公平共享人工智能带来的益处，促进社会公平正义和机会均等。在提供人工智能产品和服务时，应充分尊重和帮助弱势群体、特殊群体，并根据需要提供相应替代方案。（三）保护隐私安全。充分尊重个人信息知情、同意等权利，依照合法、正当、必要和诚信原则处理个人信息，保障个人隐私与数据安全，不得损害个人合法数据权益，不得以窃取、篡改、泄露等方式非法收集利用个人信息，不得侵害个人隐私权。（四）确保可控可信。保障人类拥有充分自主决策权，有权选择是否接受人工智能提供的服务，有权随时退出与人工智能的交互，有权随时中止人工智能系统的运行，确保人工智能始终处于人类控制之下。（五）强化责任担当。坚持人类是最终责任主体，明确利益相关者的责任，全面增强责任意识，在人工智能全生命周期各环节自省自律，建立人工智能问责机制，不回避责任审查，不逃避应负责任。（六）提升伦理素养。积极学习和普及人工智能伦理知识，客观认识伦理问题，不低估不夸大伦理风险。主动开展或参与人工智能伦理问题讨论，深入推动人工智能伦理治理实践，提升应对能力。

第四条人工智能特定活动应遵守的伦理规范包括管理规范、研发规范、供应规范和使用规范。

第二章管理规范

第五条推动敏捷治理。尊重人工智能发展规律，充分认识人工智能的潜力与局限，持续优化治理机制和方式，在战略决策、制度建设、资源配置过程中，不脱离实际、不急功近利，有序推动人工智能健康和可持续发展。

第六条积极实践示范。遵守人工智能相关法规、政策和标准，主动将人工智能伦理道德融入管理全过程，率先成为人工智能伦理治理的实践者和推动者，及时总结推广人工智能治理经验，积极回应社会对人工智能的伦理关切。

第七条正确行权用权。明确人工智能相关管理活动的职责和权力边界，规范权力运行条件和程序。充分尊重并保障相关主体的隐私、自由、尊严、安全等权利及其他合法权益，禁止权力不当行使对自然人、法人和其他组织合法权益造成侵害。

第八条加强风险防范。增强底线思维和风险意识，加强人工智能发展的潜在风险研判，及时开展系统的风险监测和评估，建立有效的风险预警机制，提升人工智能伦理风险管控和处置能力。

第九条促进包容开放。充分重视人工智能各利益相关主体的权益与诉求，鼓励应用多样化的人工智能技术解决经济社会发展实际问题，鼓励跨学科、跨领域、跨地区、跨国界的交流与合作，推动形成具有广泛共识的人工智能治理框架和标准规范。

第三章研发规范

第十条强化自律意识。加强人工智能研发相关活动的自我约束，主动将人工智能伦理道德融入技术研发各环节，自觉开展自我审查，加强自我管理，不从事违背伦理道德的人工智能研发。

第十一条提升数据质量。在数据收集、存储、使用、加工、传输、提供、公开等环节，严格遵守数据相关法律、标准与规范，提升数据的完整性、及时性、一致性、规范性和准确性等。

第十二条增强安全透明。在算法设计、实现、应用等环节，提升透明性、可解释性、可理解性、可靠性、可控性，增强人工智能系统的韧性、自适应性和抗干扰能力，逐步实现可验证、可审核、可监督、可追溯、可预测、可信赖。

第十三条避免偏见歧视。在数据采集和算法开发中，加强伦理审查，充分考虑差异化诉求，避免可能存在的数据与算法偏见，努力实现人工智能系统的普惠性、公平性和非歧视性。

第四章供应规范

第十四条尊重市场规则。严格遵守市场准入、竞争、交易等活动的各种规章制度，积极维护市场秩序，营造有利于人工智能发展的市场环境，不得以数据垄断、平台垄断等破坏市场有序竞争，禁止以任何手段侵犯其他主体的知识产权。

第十五条加强质量管控。强化人工智能产品与服务的质量监测和使用评估，避免因设计和产品缺陷等问题导致的人身安全、财产安全、用户隐私等侵害，不得经营、销售或提供不符合质量标准的产品与服务。

第十六条保障用户权益。在产品与服务中使用人工智能技术应明确告知用户，应标识人工智能产品与服务的功能与局限，保障用户知情、同意等权利。为用户选择使用或退出人工智能模式提供简便易懂的解决方案，不得为用户平等使用人工智能设置障碍。

第十七条强化应急保障。研究制定应急机制和损失补偿方案或措施，及时监测人工智能系统，及时响应和处理用户的反馈信息，及时防范系统性故障，随时准备协助相关主体依法依规对人工智能系统进行干预，减少损失，规避风险。

第五章使用规范

第十八条提倡善意使用。加强人工智能产品与服务使用前的论证和评估，充分了解人工智能产品与服务带来的益处，充分考虑各利益相关主体的合法权益，更好促进经济繁荣、社会进步和可持续发展。

第十九条避免误用滥用。充分了解人工智能产品与服务的适用范围和负面影响，切实尊重相关主体不使用人工智能产品或服务的权利，避免不当使用和滥用人工智能产品与服务，避免非故意造成对他人合法权益的损害。

第二十条禁止违规恶用。禁止使用不符合法律法规、伦理道德和标准规范的人工智能产品与服务，禁止使用人工智能产品与服务从事不法活动，严禁危害国家安全、公共安全和生产安全，严禁损害社会公共利益等。

第二十一条及时主动反馈。积极参与人工智能伦理治理实践，对使用人工智能产品与服务过程中发现的技术安全漏洞、政策法规真空、监管滞后等问题，应及时向相关主体反馈，并协助解决。

第二十二条提高使用能力。积极学习人工智能相关知识，主动掌握人工智能产品与服务的运营、维护、应急处置等各使用环节所需技能，确保人工智能产品与服务安全使用和高效利用。

第六章组织实施

第二十三条本规范由国家新一代人工智能治理专业委员会发布，并负责解释和指导实施。

第二十四条各级管理部门、企业、高校、科研院所、协会学会和其他相关机构可依据本规范，结合实际需求，制订更为具体的伦理规范和相关措施。

第二十五条本规范自公布之日起施行，并根据经济社会发展需求和人工智能发展情况适时修订。

国家新一代人工智能治理专业委员会

2021年9月25日

人工智能

人工智能用手机看条目扫一扫，手机看条目出自MBA智库百科(https://wiki.mbalib.com/)

