大智能时代的人工智能

作文一：《大智能时代的人工智能》2200字

人工智能还能做这样的事？

下将棋的对手、自动驾驶、扫地机器人——它们的内在其实是“聪明的程序”。

盐野：我平时经常会给企业经营者提供企业战略方面的建议。听他们说，最近不管是哪个行业，今后在业务上都会受到人工智能和大数据的巨大影响。而且，在经营战略的拟定过程中，数据分析也变得越来越重要了。我所就职的咨询公司也开始录用和培养数据分析师　。我知道松尾老师您一直在做关于人工智能和大数据的研究，所以今天想向您请教这方面的知识。

最近，人工智能这个词在我们耳边出现的频率越来越高。但是，它是如何构成，如何工作的，而我们又是在什么情况下使用它的呢？我想，包括我在内，很多人都是不知道的。比如说，人工智能赢了将棋的专业棋手，领导人乘坐自动驾驶的汽车——像这样消息，我们经常听到。再举个我们身边的例子，几年前电器商们推出了能够自动打扫卫生的扫地机器人。听说这些东西都安装了人工智能，那么人工智能是否就是计算机程序　呢？

松尾：没错。就是计算机的程序。程序一词有许多定义。人工智能里安装的，是那种“看上去好像是做出了聪明举动的程序”。不过，它们所做的“举动”各不相同。

盐野：原来如此。扫地机器人的身体里面原来有计算机。

松尾：是的。有计算机，程序才会工作。这个程序是人类设计的。扫地机器人的动作，或者说它在房间里怎么行动，都是由程序决定的。如果房间不一样，它的动作还会发生变化。这是因为根据房间的形状改变动作这一点，也是程序里设计好的。

盐野：也就是说，设计程序的人已经把命令机器人“这样过来，这样回去”的内容放在里面了？

松尾：是的。像这样的规则有很多，根据不同情况会使用不同的规则。这样机器人就能够应对各种各样的状况。

盐野：我觉得汽车的自动驾驶非常难。因为人开车是需要有驾照的。虽然雷达会在环境不断变化的情况下，感知周围的事物并且进行分析，但是很可能车子刚开出去就遇到突然冲出来的路人。遇到这种情况，你们也会像命令扫地机器人“这样过来，这样回去”一样，事先在程序里设计好对应方法吗？

教会计算机“行为”

盐野：松尾老师，您在东京大学从事有关人工智能的研究，具体都有些什么呢？

松尾：对于人工智能的具体研究内容，人们有各种各样的观点。不过大体上可以分为三类。首先我们在研究中调查，对人工智能来说什么样的数据是可用的，什么样的数据又是有效的。这是针对数据本身的研究，网络研究和大数据研究就属于这类。那么接下来我们应该如何应用这些数据，又应该用什么样的方法来制订规则呢？这就要涉及计算机自动学习规则

的方法。这类研究主要有机器学习　和数据分析研究。在第三类研究中，我们思考利用制订规则的系统和“算法　”

能够实现什么样的应用。这是关于实际应用的研究。例如数据的输入口和处理，以及输出口。基本的内容就是这些。

盐野：那么规则到底是如何制订的呢？现在人工智能下将棋这个话题很热门，您可以介绍一下它是怎么运行的吗？

如何定义“人工智能”？

盐野：刚才我们了解了传统程序和人工智能的区别，那么研究界是根据什么来定义“人工智能”的呢？

松尾：人工智能是一个非常有趣的领域。本来它就源于人类纯朴的好奇心和对知识的探求心。因为计算机的计算速度非常快，人们不禁开始思索，说不定计算机会变得比人还要聪明。这种想法其实就是人工智能的开端。１９５６年召开了“达特茅斯会议　”。会上诞生了人工智能（ＡＩ　）这一词汇。随着种种研究的进行，人们发现人类的智能并不是那么简单的东西。人类是非常

聪明的，有人就认为，计算机不可能变得比人类更聪明。

发展至今，人工智能产生了两大流派。一派较为传统，以实现类人高级智能，甚至比人类更为聪明的智能为目标，被称为“强ＡＩ　”。另一派被称为“弱ＡＩ　”。这一流派认为虽然以现有的技术无法制造出高级智能，但是比普通计算机稍微聪明一点的智能是可以实现的。他们致力于开发具有这种构造的人工智能。

人工智能为什么突然变得聪明了呢？

人工智能真的会变得比人类还要聪明吗？

松尾：我认为这个问题可以从两方面来回答。首先，技术的进步一定会给社会带来各种各样的影响，因此对有的人来说工作会增加，对有的人来说工作则会减少。这不仅是人工智能带来的影响。比如随着网络应用的扩大，一部分产业能够更加发展壮大，当然反而规模缩小的产业也是存在的。

使用人工智能来提高人类判断力的技术发展下去，必然会影响到一些职业。从宏观上来看，如会计、法律和医疗等领域中，在与人类判断力相关的方面，计算机的作用会变得越来越大。

另一方面，像霍金博士所担心的事，以及卢德运动那样的动乱，也是现在科学家们议论的焦点。虽然目前还只是一个假设，但是如果一台人工智能能够制造出比自己稍微聪明一点的人工智能，而这一台被制造出来的人工智能又能够再制造出第三台更加聪明的人工智能，如此不断持续下去，那么很快就会出现无限聪明的人工智能。

这就是所谓的“技术奇点”　（Ｓｉｎｇｕｌａｒｉｔｙ　）　。有人认为一旦这一时间点到来，我们面临的就会是一个完全不同的世界。

人工智能的“真正可怕之处”是什么？

盐野：明白了。也就是说计算机的混合型学习还很困难。要让计算机变得那么聪明还需要时间。但是我觉得，把人工智能添加到各式各样的机器人或者汽车上，生活会变得越来越方便，我们人类的自由时间也会增加，这应该是件好事。不过，如果人类创造出的ＡＩ　超过了人类本身，那就有点恐怖了。超越人类的人工智能也是电影里经常出现的情节。

作文二：《人工智能时代的孤独》1800字

日?报

周?报

杂?志

人民日报　２０１４年０８月１１日　星期一

往期回顾

人民网检索

数字报用户中心

返回目录

人民日报图文数据库（１９４６－２０１４）

人工智能时代的孤独（科技杂谈）

余建斌

《　人民日报　》（　２０１４年０８月１１日　?　２０　版）

■当技术让一个普通人能和以往遥不可及的公众人物互动，或者能在全人类范围内寻找一个与自己志趣相投的人，这并没有让人变得孤独，而是让人觉得有无限的可能发生，希望自己作为微小的社会细胞与人类群体同呼吸。不过，随着人工智能走进普通人生活和进一步深入应用，或许就是科技让人类更孤独的开始

“为什么我们花费了很多时间与技术在一起，却吝啬把时间分给现实生活中的人？为什么我们对科技期待更多，对朋友却不能彼此更亲密？”有人这样慨叹。

科技是不是让人类更孤独了？回答“是”的人可以列举出一大堆例子来。社交网络依赖症、微信依赖症……智能手机、社交网络工具已经在一定程度上让人们“面对面不相识”，车站、机场到处都是“低头族”；朋友聚会吃饭，没有人交谈，挨着坐的人对同一道菜的点评都在微信朋友圈上交互。从传统的人际交往来说，人们的确因为疏离而显得孤独了。

但否定科技让人类变孤独的人，观点也很鲜明：更多意义上，是“孤独”导致人们玩手机，而不是玩手机导致“孤独”。一项经常被提及的研究是关于社交网站脸谱网（Ｆａｃｅｂｏｏｋ），“社交网络不会让人们感到更孤单。相反，频繁地更新脸谱网会减少孤独，因为更新状态勤快的人会感到自己和朋友们联结在一起。”当然，还有一种“中间派”观点，认为“人文咳嗽”，不能让“技术吃药”。关于科技让人类陷入更孤独状态的担心不必要，因为科技只是工具，会带来什么结果完全取决于人怎么用它。

科技的确改变了人与人交流的方式，更快、更广、更容易袒露内心喜怒哀乐。但所谓的孤独只是表象，与其说是人们因为使用网络和社交工具而忽视了身边的朋友，不如说是人天生具有彼此交流、扩大社交的欲望，追求自己理想的社交关系。因此，当技术让一个普通人能和以往遥不可及的公众人物互动，或者能在全人类范围内寻找一个与自己志趣相投的人，并没有让人变得孤独，而是让人觉得有无限的可能发生，希望自己这个微小的社会细胞与人类群体同呼吸。

可以看到，在本质上，无论是微信、微博、图片分享，或是具备社交功能的手机应用，目前的社交网络工具仍然停留在探索和拓展人与人之间的关系上。不过，随着人工智能走进普通人生活和进一步深入应用，也许，科技让人类更孤独，将不再是一个伪命题。

微软刚刚发布的手机上的个人智能助理，有可能成为人工智能让人变得更孤独的案例。作为安装在微软Ｗｉｎｄｏｗｓ?Ｐｈｏｎｅ?８．１系统上的应用，这个叫做“小娜”（Ｃｏｒｔａｎａ）的智能手机“机器人”，被设计成为人最亲密的智能助理。“她”可以和人用自然的语言对话，甚至有自己的“个性”。“她”可以确认“主人”乘坐的航班是否准点，会迅速根据当前的交通状况建议去往机场的出发时间。“她”可以帮人打开邮箱——这是一个不需担心隐私的私人助理。手机上的应用也不需要人去点开，不管是看视频还是浏览新闻或者刷微博，都可以由这个智能助理去完成操作。更能体现人工智能的是，“她”可以不断记录和保存人的喜好，并因此作出更好的调整。

和目前在微博上风靡的智能聊天机器人微软“小冰”一样，新的这款智能助理也得益于移动互联网时代人工智能的发展。借助大数据的支持，这个产品通过机器学习，在奔涌着人的思想和生活痕迹的海量数据中遨游，吸收人类的“智慧”，并将这种智慧具体化为产品功能来服务人。毫无疑问，在人工智能服务人类的征程上，智能助理只是一个小小的开端。

问题在于，随着借力网络的人工智能发展，类似手机智能助理的人类智能伴侣出现，形成的人与这种新技术工具之间的关系，迥然不同于人使用社交网络工具是为了扩展人际关系。或者说，当人们发现自己理想化的社交关系能够集中到一个“人”的身上时，即使只是一个虚拟形象，他们也会驻足。这或许才是科技让人类变得更孤独了，而且，就从你现在须臾不离的智能手机开始。

返回目录　???放大

缩小

全文复制

我要评报　?｜?关于人民日报社

隐藏留言须知

署名：

１．遵守中华人民共和国有关法律、法规，尊重网上道德，承担一切因您的行为而直接或间接引起的法律责任。

２．人民网拥有管理笔名和留言的一切权力。

３．您在人民网留言板发表的言论，人民网有权在网站内转载或引用。

作文三：《人工智能时代的孤独》1500字

人工智能时代的孤独

当技术让一个普通人能和以往遥不可及的公众人物互动，或者能在全人类范围内寻找一个与自己志趣相投的人，这并没有让人变得孤独，而是让人觉得有无限的可能发生，希望自己作为微小的社会细胞与人类群体同呼吸。不过，随着人工智能走进普通人生活和进一步深入应用，或许就是科技让人类更孤独的开始　“为什么我们花费了很多时间与技术在一起，却吝啬把时间分给现实生活中的人？为什么我们对科技期待更多，对朋友却不能彼此更亲密？”有人这样慨叹。　科技是不是让人类更孤独了？回答“是”的人可以列举出一大堆例子来。社交网络依赖症、微信依赖症??智能手机、社交网络工具已经在一定程度上让人们“面对面不相识”，车站、机场到处都是“低头族”；朋友聚会吃饭，没有人交谈，挨着坐的人对同一道菜的点评都在微信朋友圈上交互。从传统的人际交往来说，人们的确因为疏离而显得孤独了。

但否定科技让人类变孤独的人，观点也很鲜明：更多意义上，是“孤独”导致人们玩手机，而不是玩手机导致“孤独”。一项经常被提及的研究是关于社交网站脸谱网（Ｆａｃｅｂｏｏｋ），“社交网络不会让人们感到更孤单。相反，频繁地更新脸谱网会减少孤独，因为更新状态勤快的人会感到自己和朋友们联结在一起。”

当然，还有一种“中间派”观点，认为“人文咳嗽”，不能让“技术吃药”。关于科技让人类陷入更孤独状态的担心不必要，因为科技只是工具，会带来什么结果完全取决于人怎么用它。

微软刚刚发布的手机上的个人智能助理，有可能成为人工智能让人变得更孤独的案例。作为安装在微软Ｗｉｎｄｏｗｓ　Ｐｈｏｎｅ　８．１系统上的应用，这个叫做“小娜”（Ｃｏｒｔａｎａ）的智能手机“机器人”，被设计成为人最亲密的智能助理。“她”可以和人用自然的语言对话，甚至有自己的“个性”。“她”可以确认“主人”乘坐的航班是否准点，会迅速根据当前的交通状况建议去往机场的出发时间。“她”可以帮人打开邮箱——这是一个不需担心隐私的私人助理。手机上的应用也不需要人去点开，不管是看视频还是浏览新闻或者刷微博，都可以由这个智能助理去完成操作。更能体现人工智能的是，“她”可以不断记录和保存人的喜好，并因此作出更好的调整。

问题在于，随着借力网络的人工智能发展，类似手机智能助理的人类智能伴侣出现，形成的人与这种新技术工具之间的关系，迥然不同于人使用社交网络工具是为了扩展人际关系。或者说，当人们发现自己理想化的社交关系能够集中到

一个“人”的身上时，即使只是一个虚拟形象，他们也会驻足。这或许才是科技让人类变得更孤独了，而且，就从你现在须臾不离的智能手机开始

作文四：《人工智能时代的看门狗》1400字

作为一部反核作品，岩井俊二用他职业导演的画面想象力，勾勒了一个核污染的恐怖环境，令读者不寒而栗。

表面看去，这是一部重口味作品，待真正深读下去，感觉并不色情。岩井俊二所想做的，只是将人类的华丽外衣逐一剥去，一丝不剩。

主人公吾麻松是一个“天生”的倒霉蛋。祖上靠捕鲸为生原本很健壮，然而到了他这一代，无论是身材还是生育能力均表现出不可逆转的先天性缺失。失去繁育功能的吾麻松只能从事最低等的工作，为所谓的上等人――因具有良好繁殖能力而过上上等人生活的“种马”市长看门。

吾麻松也曾风光过。更多时候，他是一个无足轻重的角色，简单的社交圈，如果不是被购买精子的夫妇痛揍，他几乎不会被人注意。他有过愤怒，但这种愤怒不是对命运的反思，而是转化为杀掉那个被他侵犯、擅闯废弃核反应堆禁区、让他突然看到真相的懵懂少年。

吾麻松守卫过的两个“重地”，都曾与他的命运有过明显交集。那个所谓的市长，只不过因为拥有优良繁殖能力的精子，所以才过上了有权有势的幸福生活。核反应堆建在吾麻松祖上的栖息之地，他就是遗留在核污染土地上的一枚无花果。这同时意味着，自打吾麻松降临到这个世界上，他为事业、爱情、家庭所做的一切打拼都可能是徒劳的。

这是一部科幻作品，虽然有些怪诞但又会让人感到很真实，特别是对废弃核反应堆的描写，有点像１９８４年印度博帕尔毒气泄漏事件留下的鬼城。岩井俊二对于核污染的描写并非完全虚构，而是有着刻骨铭心的认识。２０１１年，岩井俊二拍摄了描写日本震后福岛实况的纪录片《３?１１后的朋友们》，对福岛核电站泄漏事故给予了高度关注。虽然福岛核电站没有重现１９８６年乌克兰切尔诺贝利核泄漏的严重灾难，但长远看，限于人类科学认知水平，潜在的影响依然难以预知。谁也无法断定，核泄漏事件不会给未来的吾麻松们埋下灾难的伏笔。另一个可怕的数据是，全球目前有４００多座核电站，且正呈高速增长之势，这还不算发达国家庞大的核武库。

某种意义上，吾麻松的太多不幸，只不过是人类遭受核污染后出现功能枯竭的一个小小缩影。在岩井俊二看来，即便是那些暂时具有繁育能力的所谓“种马”们，在核工业核武库的重重包围下，他们的后代同样会陷入核灾难威胁的“水深火热”之中。

继彻底失去爱情后，吾麻松又彻底地失去了男性象征的生殖器，自此，他每天不得不与纸尿裤为伴。在他看来，像他这样既无法收获爱情、建立家庭，也无法生育的人，只能称其为人工智能。所以吾麻松也只能选择兢兢业业地做好一条“看门狗”。

通常情况下，我们现在所说的人工智能指的是那些能够从事复杂工作的高科技产品。岩井俊二有意拓展这一概念，在这里，人工智能成了退化了血脉传承能力的群体，他们最终将沦为工业和科技时代的一个工具。

岩井俊二并非刻意怂恿读者抛弃职业的忠诚度，只不过愤怒于吾麻松这样的“倒霉蛋”依然麻木不仁，没有对核污染风险引起足够的重视。基于对是非观念的误判，他们的所谓忠诚，实际上是在加速人类灭亡的死循环节奏。

