人工智能研究综述范文

引言：寻求写作上的突破？我们特意为您精选了12篇人工智能研究综述范文，希望这些范文能够成为您写作时的参考，帮助您的文章更加丰富和深入。

篇1

1 引言

人工智能用于异常数据检测的方法很多，传统的如基于统计（statistical-based）的方法、基于距离（distance-based）的方法 [1]、基于密度（density-based）的方法[2]，基于聚类的方法[3]等。但这么传统的异常数据检测方法仍然存在着一些缺陷与不足。基于统计的数据检测方法要求预先知道被检测数据的分布情况，基于距离的方法中距离函数与参数的选择存在较大的困难，基于密度的数据检测方法方法时间复杂度较高，这些问题极大地限制了异常数据挖掘算法在现实中的应用。本文重点论述人工智能方法用于异常数据挖掘的发展史，分析和比较各自的优缺点。

2 常用于异常数据挖掘的几种人工智能方法的分析

2.1 神经网络方法

神经网络模型主要由三层结构组成，主要包括输入层、隐含层和输出层。第一层为输入层，输入层的节点代表多个预测变量，输出层的节点代表多个目标变量，位于输入层和输出层之间的是隐含层，神经网络模型的复杂度取决于隐含层的层数和节点数。每一层的节点都允许有多个。神经网络模型主要用于解决回归和分类两类问题，其结构图如下图所示。

从上图可得，节点X1，X2，X3作为神经元的输入，代表多个预测变量，它可以是来自神经网络的信息，也可以是另一个神经元的输出；W1，W2，……，Wn是神经元的权值，表示各个神经元的连接强度。通过神经网络模型的结构图可知，该方法的实现过程：首先将每个训练样本的各属性取值同时赋给第1层即输入层；各属性值再结合各自的权重赋给第2层（隐含层的第1层），第1层隐含层再结合各自的权重输出又作为下一隐含层的输入，最后一层的隐含层节点带权输出赋给输出层单元，输出层最终给出各个训练样本的预测输出。

2.2 蚁群聚类算法

在数据挖掘中，聚类是一个活跃的研究领域，涉及的范围较广。许多计算机学者们通过模仿生物行为提出一系列解决问题的新颖方法。蚂蚁搜索模式样本所归属的聚类中心的概率计算公式如式（1）。

（1）

其中，α，β为参数，初始聚类中心为随机选取的k个模式样本点。τ（i，j）为样本Xj到聚类中心mj之问的信息素i=1，2， …，n，j=1，2， …，k ；η（i，j）为启发函数，其表达式如式（2）所示。

（2）

其中，dj为模式样本Xj到聚类中心mj的欧氏距离为（i=1，2， …，n，j=1，2， …，k）。

蚂蚁搜索整个模式样本空间，形成一个聚类结果后，聚类中心mj各分量的值为该类Cj中模式样本各属性的均值，计算公式如（3）。

（3）

2.3 基于知识粒度的异常数据挖掘算法

粒计算是人工智能领域新发展起来的一个研究方向，该方法针对不确定性信息进行处理。它主要包括三种模型，分别是粗糙集模型、模糊集模型与商空间模型。该方法的基本思想是利用不同粒度上的信息进行问题求解。该理论在多个领域得到了广泛的应用，如数据挖掘、决策支持与分析和机器学习等。知识粒度为异常数据挖掘处理不确定性数据提供一种新的解决方法。基于知识粒度的异常数据挖掘算法，该算法不需要预先知道数据的分布情况，并且采用知识粒度度量各个对象间的距离与异常度时，能有效挖掘出异常数据。

3 各方法的比较

通过以上各种方法的分析，各种方法具有各自的优点以及不足之处。基于聚类的数据挖掘方法侧重与于聚类的问题，该问题极大地限制了该算法在实际生活中的应用。神经网络方法用于数据挖掘，是人工智能中较早应用于数据挖掘领域的方法之一，能够较好的进行异常数据的挖掘，但是该方法的层数的确定比较困难，同时该方法的时间复杂度比较高；蚁群聚类算法是在聚类算法的基础上改进推广而得，能够达到异常数据检测的目的，但该算法的收敛速度慢，而且算法存在随机移动而延长聚类时间。

4 结束语

异常数据挖掘研究是一个有价值的研究问题，近年来引起越来越多的学者关注和研究，从而使得异常数据挖掘算法取得了新的进展，在生态系统分析、公共卫生、气象预报、金融领域、客户分类、网络入侵检测、药物研究等方面得到了广泛的应用。希望本论文中的方法可以给读者提供更多异常数据挖掘方面的思路，并且能够很好的将人工智能中的方法运用异常数据挖掘中，克服各种方法不足，让人们能够更好的应用。

参考文献

[1]Knorr E. Alothms for Mining Distance based Outliers in Large Datasets[C] //Very Large Databases（VLDB’98）. New York： Proc of Int Conf， 1998： 392-403.

[2]Breunig M M， Kriegel H P. Sander， LOF： Identifying Density-Based Local Outliers[C]// ACM SIGMODC onference Proceedings. [S.I]：[s.n.]，2000.

[3]王鑫等.数据挖掘中聚类方法比较研材[D].济南：山东师范大学管理学院，2006.

[4]魏海坤，徐嗣鑫，宋文忠.神经网络的泛华理论和泛化方法[J].自动化学报， 2001，27（6）：806-814.

[5]庞胜利，吴瑰丽.人工神经网络在大型桥梁健康监测系统中应用研究[J].石家庄铁道学院学报，2002，15（2）：63-65.

[6]金微. 蚁群聚类算法分析[J].计算机光盘软件与应用，2011，（13）：199， 202.

[7]陈玉明，吴克寿，孙金华.基于知识粒度的异常数据挖掘算法[J].计算机工程与应用，2012， 48（4）：118-121.

[8]苗夺谦，王国胤，刘清等.粒计算：过去、现在与展望[M].北京：科学出版社， 2007.

篇2

【关键词】人工智能；发展现状；未来展望

【Keywords】artificial intelligence； current situation of the development； future

【中图分类号】TP18 【文献标志码】A 【文章编号】1673-1069（2017）04-0107-02

1 引言

2016年年初，韩国围棋国手李在石与围棋程序Alpha Go对弈中首战失利，再一次将人工智能拉入了公众的视野，使其成为2016年度话题度最高的科技之一。不可否认，近些年来人工智能发展迅速，很多人工智能产品已经开始进入人们的家中，如扫地机器人、智能保姆等，虽然它们还没有美国大片《终结者》中所描述得那么先进，但从前遥不可及的人工智能概念正在一步步变为现实却是不争的事实。人工智能的现状如何，它又将如何发展，都是学界较为关注的课题。

2 人工智能综述

2.1 人工智能的概念

人工智能即AI，其英文全称为Artificial Intelligence。人工智能的概念要从人工和智能两方面来了解，所谓人工就是指人工智能脱胎于人类的文明，是人类智慧的产物；而智能则是指具有人工智能的计算机或其他子设备可以模拟人类的智能行为和思维方式，人工智能是计算机科学的一个分支，它的近期主要目标在于研究用机器来模仿和执行人脑的某些智能功能，并开发相关理论和技术。

2.2 人工智能的现实应用

如今的人工智能机器，可以在胜任一些复杂脑力劳动的同时，辅助人类进行记忆和逻辑运算等活动。现阶段学者已经研制出了一些可以模拟人类精神活动的电子机器，经过完善升级，这些电子机器将有希望超越人类的能力，协助人类完成一些执行难度较大的工作。但是目前研制出的自动化系统或者机器人虽然可以代替部分人类劳动，却还没有到达可以实现人类多方面协调和自我学习升级的智能水平，要制造出一款可以完全拥有人类智慧的机器，还需进一步深入研究。还有一些人工智能产物经常应用于各种商业用途，例如单位内部的客户信息系统，决策支持系统，以及我们在世面上可以看见的医学顾问、法津顾问等软件。

3 人工智能发展现状

3.1 智能接口技术研究现状

人工智能接口研究就是为了实现人机交流，为此学者必须从理论和实践两方面努力，解决计算机对文字和语言的理解与翻译、对自我的表达等功能问题。由于智能接口技术的研究和应用，计算机技术的发展获得了极大的推动力，在运行速率和人机交流等方面都有巨大提升。

3.2 数据挖掘技术研究现状

数据挖掘技术主要是对各类模糊的、大量的应用数据、人未知的、潜在已经存在的数据进行整理挖掘进行细致的研究，寻找出对研究有用的数据。目前，数据库、人工智能、数理统计已经成为数据挖掘技术的三大技术支撑，以基础理论、发现算法、可视化技术、知识表示方法、半结构化等作为研究内容，为数据挖掘技术的发展提供理论和技术支持。

3.3 主体系统研究现状

主体系统可以实现机器意图和想法的生成，是一种智能方面更接近人类的自主性实体系统。自主系统可以完成一些相对独立、自主的任务，甚至可以通过调整自我状态，应对环境和特殊情况的变化，进而保证自身规划任务的完成。在多主体系统研究中，主要是从物理和逻辑思维方面对主体进行智能行为的分析研究。

4 人工智能发展中面临的问题

4.1 识别功能的困惑

计算机识别技术研究在近些年取得了大量成果，其产品的实际应用范围较广，但不可否认的是，计算机识别的模式是基于一定的算法和程序设定的，其识别机制完全不同于人类的感官识别，因此，在计算机进行识别，尤其是图形识别时，对各种印刷体、文字、指纹等清晰图形可以快速识别，但对于相似度较高的物体，计算机识别能力相对较弱，识别失败的情况较为普遍。语音识别主要研究各种语音信号的分类。语音识别技术近年来发展很快，但是缺点是识别极易受到干扰，发音不标准的语音较易引发识别错误。

4.2 GPS功能的局限性

GPS是企图实现一种不依赖于领域知识求解人工智能问题的通用方法，但是问题内部的表达形式和领域知识是分不开的，用谓词逻辑进行定理归结或者人工智能通用方法GPS，都可以从分析表达能力上找出其局限性，这样就减少了人工智能的应用范围[1]。

5 人工智能的未来应用展望

人工智能与人生活最息息相关的应用范围就是融入人们的衣食住行和教育等方面，这也是人工智能未来最普遍的应用方向。

5.1 无人驾驶的汽车

奔驰、丰田等很多大型汽车企业都在研究o人驾驶的汽车，像007电影中的那种拥有自主辨别路况、自动驾驶等功能的汽车也许很快就会成为现实。自动驾驶的汽车要搭载的技术并不只人工智能一种，它还需要将自动控制和视觉计算等新型技术集成应用，改变现有汽车的体系结构，赋予其自动识别、分析和控制的能力。因此，自动驾驶汽车需要实现三方面的技术突破：其一，实现利用摄像设备、雷达和激光测距机来获得路况信息；其二，实现利用地图进行自动的车辆导航；其三，根据已有信息数据对车辆的速度和方向进行控制。未来的自动驾驶汽车还可以通过车辆之间的信息互通和互相感应，来协调车速和方向，避免车辆碰撞，实现自动驾驶车辆的安全行进。

5.2 智能化的课堂

当前已经有一些智能化的教学软件，教师们可以在这些软件上把教学课件传送给学生，并进行授课答题，学生还可以与教师弹幕互动，使课堂变得妙趣横生，方便了教师的授课活动。对于学生而言，能够在期末十分便捷地回顾上课的错题，甚至能够在几年后翻阅学习过的课件；对于教师而言，能够精细地知道学生对知识的掌握程度，甚至能够发现最积极和最懈怠的学生。未来的智能课堂将更具有时间延展性，学生不仅可以在课堂学习知识，还可以利用智能电子设备进行课前预习和课后复习，从而使学生可以在更加趣味性的氛围中进行自主学习安排。

