1.2 人工智能的發(fā)展
1.2.1 人工智能發(fā)展回顧
以1956年達(dá)特茅斯會(huì)議的召開這一標(biāo)志性事件作為開端,人工智能(Artificial Intelligence,AI)發(fā)展至今已經(jīng)過(guò)60余年。人工智能當(dāng)然不是毫無(wú)思想基礎(chǔ)和理論基礎(chǔ)便橫空出世的技術(shù)領(lǐng)域,它前承計(jì)算機(jī)、邏輯學(xué)、數(shù)學(xué)、信息論、控制論、神經(jīng)網(wǎng)絡(luò)、心理學(xué)等領(lǐng)域的研究成果,目標(biāo)是讓計(jì)算機(jī)完成人類心智(后來(lái)也包括自然生物)所能做的事情,致力于不斷融合、創(chuàng)新,探明智能的本質(zhì),實(shí)現(xiàn)機(jī)器智能,包括計(jì)算智能、感知智能、推理智能、學(xué)習(xí)智能以及認(rèn)知智能[4-6]。
整個(gè)人工智能發(fā)展歷程交織著希望與失望、高潮與低谷、失敗與成功,可謂跌宕起伏。有“十年內(nèi),計(jì)算機(jī)將有能力成為國(guó)際象棋世界冠軍”“經(jīng)過(guò)一代人的努力,可讓計(jì)算機(jī)具有與人類同等的智力水平”的盲目樂(lè)觀目標(biāo),也有政府部門和企業(yè)財(cái)團(tuán)大舉撤資導(dǎo)致人工智能研究項(xiàng)目資金匱乏的窘境;有笙歌鼎沸的盛況,也有秋風(fēng)掃落葉的悲涼;有哲學(xué)高度的批判,也有實(shí)踐層面的失敗;有不同流派之間爭(zhēng)論的立場(chǎng)鮮明,也有因思途不暢產(chǎn)生的自我懷疑乃至自我否定。這一發(fā)展歷程之所以如此豐富多彩,大概首先是因?yàn)槿藗儗?duì)人類智能的認(rèn)識(shí)不深、不統(tǒng)一。事實(shí)上,人類智能也是有層次等級(jí)的,而且人類個(gè)體的一生中其智力水平也是在不斷發(fā)展的。其次,人工智能本身是個(gè)多學(xué)科融合的領(lǐng)域,研究者各方背景不同,觀點(diǎn)自然不同。所幸,人工智能領(lǐng)域作為一個(gè)獨(dú)立學(xué)科領(lǐng)域的地位日益堅(jiān)不可摧,并且仍在不斷發(fā)展壯大,也深刻地影響著人類經(jīng)濟(jì)、社會(huì)、軍事等各個(gè)方面。
人工智能有所謂三個(gè)流派:符號(hào)主義流派、聯(lián)結(jié)主義流派和行為主義流派。雖然不同的流派因關(guān)注人類(自然生物)的不同智能而選擇的理論基礎(chǔ)和道路不同,但是無(wú)論哪個(gè)流派,都在朝著智能實(shí)現(xiàn)的目標(biāo)努力。不同流派人工智能發(fā)展歷程見表1-1。
表1-1 不同流派人工智能發(fā)展歷程

續(xù)表

1)符號(hào)主義人工智能
符號(hào)主義人工智能的基本觀點(diǎn)是,知識(shí)和推理是智能的基礎(chǔ)。其代表理論是物理符號(hào)系統(tǒng)假說(shuō),認(rèn)為無(wú)論是機(jī)器智能還是人類智能,其本質(zhì)都是符號(hào)的操作和運(yùn)算,更具體地強(qiáng)調(diào)機(jī)器應(yīng)具有推理能力,并通過(guò)推理解決問(wèn)題。由于該流派堅(jiān)持人工智能只能通過(guò)符號(hào)系統(tǒng)和邏輯實(shí)現(xiàn),所以也被稱作邏輯主義人工智能流派。另外,符號(hào)主義人工智能聚焦于人類高級(jí)智能行為,例如搜索、推理、規(guī)劃等。
