路易斯·罗森伯格与「群体智能」
选自|Gigaom
编译|网易智能（smartman163）
参与|李擎
期号|《AI英雄》总第94期
与谷歌、Facebook等开发“传统意义上的人工智能”的技术不同，在UnanimousA.I.，科学家们利用人工智能来放大群体的智慧，而不是使用人工智能来代替人类。他们没有完全舍弃人类智慧，而是将人类与人工智能算法结合在一起，从而放大人类的智慧。UnanimousA.I.建立了一种蜂群思维，通过将人类连接到系统中来建立人工的群体智能。
路易斯·罗森伯格是UnanimousA.I.的首席执行官，他曾在斯坦福大学致力于研究机器人技术、虚拟现实、人机交互等。上世纪90年代，他为美国空军开发了第一个身临其境的增强现实系统，并且成立了虚拟现实和3D扫描仪公司MicroScribe。2018年，UnanimousA.I.在着名的SXSW创新奖中被授予“最佳人工智能和机器学习技术”。
什么是“群体智能”？
罗森伯格博士在研究过程中发现研究集体行为要比个体行为更有意思。就像自然界的鸟类和蜜蜂，鱼和蚂蚁，它们已经形成了自己的社会团体，并通过共同努力放大智力。这些小动物们能够使团体结合自己的见解，当解决问题和做决策时，就会超出个体的智慧。比如说，蜜蜂通过集体的智慧就蜂巢位置作出最佳决定。每只蜜蜂都有属于自己的“专职”工作，通过这种集体智慧，它们作出的最佳判断率高达80%。这种行为被称之为“群体智能”。
路易斯·罗森伯格认为群体智能是人们一直在研究的一种生物现象，生物学家从20世纪50年代开始就一直在研究。群体智能简单地说就是鸟类会成群结队，鱼和蜜蜂也会集结成群的原因——它们联合在一起会比单个个体更加聪明。它们的群体变得更智能的方式与人类不同。它们不通过电话交流，也不进行调查，而且动物中也不存在什么在线调查服务系统。生物群体变得更智能的方式是形成系统——一个能够进行反馈循环的实时系统。因此可以把它们看作是一种新兴的智能，群体比个体参与者更加智能。
路易斯·罗森伯格喜欢把人工群体智能或蜂群思维想象成多个大脑的聚合。这就是UnanimousA.I.主要关注的事情，“我们想要知道在人类如何能够做到这一点，尽管自然已经在几亿年的时间里证明了鸟类、蜜蜂和鱼类是如何做到的，以及它们是多么的强大。”
人工智能与群体智能
在讨论人工群体智能之前，让我们先花点时间来真正理解动物们在做什么。普通的蚂蚁并不聪明，即使是最聪明的蚂蚁也谈不上多么聪明，但蚂蚁群体表现出了相当智能的行为。它们可以做各种各样的事情，比如建造一个家，保护自己免受洪水的影响等等。这是一个惊人的过程。
在路易斯·罗森伯格看来，“智能”这个词可以被定义为一个系统，它接收关于世界的各种有噪声的输入，接着它会处理这个输入并用它来做决定、发表意见、解决问题；理想的情况下，这个系统是创造性的，能够随着时间的推移学习。因此，如果这是智能，我们有很多种方法可以建立一个人工智能，因为简单地说，建立人工智能就是去创造一个系统，它涉及到一些技术，这些技术可以适应部分或所有系统，接收有噪声的输入并使用它来做决定、提出意见、解决问题，并且这一系统能够随着时间的推移进行创造性的学习。
现在，在自然界中形成了两种创造智能的途径。其中一个途径是我们非常非常熟悉的，就是通过建立神经元系统。因此，在几亿年的时间里，大自然证明了，如果建立了这些神经元系统（我们称之为大脑），便可以获取关于这个世界的信息，并利用它来做决定、提出意见、解决问题，并且是有创造性地做，并随着时间的推移进行学习。但大自然也证明了，许多生物体——尤其是社会有机体——一旦建立了大脑，并形成了独立的机体之后，那么这些社会有机体就会进化出将大脑连接到系统的能力。因此，如果大脑是一个能够产生智能的神经元网络，自然界中的群体就是大脑形成的网络，这些大脑之间的联系非常紧密，以至于超级智能出现了。所谓超级智能，指的是大脑群体中的大脑比那些单独存在的大脑更聪明。这发生在了蚂蚁身上，发生在了蜜蜂身上，也发生了在鸟类和鱼类身上。
从蜜蜂身上学到群体智能
蜜蜂被认为是自然界中被研究的时间最长的群体智能。蜜蜂在进化过程中，它们首先形成了大脑，让它们可以处理信息，但是在某种程度上它们的大脑不能变大，大概是因为它们是飞行的动物，较小的大脑能够减轻飞行的负担。事实上，蜜蜂的大脑比一粒沙子还要小，其中只有不到一百万个神经元。我知道一百万个神经元听起来很多，但是人类有850亿个神经元。不管你有多聪明，把它除以85,000，这就是一只蜜蜂的智慧。
所以一只蜜蜂是一个非常非常简单的有机体，但是它们有非常困难的问题需要解决，就像人类也会遇到困难的问题一样。这也是关于蜜蜂被研究最多的一个问题——选择筑巢地点。在一个蜂巢内有1万只蜜蜂，并且随着蜜蜂数量的壮大，它们每年都需要一个新家。它们的筑巢地点可能是空树干里面的一个洞，也可能在建筑物某一侧。因此，蜜蜂群体需要找到合适的筑巢地点。这听起来好像很简单，但对于蜜蜂来说，这是一个关乎蜂群生死的决定。因此，对于蜜蜂的进化来说，它们选择的筑巢地点越好，对于物种的生存就会越有利。