5.3 自动化的厨房

今后的厨房将会更加智能化，当你做饭时，设定好你想要的菜谱，准备好所需的食材，烹调设备即可将饭菜制作得恰到好处。它会根据你食材的新鲜程度，为你推荐最适合的菜谱，并计算出其营养参考标准，并为你推荐其他食物，使膳食营养均衡。当你家中某样食材不足时，物流公司便会将时下最新鲜的这一食材送至你家中[2]。

6 结语

人工智能这一概念是在1956年提出的，在当时，人工智能还只是人们头脑中的一种幻想，而在60年后的今天，人工智能的梦想已经逐渐照进现实，它甚至渗透进了工业、医学、服务等多个领域，可以说人工智能正在改变着我们生活的世界。但对于人工智能这个人类创造出来的技术，人们也存在一定的担忧，人工智能将向何方发展？人工智能发展到极致会不会脱离人类的控制？人工智能会不会超越人类的智慧？在诸多问题围绕下，人工智能技术依然在迅猛发展，它的未来如何，让我们拭目以待。

篇3

中图分类号：V355 文献标识码：A 文章编号：1671—7597（2013）041-118-01

1 研究背景

随着时代的发展，计算机技术因其优越性在多个领域得到广泛应用。“计算机学科的一个重要分支就是人工智能，它与基因工程、纳米科学被列为21世纪三大尖端技术”，它为人工智能技术在航空业的应用创造了条件。现代航空业的迅猛发展，带来空中交通流量的飞速增长。目前，航空业经常出现空中交通堵塞、拥挤等现象，迫切需要引进先进的技术手段，提升空中交通技术，改进管理手段，有效提升空域容量与空间利用率。

根据空中交通管理的理论特点，以及空中交通管理技术特点，人工智能技术在空中交通管理中的应用研究逐渐引起了人们的重视，并取得较大发展。人工神经网络在空中交通流量预测、飞行间隔控制、飞行冲突智能调配等方面的研究初见成效。但我国空中飞行流量需求的日益增大，迫切需要将人工智能技术有效运用到空中交通管理中，建立人工智能空中交通管理辅助系统，真正实现类似专家功能的新型空中交通管理系统。本文基于这样的认识，尝试将人工智能技术应用到空中交通管理系统中，有效提升空中交通的空域容量，使空中交通更加有序，更好地服务于积极社会的发展，提升人们的生活质量。

2 人工智能技术概况阐述

“人工智能也称机器智能，它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的”从计算机应用系统的层面来理解，人工智能研究的主要内容是如何制造出人造的智能机器，以及人造的智能系统，具备模拟人类智能活动的能力，从而延伸人们智能的一门科学。

人工智能领域的研究始于1956年，“人工智能”这个术语第一次出现于达特茅斯大学召开的一次会议上。随后人们逐渐在问题求解、自然语言理解、自动程序设计、专家系统、逻辑推理与定理证明、博弈、学习以及机器人学等领域展开研究，成功建立了具有一定程度的人工智能计算机系统。随着研究的不断深入，人工智能理论得到不断的丰富与发展。随着计算机硬件的快速发展，计算机的存储容量不断扩大、运行速度不断提高、价格低廉，人工智能技术的发展将会给人们的生活、工作等带来更大的影响。

3 空中交通管理人工智能系统构成简述

人工智能技术在空中交通管理中的应用有助于建立人工智能辅助系统，建立新的空中交通管理模式。“但不要忘记采用不同的技术和运作概念也会带来不同的空中交通管理模式，特别在新技术层出不穷的今天，我们更不能忽略这个方面。”，它能使空中交通流量管理高效、有序、安全，有效提升空中交通的空间与时间利用率，对空中飞行冲突进行有效的预测与解决。空中交通管理的核心是科学合理安排空中交通流量。飞行流量的智能化管理、飞行冲突的预测、飞行冲突的解决等方面是人工智能辅助系统研究的侧重点。空中交通管理人工智能辅助系统由飞行流量管理模块、冲突探测与解脱模块、辅助决策模块等三个附属系统构成。这几个模块间的关系是在冲突探测与解脱模块与飞行流量管理模块之中渗透辅助决策模块，最终形成智能飞行流量管理、智能冲突探测与解脱模块系统，它们能够为空中管制员提供有效的决策辅助信息，切实减轻空中管制员的工作负担，提高空中飞行的安全性与管制效率。

4 空中交通管理人工智能辅助系统的实现方式

4.1 飞行流量管理辅助决策的实现

人工智能系统飞行流量管理模块主要将空域资源“空闲”的概念与A算法与辅助决策进行结合。其具体操作过程是根据飞行流量管理数据库，储存或读取数据，计算流量，预测冲突，依据基本容量模型，建立A算法数学模型，对空中航班进行动态与静态排序，最终完成人工智能技术对空中飞行流量的辅助决策作用。

建立准确客观的飞行流量管理数据库非常重要。这些原始数据必须可靠、准确、及时，因为它直接影响到辅助决策的有效性；开放数据库间的互连主要依靠ODBC ，它是数据库之间连接的标准，为SQL语言的存取提供标准接口；再依据数据库的信息，运用飞行动力学知识计算出飞机在具体时间应该到达的位置，以及到达具置的准确时间，合理的安排飞行架次；飞行流量冲突预测主要通过将流量与相应的容量比较，列出具体的冲突时间、冲突地点、存在冲突的飞机架次；最后调整航班与起降，对冲突航班及时调整，确保交汇点、航路、机场、管制区等畅通。人工智能中的A 算法可以有效针对基本容量模型对飞机进行排序，对飞行计划的来源、内容及状态转化等进行研究，生动模拟飞行计划实施过程。“空闲”概念可以使冲突航班时刻调整在受限区域内。

4.2 飞行冲突探测与解脱辅助决策的实现

飞行冲突探测与解脱辅助决策系统能够向空管员提供高效的避撞辅助方案，有效弥补管制员决策过程中的不足，对飞行冲突情况进行分析，寻找出积极的解脱方案。

飞行冲突探测与解脱辅助决策系统推理过程大致包括以下几个方面：突中航空器、突中航空器优先等级评估、冲突类别评定、避撞应对方案、建立避撞路线。推理选择最主要的过程是推理机制，为了完成推理过程，该系统中还必须包括一系列的规则：航空器优先级别评定规则、避撞方案确定规则、避撞空管规则、建立避撞路线规则等；还要建立层次型结构及模块化知识库，确保避撞推理的有效运作，保证知识库得到有效维护，并且能够及时的更新。

5 结束语

人工智能技术在空中交通管理中的应用，必将使空中交通管理更高效、更安全、更有序，必将最大程度的提升空域的利用效率。人工智能技术的应用领域是广泛的，相信随着人们对人工智能技术研究的不断深入，人工智能技术必将在更多方面提供智能化辅助管理服务，使人工智能技术不断的服务于社会经济，服务于人们的需要。

参考文献

篇4

中图分类号： S776.035

人工智能与电气运动控制是集电机、电子、自动化、计算机、智能控制和知识工程为一体的新兴交叉学科，其知识、技术和产品在工业、国防、交通、运输、民用等行业应用十分广泛。当前，电气运动控制系统运行条件的复杂化不断提高，同时对控制的智能化与精确化要求也越来越高，因此深入研究智能运动系统的设计、制造、运行规律，探索该方面的高层次科学研究、工程技术应用成为当务之急。

1.人工智能的概述

人工智能（Artificial Intelligence） ，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。

人工智能是一门新的技术科学，它的研究、开发是为了模拟、延伸和扩展人的智能，这是一种理论、方法、技术及应用系统。电气自动化是研究与电气工程有关的系统运行、自动控制、电力电子技术、信息处理等领域的一门学科。随着现代技术的发展，为了减少运行成本，提高工作效率，把人工智能的先进研究成果与电气自动化控制相结合，实现了技术的又一次突破。

2.电气工程中智能控制的功能实现

（1）收集处理数据：对于所有开关量、模拟量，人工智能控制器都能对其进行实时采集，在要求明确的情况下，人工智能控制器能自动处理或存贮。（2）界面显示：设备和系统的运行状态都会在模拟画面上真实的显示出来，可从中了解到模拟量、计算量、隔离开关、断路器等实际的状况。有问题时，画面上会挂牌检修功能，还会形成对应得历史趋势图。（3） 运行监视：在设备的模拟数值、开关量状态出现问题时，智能监视就起到了很大的作用，它会自己报警，还会记录下事件的过程。（4）人工控制：操作人员只需要通过键盘或鼠标就可以对断路器及电动隔离开关进行控制，系统会对操作人员进行限制性的操作，对值班起到很大作用。（5）故障录波：故障录波较为详细，包括波形、开关量和顺序记录等。（6）分析不对称的应用，进行负序量计算等。（7）及时进行参数的设定和修改从而定值得到保护。（8）模糊控制、神经网络控制、专家系统控制是人工智能控制的主要的三种方法。

3.电气自动化技术中人工智能的应用分析

（1）电气设备设计中人工智能的应用。由于电气设备的具体设计是综合性、复杂性、专业性的过程，其涉及的范围也十分广，包括了电磁场、电子技术、变压器、电机、专业电路等领域，另一方面，这对其设计者也提出了更高的要求。通过人工智能方面的技术，能够实现大批较难迅速解决处理的模拟过程与相关繁琐计算，这就加强了设计过程内的工作精度和效率。当然，在电气设备设计进行的时候还要区别不同的情况与具体算法，比如说遗传算法会用在优化设计中，而专家系统总是用在开发性设计中。

（2）电气控制技术中人工智能的应用。电气自动化的控制技术可以实现强化分配、交换、流通、生产等关键环节，在加大财力投入的同时尽可能减少人力，以便提高电气系统中的运作质量与效率。电气设备控制系统里面人工智能技术的应用包含了神经网络控制、专家系统控制与模糊控制等，而在实际的应用过程中，使用最多的则是模糊控制，这主要是源于其简单化的控制，同时又和现实情况联系密切。

（3）人工智能对日常操作的影响。电力系统不仅影响着电力系统建设的自动化水平，对日常的管理工作的影响也十分重大。人工智能技术应用于日常操作中，可以帮助实现以家用电脑操作进行系统操作，简化电流调整、设备操作界面，并且可自动进行日志生成和储存、报表自动生成等功能。电气系统日常操作中引进人工智能技术，不仅能够简化各种操作、规范各种文件样式和规格，并且能够实现操作的简便性和可视性。

（4）电气故障诊断中人工智能的应用。在电气设备的故障诊断过程中，使用最为广泛的即是神经网络、专家系统、模糊理论等人工智能技术，尤其是对电气电动机、发电机进行的故障诊断。当前，电气系统中变压器的故障诊断通常适用方法为分析气体和分解变压器油中分解的气体，借助人工智能法可以有效提高相关诊断的准确性，其中人工智能技术通过结合模糊理论与神经网络，来完成故障诊断知识的神经网络以及模糊性的共同诊断过程，这样就可以从根本上提高诊断故障的全面性与准确性。

4.结束语

电气自动化控制革新离不开人工智能的大力支持。人工智能在自动化控制方面的优势越发的突显。促进人工智能在电气自动化控制中的应用以解决传统方法不能解决的复杂系统控制问题。

在电气自动化领域，人工智能应用集中体现于专家系统、自动程序设计、定理证明、逻辑推理、各类问题求解等方面，因此，在电气自动化技术中充分挖掘并利用人工智能的功能与效力，这样才能使工作更加顺畅、高效。

依据国内需要及本学科在国际上的发展趋势，今后人工智能与电气结合的研究方向及内容是：⑴智能控制理论与技术；⑵电气驱动自动化；⑶智能控制理论在电气运动系统中的应用；等。