機(jī)器定理證明不僅是符號(hào)主義人工智能的重大成果,也是人工智能最先取得重大突破的領(lǐng)域之一。事實(shí)上,在達(dá)特茅斯會(huì)議的前一年,即1955年,Allen Newell和Herbert Simon就開發(fā)了“邏輯理論家”程序,完成了羅素《數(shù)學(xué)原理》第2章38個(gè)定理的證明。進(jìn)而,1957年,Allen Newell等人提出不依賴特定領(lǐng)域的通用問(wèn)題求解器。1965年,羅賓遜提出邏輯推理的歸結(jié)原理,代表著為期10年的人工智能發(fā)展第一次高潮的終結(jié)。人工智能從高潮進(jìn)入第一個(gè)低谷期,但正是在低谷中孕育出了知識(shí)工程。
在批判前10年人工智能聚焦于“玩具世界”“閉世界”人工智能系統(tǒng)和強(qiáng)調(diào)通用人工智能系統(tǒng)的基礎(chǔ)上,1968年,Edward Feigenbaum等人開發(fā)了第一個(gè)專家系統(tǒng)——DENTRAL系統(tǒng),用于進(jìn)行基于質(zhì)譜儀數(shù)據(jù)的化學(xué)結(jié)構(gòu)推理。1975年,Edward Shortliffe等人開發(fā)了細(xì)菌感染診斷專家系統(tǒng)——MYCIN系統(tǒng),提出了考慮確定性因子的不精確推理。在強(qiáng)調(diào)知識(shí)重要性的基礎(chǔ)上,F(xiàn)eigenbaum在1977年的國(guó)際人工智能聯(lián)合大會(huì)上首次提出“知識(shí)工程”的概念,以開發(fā)專家系統(tǒng)為主要內(nèi)容,讓機(jī)器使用專家知識(shí)和推理解決實(shí)際問(wèn)題。專家系統(tǒng)和知識(shí)工程掀起了人工智能發(fā)展的第二次高潮。
由于專家系統(tǒng)定位于專業(yè)知識(shí)的運(yùn)用,不可避免會(huì)遇到知識(shí)獲取難題。而且人們很多時(shí)候并不一定需要專家知識(shí),更多的是需要常識(shí)。常識(shí)是人類通過(guò)身體與世界直接或間接交互體驗(yàn)認(rèn)知而得到的經(jīng)驗(yàn)知識(shí)。這類知識(shí)無(wú)需言明便可被理解或意義自明。常識(shí)和專業(yè)知識(shí)都不可缺少。美國(guó)Douglas Lenat等人實(shí)施的Cyc項(xiàng)目旨在開發(fā)百科全書式的常識(shí)知識(shí)庫(kù)。該項(xiàng)目始于1984年,試圖將人類的所有常識(shí)進(jìn)行編碼而建立知識(shí)庫(kù),利用人工方法將上百萬(wàn)條人類常識(shí)編碼成機(jī)器可用、可理解的形式,用于與常識(shí)相關(guān)的智能推理。Cyc也被認(rèn)為是最早的知識(shí)圖譜。
對(duì)專家系統(tǒng)的批判之一是專家知識(shí)實(shí)際上是淺層知識(shí),而現(xiàn)實(shí)事物的結(jié)構(gòu)、行為、功能等深層知識(shí)(第一原理)才是解決專家系統(tǒng)知識(shí)獲取困難以及知識(shí)受限問(wèn)題所必需的。為此,從20世紀(jì)70年代末到80年代初,人工智能領(lǐng)域出現(xiàn)了一個(gè)新的研究分支——定性物理或定性推理(也稱作基于模型的推理)。具體來(lái)講,定性推理通過(guò)對(duì)物理系統(tǒng)結(jié)構(gòu)的描述和分析推導(dǎo)出系統(tǒng)的狀態(tài)變化(行為預(yù)測(cè)),并解釋行為之間的因果關(guān)系,確定系統(tǒng)功能或作用[7]。1984年和1991年,《人工智能》雜志分別刊出兩期定性推理專輯。定性推理發(fā)展出定性仿真、定性過(guò)程理論、定性因果推理、功能推理、定性空間推理等分支理論。