为了解决这个问题，蜜蜂形成蜂群思维，或者说群体智能，而第一步就是它们需要收集关于周围世界的信息。因此，它们会先派出数百只侦察蜜蜂到外面约30平方英里的地方进行搜索，寻找它们可以筑巢的潜在地点。这是数据收集阶段。它们派出数百只蜜蜂到各个地点寻找潜在的住所，然后这些蜜蜂把信息带回蜂群，接下来就是最困难的部分：它们要做出决定，在找到的几十个潜在地点中挑选出最好的。这听起来很简单，但蜜蜂们非常挑剔。它们需要找到一个能满足一系列条件的新住所。那个新房子必须足够大，可以储存冬天所需的蜂蜜；它通风要足够好，这样它们在夏天就能保持凉爽；它需要能够隔热，以便在寒冷的夜晚保持温暖；它还需要保护蜜蜂不受雨水的影响，但也需要有充足的水源。当然，它也需要有良好的地理位置，接近好的花粉来源。
所以这是一个复杂的多变量问题。大脑比一粒沙子还小的蜜蜂不可能解决这个问题。事实上，一个正在研究这些数据的人会发现，人类去寻找这个多变量优化问题的最佳解决方案都是非常困难的。或者换成具有类似挑战性的人类的问题，比如为新工厂选取一个完美的地址，或者新产品的完美特性，或者开设新商店时选取完美的地点，这些问题都很难找到一个十全十美的解决方案。然而，生物学家的严谨研究表明，蜜蜂在80%的时间里都能够从所有可用的选项中选出最佳的解决方案。当它们没有选择最好的方案时，它们也选择了第二好的解决方案。这是很了不起的。通过作为一个群体智能一起工作，蜜蜂能够做出一个优化的决定，而比蜜蜂的大脑强大85,000倍的人脑，却很难做到这一点。
那么蜜蜂们是怎么做到的呢？它们形成了一个实时系统，在这个系统中，它们可以一起处理数据，并在最优解上汇聚在一起。然而它们是蜜蜂，那么它们是如何处理这些数据的呢？
这是大自然想出的绝妙办法。它们通过振动身体来实现这一过程。生物学家把这叫做“摇摆舞”，因为人类刚开始研究蜂巢的时候，他们看到这些蜜蜂在做一些看起来像是在跳舞的事情，它们在振动他们的身体。这些振动产生的信号代表它们是否支持某个特定的筑巢地点。成百上千的蜜蜂同时振动它们的身体时，基本上就是一个多维的选择问题。它们揣度每个决定，探索所有不同的选择，直到在某个解决方案中能够达成一致，而这几乎总是最优的解决方案。即便它不是最优解时，也会是次优解。所以基本上它们形成了这个实时系统，这些大脑可以聚集在一起，找到一个最优的解决方案，并且能够解决单个大脑无法解决的问题。这就是关于群体智能最著名的例子，当然我们也看到同样的过程发生在鸟群以及鱼群中，它们的群体智能大于个体。
智能技术的未来
要做到将人类聚集在一起并且发挥“群体智能”，UnanimousA.I.推出了UNU软件平台。在这个平台上，朋友、同事甚至是陌生人可以集合在一起，然后再以集体的形式回答问题。通过特定的技术，将这些答案汇总在一起，做出最为正确的预测。
整个预测过程是这样的：研究人员向群体提出问题，参与者在限定的时间内（30秒或1分钟）将自己认定的答案拖到活动参与界面中的圆圈内，每个人的答案都会稍稍改变这个圆圈的走向，另外一个关键是所有人都可以改变和切换自己的选择，通过观察圆圈的走向，以及不断地和群体协商，最终取得共识。
此前，霍金和马斯克都发出警告：人工智能会毁灭人类。在2014年路易斯·罗森伯格也发布了反乌托邦图解小说“MonkeyRoom”。这是一个关于人工智能的警示故事，探讨了人工智能的黑暗面。
但是UnanimousA.I.公司开发出的这种“群体智能”技术，却比我们自己更智慧，同时也能融入人类的价值观和感情。
或许，这将是人工智能未来可能走的另外一条路，并且，不会毁灭人类。
关注网易智能公众号（smartman163），为你解读AI领域大公司大事件，新观点新应用。
人工群体智能是否可能
这里，凯利所描述的不仅是单个作为有机体的一只蜜蜂，而是由成千上万只蜜蜂所组成的“超级有机体”所表现出来的智慧。这个超级有机体是由蜂后、工蜂和雄蜂组成一个庞大的整体，该整体拥有其组成部分所没有的特征。例如，平均一只蜜蜂的记忆时间是6天，而作为整体蜂群的记忆时间可达到3个月(是蜜蜂平均寿命的2倍)。
在凯利看来，这种“蜂群思维”的神奇之处就在于，尽管没有一只蜜蜂承担着行动首领的角色，但是在这个群体中好像有一只非匀质的、看不见的手，引领着整个群体的行动。当大量“愚钝”的蜜蜂成员聚集在一起的时候，就涌现出了一个超级有机体。这个超级有机体所蕴含着的神奇力量潜藏在个体的蜜蜂之中，但是当你用最先进的设备来检测一只蜜蜂的时候，却无法找出蜂群所拥有的特征。
其实，在自然界中，涌现的群体智能无处不在。如果你曾经有机会观察蚁群，就会发现它们在没有上级指挥的情形下，建造出复杂的洞穴、组织搬家或者进行大规模的行军。尽管单个的蚂蚁的表现常常不知所措，但是聚集的蚁群却能够对环境中的问题产生快速有效的解决方案。即便有40万只蚂蚁聚集在一起，它们也能够无需管理而正常运作。这种神奇的集体合作能力，令最了解他们的生物学家也惊叹不已!单个的个体体内有什么特质是我们无法观测到的?或者说这个超级有机体如何通过聚集低层级的存在而涌现出高层级的复杂性?