参考文献

1.罗兵。人工智能原理及应用[M]，机械工业出版社，2011-08-01

篇5

中图分类号：TP18 文献标识码：A 文章编号：1671-2064（2017）01-00218-01

人工智能包含三个层次：计算智能、感知智能和认知智能，讯飞超脑计划是包含模拟人脑的知识表示与推理、类人学习机制与新知识的获取、机器加载专业知识成为专门的教育领域。讯飞超脑计划是基于全球关于人工神经网络的深度学习研究，简单来说就是希望未来讯飞超脑计划能够将人工智能从只是简单地能听会说到能够深度思考相关问题的科技转变。人工智能的不断开拓创新是为了帮助人类能够更好地生活，我们应该注重人工智能的发展推进，将其广泛合理地应用到生活的实际中去。

1 讯飞超脑计划目前取得的阶段学习研究成果

1.1 讯飞超脑计划关于我国现阶段关于高中生学习教育的人工智能成果

随着近年来教育电子多媒体设备的投入普及使用，使目前的高中老师在课堂上更习惯用电子化的教学方式来替代传统的板书课本单一枯燥的教学，与此同时，现阶段高中生也同样具备使用移动互联网的条件，这样就使得科大讯飞超脑计划的教育产品可以形成以下的模式如图1所示。

采用此智能的学习模式可以使我国的高中生接受公平的最好的教育，这就需要借助人工智能的帮助来使老师提高自身的教育水平，使高中生丰富并开阔自身的视野。课堂教学包括了在线课堂、畅言交互式多媒体教学系统以及畅言智能语音等，这种新颖的课堂教学模式使原本单一的教学方式变成了思想上任意遨游的知识海洋；智能考试包含了标准考场、英语四六级网上阅卷、普通话与英语口语测试等方面，智能考试系统从字迹工整的程度、词汇量的丰富度、语法的正确性与通顺性等多个方面来评判考试试卷，加上多年来的不断改进，人工智能的评判方法跟相关专家的人工试卷评判的相似度相差无几，很大程度地增加了试卷评判的效率性与公平性；学习产品与教育评价更是覆盖到了从低到高的各个层面的产品组织结构，更有利于高中生的学习与应试教育的公平性。

1.2 讯飞超脑计划对于提高人类生活水平的成果

随着人工智能技术在经济、教育、文化、娱乐等领域的不断应用，使人们的生活质量水平得到了很大程度的提高，人工智能带来的方便快捷对于人类的发展进化与物质文化的进步产生了不可忽视的作用。随着讯飞超脑计划的推出，一方面，可以把人类从繁重的劳动中解放出来，很大程度地提高人类生产生活的效率与质量；另一方面，人工智能的进步会极大地革新人类的思维方式，使人们能够多角度地认知世界，加深对人类对自身所处的宇宙地位的思考，利于人不断地探索奥秘，进一步推进人类社会的进步。

2 讯飞超脑计划下人工智能对于未来生活的影响及其发展趋势

2.1 讯飞超脑计划下人工智能对未来生活的影响

由于讯飞超脑计划是感知智能结合认知智能的再创新，使得未来机器将会实现高水平的感知智能，具有更多的包括语音识别、手写识别以及图像识别的更多智能感知能力与实现包括智能客服、人机交互等的取代人类脑力劳动的认知智能突破。所以说讯飞超脑计划下的人工智能在未来的教育、经济、文化、社会结构等未来生活的各个方面都会产生重大影响。在教育上，人工智能的应用优化了课堂结构，使学生能够实时接受外界的新知识以及与时俱进的教育模式改革；在经济上，人工智能的高效能与高效率会明显提高经济效益，用人工智能来进行财务管理有助于缩减不必要的人工劳务开支与相关的培训费用，利于经济的变革与提高；在文化上，人工智能对于人类语言文化与图像处理上的优势日益凸显出来，可以确定的是人工智能的发展将会深入到人类生活的各个层面中去。

2.2 讯飞超脑计划下人工智能的未来发展趋势

随着人工智能的不断演进，人工智能从最初能存会算的计算智能阶段，到后来的能听会说、能看会认的感知智能阶段，最后再到讯飞超脑计划下提出的让机器能理解、会思考的认知智能阶段，未来的人工智能在语言理解、知识表达、联想推理以及自主学习等方面都将会取得很大的进展。

3 结语

人工智能对于未来生活的影响是多方面的，在未来生活的各个方面都十分显著。与此同时，讯飞超脑计划下的人工智能不断的改革创新与发展，也将更快地推动人类的发展，人工智能与人类的生活是互相影响又相互制约的。人工智能的不断发展给人类的未来生活带来了很大程度的改变，人类在不断开拓人工智能的领域时也应不断提高自身能力与素养，以适应人工智能带来的不断创新和改变。

参考文献：

篇6

【关键词】人工智能 应用 发展前景

现如今，科技的飞速发展使得人们生活的需求也在不断的变化，单纯的计算机技术似乎已经无法满足人们的需求。计算机不仅要提供更加智能化的服务，而且还要提供更加人性化的服务，只有这样才能逐渐满足人们日益增长的需求。随着人工智能技术的不断发展与完善，它在社会、生活等各个领域中的应用和影响也越来越大，而且相对于其他技术也有着更大的发展空间与发展前景。

1 人工智能的定义

人工智能并不是近些年才出现的新名词。早在1956年美国计算机协会组织的达特莫斯（Dartmouth）学会上就已经提出了“人工智能”这个词。美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能的定义是：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的学科”。而美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使用计算机去做过去只有人才能做到的智能工作”。由于人类的智能存在并不是单方面的，对于智能的研究很可能是多方面共同作用的结果，而且不同学科有不同的研究背景和不同的研究环境，对人工智能的理解不同，提出的观点也不同。这就导致了目前对人工智能的定义还没有一个统一的标准。

人工智能作为一门学科，它综合了计算机科学、心理学、生理学以及语言学等多种学科，是一门非常具有挑战性的综合型技术。人工智能技术的研究目的是为了让机器等设备能够代替人类或者人类专家来处理一些相对复杂的问题，因此也被称为机器智能。人工智能是相对于人类智能和自然智能而言的智能，使机器设备等通过对人类智能活动的模仿、延伸和扩展，实现某些机器思维，完成操作者的命令。

2 人工智能的应用简介

2.1 人工智能在模式识别中的应用

数字识别、汉字识别和语音识别使用的技术是人工智能中的神经网络技术，神经网络具有学习能力和快速并行实现的特点。汉字识别的难度相对于数字识别来说要复杂的多，困难的多，影响其正确识别的因素很多。以一套汉字识别系统为例――“汉王笔”，这是一套在手写板上书写的汉字联机输入计算机的汉字识别系统，是由中科院自动化研究所汉王公司开发的。语音识别在生活中并不陌生，目前很多移动端的应用程序中就有关于语音识别的应用。其中人工智能在语音识别中的应用代表之一是七国（英、日、意、德、法、韩、中）语言口语自动翻译系统。

人脸识别也是人工智能在模式识别中的重要应用。人脸识别主要是机器等设备基于人脸特征进行身份验证，相比其它人体生物特征的识别来说更加直接、精确度高。目前具有代表性的产品之一是汉王人脸通，它可以在无光线条件下进行人脸的识别，还可以利用高精度3D打印技术打印人脸的识别。汉王人脸通目前可以实现对易容的识别，同卵双胞胎、同卵三胞胎的识别。

2.2 人工智能在计算机网络技术中的应用

人工智能在计算机网络技术中的应用基本满足了人们对计算机等设备提出的智能化、人性化服务的需求。人工智能技术在计算机网络技术中的应用不胜枚举，此处仅是简要介绍人工智能在网络安全管理领域中的主要应用。下面以智能防火墙技术、入侵检测、智能型反垃圾邮件系统对用户邮箱的保护为例进行简要说明。

智能化防火墙系统采用智能化识别技术，如记忆、统计、概率以及策略等方法对数据进行识别和处理。采用智能化识别技术的目的主要是为了减少了计算机在进行匹配检查过程中所要进行的庞大计算。智能防火墙系统有效的解决了普通防御软件拒绝服务等问题，并且还有效的遏制病毒传播与入侵。

入侵检测是防火墙技术核心组成部分，入侵检测技术主要是通过采集数据、筛选数据、数据分类和处理等过程，及时向用户报告当前安全状态。人工智能技术在入侵检测中较为广泛的应用例子有专家系统、模糊识别系统以及人工神经网络等。

智能型反垃圾邮件系统可以在不影响用户信息安全的基础上，对用户邮件进行有效检测，并及时提醒用户存在可能危害系统的垃圾信息。

2.3 人工智能在远程教育中的应用

新西兰的研究人员制作出了一个“虚拟教师”――Dubbed Eve，“他”能根据远程学生的情绪状态做出适当的反应。Dubbed Eve三维动画教师是计算机科学中人工智能技术的实践应用。Eve的设计目的是以一对一的方式教8岁大小的孩子数学。Eve不仅可以接受孩子的提问、反馈、给出相应的答案，还能和孩子一起讨论问题，并能表现相应的情感。也能使用响应系统的基本信息判断孩子的反应，并从孩子的反应中相应的调整自己。为了制作出Eve，研究人员观察了教师和学生之间在真实生活中的交互情形，抓取了数千张面部表情、手势、身体语言等图片，编制了Eve的响应系统程序。基于人工智能的响应系统程序与嵌入式设备配合，机器设备能感知学生的情绪和其它生物信号、识别面部表情以及身体语言等。

3 人工智能的发展前景

情感能力对于计算机与人的交互至关重要，如何赋予计算机情感能力将是人工智能技术的发展前景。当前国际人工智能领域对人工智能和认知领域的研究日趋活跃。有能力感知和适应人来情绪的计算机程序，将作为未来发展的必要趋势。

智能家居也是未来人工智能技术在生活中应用的发展前景。基于人工智能技术的无线传感装置可以实现通过各类集成化的微型传感器协作地实时监测、感知和采集环境信息，可以更好的提升现代住房的安全、舒适。还可以通过物联网等方式实现用户在异地对智能家居系统的远程查询和调控。人工智能技术在生活中的应用很大程度上为人民提供了方便舒适的生活环境，也是未来的发展趋势。

4 总结

人工智能技术除了在模式识别和计算机网络技术中的应用之外，在工业生产、军事、农业生产、企业等各个领域当中都有了广泛的应用。人工智能技术不仅带动了新型处理技术的推广，而且还会延伸更多新型技术的发展。随着人工智能技术的不断完善与发展，它将在今后的社会、生活中发挥更大的作用。

参考文献

[1] 张妮，徐文尚，王文文. 人工智能技术发展及应用研究综述[J].煤矿机械，2009，30：4-6.

[2] 刘合鸣.论人工智能的研究与发展[J].科学实践，2010，248-249.

[3] 曾雪峰. 论人工智能的研究与发展[J].现代商贸工业， 2009，13：248-249.

[4] 张彬.探讨人工智能在计算机网络技术中的应用[J].软件， 2012，11：265-266.

[5] 陕粉丽.人工智能在模式识别方面的应用[J].长治学院学报， 2007，24：39-32.

篇7

中图分类号:TP18 文献标识码:A文章编号:1009-3044(2010)13-3507-03

Artificial Intelligence Overview

HU Qin

(Baiyun Middle School in Zongyang Country, Anqing 246728, China)

Abstract:The paper introduces current general research and hot research topic of artificial intelligence. The paper looks forward to the future development direction of artificial intelligence. In addition, the paper analyzes implication of concepts, theoretical foundation, discipline system, scientific approaches, scientific significance and application value of generalized artificial intelligence.