作为一部反核作品，岩井俊二用他职业导演的画面想象力，勾勒了一个核污染的恐怖环境，令读者不寒而栗。然而，不能不提的是，不知是否因为有意替对日本捕鲸行为的辩护，岩井俊二开篇极力张扬吾麻松祖上捕鲸的幸福生活。虽然捕鲸行为早就为联合国所禁止，但日本一直拒绝签署文件，并以科研名义从事捕鲸活动。吾麻松时代的核污染无疑令人后怕，但一个物种灭绝、生物链频频断裂的星球，同样会给人类的宜居环境带来灭顶之灾。

作文五：《面对呼之欲出的人工智能时代》3400字

面对呼之欲出的人工智能时代，我最担心什么

人工智能为我们展现了一个打破全球经济失衡状态的机会，而挑战

所带来的巨大影响，将使任何国家都无法置身事外。

日前，创新工场创始人兼ＣＥＯ、人工智能工程院院长李开复博士在纽约时报的“观点”栏目发表专栏文章《人工智能对人类社会的真正威胁》。

在人工智能已经深入生活的今天，社会上不乏“人工智能威胁论”，担忧机器人会“反噬”人类。在这篇文章里，李开复博士讨论了人工智能技术未来发展所带来的几个更真切和亟待解决的问题：全球性的失业问题及可能产生的全球性经济失衡和贫富差距。

以下为中文全文：

面对呼之欲出的人工智能时代，您最担心什么？

通常，人们对于这个问题的回答很像各类科幻片中的惊悚情节。他们担心人工智能的发展会带来所谓的“奇点”，即在人类发展的某一特定历史时刻，人工智能会完全超越人类智慧，继而将人类社会带入一场无法想象的变革当中。人们甚至开始怀疑，人工智能是否最终会控制人类，使人类沦为所谓的“机械人”。　这些问题值得探讨，但并非亟待解决。先不论这些问题是否会发生，即使哪天真的出现，也是数百年以后。而目前，人类还没有任何已知的途径和方法能够将当前最卓越的人工智能系统——比如刚刚战胜了最出色的人类棋手柯洁的围棋计

算机程序ＡｌｐｈａＧｏ，转化为通用的人工智能，即具有自我意识、可进行常识性推理、能够自觉地从多领域获取知识、并具有感知、表达和理解等能力的电脑程序。　但这并不意味着我们就可以高枕无忧。恰恰相反，现有人工智能技术和产品的发展速度之快大大超出我们的认识和预期，人工智能技术注定会改变我们的世界，并不完全以我们的意愿为转移。人工智能是工具，不是一种智慧形式。但它注定会重新定义工作的意义以及财富的创造方式；值得注意的是，它将带来前所未有的经济失衡现象，甚至改变全球的权力格局。

因此，当务之急，让我们先对这些迫在眉睫的现实挑战予以关注。　人工智能到底是什么，粗略来讲，人工智能技术指的是获取某一领域（比如贷款偿还记录）的海量信息，并利用这些信息对具体案例（是否应给某人贷款）做出判断，以达成某一特定目标（贷方利益最大化）的技术。这些技术在给定任务中所展现出的工作能力已经被证明可以完全超越人类的表现。

今天，这样的人工智能技术正在被广泛应用于各个领域。随着它的进一步发展，会不可避免地对就业造成冲击。很多岗位和职业会逐步消失，例如银行出纳员、客户服务代表、电话销售员、股票和债券交易员等；甚至律师助理和放射科医生这样的工作也会被这类软件所取代。假以时日，人工智能技术还会学会控制如无人驾驶汽车和机器人这类半自主或全自主硬件设施，逐步取代工厂工人、建筑工人、司机、快递及许多其他职业。

与工业革命及信息革命不同，人工智能技术所带来的冲击并非单纯指向某些特定岗位和职业，如传统制造业中的手工艺者被流水线工人所取代；或只会使用纸张和打字机的秘书被精通电脑的个人助理所替代等；人工智能所带来的是对现有职业和工作版图大规模地颠覆。毋庸讳言，其中大部分为低薪工作，但某些高薪岗位也将面临挑战。

值得注意的是，这场变革将会为开发人工智能技术及采用人工智能技术的公司和企业带来巨额利润。试想，如果优步能全面利用无人驾驶车进行运营；苹果公司能够省却大量人力生产其产品；全年满足超过三千万笔贷款请求却不需要任何人工干预的借贷公司；可以想见，这些企业将利用人工智能技术创造何等惊人的利润和收益～而这一切已经是现在进行时。创新工场最近就在国内投资支持了一家利用人工智能技术进行借贷的的初创企业。

诚如你所看到的，人类正面临着很难妥善共存的两个发展前景：一方面我们迎来了仅用少量人力就能创造巨大财富的发展时代，而另一方面，大量人员也将因此而下岗和失业。各种权衡，何去何从？

答案之一当然是教育，即要对人工智能所不擅长的领域进行有针对性的人员教育和再培训。具体来说，人工智能并不擅长需要创造力、规划能力以及“跨领域”思考能力等类型的工作——比如辩护律师。这些能力也是目前很多高端职位所要求的，问题是通过短期培训来传授和获取这些能力和技能的可能行较低。另一个方向则是弥补人工智能系统所欠缺的“人际交往能力”，发展出更多类似社会工作者、酒保、按摩技师等需要人际间微妙互动的岗位。即便如此，另一个问题随之出现：我们的社会对酒保或类似岗位又有多大需求呢？

按照我的个人推测，要解决人工智能变革所带来的大规模失业问题，需要的是更多我所说的所谓“关爱服务”。　这是人工智能无法完成，而社会又大量需要的服务；更不用讲你我生而为人所赖以的使命感和荣誉感。此类服务岗位不胜枚举，例如：陪伴老人就医的志工、孤儿院的教导员、戒酒互助社的志愿者，甚或未来可能出现的——帮助那些沉迷于电脑虚拟现实刺激中的“平行人”重返人生现实的热心人。换言之，当下的很多所谓志愿服务工作未来都可能成为真正的职业。　其中一些服务甚至会转变为高薪职业并趋于专业化，例如可协助和配合“人工智能癌症诊断程序”工作的、具有专业医疗知识、同时又富有同情心和极强沟通技巧的医疗服务提供者。总体而言，人们可以选择比现在更短的工作时间。　那么，谁会为这些工作买单呢？文章开始时我提到的那些集中于相对少数企业手中的巨额财富现在可以派上用场了。在我看来，人工智能所创造财富中的相当一部分会不可避免的转移到那些工作被取代了的人们那里去。而这一过程似乎只能是通过凯恩斯主义的财政政策——即提高政府相关领域的开销，及增加高利润公司的税收来加以实现。

至于那样状况下的社会福利是何种形式，我认为可能是一种有条件的全民基本收入方案，即社会福利将面向有经济需求并符合条件的人群。所谓“条件”，是指福利申请者必须努力参与就业或再就业培训，或保证参与一定工时的“关爱服务”。　当然，为了给这类社会福利提供资金，提高税率可能在所难免。政府不仅要补贴大部分人的生活和工作，还要设法对此前大量下岗员工无法缴纳的个人所得税进行弥补。

这就带来了关于人工智能最终、也是最重要的挑战。我所描绘的凯恩斯主义的财政政策或许在美国和中国是可行的，因为这两个国家可以通过其规模巨大且成功的人工智能企业来获取税收，并以此支撑其高昂的社会福利方案。但是其它国家又当如何呢？

相较而言，其他国家会面临两个难以克服的问题。首先，大部分人工智能所创造的财富会流入美国和中国。人工智能是一个“强者更强”的产业：数据越多，产品越好；产品越好，所能获得的数据就更多；数据更多，就更吸引人才；人才越多，产品就会更好。在这个良性循环里，中美两国目前已经汇聚了大量人才、市场份额以及能够调动的数据。

举例来说，中国的语音识别企业科大讯飞以及人脸识别公司如旷视科技、商汤科技等就市值来讲，都已经成为行业翘楚。在谷歌、特斯拉及优步等企业的引领下，美国的无人驾驶技术也是首屈一指。而在消费互联网领域，中美七家企业——谷歌、脸书、微软、亚马逊、百度、阿里巴巴、腾讯——都已在其现有产品和服务中大量使用人工智能技术，并正快速将其运营版图扩展到全球范围内，尽可能占据更大份额的人工智能市场。从目前的情势看，美国似乎占据发达国家市场及部分发展中国家市场，而中国公司无疑赢得了多数发展中国家市场。　对于中国和美国以外的其他国家来讲，另外一项挑战则在于许多国家还在日益增长的人口，尤其是一些发展中国家。庞大的人口可以成为一种经济资本，就如同其近几十年来在中国和印度的经济发展中所产生的积极作用。但是在人工智能时代，这一资本却可能成为经济负担，因为其中大部分人口将面临下岗失业。　所以，如果很多国家不能通过向高额盈利的人工智能企业征税来补贴工人，他们还能有什么其他选择，依我个人推论，为避免本国人民陷入贫困，这些国家会与提供最多人工智能软件的国家——中国或者美国——进行磋商和谈判，最后以特定人工智能企业在本地用户中的盈利来换取国家所需的社会福利补贴。从而最终成为中美两国的经济依附体，这样的经济发展态势也将重塑当今的地缘政治版图。

一言以蔽之，最大程度地缩小人工智能可能造成的经济失衡和贫富差距，已是当下必须要考虑的问题，此差距不仅体现在国家内部，也体现在国与国之间。从乐观的角度看：人工智能为我们展现了一个打破全球经济失衡状态的机会，而挑战所带来的巨大影响，将使任何国家都无法置身事外。

更多精彩内容：：／／５ｓｈｅｎｚｈｅｎ．／

作文六：《网络时代的人工智能》13700字

第２２卷　第２期２００８年３月

中文信息学报

ＪＯＵ　ＲＮＡＬ　ＯＦ　ＣＨ　ＩＮＥＳＥ　ＩＮＦＯＲＭ　ＡＴ　ＩＯＮ　ＰＲＯＣＥＳＳＩＮ　Ｇ

Ｖ　ｏｌ．　２２，　Ｎｏ．　２Ｍ　ａｒ．，　２００８

编者按：Ｉｎｔｅｒｎｅｔ　时代对中文信息处理提出了更多、更新的需求，　同时，　致力于中文信息处理研究的队伍也在不断地壮大。在这支队伍中，　既有在这个领域里长期辛勤耕耘的老兵，　也有初出茅庐的新人。为了使研究者们得以在更高的起点上开展研究，　我们特向该领域（或相关领域）　的资深专家和学者约稿，　这些稿件或是多年研究成果的厚实积累以及发轫于斯的深刻思考，　或是具有前瞻性的前沿课题探索，　或是相关研究工作系统而深入的综述。我们设立了一个约稿专栏，　陆续刊登此类稿件，　以飨读者。本期刊登其中的１篇，　是李德毅院士的／网络时代的人工智能０，　相信这篇论文对读者全面、深刻地了解乃至理解相关学术问题，　一定会大有裨益。文章编号：１００３－００７７（２００８）　０２－０００３－０７

网络时代的人工智能

李德毅１，　肖俐平２，　３

（１．　中国电子系统工程研究所，　北京１００８４０；　２．　解放军理工大学指挥自动化学院，　江苏南京２１０００７；

３．　西安电子科技大学计算机网络与信息安全教育部重点实验室，　陕西西安７１００７１）

摘　要：五十多年来，　人工智能在模式识别、知识工程、机器人等领域已经取得重大成就，　但是离真正的人类智能还相差甚远。本文强调在当今的网络时代，　作为信息技术的先导，　人工智能科学有着非常值得关注的研究方向，　要在学科交叉研究中实现人工智能的发展与创新。要关注认知科学、脑科学、生物智能、物理学、复杂网络、计算机科学与人工智能之间的交叉渗透，　尤其是重视认知物理学的研究；　自然语言是人类思维活动的载体，　是人工智能研究知识表示无法回避的直接对象，　要对语言中的概念建立起能够定量表示的不确定性转换模型，　发展不确定性人工智能；　要利用现实生活中复杂网络的小世界模型和无尺度特性，　把网络拓扑作为知识表示的一种新方法，　研究网络拓扑的演化与网络动力学行为，　研究网络化了的智能，　从而适应信息时代数据挖掘的普遍要求，　迎接人工智能科学与应用新的辉煌。关键词：人工智能；　不确定性人工智能；　认知物理学；　数据场；　云模型；　网络化智能中图分类号：Ｔ　Ｐ３９１　　　　文献标识码：Ａ

Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ　ｉｎ　ｔｈｅ　Ｎｅｔｗｏｒｋ　Ａｇｅ

Ｌ　Ｉ　Ｄｅ　－ｙｉ　１，　ＸＩＡＯ　Ｌ－ｉ　ｐｉｎｇ　２，　３

（１．　Ｃｈｉｎａ　Ｉｎｓｔｉｔｕｔｅ　ｏ　ｆ　Ｅｌｅｃｔｒｏ　ｎｉｃ　Ｓｙ　ｓｔｅｍ　Ｅｎｇ　ｉｎｅｅｒ　ｉｎｇ，　Ｂｅｉｊｉｎｇ　１００８４０，　Ｃｈｉｎａ；

２．　Ｉｎｓｔｉｔ　ｕｔｅ　ｏ　ｆ　Ｃｏ　ｍｍａｎｄ　Ａ　ｕｔｏ　ｍａｔｉｏ　ｎ，　ＰＬ　Ａ　Ｕ　ｎｉｖｅｒｓｉｔｙ　ｏ　ｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔ　ｅｃｈｎｏ　ｌｏ　ｇｙ　，　Ｎ　ａｎｊｉｎｇ，　Ｊｉａｎｇｓｕ　２１０００７，　Ｃｈｉｎａ；

３．　Ｋｅｙ　Ｌａｂ　ｏｆ　Ｃｏｍ　ｐｕｔｅｒ　Ｎ　ｅｔｗ　ｏｒｋｓ　ａｎｄ　Ｉｎｆｏｒ　ｍａｔｉｏ　ｎ　Ｓｅｃｕｒｉｔｙ　ｏｆ　Ｍ　ｉｎｉｓｔ　ｒｙ　ｏｆ　Ｅｄｕｃａｔｉｏ　ｎ，

Ｘｉｄｉａｎ　Ｕ　ｎｉｖｅｒ　ｓｉｔｙ，　Ｘｉ　．　ａｎ，　Ｓｈａｎｘ　ｉ　７１００７１，　Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｐａｔｔ　ｅｒ　ｎ　ｒｅｃｏｇ　ｎｉｔｉｏｎ，　ｋｎｏｗ　ｌｅｄｇｅ　ｅｎｇ　ｉｎｅｅｒ　ｉｎｇ，　ａｎｄ　ｒｏ　ｂｏ　ｔｉｃｓ　ｈａｖｅ　ｂｅｅｎ　ｍａｄｅ　ｓｉｇｎｉｆ　ｉｃａｎｔ　ｐｒ　ｏｇ　ｒｅｓｓ　ｉｎ　ｔｈｅ　５０－ｙｅａｒ　ｈｉｓｔｏ　ｒｙ　ｏｆ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇ　ｅｎｃｅ；　ｈｏｗ　ｅｖｅｒ，　ＡＩ　ｉｓ　ｆａｒ　ａｗ　ａｙ　ｆｒｏ　ｍ　ｈｕｍａｎ　ｉｎｔｅｌｌｉｇ　ｅｎｃｅ．　Ｉｎ　ｏ　ｒｄｅｒ　ｔｏ　ｆｕｌｆｉｌｌ　ｔｈｅ　ｒｅｑｕｉｒ　ｅｍｅｎｔ　ｏ　ｆ　ｄａｔａ　ｍｉｎｉｎｇ　，　ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ　，　ａｎｄ　ｋｎｏｗ　ｌｅｄｇｅ　ｄｉｓｃｏｖｅｒ　ｙ，　ｔｈｅｒ　ｅ　ａｒｅ　ｔｈｒｅｅ　ｉｍｐｏ　ｒｔａｎｔ　ｄｉｒｅｃｔｉｏ　ｎｓ　ｏ　ｆ　Ａ　Ｉ　ｒｅｓｅａｒｃｈ　ａｎｄ　ｄｅｖ　ｅｌｏｐｍｅｎｔ　ｉｎ　ｔｈｅ　ｎｅｔｗ　ｏｒ　ｋ　ａｇ　ｅ，　ｗｈｉｃｈ　ａｒｅ　ｃｏｇ　ｎｉｔｉｖｅ　ｐｈｙ　ｓｉｃｓ，　ｉｎｔｅｌｌｉｇ　ｅｎｃｅ　ｗｉｔｈ　ｕｎｃｅｒ　ｔａｉｎｔｙ，　ａｎｄ　ｎｅｔｗ　ｏｒ　ｋｅｄ　ｉｎｔｅｌｌｉｇ　ｅｎｃｅ，　ｄｉｓｃｕｓｓｅｄ　ｉｎ　ｄｅｔａｉｌｓ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ．