绝大多数生物学家主张，我们应当通过对个体行动模式的探究来理解更高层级的群体模式。长期以来，这种将群体行为还原为个体智能的研究方法成为当时研究“蜂群思维”的最佳进路。直到21世纪初，美国著名昆虫学家惠勒(W.Wheeler)开始注意到生物群体中通过有限的个体行动涌现出来的作为一个更高级有机体的集体行动特征。
惠勒写道：“无论从哪个重要且科学的层面来看，昆虫群体都不仅仅是类似于有机体，它就是一个有机体……就像一个细胞或者一个人，它表现为一个一元整体，在空间中保持自己的特性以抗拒解体……既不是一种事物，也不是一个概念，而是一种持续的波涌或进程。”1在惠勒看来，蜂群并不仅仅是独立蜜蜂个体的简单聚合。对于蜂群来说，作出行动决定的是集体而不是单只蜜蜂，没有哪只蜜蜂对其他蜜蜂发号施令。这是一种“自下而上”(bottom-up)的群体智能涌现方式——所有的蜜蜂都通过简单的规则以及彼此间简单的互动来决定下一步的行动并最终导向复杂的行动。
三人工群体智能：对集体脑的模拟
近年来，越来越多的人工智能学家开始关注自然界“蜂群思维”的涌现方式。他们意识到，当蜜蜂聚集在一起的时候，实际上形成了一个可以共同处理数据并作出最优选择的实时系统。它们首先要做的就是收集足够多的关于周围环境的信息。几十只甚至上百只蜜蜂在对可能安置蜂巢的地点进行查探并收集完信息后带回蜂群。而前文凯利在描述中所说的蜜蜂的“舞蹈”实际上就是通过震动产生信号的过程。当多只蜜蜂通过震动身体而产生不同信号的时候，便提供了多个可供选择的问题解决方案。这是一种包含着大量冲突变量的复杂的决策机制。最终，当它们从多个问题解决方案中达成一致的时候，最优的问题解决方案也就形成了。
由此可见，蜜蜂间的相互作用并非简单的线性叠加，而是复杂的非线性动态迭代。尽管它们不具备复杂的逻辑推理和综合判断的思维能力，但是通过个体间的简单合作以及自组织，却能涌现出高于个体之和的复杂系统所具有的强大群体智能。在鸟群和鱼群中，我们同样能够发现相似的群体智能。受到生物群体智能的启发，人工智能学家霍兰德(J.Holland)对智能系统以及生物的自适性机制进行了详细阐释，并提出了自下而上的群体智能的可能算法。2
例如，在电影《蝙蝠侠归来》的制作中，需要用电脑制作出一大群蝙蝠如黑旋风般穿过纽约市中心的情景。计算机专家先让动画制作人员设计一只扇动翅膀的蝙蝠。而后，又复制了几百只这样的蝙蝠。接着，他们将几百只蝙蝠的图像放置在纽约街道的市集场景中，并为蝙蝠的运动算法植入了两条简单的规则：
(1)在靠近群体中心的同时避免与其他蝙蝠相撞；
(2)尽量使自己的飞行速度与周围的蝙蝠保持一致。
当这些根据简单算法所生成的人工蝙蝠图像在银幕上飞行的时候，就像成千上万只真的蝙蝠聚集成一股移动着的黑色的风暴，成群地涌向纽约街头，不受任何人控制。这种自下而上的群体智能算法，不同于自上而下的算法。因为它不需要为系统设置一个分层有序的中央框架结构，而是通过单个智能体相互传递一些简单的信号直接产生受控制的特定行为。这样，这些智能体就无须通过生成与当下环境和任务无关的内部表征模型，或进行复杂的计算和推理，而产生低计算成本的、灵活的智能行为。
随着研究的深入，人工智能界又诞生了蚁群优化算法、粒子群优化算法和鱼群算法等群体智能算法的思路。这些算法通常要求单个智能体能够在不断变化着的、不完整的甚至是相互矛盾的信息环境中行动并发挥作用。例如，蚁群优化算法利用信息激素对单个智能体的行动进行引导，最优的方案就是具有最强信息刺激的路径；粒子群优化算法中，单个智能体需要通过与其他智能体的协作并根据全局最优方向、局部最优方向以及当前最优方向做出的权衡结果来行动。尽管具体思路不尽相同，不过这些算法仍然共享了一些基本特征。例如，通过并行编程的方式，提高整个群体算法的求解能力，或者通过群体智能算法反复迭代的概率性搜索方式，获取最佳方案的近似解等等。
近年来，人工群体智能研究目标从群体生物行为模型的研究进一步拓展到将人类智能与智能机器相融合的思路上。这种人机物共荣共赢的思想为人工群体智能研究注入了新的活力。所谓人机物融合的智能就是通过互联网并结合大数据计算、通信、人工智能等技术将智能融入物与人之间实现协同计算。例如，为了达到放大人类智能的目的，美国UnanimousAI公司通过连接网络用户群建立了一个人工群体智能的在线平台——UNU。这些网络用户群是真实世界中的自然人群。在UNU平台中，他们根据实时的系统信息来作出个人选择或提出个人意见，而后系统再将这些答案汇总在一起，最终以集体的形式确定他们认为最正确的预测。
具体地说，这个人工群体平台系统的工作流程为：研究人员向UNU平台中的参与者提出问题，参与者必须在给定的时间(如，30秒内)将自己认为的最佳选择拉入一个圆圈中。参与者通过感知系统数据并形成反馈，建立起参与群体、系统和互联网之间的环路。这种群体计算和动态感知构成了一种大规模的分布式计算模式。一方面，每一个参与者的选择都会影响圆圈的走向；另一方面，每一个参与者能够根据系统中圆圈的走向，及时进行沟通、调整自己的选择，同时系统对群体提供的数据进行计算和处理，并最终形成最佳选择方案。
事实证明，这个人工群体智能平台显示了惊人的预测能力。例如，UNU曾对一场赛马比赛的结果进行预测。网络用户群通过集体选择锁定了20匹赛马中的4匹，而后又对这4匹马的排名进行预测。一周以后的比赛结果表明，UNU对包括冠亚军在内的4匹胜出马匹的预测完全正确，超过了以往惯用的全体投票等群体智能手段。
对于这种最新的群体智能技术的发展，专家们众说纷纭。不少研究者认为这种涌现式的人工群体智能形式超越了个体的智能水平以及自然人组成的专家群集体智慧，对通用人工智能目标的实现有着重要的科学意义；但也有不少研究者提出，人工群体智能的研究还主要集中在对数据处理方式的优化上，对复杂世界中群体智能形成的文化、伦理和规范等问题还缺乏认识，并且可能存在着侵犯参与者隐私的问题等。
对这些问题的探讨极为迫切，但接下来我们将聚焦于人工群体智能与人类群体智能本质之间可能存在的差异。人工群体智能技术到底在何种意义上以及在多大程度上对人类群体中个体间相互联结的方式进行了模拟?集体智能与行动以及个体间理解的达成是否能够被还原为人机物协同计算的过程?对于这些问题的探讨，不仅涉及单纯的人工智能领域的内部问题，还涉及更深层次的认识论问题。
四社会交互：信息协同还是相互规定?