Key words: artificial intelligence; artificial intelligence research; generalized artificial intelligence

人工智能是计算机学科的一个分支,是一门正在发展中的综合性的前沿学科,它是研究人类智能活动的规律,并用于模拟、延伸和扩展人类智能的一门新的技术科学,是在计算机、控制论、信息论、数学、心理学等多种学科相互综合、相互渗透的基础上发展起来的一门新兴边缘学科[1]。人工智能目前已在指纹及人脸识别、专家系统、智能搜索、定理证明、博弈、自动程序设计以及航空航天领域取得了广义的应用。

1 人工智能研究概况

当20世纪40年代数字计算机研制成功时,当时的研究者就采用启发式思维,运用领域知识,编写了能够完成复杂问题求解的计算机程序,包括可以下国际象棋和证明平面几何定理的计算机程序[2]。运用计算机处理这些复杂问题的方法具有显著人类智能的特色,从而导致了人工智能的诞生。1956年,McCarthy决定把Dartmouth会议用人工智能来命名,开创了具有真正意义的人工智能的研究。

图灵(Alan Turing)所著的“计算机器与智能”[3]讨论了人类智能机械化的可能性,提出了图灵机的理论模型,为现代计算机的出现莫定了理论基础。同时该文中还提出了著名的图灵准则,在人工智能研究领域,“图灵检验”已成为最重要的智能机标准。同一时期,Warren McCullocli和Walter Pitts发表了“神经活动内在概念的逻辑演算”的开创之作[4],该文证明了:一定类型的可严格定义的神经网络,原则上能够计算一定类型的逻辑函数并开创了当前人工智能研究的两大类别:“符号论”和“联结论”。

从20世纪60年代至70年代初,人工智能领域有影响的工作是通用问题求解程序,主要包括:Robinson于1965年提出了归结原理,成为自动定理证明的基础[5] ;Feigenbaum于1968年研制成功了DENDRAL化学专家系统,是人工智能走向实用化的标志。Quillian于1968年提出了语义网络的知识表示等。20世纪70年代,人工智能研究以自然语言理解、知识表示为主。Winograd于1972年研制开发了自然语言理解系统Shrdlu,同时期Colmeraue创建了Prolog语言。Shank于1973年提出了概念从属理论。Minsky于1974年提出了框架知识表示法。1977年,Feigenbaum提出了知识工程,专家系统开始得到广泛应用。

20世纪80年代以来,以推理技术、知识获取机器视觉的研究为主。开始了不确定性推理和确定性推理方法的研究。日本计算机界推出了“第五代计算机研制计划”,该计划最终未能实现当初的目标―以非数字化方式在日常范围内全面的模仿人类行为,但该计划也为人工智能的进一步发展积累了很多经验。20世纪90年代,人工智能研究在博弈这一领域有了实质性的进展。1997年5月11日,一个名为“深蓝”的IBM计算机以2胜1负3平的成绩战胜了国际象棋世界冠军卡斯帕罗夫,这举世震惊的一步大大地振奋了整个人工智能界,而事实上“深蓝”打败卡斯帕罗夫仍是从专家系统提供的所有可能的走步中选择最优的,并未有理论上的实质性的突破。

中国人在人工智能领域的突出贡献主要有:1960年,华裔美国数理逻辑学家王浩提出了命题逻辑的机器定理证明的新算法,利用计算机证明了集合论中的300 多条定理。1977 年, 我国数学家、人工智能学家吴文俊提出了初等几何判定问题的机器定理证明方法,并进一步推广到初等微分几何、非欧几何领域,被称为“吴氏方法”。 80-90年代,我国高等院校和研究机构在智能控制与智能机器人的研究开发方面,取得了丰硕的成果。

回顾人工智能发展的历史进程,从科学方法论的角度分析,其发展有三条途径,分别是结构模拟、功能模拟和行为模拟。在学术观点上有人工神经网络、专家系统和智能机器人三大学派。

2 人工智能当前的热点研究

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。目前人工智能研究的3个热点是: 智能接口[6]、智能信息处理[7]、主体及多主体系统[8]。

2.1 智能接口技术

智能接口技术是研究如何使人们能够方便自然地使用计算机。这一目标的实现要求计算机能够看懂文字、听懂语言,甚至能够进行不同语言之间的翻译,而这些功能的实现又依赖于知识表示方法的研究。因此,智能接口技术的研究既有巨大的应用价值,目前,智能接口技术已经取得了显著成果,文字识别、语音识别、语音合成、图像识别、机器翻译以及自然语言理解等技术已经开始实用化,如:微软提出的云计算、百度提出的框计算都与智能接口技术有关。

2.2 智能信息处理

计算机的广泛应用是人类进入一个信息爆炸的时代,国民经济和社会信息化发展所面临的一个重要课题是如何把大量的数据转化为有用的知识,并将知识转化为智能,用于决策、管理、检索、过程控制等。智能信息处理使从海量数据中提起有用知识成为可能,当前,图形模式作为一种有效的智能数据处理手段正在引起人们的重视,图形模式具有多功能性、有效性及开放性等特征,能有效地转化数据为知识,并利用这些知识进行推理,以解决分类、聚类、预测和因果分析等问题,其有效性已在软件智能化、医疗故障诊断、金融风险分析、DNA 功能分析和 Web 采掘等方面得到验证。随着图形模式学习和基于图形模式推理等问题的解决,图形模式必将成为重要和有力的智能化数据分析与处理工具。

2.3 主体及多主体系统

主体是具有信念、愿望、意图、能力、选择等心智状态的智能性实体,而且具有一定自主性。主体试图自治地、独立地完成任务,同时又可以和环境交互,与其他主体通信,并通过规划达到目标。多主体系统主要研究在逻辑上或物理上分离的多个主体之间进行协调智能行为,最终实现问题求解。目前对主体和多主体系统的研究主要集中在主体和多主体理论、主体的体系结构和组织、主体语言、主体之间的协作和协调、通信和交互技术、多主体学习以及多主体系统应用等方面。

3 人工智能未来的研究方向

当前,人工智能学科已从学派分歧的、传统的、狭义的人工智能,走向多学派兼容、多层次结合现代的广义人工智能,并将发展成为人机集成的、群体协同的、未来的智能科学技术 [9]。广义人工智能学科的理论基础是广义智能信息系统论,主要包括广义智能论、智能信息论和智能系统论。

3.1 广义人工智能的概念涵义和学科体系

多学派人工智能是指模拟、延伸与扩展人的智能及其它动物智能,既研究机器智能,也开发智能机器。多层次人工智能是指不仅研究专家系统,而且研究人工神经网络、模式识别、智能机器人等。多智体人工智能研究群体的、网络的多智体、分布式人工智能。研究如何使分散的个体人工智能协调配合,形成协同的群体人工智能,模拟、延伸与扩展人的群体智能或其它动物的群体智能。

广义人工智能的研究对象是自然智能、人工智能、集成智能和协同智能,根据广义智能学的研究对象,广义人工智能学的学科体系主要包括四个方面:①自然智能学:自然智能学研究人的智能及其他生物智能的个体智能、群体智能的基本概念和特性。②人工智能学:人工智能学研究机器智能与智能机器二方面,思维、感知、行为三层次的广义人工智能的基本概念和特性,分析设计、协调协同、进化开拓、评价测度、信息处理、系统构成、管理控制的理论和方法。③集成智能学:集成智能学研究自然智能与人工智能,主要是人的智能与机器智能如何协调配合、取长补短、合理分工、智能结合,形成集成智能、构成人机和谐集成智能系统的基本理论和方法。④协同智能学:协同智能学研究智能个体如何相互协调、友好协商、分工协作,组成智能群体,组成分布式网络群体协同智能系统的基本理论和方法。

3.2 广义人工智能的科学方法

①多学科协同:广义人工智能是跨学科的综合性边缘学科,必须需要包含信息科学、生物科学、系统科学等多学科协同的科学研究方法。② 多途径结合:广义人工智能是对广义自然智能的模拟、延伸和扩展,需要采取功能模拟、结构模拟、行为模拟等定性研究与定量分析,综合集成的多途径相结合的科学方法。③多学派兼容:广义人工智能的研究应当也需要采取符号主义,联结主义,行为主义等多学派兼容的科学方法。

3.3 广义人工智能的科学意义

研究发展广义智能学具有重要科学意义和应用价值,广义人工智能协同地、综合地研究自然智能、人工智能,开发人机集成智能、群体协同智能的基础理论和方法,如:协同研究自然智能与人工智能;研究开发人机集成智能;研究开发群体协同智能;广义人工智能为研究人工智能和自热智能提供新思路和新方法,并为发展智能科学技术提供新理论。

4 结论

本文全面综述了人工智能的发展过程、研究热点和研究趋势,介绍了广义人工智能的基础理论和方法,认识到广义人工智能将为智能科学技术提供宽广、深厚的理论基础,并将有力促进智能科学技术的迅速发展与广泛应用。

参考文献:

[1] 马少平,朱小燕.人工智能[M].北京:清华大学出版社,2004.

[2] 石纯一,黄吕宁,土家钦.人工智能原理[M].北京:清华大学出版社,1993.

[3] L.A. Zadeh, Fuzzy Sets[J].Information and Control,1965(8).

[4] Bord M A. 人工智能哲学[M].刘西瑞,王汉琦,译.上海:上海译文出版社,2001.

[5] 刘叙华.基于归结方法的自动推理[M].北京:科学出版社,1994.

[6] 顾明.基于模糊ART神经网络的在线人脸识别模型的设计和实现[J].计算机科学,2007(8):92-94.

篇8

1 人工智能简介

人工智能（Aritificial Intelligence，AI）是一门综合了计算机科学、控制论、信息论、神经生理学、心理学、语言学、哲学等多种学科互相渗透而发展起来的一门交叉学科[1]，从诞生至今已有近60年的历史。人工智能是研究如何制造智能机器或智能系统，来模拟人类智能活动的能力，以延伸人们智能的科学[2]。人工智能不在乎计算机是依靠某种算法还是真正理解人类行为，只需要其能表现出与人相似的行为，它是计算机科学中的―个分支，涉及智能机器的研究、设计和应用。人工智能的研究目标在于怎样用计算机来模仿和执行人脑的某些功能，并开发相关的技术以及产品，建立有关的理论。人工智能可分为：基本人工智能，包括知识表示、推理；高级人工智能，如模糊逻辑、神经网络、专家控制；计算智能，如遗传算法、群集智能。人工智能研究领域的三种主要观点[3]：符号主义又称为逻辑主义或计算机学派，其认为符号是人类的认识基元，同时人认识的过程即是对符号的计算与推理的过程；联结主义又被叫做仿生学派，其主要原理是人类的智能是由人脑的生理结构和工作模式所决定；行为主义又被称作进化主义、控制论学派，其主要原理是智能取决于感知和行动，它不需要知识、也不需要知识的表示与推理[4]。

2 人脸识别

人脸识别是指对输入的人脸图像或者视频，判断其中是否存在人脸，如果存在人脸，则进一步给出每张人脸的位置、大小和各个主要面部器官的位置信息，并且依据这些信息，进一步提取每张人脸蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每张人脸的身份。人脸识别的研究起源于19世纪末，其发展大致分成三个阶段[5]：第一阶段以面部特征为主要研究对象；第二阶段称为人机交互式识别阶段，分为采用几何特征参数来表示人脸正面图像和统计识别为基础的方法；第三阶段才被称为真正的自动识别阶段，人脸识别技术进入实用阶段。