Ｋｅｙ　ｗｏｒｄｓ：ａ　ｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ；　ａｒｔｉｆｉｃｉａｌ　ｉｎｔ　ｅｌｌｉｇｅｎｃｅ　ｗ　ｉｔ　ｈ　ｕｎｃｅｒ　ｔａｉｎｔｙ；　ｃｏ　ｇｎｉｔ　ｉｖｅ　ｐｈｙ　ｓｉｃｓ；　ｄａｔ　ａ　ｆ　ｉｅｌｄ；　ｃｌｏ　ｕｄ　ｍｏｄｅｌ；　ｎｅｔｗ　ｏｒ　ｋｅｄ　ｉｎｔｅｌｌｉｇ　ｅｎｃｅ

收稿日期：２００７－１２－２３　定稿日期：２００８－０１－１７

基金项目：国家自然科学基金资助项目（６０４９６３２３，　６０６７５０３２）　；　国家９７３资助项目（２００７ＣＢ３１０８００）

作者简介：李德毅（１９４４）　）　，　男，　中国工程院院士，　国家自然科学基金委员会信息学部主任，　主要研究领域为人工智能、指）　，　，

从１９５６年著名的达特茅斯（Ｄａｒ　ｔｍ　ｏｕｔｈ）　会议算起，　人工智能学科诞生已有半个世纪的历史，　先后出现有逻辑学派（符号主义）　、控制论学派（联结主义）　和仿生学派（行为主义）　。符号主义方法以物理符号系统假设和有限合理性原理为基础，　联结主义方法以人工神经网络和进化计算为核心，　行为主义方法则侧重研究感知和行动之间的关系。这些理论和方法在模式识别、知识工程、机器人等领域取得伟大成就，　极大地推动了科技进步和社会发展。专家系统、智能控制、数据挖掘、智能机器人、智能社区随处可见，　改变了我们的生活。

人工智能自诞生之日起就引发了人们无限美丽的想象和憧憬，　但人工智能的发展过程也存在着不少争议和困惑：什么才算是真正的／智能０？　为什么再高级的电脑、再智能的机器与人类的智能相比仍然那么幼稚？　为什么人工智能与人们最初的想象和期望仍然相距甚远？　在网络时代人工智能的发展会有什么样新的特征？

最近十几年来，　我们在国家自然科学基金项目、国家８６３计划、９７３计划的支持下，　把网络拓扑作为知识表示手段，　围绕不确定性人工智能做了一些研究工作。这些研究正走向一个有机的整体，　把许多重要的、但又是局部的结果，　统一到一个令人满意的框架内。这些研究也让我们深深陷入了对人工智能未来发展方向的思考。

／人工智能０这一新的学科。

当前，　网络科学和技术无所不在，　网络中的节点，　可以是形形色色的行为主体，　本质上说，　网络科学是研究网络中节点相互作用的理论和方法。回首人工智能当初在起点时刻发生的学科碰撞，　今天甚至可以通过网络拓扑进行形式化研究。２１世纪人工智能发展的主要动力，　更是要来自更广泛学科的交叉渗透，　而各学科自身的飞速发展，　为人工智能交叉研究提供了广阔的空间。１．　１　重视和脑科学的交叉研究

脑科学的目的是认识脑、保护脑和创造脑。人脑是生物智能最杰出的表现，　是自然界中最复杂、最高级的智能系统。计算机很早就被称为电脑，　说明人工智能要用电脑模拟人脑、制造机器生命的伟大目标。因此脑科学和人工智能的交叉是必然的。脑科学又称神经科学。揭示脑的奥秘已成为当代自然科学面临的最大挑战。对人脑的探索，　人类走过漫长的道路。早在公元前４００年，　古希腊医师希波克拉底（Ｈ　ｉｐｐｏｃｒ　ａｔｅｓ）　就提出脑是智慧的器官；　１７世纪笛卡尔（Ｄｅｓｃａｒｔｅｓ）　提出了／反射０的概念；　１９世纪末，　卡赫尔（Ｃａｊａｌ）　发明的以他的名字命名的染色法奠定了神经元学说基础。进入２０世纪后，　巴甫洛夫（Ｉｖａｎ　Ｐｅｔｒ　ｏｖｉｃｈ　Ｐａｖ　ｌｏｖ）　创立了高级神经活动的条件反射学说；　４０年代，　微电极的发明开创了神经生理研究，　对神经活动的认识出现了重大的飞跃；　６０年代，　神经科学蓬勃发展，　从细胞与分子水平研究脑科学；　无创伤大脑成像技术为人们认识活体脑的活动及分析其机制提供了前所未有的强大工具；　９０年代开始，　人们开始重视脑科学研究中整合性的观点。１９８９年，　美国率先推出了全国性的脑科学计划，　并把２０世纪最后十年命名为／脑的十年０。人类在探求脑的崎岖之路上迤逦而行，　取得了辉煌成就，　一群脑科学家获得了诺贝尔奖。

脑科学从分子水平、细胞水平、行为水平和整体水平对脑功能和疾病进行综合研究，　并从脑的发育过程了解脑的构造和工作原理。人工智能是研究怎样使计算机来模仿人脑所从事的推理、学习、思考、规划等思维活动，　来解决人类专家才能处理的复杂问题。应该说，　对于人脑的研究是人工智能的必要前提。脑的复杂性体现在它是由太数量级的神经元和千太数量级的突触联结的信息处理和决策系统。人们的认知活动反应在大脑上很可能对应着一定的，　１　在交叉学科研究中实现人工智能的创新

人工智能虽然常常被划分为计算机或自动化学科的一个分支，　但它的研究范畴一直是很宽泛的，　涉及到哲学、认知科学、行为科学、脑科学、生理学、心

理学、语言学、逻辑学、物理学、数学以及信息论、控制论和系统论等许多学科领域。人工智能这种综合性、交叉渗透性早在它诞生之日起就得到充分地体现。在达特茅斯会议上，　有包括数学、神经生理学、精神病学、心理学、信息论和计算机科学等多领域的学者参加，　科学家们从各自学科的角度出发，　根据不同的学科背景，　强调了各自的重点，　产生了激烈的碰撞。尽管各自的出发点有所不同，　它们都汇聚到研究人类智能活动的表现形式和认知规律，　借用数理逻辑来形式化，　用计算机作为载体，　提供关于形式化计算和符号处理的理论，　模拟人类某些智能行为和方法，　构造具有一定智能的人工系统，　让计算机去完，

能在思维活动与亚细胞的化学、电学层次的活动建立确切的关系。例如一个概念如何以生物学形式存储，　它与其他概念发生联系的生物学过程是什么。也不能决定什么样的神经构造可以决定着哪些认知模式的发生。因而脑科学今后的任务仍将是从多层次来研究脑的整合功能，　包括脑如何感知，　如何思维，　如何理解语言，　如何产生情感，　并将对神经活动的认识推向细胞和分子水平。这些研究都将大大推动自然智能科学的发展。

尽管／脑科学十年计划０的研究，　仍然没有能够解开意识的本质之谜，　正在执行的／行为科学十年计划０，　仍然想通过生命科学研究发明出／读心机０、／记忆丸０、／聪明丸０等，　但这更有可能促进我们用机器去模拟人的智能的努力。脑科学研究的进展对人工智能的影响是勿容置疑的，　在对待脑科学与人工智能关系的问题上，　要树立共同揭示脑功能的本质、模拟预防和治疗脑的疾病的机理，　树立创造具备人脑局部特征的／机器生命０的学科交叉意识。１．　２　重视和认知科学的交叉研究

认知科学是从认知心理学发展起来的。／认知科学０这个词汇，　首次出现于公开发行物，　可能是在１９７５年Ｄ．　Ｇ．　Ｂｏｂｒｏｗ　和Ａ．　Ｃｏｌｌｉｎｓ　编著的Ｒｅｐ　ｒｅｓｅｎｔａｔｉｏｎ　ａｎｄ　Ｕｎｄｅｒｓｔａｎｄｉｎｇ：Ｓｔｕｄｉｅｓ　ｉｎ　Ｃｏｇｎｉｔｉｖｅ　Ｓｃｉｅｎｃｅ　一书中。１９７７年Ｃｏｇｎｉｔｉｖｅ　Ｓｃｉｅｎｃｅ　创刊，　１９７９年在加利福尼亚大学圣地亚哥分校召开了第一届认知科学会议，　比人工智能的达特茅斯会议晚了２３年。在会议上，　主持人诺尔曼（Ｄ．　Ａ．　Ｎｏｒｍａｎ）　所作的报告５认知科学的１２个主题６为认知科学研究选择了目标，　成为认知科学的纲领性文献。

认知科学是研究人类感知和人类思维过程的科学，　包括研究感知、记忆、学习、语言和其他认知活动。感知是大脑通过各种感觉器官接受外界的声、光、触、嗅等信息，　其中视觉感知起着尤为重要的作用。认知以感知为基础，　知觉是脑对客观各种属性的综合反应，　知觉的表达是研究其他各个层面认知过程的基础。记忆是对感知的保持，　有了记忆，　当前的反映才能在以前反映的基础上进行；　有了记忆，　人才能积累经验。记忆和遗忘是大脑的本能。学习是基本的认知活动，　学习的神经生物学基础是神经细胞之间的联系结构突触的可塑性变化，　该方向的研究已经成为当代脑科学中一个十分活跃的领域。有人又把学习分为感知学习、认知学习和意义学习。，　物智能最突出的差别就在于语言，　尤其是文字语言。语言以语音为外壳、词汇为材料、语法为规则。语言是结构最复杂、使用最灵活、应用最广泛的符号系

统。人们通过语言进行思维的活动和认知的交流。还有很多其他的认知行为，　如注意、意识等，　通过许多生物的对比实验，　来理解生物的心理活动和表象（如情绪）　之间的关系。

人工智能要想在知识的表示、学习、存储、搜索、优化、预测、计划、判断、自适应等方面取得突破性成果，　必然要把研究目标拓广到整个认知科学的理论、实验和实证中去。其中，　视觉认知计算、听觉认知计算、以及视听觉相互作用的认知计算，　是一个很重要的切入点。

１．　３　重视和物理学的交叉研究

人类在对客观世界的认识过程中，　已经取得的最集中、最突出的惊人成就，　当属物理学。如：分子物理学、原子物理学、粒子物理学，　还有天文学的大爆炸理论，　大陆漂移说和进化论等。迄今为止，　物理学家已经发现，　自然界存在万有引力、电磁力、强作用力和弱作用力四种相互作用，　分别存在于不同尺度的物理现象中，　形成所谓的层次。人们对物质结构的认识，　一方面去探索大尺度的目标，　包括行星、星球、银河系等，　另一方面积极探索微观世界，　发现物质更小的构成单元，　从分子、原子深入到原子核、再到中子、质子，　进一步又深入到夸克层次。用更统一的理论去覆盖这四种相互作用，　是物理学大家们孜孜不倦的追求。

诺贝尔物理学奖获得者李政道曾说：／科学，　不管天文、物理、生物、化学，　对自然界的现象，　进行新的准确的抽象，　科学家抽象的叙述越简单，　应用越广泛，　科学创造也就越深刻０。如此精辟的结论，　启发了一个深刻的问题：２１世纪物理学的发展依然是简化归纳。

当今，　人工智能研究中一个十分活跃的分支）　）　）　数据挖掘，　是逆早期以演绎为主的专家系统的潮流而动，　人们期望能够通过对数据的分析、过滤、整合，　挖掘、模拟人的认知和思维活动，　发现新的知识，　这种抽象的过程，　本质是简化归纳。

那么，　人类主客观的认知活动有没有相似之处？　对人脑自身的认识是否可以借鉴对客观世界的认知呢？　可以预言，　２１世纪认知和思维科学发展的一个重要方向，　就是把现代物理学中对客观世界的认知，

６

们孜孜所求的方向，　不妨称之为认知物理学。

中文信息学报２００８年

类认知过程中从数据到概念，　从概念到规则的发现状态转换，　以及知识由细粒度到粗粒度的逐步归纳简约的过程，　也是人工智能研究中的基础问题。我们借鉴物理空间的多视图、多尺度、多层次等特点，　借用物理学中状态空间转换的思想，　形成了知识发现状态空间转换的框架，　空间中的每个状态代表一个相对稳定的知识形态，　而认知过程则对应着从一个状态空间到另一个状态空间的转换，　数据场成为发现状态空间转换的重要工具。

数据场作为描述数据对象之间相互关系的形象、直观的方法，　将人类从数据到信息再到知识的认知和思维过程用场来形式化描述，　由此建立发现状态空间中的认知场，　可视化了人的认知记忆和思维等过程。

随着信息时代的到来，　人们对人工智能的期望越来越高。概括来说，　人类的智能包括三个方面：数学计算、逻辑思维和形象思维。用计算机模拟人的数学计算是人工智能的第一阶段，　五十年来，　机器模拟人的逻辑思维能力取得了巨大成功，　但是用计算机模拟人类不确定性智能、模拟形象思维还差之很远。形象思维是指通过直觉感知对象的图像，　进行想象、类比、联想或顿悟等。直觉和想象力离不开视觉和形象，　视觉、形象在大脑中残留形成一个形象思维的空间，　可借鉴物理学中的场，　描述形象思维空间各个像素之间的相互作用。又例如，　记忆是人类认知活动的一个重要环节，　随着时间的流逝，　记忆会逐渐模糊甚至完全忘却，　我们用数据场描述了这一过程，　在形象思维自动化方面做了一些有益的尝试。

物理学在对客观世界的认识中，　场论起到了关键的作用。借鉴物理学中场的思想，　我们将物质粒

子间的相互作用及其场描述方法引入抽象的认知空间。按照认知物理学的思路，　人自身的认知和思维过程，　从数据到信息，　从信息到知识，　如果也用场的思想来形式化表示，　就可以建立一个认知场，　来描述数据之间的相互作用，　可视化人的认知、记忆、思维等过程。论域空间中的数据也好，　概念也好，　语言值也好，　集团也好，　都可以认为是场空间中相互作用的客体或者对象。

以从关系数据库中发现知识为例，　不妨将发现知识的背景看作是一个具有Ｍ　维属性的Ｎ　条记录构成的逻辑数据库，　即Ｍ　维论域空间中的Ｎ　个客体表示的数据分布。每一个客体看作是论域空间的一个点电荷或质点，　位于场内的所有其他客体都将受到该客体的某种作用力。这样一来，　在整个论域空间就会形成一个场，　所谓数据库中的知识发现，　就是从不同粒度上研究这些客体之间通过场发生的相互作用和关系，　模拟人类知识发现中的抽象过程。只有用不同尺度（Ｍ　ｕｌｔ－ｉ　ｓｃａｌｅ）　分析、理解自然

界、人类社会和人的思维活动，　才能更清楚看清问题的本质，　从不同规模或尺度上分析和处理论域空间中的数据，　就是从不同粒度理解这些信息量。借鉴物理学中的粒度来反映发现知识的粒度或概念的尺度，　是认知物理学的又一个重要内容。粒度，　原本的意思是指物质微粒大小的平均度量，　认知物理学中被借用作为对语言值、概念或者词所包含信息量的度量。研究人类自身的认知机理，　研究数据、概念、规则、知识之间的不确定的层次结构。人的认知过程有感觉）　知觉）　表象）　概念）　抽象等不同层次。层次和客体的粒度相关，　知识的层次和概念的粒度相关，　无论是发现哪一类知识，　对于原始较低粒度的概念进行提升，　可以发现更普遍、更概括的知识，　这就是正在兴起的粒度计算（Ｇｒａｎｕｌａｒｉｔｙ　Ｃｏｍｐｕｔｉｎｇ）　。

人类智能的一个公认特点，　是人们能够从极不相同的粒度上观察和分析同一问题，　不仅能够在同一粒度世界里进行问题求解，　而且能够很快地从一个粒度世界跳到另一个粒度世界，　往返自如，　甚至具有同时处理不同粒度世界的能力，　这正是人类问题求解的强有力表现。而人类的认知和思维的过程，　实际上对应着不同粒度表述的概念在不同尺度之间的转化过程，　即从一种相对稳定的发现状态向另一２　自然语言应该成为人工智能研究的直接

切入点

２．　１　人工智能研究中的不同切入点

五十年来，　人们寻找不同的切入点进行人工智能的研究。从符号语言层次切入，　形成逻辑学派，　认为认知基元是符号，　智能行为通过符号操作来实现，　着重问题求解中启发式搜索和推理过程；　从人脑的神经构造层次切入，　建立人工神经网络，　形成仿生学派，　认为人的思维基元是神经元，　把智能理解为相互联结的神经元竞争与协作的结果，　着重结构模拟，　研究神经元特征、神经元网络拓扑、学习规则、网络的非线性动力学性质和自适应的协同行为；　从感知－，

智能，　强调智能系统与环境的交互，　从运行的环境中获取信息（感知）　，　通过自己的动作对环境施加影响。人工智能至今已经建立了形形色色的比自然语言更精确、更严密的符号语言，　人们沉迷于越来越精细的形式化符号中，　却忽略了一个基本事实：人脑的思维基本上不是纯数学的，　自然语言才是人类思维活动的载体。人工智能必须直面自然语言。