如前所述，人工智能学家们试图用神经网络建模来模拟大脑，用生物进化机制来提升机器的智能。他们将自治体的方法论与神经网络的模型结合起来，形成了当代人工智能研究中最令人兴奋的、最具开拓性的研究成果——人工群体智能。从本质上说，人工群体智能技术是一种以计算—表征为核心的问题求解模型。这种技术基于种群算法，将人工群体看作是一个由一些准独立的子系统所构成的更大的系统。人工子系统通过彼此间传递信号以及感知整个系统的事件流变化进一步调整自身的行动与决策，同时增加整个系统的开放性。整个模型的核心在于人工智能体间交互的内容——即信息。单个智能体所拥有的信息以及智能体间的信息动态交互，对整个系统的处理结果具有重要的影响。换言之，整个系统所表现出来的思维能力和预测结果极大地依赖于系统对大规模信息的传输、计算以及处理。
从这个意义上说，在人工群体智能技术中，交互就是智能体间经由不同通道进行信息交换的过程。系统关注每一个智能体对接收到的信息的反馈，并由此将这些反馈分解成可测量的信息单元。一个智能体(作为信息发出者)将信息转译为信号并将它传递给另一个能够对这些转译了的信号作出恰当回应的智能体(作为信息的接受者)。
在此意义上，交互过程就好像计算机或传真机之间的信息传递，是个体所发送或接收信息离散事件状态的过程。这种以“信息处理”为核心的交互模型最早由香农(C.E.Shannon)提出。31948年，在著名的论文《交流的数学模型》中，香农提出：我们能够通过将声音和图像转换成二进制串的方法，在信息发送的过程中对信息进行编码。这种观点很快受到了人工智能专家的极大关注，因为它能够很好地与心智的计算隐喻相融。
不过这种以信息为核心的模型受到了不少学者的批判。例如，吉布斯(R.W.Gibbs)认为这种模型忽略了这样一个基本的问题——意义如何能够根植于我们的日常经验。或者说，有意义的符号如何能够与真实世界中的具身性和指称对象相连。4蒙科(A.Monk)认为这种模型无法为我们提供完整的个体交互图景，因为它忽略了语言运用的社会维度。5在实际的交流情境中，个体的语言组织和运用往往会出现句法错误、表述不精确或者同语反复等情况，但是在人工群体交流中所运用的信息却是有明确定义的准确编码。因此，如果一种计算模型仅关注信息发出者和接受者之间信息传递过程，那么这将是对现实生活中个体间交互过程过于简单(甚至是错误)的模拟。
当然，人工群体智能技术比上述老式的计算模型走得更远。在新兴的人工群体智能系统中，每个参与者都积极地参与系统的信息处理过程，通过对系统信息的感知以及与其他个体的简单交流，及时更新或调整自身的选择并最终令整个系统涌现出高于个体之和的群体智能类型。在此系统中，交互过程的本质在于：个体能够依据群体中其他个体的信息来实时调整自身信息。也就是说，尽管这是一个开放、非线性的动态交互群体(如UNU)，但是如何快速有效地获得大规模的信息是整个系统框架的核心。换言之，系统的核心仍旧在于信息。
然而，在真实世界中，个体之间的交互的核心在于：个体间持续地进行彼此规定和耦合。这种耦合并非以个体间的信息聚合、交换以及协同为目的，也不是一个将符号化的规则和算法运用到问题解决中去的过程，而是通过与其他个体在行动、语言、情绪等具身性的交互，以一种动力学方式与其他个体密切相连并达至具身性理解的过程。个体通过熟练的身体活动对情境中的其他个体和问题作出富有情感的回应，并利用因为其他个体的在场而产生的“联合知觉”知识来获取与行动目标相关的信息。
福克斯(T.Fuchs)和蒂亚戈(H.DeJaegher)强调6，个体间(主要指自我与他者)的交互过程主要是一种双向的协调过程，意味着两个系统之间相互定义、相互规范并基于动态的交互而达到某种一致性/联合性。在交互过程中，尽管个体双方都积极地参与到交互的反馈和前反馈环路中起到对对象的引导和调节作用，但是任何一方都无法对由两个个体共同构成的整体的交互过程进行掌控。这种耦合和参与式的特征构成了社会交互过程的重要特征。
沿着福克斯和蒂亚戈的思路，我们将个体间的“交互”过程定义为：两个或两个以上的个体参与到共同—规定的耦合过程中；这种共同—规定的过程在不破坏个体自治性的同时，构成了个体自我身份维系的重要部分。这种对交互过程的定义以具身性的认知观念为基础，将交互过程看作是一个具身的、依赖情境的动态过程。需要特别指出的是，在此框架内所蕴含着的自我和他者的关系也与人工群体智能框架中的个体间关系截然不同。
在对哈贝马斯的交互理论进行诠释的过程中，本哈比(S.Benhabib)将哈贝马斯的理论看作是一种对称性理论。她认为自我和他者应当处于一种对称的个体关系之中，这种道德的交互性令自我和他者之间的“角色互换”成为可能。因为在哈贝马斯和本哈比看来，自我和他者交往的基础在于自我和他者之间的共性而非差异。在交互的过程中，参与者应该“抛弃”自身特定的经验、视角和情感而关注那些共同遵守的道德的和社会的规范。
但是，本哈比认为哈贝马斯所描述的交往形式过于单一了，因为他并没有把实践的多元性纳入交往理论。在本哈比看来，其中的原因在于：哈贝马斯交往理论中的他者是一个“普遍化的他者”(thegeneralizedother)，这样的他者是从情境和社会关系中抽象出来的理性的他者；而在实际交互过程中，我们面对的则是一个“具体的他者”(theconcreteother)，这样的他者是拥有特定的历史、情感和身份的独特个体。7因此，在与具体的他者进行交互的过程中，主体双方不仅以遵循一些基本的平等、互惠准则为前提，还需要承认并尊重他者的个性与不同。
沿着本哈比的论证，杨(I.Young)进一步提出，个体间的交互应当是“非对称性的”自我与他者的关系8。将自己置于他者的境地去思考他者可能会怎么样的做法可能导致“误解”，自我与他者恰恰是通过彼此的差异与不同而达至理解的——认识到个体间的非对称性，并且“跳出”自身去接纳对同一个事件不同的看法和观点。
从这个意义上说，交互是一个创造性的过程：他者提出自己的观点，我对这种观点的理解并不是因为它与给定的范式相一致而是因为我是开放的，“你的观点和立场部分地是由我们对彼此的观点而建构的。在很大程度上，我们是谁是由我们与他者的关系以及我们与他者过去的经历建构的。因此，在特定的情境中，我们的观点部分地是我们关于他者对我们观点的经验的结果”。8
因此，交互作为一个个体间进行共同—规定的耦合过程，他者为我们提供了与我的经验相关但又超越我自身经验的关于情境和行动的新的视角和样式。在杨看来，正是在这样一种非对称性的认识论关系中，我们与他者相遇、进行交流……主体双方都意识到这样一种“非对称性并对他者的理解保持开放的状态”。8这意味着，交互的一个前提就是我们承认主体间的差异与不同。尽管没有明述，但是我们都能够意识到彼此有自己的历史、情感和心智状态。从这个意义上说，我们不可能通过“设身处地”“感同身受”去理解他者的行动和思维。通过主体间多形式的交互，我们能够在一定程度上理解他者的行动、意图或情绪，但是这种理解不可能是充分和完整的。