3 常用的人脸识别方法

人脸识别的技术与方法一般分为：基于几何特征的方法和基于模板匹配的方法。对于基于几何特征方法而言，首先检测出眼耳口鼻等脸部主要部件的位置和大小，然后分析这些部件的总体几何分布关系以及相互之间的参数比例来识别人脸。基于模板的方法也叫做基于表象的方法，利用模板与整个人脸图像的像素值之间的自相关性进行人脸的识别[6]。通过分析常用的人脸识别方法，本文将人脸识别的方法分为基于几何特征的方法、基于模型的方法、基于统计的方法、基于神经网络的方法。

3.1 基于几何特征的方法

最早的基于几何特征的方法由Bleclsoe提出，该方法将几何特征定义为面部特征点之间的距离和比率，通过最近邻方法来识别人脸，但必须手动定位面部特征点，因此属于半自动系统。侧影识别是另一个基于几何特征的人脸识别方法，其原理是通过提取人脸的侧影轮廓线上特征点，将侧影转化为轮廓曲线，提取其中的基准点，然后识别这些点之间的几何特征。

基于几何特征的方法非常直观，能快速识别人脸，只需要较少内存，光照对特征的提取影响不大，缺点是当人脸变化时，特征的提取不精确，并且由于对图像细节信息的忽略，导致识别率较低，因此近年来少有发展。

3.2 基于模型的方法

隐马尔可夫模型（Hidden Markov Model，HMM）是一种常用的模型，基于HMM的方法被Nefian和Hayes引入到人脸识别领域，它是一组统计模型，用于描述信号统计特性。Cootes等人提出主动形状模型（Active Shape Model，ASM），对形状和局部灰度表象建模，定位新图像中易变的物体[5]。Lanitis等用该方法解释人脸图像，其原理是使用ASM找出人脸的形状，然后对人脸进行切割并归一到统一的框架，通过亮度模型解释和识别与形状无关的人脸。

主动表象模型（Active Appearance Model，AAM）通常被看作是ASM的一种扩展，一般作为通用的非线性图像编码模式，通用的人脸模型经变形处理后与输入图像进行匹配，并将控制参数作为分类的特征向量。

3.3 基于统计的方法

基于统计的方法将人脸图像视为随机向量，采用一些统计方法对人脸进行特征分析，这类方法有较为完善的统计学理论的支持，因此发展较好，研究人员也提出了一些比较成功的统计算法。

特征脸方法由Turk和Pentland提出，该方法中人脸由各个特征脸扩展的空间表示，虽然人脸信息可以有效地表示，但不能对其进行有效鉴别和区分。为取得更好的人脸识别效果，研究者又提出使用其他的线性空间来代替特征脸空间[6]。Moghaddam等人提出了贝叶斯人脸识别方法，用基于概率的方法来度量图像相似度，将人脸图像之间的差异分为类间差异和类内差异，其中类间差异表示不同对象之间的本质差异，类内差异为同一对象的不同图像之间的差异，而实际人脸图像之间的差异为两者之和。如果类内差异大于类间差异，则认为两人脸图像属于同一对象的可能性大。

奇异值分解（Singular Value Decomposition，SVD）作为一种有效的代数特征提取方法，奇异值特征具有多种重要性质，如镜像变换不变性、位移不变性、旋转不变性以及良好的稳定性等，因此人脸识别领域也引入了奇异值分解技术。

3.4 基于神经网络的方法

神经网络用于人脸识别领域也有较长的历史，Kohoncn最早将自组织映射（Self-Organizing Map，SOM）神经网络应用于人脸识别，即使当输入人脸图像有部分丢失或者具有较大噪音干扰时，也能完整的恢复出人脸。人脸识别中最具影响的神经网络方法是动态链接结构（Dynamic Link Architecture，DLA），对网络中语法关系的表达是该方法最突出的特点。

用于人脸识别的神经网络还有：时滞神经网络（Time Delay Neural Net-works，TDNN），是MLP的一种变形，径向基函数网络（Radial Basis Function Network，RBFN）以及能有效地实现低分辨率人脸的联想与识别的Hopfield网络等[6]。

与其他人脸识别方法相比，神经网络方法具有特有的优势，人脸图像的规则和特征的隐性表示可通过对神经网络的训练获得，避免了特征抽取的复杂性，有利于硬件的实现，缺点是可解释性较弱，要求训练集中有多张人脸图像，因此只适合于小型人脸库。人工智能应用在人脸识别、模式识别方面能够提高运行效率、减小计算量小、程序的代码编写更为简洁。

【参考文献】

[1]武海丽.初识人工智能[J].科技创新导报，2009，02：196.

[2]王甲海.创新型人工智能教育改革与实践[J].计算机教育，2010（08）：136.

[3]肖斌，薛丽敏，李照顺.对人工智能发展新方向的思考[J].信息技术，2009，12：166-168.

篇9

也正因为如此，人工智能发展进程中所面临的挑战才不仅仅局限于技术或产业领域，而更多体现在经济、社会、政治领域的公共政策选择上。首先，普遍建立在科层制基础上的公共事务治理结构，是否能够适应技术发展和应用过程中所大规模激发的不确定性和不可预知性?再者，长久以来围绕人类行为的规制制度，是否同样能够适应以数据、算法为主体的应用环境?最后，如何构建新的治理体系和治理工具来应对伴随人工智能发展而兴起的新的经济、社会、政治问题?

应对上述挑战并不完全取决于技术发展或商业创新本身，而更多依赖于我们的公共政策选择。本文试图在分析人工智能发展逻辑及其所引发的风险挑战的基础上，对人工智能时代的公共政策选择做出分析，并讨论未来改革的可能路径，这也就构成了人工智能治理的三个基本问题。具体而言，人工智能本身成为治理对象，其发展与应用构成了治理挑战，而在此基础上如何做出公共政策选择便是未来治理变革的方向。

全文共分为四个部分：第一部分将探讨人工智能的概念及特征，并进而对其发展逻辑进行阐述。作为一项颠覆性技术创新，其本身的技术门槛对决策者而言构成了挑战，梳理并捋清人工智能的本质内涵因而成为制定相关公共政策的前提;第二部分将着重分析人工智能时代崛起所带来的治理挑战，主要包括三个方面，即传统科层治理结构应对人工智能新的生产模式的滞后性、建基于行为因果关系之上的传统治理逻辑应对人工智能新主体的不适用性，以及人工智能发展所引发的新议题的治理空白;面对上述挑战，各国都出台了相关政策，本文第三部分对此进行了综述性对比分析，并指出了其进步意义所在。需要指出的是，尽管各国的政策目标都试图追求人工智能发展与监管的二维平衡，但由于缺乏对人工智能内涵及其发展逻辑的完整认识，当前的公共政策选择有失综合性;本文第四部分将提出新的治理思路以及公共政策选择的其他可能路径，以推动围绕人工智能治理的相关公共政策议题的深入讨论。

一、人工智能的概念及技术发展逻辑：算法与数据

伴随着人工智能技术的快速发展，尤其是其近年来在棋类对弈、自动驾驶、人脸识别等领域的广泛应用，围绕人工智能所可能引发的社会变革产生了激烈争论。在一方面，以霍金[2]、马斯克[3]、比尔-盖茨[4]、赫拉利[5]为代表的诸多人士呼吁加强监管，警惕“人工智能成为人类文明史的终结”;在另一方面，包括奥巴马[6]在内的政治家、学者又认为应该放松监管，充分释放人工智能的技术潜力以造福社会。未来发展的不确定性固然是引发当前争论的重要原因之一，但围绕“人工智能”概念内涵理解的不同，以及对其发展逻辑认识的不清晰，可能也同样严重地加剧了人们的分歧。正因为此，廓清人工智能的概念内涵和发展逻辑不仅是回应争论的需要，也是进一步提出公共政策建议的前提。

就相关研究领域而言，人们对于“人工智能”这一概念的定义并未形成普遍共识。计算机领域的先驱阿兰-图灵曾在《计算机器与智能》一文中提出，重要的不是机器模仿人类思维过程的能力，而是机器重复人类思维外在表现行为的能力。[7]正是由此理解出发，著名的“图灵测试”方案被提出。但如同斯坦福大学计算机系教授约翰·麦卡锡所指出的，“图灵测试”仅仅只是“人工智能”概念的一部分，不模仿人类但同时也能完成相关行为的机器同样应被视为“智能”的。[8]事实上，约翰·麦卡锡正是现代人工智能概念的提出者。在他看来，“智能”关乎完成某种目标的行为“机制”，而机器既可以通过模仿人来实现行为机制，也可以自由地使用任何办法来创造行为机制。[9]由此，我们便得到了人工智能领域另一个非常重要的概念——“机器学习”。

人工智能研究的目标是使机器达到人类级别的智能能力，而其中最重要的便是学习能力。[10]因此，尽管“机器学习”是“人工智能”的子域，但很多时候我们都将这两个概念等同起来。[11]就实现过程而言，机器学习是指利用某些算法指导计算机利用已知数据得出适当模型，并利用此模型对新的情境给出判断，从而完成行为机制的过程。此处需要强调一下机器学习算法与传统算法的差异。算法本质上就是一系列指令，告诉计算机该做什么。对于传统算法而言，其往往事无巨细地规定好了机器在既定条件下的既定动作;机器学习算法却是通过对已有数据的“学习”，使机器能够在与历史数据不同的新情境下做出判断。以机器人行走的实现为例，传统算法下，程序员要仔细规定好机器人在既定环境下每一个动作的实现流程;而机器学习算法下，程序员要做的则是使计算机分析并模拟人类的行走动作，以使其即使在完全陌生的环境中也能实现行走。

由此，我们可以对“人工智能”设定一个“工作定义”以方便进一步的讨论：人工智能是建立在现代算法基础上，以历史数据为支撑，而形成的具有感知、推理、学习、决策等思维活动并能够按照一定目标完成相应行为的计算系统。这一概念尽管可能仍不完善，但它突出了人工智能技术发展和应用的两大基石——算法与数据，有助于讨论人工智能的治理问题。

首先，算法即是规则，它不仅确立了机器所试图实现的目标，同时也指出了实现目标的路径与方法。就人工智能当前的技术发展史而言，算法主要可被划分为五个类别：符号学派、联接学派、进化学派、类推学派和贝叶斯学派。[12]每个学派都遵循不同的逻辑、以不同的理念实现了人工智能(也即“机器学习”)的过程。举例而言，“符号学派”将所有的信息处理简化为对符号的操纵，由此学习过程被简化(抽象)为基于数据和假设的规则归纳过程。在数据(即历史事实)和已有知识(即预先设定的条件)的基础上，符号学派通过“提出假设-数据验证-进一步提出新假设-归纳新规则”的过程来训练机器的学习能力，并由此实现在新环境下的决策判断。

从对“符号学派”的描述中可以发现，机器学习模型成功的关键不仅是算法，还有数据。数据的缺失和预设条件的不合理将直接影响机器学习的输出(就符号学派而言，即决策规则的归纳)。最明显体现这一问题的例子便是罗素的“归纳主义者火鸡”问题：火鸡在观察10天(数据集不完整)之后得出结论(代表预设条件不合理，超过10个确认数据即接受规则)，主人会在每天早上9点给它喂食;但接下来是平安夜的早餐，主人没有喂它而是宰了它。

所有算法类型尽管理念不同，但模型成功的关键都聚焦于“算法”和“数据”。事实上，如果跳出具体学派的思维束缚，每种机器学习算法都可被概括为“表示方法、评估、优化”这三个部分。[13]尽管机器可以不断的自我优化以提升学习能力，且原则上可以学习任何东西，但评估的方法和原则(算法)以及用以评估的数据(数据)都是人为决定的——而这也正是人工智能治理的关键所在。算法与数据不仅是人工智能发展逻辑的基石，其同样是治理的对象和关键。

