1.3 人工智能的研究

繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此，人们已不再把这种计算看作是“需要人类智能才能完成的复杂任务”。可见，复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能的具体目标也随着时代的变化而发展。它一方面不断获得新进展，另一方面又转向更有意义、更加困难的新目标。

1.3.1 人工智能的研究领域

用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展是和计算机科学技术以及其他很多科学的发展联系在一起的（见图1-11）。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（深度学习）和知识获取、知识处理系统、自然语言处理、计算机视觉、智能机器人、自动程序设计、数据挖掘等方面。

（1）深度学习。这是无监督学习的一种，是基于现有的数据进行学习操作，是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、声音和文本（见图1-12）。

现实生活中常常会有这样的问题：缺乏足够的先验知识，因此难以人工标注类别或进行人工类别标注的成本太高。很自然地，我们希望计算机能替代我们完成这些工作，或至少提供一些帮助。根据类别未知（没有被标记）的训练样本解决模式识别中的各种问题，称之为无监督学习。

（2）自然语言处理。这是用自然语言同计算机进行通信的一种技术。作为人工智能的分支学科，研究用电子计算机模拟人的语言交际过程，使计算机能理解和运用人类社会的自然语言如汉语、英语等，实现人机之间的自然语言通信，以代替人的部分脑力劳动，包括查询资料、解答问题、摘录文献、汇编资料以及一切有关自然语言信息的加工处理。

（3）计算机视觉。是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使计算机处理成为更适合人眼观察或传送给仪器检测的图像（见图1-13）。

计算机视觉就是用各种成像系统代替视觉器官作为输入敏感手段，由计算机来代替大脑完成处理和解释。计算机视觉的最终研究目标就是使计算机能像人那样通过视觉观察和理解世界，具有自主适应环境的能力。计算机视觉的应用包括控制过程、导航、自动检测等方面。

（4）智能机器人。如今我们的身边逐渐出现很多智能机器人（见图1-14），他们具备形形色色的内、外部信息传感器，如视觉、听觉、触觉、嗅觉。除具有感受器外，它还有效应器，作为作用于周围环境的手段。这些机器人都离不开人工智能的技术支持。

科学家们认为，智能机器人的研发方向是，给机器人装上“大脑芯片”，从而使其智能性更强，在认知学习、自动组织、对模糊信息的综合处理等方面前进一大步。

（5）自动程序设计。是指根据给定问题的原始描述，自动生成满足要求的程序。它是软件工程和人工智能相结合的研究课题。自动程序设计主要包含程序综合和程序验证两方面内容。前者实现自动编程，即用户只需告知机器“做什么”，无需告诉它“怎么做”，这后一步的工作由机器自动完成；后者是程序的自动验证，自动完成正确性的检查。其目的是提高软件生产率和软件产品质量。

自动程序设计的任务是设计一个程序系统，接受关于所设计的程序要求实现某个目标高级描述作为其输入，然后自动生成一个能完成这个目标的具体程序。该研究的重大贡献之一是把程序调试的概念作为问题求解的策略来使用。

（6）数据挖掘。一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。它通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。它的分析方法包括：分类、估计、预测、相关性分组或关联规则、聚类和复杂数据类型挖掘。

人工智能技术的三大结合领域分别是大数据、物联网和边缘计算（云计算）。经过多年的发展，大数据目前在技术体系上已经趋于成熟，而且机器学习也是大数据分析比较常见的方式。物联网是人工智能的基础，也是未来智能体重要的落地应用场景，所以学习人工智能技术也离不开物联网知识。人工智能领域的研发对于数学基础的要求比较高，具有扎实的数学基础对于掌握人工智能技术很有帮助。

1.3.2 在计算机上的实现方法

人工智能在计算机上实现时有两种不同的方式，为了得到相同智能效果，两种方式通常都可使用。

一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法，它已在一些领域内做出了成果，如文字识别、计算机人机对弈等。

采用传统的编程技术，需要人工详细规定程序逻辑，如果游戏简单还是容易实现的；如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常烦琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。

另一种是模拟法，它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法和人工神经网络均属这个类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。