这种共同参与、相互规定的社会过程在维系并塑造了个体的自治性的同时，形成了“复数”(plurality)的“我”对他者和世界的理解——群体智能。与人工群体之间的交互不同，自然个体间的耦合过程往往不是同步的，失败的协调经历或者出现的不协调不断地促使个体间对已有的交互模式进行维护或重启。
五结语
人工群体智能是把群体智能视为一个超级集体脑的认知系统进行信息聚合的产物。一方面，这是一个以信息为核心的、自给自足的、脱离真实情境的系统；另一方面，人工智能体间尽管相互演化、相互作用，但是这种作用是通过符号的输入—输出而实现的。因此，在人工智能体的交互过程中，智能体之间的关系以及智能体与周围情境之间的联结是隐匿且无足轻重的。
同时，人工群体中的个体也是“虚拟”化了的个体，个体的身份认同与自我意识并不重要。单个智能体存在的核心意义在于信息承载，它们扮演了群体系统中信息介质的角色。例如，在UNU平台中，尽管其人工群体是来自真实世界中的自然人群，但是在运行的过程中，自然个体对真实世界的感知和联系在一定程度上被切断了，并被切换成虚拟系统中的一个信息化了的存在形态。
然而，对于自然个体间的交互来说，个体间持续的相互规定和耦合以及个体与其他个体在周围情境中的共生共存则恰恰是解决问题的重要维度。换言之，自然个体间的交互具有“承载性”(affordance)的特征。这种承载的特征表明了，交互过程不仅仅蕴涵了具体情境中稳定的客观性特征，更意味着个体通过交互离开私人的领域走进社会或群体的领域。
在个体走向群体并最终与其他个体共同产生群体智能的过程中，个体的身份认同与意识经验不但与群体的身份和意识经验共存，而且不断得到拓展。在这个过程中，自然个体的内部(心智)与外部(大脑与身体)是耦合的；同时，个体与周围环境也是耦合的。这是一个内部与外部、个体与个体及世界连续统一的过程。
除此之外，自然群体中个体间连续统一的交互过程还体现了交互行动所具有基本的认识作用，即共同的意义—建构。系统中的每一个个体都共享着某种意向，例如，共同采取某个行动或共同解决某个问题。个体以在行动中得到表达的意向为前提，积极参与到与其他个体的耦合过程中，并由此建构“我们”(复数的“我”)关于世界的意义。在不同的时间、不同的情境中，个体间的合作方式并不局限于某一种特定的联结方式，而是灵活地产生嵌入情境的不同的结构特征。甚至，对于不同年龄阶段的群体合作来说，也具有不同的结构特征。
综上所述，人工群体智能技术是以互联网与信息为基础，通过大量独立个体共同作用所产生的超越个体智能局限性的群体智能类型。然而，正如哈贝马斯所说：“社会概念必须与生活世界概念联系在一起，而生活世界概念又与交往行为概念形成互补关系。因此，交往行为主要是一种社会化原则。”9这种以信息为核心的人工个体间的交互与以共同意义建构为核心的自然个体间的交互之间仍然存在着一些重要的区别。
人工群体智能技术的发展为当代社会认知的研究开辟了一个新的领域。在人工群体中，由于交互是以匿名和信息的方式进行的，个体间交互的效率、自由度以及开放程度得到了极大的提升。对人工群体智能的研究不但对于深化人工智能的研究有着重要的推动作用，而且对于我们从哲学上解释社会认知现象也有着非同一般的意义。尽管这种新的技术未能帮助我们完全解释群体智能现象之谜，但是它为我们拓展了哲学讨论的范畴和方法论。同时，人工群体智能技术中蕴含着的新问题，例如身心问题、虚拟自由与现实规范的问题以及复杂的信息安全问题等，不但是人工智能发展亟待解决的问题，同时也为社会认知理论向纵深发展提供了新的视角。
注释
1(2)[美]凯利：《失控》，张行舟等译，北京：电子工业出版社，2017年，第12—13页；第13页。
2(3)JohnHolland，“Outlineforalogicaltheoryofadaptivesystem”，JournaloftheACM，1962(9)，pp.297-314.
3(4)ClaudeElwoodShannon，“Amathematicaltheoryofcommunication”，BellSystemTechnicalJournal，1948(27)，pp.379-423.
4(5)RaymondGibbs，EmbodimentandCognitiveScience，Oxford：OxfordUniversityPress，2005.
5(6)AndrewMonk，“Commongroundinelectronicallymediatedcommunication：Clark’stheoryoflanguageuse”，inJ.M.Carroll(eds.)，HCIModels，Theories，andFrameworks：TowardaMultidisciplinaryScience，CA：MorganKaufmann，2003.
6(7)ThomasFuchs&HanneDeJaegher，“Enactiveintersubjectivity：Participatorysense-makingandmutualincorporation”，PhenomenologyandCognitiveSciences，2009(8)，pp.465-486.
7(8)SeylaBenhabib，SituatingtheSelf，NewYork：Routledge，1991.
8(9)IrisYoung，“Asymmetricalreciprocity：onmoralrespect，wonder，andenlargedthought”，Constellations，1997(3)，p.348；p.349；p.354.
9(10)[德]哈贝马斯：《交往行为理论(第一卷)》，上海：上海人民出版社，2004年，第320页。返回搜狐，查看更多
人工智能时代，真的不能为文科生分一杯羹吗
如图所示，2017年中国普通本科招生人数中，工科门类招生人数几乎是历史、农学、法学、教育学、经济和理学医学之和。占比高达三分之一。
据麦可思研究院：《2019年中国大学生就业报告》(就业蓝皮书)就2018年平均月收入较高的本科专进行了调查统计。2018届本科毕业生平均月收入最高的专业是信息安全(6972元)，其次是软件工程(6733元)。排名前20的专业中，只有“法语”一门人文社科专业。
人文社科专业多数都不具备强应用性。大学教育与市场需求存在脱节。受供需比影响，大学中的文科专业屡屡亮出“红灯”预警。
据专业数据机构调查，历史学、音乐表演、法学连续三届红牌。失业量大，就业率、薪资和就业满意度综合较低。
“劝人学法，千刀万剐”，在就业率面前不无道理。同样是九年义务教育，凭什么隔壁计算机学院的却一路绿灯，一个个出厂年薪6位数?