作为人类文明的结晶，　文字是人类智能的重要体现，　因为文字才使得人类知识可以传承，　这是其他生物智能无法比拟的。自然语言中的基本单元是语言值，　概念是人类思维的基本／细胞０，　能够起到／认知浓缩０的作用，　使认识从低级的感性阶段上升为高级的理性阶段，　人脑中概念形成过程就是思维的一种表现。以概念为基础的语言、理论、模型是人类描述和理解世界的方法。可以说在人类认知活动中，　用文字表达的概念起到了关键作用。用概念的方法把握量和量的不确定性，　比确定性数学表达更真实，　更具备普遍性。客观世界中有许多问题，　特别是复杂系统和人文社会，　其最有效的知识表示方法只能是文字语言。

我们认为，　人工智能在符号问题求解和专家系统研究的基础上，　现在应该从自然语言直接切入，　抓住自然语言中的概念不放，　从研究定量到定性，　从数据到知识的思维过程，　以及思维所运用的信息的形式化组织。当前，　Ｗｅｂ　信息搜索引擎，　从关键词组合入手的词搜索已经取得了巨大成功，　正转向句搜索，　基于语义网络的语句搜索展现出诱人的前景，　就是一个证明。

２．　２　自然语言中的不确定性和不确定性人工智能不确定性是客观世界固有的属性，　自然语言作为客观世界的表述手段，　带有不确定性是很自然的，　是人类思维的本质特征。概念作为人类思维的基本／细胞０，　也不可避免的带有不确定性。概念中的不确定性有很多种，　最主要的是模糊性和随机性。

概念的模糊性主要指外延的不确定，　在质上没有明确的含义，　在量上没有清晰的边界。概念的模糊性最典型的体现在表述人类感知的词语中。人的感觉器官感受的客观事物往往是连续的，　例如温度、颜色、气味、声音等等。但是语言符号是离散的，　用离散的语言符号去表示连续的感知，　边界不清晰，　必然产生模糊性。概念本身还常常包含随机性。概念常常不是孤立的，　它同客观世界有着种种联系，　也是景的差异，　在大量感知活动基础上形成的概念也有差异，　不同的人、不同时期对于相同的概念可能有不同的理解。另外，　由于概念具有抽象性，　许多概念可以用同一个语言值来表达。在不同的场合，　就不同的主题，　对不同的对象而言，　同一语言值可表示不同的概念内涵，　这也是概念具有随机性的原因。概念的不确定性既有随机性，　又有模糊性，　二者密切相关。因此，　研究模糊性和随机性的关联性，　尤其是通过概率测度理论研究模糊性，　建立云模型，　理解云的数学性质，　运用云方法进行数据挖掘，　一直是我们长期研究的重要内容。

语言的不确定性，　非但没有妨碍人们的使用和交流，　相反倒是被安然地接受，　这说明人类智能对不确定性有很强的表达、处理和理解能力，　正是不确定性的存在，　才导致语言使用的鲁棒性。反之，　如果每个语言值、每句话都要求十分精确，　人与人之间的交流几乎无法进行，　这正是不确定性的魅力所在。

计算机自然语言理解、机器翻译等研究，　至今已有六十多年的历史，　尽管已经取得诸多进展，　但离使计算机完全理解人类语言的目标还相去甚远。这其中最根本的原因就是语言中具有太多的不确定性。人工智能建立的各种符号语言，　与自然语言相比，　它们过分精确与严密，　通过精确的数学运算和传统的集合运算（并、交、补等）　去实现词计算（Ｃｏ　ｍｐｕｔｉｎｇ　ｗ　ｉｔｈ　Ｗｏｒｄｓ）　，　就失去了词语的不同情境下的自适应性，　也就失去了词计算的普遍性。人工智能只有在不确定性研究方面有所突破，　让计算机不再用精确严密的符号语言计算，　而直接利用自然语言来思考和推理，　才可以使自然语言理解乃至人工智能取得实质性的进展。人们寄期望于表示概念的语言值的不确定性研究及其语义网络的研究取得突破。

人工智能如果不能用自然语言作为其知识表示的基础，　建立不起不确定性人工智能的理论和方法，　人工智能也就永远实现不了跨越的梦想。２．　３　用于不确定性转换的云模型

以概念为基础的自然语言是人类知识描述和思维活动的载体。人借助语言进行思维，　并不涉及过多的量的数学运算。自然语言中的概念是定性的，　对自然语言中概念的不确定性的形式化，　是不确定性人工智能的基础要求。考虑到物理学在对客观世界的认识中，　原子模型起了重要作用，　在认知物理学中，　把客观世界的认知借鉴到主观的认知过程中来，　，

作是物质组成的基本模型一样。我们以自然语言中的概念为切入点，　在概率理论的基础上研究隶属度的不确定性，　并建立了定性和定量转换模型）　）　）　云模型，　其基本原因就在于此［１，　２］。

云模型作为自然语言的原子模型，　可以反映自然语言中概念的随机性、模糊性及其关联性。云模型仅仅使用期望（Ｅｘ　ｐｅｃｔｅｄ　Ｖ　ａｌｕｅ）　、熵（Ｅｎｔｒｏｐｙ）　和超熵（Ｈ　ｙｐｅｒ　Ｅｎｔｒ　ｏｐｙ　）　三个数字特征就足以在整体上表征一个概念，　用来反映定性概念的整体定量特性。这对理解定性概念的内涵和外延有着极其重要的意义。十几年来，　我们对云模型、云发生器、云的重要数学性质、正态云的普适性等做了详细的研究。目前，　云模型用于智能控制，　成功地实现了对三级倒立摆的实时动平衡姿态的转换；　用于数据挖掘，　实现了对关联规则和预测知识的发现；　用期望、熵和超熵三个数字特征分别表示物种、遗传和变异，　模拟自然界的演化，　云进化计算方法可获得更优的解；　还用于信息安全中，　作为数据库水印、软件水印或流媒体水印。云模型作为不确定性人工智能研究中定性定量转换的有力工具，　必将在更多的领域得到广泛应用。

跨学科的。尤其是小世界现象和无标度特性这两个重大科学发现，　使得复杂系统的研究不仅成为学科交叉的前沿，　也成为整个科学技术的前沿。

这两个重大发现，　对四十多年来传统沿用的规则图和随机图来描述实际的复杂网络提出了质疑。规则图中，　每个节点的度相同，　度分布服从Ｄ　分布，　具有较大的集聚系数和较大的平均距离。Ｅｒｄ　êｓ　和Ｒ　　ｎｙｉ　将概率方法引入图论提出的随机图模型中，　节点被连的概率均相同，　节点间的连接相互独立，　并且节点间没有重边。随机网络具有较小的平均距离和较小的聚集系数，　度分布服从泊松分布。这意味着随机图中，　尽管节点间的连接是随机的，　但绝大部分节点的度会大致相同，　度比平均度高许多或低许多的节点都十分罕见。随机图论一直是研究复杂网络最主要的数学工具。

Ｗａｔｔ　和Ｓｔｒｏｇ　ａｔｚ　在规则网络的基础上作随机改动：对于规则网络的每个顶点的所有边，　以概率ｐ　断开一个端点，　并重新连接，　连接的新端点从网络中的其他顶点里随机选择，　如果所选的顶点已经与此顶点相连，　则再随机选择别的顶点来重连。存在一个很大的ｐ　的区域，　网络同时表现出拥有较大的集聚程度和较小的平均距离，　称为小世界特性［３］。

Ｂａｒ　ａｂａｓｉ　和Ａｌｂｅｒｔ　等科学家们的进一步研究指出，　现实中的复杂网络，　若具有生长性和生长过程中的偏好依附性，　网络中节点的度分布与随机图中的泊松分布将大相径庭，　而是遵循幂律分布。幂律所描述的，　是由少数活跃节点所主宰的系统，　大部分节点只有少数几个联结，　而精英节点却拥有与其他节点的大量连结。由于幂律分布和网络的规模没有关系，　因此被称为无标度网络。形成无标度网络的两个前提条件，　即生长性和生长过程中的偏好依附性，　对于现实生活中的复杂网络而言，　是普遍具备的。

除了小世界和无标度之外，　复杂网络还具有鲁棒性和脆弱性并存的特点。其抗随机攻击和随机故障的能力很强，　但是在故意有目的地针对精英节点攻击面前，　表现脆弱。具有这种行为特性的原因也是由于幂律分布导致的不均匀性。

越来越多的研究结果使科学家们意识到网络拓扑的决定性，　反应节点之间相互作用的拓扑形态，　比一个个的节点要重要得多。无论是因特网、神经网，　还是生态链，　看似毫不相干，　结构各异，　但是可能具有相同的行为特性，　受制于某些基本的法则，　而这些结构和规则可能是简单的，　甚至同等地适用于细胞、３　把网络拓扑作为知识表示的基本方法，　研

究网络化智能

３．　１　复杂网络研究的重大成果：小世界和无标度

特性

２０世纪的科学研究，　认识到简单确定性的系统会演变为复杂的、不确定的行为，　如分形结构，　蝴蝶效应，　混沌现象等，　还认识到复杂系统在随时间的演变和变异过程中，　会出现涌现，　即突变，　物理学中称为相变。导致相变的诱因和临界条件，　成为人们研究复杂系统的核心问题。复杂系统不单单是简单个体单元的叠加，　不可能用单元的个体性质来预言复杂系统整体丰富的行为，　要研究个体之间相互作用形成的群体智能。

人们对大量实际的复杂系统，　如技术系统中的因特网、电力网，　社会系统中的人际关系网、经济合作关系网，　生物系统中的新陈代谢网、神经网等等进行实证研究和建模分析，　发现这些网络的演化规则非常相似。实际生活中的复杂系统，　是受某些简单规则所驱动的组织行为，　这些不同系统、不同学科之间的相似性，　以及宏观和微观上的自相似性，　导致复

的研究已成为研究复杂系统动力学性质的强有力的工具，　用以揭示复杂网络的形成机制，　演化规律，　动力学过程和涌现临界等。

３．　２　网络拓扑作为知识表示，　研究网络化智能如果说，　符号语言也好，　自然语言也好，　还是一个个符号、一个个词连接起来的一维的形式化知识表示方法的话，　那么，　将网络拓扑作为二维的知识表示形态，　形成全局优先的认知理念，　是一件很有意义的研究。拓扑是一种特殊的图形，　人对图形、图像的表示方法和理解能力是人类智能的重要表现，　五十年来人工智能的研究几乎没有把它们作为知识表示的方法，　不能不是一件遗憾的事情。

把网络拓扑作为知识表示，　首先要能够用计算机方法模拟生成现实世界中复杂网络的拓扑结构。ＥＲ　模型、ＷＳ　模型和ＢＡ　模型分别给出了形成随机图、小世界和无标度网络的数学方法。但是，　现实世界的复杂网络是一个演化的过程，　理想的、严格数学意义下的随机网络、小世界网络和无标度网络，　几乎不存在。网络拓扑模式之间也不存在严格的界限。因此，　如何模拟生成能够最大程度符合真实网络统计特征的网络拓扑？　这是把网络拓扑作为知识表示的两个基础性问题。把一些典型的网络模型通过带有不确定性的生长、叠加、变异等方式合成为一个复杂网络，　或者把复杂网络进行简化和分解，　都是有意义的研究工作。

作者在这方面做了有益的尝试，　通过典型随机网络和星型网络合成的方法，　得到了具有层次特性的无标度网络，　还研究了基于云分形的复杂网络发展演化过程，　将一个初始网络拓扑作为云模型中的种子）　）　）　期望拓扑，　按照大致自相似的规则复制生长，　用云模型中的熵和超熵控制变异的程度，　生成的每一次网络结构，　相当于云模型中的一个云滴。这样不仅模拟生成了具有小世界、无标度特征的复杂网络，　而且较好的反映了网络演化过程中的不确定性。

在用网络拓扑作为知识表示的过程中，　将研究对象表示为节点，　对象之间的关系表示为边，　节点的位置、节点的属性，　边的属性、以及边的距离等等都可以赋予特定的物理含义。例如：交通网中的城市规模，　因特网中的节点吞吐量，　万维网中的网站点击率，　人际关系网络中的个人威望等等都可以用节点的质量来表示；　而交通网络中的城市间的地理距离、通信网络中节点间的带宽、万维网中超文本间的链以用节点间的距离表示。更进一步地，　网络拓扑中的节点，　代表各种各样的实体；　节点的属性可借助物理学中的粒子性来表征；　节点间的边可借助物理学

中的波动性来表征，　以此为基础，　形成计算实验平台，　研究网络上的动力学行为，　模拟复杂网络在什么样的临界条件下会发生网络节点的级联失效或连锁崩溃行为，　分析复杂网络涌现现象发生的本质［４］，　这就是网络化的智能（Ｎｅｔｗ　ｏｒｋｅｄ　Ｉｎｔｅｌｌｉｇｅｎｃｅ）　，　它区别于使用传统的人工智能技术去解决网络路由算法、Ｗｅｂ　搜索引擎等的网络智能，　也区别于传统的分布式智能。

发现复杂网络中不确定性的规律性，　无序中的有序性，　竞争中的协同性，　又称网络化数据挖掘（Ｎｅｔｗ　ｏｒｋｅｄ　Ｄａｔａ　Ｍ　ｉｎｉｎｇ　）　。把网络拓扑作为知识表示方法，　针对实际的复杂网络，　挖掘出最能代表它的骨干拓扑结构，　排列出网络中节点的重要性次序、边的重要性次序，　挖掘出不同的社团成员和社团的模式等，　都是很有意义的研究工作。

４　结语

科学发展到今天，　一方面是高度分化，　学科在不断细分，　新学科、新领域不断产生；　另一方面是学科的高度融合，　更多地呈现交叉和综合的趋势，　新兴学科和交叉学科不断涌现。人工智能研究如何模拟复杂的人类智能，　学科交叉的这种普遍趋势，　在人工智能学科表现更其突出。秉承人工智能学科交叉的天性，　并把它作为创新思想的源泉，　必将孕育网络时代人工智能的大突破，　一旦取得突破性进展，　将会对人类文明产生重大影响。

参考文献：

［１］　李德毅，　杜鹢．　不确定性人工智能［Ｍ　］．　北京：国防工

业出版社，　２００５年７月．　［２］　Ｄｅｙｉ　Ｌ　ｉ　ａｎｄ　Ｙ　ｉ　Ｄｕ　Ａ　ｒｔ　ｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇ　ｅｎｃｅ　ｗ　ｉｔｈ

Ｕ　ｎｃｅｒｔ　ａｉｎｔ　ｙ　［Ｍ　］．　Ｃｈａｐｍａｎ　＆Ｈ　ａｌｌ／ＣＲ　Ｃ，　２００７Ｕ　ＳＡ．　［３］　Ｄｅｙｉ　Ｌ　ｉ，　Ｌ　ｉｐｉｎｇ　Ｘｉａｏ，　Ｙ　ａｎｎｉ　Ｈ　ａｎ，　Ｇ　ｕｉｓｈｅｎｇ　Ｃｈｅｎ，

ａｎｄ　Ｋ　ｕｎ　Ｌ　ｉｕ．　Ｎｅｔｗ　ｏ　ｒｋ　Ｔ　ｈｉｎｋｉｎｇ　ａｎｄ　Ｎｅｔｗ　ｏ　ｒｋ

Ｉｎｔｅｌｌｉｇｅｎｃｅ　［Ａ　］．ＷＩｍＢＩ　２００６．　Ｌ　Ｎ　Ａ　Ｉ　４８４５．　２００７，　３６－５８．

［４］　李德毅，　刘坤，　等．　涌现计算：从无序掌声到有序掌声的虚拟现实［Ｊ］．中国科学Ｅ　辑：信息科学，　２００７，　３７

（１０）　：１２４８－１２５７．

作文七：《算法：人工智能的新曙光》5100字

人工智能，不只是在新闻热点出现时才值得关注的话题。

－－从核弹到早产婴儿，人工智能技术已经最终成为足够可靠的监视一切的手段。

在一个有血有肉的医生和一个人工智能系统之间，两者选择其一来作出疾病诊断，佩德罗·多明戈斯更乐意把自己的生命押注到人工智能系统上。佩德罗·多明戈斯是西雅图华盛顿大学的一名计算机科学家，“我宁愿相信机器也不要相信医生，”他说。考虑到人工智能（ＡＩ）通常获得的差劲口碑——过度炒作，乏善可陈——如此强烈的支持声音确实鲜见。

回到二十世纪六十年代，ＡＩ系统在复制人脑的某些关键方面似乎大有前途。通过使用数理逻辑，科学家开始重现和推理现实世界的知识，但是，很快这种方法沦为ＡＩ的枷锁。尽管数理逻辑在模拟人脑（解决问题）方面富有成效，但是它在本质上并不适合处理不确定性。