知識(shí)表示一直是符號(hào)主義人工智能的重要內(nèi)容之一。早期的規(guī)則、框架、語(yǔ)義網(wǎng)絡(luò)(Semantic Network)等都是知識(shí)表示方法。互聯(lián)網(wǎng)的發(fā)展以及大規(guī)模知識(shí)庫(kù)的必要性,導(dǎo)致新的知識(shí)表示方法的出現(xiàn)。1989年,Tim Berners-Lee提出構(gòu)建廣域鏈接信息系統(tǒng),后來(lái)于1998年提出將客觀世界實(shí)體和語(yǔ)義鏈接的語(yǔ)義網(wǎng)(Semantic Web,與前面提到的語(yǔ)義網(wǎng)絡(luò)相區(qū)分)。這個(gè)實(shí)際上的事物概念網(wǎng)成為了現(xiàn)在的知識(shí)圖譜的基本形式。終于,在2012年,谷歌正式推出被稱為知識(shí)圖譜的搜索引擎服務(wù)。知識(shí)圖譜引領(lǐng)著知識(shí)工程進(jìn)入了大數(shù)據(jù)知識(shí)工程的新階段。其實(shí),知識(shí)圖譜的本質(zhì)仍然是語(yǔ)義網(wǎng)絡(luò),是一種由點(diǎn)和邊組成的圖形化知識(shí)表達(dá)方式[8]。當(dāng)然,知識(shí)圖譜也是一種知識(shí)組織方式。
總之,符號(hào)主義人工智能源于數(shù)理邏輯,總體上經(jīng)歷了符號(hào)邏輯系統(tǒng)、專家知識(shí)工程(專家系統(tǒng))、常識(shí)知識(shí)工程、專業(yè)知識(shí)工程(定性物理學(xué)、定性推理、基于模型的推理)等階段,進(jìn)而進(jìn)入大數(shù)據(jù)知識(shí)工程階段。符號(hào)主義人工智能的核心思想是知識(shí)表示、推理和知識(shí)應(yīng)用。
2)聯(lián)結(jié)主義人工智能
聯(lián)結(jié)主義人工智能的基本觀點(diǎn)是,人工智能必須能夠模仿大腦的功能,更具體地強(qiáng)調(diào)機(jī)器應(yīng)具有學(xué)習(xí)能力和認(rèn)知能力,通過(guò)學(xué)習(xí)來(lái)解決問(wèn)題。聯(lián)結(jié)主義人工智能特指感知機(jī)、神經(jīng)網(wǎng)絡(luò)發(fā)展的機(jī)器學(xué)習(xí),廣泛意義上也可以包括強(qiáng)化學(xué)習(xí)以及其他機(jī)器學(xué)習(xí)方法。聯(lián)結(jié)主義人工智能主要解決模式識(shí)別、聚類、分類、聯(lián)想等非結(jié)構(gòu)化問(wèn)題。
早在20世紀(jì)40年代,Warren McCulloch和Walter Pitts開創(chuàng)了集成認(rèn)知神經(jīng)學(xué)、腦科學(xué)和數(shù)理邏輯計(jì)算的計(jì)算神經(jīng)學(xué),提出了最早的神經(jīng)網(wǎng)絡(luò)模型,給出了神經(jīng)元的形式化數(shù)學(xué)描述和網(wǎng)絡(luò)結(jié)構(gòu),證明了單個(gè)神經(jīng)元能執(zhí)行邏輯功能。1958年,F(xiàn)rank Rosenblatt將感知器建立在一個(gè)非線性神經(jīng)元上,得到了神經(jīng)元的McCulloch-Pitts模型。這是在計(jì)算機(jī)有限運(yùn)算能力的條件下,基于硬件結(jié)構(gòu)建立的第一個(gè)可進(jìn)行模式識(shí)別的單層神經(jīng)網(wǎng)絡(luò)模型。但在此后的一段時(shí)間內(nèi),神經(jīng)網(wǎng)絡(luò)模型仍然無(wú)法測(cè)試,而且連比較基本的異或(XOR)邏輯運(yùn)算都不能實(shí)現(xiàn),即便多層神經(jīng)網(wǎng)絡(luò)也不具有低復(fù)雜度,相關(guān)研究進(jìn)入了長(zhǎng)達(dá)20年的停滯狀態(tài)。