人工智能(ArtificialIntelligence，AI）

目录1什么是人工智能2人工智能的研究内容3人工智能的历史4人工智能的应用领域5强人工智能和弱人工智能5.1强人工智能（AGI）5.2弱人工智能（ANI）5.3超级人工智能（ASI）5.4对强人工智能的哲学争论6人工智能的发展现状及前景6.1对于人工智能的发展现状，社会上存在一些“炒作”6.2趋势与展望6.3态势与思考7人工智能的三大短板8应对人工智能威胁的3R法则[编辑]什么是人工智能

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。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个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。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。

2017年12月，人工智能入选“2017年度中国媒体十大流行语”。

[编辑]人工智能的研究内容

人工智能的研究是高度技术性和专业的，各分支领域都是深入且各不相通的，因而涉及范围极广。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

1）知识表示是人工智能的基本问题之一，推理和搜索都与表示方法密切相关。常用的知识表示方法有：逻辑表示法、产生式表示法、语义网络表示法和框架表示法等。

2）常识，自然为人们所关注，已提出多种方法，如非单调推理、定性推理就是从不同角度来表达常识和处理常识的。

3）问题求解中的自动推理是知识的使用过程，由于有多种知识表示方法，相应地有多种推理方法。推理过程一般可分为演绎推理和非演绎推理。谓词逻辑是演绎推理的基础。结构化表示下的继承性能推理是非演绎性的。由于知识处理的需要，近几年来提出了多种非演泽的推理方法，如连接机制推理、类比推理、基于示例的推理、反绎推理和受限推理等。

4）搜索是人工智能的一种问题求解方法，搜索策略决定着问题求解的一个推理步骤中知识被使用的优先关系。可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索。启发式知识常由启发式函数来表示，启发式知识利用得越充分，求解问题的搜索空间就越小。典型的启发式搜索方法有A*、AO*算法等。近几年搜索方法研究开始注意那些具有百万节点的超大规模的搜索问题。

5）机器学习是人工智能的另一重要课题。机器学习是指在一定的知识表示意义下获取新知识的过程，按照学习机制的不同，主要有归纳学习、分析学习、连接机制学习和遗传学习等。

6）知识处理系统主要由知识库和推理机组成。知识库存储系统所需要的知识，当知识量较大而又有多种表示方法时，知识的合理组织与管理是重要的。推理机在问题求解时，规定使用知识的基本方法和策略，推理过程中为记录结果或通信需设数据库或采用黑板机制。如果在知识库中存储的是某一领域(如医疗诊断)的专家知识，则这样的知识系统称为专家系统。为适应复杂问题的求解需要，单一的专家系统向多主体的分布式人工智能系统发展，这时知识共享、主体间的协作、矛盾的出现和处理将是研究的关键问题。

人工智能的研究可以分为几个技术问题。其分支领域主要集中在解决具体问题，其中之一是，如何使用各种不同的工具完成特定的应用程序。AI的核心问题包括推理、知识、规划、学习、交流、感知、移动和操作物体的能力等。强人工智能目前仍然是该领域的长远目标。目前比较流行的方法包括统计方法，计算智能和传统意义的AI。目前有大量的工具应用了人工智能，其中包括搜索和数学优化、逻辑推演。而基于仿生学、认知心理学，以及基于概率论和经济学的算法等等也在逐步探索当中。

[编辑]人工智能的历史

“人工智能”一词最初是在1956年达特茅斯（Dartmouth）学会上提出的。从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个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。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。例如繁重的科学和工程计算本来是要人脑来承担的,现在计算机不但能完成这种计算,而且能够比人脑做得更快、更准确,因之当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”,可见复杂工作的定义是随着时代的发展和技术的进步而变化的,人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展,一方面又转向更有意义、更加困难的目标。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机,人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外,人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。

在定义智慧时，英国科学家图灵做出了贡献，如果一台机器能够通过称之为图灵实验的实验，那它就是智慧的，图灵实验的本质就是让人在不看外型的情况下不能区别是机器的行为还是人的行为时，这个机器就是智慧的。不要以为图灵只做出这一点贡献就会名垂表史，如果你是学计算机的就会知道，对于计算机人士而言，获得图灵奖就等于物理学家获得诺贝尔奖一样，图灵在理论上奠定了计算机产生的基础，没有他的杰出贡献世界上根本不可能有这个东西，更不用说什么网络了。

科学家早在计算机出现之前就已经希望能够制造出可能模拟人类思维的机器了，在这方面我希望提到另外一个杰出的数学家、哲学家布尔，通过对人类思维进行数学化精确地刻画，他和其它杰出的科学家一起奠定了智慧机器的思维结构与方法，今天我们的计算机内使用的逻辑基础正是他所创立的。

我想任何学过计算机的人对布尔一定不会陌生，我们所学的布尔代数，就是由它开创的。当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具了，在以后的岁月中，无数科学家为这个目标努力着，现在人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，在大家不懈的努力下，现在计算机似乎已经变得十分聪明了，刚刚结束的国际象棋大赛中，计算机把人给胜了，这是人们都知道的，大家或许不会注意到，在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。人工智能始终是计算机科学的前沿学科，计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在。

现在人类已经把计算机的计算能力提高到了前所未有的地步，而人工智能也在下世纪领导计算机发展的潮头，现在人工智能的发展因为受到理论上的限制不是很明显，但它必将象今天的网络一样深远地影响我们的生活。

让我们顺着人工智能的发展来回顾一下计算机的发展，在1941年由美国和德国两国共同研制的第一台计算机诞生了，从此以后人类存储和处理信息的方法开始发生革命性的变化。第一台计算机的体型可不算太好，它比较胖，还比较娇气，需要工作在有空调的房间里，如果希望它处理什么事情，需要大家把线路重新接一次，这可不是一件省力气的活儿，把成千上万的线重新焊一下我想现在的程序员已经是生活在天堂中了。

终于在1949发明了可以存储程序的计算机，这样，编程程序总算可以不用焊了，好多了。因为编程变得十分简单，计算机理论的发展终于导致了人工智能理论的产生。人们总算可以找到一个存储信息和自动处理信息的方法了。