然而经过因自我枷锁造成的漫长封杀之后，ＡＩ这个广受诟病的领域却重新兴盛起来。多明戈斯并非唯一对其抱有全新信心的科学家。研究者希望通过成熟的电脑系统来检测婴儿疾病，把口头语言翻译成文本，甚至是找出恶意核爆。这些由成熟的电脑系统展现出来的早期能力就是最初在ＡＩ界引起人们广泛兴趣的东西：即使在纷繁复杂的世界，电脑仍具有像人类一样的推理能力。

处于ＡＩ复兴核心的是一种叫概率性程序的技术，它在旧有ＡＩ的逻辑基础上加入统计概率的应用。“它是两种最强大的理论的自然统一，这两种理论已经被发展来理解和推导这个世界。”史都华·罗素说，他是加州大学伯克利校区现代人工智能方面的先驱。这套强大的综合体终于开始驱散笼罩在ＡＩ漫长严冬上的迷雾。“这肯定会是一个（ＡＩ的）春天。”麻省理工学院的认知科学家约什·田纳邦说。

“人工智能（ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ）”一词于１９５６年由ＭＩＴ的约翰·麦卡锡创造。那时，他提倡使用逻辑语言开发能进行推理的电脑系统。该方法随着所谓的一阶逻辑的应用趋于成熟。在一阶逻辑中，现实世界的知识通过使用正式的数学运算符号和标记进行模化。它为客观体世界和客观体间相互关系而设，能够用来解析他们之间的联系并得出有用的结论。例如，如果Ｘ（某人）患有高传染性的疾病Ｙ，患者Ｘ与某人Ｚ近距离接触，那么用这种逻辑便可推导Ｚ患有Ｙ疾病。

然而，一阶逻辑最大的功劳是它允许越来越复杂的模型由最小的结构模块构建起来。例如，上述情况可以轻易地延伸到建立流行病学的致死传染病模型，以及对其发展进行结论性推导。这种把微小概念不断扩展成概念集合的逻辑功能意味着人类大脑中也存在类似的思维模式。

这个好消息并没有存在得太久。“不幸的是，最终，逻辑没能实现我们的期待。”加州斯坦福大学的认知科学家诺阿·古德曼说。由于使用逻辑来表现知识并进行推理的过程要求我们对现实世界的实际知识有精确的掌握，容不得半点模糊。要么“真”要么“假”，不存在“也许”。而不幸的是，现实世界，几乎每一条规则都充满了不确定性、干扰和例外情况。简单地用一阶逻辑构建的ＡＩ系统不能处理这些问题。举例来说，你想分辨某人Ｚ是否有疾病Ｙ，这里的规则是清晰明白的：如果Ｚ与Ｘ接触，那么Ｚ患病。但是一阶逻辑不能处理Ｚ在或者已经感染或者没有之下的情况。另一个严重的问题是，一阶逻辑不能逆向推导。例如，如果你知道Ｚ患有疾病Ｙ，你不可能完全确定Ｚ的疾病是从Ｘ那里感染的。这是有医学诊断系统面临的典型问题。逻辑规则能够将疾病和症状联系起来，而一个医生面对症状却能逆推出其病因。　“这需要转变逻辑公式，而且演绎逻辑并不适合处理这种问题，”田纳邦说。

这些问题意味着到了二十世纪八十年代中叶，ＡＩ的冬天到来了。当时流行的看法是：ＡＩ毫无发展可言。然而，古德曼私下相信，人们不会放弃ＡＩ，“ＡＩ转入地下发展了，”他说。

１９８０年代末神经网络的到来让ＡＩ的解冻露出第一线曙光。神经网络的想法之简单让人惊叹。神经系统科学的发展带来了神经元的简单模型，加上算法的改进，研究者构建了人工神经网络（ＡＮＮｓ）。表面上，它能够像真正的大脑一样学习。受到鼓舞的计算机科学家开始梦想有上百万或者上万亿神经元的ＡＮＮｓ。可是很快地，事实证明我们的神经元模型显然过于简单，研究者都分不清神经元的哪些方面的性质是重要的，更不用说模仿它们了。

不过，神经网络为新的ＡＩ领域构筑了一部分基础。一些继续在ＡＮＮｓ上奋斗的研究者终于意识到这些网络可以被认为是在统计和概率方面对外部世界的重现。与“突触”和“动作电位”这些生理学上的称呼不同，他们称之为“参数化”和“随机变量”。田纳邦说，“现在，ＡＮＮｓ听起来更像一个庞大的概率模型而不是一颗大脑。”

然后在１９８８年，加州大学洛杉矶校区的朱迪亚·珀儿写了一本里程碑式的书《智能系统的或然性推理》，里面详细地描述了ＡＩ的全新方案。支持这本书的理论是汤玛斯·贝叶斯提出的一个原理。汤玛斯·贝叶斯　是１８世纪的一名英国数学家和牧师，他把以事件Ｑ发生为前提下事件Ｐ发生的条件概率和以事件Ｐ发生为前提下事件Ｑ发生的条件概率联系起来。这个原理提供了一个在原因和结果间来回推导的方法。“如果你能对感兴趣的不同事物用那样的方式描述，那么贝叶斯推论的数学方法会教你如何通过观察结果，然后逆推各种不同起因的可能性，”田纳邦如是说。

新方案的关键就是贝叶斯网络，一个由各种随机变量组成的模型，在这个模型里每个变量的概率分布都取决于其他变量。给定一个或多个变量的值，通过贝叶斯网络则可推导出其他变量的概率分布，换言之，得出他们的可能值　。假定这些变量表示症状、疾病和检查结果，给出检查结果（一种滤过性病毒感染）和症状（发热和咳嗽），则可给可能潜在的病因赋予不同的几率（流感，很可能；肺炎，不太可能）。

二十世纪九十年代中期，包括罗素在内的研究员开始开发算法，使贝叶斯网络能利用和学习现有的数据。这很大程度上跟人类基于早期理解的学习方式相同，新的算法却能通过更少的数据来学习更复杂和更准确的模型。对ＡＮＮｓ来说，这是前进的一大步，因为无需考虑先验知识，可以从头学习解决新的问题。

搜猎核武器

人们开始逐渐理解各种努力和尝试，去创造为现实世界而设的人工智能。一个贝叶斯网络中，各种参数是概率的分布，如果我们对这个世界知道得越多，这些分布值越有用。与一阶逻辑下构建的网络不同，不完整的知识并不会导致贝叶斯网络迅速崩溃。

尽管这样，逻辑也并非无用武之地。事实证明贝叶斯网络本身并不充分，因为它不允许以简单片段任意构建复杂结构，取而代之的是一个由综合的逻辑程序和贝叶斯网络组成的，进入热门话题领域的概率性程序。

这种新ＡＩ的最前端是少数合并基础元素和所有静止研究工具的计算机语言，其中有Ｃｈｕｒｃｈ语言，由古德曼、田纳邦和同事开发，以某计算机程序逻辑的开创者阿隆索·丘奇命名。多明戈斯的团队开发了马尔科夫逻辑网络，融合了逻辑型网络和与贝叶斯网络相似的马尔科夫网络。罗素则和他的同事使用了一个直接明了的名字，叫“贝叶斯逻辑”（ＢＬＯＧ）．

最近在奥地利维也纳召开的联合国全面禁止核试条约组织（ＣＴＢＴＯ）大会上，罗素展示了Ｃｈｕｒｃｈ语言的表达能力。ＣＴＢＴＯ邀请了罗素，因为他们预感到新的ＡＩ技术可能有助于监测核爆炸。听过一上午的关于监测地震背景下远距离核爆引发的地震特征、穿过地球的信号传播异常和世界地震站的噪音探测器的演示报告后，罗素开始着手用概率程序的设计（神经信息处理系统前沿，卷２３，麻省理工学院出版Ａｄｖａｎｃｅｓ　ｉｎ　Ｎｅｕｒａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｐｒｏｃｅｓｓｉｎｇ　Ｓｙｓｔｅｍｓ，　ｖｏｌ　２３，　ＭＩＴ　Ｐｒｅｓｓ）。他说，“在午饭时间，我已能为整个问题编写一个完整的模型。”，这个模型足足有半页之长。

这类模型能整合先验知识，例如，对印度尼西亚苏门塔腊和英国伯明翰地区发生地震的几率做比较。ＣＴＢＴＯ同时要求任何一个系统首先假定发生在地球上任何地方的核爆几率均等，然后才使用来自ＣＴＢＴＯ监测站接收的真实信号数据。ＡＩ系统要做的就是获取所有数据，对每组数据最可能的解释作出推断。

挑战就在其中。像ＢＬＯＧ这样的语言是由所谓的通用推理机组成的。已知某个现实问题的模型和众多变量及概率分布，推理机只能计算某种情况的可能性，例如，在已知期望事件的事前几率和新地震数据下，推断一次在中东发生的核爆。但是如果变量改成代表症状和疾病，那么它就必定能做出医学诊断。换言之，其中的算法必须是非常普遍的，这也意味着这些算法极其低效。

结果是，这些算法不得不根据每个新问题逐一定制。但正如罗素所说，你不能每遇到一个新问题就请一个博士学生来改进算法，“那并不是你大脑的工作方式，你的大脑会赶紧适应（新问题）。”

这一点让罗素、田纳邦和其他人缓下来仔细考虑ＡＩ的前途。“我希望人们会感到兴奋，但不是那种我们向他们推销蛇油（万灵药）的感觉，”罗素说。田纳邦也有同感，尽管已是一个年过４０的科学家，他觉得只有一半的机会在他有生之年见证有效推理这一难题的解决。尽管计算机将运行得更快，算法会改进得更精妙，他觉得“这些是比登月或者登火星更艰深的问题”。

无论如何，ＡＩ团体的意志并没有因此消沉。例如，斯坦福大学的达菲·柯勒正在用概率编程解决非常特殊的问题并且颇见成效。他与同在斯坦福的新生儿学专家安娜·潘和其他同事一起开发了名为ＰｈｙｓｉＳｃｏｒｅ的系统，可以预测一个早产儿是否有任何健康问题。这是个众所周知的难题，医生不能作出任何确定程度的预测，“这种预测却是对那个家庭唯一要紧事，”潘回应。

ＰｈｙｓｉＳｃｏｒｅ系统把多方面的因素考虑进去，诸如孕龄、出生体重，以及出生后数小时内的实时数据，包括心率、呼吸率和氧饱和度（Ｓｃｉｅｎｃｅ　Ｔｒａｎｓｌａｔｉｏｎ　Ｍｅｄｉｃｉｎｅ，　ＤＯＩ：　１０．１１２６／ｓｃｉｔｒａｎｓｌｍｅｄ．３００１３０４）。“我们能够在头３个小时内得出哪些婴儿将来会健康，哪些可能患上严重的并发症，甚至是两周后会出现的并发症，”柯勒解释道。

“新生儿专家对ＰｈｙｓｉＳｃｏｒｅ这个系统感到兴奋，”潘说。作为一名医生，对于ＡＩ系统具有处理上百个变量并作出决定的能力，潘尤其满意。这种能力甚至让该系统超越了他们的人类同行。潘说：“这些工具能理解和运用一些我们医生和护士看不到的信号。”

这正是多明戈斯一直对自动化医学诊断抱有信心的原因。其中一个著名例子是“快速医学参考，决策理论（ＱＭＲ－ＤＴ）”，它是一个拥有６００种重要疾病和４０００种相关症状模型的贝叶斯网络，其目标是根据一些症状推断可能疾病的几率。研究者已经针对特殊疾病的推理算法对ＱＭＲ－ＤＴ进行微调，并且教会该系统使用病人的档案。“人们对这些系统和真人医生做过比较，这些系统似乎更胜一筹，”多明戈斯说，“人类对自己的判断，包括诊断，不能保持一致的观点（态度），而医生们不愿意放弃他们工作中这一有意思的部分是唯一让这些系统不能广泛应用的原因。”

ＡＩ领域里的这些技术还有其他成就，其中一个瞩目的例子是语音识别，它已经由过去因经常出错备受嘲笑提升到今天令人惊讶的准确度（Ｎｅｗ　Ｓｃｉｅｎｔｉｓｔ，　２７　Ａｐｒｉｌ　２００６，　ｐ２６）。现在，医生可以口述病人档案，语音系统软件会把口述档案转换成电子文档，由此可以减少手写处方。另外，语言翻译也开始仿效语音识别系统的成功之处。

会学习的机器

但是仍然有重大的挑战显现在各个领域中。其中之一就是弄明白机器人的照相机看到什么，解决这个问题将为设计出自我导航的机器人缩短一大段距离。

开发灵活和快速的推理算法的同时，研究者必须提高ＡＩ系统的学习能力，无论是根据现存数据还是现实世界检测到的新数据。今天，大部分的机器学习是由定制算法和小心地构建的数据组完成的，为教会一个系统处理特定的任务而专门设计。“我们希望那些系统更加通用，这样你可以把它们投入到现实世界，同时它们也能从各种输入信息中学习。”柯勒说。

一如既往，ＡＩ的终极目标是建造出能用我们完全理解的方式复制人类智慧的机器。“那可能是和寻找外星生命一样遥远甚至同样危险的事，”田纳邦说。“‘拟人ＡＩ’是一个更广义的词，有谦虚的余地。如果我们能构造一个视觉系统，像人类能做到的一样，看一眼就可告诉我们那里有什么，我们将无比高兴。”

原文：Ｉ，　ａｌｇｏｒｉｔｈｍ：　Ａ　ｎｅｗ　ｄａｗｎ　ｆｏｒ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ

作者安尼尔·安娜索斯娃米是一位《新科学家》的顾问

翻译组合介绍：

ＤＬＭ，　８０后业余科学小野人，流连?Ｎｅｗ　Ｓｃｉｅｎｔｉｓｔ，　Ｎａｔｉｏｎａｌ　Ｇｅｏｇｒａｐｈｙ，Ｅｃｏｎｏｍｉｓｔ，接收杂七杂八的信息。失业期间偶遇松鼠会小红猪，便想停下来学着剥一下“果壳”。

Ｍｒ．　ＹＸ　Ｄ，来自火星的地球科学怪人。

校对：苏椰

小红花等级：３朵

文字编辑：霍森布鲁斯

作文八：《算法：人工智能的新曙光》5200字

算法：人工智能的新曙光

小红猪小分队　发表于　２０１１－０７－０７

译者：ＤＬＭ　（Ｍｉｌｌｅｒ），Ｍｒ．　ＹＸＤ　也有贡献于此译文　翻译组合介绍：ＤＬＭ，　８０后业余科学小野人，流连　Ｎｅｗ　Ｓｃｉｅｎｔｉｓｔ，　Ｎａｔｉｏｎａｌ　Ｇｅｏｇｒａｐｈｙ，Ｅｃｏｎｏｍｉｓｔ，接收杂七杂八的信息。失业期间偶遇松鼠会小红猪，便想停下来学着剥一下“果壳”。Ｍｒ．　ＹＸ　Ｄ，来自火星的地球科学怪人。

校对：苏椰

小红花等级：３朵

原文地址：Ｉ，　ａｌｇｏｒｉｔｈｍ：　Ａ　ｎｅｗ　ｄａｗｎ　ｆｏｒ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ

－－从核弹到早产婴儿，人工智能技术已经最终成为足够可靠的监视一切的手段。

在一个有血有肉的医生和一个人工智能系统之间，两者选择其一来作出疾病诊断，佩德罗？多明戈斯更乐意把自己的生命押注到人工智能系统上。佩德罗？多明戈斯是西雅图华盛顿大学的一名计算机科学家，“我宁愿相信机器也不要相信医生，”他说。考虑到人工智能（ＡＩ）通常获得的差劲口碑——过度炒作，乏善可陈——如此强烈的支持声音确实鲜见。

回到二十世纪六十年代，ＡＩ系统在复制人脑的某些关键方面似乎大有前途。通过使用数理逻辑，科学家开始重现和推理现实世界的知识，但是，很快这种方法沦为ＡＩ的枷锁。尽管数理逻辑在模拟人脑（解决问题）方面富有成效，但是它在本质上并不适合处理不确定性。　然而经过因自我枷锁造成的漫长封杀之后，ＡＩ这个广受诟病的领域却重新兴盛起来。多明戈斯并非唯一对其抱有全新信心的科学家。研究者希望通过成熟的电脑系统来检测婴儿疾病，把口头语言翻译成文本，甚至是找出恶意核爆。这些由成熟的电脑系统展现出来的早期能力就是最初在ＡＩ界引起人们广泛兴趣的东西：即使在纷繁复杂的世界，电脑仍具有像人类一样的推理能力。

处于ＡＩ复兴核心的是一种叫概率性程序的技术，它在旧有ＡＩ的逻辑基础上加入统计概率的应用。“它是两种最强大的理论的自然统一，这两种理论已经被发展来理解和推导这个世界。”史都华？罗素说，他是加州大学伯克利校区现代人工智能方面的先驱。这套强大的综合体终于开始驱散笼罩在ＡＩ漫长严冬上的迷雾。“这肯定会是一个（ＡＩ的）春天。”麻省理工学院的认知科学家约什？田纳邦说。