1974年,哈佛大學(xué)的Paul Werbos首次提出誤差反向傳播算法,不僅解決了異或運(yùn)算問(wèn)題,而且大大提升了神經(jīng)網(wǎng)絡(luò)迭代計(jì)算效率。直到20世紀(jì)80年代,神經(jīng)網(wǎng)絡(luò)才再度迎來(lái)研究高潮。1982年,John Hopfield提出了可用作聯(lián)想存儲(chǔ)器的互連網(wǎng)絡(luò)模型,被稱為Hopfield神經(jīng)網(wǎng)絡(luò)模型。該模型是一種從輸出到輸入有反饋連接的循環(huán)神經(jīng)網(wǎng)絡(luò)。1986年,David Rumelhart、Geoffrey Hinton等人在神經(jīng)網(wǎng)絡(luò)上應(yīng)用了反向傳播算法。1989年,Yann LeCun等人受日本學(xué)者福島邦彥提出的仿生視覺皮層neocognitron神經(jīng)網(wǎng)絡(luò)模型等的啟發(fā),構(gòu)建了應(yīng)用于計(jì)算機(jī)視覺問(wèn)題的包含2個(gè)卷積層和2個(gè)全連接層的神經(jīng)網(wǎng)絡(luò),正式提出了卷積神經(jīng)網(wǎng)絡(luò),并于1998年構(gòu)建更完備的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5,成功用于解決手寫識(shí)別問(wèn)題。
2006年,Geoffrey Hinton等人發(fā)表文章,提出將預(yù)訓(xùn)練、自編碼器與深度神經(jīng)網(wǎng)絡(luò)結(jié)合,開啟了深度學(xué)習(xí)(深度神經(jīng)網(wǎng)絡(luò))在學(xué)術(shù)界和工業(yè)界的研究與應(yīng)用浪潮,相繼在語(yǔ)音識(shí)別、圖像識(shí)別等領(lǐng)域開展應(yīng)用,顯著降低了錯(cuò)誤識(shí)別率。2011年后,深度學(xué)習(xí)開始將卷積層與最大池化層合并,并將其輸出傳遞給幾個(gè)全連接層,再傳遞給輸出層。2013年4月,美國(guó)麻省理工學(xué)院(MIT)的《麻省理工科技評(píng)論》(MIT Technology Review)將深度學(xué)習(xí)列為2013年十大突破性技術(shù)之一。2014年,當(dāng)時(shí)還在蒙特利爾大學(xué)讀博士的Ian Goodfellow等人提出生成對(duì)抗網(wǎng)絡(luò)概念,使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)不僅能夠更好地生成圖像與聲音,還能識(shí)別它們,從而奠定了無(wú)監(jiān)督自主學(xué)習(xí)算法框架的基礎(chǔ)。2015年,谷歌DeepMind提出正式的Deep Q Networks系統(tǒng)。2016年,融合了深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)和蒙特卡羅樹搜索方法的AlphaGo戰(zhàn)勝了世界圍棋高手李世石。這些研究讓聯(lián)結(jié)主義人工智能大放異彩,也是當(dāng)前人工智能高潮形成的主因。