虽然现在看来这种新机器已经可以实现部分人类的智力，但是直到50年代人们才把人类智力和这种新机器联系起来。美籍俄裔数学家、控制论的创始人诺伯特·维纳（NorbertWiener）在反馈理论上的研究最终让他提出了一个论断，所有人类智力的结果都是一种反馈的结果，通过不断地将结果反馈给机体而产生的动作，进而产生了智能。我们家的抽水马桶就是一个十分好的例子，水之所以不会常流不断，正是因为有一个装置在检测水位的变化，如果水太多了，就把水管给关了，这就实现了反馈，是一种负反馈。如果连我们厕所里的装置都可以实现反馈了，那我们应该可以用一种机器实现反馈，进而实现人类智力的机器形式重现。这种想法对于人工智能早期的有着重大的影响。

在1955的时候，美国计算机科学家艾伦·纽威尔(AllenNewell)和赫伯特·西蒙(HerbertA.Simon)TheLogicTheorist程序，它是一种采用树形结构的程序，在程序运行时，它在树中搜索，寻找与可能答案最接近的树的分枝进行探索，以得到正确的答案。这个程序在人工智能的历史上可以说是有重要地位的，它在学术上和社会上带来的巨大的影响，以至于我们现在所采用的方法思想方法有许多还是来自于这个50年代的程序。

1956年，“人工智能之父”和LISP语言的发明人(ZT)约翰·麦卡锡（JohnMcCarthy）召集了一次会议来讨论人工智能未来的发展方向。从那时起，人工智能的名字才正式确立，这次会议在人工智能历史上不是巨大的成功，但是这次会议给人工智能奠基人相互交流的机会，并为未来人工智能的发展起了铺垫的作用。在此以后，工人智能的重点开始变为建立实用的能够自行解决问题的系统，并要求系统有自学习能力。在1957年，艾伦·纽威尔和赫伯特·西蒙又开发了一个程序称为GeneralProblemSolver(GPS)，它对维纳的反馈理论有一个扩展，并能够解决一些比较普遍的问题。别的科学家在努力开发系统时，麦卡锡创建了表处理语言LISP，直到现在许多人工智能程序还在使用这种语言，它几乎成了人工智能的代名词，到了今天，LISP仍然在发展。

在1963年，麻省理工学院受到了美国政府和国防部的支持进行人工智能的研究，美国政府不是为了别的，而是为了在冷战中保持与苏联的均衡，虽然这个目的是带点火药味的，但是它的结果却使人工智能得到了巨大的发展。其后发展出的许多程序十分引人注目，SHRDLU是维诺格拉德(T.Winograd)于1972年在美国麻省理工学院建立了一个用自然语言指挥机器人动作的系统。在这个大发展的60年代，STUDENT系统可以解决代数问题，而SIR(SelectiveIntegratedRail)系统则开始理解简单的英文句子了，SIR的出现导致了新学科的出现：自然语言处理。在70年代出现的专家系统成了一个巨大的进步，他头一次让人知道计算机可以代替人类专家进行一些工作了，由于计算机硬件性能的提高，人工智能得以进行一系列重要的活动，如统计分析数据，参与医疗诊断等等，它作为生活的重要方面开始改变人类生活了。在理论方面，70年代也是大发展的一个时期，计算机开始有了简单的思维和视觉，而不能不提的是在70年代，另一个人工智能语言Prolog语言诞生了，它和LISP一起几乎成了人工智能工作者不可缺少的工具。不要以为人工智能离我们很远，它已经在进入我们的生活，模糊控制，决策支持等等方面都有人工智能的影子。让计算机这个机器代替人类进行简单的智力活动，把人类解放用于其它更有益的工作，这是人工智能的目的，但我想对科学真理的无尽追求才是最终的动力吧。

[编辑]人工智能的应用领域

1、问题求解

人工智能的第一大成就是下棋程序，在下棋程度中应用的某些技术，如向前看几步，把困难的问题分解成一些较容易的子问题，发展成为搜索和问题归纳这样的人工智能基本技术。今天的计算机程序已能够达到下各种方盘棋和国际象棋的锦标赛水平。但是，尚未解决包括人类棋手具有的但尚不能明确表达的能力。如国际象棋大师们洞察棋局的能力。另一个问题是涉及问题的原概念，在人工智能中叫问题表示的选择，人们常能找到某种思考问题的方法，从而使求解变易而解决该问题。到目前为止，人工智能程序已能知道如何考虑它们要解决的问题，即搜索解答空间，寻找较优解答。

2、逻辑推理与定理证明

逻辑推理是人工智能研究中最持久的领域之一，其中特别重要的是要找到一些方法，只把注意力集中在一个大型的数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。对数学中臆测的题。定理寻找一个证明或反证，不仅需要有根据假设进行演绎的能力，而且许多非形式的工作，包括医疗诊断和信息检索都可以和定理证明问题一样加以形式化，因此，在人工智能方法的研究中定理证明是一个极其重要的论题。

3、自然语言处理

自然语言的处理是人工智能技术应用于实际领域的典型范例，经过多年艰苦努力，这一领域已获得了大量令人注目的成果。目前该领域的主要课题是：计算机系统如何以主题和对话情境为基础，注重大量的常识——世界知识和期望作用，生成和理解自然语言。这是一个极其复杂的编码和解码问题。

4、智能信息检索技术

信息获取和精化技术已成为当代计算机科学与技术研究中迫切需要研究的课题，将人工智能技术应用于这一领域的研究是人工智能走向广泛实际应用的契机与突破口。

5、专家系统

专家系统是目前人工智能中最活跃、最有成效的一个研究领域,它是一种具有特定领域内大量知识与经验的程序系统。近年来，在“专家系统”或“知识工程”的研究中已出现了成功和有效应用人工智能技术的趋势。人类专家由于具有丰富的知识，所以才能达到优异的解决问题的能力。那么计算机程序如果能体现和应用这些知识，也应该能解决人类专家所解决的问题，而且能帮助人类专家发现推理过程中出现的差错，现在这一点已被证实。如在矿物勘测、化学分析、规划和医学诊断方面，专家系统已经达到了人类专家的水平。成功的例子如：PROSPECTOR系统（用于地质学的专家系统）发现了一个钼矿沉积，价值超过1亿美元。DENDRL系统的性能已超过一般专家的水平，可供数百人在化学结构分析方面的使用。MYCIN系统可以对血液传染病的诊断治疗方案提供咨询意见。经正式鉴定结果，对患有细菌血液病、脑膜炎方面的诊断和提供治疗方案已超过了这方面的专家。