人文学科是关于人社会性的思辨，而在劳动价值的驱使下，技术和功能上无法让人获得“即时满足”的人文专业，终是逃不开“低薪”的捆绑。
受市场驱动，文科工资低，就业率差成普遍现状，也是“人文学科”人才焦虑的源头。
人工智能时代，对技术和应用型人才的“砸钱”式需求，真的不能为文科生分一杯羹吗？文科生从事人工智能领域，是痴人说梦吗？首先我们通过人工智能时代的布局方向一探究竟。
潘云鹤院士：AI2.0时代的五个布局方向
中国工程院院士、中国工程院原常务副院长潘云鹤认为在人工智能正在走向2.0时代，这也是人工智能发展的重要转折关头。潘云鹤指出，中国新一代AI的重点方向将从数据智能、群体智能、跨媒体智能、人机混合的增强智能和自主智能系统五方面进行。
在数据智能方面，AlphaGo让大家看到了大数据应用最好的便是深度学习。但是深度学习还有是否可解释，是否能够更加通用的问题。“如果把深度学习和人工智能其它技术结合起来，我们可能会使大数据中的智能走向更高的水平。”潘云鹤认为。
在五项重点发展方向中跨媒体智能发展能带来更大的想象空间。跨媒体智能将研究跨媒体，跨传感器间的各种感知学习、推理，并且把它和语言、文字的语义打通。这样研究者就可以对语言、视觉、图形、听觉，和各种各样传感器所传达出来的数据进行语义相通相融，从而能够使得智能安全、创新设计、计算机具有更好的创新能力。
具体来看，在大数据智能方向，它着重要解决从数据到知识，到智能中间可解释性的问题，可通用性的问题。为此，它要很好的解决CPH三元空间中知识表达的新体系和新方法。CPH就是信息空间、物理空间和人类社会空间，这三元空间之间会形成很多新的信息交互方式。因此需要把数据驱动的方式和知识引导的方式结合起来，形成人工智能新的更加有效的技术。从而在智能医疗、智能经济和社会治理方面有更大的应用。
第二个方向，群体智能。它将研究在互联网中，群体智能是怎么进行组织的，是怎么进行接力的，用什么方法鼓励大家一起来参与的。在参与过程中，彼此之间怎么进行协同，整个群体怎么演化为更加正确的方向和更加正确的行为。在这个过程中，群体中每一个个体之间怎么能互相学习，互相感知，这些都需要建立新的理论和新的技术。一旦建立了，将在科研、经济、商业和其它领域中有非常大的实用前途。它可以用于众创科研、分享交通、智慧医疗。
第三个方向，跨媒体智能。它将研究跨媒体，跨传感器的各种感知学习、推理，并且把它和语言、文字的语义打通。这样我们就可以对语言、视觉、图形、听觉，和各种各样传感器所传达出来的数据进行语义相通相融，从而能够使得智能安全、创新设计、计算机具有更好的创新能力，希望在人工智能2.0阶段解决计算机的创新能力。
第四个方向，人机混合增强智能。之所以希望人机混合形成强大的交互系统，形成增强智能。研究脑机协同的环境，它的交互方式，它的学习方式，动作控制方式，从而在脑控机器人和很多自主智能体之间协同。
第五个方向，自主智能系统。研究环境的感知，自身的感知，不同个体之间的协同，行为的规划，行为的决策和各种各样行为执行的理论模型和方法，用于无人车、无人机、服务机器人、空间机器人、海洋机器人、无人车间、智能工厂。不但要模拟人，而且要模拟整个系统如何进行运行。
文科生在人工智能时代可能更受欢迎？
此前，李开复老师说了一句话：“在人工智能时代，文科生终于熬到了扬眉吐气的时候了。”那么在人工智能时代，文科生有哪些优势会被放大呢？
《不会被机器替代的人》作者杰夫·科尔文预言：在未来，我们获取成功所必需的技能，不再是技术性的、通过课堂传授获得的左脑型技能，尽管在以往的经济发展中，工人的确需要掌握这些技能。相反，在强大的驱动力之下，我们彼此互助共同完成任务，人类的优势来自深层、根本的人类技能——同理心、创造力、社会敏感性、讲述故事、幽默、建立人际关系，以及比逻辑叙述更强有力地自我表达。这些恰巧是文科生的优势。
1、右脑胜过左脑
《不会被机器替代的人》作者杰夫·科尔文预言：在未来，我们获取成功所必需的技能，不再是技术性的、通过课堂传授获得的左脑型技能，尽管在以往的经济发展中，工人的确需要掌握这些技能。相反，在强大的驱动力之下，我们彼此互助共同完成任务，人类的优势来自深层、根本的人类技能——同理心、创造力、社会敏感性、讲述故事、幽默、建立人际关系，以及比逻辑叙述更强有力地自我表达。这些恰巧是文科生的优势。
2、人际交往技能比专业技能更重要
人有一种偏见，喜欢过高评价“人与人面对面交往”这个行为，而对抽象数据不怎么买账。这是可以理解的，人本质上是个社交动物。
这个偏见，在人工智能时代给人类留下了一个工作机会。人工智能再怎么发达，我们还是要求：
最重要的决定是由人做出的。如果某国要对其他国家宣战，我们要求这个命令是人下达的，在这个问题上我们不可能听从人工智能的指挥，我们不可能把核按钮交给人工智能。人说了算，不能让机器说了算。
我们的价值标准一直在变，喜欢什么想要什么，想法随时都在变，我们无法给人工智能一个清晰的目标，所以有些事儿还是让人自己解决比较好——因为我们有时候自己都不知道要“解决”的是什么。
也是最重要的一点，我们更愿意跟人打交道。因此，最好的办法就是表现出“人味儿”。
从这个角度想，“理工男”可就有危机了，未来也许是“文科生”的天下。美国有一些调研表明，从2000年开始，工程师们在日常工作中所需要消耗的实际脑力，就已经开始下降了。可能自动化程度越来越高，那么工程师的活就越来越简单——也就是越来越不值钱。
《不会被机器替代的人》中有个相当极端的例子。说美国西南航空公司花重金，从众多申请者中聘请了一位技术特别过硬的IT工程师。这人来了以后就把自己关在办公室里干活也不出来跟人聊天。结果主管就问他你怎么不聊天啊？这人说我爱钻研技术不爱聊天。主管说我们西南航空的企业文化就是聊天，然后把他解雇了。
可见，不爱社交的IT男不是好同事。
3、课外实践重于课堂学习