其他機(jī)器學(xué)習(xí)方向也在不斷取得成果。早在1952年,IBM科學(xué)家Arthur Samuel開發(fā)了一個(gè)跳棋程序。該程序能夠通過(guò)觀察當(dāng)前位置,并學(xué)習(xí)一個(gè)隱含的模型,為后續(xù)動(dòng)作提供更好的指導(dǎo)。從1984年開始,Leo Breiman等人相繼提出了適用于分類和連續(xù)輸入(特征)/輸出(預(yù)測(cè))變量回歸預(yù)測(cè)建模問(wèn)題的決策樹算法和多決策樹組合的隨機(jī)森林算法,后者屬于集成學(xué)習(xí)范疇。1995年,由Corinna Cortes等人提出了支持向量機(jī)的概念,通過(guò)Kernel的技巧將低維空間線性不可分或難分的樣本數(shù)據(jù)點(diǎn)映射至高維空間使其線性可分,在解決小樣本、非線性以及高維模式識(shí)別問(wèn)題方面具有明顯優(yōu)勢(shì)。
總體而言,聯(lián)結(jié)主義人工智能源于仿生學(xué)、生理學(xué),從一開始便是重要的人工智能研究分支,雖然也有數(shù)次研究小高潮,但是直到進(jìn)入21世紀(jì)才迎來(lái)了爆發(fā)式發(fā)展。其中的一個(gè)重要原因就是,人們終于找到了神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)的有效應(yīng)用領(lǐng)域,充分體現(xiàn)了感知智能、學(xué)習(xí)智能和認(rèn)知智能的力量。
3)行為主義人工智能
行為主義人工智能的基本觀點(diǎn)是,比人類低級(jí)的簡(jiǎn)單動(dòng)物也具有非凡的智能,人工智能必須能夠模仿這樣的智能行為。行為主義人工智能更具體地強(qiáng)調(diào)機(jī)器應(yīng)具有與環(huán)境之間的互動(dòng)能力,通過(guò)交互解決問(wèn)題。行為主義人工智能并不以人類智能為研究對(duì)象,而是特指對(duì)自然事物,特別是自然生物的模擬,也被稱作自然主義或進(jìn)化主義人工智能。行為主義人工智能雖然擅長(zhǎng)解決適應(yīng)性、學(xué)習(xí)等問(wèn)題,且具有一定的解決識(shí)別、聚類、聯(lián)想等問(wèn)題的能力,但是對(duì)問(wèn)題求解、邏輯運(yùn)算等束手無(wú)策。
機(jī)器人是人工智能領(lǐng)域的重要分支,是軟硬結(jié)合的智能體。最早,符號(hào)主義人工智能將與機(jī)器人相關(guān)的規(guī)劃問(wèn)題當(dāng)作重要研究對(duì)象之一。而美國(guó)MIT的Rodney Brooks從1984年開始致力于機(jī)器人(昆蟲)智能的研究,用簡(jiǎn)單的指令和傳感器控制機(jī)器人執(zhí)行簡(jiǎn)單的任務(wù),倡導(dǎo)所謂“無(wú)理由(推理)的智能”,開發(fā)出了一系列包括六足行走機(jī)器人在內(nèi)的基于感知-動(dòng)作模式模擬昆蟲行為的控制系統(tǒng)。2005年,波士頓動(dòng)力公司研制了四腿機(jī)器大狗,它能夠在復(fù)雜地形行走、攀爬、奔跑,甚至能實(shí)現(xiàn)在遭受撞擊后的自平衡。