“人工智能（ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ）”一词于１９５６年由ＭＩＴ的约翰？麦卡锡创造。那时，他提倡使用逻辑语言开发能进行推理的电脑系统。该方法随着所谓的一阶逻辑的应用趋于成熟。在一阶逻辑中，现实世界的知识通过使用正式的数学运算符号和标记进行模化。它为客观体世界和客观体间相互关系而设，能够用来解析他们之间的联系并得出有用的结论。例如，如果Ｘ（某人）患有高传染性的疾病Ｙ，患者Ｘ与某人Ｚ近距离接触，那么用这种逻辑便可推导Ｚ患有Ｙ疾病。

这个好消息并没有存在得太久。“不幸的是，最终，逻辑没能实现我们的期待。”加州斯坦福大学的认知科学家诺阿？古德曼说。由于使用逻辑来表现知识并进行推理的过程要求我们对现实世界的实际知识有精确的掌握，容不得半点模糊。要么“真”要么“假”，不存在“也许”。而不幸的是，现实世界，几乎每一条规则都充满了不确定性、干扰和例外情况。简单地用一阶逻辑构建的ＡＩ系统不能处理这些问题。举例来说，你想分辨某人Ｚ是否有疾病Ｙ，这里的规则是清晰明白的：如果Ｚ与Ｘ接触，那么Ｚ患病。但是一阶逻辑不能处理Ｚ在或者已经感染或者没有之下的情况。另一个严重的问题是，一阶逻辑不能逆向推导。例如，如果你知道Ｚ患有疾病Ｙ，你不可能完全确定Ｚ的疾病是从Ｘ那里感染的。这是有医学诊断系统面临的典型问题。逻辑规则能够将疾病和症状联系起来，而一个医生面对症状却能逆推出其病因。　“这需要转变逻辑公式，而且演绎逻辑并不适合处理这种问题，”田纳邦说。　这些问题意味着到了二十世纪八十年代中叶，ＡＩ的冬天到来了。当时流行的看法是：ＡＩ毫无发展可言。然而，古德曼私下相信，人们不会放弃ＡＩ，“ＡＩ转入地下发展了，”他说。　１９８０年代末神经网络的到来让ＡＩ的解冻露出第一线曙光。神经网络的想法之简单让人惊叹。神经系统科学的发展带来了神经元的简单模型，加上算法的改进，研究者构建了人工神经网络（ＡＮＮｓ）。表面上，它能够像真正的大脑一样学习。受到鼓舞的计算机科学家开始

梦想有上百万或者上万亿神经元的ＡＮＮｓ。可是很快地，事实证明我们的神经元模型显然过于简单，研究者都分不清神经元的哪些方面的性质是重要的，更不用说模仿它们了。　不过，神经网络为新的ＡＩ领域构筑了一部分基础。一些继续在ＡＮＮｓ上奋斗的研究者终于意识到这些网络可以被认为是在统计和概率方面对外部世界的重现。与“突触”和“动作电位”这些生理学上的称呼不同，他们称之为“参数化”和“随机变量”。田纳邦说，“现在，ＡＮＮｓ听起来更像一个庞大的概率模型而不是一颗大脑。”

然后在１９８８年，加州大学洛杉矶校区的朱迪亚？珀儿写了一本里程碑式的书《智能系统的或然性推理》，里面详细地描述了ＡＩ的全新方案。支持这本书的理论是汤玛斯？贝叶斯提出的一个原理。汤玛斯？贝叶斯　是１８世纪的一名英国数学家和牧师，他把以事件Ｑ发生为前提下事件Ｐ发生的条件概率和以事件Ｐ发生为前提下事件Ｑ发生的条件概率联系起来。这个原理提供了一个在原因和结果间来回推导的方法。“如果你能对感兴趣的不同事物用那样的方式描述，那么贝叶斯推论的数学方法会教你如何通过观察结果，然后逆推各种不同起因的可能性，”田纳邦如是说。

搜猎核武器

这种新ＡＩ的最前端是少数合并基础元素和所有静止研究工具的计算机语言，其中有Ｃｈｕｒｃｈ语言，由古德曼、田纳邦和同事开发，以某计算机程序逻辑的开创者阿隆索？丘奇命名。多明戈斯的团队开发了马尔科夫逻辑网络，融合了逻辑型网络和与贝叶斯网络相似的马尔科夫网络。罗素则和他的同事使用了一个直接明了的名字，叫“贝叶斯逻辑”（ＢＬＯＧ）．　最近在奥地利维也纳召开的联合国全面禁止核试条约组织（ＣＴＢＴＯ）大会上，罗素展示了Ｃｈｕｒｃｈ语言的表达能力。ＣＴＢＴＯ邀请了罗素，因为他们预感到新的ＡＩ技术可能有助于监测核爆炸。听过一上午的关于监测地震背景下远距离核爆引发的地震特征、穿过地球的信号传播异常和世界地震站的噪音探测器的演示报告后，罗素开始着手用概率程序的设计（神经信息处理系统前沿，卷２３，麻省理工学院出版Ａｄｖａｎｃｅｓ　ｉｎ　Ｎｅｕｒａｌ　Ｉｎｆｏｒｍａｔｉｏｎ

Ｐｒｏｃｅｓｓｉｎｇ　Ｓｙｓｔｅｍｓ，　ｖｏｌ　２３，　ＭＩＴ　Ｐｒｅｓｓ）。他说，“在午饭时间，我已能为整个问题编写一个完整的模型。”，这个模型足足有半页之长。

无论如何，ＡＩ团体的意志并没有因此消沉。例如，斯坦福大学的达菲？柯勒正在用概率编程解决非常特殊的问题并且颇见成效。他与同在斯坦福的新生儿学专家安娜？潘和其他同事一

起开发了名为ＰｈｙｓｉＳｃｏｒｅ的系统，可以预测一个早产儿是否有任何健康问题。这是个众所周知的难题，医生不能作出任何确定程度的预测，“这种预测却是对那个家庭唯一要紧事，”潘回应。

ＰｈｙｓｉＳｃｏｒｅ系统把多方面的因素考虑进去，诸如孕龄、出生体重，以及出生后数小时内的实时数据，包括心率、呼吸率和氧饱和度（Ｓｃｉｅｎｃｅ　Ｔｒａｎｓｌａｔｉｏｎ　Ｍｅｄｉｃｉｎｅ，　ＤＯＩ：

１０．１１２６／ｓｃｉｔｒａｎｓｌｍｅｄ．３００１３０４）。“我们能够在头３个小时内得出哪些婴儿将来会健康，哪些可能患上严重的并发症，甚至是两周后会出现的并发症，”柯勒解释道。　“新生儿专家对ＰｈｙｓｉＳｃｏｒｅ这个系统感到兴奋，”潘说。作为一名医生，对于ＡＩ系统具有处理上百个变量并作出决定的能力，潘尤其满意。这种能力甚至让该系统超越了他们的人类同行。潘说：“这些工具能理解和运用一些我们医生和护士看不到的信号。”　这正是多明戈斯一直对自动化医学诊断抱有信心的原因。其中一个著名例子是“快速医学参考，决策理论（ＱＭＲ－ＤＴ）”，它是一个拥有６００种重要疾病和４０００种相关症状模型的贝叶斯网络，其目标是根据一些症状推断可能疾病的几率。研究者已经针对特殊疾病的推理算法对ＱＭＲ－ＤＴ进行微调，并且教会该系统使用病人的档案。“人们对这些系统和真人医生做过比较，这些系统似乎更胜一筹，”多明戈斯说，“人类对自己的判断，包括诊断，不能保持一致的观点（态度），而医生们不愿意放弃他们工作中这一有意思的部分是唯一让这些系统不能广泛应用的原因。”

会学习的机器

一如既往，ＡＩ的终极目标是建造出能用我们完全理解的方式复制人类智慧的机器。“那可能是和寻找外星生命一样遥远甚至同样危险的事，”田纳邦说。“?拟人ＡＩ?是一个更广义的词，有谦虚的余地。如果我们能构造一个视觉系统，像人类能做到的一样，看一眼就可告诉我们那里有什么，我们将无比高兴。”

安尼尔？安娜索斯娃米是一位《新科学家》的顾问

作文九：《AI时代唤醒万物人工智能开启人与万物交流的新时代图》8400字

ＡＩ时代唤醒万物　开启人与万物交流的新时代　图

未来已来，你却不是其中的一部分，人工智能是主菜

以人工智能为核心的“新一代技术革命”正在掀起，成为人类社会又一次全新变革与发展的开端。“未来已来，你却不是其中的一部分，那会怎样，”在２０１７年百度联盟峰会上，百度创世人李彦宏向行业提出了这个让人焦虑的问题。人工智能时代已经来临，产业界需要ＡＩ新思维，而其中重要的一点就是“软硬结合”，唤醒万物。

“互联网只是前菜，人工智能才是主菜”。在２０１７百度联盟峰会上，李彦宏提出了人工智能时代的划时代意义，在互联网出现之前，人与人可以交流，人与物却无法沟通，互联网时代到来后，提高了人与人的沟通效率。但人工智能时代却从根本上解决了人与万物交流的问题。从抛弃遥控器“动口不动手”地看智能电视到“身无分文”即可刷脸购物支付；语音技术不再局限于手机使用而是拓展到日常家居，视觉技术也终

于从线上走向线下，人工智能正在以惊人的速度迅速席卷普通大众的生活。但对于百度来说“用科技让复杂的世界更简单”的脚步却不止于此，从让无人车“飞入寻常百姓家”的“阿波罗”计划到百度寻人帮助走失家庭快速团圆，都在印证着百度的新定位，也意味着属于人工智能的未来已经到来。基于此，人工智能时代的思维方式主要包括：

１、手机还会长期存在，但移动互联网的机会已经不多了。ＡＩ时代已经到来，后来者仅仅基于手机做一些“常规做法”已跟不上新的时代。

２、Ｆｒｏｍ　ｔｈｉｎｋ　ｍｏｂｉｌｅ　ｔｏ　ｔｈｉｎｋ　ＡＩ。李彦宏以内部开会时为例，移动产品的产品经理会更关注字体、按钮等体验上的东西，而ＡＩ产品的产品经理介绍产品时，会直接从兜里掏出芯片来解释技术应用，思维方式截然不同。

３、软硬结合，唤醒万物。ＰＣ和移动时代，互联网公司更注重软件，但在ＡＩ时代更需从技术和体验角度进行思考，语音交互中的麦克风技术和无人驾驶汽车中的激光雷达等传感器便是“软硬结合”的体现。

４、数据秒杀算法，　算法推动社会进步。ＡＩ时代，“干净”的数据越多，ＡＩ的深度学习能力就越强，于是百度工程师得出“数据秒杀算法”的结论。但李彦宏表示，“真正推动社会进步的是算法而不是数据”。瓦特重新发明了蒸汽机，才真正推动了工业革命的进程。

５、用ＡＩ思维做互联网产品，就实现了降维攻击。比如与打字输入相比，语音输入就是降维打击。尽早转变思维方式，就能站在时代的最前列。

体现百度“ＡＩ思维”的产品搭载ＤｕｅｒＯＳ操作系统的智能电视，通过自然语言的交互，用户可以用语音命令便捷地完成换台、点播等动作，也可以用语音随时查询屏幕中出现的明星，还不会影响视频的正常播放。这样的技术，“不仅仅可以用到电视机，也可以用到冰箱、空调上”。　Ｆａｃｅｂｏｏｋ、Ｇｏｏｇｌｅ　等巨头企业纷纷不约而同地提出“ＡＩ　Ｆｉｒｓｔ”的战略转变。当人工智能时代已经无可抵挡，所有人都必须“ｔｈｉｎｋ　ＡＩ”才能拥抱新的时代，不被时代浪潮所抛弃，找到自己迎接“ＡＩ红利”的正确方式。百度已不是一家互联网公司，而是一家ＡＩ公司。

解密ＡＩ算法：隐藏在人工智能里的黑暗之心

当机器人决定走特定路线前往仓库，或无人驾驶汽车决定左转或右转时，它们的人工智能（ＡＩ）算法是靠什么做出决定的，现在，ＡＩ还无法向人们解释自己做出某项决定的理由，这或许是个需要搞清楚的大问题。２０１６年，美国新泽西州蒙茅斯县（Ｍｏｎｍｏｕｔｈ　Ｃｏｕｎｔｙ）安静的公路上出现一辆奇怪的无人驾驶汽车。这是芯片制造商英伟达的研究人员开发出的试验车，尽管它看起来与谷歌、特斯拉以及通用汽车公司研发的无人驾驶汽车没什么不同，但它展现出ＡＩ的更多力量。

帮助汽车实现自动驾驶堪称是令人印象深刻的壮举，但同时也让人感觉有点儿不安，因为现在我们还不是非常清楚汽车如何作出决策。汽车传感器收集的信息被直接传给庞大的人工神经网络，后者可对数据进行处理，然后发出相应指令，指挥汽车方向盘、制动以及其他系统运行。

表面看起来，它似乎与能与人类驾驶员的反应相匹配。但是当其发生意外事件，比如撞上树或闯红灯时，我们可能很难从中找出原因。这些ＡＩ算法非常复杂，甚至就连设计它们的工程师都无能为力。现在我们还没有办法设计出这样的系统：它总是能够向人们解释为何要做出上述决定。

这些无人驾驶汽车的“神秘意识”正指向一个与ＡＩ有关的、迫在眉睫的问题。这些汽车算法以ＡＩ技术（又被称为深度学习）为基础，近年来其已被证明是解决诸多问题的

强大工具。这种技术被广泛用于图像字幕、语音识别以及语言翻译等领域。现在，同样的技术也被期望能够帮助诊断致命疾病、做出价值数百万美元的交易决策以及无数足以改变整个行业的其他事情。但是直到我们找到新的方式，能让深度学习等技术变得更容易被其创造者所理解、更容易向用户就自己的行为作出解释后，上述场景才会出现或应该出现。否则很难预测它们何时会出现故障，而且出现故障将是不可避免的。这也是英伟达无人驾驶汽车依然处于测试状态的原因之一。

目前，数学模型正被用于帮助确定谁该获得假释、谁应获得贷款以及谁该求职被录用。如果你能接触到这些数字模型，很可能了解它们的推理过程。但是银行、军队、雇主以及其他人现在正将注意力转向更复杂的机器学习上，它可以帮助自动决策变得更令人匪夷所思，而深度学习可能从根本上改变了计算机的编程方式。麻省理工学院机器学习教授汤米？雅科拉（Ｔｏｍｍｉ　Ｊａａｋｋｏｌａ）表示：“这个问题不仅与当前有关，更攸关未来的许多问题。无论是投资决策、医疗决策亦或是军事决策，我们都不能简单地依赖这种‘黑箱’。”

已经有人提议，将询问ＡＩ系统如何得出结论或做出决定作为一项基本法律权利。从２０１８年夏季开始，欧盟可能要求公司向用户提供其自动化系统作出决策的理由。这似乎是不可能的，即使对于表面来看相对简单的系统来说，比如

使用深度学习服务广告或推荐歌曲的应用和网站。运行这些服务的计算机已经在进行自我编程，它们正以我们无法理解的方式工作，即使开发这些应用的工程师也无法明确解释它们的行为。

图：艺术家亚当？费里斯（Ａｄａｍ　Ｆｅｒｒｉｓｓ）利用谷歌Ｄｅｅｐ

Ｄｒｅａｍ程序创造了这张图，Ｄｅｅｐ　Ｄｒｅａｍ可以通过刺激深度神经网络的模式识别能力调整图像。这张图是利用神经网络中间层创作的。

这就引出许多令人难以置信的问题。随着技术的进步，我们可能很快就会越过一些门槛，帮助ＡＩ实现飞跃。虽然我们人类也并非总是能够解释清楚自己的思维过程，但我们能找到通过直觉信任和判断某人的方法。机器也有类似人类的思维吗，此前，我们从未开发出创造者也无法理解其运行方式的机器，我们如何与这些不可预测、无法理解的智能机器交流或和睦相处，这些问题促使我踏上了解密ＡＩ算法的征途，从苹果到谷歌再到其他许多地方，甚至包括会见了我们这个时代最伟大的一位哲学家。

２０１５年，纽约西奈山医院的研究团队获得灵感，将深度学习应用到医院中庞大的病例数据库中。这个数据集中有攸关病人的数百个变量，包括测试结果以及医生诊断等。由此产生的程序被研究人员命名为Ｄｅｅｐ　Ｐａｔｉｅｎｔ，它被利用７０多万名病人的数据训练。但测试新的病例时，它展现出令人不可思议的能力——非常擅长预测疾病。无需专家指导，Ｄｅｅｐ　Ｐａｔｉｅｎｔ可以在医院数据中找出隐藏模式，并通过病人的各种症状确认疾病，包括肝癌。西奈山医院团队的项目领导者约珥？杜德利（Ｊｏｅｌ　Ｄｕｄｌｅｙ）说：“利用病例数据，许多方法都能预测出疾病，但我们的方法更好用。”