[编辑]强人工智能和弱人工智能

人工智能的一个比较流行的定义，也是该领域较早的定义，是由当时麻省理工学院的约翰·麦卡锡在1956年的达特矛斯会议上提出的：人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性（见下）。另一个定义指人工智能是人造机器所表现出来的智能。总体来讲，目前对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。

[编辑]强人工智能（AGI）

强人工智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（解决问题）的智能机器，并且，这样的机器能将被认为是有知觉的，有自我意识的。强人工智能可以有两类：

类人的人工智能，即机器的思考和推理就像人的思维一样。非类人的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。[编辑]弱人工智能（ANI）

弱人工智能又称“狭义人工智能”，认为不可能制造出能真正地推理和解决问题的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。

强人工智能的研究目前处于停滞不前的状态下。人工智能研究者不一定同意弱人工智能，也不一定在乎或者了解强人工智能和弱人工智能的内容与差别。就现下的人工智能研究领域来看，研究者已大量造出看起来像是智能的机器，获取相当丰硕的理论上和实质上的成果，如2009年康乃尔大学教授HodLipson和其博士研究生MichaelSchmidt研发出的Eureqa计算机程序，只要给予一些数据，这计算机程序自己只用几十个小时计算就推论出牛顿花费多年研究才发现的牛顿力学公式，等于只用几十个小时就自己重新发现牛顿力学公式，这计算机程序也能用来研究很多其他领域的科学问题上。

[编辑]超级人工智能（ASI）

超级人工智能（ASI）是一种超越人类智能的人工智能，可以比人类更好地执行任何任务。ASI系统不仅能理解人类的情感和经历，还能唤起他们自己的情感、信念和欲望，类似于人类。尽管ASI的存在仍是假设性的，但此类系统的决策和解决问题的能力预计将远超人类。通常，ASI系统可以独立思考、解决难题、做出判断和做出决定。

[编辑]对强人工智能的哲学争论

“强人工智能”一词最初是约翰·罗杰斯·希尔勒针对计算机和其它信息处理机器创造的，其定义为：

“强人工智能观点认为计算机不仅是用来研究人的思维的一种工具；相反，只要运行适当的程序，计算机本身就是有思维的。”（JSearleinMindsBrainsandPrograms.TheBehavioralandBrainSciences,vol.3,1980）

关于强人工智能的争论，不同于更广义的一元论和二元论的争论。其争论要点是：如果一台机器的唯一工作原理就是转换编码数据，那么这台机器是不是有思维的？希尔勒认为这是不可能的。他举了个中文房间的例子来说明，如果机器仅仅是转换数据，而数据本身是对某些事情的一种编码表现，那么在不理解这一编码和这实际事情之间的对应关系的前提下，机器不可能对其处理的数据有任何理解。基于这一论点，希尔勒认为即使有机器通过了图灵测试，也不一定说明机器就真的像人一样有思维和意识。

也有哲学家持不同的观点。丹尼尔·丹尼特在其著作《意识的解释》（ConsciousnessExplained）里认为，人也不过是一台有灵魂的机器而已，为什么我们认为：“人可以有智能，而普通机器就不能”呢？他认为像上述的数据转换机器是有可能有思维和意识的。有的哲学家认为如果弱人工智能是可实现的，那么强人工智能也是可实现的。比如西蒙·布莱克本（SimonBlackburn）在其哲学入门教材Think里说道，一个人的看起来是“智能”的行动并不能真正说明这个人就真的是智能的。我永远不可能知道另一个人是否真的像我一样是智能的，还是说她／他仅仅是看起来是智能的。基于这个论点，既然弱人工智能认为可以令机器看起来像是智能的，那就不能完全否定这机器是真的有智能的。布莱克本认为这是一个主观认定的问题。

需要指出的是，弱人工智能并非和强人工智能完全对立，也就是说，即使强人工智能是可能的，弱人工智能仍然是有意义的。至少，今日的计算机能做的事，像算术运算等，在一百多年前是被认为很需要智能的。并且，即使强人工智能被证明为可能的，也不代表强人工智能必定能被研制出来。

[编辑]人工智能的发展现状及前景[编辑]对于人工智能的发展现状，社会上存在一些“炒作”

比如说，认为人工智能系统的智能水平即将全面超越人类水平、30年内机器人将统治世界、人类将成为人工智能的奴隶，等等。这些有意无意的“炒作”和错误认识会给人工智能的发展带来不利影响。因此，制定人工智能发展的战略、方针和政策，首先要准确把握人工智能技术和产业发展的现状。

专用人工智能取得重要突破。从可应用性看，人工智能大体可分为专用人工智能和通用人工智能。面向特定任务（比如下围棋）的专用人工智能系统由于任务单一、需求明确、应用边界清晰、领域知识丰富、建模相对简单，形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能。人工智能的近期进展主要集中在专用智能领域。例如，阿尔法狗（AlphaGo）在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，人工智能系统诊断皮肤癌达到专业医生水平。

通用人工智能尚处于起步阶段。人的大脑是一个通用的智能系统，能举一反三、融会贯通，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题，可谓“一脑万用”。真正意义上完备的人工智能系统应该是一个通用的智能系统。目前，虽然专用人工智能领域已取得突破性进展，但是通用人工智能领域的研究与应用仍然任重而道远，人工智能总体发展水平仍处于起步阶段。当前的人工智能系统在信息感知、机器学习等“浅层智能”方面进步显著，但是在概念抽象和推理决策等“深层智能”方面的能力还很薄弱。总体上看，目前的人工智能系统可谓有智能没智慧、有智商没情商、会计算不会“算计”、有专才而无通才。因此，人工智能依旧存在明显的局限性，依然还有很多“不能”，与人类智慧还相差甚远。

人工智能创新创业如火如荼。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷调整发展战略。比如，谷歌在其2017年年度开发者大会上明确提出发展战略从“移动优先”转向“人工智能优先”，微软2017财年年报首次将人工智能作为公司发展愿景。人工智能领域处于创新创业的前沿。麦肯锡公司报告指出，2016年全球人工智能研发投入超300亿美元并处于高速增长阶段；全球知名风投调研机构CBInsights报告显示，2017年全球新成立人工智能创业公司1100家，人工智能领域共获得投资152亿美元，同比增长141%。