行為主義人工智能不僅以智能生物機(jī)器作為成果,也模擬自然界的生物進(jìn)化或其他活動(dòng),從而開發(fā)了眾多智能算法。20世紀(jì)60年代,德國(guó)Ingo Rechenberg等人受達(dá)爾文進(jìn)化論的啟發(fā)提出了進(jìn)化策略。1967年,美國(guó)密歇根大學(xué)John Holland教授的學(xué)生Bagley在他的博土論文中首次提出了遺傳算法這一概念,討論了遺傳算法的博弈應(yīng)用。1975年,John Holland出版專著《自然和人工系統(tǒng)中的適應(yīng)》,系統(tǒng)地闡述了遺傳算法的基本理論和方法。20世紀(jì)80年代中期之后,遺傳算法進(jìn)入興盛發(fā)展時(shí)期,被廣泛應(yīng)用于自動(dòng)控制、生產(chǎn)計(jì)劃、圖像處理、機(jī)器人等研究領(lǐng)域。
融合機(jī)器昆蟲和進(jìn)化計(jì)算,誕生了“人工生命”新學(xué)科。1987年,美國(guó)計(jì)算機(jī)科學(xué)家Christopher Langton在“生成以及模擬生命系統(tǒng)的國(guó)際會(huì)議”上提出“人工生命”的概念,關(guān)注如何用計(jì)算的手段研究和模擬一般生命現(xiàn)象和地球上特有的生命現(xiàn)象,認(rèn)為生命智能實(shí)際上是底層單元通過(guò)相互作用而產(chǎn)生的涌現(xiàn)行為。換句話說(shuō),人工生命模擬的就是這一涌現(xiàn)過(guò)程,典型應(yīng)用之一是模擬群體行為。1992年,Macro Dorigo發(fā)現(xiàn)在螞蟻覓食過(guò)程中,單個(gè)螞蟻的行為雖然比較簡(jiǎn)單,但是蟻群整體卻可以體現(xiàn)一些復(fù)雜的智能行為。考慮蟻群可以在不同的環(huán)境下,通過(guò)某種信息機(jī)制實(shí)現(xiàn)信息的傳遞,尋找到達(dá)食物源的最短路徑,提出了蟻群算法。后來(lái)該算法用于解決各種工程實(shí)踐優(yōu)化問(wèn)題。1995年,James Kennedy和Russell Eberhart受飛鳥集群捕食活動(dòng)的規(guī)律性啟發(fā),提出了基于群體智能的粒子群算法,利用群體中的個(gè)體對(duì)信息的共享,使整個(gè)群體的運(yùn)動(dòng)在問(wèn)題求解空間產(chǎn)生從無(wú)序到有序的演化過(guò)程,從而獲得最優(yōu)解。
現(xiàn)代計(jì)算機(jī)之父馮·諾依曼提出了能夠自我繁殖的細(xì)胞自動(dòng)機(jī)概念:存在一組處于某種狀態(tài)的細(xì)胞或系統(tǒng)基元(自動(dòng)機(jī)、智能體),其下一狀態(tài)由其周圍細(xì)胞的狀態(tài)、自身的狀態(tài)以及事先定義好的一組簡(jiǎn)單規(guī)則決定。細(xì)胞自動(dòng)機(jī)發(fā)展的一個(gè)分支是現(xiàn)在的強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)也強(qiáng)調(diào)智能體與環(huán)境的互動(dòng),其基本原理就是智能體根據(jù)經(jīng)驗(yàn)改變策略以獲得長(zhǎng)期最大獎(jiǎng)賞的過(guò)程,理論基礎(chǔ)是馬爾可夫決策過(guò)程和動(dòng)態(tài)規(guī)劃。1989年,英國(guó)劍橋大學(xué)Christopher Watkins提出了著名的強(qiáng)化學(xué)習(xí)(Q-Learning)算法。
行為主義人工智能源于控制論和進(jìn)化論,以低層次的自然智能實(shí)現(xiàn)為目標(biāo),雖然沒有促成人工智能發(fā)展的高潮,但是其主要成果的智能優(yōu)化算法(特別是群體智能算法)和智能機(jī)器人得到了普遍應(yīng)用,實(shí)現(xiàn)了群體智能、自適應(yīng)智能和協(xié)同智能。
1.2.2 新一代人工智能