哈佛商学院让一年级的学生走出课堂，参加团队实践。每个团队选择新兴市场上的一个公司。例如，中国的联想公司或者越南资本银行，开展公司提出的一个真实项目，例如，开发一种新的金融服务，以吸引那些从没有开过银行账户的人，或者开辟一条新的家庭用户线。在校园里设计好方案后，团队于元月份进入市场，花费八天的时间进行市场研究，然后，向公司最高管理层报告他们的建议。
学生返校以后，他们的工作不仅强度增加了，而且更加个性化了。根据学校要求，每个团队在10周内，用学校提供的3000元启动金创办一个自己的公司。每年有150个团队，就会创办150个有限责任公司，产生150个商业构想，包括男士优质内衣、为语言辅导教师和世界各地的学生提供联系服务、印度莎丽租赁服务以及其他五花八门的构想。
对于商学院的学生而言，学习资本资产定价模型依然很重要，但是，继续呆在教室里学习模型，对他们已经没什么意义。因为，虽然他们在教室里相互间的物理距离很近，却几乎没有什么交往。
我们可以把商学院的经验总结为：如果独自工作效果更好，就不要和其他人一起耗费时间。如果你花时间和其他人在一起，就要最大限度地利用它。聚集在教室里学习公司财务知识，已经不再能实现个人时间效益的最大化。
4、感性优于理性
全球各地数十所医学院鼓励或要求学生阅读小说，因为它有助于培养学生的社会交往技能。
纽约大学医学院的医学人文学项目报告中有这样的陈述，阅读小说有助于“发展和培养观察、分析、同理心、自我反思等医疗保健业最基本的技能”。当然，受益的不仅是医学院的学生，研究表明，阅读文学小说能够普遍提高读者的同理心。阅读非小说则不会有这种功能。文学小说人物更复杂，其行为更易受内心驱动，阅读这类小说可以使读者更敏锐地察觉他人的所思所想，这是一种为数不多的通过独自活动提高人际技能的方法。
这类研究为人文学专业的学生提供了新的希望。虽然，我们知道薪酬最高的大学专业几乎全部是工程专业，然而，在新兴职业领域，人文学所培养的能力恰恰是经济体中越来越受重视的能力。这并不是因为，对人文学的理解能够帮助科学技术人员创造出更好、更便利、更吸引人的科技，虽然，从同理心角度来说的确应该如此。这是史蒂夫·乔布斯最喜爱的主题之一——他在俄勒冈州波特兰市知名文理学院里德学院接受的教育，这直接影响了苹果产品超凡的外观、质感以及体验。所以，乔布斯给儿子起名为里德。
文科生的机会：跨学科学习，你愿意吗？
清华大学的自动化系、计算机科学与技术系、电子工程系、软件学院都是研究人工智能的本科起点院系，而说起软件学院，不得不提刘云浩教授。
本科毕业后，他“觉得外交官酷”，就去学了同声传译，拿到文学硕士学位。硕士毕业后，他又选择了从政，不到30岁就成为当时国家邮电部最年轻的处长。而立之年，他却选择出国去美国密西根州立大学留学，仅三年多就拿下计算机硕士和博士，成为该系历史上毕业第二快的博士。博士毕业，他在香港科技大学当老师。最后，他回到清华任教，并成为软件学院院长。
这样一段传奇人生，恰好是跨学科学习的典范。理工、商业、文史、外语……各个领域都被刘教授刷了一遍，还是开了挂地刷。
而人工智能领域，却是最需要这种有跨学科学习能力，也愿意跨学科学习的人才的。“人工智能+”越来越重要，就比如AI+教育领域，如果你只懂AI，那你就做不出真正解决老师痛点的产品，如果你只懂教育，也不知道该用什么样的技术，解决学生学习过程中的困难。只有既懂AI又懂教育的复合型人才，才能真正推动这个领域的发展。
虽然你学的是人工智能专业，可是如果你不愿意跨学科学习，日后也无法走得长远，那还不如一开始就不要读这个专业。
此外，中文系不只是春花秋月，也有科学系统且偏向实践的门类研究——语言学。语言学是对人类语言本质的研究。既可以研究语言符号的形式结构和社会学意义，又可以研究其生物学本质和起源。以北京大学的计算语言专业的课程体系为例：
从语言、认知和计算三个方面对语言各个层面的计算进行研究。既有词法、句法、语义、篇章结构等层面的语言规律研究，又有技术实践和数据挖掘的实践课程。
此专业的研究生是摇身一变为人工智能大佬的最佳契机。语言是人类思维的表现形式。也是实现人与计算机之间有效通信的通用途径。于是用计算机来处理、理解以及运用人类语言就成了目前驾驭和实现人工智能的重中之重。
在这个领域缺少技能过硬的算法工程师，更缺少精通语言学的计算语言专家。这就要求“文”科班出身的同学，自我驱动，首先不要丢掉数学概率和统计算法，至少掌握一门编程语言同时学习机器学习的数据结构和算法。
如果有转行计算机领域的打算，可以在本科低年级进行相关专业课程的辅修。寒暑假可以申请其他海内外高校的交换项目;或者在线上线下参加相关的训练营课程培训。从0到1锻炼计算机的编程基础和运用能力。
此外据南京师范大学文学院语言学及应用语言学副教授李斌博士的博客介绍、目前国内有部分高校有开设计算语言学本科专业，如北大、鲁东大学和南京师范大学。
人工智能专业学什么，学校有哪些？
人工智能专业旨在培养中国人工智能产业的应用型人才，推动人工智能一级学科建设。2018年4月，研究设立人工智能专业，进一步完善中国高校人工智能学科体系。
1、人工智能专业课程
人工智能专业的主要领域是：机器学习人工智能导论（搜索法等）图像识别生物演化论自然语言处理语义网博弈论等。需要的前置课程主要有，信号处理，线性代数，微积分，还有编程（最好有数据结构基础）。
首先你需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析
其次需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法；当然还有各个领域需要的算法，比如你要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多需要时间的积累；
然后，需要掌握至少一门编程语言，毕竟算法的实现还是要编程的；如果深入到硬件的话，一些电类基础课必不可少；