创新生态布局成为人工智能产业发展的战略高地。信息技术和产业的发展史，就是新老信息产业巨头抢滩布局信息产业创新生态的更替史。例如，传统信息产业代表企业有微软、英特尔、IBM、甲骨文等，互联网和移动互联网时代信息产业代表企业有谷歌、苹果、脸书、亚马逊、阿里巴巴、腾讯、百度等。人工智能创新生态包括纵向的数据平台、开源算法、计算芯片、基础软件、图形处理器等技术生态系统和横向的智能制造、智能医疗、智能安防、智能零售、智能家居等商业和应用生态系统。目前智能科技时代的信息产业格局还没有形成垄断，因此全球科技产业巨头都在积极推动人工智能技术生态的研发布局，全力抢占人工智能相关产业的制高点。

人工智能的社会影响日益凸显。一方面，人工智能作为新一轮科技革命和产业变革的核心力量，正在推动传统产业升级换代，驱动“无人经济”快速发展，在智能交通、智能家居、智能医疗等民生领域产生积极正面影响。另一方面，个人信息和隐私保护、人工智能创作内容的知识产权、人工智能系统可能存在的歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等问题已经显现出来，需要抓紧提供解决方案。

[编辑]趋势与展望

经过60多年的发展，人工智能在算法、算力（计算能力）和算料（数据）等“三算”方面取得了重要突破，正处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有诸多瓶颈。那么在可以预见的未来，人工智能发展将会出现怎样的趋势与特征呢？

从专用智能向通用智能发展。如何实现从专用人工智能向通用人工智能的跨越式发展，既是下一代人工智能发展的必然趋势，也是研究与应用领域的重大挑战。2016年10月，美国国家科学技术委员会发布《国家人工智能研究与发展战略计划》，提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。阿尔法狗系统开发团队创始人戴密斯·哈萨比斯提出朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。微软在2017年成立了通用人工智能实验室，众多感知、学习、推理、自然语言理解等方面的科学家参与其中。

从人工智能向人机混合智能发展。借鉴脑科学和认知科学的研究成果是人工智能的一个重要研究方向。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。在我国新一代人工智能规划和美国脑计划中，人机混合智能都是重要的研发方向。

从“人工+智能”向自主智能系统发展。当前人工智能领域的大量研究集中在深度学习，但是深度学习的局限是需要大量人工干预，比如人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据、用户需要人工适配智能系统等，非常费时费力。因此，科研人员开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。例如阿尔法狗系统的后续版本阿尔法元从零开始，通过自我对弈强化学习实现围棋、国际象棋、日本将棋的“通用棋类人工智能”。在人工智能系统的自动化设计方面，2017年谷歌提出的自动化学习系统（AutoML）试图通过自动创建机器学习系统降低人员成本。

人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度交叉的复合型学科，研究范畴广泛而又异常复杂，其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破，脑与认知科学的发展开启了新时代，能够大规模、更精细解析智力的神经环路基础和机制，人工智能将进入生物启发的智能阶段，依赖于生物学、脑科学、生命科学和心理学等学科的发现，将机理变为可计算的模型，同时人工智能也会促进脑科学、认知科学、生命科学甚至化学、物理、天文学等传统科学的发展。

人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来10年将进入高速增长期。例如，2016年9月，咨询公司埃森哲发布报告指出，人工智能技术的应用将为经济发展注入新动力，可在现有基础上将劳动生产率提高40%；到2035年，美、日、英、德、法等12个发达国家的年均经济增长率可以翻一番。2018年麦肯锡公司的研究报告预测，到2030年，约70%的公司将采用至少一种形式的人工智能，人工智能新增经济规模将达到13万亿美元。

人工智能将推动人类进入普惠型智能社会。“人工智能+X”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影响，并推动人类进入普惠型智能社会。2017年国际数据公司IDC在《信息流引领人工智能新时代》白皮书中指出，未来5年人工智能将提升各行业运转效率。我国经济社会转型升级对人工智能有重大需求，在消费场景和行业应用的需求牵引下，需要打破人工智能的感知瓶颈、交互瓶颈和决策瓶颈，促进人工智能技术与社会各行各业的融合提升，建设若干标杆性的应用场景创新，实现低成本、高效益、广范围的普惠型智能社会。

人工智能领域的国际竞争将日益激烈。当前，人工智能领域的国际竞赛已经拉开帷幕，并且将日趋白热化。2018年4月，欧盟委员会计划2018—2020年在人工智能领域投资240亿美元；法国总统在2018年5月宣布《法国人工智能战略》，目的是迎接人工智能发展的新时代，使法国成为人工智能强国；2018年6月，日本《未来投资战略2018》重点推动物联网建设和人工智能的应用。世界军事强国也已逐步形成以加速发展智能化武器装备为核心的竞争态势，例如美国特朗普政府发布的首份《国防战略》报告即谋求通过人工智能等技术创新保持军事优势，确保美国打赢未来战争；俄罗斯2017年提出军工拥抱“智能化”，让导弹和无人机这样的“传统”兵器威力倍增。

人工智能的社会学将提上议程。为了确保人工智能的健康可持续发展，使其发展成果造福于民，需要从社会学的角度系统全面地研究人工智能对人类社会的影响，制定完善人工智能法律法规，规避可能的风险。2017年9月，联合国犯罪和司法研究所（UNICRI）决定在海牙成立第一个联合国人工智能和机器人中心，规范人工智能的发展。美国白宫多次组织人工智能领域法律法规问题的研讨会、咨询会。特斯拉等产业巨头牵头成立OpenAI等机构，旨在“以有利于整个人类的方式促进和发展友好的人工智能”。

[编辑]态势与思考

当前，我国人工智能发展的总体态势良好。但是我们也要清醒看到，我国人工智能发展存在过热和泡沫化风险，特别在基础研究、技术体系、应用生态、创新人才、法律规范等方面仍然存在不少值得重视的问题。总体而言，我国人工智能发展现状可以用“高度重视，态势喜人，差距不小，前景看好”来概括。