近十年來(lái),在互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)等新一代信息技術(shù)發(fā)展的推動(dòng)下,同時(shí)以深度學(xué)習(xí)為代表的機(jī)器學(xué)習(xí)方法在圖像處理、語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域的成功應(yīng)用,掀起了新一輪的人工智能浪潮。國(guó)家重新將人工智能作為科技戰(zhàn)略高地,制定國(guó)家戰(zhàn)略發(fā)展規(guī)劃,從國(guó)家層面全面推進(jìn)人工智能的發(fā)展。科技巨頭大力發(fā)展人工智能業(yè)務(wù),新創(chuàng)人工智能企業(yè)如雨后春筍,新產(chǎn)品層出不窮。各行各業(yè)熱切接納人工智能的應(yīng)用,促進(jìn)與人工智能產(chǎn)業(yè)的融合發(fā)展[9]。
2016年10月,美國(guó)發(fā)布《國(guó)家人工智能研究與發(fā)展戰(zhàn)略計(jì)劃》,積極布局,加強(qiáng)聯(lián)邦政府資助,突出人工智能的基礎(chǔ)研究、人機(jī)交互、社會(huì)學(xué)、安全、數(shù)據(jù)與環(huán)境、標(biāo)準(zhǔn)以及人力資源等七大戰(zhàn)略方向。2018年4月,歐盟委員會(huì)提交《歐盟人工智能戰(zhàn)略》報(bào)告,描述了歐盟在國(guó)際人工智能(AI)競(jìng)爭(zhēng)中的地位,并制訂了歐盟AI行動(dòng)計(jì)劃。其目標(biāo)在于增強(qiáng)歐盟的技術(shù)與產(chǎn)業(yè)能力,推進(jìn)人工智能的應(yīng)用,并在2018年12月,發(fā)布《人工智能協(xié)調(diào)計(jì)劃》,以促進(jìn)歐洲人工智能的研發(fā)和應(yīng)用。該計(jì)劃的主題為“人工智能歐洲制造”(AI Made in Europe),并預(yù)計(jì)到2020年,歐盟及其成員國(guó)公共部門和私人部門將在人工智能方面投資200億歐元。《日本再興戰(zhàn)略2016》將2017年確定為日本人工智能元年,其目標(biāo)是通過(guò)大力發(fā)展人工智能,保持并擴(kuò)大在汽車、機(jī)器人等領(lǐng)域的技術(shù)優(yōu)勢(shì),逐步解決人口老齡化、勞動(dòng)力短缺、醫(yī)療及養(yǎng)老等社會(huì)問(wèn)題,推進(jìn)超智能社會(huì)5.0建設(shè)。日本政府進(jìn)一步出臺(tái)了《下一代人工智能推進(jìn)戰(zhàn)略》,明確了人工智能發(fā)展的技術(shù)重點(diǎn),推動(dòng)了人工智能技術(shù)向強(qiáng)人工智能和超級(jí)人工智能方向延伸,并制定了人工智能產(chǎn)業(yè)化路線圖,計(jì)劃推進(jìn)利用人工智能大幅提高制造業(yè)、物流、醫(yī)療和護(hù)理行業(yè)的工作效率。
我國(guó)同樣高度重視人工智能的發(fā)展。2017年7月,國(guó)務(wù)院正式印發(fā)《新一代人工智能發(fā)展規(guī)劃》,統(tǒng)籌各方力量,加大人工智能的研究、應(yīng)用力度。規(guī)劃提出到2030年的三步走發(fā)展戰(zhàn)略目標(biāo),逐步提高我國(guó)人工智能理論、技術(shù)與應(yīng)用總體水平。國(guó)家科技部于2018年啟動(dòng)實(shí)施科技創(chuàng)新2030——“新一代人工智能”重大項(xiàng)目,作為落實(shí)國(guó)家新一代人工智能發(fā)展規(guī)劃的重要工作。