将人类从单一的重劳动中解放出来,进入人工智能时代的是 .pdf

将人类从单一的重劳动中解放出来,进入人工智能时代的是

人工智能（AI）是指在机器上实现类似乃至超越人类的感知、认

知、行为等智能的系统。与人类历史上其他技术革命相比，人工智能

对人类社会发展的影响可能位居前列。人类社会也正在由以计算机、

通信、互联网、大数据等技术支撑的信息社会，迈向以人工智能为关

键支撑的智能社会，人类生产生活以及世界发展格局将由此发生更加

深刻的改变。

人工智能分为强人工智能和弱人工智能。强人工智能，也称通用

人工智能，是指达到或超越人类水平的、能够自适应地应对外界环境

挑战的、具有自我意识的人工智能。弱人工智能，也称狭义人工智能，

是指人工系统实现专用或特定技能的智能，如人脸识别、机器翻译等。

迄今为止大家熟悉的各种人工智能系统，都只实现了特定或专用的人

类智能，属于弱人工智能系统。弱人工智能可以在单项上挑战人类，

比如下围棋，人类已经不是人工智能的对手了。

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。

第一个阶段，1956—1976年，基于符号逻辑的推理证明阶段。

这一阶段的主要成果是利用布尔代数作为逻辑演算的数学工具，利用

演绎推理作为推理工具，发展了逻辑编程语言，实现了包括代数机器

定理证明等机器推理决策系统。但在人工智能理论与方法工具尚不完

备的初期阶段，以攻克认知作为目标显然不切实际，人工智能研究逐

步从高潮进入低谷。

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。

第三个阶段，2006年至今，大数据驱动的深度神经网络阶段，

也是深度学习大行其道的时期。人工神经网络的发展，随着人工智能

的发展起起伏伏。初期人们对其可以模拟生物神经系统的某些功能十

分关注，但是对复杂网络的学习收敛性、健壮性和快速学习能力一直

难以把握，直到上世纪80年代反向传播算法的发明和90年代卷积网

络的发明，神经网络研究取得重要突破。深度神经网络方法走到前台，

开启了人工智能新阶段。

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。

机器学习是未来方向，将人类从重复性劳动中解放出来

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