总而言之，围绕“人工智能是否会取代人类”的争论事实上并无太大意义，更重要的反而是在廓清人工智能的内涵并理解其发展逻辑之后，回答“治理什么”和“如何治理”的问题。就此而言，明确治理对象为算法和数据无疑是重要的一步。但接下来的重要问题仍然在于，人工智能时代的崛起所带来的治理挑战究竟是什么?当前的制度设计是否能够对其做出有效应对?如果答案是否定的，我们又该如何重构治理体系以迎接人工智能时代的崛起?本文余下部分将对此做进一步的阐述。

二、人工智能时代崛起的治理挑战

不同于其他颠覆性技术，人工智能的发展并不局限于某一特定产业，而是能够支撑所有产业变革的通用型技术。也正因为此，其具有广泛的社会溢出效应，在政治、经济、社会等各个领域都会带来深刻变革，并将同时引发治理方面的挑战。具体而言，挑战主要体现在以下三个方面。

首先，治理结构的僵化性，即传统的科层制治理结构可能难以应对人工智能快速发展而形成的开放性和不确定性。之所以需要对人工智能加以监管，原因在于其可能成为公共危险的源头，例如当自动驾驶技术普及之后，一旦出现问题，便可能导致大规模的连续性伤害。但不同机、大型水坝、原子核科技等二十世纪的公共危险源，人工智能的发展具有极强的开放性，任何一个程序员或公司都可以毫无门槛的进行人工智能程序的开发与应用。这一方面是由于互联网时代的到来，使得基于代码的生产门槛被大大降低[14];另一方面，这也是人工智能本身发展规律的需要。正如前文所提到，唯有大规模的数据输入才可能得到较好的机器学习结果，因此将人工智能的平台(也即算法)以开源形式公开出来，以使更多的人在不同场景之下加以利用并由此吸收更多、更完备的数据以完善算法本身，就成为了大多数人工智能公司的必然选择。与此同时，人工智能生产模式的开放性也必然带来发展的不确定性，在缺乏有效约束或引导的情况下，人工智能的发展很可能走向歧途。面对这一新形势，传统的、基于科层制的治理结构显然难以做出有效应对。一方面，政府试图全范围覆盖的事前监管已经成为不可能，开放的人工智能生产网络使得监管机构几乎找不到监管对象;另一方面，由上至下的权威结构既不能传递给生产者，信息不对称问题的加剧还可能导致监管行为走向反面。调整治理结构与治理逻辑，并形成适应具有开放性、不确定性特征的人工智能生产模式，是当前面临的治理挑战之一。

再者，治理方法的滞后性，即长久以来建立在人类行为因果关系基础上的法律规制体系，可能难以适用于以算法、数据为主体的应用环境。人工智能的价值并不在于模仿人类行为，而是其具备自主的学习和决策能力;正因为如此，人工智能技术才不能简单地理解为其创造者(即人)意志的表达。程序员给出的只是学习规则，但真正做出决策的是基于大规模数据训练后的算法本身，而这一结果与程序员的意志并无直接因果关联。事实上也正由于这个特点，AlphaGo才可能连续击败围棋冠军，而其设计者却并非围棋顶尖大师。也正是在这个意义上，我们才回到了福柯所言的“技术的主体性”概念。在他看来，“技术并不仅仅是工具，或者不仅仅是达到目的的手段;相反，其是政治行动者，手段与目的密不可分”。[15]就此而言，长久以来通过探究行为与后果之因果关系来规范人的行为的法律规制体系，便可能遭遇窘境：如果将人工智能所造成的侵权行为归咎于其设计者，无疑不具有说服力;但如果要归咎于人工智能本身，我们又该如何问责一个机器呢?由此，如何应对以算法、数据为核心的技术主体所带来的公共责任分配问题，是当前面临的第二个治理挑战。

最后，治理范围的狭隘性，即对于受人工智能发展冲击而引发的新的社会议题，需要构建新的治理体系和发展新的治理工具。人工智能发展所引发的治理挑战不仅仅体现在现有体系的不适应上，同时还有新议题所面临的治理空白问题。具体而言，这又主要包括以下议题：算法是否能够享有言论自由的宪法保护，数据的权属关系究竟如何界定，如何缓解人工智能所可能加剧的不平等现象，以及如何平衡人工智能的发展与失业问题。在人工智能时代之前，上述问题并不存在，或者说并不突出;但伴随着人工智能的快速发展和应用普及，它们的重要性便日渐显著。以最为人所关注的失业问题为例，就技术可能性来说，人工智能和机器人的广泛应用代替人工劳动，已是一个不可否定的事实了。无论是新闻记者，还是股市分析员，甚至是法律工作者，其都有可能为机器所取代。在一个“充分自动化(Full Automation)”的世界中，如何重新认识劳动与福利保障的关系、重构劳动和福利保障制度，便成为最迫切需要解决的治理挑战之一。[16]

上述三方面共同构成了人工智能时代崛起所带来的治理挑战。面对这些挑战，各国也做出了相应的公共政策选择。本文第三部分将对各国人工智能的治理政策进行对比性分析。在此基础上，第四部分将提出本文的政策建议。

三、各国人工智能治理政策及监管路径综述

人工智能时代的崛起作为一种普遍现象，其所引发的治理挑战是各国面临的共同问题，各国也陆续出台了相关公共政策以试图推动并规范人工智能的快速发展。

美国于2016年同时颁布了《国家人工智能研究与发展战略规划》和《为人工智能的未来做好准备》两个国家级政策框架，前者侧重从技术角度指出美国人工智能战略的目的、愿景和重点方向，而后者则更多从治理角度探讨政府在促进创新、保障公共安全方面所应扮演的角色和作用。就具体的监管政策而言，《为人工智能的未来做好准备》提出了一般性的应对方法，强调基于风险评估和成本-收益考量的原则以决定是否对人工智能技术的研发与应用施以监管负担。[17]日本同样于2016年出台了《第五期(2016～2020年度)科学技术基本计划》，提出了“超智能社会5.0”的概念，强调通过推动数据标准化、建设社会服务平台、协调发展多领域智能系统等各方面工作促进人工智能的发展和应用。[18]

尽管美国和日本的政策着力点不同，但其共有的特点是对人工智能的发展及其所引发的挑战持普遍的包容与开放态度。就当前的政策框架而言，美日两国的政策目标更倾斜于推动技术创新、保持其国家竞争力的优势地位;当涉及对人工智能所可能引发的公共问题施以监管时，其政策选择也更倾向于遵循“无需批准式(permissionless)”的监管逻辑，即强调除非有充分案例证明其危害性，新技术和新商业模式默认为都是被允许的。[19]至于人工智能的发展对个人数据隐私、社会公共安全的潜在威胁，尽管两国的政策框架都有所涉及，却并非其政策重心——相比之下，英国、法国则采取了不同的政策路径。

英国政府2016年了《人工智能：未来决策制定的机遇与影响》，对人工智能的变革性影响以及如何利用人工智能做出了阐述与规划，尤其关注到了人工智能发展所带来的法律和伦理风险。在该报告中，英国政府强调了机器学习与个人数据相结合而对个人自由及隐私等基本权利所带来的影响，明确了对使用人工智能所制定出的决策采用问责的概念和机制，并同时在算法透明度、算法一致性、风险分配等具体政策方面做出了规定。[20]与英国类似，法国在2017年的《人工智能战略》中延续了其在2006年通过的《信息社会法案》的立法精神，同样强调加强对新技术的“共同调控”，以在享有技术发展所带来的福利改进的同时，充分保护个人权利和公共利益。[21]与美日相比，英法的公共政策更偏向于“审慎监管(precautionary)”的政策逻辑，即强调新技术或新的商业模式只有在开发者证明其无害的前提下才被允许使用。[22]

在本文看来，无论是“无需批准式监管”还是“审慎监管”，在应对人工智能时代崛起所带来的治理挑战方面都有其可取之处：前者侧重于推动创新，而后者则因重视安全而更显稳健。但需要指出的是，这两种监管路径的不足却也十分明显。正如前文第二部分所指出，一方面，快速迭代的技术发展与商业模式创新必将引发新的社会议题，无论是算法是否受到言论自由的权利保护还是普遍失业对社会形成的挑战，它们都在客观上要求公共政策做出应对，而非片面的“无需批准式监管”能够处理。更重要的是，“无需批准式监管”的潜在假设是事后监管的有效性;然而，在事实上，正如2010年5月6日美国道琼斯工业指数“瞬间崩盘”事件所揭示的，即使单个电子交易程序合规运行，当各个系统行为聚合在一起时反而却造成了更大的危机。[23]在此种情形下，依赖于合规性判断的“事后监管”基本上难以有效实施。另一方面，人工智能本身的自主性和主体性使得建立在人类行为因果关系基础上的“审慎监管”逻辑存在天然缺陷：既然人类无法预知人工智能系统可能的行为或决策，开发者又如何证明人工智能系统的无害性?

正如本文所反复强调的，人工智能与其他革命性技术的不同之处，正是在于其所带来的社会冲击的综合性和基础性。人工智能并非单个领域、单个产业的技术突破，而是对于社会运行状态的根本性变革;人工智能时代的崛起也并非一夜之功，而是建立在计算机革命、互联网革命直至数字革命基础上的“奇点”变革。因此，面对人工智能时代崛起所带来的治理挑战，我们同样应该制定综合性的公共政策框架，而非仅仅沿袭传统治理逻辑，例如只是针对具体议题在“创新”与“安全”这个二元维度下进行艰难选择。本文在第四部分从承认技术的主体性、重构社会治理制度、推进人工智能全球治理这三方面提出了政策建议，并希望以此推动更深入地围绕人工智能时代公共政策选择的研究与讨论。

四、人工智能时代的公共政策选择

《新一代人工智能发展规划》明确提出了到2030年我国人工智能发展的“三步走”目标，而在每一个阶段，人工智能法律法规、伦理规范和政策体系的逐步建立与完善都是必不可少的重要内容。面对人工智能时代崛起的治理挑战，究竟应该如何重构治理体系、创新治理机制、发展治理工具，是摆在决策者面前的重要难题。本文基于对人工智能基本概念和发展逻辑的梳理分析，结合各国已有政策的对比分析，提出以下三方面的改革思路，以为人工智能时代的公共选择提供参考。

第一，人工智能发展的基石是算法与数据，建立并完善围绕算法和数据的治理体系与治理机制，是人工智能时代公共政策选择的首要命题，也是应对治理挑战、赋予算法和数据以主体性的必然要求。(1)就算法治理而言，涉及的核心议题是算法的制定权及相应的监督程序问题。算法作为人工智能时代的主要规则，究竟谁有权并通过何种程序来加以制定，谁来对其进行监督且又如何监督?长久以来公众针对社交媒体脸书(Facebook)的质疑正体现了这一问题的重要性：公众如何相信脸书向用户自动推荐的新闻内容不会掺杂特殊利益的取向?[24]当越来越多的人依赖定制化的新闻推送时，人工智能甚至会影响到总统选举。也正因为此，包括透明要求、开源要求在内的诸多治理原则，应当被纳入到算法治理相关议题的考虑之中。(2)就数据治理而言，伴随着人工智能越来越多地依赖于大规模数据的收集与利用，个人隐私的保护、数据价值的分配、数据安全等相关议题也必将成为公共政策的焦点。如何平衡不同价值需求、规范数据的分享与应用，也同样成为人工智能时代公共政策选择的另一重要抓手。