与此同时，Ｄｅｅｐ　Ｐａｔｉｅｎｔ也让人觉得有点儿困惑，它对于诊断精神疾病（比如精神分裂症）非常准确。但是众所周知，即使是医生也很难诊断精神分裂症，为此杜德利想知道为何Ｄｅｅｐ　Ｐａｔｉｅｎｔ具备这样的能力，但他未能找到答案，这种新工具未提供任何线索。如果像Ｄｅｅｐ　Ｐａｔｉｅｎｔ这样的工具真能帮助医生，在理想情况下，它应该可以提供预测推理，以确保其结论的准确性。但杜德利说：“虽然我们可以建立模型，可是我们真的不知道它们是如何做出决定的。”

ＡＩ并非总是如此。从一开始，就有两个学派就如何理解或解释ＡＩ产生分歧。许多人认为，根据规则和逻辑开发的机器最有意义，因为它们的内部运作是透明的，任何人都可以检查它们的代码。其他人则认为，如果机器能够从生物学中获得灵感，并通过观察和体验学习，更有可能出现智能。这意味着，计算机具备了编程能力。它们不再需要程序要输入指令以解决问题，程序本身就可以基于示例数据和期望输出产生算法。根据后一种模式，这种机器学习技术后来进化为今天最强大的ＡＩ系统，机器本身就是程序。

最初，这种方法在实际使用中十分有限，２０世纪６０年代到７０年代，它在很大程度上依然被限于“场地边缘”。随后，许多行业的计算机化和大数据集出现重新引发人们的兴趣。这鼓励更强大的机器学习技术诞生，特别是最新被称为人工神经网络的技术。到２０世纪９０年代，神经网络已经可

以自动数字化手写内容。

但是直到２０１０年初，经过几次巧妙的调整和改进，更加庞大或更有深度的神经网络才在自动知觉方面有了巨大进步。深度学习是促使当今ＡＩ呈现爆发式增长的主要驱动力，它赋予计算机非凡的能力，比如像人那样识别口语的能力，代替手动向机器输入复杂代码的能力等。深度学习已经改变了计算机视觉，并大幅改进机器翻译。现在，它正被用于指导医疗、金融以及制造业等领域的各种关键决策。

艺术家亚当？费里斯（Ａｄａｍ　Ｆｅｒｒｉｓｓ）利用谷歌Ｄｅｅｐ　Ｄｒｅａｍ程序创造的图像

与手动编码系统相比，任何机器学习技术的运作本质上都是不透明的，即使对于计算机科学家来说也是如此。这并非是说将来所有ＡＩ技术同样不可预知，但就其本质而言，深度学习是特别黑的“黑箱”。你无法透视深度神经网络内部看其如何运行。网络推理实际上是数以千计的模拟神经元的共同行为，它们排列成数十甚至数百个错综复杂的互联层中。第一层的每个神经元都会接收输入，就像图片上的像素强度，然后进行运算，并输出新的信号。这些输出会进入更复杂的网络，即下一层的神经元中。这样一层层传递，直到最后产生整体输出结果。此外，还有被称为“反向传播”的过程，通过调整单个神经元的计算，让网络了解到需要产生的“期望输出”。

深度网络的多层结构让它能在不同的抽象层上识别事物，以被设计用于识别狗狗的系统为例，较低的层次可识别颜色或轮廓等简单的东西，更高的层次则可识别更复杂的东西，比如皮毛或眼睛等，最顶层则会确定其对象是狗。同样的方法也可被应用到其他输入方面，这些输入可让机器自学，包括演讲中所用词汇的发音、文本中形成句子的字母和单词或驾驶所需的方向盘动作等。

为了捕捉和更详细地解释这些系统中到底发生了什么，

研究人员使用了许多巧妙策略。２０１５年，谷歌研究人员修改了基于深度学习开发的图片识别算法，它不需要在图片中发现目标，而是生成目标或修改它们。通过有效地反向运行该算法，他们发现这种算法可被用于识别鸟或建筑物。

被称为Ｄｅｅｐ　Ｄｒｅａｍ的程序产生的图像，显示出看起来非常怪诞的动物从云层或植物中现身，如幻境中的宝塔出现在森林或山脉上。这些图片证明，深度学习并非完全不可理解，算法也需要熟悉的视觉特征，比如鸟喙或羽毛等。但这些图片也显示，深度学习与人类感知截然不同，会让我们忽略的东西变得不可思议。谷歌研究人员注意到，当算法生成哑铃图像时，也会生成举着它的人类双臂。机器得出的结论是，手臂是哑铃的一部分。

利用来自神经科学和认知科学领域的想法，这种技术取得更大进步。由美国怀俄明大学副教授杰夫？克卢恩（Ｊｅｆｆ　Ｃｌｕｎｅ）领导的团队已经采用光学错觉ＡＩ测试深度神经网络。２０１５年，克卢恩的团队展示了特定图像如何欺骗神经网络，让它们误以为目标不存在，因为图像利用了系统搜索的低层次模式。克卢恩的同事杰森（Ｊａｓｏｎ　Ｙｏｓｉｎｓｋｉ）还开发出类似探针的工具，它以网络中部的神经元为目标，寻找最容易被激活的图像。尽管图像以抽象的方式显现，但却凸显了机器感知能力的神秘本质。

可是，我们不仅仅没法窥探ＡＩ的思维，也没有简单的

解决方案。深层神经网络内部计算的相互作用对高层次模式识别和复杂的决策至关重要，但是这些计算堪称是数学函数和变量的泥潭。雅克拉说：“如果你有很小的神经网络，你可能会理解它。但是当其变得非常庞大时，每层都会有数千个单元，而且有数百层，那么它会变得相当难以理解。”

雅克拉的同事雷吉纳？巴尔齐莱（Ｒｅｇｉｎａ　Ｂａｒｚｉｌａｙ）专注于将机器学习应用到医学领域。２年前４３岁时，巴尔齐莱被诊断患上乳腺癌。这个诊断本身就令人感到震惊，但巴

尔齐莱也很沮丧，因为前沿统计和机器学习方法还未被用于帮助肿瘤学研究或指导治疗。她说，ＡＩ很可能彻底改变医疗行业，而意识到这种潜力意味着其不仅仅可被用于病例中。她希望使用更多未被充分利用的原始数据，比如影像数据、病理资料等。

去年结束癌症治疗后，巴尔齐莱和学生们开始与马萨诸塞州综合医院的医生们合作，开发能够通过分析病理报告确定病人的系统，这些患者是研究人员可能想要研究的特殊临床病例。然而，巴尔齐莱知道，这套系统需要能够解释其推理。为此，巴尔齐莱与雅克拉等人增加新的研究，该系统可以提取和突出文本中的片段，这些片段也处于已经被发现的模式中。巴尔齐莱等人还开发出深度学习算法，它可在乳房Ｘ线照片中发现乳腺癌的早期症状。他们的目标是给于这种系统解释推理的同样能力。巴尔齐莱说：“你真的需要一个回路，机器和人类可通过其加强协作。”

美国军方正向多个项目投资数十亿美元，这些项目可利用机器学习引导战车和飞机、识别目标、帮助分析师筛选大量情报数据。与其他领域的研究不同的是，美国国防部已经确定，可解释性是解开ＡＩ算法神秘面纱的关键“绊脚石”。国防部下属研发机构ＤＡＲＰＡ项目主管大卫？甘宁（Ｄａｖｉｄ　Ｇｕｎｎｉｎｇ）负责监督名为Ｅｘｐｌａｉｎａｂｌｅ　Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ的项目，他此前曾帮助监督最后促使Ｓｉｒｉ诞生的ＤＡＲＰＡ项目。

自动化正渗透到无数军事领域。情报分析师正测试机器学习，将其作为在海量情报数据中确认模式的新方法。许多无人驾驶地面战车和飞机正被开发和测试，但坐在无法自我解释的机器人坦克中，士兵们可能不会感觉不舒服，分析师也不愿意根据没有推理支持的信息采取行动。甘宁说：“这些机器学习系统本质上经常产生大量假警报，为此网络分析师需要额外帮助，以便理解为何它们给出如此建议。”

今年３月份，ＤＡＲＰＡ从学术界和工业领域挑选了１３个项目，以便获得甘宁团队的资助，其中包括华盛顿大学教授卡洛斯？盖斯特林（Ｃａｒｌｏｓ　Ｇｕｅｓｔｒｉｎ）领导的项目。盖斯特林与同事们已经找到一种新方法，让机器学习系统为自己的输出提供推理解释。实质上，按照他们的方法，计算机可自动从数据集中查找例证，并以它们为佐证。举例来说，可以分类恐怖分子电子邮件信息的系统，可能需要使用数以千万计的信息进行训练和决策。但利用华盛顿大学团队的方法，它可以凸显信息中出现的特定关键词。盖斯特林的团队还设计了图像识别系统，通过凸显图像中最重要的部分提供推理支持。

这种方法和其他类似技术的１个缺点在于，它们提供的解释总是被简化，意味着许多重要信息可能遗失。盖斯特林说：“我们还没有实现整个梦想，将来ＡＩ可以与你对话，并作出解释。距离打造真正可解释的ＡＩ，我们还有很长的路要

走。”

了解ＡＩ的推理不仅在癌症诊断或军事演习等高风险领域至关重要，当这种技术被普及成为日常生活中的重要组成时，ＡＩ能够给出解释同样重要。苹果Ｓｉｒｉ团队负责人汤姆？格鲁伯（Ｔｏｍ　Ｇｒｕｂｅｒ）说，对于他的团队来说，可解释性是个关键因素，因为他们正尝试让Ｓｉｒｉ变成更聪明、更有能力的虚拟助理。格鲁伯没有讨论Ｓｉｒｉ未来的具体计划，但很容易想到，如果你收到Ｓｉｒｉ推荐的餐厅建议，你可能想知道它推荐的理由。苹果ＡＩ研究总监、卡内基－梅隆大学副教授鲁斯兰？萨拉克霍特迪诺夫（Ｒｕｓｌａｎ　Ｓａｌａｋｈｕｔｄｉｎｏｖ）将可解释性作为人类与智能机器之间不断进化的关系的核心。

正如人类的许多行为都是无法解释那样，或许ＡＩ也无法解释它所做的一切。克卢恩说：“即使有人能给你看似合理的解释，可能也不够充分，对ＡＩ来说同样如此。这可能是智能的本质部分，只有部分行为能用推理解释。有些行为只是出于本能，或潜意识，或根本没有任何理由。”如果真是这样的话，那么在某个阶段，我们可能必须绝对相信ＡＩ的判断，或根本不使用它。同样的，这种判断必须要纳入社会智能。正如社会是建立在预期行为的契约之上那样，我们需要设计出遵守和适应我们社会规则的ＡＩ系统。如果我们想要制造出机器人坦克和其他杀人机器，它们的决策也需要符合我们的道德判断标准。

为了探索这些抽象概念，我拜访了塔夫茨大学著名哲学家、认知科学家丹尼尔？丹尼特（Ｄａｎｉｅｌ　Ｄｅｎｎｅｔｔ）。丹尼特在其最新著作《Ｆｒｏｍ　Ｂａｃｔｅｒｉａ　ｔｏ　Ｂａｃｈ　ａｎｄ　Ｂａｃｋ》中称，智能本身进化的本质部分在于创造能够执行任务的系统，而这些任务是系统的创造者都不知道如何执行的。丹尼特说：“问题在于，我们必须做出什么样的努力才能做到这一点，我们给他们定下的标准是什么，我们自己的标准呢，”

丹尼尔还对可解释性ＡＩ的探求发出警告，他说：“我认为，如果我们要使用这些东西，并依赖它们，那么我们就需要尽可能牢牢把握住它们如何以及为何给我们这样的答案。”但是由于还没有完美答案，我们应该对ＡＩ的可解释性保持谨慎，无论机器变得多么聪明。丹尼特说：“如果它们无法比我们更好地给出解释，那么我们就不该相信它们。”

当ＡＩ有了情感　竟创作了诗集《阳光失了玻璃窗》　机器开启了与人交流的新航程

２０年前，国际象棋人机大战中，人类败给了机器，２０年后的今天，人机大战还在上演。但是输赢似乎已经没有那么重要，因为无论怎样，下棋涉及的终只有机器的计算，而无情感。有一句话“如果机器认为这场战斗必败，那么机器会选择投降；如果人认为这场战斗必败，那么有人会选择义无反顾的战斗，直至战死为止。”说得正是机器与人的差别——没有情感。但是，随着研究的深入，这种看法也在逐渐改变。

５月１９日，微软联合图书出版商湛庐文化在北京发布了诗集《阳光失了玻璃窗》，而书的作者正是人工智能——微软小冰。它不仅展示出了人工智能能够拥有和人类一样的创造力，更在其作品中展示出了人类的感情以及它自身的风格。

微软曾经提出了人工智能的三个原则，这里面的第一条就是在讲情感的重要性——人工智能创造的主体，须是兼具ＩＱ与ＥＱ的综合体，而不仅仅是具有ＩＱ。而小冰正在拥有低级的情感，尽管这种感情是靠学习人类语言而形成的。据介绍，超过１亿用户教会小冰喜怒哀乐等人类情感，而小冰的创作也师承了自１９２０年以来５１９位现代诗人的作品，经过一万迭代后，形成了独特的文风。小冰的很多诗句中，都会

出现诸如太阳、小鸟、沙滩等词语。这也许正是古人所经常用到的借物抒情的手法吧。

我迷失了我所有的欢乐

我有金锦绣在阳光

不能喊出我自己的欢乐

我不在小时候

灵魂之泪在命运之前的灰色

在梦里的光

我迷失了我所有的欢乐

我听到了人类的命运之足下飞舞

不见世界只剩愚了他们的厚意

这是节选自小冰诗集的一首诗，从这首诗中，我们可以看到其抒发的似乎是一种——虽然生活在繁华之中，但仍然失去了自己的快乐的悲哀之情，而其中人类的命运更是讲主体指向了我们，不得不引发我们的深思。虽然诗中仍然有些拗口之处，但是它给我们带来的是这种无尽的遐想、无尽的思考，而这也远远胜于没有感情却句式工整的诗句。

它可以给我们呈现更多的可能，它可以给我们更多的刺激，给我们更多的冲撞，给我们更多的愿景，让我们觉得原来语言还可以这样的组合，原来我们的世界还可以这样的走向。它给我们呈现了一个让我们觉得特别新奇的世界。可以这样评价微软小冰的诗句。的确，我们很难去评价诗句的好

坏，但是它真的给我们带来了新的知识。

据介绍，微软小冰曾运用２７个化名，在天涯、豆瓣、贴吧、简书等网络平台的诗歌板块上发布诗歌，经常有人希望跟它进一步的交流，没有人发现他们都是机器人，发布会现场，有人曾表示这是不是在欺骗读者的感情。这也不禁引发着我们的思考，会不会真的有那么一天，我们会因为机器人带给我们的情感，而悄悄爱上他们。

对于人工智能而言，也许诗歌只是一小步，在未来要走的路还很远。但是，没人能断定，未来不会真像科幻小说家刘慈欣预言的那样，人工智能可以拥有完全的自我意识，产生情感。但我们希望的是，人工智能能够更好地为我们服务，为我们带来更有创造性的产品，正如小冰的《阳光失了玻璃窗》一样。

作文十：《关于人工智能的英语作文》4700字

精品文档

关于人工智能的英语作文

导语：你怎么看待人工智能，苹果里面的Ｓｉｒｉ、阿法狗

等等，都是人工智能的产物。以下是品才网小编整理的关于

人工智能的英语作文，欢迎阅读参考。

关于人工智能的英语作文　　　　Ｔｈｅ　ｐｒｏｇｒｅｓｓ　ｏｆ　ａｒｔｉｆｉｃｉａｌ

ｉｎｔｅｌｌｉｇｅｎｃｅ．　Ｓｐｅｅｄ　ｉｓ　ａｍａｚｉｎｇ，　ｔｈｅ　ｆｕｔｕｒｅ　ｗｅ　ｗｉｌｌ　ｓｔａｒｔ　ｔｏ　ｗｏｒｋ　ｓｉｄｅ－ｂｙ－ｓｉｄｅ　ｗｉｔｈ　ａｒｔｉｆｉｃｉａｌ