高度重视。党中央、国务院高度重视并大力支持发展人工智能。2017年7月，国务院发布《新一代人工智能发展规划》，将新一代人工智能放在国家战略层面进行部署，描绘了面向2030年的我国人工智能发展路线图，旨在构筑人工智能先发优势，把握新一轮科技革命战略主动。国家发改委、工信部、科技部、教育部等国家部委和北京、上海、广东、江苏、浙江等地方政府都推出了发展人工智能的鼓励政策。

态势喜人。据清华大学发布的《中国人工智能发展报告2018》统计，我国已成为全球人工智能投融资规模最大的国家，我国人工智能企业在人脸识别、语音识别、安防监控、智能音箱、智能家居等人工智能应用领域处于国际前列。根据2017年爱思唯尔文献数据库统计结果，我国在人工智能领域发表的论文数量已居世界第一。近两年，中国科学院大学、清华大学、北京大学等高校纷纷成立人工智能学院，2015年开始的中国人工智能大会已连续成功召开四届并且规模不断扩大。总体来说，我国人工智能领域的创新创业、教育科研活动非常活跃。

差距不小。目前我国在人工智能前沿理论创新方面总体上尚处于“跟跑”地位，大部分创新偏重于技术应用，在基础研究、原创成果、顶尖人才、技术生态、基础平台、标准规范等方面距离世界领先水平还存在明显差距。在全球人工智能人才700强中，中国虽然入选人数名列第二，但远远低于约占总量一半的美国。2018年市场研究顾问公司CompassIntelligence对全球100多家人工智能计算芯片企业进行了排名，我国没有一家企业进入前十。另外，我国人工智能开源社区和技术生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。我国参与制定人工智能国际标准的积极性和力度不够，国内标准制定和实施也较为滞后。我国对人工智能可能产生的社会影响还缺少深度分析，制定完善人工智能相关法律法规的进程需要加快。

前景看好。我国发展人工智能具有市场规模、应用场景、数据资源、人力资源、智能手机普及、资金投入、国家政策支持等多方面的综合优势，人工智能发展前景看好。全球顶尖管理咨询公司埃森哲于2017年发布的《人工智能：助力中国经济增长》报告显示，到2035年人工智能有望推动中国劳动生产率提高27%。我国发布的《新一代人工智能发展规划》提出，到2030年人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。在我国未来的发展征程中，“智能红利”将有望弥补人口红利的不足。

[编辑]人工智能的三大短板

创新工场创始人李开复表示，AI存在明显不足的三大短板，即便到了2042年，AI可能仍然无法完全掌握这些能力，包括了:

第一、创造力。AI不具备进行创造、构思以及战略性规划的能力。它无法选择自己的目标，无法跨领域构思，无法进行创造性的思考，也难以具备那些对人类而言不言自明的常识。

第二、同理心。AI没有“同情”“关爱”之类的“感同身受”的感觉，无法在情感方面实现与人类的真正互动，无法给他人带去关怀。

第三、灵巧性。AI和机器人技术无法完成一些精确而复杂的体力工作，如灵巧的手眼协作。此外，AI还难以很好地应对未知的或非结构化的空间。

[编辑]应对人工智能威胁的3R法则

2023年2月，创新工场创始人李开复在微博发文“论战ChatGPT”，首先是列举了20项AI容易取代的工作，其次分析了AI存在明显不足的三大短板，最后针对后ChatGPT时代还给出了三大生存攻略，分别是：Relearn二次学习；Recalibrate二次定义；Renaissance二次复兴。

李开复称：“在《AI未来进行式》一书中，我通过故事和讲解给出了三大生存攻略，在英文简称三个R:Relearn二次学习，Recalibrate二次定义，Renaissance二次复兴。”

1.Relearn二次学习

现在就发出警告，唤醒踩在失业悬崖边缘的人们，鼓励主动出击，重新学习。

令人欣慰的是，有不少人类的工作是AI难以胜任的，特别是那些需要创造力、复杂工艺、社交技巧以及依赖人工操作AI工具的工作。我们倡导人们积极投入二次学习，掌握从事此类工作的(新)技能，为适应AI新经济下的新型工作场景做好准备。

职业培训机构需要尽快重设课程，增加AI时代可持续就业的培训科目:政府可以为这些培训提供奖励和补贴;企业可以参考类似于亚马逊职业选择计划的方案，设立专项经费，资助员工参加职业再造培训项目，帮助员工报考飞机维修技师、电脑辅助设计师、医疗护理师等职业资格许可证。

值得关注的是，随着财富的增长和寿命的延长，以人为中心的服务性工作将成为社会的刚性需求，其重要性与需求量都会水涨船高，例如世界卫生组织预测，要实现联合国“人人享有良好的健康和福祉”这一可持续发展目标，全球医护人员的需求缺口将高达1800万人。过去，这类关怀型职业在社会上一直不被重视，薪酬也普遍偏低，但以后，这些“以人为本”的职业将成为AI新经济运行的基石，值得更多的人考虑通过二次学习来投入其中。

为了进一步缓解人力资源供需失衡，我们甚至可以考虑把目前“志愿者服务”类型的工作调整为全职薪酬型工作，诸如献血中心服务人员、寄养服务提供者、夏令营老师、心理咨询师等，也包括一些为了照顾家中老人不得不离开职场的成年人。

另外，可以预见的是，自动化时代一旦到来，社会将需要大批志愿者为失业人员提供热线咨询，帮助他们解决在职场转型过程中遇到的疑虑和困难，排解心理压力，最大限度地避免由于失业所导致的社会问题的发生。这些志愿者也应当获得合理的报酬和社会的认可。

2.Recalibrate二次定义

除了重新学习职业技能，我们还需要结合各类AI工具，重新调整工作岗位的“人机协作”模式。因此，对于不少职业的工作方式乃至工作内容，我们需要重新进行定义。

信息化革命在短短几十年内彻底改变了人们的工作方式，使用电脑上的各种软件是当今普遍的人机协作模式。在AI时代，各行各业将朝着更加智能化的方向“进化”:AI可以测算出不同条件下的沙盘推演结果，可以通过对海量数据进行计算，量化显示工作任务的最优解可以协助不同行业优化工作流程，完成日常的重复性事务。

我认为，很难出现单一通用型的AI工具，我们必须针对各个行业提供特定的解决问题的应用程序，如此，举凡药物分子研发、营销广告策划、新闻信息核实等任务，都能通过高度定制化的AI工具来实现。