第二，创新社会治理制度，进一步完善社会保障体系，在最大程度上缓解人工智能发展所可能带来的不确定性冲击。与历史上的技术革命类似，人工智能的发展同样会导致利益的分化与重构，而如何保证技术革命成本的承受者得到最大限度的弥补并使所有人都享有技术发展的“获得感”，不仅是社会发展公平、正义的必然要求，也是促进技术革命更快完成的催化剂。就此而言，在人工智能相关公共政策的考量中，我们不仅应该关注产业和经济政策，同时也应该关注社会政策，因为只有后者的完善才能够控制工人或企业家所承担的风险，并帮助他们判断是否支持或抵制变革的发生。就具体的政策设计来说，为缓解人工智能所可能带来的失业潮，基本收入制度的普遍建立可能应该被提上讨论议程了。“基本收入”是指政治共同体(如国家)向所有成员不加任何限制条件地支付一定数额的收入，以满足其基本生活的需求。尽管存在“养懒汉”的质疑，但有研究者已指出，自18世纪就开始构想的基本收入制度很有可能反过来促进就业。[25]芬兰政府已经于2017年初开始了相关实验，美国的一些州、瑞士也做出了一定探索。在人工智能时代尚未完全展现其“狰容”之前，创新社会治理机制、完善社会保障体系，可能是平衡技术创新与社会风险的最佳路径。

第三，构建人工智能全球治理机制，以多种形式促进人工智能重大国际共性问题的解决，共同应对开放性人工智能生产模式的全球性挑战。人工智能的发展具有开放性和不确定性的特征，生产门槛的降低使得人工智能技术研发的跨国流动性很强，相关标准的制定、开放平台的搭建、共享合作框架的形成，无不要求构建相应的全球治理机制。另一方面，跨境数据流动在广度和深度上的快速发展成为了人工智能技术进步的直接推动力，但各国数据规制制度的巨大差异在制约跨境数据流动进一步发展的同时，也将影响人工智能时代的全面到来。[26]故此，创新全球治理机制，在承认各国制度差异的前提下寻找合作共享的可能性，便成为人工智能时代公共政策选择的重要考量之一。就具体的机制设计而言，可以在人工智能全球治理机制的构建中引入多利益相关模式;另一方面，为防止巨头垄断的形成，充分发挥主权国家作用的多边主义模式同样不可忽视。作为影响深远的基础性技术变革，互联网全球治理机制的经验和教训值得人工智能发展所借鉴。

上述三方面从整体上对人工智能时代的公共政策框架做出了阐述。与传统政策局限于“创新”与“安全”之间做出二维选择不同，本文以更综合的视角提出了未来公共政策选择的可能路径。就其内在联系来讲，建立并完善围绕算法和数据的治理体系是起点，其将重构人工智能时代的规则与制度;创新社会治理机制并完善社会保障体系是底线，其将缓解人工智能所带来的影响与波动;构建全球治理机制则成为了制度性的基础设施，推动各国在此之上共同走向人工智能时代的“人类命运共同体”。

五、结语

在经历了60余年的发展之后，人工智能终于在互联网、大数据、机器学习等诸多技术取得突破的基础上实现了腾飞。在未来的人类生活中，人工智能也必将扮演越来越重要的角色。对于这样的图景，我们自不必惊慌，但却也不可掉以轻心。对于人工智能的治理，找到正确的方向并采取合理的措施，正是当下所应该重视的政策议题。而本文的主旨也正在于此：打破长久以来人们对于人工智能的“笼统”式担忧，指出人工智能技术发展的技术逻辑及其所引发的治理挑战，并在此基础上提出相应的政策选择。人工智能治理的这三个基本问题，是重构治理体系、创新治理机制、发展治理工具所必须思考的前提。伴随着我国国家层面战略规划的出台，我国人工智能的发展也必将跃上新台阶。在此背景下，深入探讨人工智能治理的相关公共政策议题，对于助推一个人工智能时代的崛起而言，既有其必要性，也有其迫切性。（来源：中国行政管理 文/贾开 蒋余浩 编选：中国电子商务研究中心）

[参考文献]

[1]国务院关于印发新一代人工智能发展规划的通知[EB/OL]. http：//gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[2]霍金. AI可能成就或者终结人类文明[EB/OL].http：//raincent.com/content-10-7672-1.html.

[3] Elon Musk. Artificial Intelligence is Our Biggest Existential Threat. https：//theguardian.com/technology/2014/oct/27/elon-musk-artificial-intelligence-ai-biggest-existential-threat.

[4] Microsoft's Bill Gates Insists AI is A Threat. http：//bbc.com/news/31047780. 2017-8-14.

[5] [以]赫拉利.人类简史[M].北京：中信出版社，2014.

[6] The President in Conversation With MIT’s Joi Ito and WIRED’s Scott Dadich. https：//wired.com/2016/10/president-obama-mit-joi-ito-interview/. 2017-8-14.

[7] Turing，A. M. Computing Machinery and Intelligence. Mind，1950，59(236).

[8] [9][10] McCarthy，J.What is Artificial Intelligence. URL：http：//www-formal.stanford.edu/jmc/whatisai/whatisai.html.

[11] [12][13] [美]佩德罗-多明戈斯.终极算法：机器学习和人工智能如何重塑世界[M].黄芳萍译.北京：中信出版社，2016.

[14] Benkler，Y. The Wealth of Networks：How Social Production Transforms Markets and Freedom. Yale University Press，2006.

[15] Foucoult，M. Discipline and Punish. A. Sheridan，Tr.，Paris，FR，Gallimard，1975.

[16] Srnicek，N.，& Williams，A. The Future isn't Working. Juncture，2015，22(3)：243-247.

[17] Preparing for the Future of Artificial Intelligence. https：//obamawhitehouse.archives.gov/sites/default/files/whitehouse_files/microsites/ostp/NSTC/preparing_for_the_future_of_ai.pdf. 2017-8-14.

[18]薛亮.“日本推动实现超智能社会‘社会5.0’”[EB/OL]. http：//istis.sh.cn/list/list.aspx?id=10535.

[19] Thierer，A. Permissionless Innovation：The Continuing Case for Comprehensive Technological Freedom. Mercatus Center at George Mason University，2016.

[20] Artificial Intelligence：Opportunities and Implications for the Future of Decision Making.https：//gov.uk/government/uploads/system/uploads/attachment_data/file/566075/gs-16-19-artificial-intelligence-ai-report.pdf.

[21]周衍冰.大数据产业在法国的发展及应用[N].学习时报，2014-11-03.

[22] Thierer，A. D.，& Watney，C. J. Comment on the Federal Automated Vehicles Policy，2016.

[23] [美]杰瑞·卡普兰.人工智能时代：人机共生下财富、工作与思维的大未来[M].杭州浙江人民出版社，2016.

[24] Marcel Rosenbach. How Google and Facebook Can Reshape Elections.http：//spiegel.de/international/germany/google-and-facebook-could-help-decide-2017-german-election-a-1120156.html.

篇10

1引言

作为计算机科学技术的全新领域即人工智能，其正在迅速成长与成熟、新方法、新理念、新技术并且不断壮大，同样也包含着计算机网络、数学、信息论各类学科的交叉和边缘学科。人工智能包含的主要内容有知识表示和推理机制、问题求解和搜索算法，自然语言理解、专家系统和机器学习等；也作为计算机科学各专业重要的基础课程，国内外各高校都非常重视，都将人工智能作为计算机专业的必修课程。人工智能包含的学科多，知识点杂、理论性强、内容抽象，算法难度高复杂，在此情况下各高校采用传统的“教师讲、学生听”单一教学模式，学生处于被动学习地位；课堂教学与实际操作、理论与现实应用相脱节；加上理论知识强，案例缺乏，容易使学生感觉空洞；学生易产生厌学情绪，也达不到锻炼其分析问题、解决问题的思维能力和实践动手能力。如何让学生高效的学习一直是教师研究的课题，在大数据和网络信息时代的大背景下，“互联网+”已经广泛应用和存在于生活、工作各个方面，其在教育教学中表现出的创新性、互动性尤为突出，并极具优势。

2基于案例的教学研究

此方法开始于上世纪20年代左右，最早是由美国哈佛商学院所提倡的，基于当时特殊的商业管理真是背景和特殊事件，能够有效的发展和培养学生主动性、积极性和应用能力，开展案例教学后，学生实际解决问题能力有了很大的提高。但此教学研究方法知道到上世纪80年代后期，才引起教师的重视。1986年由美国研究小组提出《准备就绪的国家：二十一世纪的教师》书中，强烈推荐此方法在实际教学的重要性，并说明今后在教学过程中将其作为一种重要的教学方法应用于各类课程中去。

3基于人工智能的案例教学研究及应用

3.1案例精选

此方法第一步是案例选取，案例的好坏是决定案例教学效果关键因素。案例的选取需要满足以下要求：（1）符合现在的教学目标，明确学生需要掌握的知识点、重难点等，能够运用所学的理论知识应用到实际中，以此提高学生分析、解决问题的能力；（2）案例要有代表性、趣味性，由于人工智能课程内容多、抽象，需要将枯燥乏味的知识点转化为趣味生动的案例，有利于吸引学生注意力，激发学习兴趣和主动性；例如，讲到“知识表示”这部分内容中引入“机器人搬积木”、“野人修道士渡河”案例；（3）采用互动的形式，此为人工智能的案例教学研究重要特征，同时也是教学目标得以充分展现的必要条件。能够调动大家的积极性，学生和学生之间、学生与教师之间的互动，调动学生的主观能动性。

3.2案例的执行

（1）讲授法。基于教学内容具体知识点设计案例；通过教师讲解，帮助学生理解抽象的理论知识。案例的呈现有两种基本形式：一是“案例—理论”,即先给出教学案例，后讲解理论知识；二是“理论—案例”,即教师先讲解知识，再给出教学案例；案例的呈现方式不同,会直接影响案例的功能，也会影响到学生的学习情绪、学习效果。为了使案例能更好地为教学服务,教师讲解案例之前应从创设案例情境开始,通过情境体验与案例剖析激发学生认知的兴趣,引导学生对将要学习的内容产生注意,有利于教师导入新课。（2）互相讨论法。大学生课余时间充沛，鉴于此，将班级学生分为若干小组，教师将事先准备好的案例分配给各组，学生采用组内互动讨论的形式，设计出此案例的各种解决方法。课堂上，将本小组的解决方法用课件展现给其他小组。讲解完成后，学生开始互相讨论，对比各自的方法，然后由老师进行分析、对比和总结。以此来增强学生对学科知识点、应用能力的掌握。（3）相互辩证法。课后，采用相互辩证的方法，组织大家相互辩论。选择一些综合应用比较强的案例。与简单的案例相比，综合应用案例能更加高效地启发学生全方位地思考和探索问题的解决方法。相互辩证法是一种探索新型的教学形式，学生的自主性强，能够在辩论中充分表达自己的观点，充分运用所学的理论知识来维护自己的观点，还可以促使学生查阅大量资料，拓展知识面。

4结语

通过以上论述，人工智能技术开始应用于教学,与教学现代化有着密切的联系。其发展必将对现代教育起巨大推动作用。在教学,可以基于人工智能技术建立人类推理模型学习工具等诸多的运用,展示出越来越好的实用性。

参考文献：

[1]邹蕾,张先锋.人工智能及其发展应用[J].信息网络安全，2012(02).

[2]陈柯蒙，张宁.人工智能的发展探析[J].新西部(理论版)，2012(05).

篇11

Chicago, USA(Eds.)

Machine Learning

Applications in Software

Engineering

Series on Software Engineering and Knowledge Engineering Vol. 16

2005,355Ppp.