采用模拟法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，但它能够学习，渐渐适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无需对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。

1.3.3 人工智能发展的启示

总体上看，人工智能当前的发展具有“四新”特征（见图1-15）。

● 以深度学习为代表的人工智能核心技术取得新突破。

● “智能+”模式的普适应用为经济社会发展注入新动能。

● 人工智能成为世界各国竞相战略布局的新高地。

● 人工智能的广泛应用给人类社会带来法律法规、道德伦理、社会治理等一系列的新挑战。

因此，人工智能这个机遇与挑战并存的新课题引起了全球范围内的广泛关注和高度重视。虽然人工智能未来的创新发展还存在不确定性，但是大家普遍认可人工智能的蓬勃兴起将带来新的社会文明，推动产业变革，深刻改变人们的生产生活方式，是一场影响深远的科技革命。

人工智能的发展充满未知且曲折起伏的探索，通过总结其发展历程中的经验和教训，可以得到以下启示。

（1）尊重发展规律是推动学科健康发展的前提。科学技术的发展有其自身的规律，人工智能学科发展需要基础理论、数据资源、计算平台、应用场景的协同驱动，当条件不具备时很难实现重大突破。

（2）基础研究是学科可持续发展的基石。加拿大多伦多大学杰弗里·辛顿教授坚持研究深度神经网络30年，奠定了人工智能蓬勃发展的重要理论基础。谷歌DeepMind团队长期深入研究神经科学启发的人工智能等基础问题（见图1-16），取得了阿尔法狗等一系列重大成果。

（3）应用需求是科技创新的不竭之源。引领学科发展的动力主要来自于科学和需求的双轮驱动。人工智能发展的驱动力除了知识与技术体系内在矛盾外，贴近应用、解决用户需求是创新的最大源泉与动力。比如人工智能专家系统实现了从理论研究走向实际应用的突破，近年来安防监控、身份识别、无人驾驶、因特网和物联网、大数据分析等实际应用需求带动了人工智能的技术突破。

（4）学科交叉是创新突破的“捷径”。人工智能研究涉及信息科学、脑科学、心理科学等，人工智能的出现本身就是学科交叉的结果。特别是脑认知科学与人工智能的成功结合，带来了人工智能神经网络几十年的持久发展。智能本源、意识本质等一些基本科学问题正在孕育重大突破，对人工智能学科发展具有重要促进作用。

（5）宽容失败是支持创新的题中应有之义。任何学科的发展都不可能一帆风顺，任何创新目标的实现都不会一蹴而就。人工智能60余载的发展生动地诠释了一门学科创新发展起伏曲折的历程（见图1-17）。可以说没有过去发展历程中的“寒冬”，就没有今天人工智能发展新的春天。

（6）实事求是设定发展目标是制定学科发展规划的基本原则。达到全方位类人水平的机器智能是人工智能学科宏伟的终极目标，但是需要根据科技和经济社会发展水平来设定合理的阶段性研究目标，否则会有挫败感从而影响学科发展，人工智能发展过程中的几次低谷皆因不切实际的发展目标所致。

1.3.4 新图灵测试

数十年来，研究人员一直使用图灵测试来评估机器仿人思考的能力，但是这个针对人工智能的评判标准已经使用了60年之久，研究者认为应该更新换代，开发出新的评判标准，以驱动人工智能研究在现代化的方向上更进一步。

新的图灵测试会包括更加复杂的挑战，如由加拿大多伦多大学的计算机科学家赫克托·莱维斯克所建议的“威诺格拉德模式挑战”。这个挑战要求人工智能回答关于语句理解的一些常识性问题。例如：“这个纪念品无法装在棕色手提箱内，因为它太大了。问：什么太大了？回答0表示纪念品，回答1表示手提箱。”

马库斯的建议是在图灵测试中增加对复杂资料的理解，包括视频、文本、照片等。比如，一个计算机程序可能会被要求“观看”一个电视节目或者YouTube视频，然后根据内容来回答问题，像是“为什么电视剧《绝命毒师》中，老白打算甩开杰西？”