当我们对一些职业进行二次定义，充分把“以人为本”的人性特质和AI善于优化的技术优势深度结合起来之后，许多工作将被重塑，不少新兴岗位也将被创造出来。

在AI时代的人机协作中，AI和人类合理分工、各展所长，AI可以既智能又高效地承担起各种重复性任务，由此，人类从业者得以把更多的时间花在需要温情、创意、策略的人文层面的工作上，从而产生1+1>2的合作效应。

举例来说，人们生病了，最信任的仍然是人类医生，由于医生可以使用专业的AI医疗诊断工具，快速准确地为患者定下最佳治疗方案，所以能腾出充裕的时间和患者深入探讨病情抚慰他们的心灵，医生的职业角色也将因此被二次定义为“关爱型医生”。

正如移动互联网催生了滴滴司机、美团小哥等职业，AI的崛起也创造了很多全新的职业，目前已经有AI工程师、数据科学家、数据标注员、机器人维修员等。我们应该时刻关注AI新经济进程中涌现出的新兴职业，确保及时掌握就业情况，关注相关的职业技能培训。

3.Renaissance二次复兴

有了得当的培训和称心的工具，我们可以期待又一次“文艺复兴”的到来-一由AI催生的人类释放激情、创造力进发、人性升华的新高峰。

中国历史上有脍炙人口的唐诗、宋词、元曲，欧洲文艺复兴则诞生了辉煌的文学、音乐建筑、雕塑，这些作品在数百年后仍被人赞颂。那么，AI新经济将会激荡出怎样的人文复兴？

AI视觉工具将成为绘画、雕塑及摄影艺术家们的得力助手，可以按照他们的指示创作、完善作品。AI文字工具可以辅助小说家、诗人、记者，为写作注入新的灵感。AI可以帮助教师批改作业和试卷，让教师把时间和精力节约出来，去设计崭新的课程课件，以此激发学生的好奇心、创造力，培养学生的批判性思维；可以帮助教师在课堂上传递标准化知识(信息)，让教师把更多的时间花在与学生进行个性化互动上，这样，他们才能成为AI时代的教育家。

来自"https://wiki.mbalib.com/wiki/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD"本条目对我有帮助708赏MBA智库APP

扫一扫，下载MBA智库APP

分享到：打开App温馨提示

复制该内容请前往MBA智库App

立即前往App 如果您认为本条目还有待完善，需要补充新内容或修改错误内容，请编辑条目或投诉举报。本条目相关文档（人工智能）人工智能9页（人工智能）之A人工智能11页（人工智能）人工智能习题10页（人工智能）人工智能复习8页（人工智能）人工智能报告6页（人工智能）人工智能试卷5页（人工智能）人工智能题6页（人工智能）初识人工智能11页（人工智能）人工智能习题9页（人工智能）人工智能教程答案39页更多相关文档本条目相关课程本条目由以下用户参与贡献Zfj3000,山林,Kane0135,18°@鷺島,AngleRoh,Vulture,Dan,Huluan,Cabbage,Yixi,KAER,y桑,Mis铭,Tracy,刘维燎,苏青荇,陈cc,上任鹅陈.

页面分类:信息技术

评论(共22条)提示:评论内容为网友针对条目"人工智能"展开的讨论，与本站观点立场无关。106.120.191.*在2014年2月13日17:15发表

未来已来

回复评论发表评论请文明上网，理性发言并遵守有关规定。113.142.17.*在2014年10月28日08:23发表

快些来吧

回复评论发表评论请文明上网，理性发言并遵守有关规定。1.9.106.*在2015年5月7日22:28发表

大革命

回复评论发表评论请文明上网，理性发言并遵守有关规定。111.115.70.*在2015年5月22日12:45发表

谢谢

回复评论发表评论请文明上网，理性发言并遵守有关规定。211.139.60.*在2015年6月22日14:59发表

恐怕需要大数据库才能实现

回复评论发表评论请文明上网，理性发言并遵守有关规定。113.200.204.*在2016年4月2日13:04发表211.139.60.*在2015年6月22日14:59发表

恐怕需要大数据库才能实现

恐怕智能设计才是重重之重外行人说自己的见解

回复评论发表评论请文明上网，理性发言并遵守有关规定。223.104.34.*在2017年5月2日11:40发表

14100725李文洁。人工智能将代替人的大脑进行思考，更符合人类的精神需求

回复评论发表评论请文明上网，理性发言并遵守有关规定。61.151.207.*在2017年11月26日13:23发表

其实别把人工智能想得那么复杂，无非就是让机器自动学习技能为人类工作罢了，要是机器太聪明了，人类就完蛋了！

回复评论发表评论请文明上网，理性发言并遵守有关规定。163.20.242.*在2017年12月28日11:02发表

++++9+9+5+68+65+/866

回复评论发表评论请文明上网，理性发言并遵守有关规定。192.168.1.*在2018年5月30日19:47发表

64664646

回复评论发表评论请文明上网，理性发言并遵守有关规定。皮皮(Talk|贡献)在2018年9月18日20:20发表61.151.207.*：回复评论发表评论请文明上网，理性发言并遵守有关规定。110.53.252.*在2019年2月23日09:37发表

32.15.26

回复评论发表评论请文明上网，理性发言并遵守有关规定。202.114.2.*在2019年7月4日20:44发表

人工智能到底是什么呢？机器？超人？

回复评论发表评论请文明上网，理性发言并遵守有关规定。114.222.228.*在2020年3月10日09:29发表202.114.2.*在2019年7月4日20:44发表

人工智能到底是什么呢？机器？超人？

人类创造的智慧

回复评论发表评论请文明上网，理性发言并遵守有关规定。61.174.212.*在2020年11月9日13:45发表113.200.204.*在2016年4月2日13:04发表

恐怕智能设计才是重重之重外行人说自己的见解

对呀，恐怕智能

回复评论发表评论请文明上网，理性发言并遵守有关规定。120.192.175.*在2021年9月17日14:56发表114.222.228.*在2020年3月10日09:29发表