該重大專項(xiàng)的總體目標(biāo)是,以推動(dòng)人工智能技術(shù)持續(xù)創(chuàng)新和與經(jīng)濟(jì)社會(huì)的深度融合為主線,按照并跑、領(lǐng)跑兩步走戰(zhàn)略,圍繞大數(shù)據(jù)智能、跨媒體智能、群體智能、混合增強(qiáng)智能、自主智能系統(tǒng)等五大方向持續(xù)攻關(guān),從基礎(chǔ)理論、支撐體系、關(guān)鍵技術(shù)、創(chuàng)新應(yīng)用四個(gè)層面,構(gòu)筑包含知識(shí)群、技術(shù)群和產(chǎn)品群的生態(tài)環(huán)境,搶占人工智能技術(shù)制高點(diǎn),妥善應(yīng)對(duì)可能由此帶來(lái)的新問(wèn)題和新挑戰(zhàn),促進(jìn)大眾創(chuàng)業(yè)、萬(wàn)眾創(chuàng)新,使人工智能成為智能經(jīng)濟(jì)社會(huì)發(fā)展的強(qiáng)大引擎。
2017年,中國(guó)工程院院刊《信息與電子工程前沿(英文)》刊登了“Artificial Intelligence 2.0”專題,系統(tǒng)闡述了人工智能2.0的重點(diǎn)方向。所謂人工智能2.0,指的是“基于重大變化的信息新環(huán)境和發(fā)展新目標(biāo)的新一代人工智能”。信息新環(huán)境涉及互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)、傳感網(wǎng)、大數(shù)據(jù)等。新目標(biāo)是指對(duì)人工智能有迫切需求的產(chǎn)業(yè)模式和形態(tài),例如智能經(jīng)濟(jì)、智能制造、智能醫(yī)療等。新一代人工智能新技術(shù)包括大數(shù)據(jù)智能、跨媒體智能、自主智能、人機(jī)混合增強(qiáng)智能和群體智能等。這些新技術(shù)本身體現(xiàn)了人工智能的發(fā)展新階段:一是從傳統(tǒng)知識(shí)表達(dá)到大數(shù)據(jù)驅(qū)動(dòng)知識(shí)學(xué)習(xí);二是從分類型處理視聽文字多媒體數(shù)據(jù)到跨媒體認(rèn)知、學(xué)習(xí)和推理;三是從追求“智能機(jī)器”到高水平的人機(jī)協(xié)同融合;四是從“個(gè)體智能”到基于互聯(lián)網(wǎng)絡(luò)的群體智能;五是從機(jī)器人轉(zhuǎn)向更廣闊的智能自主系統(tǒng),從而促進(jìn)智能機(jī)械、裝備和產(chǎn)品的創(chuàng)新與升級(jí)。
- 秒懂AI設(shè)計(jì):人人都能成為設(shè)計(jì)高手
- 計(jì)算社會(huì)學(xué):系統(tǒng)應(yīng)用篇
- 玩轉(zhuǎn)ChatGPT:秒變AI論文寫作高手
- Mahout算法解析與案例實(shí)戰(zhàn)
- 人工智能初探2
- 擁抱AIGC
- 人工智能程序員面試筆試寶典
- 過(guò)度智能
- 大型語(yǔ)言模型實(shí)戰(zhàn)指南:應(yīng)用實(shí)踐與場(chǎng)景落地
- 智能優(yōu)化技術(shù):適應(yīng)度地形理論及組合優(yōu)化問(wèn)題的應(yīng)用
- 深度學(xué)習(xí):導(dǎo)讀手冊(cè)
- 人工智能關(guān)我什么事
- 人工智能:馴服賽維坦
- 知識(shí)系統(tǒng)與知識(shí)圖譜
- 撬開人工智能的黑匣子(《商業(yè)評(píng)論》MIT斯隆管理評(píng)論精選)