人工智能一般要到研究生才会去学，本科也就是蜻蜓点水看看而已，毕竟需要的基础课过于庞大。
2、人工智能专业学校有哪些
中国32家开设人工智能相关专业
NO1:清华大学
清华大学计算机系智能技术与系统国家重点实验室是国内在人工智能人才培养和科学研究的重镇。除了严整的教学培养体系之外，本科同学有浓厚的科研氛围，从大一下学期开始就有学有余力的同学开始进入实验室或相关科研机构（如MSRA），跟随导师从事科研工作。取得的成绩也是不容小觑的：每年都有十余位本科同学在国际顶级会议和期刊上发表论文。当然，清华计算机系智能实验室距离国际顶尖AI研究机构（如MITCSAIL）还有一定距离。不过可以肯定的是，这里会是我国有着AI梦的同学们绝佳的圆梦起点。
NO2:北京大学
北京大学智能科学与技术专业由北京大学数学系、计算机系、电子学系等10个系（所）于1985年成立，主要从事机器感知、智能机器人、智能信息处理和机器学习等交叉学科的研究和教学。专业涉及机器人技术，以新一代网络计算为基础的智能系统，微机电系统（MEMS），与国民经济、工业生产及日常生活密切相关的各类智能技术与系统，新一代的人－机系统技术等。
NO3:浙江大学
浙江大学在人工智能方面有着肥沃的土壤，其计算机学院下设的人工智能研究所是中国设立最早的人工智能研究机构之一。早在上世纪80年代，浙江大学就建立了人工智能研究所，首任所长就是国内著名的计算机科学家、被人尊称为“中国人工智能研究开拓者”的何志均，之后两任所长潘云鹤和吴朝晖都算得上是他的得意门生，他们也先后担任了浙江大学的校长。从1981年至今，浙大人工智能研究所见证和参与了人工智能的一系列变化。到现在，人工智能进入大数据阶段，浙大在计算机视觉领域已经建立了相当大的优势。
NO4:上海交通大学
上海交通大学在人工智能领域已有数年的积累，计算机系俞凯教授团队的智能语音技术取得了多个国际评测冠军，达到了国际一流水平。团队在产业化上也实现了很大的突破，他所创立的苏州思必驰信息科技有限公司已经被苏州市确认为人工智能领军企业，作为苏州工业园区内的标杆，将在3-5年达到百亿市值，并作为千亿市值企业后备军。同时，交大在智能媒体、图像分析、脑机交互、机器人、人工智能芯片等领域还有一批一流团队及成果，具备良好的发展前景。
NO5:南京大学
南京大学的计算机科学研究起步于1958年，建立了计算技术、计算数学、数理逻辑等专业开始培养计算机相关领域专门人才，1978年在上述三个专业基础上成立了计算机科学系，1993年更名为计算机科学与技术系。南京大学计算机科学与技术系在建系前和建系初期就曾取得令人瞩目的成就：上个世纪60年代调试成功了当时国家高等教育部所属高校第一台计算机，实现了我国第一个高级语言编译程序；70年代分别主持了国产DJS-210中型计算机和XT-1操作系统等软件系统的研制；80年代研发了国内第一个分布式系统ZCZ，培养出中国大陆第一位计算机软件博士。建系以来，南京大学的计算机学科建设进入快速发展期，在队伍建设、人才培养、科学研究等方面一直位居国内先进行列。
NO6:复旦大学
复旦大学图像与智能实验室主要研究领域包括人工智能，图像处理，计算机视觉，信息安全等基于生物视觉的感知和认知结合的学习模型及其在脑型机器人上的应用，应用领域包括工业视觉、智能机器人、智能安防、生物医学影像识别。该校研发的视觉系统已经应用于国内外多家著名企业和创业公司，取得了良好的经济效益。毕业生去向包括（1）赴IBM研究院、谷歌、华为、腾讯、百度、阿里巴巴等公司就职；（2）前往哈佛、卡内基梅隆、普林斯顿、华盛顿、哥伦比亚等大学攻读博士学位和做博士后研究。
NO7:哈尔滨工业大学
在全国高校学科评估中，哈工大计算机科学与技术学科位列全国第4名，是国家重点一级学科，并进入ESI全球前1%的研究机构行列。计算机类专业隶属于计算机科学与技术学院，教师队伍由中国工程院院士方滨兴、中国科学院院士陈国良、美国国家工程院院士DanielP.Siewiorek领衔，包括了中组部“千人计划”入选者潘正祥、贾小华等国家和深圳市认定的高层次人才，承担并完成了国家重点科技攻关项目、国家自然科学（重点）基金项目、国家863项目等各类课题100余项，拥有国家发明专利、软件著作权等100余项。
NO8:中国科学技术大学
中国科学院自动化研究所自建所伊始，就在工业自动化、智能设备控制、模式识别、智能信息处理等领域享誉国内外，号称中国人工智能领域的黄埔军校，其培养的学生业已遍及全球顶尖的高校、学术研究机构和IT巨头。
NO9:华中科技大学
华中科技大学计算机科学与技术学院拥有信息存储系统教育部重点实验室、服务计算技术与系统教育部重点实验室、数据存储系统与技术教育部工程中心、网络存储技术湖北省工程研究中心、集群与网格计算湖北省重点实验室、湖北省数据库工程技术研究中心、下一代互联网接入系统国家重点实验室，拥有华中科技大学IBM技术中心、国家高性能计算中心（武汉）。另外，该学科是中国教育科研计算机网华中中心结点单位，是中国教育科研网格主结点、中国国家网格（武汉）结点单位，是武汉光电国家实验室（筹）的重要组成单位之一。
NO10:东南大学
东南大学计算机科学与工程学院起源于1960年建立的“解算装置及技术”专业，曾自主研制我国第一台数字积分机，填补了国内空白，并成功地应用于国防现代化和工业自动化领域，取得了开创性成果。近10年来，承担了各类科研项目共200多项，其中国家自然科学基金、国家973、国家863、国家科技攻关、教育部和江苏省等重要科研项目140多项，获得国际工业领先奖1项、国家科技进步奖8项、部省级奖20多项，在国内外著名的学术期刊和会议上发表论文1600多篇，其中SCI、EI、ISTP三大检索850多篇次。在ESI学科排名中，学院水平已进入全球前1%。
据走向智能论坛、高三网、站长之家等综合整理。返回搜狐，查看更多