人类创造的智慧

牛逼

回复评论发表评论请文明上网，理性发言并遵守有关规定。218.28.86.*在2021年10月14日11:48发表

未来可期

回复评论发表评论请文明上网，理性发言并遵守有关规定。61.153.247.*在2021年10月26日15:46发表

牛啊

回复评论发表评论请文明上网，理性发言并遵守有关规定。221.229.118.*在2021年11月1日18:23发表

。。。

回复评论发表评论请文明上网，理性发言并遵守有关规定。60.173.216.*在2021年11月30日14:16发表

科技越来越发达了。

回复评论发表评论请文明上网，理性发言并遵守有关规定。125.75.56.*在2022年5月11日11:15发表

人工智能是外星人

回复评论发表评论请文明上网，理性发言并遵守有关规定。223.90.41.*在2022年5月25日10:49发表

开好户

回复评论发表评论请文明上网，理性发言并遵守有关规定。发表评论请文明上网，理性发言并遵守有关规定。

人工智能的历史、现状和未来

如同蒸汽时代的蒸汽机、电气时代的发电机、信息时代的计算机和互联网，人工智能正成为推动人类进入智能时代的决定性力量。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷转型发展，抢滩布局人工智能创新生态。世界主要发达国家均把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，力图在国际科技竞争中掌握主导权。习近平总书记在十九届中央政治局第九次集体学习时深刻指出，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。错失一个机遇，就有可能错过整整一个时代。新一轮科技革命与产业变革已曙光可见，在这场关乎前途命运的大赛场上，我们必须抢抓机遇、奋起直追、力争超越。

概念与历程

了解人工智能向何处去，首先要知道人工智能从何处来。1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能（ArtificialIntelligence，简称AI）”这一概念，标志着人工智能学科的诞生。

人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。

人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段：

一是起步发展期：1956年—20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。

二是反思发展期：20世纪60年代—70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。

三是应用发展期：20世纪70年代初—80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。

四是低迷发展期：20世纪80年代中—90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。

五是稳步发展期：20世纪90年代中—2010年。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年国际商业机器公司（简称IBM）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。以上都是这一时期的标志性事件。

六是蓬勃发展期：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，泛在感知数据和图形处理器等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，大幅跨越了科学与应用之间的“技术鸿沟”，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实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。

现状与影响

对于人工智能的发展现状，社会上存在一些“炒作”。比如说，认为人工智能系统的智能水平即将全面超越人类水平、30年内机器人将统治世界、人类将成为人工智能的奴隶，等等。这些有意无意的“炒作”和错误认识会给人工智能的发展带来不利影响。因此，制定人工智能发展的战略、方针和政策，首先要准确把握人工智能技术和产业发展的现状。

趋势与展望

态势与思考

高度重视。党中央、国务院高度重视并大力支持发展人工智能。习近平总书记在党的十九大、2018年两院院士大会、全国网络安全和信息化工作会议、十九届中央政治局第九次集体学习等场合多次强调要加快推进新一代人工智能的发展。2017年7月，国务院发布《新一代人工智能发展规划》，将新一代人工智能放在国家战略层面进行部署，描绘了面向2030年的我国人工智能发展路线图，旨在构筑人工智能先发优势，把握新一轮科技革命战略主动。国家发改委、工信部、科技部、教育部等国家部委和北京、上海、广东、江苏、浙江等地方政府都推出了发展人工智能的鼓励政策。

当前是我国加强人工智能布局、收获人工智能红利、引领智能时代的重大历史机遇期，如何在人工智能蓬勃发展的浪潮中选择好中国路径、抢抓中国机遇、展现中国智慧等，需要深入思考。

树立理性务实的发展理念。任何事物的发展不可能一直处于高位，有高潮必有低谷，这是客观规律。实现机器在任意现实环境的自主智能和通用智能，仍然需要中长期理论和技术积累，并且人工智能对工业、交通、医疗等传统领域的渗透和融合是个长期过程，很难一蹴而就。因此，发展人工智能要充分考虑到人工智能技术的局限性，充分认识到人工智能重塑传统产业的长期性和艰巨性，理性分析人工智能发展需求，理性设定人工智能发展目标，理性选择人工智能发展路径，务实推进人工智能发展举措，只有这样才能确保人工智能健康可持续发展。

重视固本强基的原创研究。人工智能前沿基础理论是人工智能技术突破、行业革新、产业化推进的基石。面临发展的临界点，要想取得最终的话语权，必须在人工智能基础理论和前沿技术方面取得重大突破。我们要按照习近平总书记提出的支持科学家勇闯人工智能科技前沿“无人区”的要求，努力在人工智能发展方向和理论、方法、工具、系统等方面取得变革性、颠覆性突破，形成具有国际影响力的人工智能原创理论体系，为构建我国自主可控的人工智能技术创新生态提供领先跨越的理论支撑。

构建自主可控的创新生态。我国人工智能开源社区和技术创新生态布局相对滞后，技术平台建设力度有待加强。我们要以问题为导向，主攻关键核心技术，加快建立新一代人工智能关键共性技术体系，全面增强人工智能科技创新能力，确保人工智能关键核心技术牢牢掌握在自己手里。要着力防范人工智能时代“空心化”风险，系统布局并重点发展人工智能领域的“新核高基”：“新”指新型开放创新生态，如产学研融合等；“核”指核心关键技术与器件，如先进机器学习技术、鲁棒模式识别技术、低功耗智能计算芯片等；“高”指高端综合应用系统与平台，如机器学习软硬件平台、大型数据平台等；“基”指具有重大原创意义和技术带动性的基础理论与方法，如脑机接口、类脑智能等。同时，我们要重视人工智能技术标准的建设、产品性能与系统安全的测试。特别是我国在人工智能技术应用方面走在世界前列，在人工智能国际标准制定方面应当掌握话语权，并通过实施标准加速人工智能驱动经济社会转型升级的进程。

推动共担共享的全球治理。目前看，发达国家通过人工智能技术创新掌控了产业链上游资源，难以逾越的技术鸿沟和产业壁垒有可能进一步拉大发达国家和发展中国家的生产力发展水平差距。在发展中国家中，我国有望成为全球人工智能竞争中的领跑者，应布局构建开放共享、质优价廉、普惠全球的人工智能技术和应用平台，配合“一带一路”建设，让“智能红利”助推共建人类命运共同体。

（作者：中央人民政府驻香港特别行政区联络办公室副主任、中国科学院院士）

人工智能提速新材料发现 人工智能发现过程