人工智能助力变革 带领人类从信息社会向智能社会迈进

人工智能助力变革 带领人类从信息社会向智能社会迈进

人工智能发展的基本思想和技术路径有三种

人工智能研究工作肇始于20世纪40年代，但其完整概念在1956年才正式登上历史舞台，在美国达特茅斯学院举行的“人工智能夏季研讨会”上提出。这个研讨会的主题就是用机器来模仿人类学习以及其他方面的智能，推进了人工智能起起伏伏、螺旋发展的历程。

第二个阶段，1976—2006年，基于人工规则的专家系统阶段。这个阶段的主要进展是打开了知识工程的新研究领地，研制出专家系统工具与相关语言，开发出多种专家系统，比如故障诊断专家系统、农业专家系统、疾病诊断专家系统、邮件自动分拣系统等等。专家系统主要由知识库、推理机以及交互界面构成，其中，知识库的知识主要由各领域专家人工构建。然而，知识仅靠专家的手工表达实现，终不免挂一漏万，使得专家系统无法与人类专家与时俱进的学习能力相匹配，人工智能研究第二次进入瓶颈期。

自诞生以来，人工智能发展的基本思想和技术路径总的来说有三种。

第一种路径是符号主义或者说逻辑学派，形式逻辑是其理论基础，主张人工智能应从智能的功能模拟入手，认为符号是智能的基本元素，智能是符号的表征和运算过程。前述第一个阶段和第二个阶段中，符号主义都是主导思想。

第二种路径是连接主义或者说神经网络学派，发源于上世纪40年代，强调智能活动是由大量简单（神经）单元通过复杂连接后并行运行的结果。其基本思想是：既然人脑智能是由神经网络产生的，那就通过人工方式构造神经网络，再通过训练产生智能。人工神经网络是对生物神经网络的抽象和简化。80年代神经网络的兴盛和近年来兴起的深度学习网络，都是包含多层神经元的人工神经网络。

第三种路径是行为主义或者说控制学派，又称进化主义。这个学派在上世纪80年代末、90年代初兴起，思想源头是上世纪40年代的控制论。控制论认为，智能来自智能主体与环境以及其他智能主体相互作用的成功经验，是优胜劣汰、适者生存的结果。

机器学习是上世纪80年代中期发展起来的人工智能新方向。机器学习研究机器怎样模拟或实现人类的学习行为，以获取新的知识或技能，或者根据环境自适应地调整对策。机器学习可以让机器通过对经验进行“归纳”和“推理”而实现自动改进。

目前，机器学习仍然是人工智能研究的热点之一，包括深度学习的可解释性和可信性，增强智能系统的自学习和自适应能力，以及无监督学习、多模态协同学习、强化学习、终生学习等新的机器学习方法。另外，考虑到数据安全和隐私保护，在数据加密或者部分加密的情况下如何学习，也是重要研究方向之一。在深度学习浪潮推动下，人工智能其他研究方向也在加速发展，包括机器感知、模式识别与数据挖掘、自然语言处理、知识表示与处理、智能芯片与系统、认知与神经科学启发的人工智能、人工智能和其他学科的交叉等。

中国的人工智能发展，挑战与机遇同在，机遇大于挑战。尽管是后来者，但我们市场规模大，青年人多，奋斗精神强，长期来看更有优势。如果说18世纪中叶蒸汽机带来第一次工业革命，持续了100年；19世纪中叶电力带来第二次工业革命，持续了100年；20世纪中叶计算机与通信带来第三次工业革命，到现在持续了70多年；我们可以预见，本世纪中叶前后人工智能可能会带来下一次工业革命，影响百年。当然，现在人工智能技术的储备还远没有达到开启智能时代的量级，还需要持续积累和创新。现在的计算机体系结构，还无法满足实现强人工智能的需求。未来可能的突破方向包括人工智能基础理论与算法、类脑计算、生物计算、量子计算等。

从就业角度来看，越来越多的超市、银行、餐馆开始使用机器服务，甚至律师、证券分析师等高知识含量工作也可能被机器人取代，这给劳动者就业带来挑战。人工智能的应用必然会提高劳动生产率，正如第一次工业革命期间，机器的应用虽然减少了传统轻工业就业岗位，但是也创造了更多新兴产业就业岗位。人工智能也一样，随着它的发展，将会产生很多新的工作岗位，只是对技能的要求与传统岗位不同。因此，随着人工智能的推进，教育培训体系也应该根据就业结构变化而积极调整，加快推进产业升级中的职业转岗培训。

人工智能把我们从简单重复的劳动中解放出来，更有利于人类充分挖掘自己的智能潜力。面对即将到来的智能社会，我们应该以积极态度拥抱变化。与其担忧工作被抢走，不如与机器“共勉”，机器尚在持续学习，我们人类难道不应该更加努力学习、终身学习吗？