ISBN 9789812560940

软件工程中的

机器学习应用

D张JJP特赛编

本书是《软件工程与知识工程》丛书的第16卷。Brooks在其经典的论文“无银弹”中对于在变化的环境中开发和维护大量软件系统的挑战已经做出了具有说服力的阐述。复杂性、一致性、可变性和隐形性，这些都是在开发大型软件中固有的基本困难。

人们提出了许多演化或者递增改进的办法，每一种改进办法都试图致力于改进这些基本困难的某些方面。人工智能技术对软件工程的应用产生了某些令人振奋的结果。这些成功的人工智能技术包括了基于知识的方法，自动推理、专家系统、启发式搜索策略、时态逻辑、规划及模式识别。为了最终克服这些基本的困难，人工智能技术能够发挥重要的作用。而作为人工智能的一个子领域，机器学习涉及一个问题，即如何建立一个计算机程序，该程序通过经验能够改进它们在执行某些任务时的性能。

机器学习专门致力于创造并且编译可验证的知识，而这些知识与人工制品的设计与构建相关。机器学习领域包括了监督学习、无监督学习和增强学习，它已经被证明在许多的应用领域中具有极大的实用价值。软件工程领域已成为一块沃土，在那里许多软件开发和维护的任务可以系统地阐述为学习问题和依据学习算法的方法。本书涉及了在软件工程中的机器应用这个主题，它提供了对机器学习的综述，总结了这个领域中的最新实践，给出了对现有工作的分类，提供了某些应用准则。书中还包括了在该研究领域中先前发表的论文集合。

本书由9章组成。第1章机器学习与软件工程介绍；第2章预测和估计中的机器学习应用；第3章属性与模型发现中的机器学习应用；第4章变换中的机器学习应用；第5章生成与合成中的机器学习应用；第6章重复使用中的机器学习应用；第7章需求获取中的机器学习应用；第8章开发知识管理中的机器学习应用；第9章准则与结论。

本书可供软件工程以及机器学习专业的研究人员和研究生阅读参考。也可供从事软件开发工作的人员阅读。

胡光华，高级软件工程师

篇12

随着人工智能技术的不断成熟，大数据分析处理与机器学习等技术的不断发展完善，一个与以往截然不同的智能媒体时代正在来临，而广告行业自然也面临着变革。一方面，媒体行业积极寻求智能化的步伐，催生了智能广告这一具有广阔前景与极大潜能的产业;而另一方面，“随着人工智能、移动互联网等技术的进一步成熟，媒体的智能化道路获得了源源不断的动力”［1］，被机器学习能力与算法迭代加持的人工智能技术，正在为广告行业带来一场前所未有的变革。在广告行业智能化的变革中，传统广告行业不断地瓦解与重构，广告的运作模式与分发策略，相较以往也发生了不同程度的改变。在技术为行业带来变革与机遇的同时，因为技术发展不完善、监管能力滞后等因素所产生的潜在风险也不容忽视。这些机遇与风险为学术研究提供了一个全新的视角与切入点，本文将从智能广告发展溯源、智能广告的传播特征、智能广告时代的潜在风险三个维度进行剖析。

一、智能广告发展溯源

计算广告这一概念最早于2008年被提出，其核心是一种能够做到精准投放的广告投放机制。它在基于大量数据收集的基础上进行实时高效的计算，对用户进行场景画像，找到最优匹配的广告内容并定向投放给目标用户群体，由此能够将广告收益大幅拉升。这一广告投放机制在商业上取得了极大的成功，谷歌公司在2019年第一季度基于数字计算广告的营收就达到了373亿美元。计算广告在其诞生之后也在经历着不断的迭代升级。随着智能化浪潮席卷全球、人工智能技术与广告行业进一步融合，以计算广告为基础的智能广告应运而生。在目前国内对于智能广告的研究中，有学者对“智能广告”这一概念做出了较为清晰的界定，即“以数据驱动为基础，利用人工智能技术实现广告内容的耦合生产、精准投放与互动反馈从而个性化地满足消费者生活信息需求的品牌传播活动”［2］。智能广告在原先计算广告的基础功能上，进一步发展出了即时性内容生产与创造、精准化个性化内容分发、依据反馈数据进行广告效果优化等能力，对于整个广告产业链有了更加全面的渗透，从某种程度上来说，智能广告是对计算广告的进一步发展与升级。

二、智能广告的传播特征

人工智能技术对广告的深度介入，不仅使得广告的内容生产与呈现方式出现了改变，“对产业运作形态、产业链生态也带来了革命性变革”［3］。

(一)人工智能对内容生产的深度参与

相较于传统的数字广告，智能广告最大的特点之一就是人工智能技术对广告的创意策划与内容创作进行了深度的参与，智能广告的内容生产大部分由特定算法负责，相较于人类设计师，负责智能广告内容生产的人工智能可以进行不间断的自我优化升级，同时也能与最新市场动向相结合。例如，天猫的广告AI设计师“鲁班”，在2017年的“双11”活动期间，这一人工智能设计师共生成了4．1亿张海报。如果以每张海报花费20分钟的时间计算，将同等数量的海报由人类设计师来完成，总共将会耗时近300年的时间。由此不难看出，智能广告在生产效率与内容时效性方面具有极大的优势。而在广告的内容呈现方式上，智能广告最为核心的特征是“千人千面”的个性化内容呈现。由于广告内容的生产效率与数量脱离了人力的限制，使得智能广告能够依托用户画像等技术为基础，为不同的用户进行个性化的内容定制创作并加以针对性地投放。以前文提到的天猫AI设计师“鲁班“为例，在同一时间，使用不同的手机打开淘宝，APP首页所出现的广告海报均不相同;SaatchiLA的人工智能“沃森”，在为丰田汽车公司的新车型进行推广营销时，广告内容的呈现方式也显现出了相同的特征。该公司在Facebook上开始了一项运动———“ThousandsofWaystoSayYes”(成千上万种说Yes的方式)，并且最终基于100多个不同的人口统计特征，生成了100余条针对不同用户群体的个性化广告。综合以上叙述我们可以发现，人工智能对于内容生产的介入，使得广告的内容生产进入了高效率的工业化生产时代，由此生产出的海量广告产品推动了广告个性化的呈现方式。

(二)基于用户画像的分众化传播策略

智能广告时代，广告的智能内容生产与呈现方式的转变，自然也促使广告的传播策略发生转变，而广告生产与传播重心也发生了较大的偏移。在广告的传播策略方面，传统的广告传播策略往往是基于广告理论、市场及消费者调查而进行制定的，由此所形成的传播策略针对的受众往往较为宽泛，投放策略较为粗放，所获取的传播效果也与预期有一定的差距。而智能广告的投放策略主要是基于用户画像，再通过大数据与算法对受众进行精细化划分，筛选出合适的广告受众之后再进行广告投放。最为典型的案例就是信息流广告，这一形式的广告广泛存在于社交媒体(如国外的推特、Youtube，国内的新浪微博、微信)当中。此外，智能广告在传播时会选择与内容信息进行深度融合，这一传播策略使得智能广告对受众的心理把握得更为精准，使得广告的商业化目的更为隐蔽。如前文提到的信息流广告，往往都与潜在受众所浏览的信息、咨询等相融合，“并且通过用户的刷新行为不断变化，更易于用户接受”［4］。智能广告在广告投放效果监测方面也同样与传统广告有着较大的不同，智能广告经过分发之后，可以实时根据后台的反馈数据进行广告效果监测。同时，智能广告在投放的同时往往会保留手中的反馈渠道，如Youtube在进行智能广告投放时所使用的反馈机制，用户可以根据自身的喜好程度，对投放给自己的广告进行意见反馈，这使得系统能够根据用户反馈对广告的传播策略进行实时调整，从而形成针对不同客户的不同投放策略。

(三)日趋完善的智能广告产业链

由于智能广告所取得的投放效果更为优异，因此广告主对智能广告的投放兴趣与投放预算正在逐渐增加，而这一系列的变化必然导致传统的广告产业链发生格局转变。目前，国内正在逐步形成一条完整的智能广告产业链，这一产业链的主体“包括智能广告技术公司、智能广告媒体、智能广告监测公司、智能广告数据管理公司、智能广告交易平台等”［5］。由于智能广告的传播主要依托于受众数据与用户标签，受众数据成为广告运营机构的核心资源，而拥有大量数据计算、分析、处理能力的智能广告技术公司在产业链中占据了较为核心的地位。如前文所述，由于广告的创意与内容则逐步成为了数据优化与算法计算的一个组成部分，广告的创意策划人才、资源正在逐步向幕后隐退，传统的广告设计公司在未来将会受到进一步的冲击。

三、智能广告时代的潜在风险

在技术为行业带来变革与机遇的同时，因为技术发展不完善、监管能力滞后等因素所产生的潜在风险也不容忽视。

(一)消费者个人层面

1．个人信息与隐私泄露风险

广告受众关切程度最高的一个潜在风险是自身的个人资料与隐私信息是否会遭到智能广告公司的滥用与泄露。由于大数据已成为众多智能广告公司的核心资源，其背后所蕴含的经济价值进一步助长了不当利用个人隐私信息的不良动机。由于智能广告的核心是建立在大量的数据搜集与分析的基础上，智能广告公司所抓取的数据中必然含有大量的用户隐私数据，因此用户个人隐私权的保护与广告公司的数据使用似乎正在形成一个无法调和的矛盾，如何处理用户隐私所带来的信息伦理问题，在未来也需要进行更加深入的思考与解决。

2．非理性消费风险

鲍德里亚在其《消费社会》一书中提到，“消费者总是怕‘错过’什么，怕‘错过’任何一种享受”。而智能广告在传播过程中往往与信息内容深度融合，对于消费者的心理把握更为精准，让广告的商业化目的更为隐蔽，而“广告的功能性美丽则唤醒了消费者内心的隐秘与欲望，产生购物的冲动”［6］。这使得消费者更容易受到智能广告的操纵，从而导致非理性购买行为。

(二)行业生态层面

1．数据孤岛导致的行业信息不平衡风险

一个良性的广告产业生态，往往是建立在行业内部的信息共享这一基础之上的。但是由于数据自身所带有的隐私性，加之数据在信息化、智能化时代往往蕴含有极高的经济价值，这也使得公司之间对于数据的共享意愿处于较低的状态，同时也促使了“数据孤岛”的出现，如何避免数据垄断的出现，如何在数据共享与公司利益之间寻找平衡，这需要整个行业的进一步思考。

2．广告内容工业化生产导致的广告文化属性下滑的风险

广告除了与生俱来的经济属性外，还包含了一定的文化属性，而智能广告的核心往往是追求经济效益的最大化，这也使得广告的文化价值可能会被忽略。目前的人工智能水平仍然处于弱人工智能阶段，如何使AI理解人类的情感与文化需求、如何保证机器生产的广告内容不只是冰冷的掘金机器，这一问题也需要引起重视。

四、结语

正如一些学者所言，“未来互联网发展和竞争的高地，就是对广域网络空间中的人与人、人与物、物与物实现其价值匹配与功能整合的高度智能化”［7］。广告行业的智能化已然是大势所趋，通过智能化的广告生产与运作，能够推动广告行业形成新的行业生态，提升广告产业的经济繁荣程度，对于整个经济社会的发展都具有积极作用。在智能广告为行业带来新的机遇与变革时，我们需要清晰地认识到技术与风险相互并存，而如何应对这些潜在风险，需要业界与学界进一步合作与思考。

参考文献:

［1］苏涛，彭兰．“智媒”时代的消融与重塑———2017年新媒体研究综述［J］．国际新闻界，2018，40(1):38－58．

［2］姜智彬，马欣．领域、困境与对策:人工智能重构下的广告运作［J］．新闻与传播评论，2019，72(3):56－63．

［3］李名亮．智能广告信息伦理风险与核心议题研究［J］．新闻与传播评论，2020，73(1):76－84．

［4］唐英，黄丹旎．新《广告法》语境下微信信息流广告监管制度研究［J］．当代传播，2020(1):86－88．

［5］廖秉宜．优化与重构:中国智能广告产业发展研究［J］．当代传播，2017(4):97－101+110．