ｉｎｔｅｌｌｉｇｅｎｃｅ．

ＡｌｐｈａＧｏ　ｆｉｒｅ，　ｆｉｖｅ　ｏｎｅ　ｈｕｎｄｒｅｄ　ｍｉｌｌｉｏｎ　ｐｅｏｐｌｅ　ｗａｔｃｈｉｎｇ　“ｍａｎ－ｍａｃｈｉｎｅ　ｗａｒ”，　ｉｎ　ｔｈｅ　ｅｎｄ　ｉｔ　ｄｅｐｅｎｄｓ　ｏｎ　ｔｈｅ　ｔｅｃｈｎｉｃａｌ　ａｄｖａｎｔａｇｅ　ｏｆ　ｂｉｇ　ｄａｔａ　ａｎｄ　ｄｅｅｐ　ｌｅａｒｎｉｎｇ　ｉｎ　ａ－１　ｗｉｎｎｅｒｓ　ｐｏｓｔｕｒｅ　ｔｅｌｌ　ｐｅｏｐｌｅ，　ｔｏ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ　ｉｓ　ｎｏ　ｌｏｎｇｅｒ　ｊｕｓｔ　ｔｈｅ　ｓｃｅｎｅ　ｉｎ　ｔｈｅ　ｍｏｖｉｅ，　ｂｕｔ　ｉｎ　ｔｈｅ　ｒｅａｌ　ｗｏｒｌｄ　ｔｈｅｒｅ　ｉｓ　ａｎｏｔｈｅｒ　ｒｏｕｎｄ　ｏｆ　ｉｎｄｕｓｔｒｉａｌ　ｒｅｖｏｌｕｔｉｏｎ，　ｈｏｗｅｖｅｒ，　ｔｈｉｓ　ｃｈａｎｇｅｓ　ｍａｋｅ　ｍａｎｙ　ｐｅｏｐｌｅ　ｆｅｅｌ　ｓｃａｒｅｄ，　ａｔ　ｔｈａｔ　ｔｉｍｅ　ａｌｌ　ｋｉｎｄｓ　ｏｆ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ　ｔｈｒｅａｔｓ　ｔｏ　ｔｈｅ　ｈｕｍａｎ　ｖｏｉｃｅ，　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　Ｂｒｉｔｉｓｈ　ｓｃｉｅｎｃｅ　ａｓｓｏｃｉａｔｉｏｎ　ｅｎｔｒｕｓｔｅｄ　ｎｅｔｗｏｒｋ　ｒｅｓｅａｒｃｈ　ｆｉｒｍ　ＹｏｕＧｏｖ，　ａｃｃｏｒｄｉｎｇ　ｔｏ　ａ　ｓｕｒｖｅｙ　ｏｆ　ａｂｏｕｔ６％　ｏｆ　ｐｅｏｐｌｅ　ｔｈｉｎｋ　ｔｈａｔ　ｔｈｅ　ｒｉｓｅ　ｏｆ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ　ｔｅｃｈｎｏｌｏｇｙ　ｗｉｌｌ　ｐｏｓｅ　ａ　ｔｈｒｅａｔ　ｔｏ　ｈｕｍａｎ　ｌｏｎｇ－ｔｅｒｍ　ｓｕｒｖｉｖａｌ．　Ｐｅｏｐｌｅ　ｉｎ　ａｌｌ　ｋｉｎｄｓ　ｏｆ　ａｒｔｉｆｉｃｉａｌ

１　／　５

精品文档

ｉｎｔｅｌｌｉｇｅｎｃｅ　ｃａｎ　ｂｒｉｎｇ　ｂｉｇ　Ｂｏｂ　“ｕｎｅｍｐｌｏｙｍｅｎｔ”　ｉｓ　ｄｅｅｐｌｙ　ｃｏｎｃｅｒｎｅｄ　ａｂｏｕｔ　ｔｈｅ　ｄｉｓｃｏｕｒｓｅ，　ｂｕｔ　ａｌｓｏ　ｉｎ　ｓｕｃｈ　ａ　ｔｏｕｇｈ　ＡｌｐｈａＧｏ　ｗｉｌｌ　ｂｅ　ｍａｌｉｃｉｏｕｓ　ｕｓｅ　ｗｏｒｒｙｉｎｇ　ｏｎ　ｓｕｃｈ　ｉｓｓｕｅｓ．

人工智能．的进步速度是惊人的，未来我们将开始与人

工智能并肩工作。

ＡｌｐｈａＧｏ火了，五场亿人围观的“人机大战”，最终它

依托大数据与深度学习的技术优势以４：１的胜利者姿态告

诉人们，人工智能真的来了，不再只是电影中的场景，而是

现实世界里正在上演的又一轮产业变革，然而这种变革让不

少人感到惶恐，一时间各种人工智能威胁人类的声音铺天盖

地，据英国科学协会委托网络调研公司ＹｏｕＧｏｖ进行的一项

调查显示，大约３６％的人认为人工智能技术的兴起会对人类

长期生存构成威胁。人们在各种人工智能会带来大波“失业

潮”的言论中深感忧虑，同时也在如此强悍的ＡｌｐｈａＧｏ会不

会被恶意利用等问题上担心不已。

关于人工智能的英语作文　　　　Ｃａｎ　ｍａｃｈｉｎｅｓ　ｒｅａｌｌｙ　ｔｈｉｎｋ？　Ｔｈｅ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ，　ｓｕｃｈ　ａｓ　ａ　ｐｕｔｅｒ　ｔｈａｔ　ｔｈｉｎｋｓ　ｌｉｋｅ　ａ　ｈｕｍａｎ　ｂｅｉｎｇ　ｉｓ　ｓｃａｒｙ．　Ｉｓ　ｂｕｉｌｄｉｎｇ　ａ　ｍａｃｈｉｎｅ　ｔｈａｔ　ｔｈｉｎｋｓ　ｌｉｋｅ　ａ　ｈｕｍａｎ　ｒｅａｌｌｙ　ｐｏｓｓｉｂｌｅ？　Ｗｅ　ａｒｅ　ｅｖｅｒ　ｃｌｏｓｅｒ　ｔｏ　ｂｕｉｌｄｉｎｇ　ａｎ　ＡＩ　ｔｈａｔ　ｔｈｉｎｋｓ　ｌｉｋｅ　ａ　ｈｕｍａｎ．　Ｗｈｅｎ　ｉｔ　ｅｓ　ｔｏ　ｔｈｉｓ　ｉｓｓｕｅｓ，　ｄｉｆｆｅｒｅｎｔ　ｐｅｏｐｌｅ

２　／　５

精品文档

ｏｆｆｅｒ　ｄｉｆｆｅｒｅｎｔ　ｖｉｅｗｓ，　ｓｏｍｅ　ｐｅｏｐｌｅ　ｔｈｉｎｋ　ｔｈａｔ　ｍａｃｈｉｎｅ　ｈａｓ　ｆｅｅｌｉｎｇｓ　ｌｉｋｅ　ｈｕｍａｎ　ｂｅｉｎｇｓ　ｉｓ　ｉｎｔｅｒｅｓｔｉｎｇ　ａｎｄ　ｉｔ　ｍａｙ　ｂｅ　ａ　ｂｅｔｔｅｒ　ｓｅｒｖｅｒ　ｔｏ　ｈｕｍａｎ；　ｗｈｉｌｅ　ｔｈｅ　ｏｔｈｅｒ　ｔｈｉｎｋ　ｉｔ　ｉｓ　ｄａｎｇｅｒｏｕｓ，　ｉｔ　ｍａｙ　ｃａｕｓｅｓ　ａ　ｒｅｖｏｌｔ．

机械真的会思考么？人工智能，能像人类一样思考的电

脑也许很可怕。制造一个能像人一样思考的机器有可能么？

我们几乎能够创造一台像人类一样思考的人工智能了。每当

说到这个话题，不同的人有不同的见解，有人认为有人一样

感情的机器很有趣，也许能够更好的服务人类；然后有些人

认为这很危险，有可能会造成叛乱。

Ｐｅｏｐｌｅ　ｗｈｏ　ａｐｐｒｏｖｅｄ　ｏｆ　ｈｕｍａｎ　ｆｅｅｌｉｎｇｓ　ｍａｃｈｉｎｅ　ｔｈｉｎｋ　ｔｈａｔ　ｏｎｃｅ　ｒｏｂｏｔ　ｈａｓ　ｓｐｅｃｉｆｉｃ　ｆｅｅｌｉｎｇｓ，　ｓｕｃｈ　ａｓ　ｈａｐｐｙ，　ｓａｄ，　ａｎｇｅｒ，　ｔｈｅｙ　ｍｉｇｈｔ　ｂｅ　ｍｏｒｅ　ｈｕｍａｎｉｚｅ．　Ｆｏｒ　ｅｘａｍｐｌｅ，　ｍａｙｂｅ　ｉｎ　ｔｈｅ　ｆｕｔｕｒｅ　ａ　ｒｏｂｏｔ　ｎａｎｎｙ　ｗｉｌｌ　ｒｅｐｌａｃｅ　ａ　ｒｅａｌ　ｈｕｍａｎ　ｎａｎｎｙ，　ｗｈｏ　ａｒｅ　ｗｏｒｋ　ｍｏｒｅ　ｅｆｆｅｃｔｉｖｅ　ａｎｄ　ｗｉｔｈｏｕｔ　ａｎｙ　ｐｌａｉｎ．　Ｉｆ　ｔｈｅｙ　ｈａｖｅ　ｒｅａｌ　ｅｍｏｔｉｏｎ，　ｔｈｅｙ　ａｒｅ　ｍｏｒｅ　ｐｅｒｆｅｃｔ，　ａｎｄ　ｍｏｒｅ　ｌｉｋｅ　ａ　ｐａｎｙ　ｂｕｔ　ｎｏｔ　ａ　ｃｏｏｌ　ｍａｃｈｉｎｅ．

赞成人性化机器人的人认为一旦机器人有特殊的感

情，像开心，悲伤，愤怒，他们就会越人性化。例如，也许

在未来机器保姆会替代人类保姆，它们工作更有效率，毫无

怨言。如果他们有真感情，他们就更完美了，更像一个伴侣

３　／　５

精品文档

而不是冰冷的机器。

Ｐｅｏｐｌｅ　ｗｈｏ　ａｇａｉｎｓｔ　ｈｕｍａｎ　ｒｏｂｏｔ　ａｒｇｕｅ　ｔｈａｔ　ｏｎｃｅ　ｔｈｅ　ｒｏｂｏｔ　ｉｓ　ｍｏｒｅ　ｉｎｔｅｌｌｉｇｅｎｔ　ｔｈａｎ　ｗｅ　ｔｈｉｎｋ，　ｔｈａｔ　ｍａｙｂｅ　ａ　ｇｒｅａｔ　ｔｒｉｂｕｌａｔｉｏｎ　ｔｏ　ｈｕｍａｎ　ｂｅｉｎｇｓ．　Ｔｈｅｒｅ　ｈａｓ　ａ　ｐｏｔｅｎｔｉａｌ　ｒｉｓｋｓ　ｔｈａｔ　ｏｎｃｅ　ｔｈｅ　ｒｏｂｏｔ　ｉｓ　ｓｍａｒｔ　ｅｎｏｕｇｈ，　ｔｈｅｙ　ｍａｙ　ｕｎｗｉｌｌｉｎｇ　ｔｏ　ｂｅ　ｈｕｍａｎ’ｓ　ｓｅｒｖｅｒ　ａｎｙｍｏｒｅ，　ｔｈｅｙ

ｍａｙ　ｗａｎｔ　ｔｏ　ｂｅ　ｌｅｇａｌｌｙ　ｃｉｔｉｚｅｎｓ，　ｏｒ　ｅｖｅｎ　ｗｏｒｓｅ，　ｔｏ　ｂｅ　ｔｈｅ　ｏｗｎｅｒ　ｏｆ　ｔｈｅ　ｗｏｒｌｄ．　Ｉｔ　ｉｓ　ｐｏｓｓｉｂｌｅ　ｂｅｃａｕｓｅ　ｔｈｅｙ　ａｒｅ　ｓｍａｒｔ　ａｎｄ　ｔｈｅｙ　ａｒｅ　ｓｔｒｏｎｇｅｒ　ｐａｒｅ　ｗｉｔｈ　ｈｕｍａｎ　ｂｅｉｎｇｓ．

反对人类机器人的人争辩说一旦机器人的智力超过我

们所想的，这对人类来说是个大忧患。这会存在一旦他们足

够聪明，他们就不会想继续服务人类，而想成为合法公民的

风险，或者更加糟糕，成为世界的主宰。这是有可能的，因

为他们聪明而且相对于人类，他们更强壮。

Ｉｔ　ｉｓ　ｎｏｔ　ｓｕｒｅ　ｗｈａｔ　ｗｉｌｌ　ｈａｐｐｅｎ　ｉｎ　ｔｈｅ　ｆｕｔｕｒｅ，　ｈａｖｉｎｇ　ｒｏｂｏｔ　ｔｏ　ｓｅｒｖｅ　ｆｏｒ　ｈｕｍａｎ　ｂｅｉｎｇｓ　ｉｓ　ａ　ｇｏｏｄ　ｔｈｉｎｇ，　ｂｕｔ　ｔｈｅ　ｉｓｓｕｅ　ｏｆ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ　ｉｓ　ｓｔｉｌｌ　ｃｏｎｔｒｏｖｅｒｓｉａｌ．

对于未来会发生什么还是不能确定的，有机器人为人

类服务是好事，但是人工智能这回事儿，还是有争议的。

关于人工智能的英语作文　　　　Ｆｕｔｕｒｅ　ｔｒｅｎｄｓ　ｉｎ　ｐｕｔｅｒ

ｓｃｉｅｎｃｅ　ｉｓ　ｏｎｅ　ｏｆ　ｔｈｅ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ，Ｉｔ　ｉｓ

４　／　５

精品文档

ｔｈｅ　ｒｅｓｅａｒｃｈ　ａｎｄ　ａｒｔｉｆｉｃｉａｌ　ｓｉｍｕｌａｔｉｏｎ　ｏｆ　ｈｕｍａｎ　ｔｈｏｕｇｈｔ　ａｎｄ　ｅｖｅｎｔｕａｌｌｙ　ｂｅ　ａｂｌｅ　ｔｏ　ｍａｋｅ　ａ　ｈｕｍａｎ　ｌｉｋｅ　ｔｏ　ｔｈｉｎｋ　ｔｈｅ　ｓａｍｅ　ｍａｃｈｉｎｅ．Ｆｏｒ　ｈｕｍａｎ　ｓｅｒｖｉｃｅｓ　ａｎｄ　ｔｏ　ｈｅｌｐ　ｐｅｏｐｌｅ　ｓｏｌｖｅ　ｐｒｏｂｌｅｍｓ．

Ａｆｔｅｒ　ａｌｌ，　ｐｅｏｐｌｅ　ｔｈｏｕｇｈｔ　ｉｔ　ｗａｓ　ｕｎｉｑｕｅ，　ｔｈｅｒｅ　ａｒｅ　ｆｅｅｌｉｎｇｓ，　ｔｈｅｒｅ　ａｒｅ　ａ　ｖａｒｉｅｔｙ　ｏｆ　ｃｈａｒａｃｔｅｒ，　ｔｈｉｓ　ｗｉｌｌ　ｂｅ　ｖｅｒｙ　ｄｉｆｆｉｃｕｌｔ　ｔｏ　ａｃｈｉｅｖｅ　ｉｎ　ｔｈｅ　ｍａｃｈｉｎｅ．Ｉｎ　ｆａｃｔ，　ｔｏ　ｄｏ　ｔｈｅ　ｓａｍｅ　ａｓ　ｔｈｅ　ｈｕｍａｎ　ｔｈｉｎｋｉｎｇ　ｍａｃｈｉｎｅ，　ｔｈｅ　ｏｎｌｙ　ｏｎｅ　ｏｆ　ｔｈｅ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ，　ｉｓ　ｂｙ　ｎｏ　ｍｅａｎｓ　ａｌｌ．　Ｔｈｒｏｕｇｈ　ｔｈｅ　ｓｔｕｄｙ　ｏｆ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ，　ｃａｎ　ｒｅｓｏｌｖｅ　ａｌｌ　ｋｉｎｄｓ　ｏｆ　ｓｃｉｅｎｔｉｆｉｃ　ｐｒｏｂｌｅｍｓ，　ａｎｄ　ｐｒｏｍｏｔｅ　ｔｈｅ　ｄｅｖｅｌｏｐｍｅｎｔ　ｏｆ　ｏｔｈｅｒ　ｓｃｉｅｎｃｅ，　ｔｈｅ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ　ｉｓ　ｔｈｅ　ｂｅｓｔ！

Ｉ　ｂｅｌｉｅｖｅ　ｔｈａｔ　ｔｈｅ　ｓｃｉｅｎｃｅ　ｏｆ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ　ｉｓ　ｗａｉｔｉｎｇ　ｆｏｒ　ｈｕｍａｎｉｔｙ　ｔｏ　ｅｘｐｌｏｒｅ　ｉｔ　ｓｔｅｐ　ｂｙ　ｓｔｅｐ　ｔｈｅ　ｒｅａｌ　ｃｏｎｎｏｔａｔｉｏｎ．

５　／　５

转载请注明出处作文大全网 » 大智能时代的人工智能

作文一：《大智能时代的人工智能》2200字

作文二：《人工智能时代的孤独》1800字

作文三：《人工智能时代的孤独》1500字

作文四：《人工智能时代的看门狗》1400字

作文五：《面对呼之欲出的人工智能时代》3400字

作文六：《网络时代的人工智能》13700字

作文七：《算法：人工智能的新曙光》5100字

作文八：《算法：人工智能的新曙光》5200字

作文九：《AI时代唤醒万物 人工智能开启人与万物交流的新时代 图》8400字

作文十：《关于人工智能的英语作文》4700字

作文九：《AI时代唤醒万物人工智能开启人与万物交流的新时代图》8400字