AI自我見認(rèn)知AI什么是AI維納在《上帝與傀儡公司》（God&Golem，Inc.）一書中寫道“未來世界不是一張舒適的吊床，任我們躺在那里等待機(jī)器人奴隸的服務(wù)?！币l(fā)AI未來的探討，或樂觀或悲觀。然而AI發(fā)展進(jìn)程是我們所阻擋不了的，該來的總會來到，我們所能做的就是盡可能多的認(rèn)識和預(yù)判未來，推動對人類有利要素的發(fā)展，盡可能防范對人類不利的要素。什么是AI，很多賢達(dá)對此進(jìn)行討論，我個(gè)人理解是：一種模仿人類智能的發(fā)展過程，在其中將人類認(rèn)知和處理進(jìn)行認(rèn)識和模型化，并賦予機(jī)器特征，這一過程隨著人類對自我認(rèn)知的深入而不斷深入，直至機(jī)器形成自我意識。那是世界上將形成一種新的智慧生命。什么是意識，現(xiàn)在還是一個(gè)不確定概率，描述一個(gè)客體對另一個(gè)客體的內(nèi)在的自發(fā)的認(rèn)知方法，這種方法是如何形成的其機(jī)理和動力學(xué)是什么，目前還不能認(rèn)知。故機(jī)器智能的形成并不會發(fā)展很快。AI的發(fā)展目前經(jīng)歷或到達(dá)三個(gè)階段。第一個(gè)階段以統(tǒng)計(jì)學(xué)及其衍生技術(shù)為基礎(chǔ)的規(guī)律認(rèn)知的使用；第二個(gè)階段以NN為基礎(chǔ)的灰盒認(rèn)知方式的使用；第三階段也是當(dāng)前階段以對大數(shù)據(jù)混合分析半自動發(fā)現(xiàn)規(guī)律的階段?？v觀這三個(gè)階段，都有革命性的發(fā)展，每個(gè)階段都發(fā)生勞動力的解放和知識快速積累，同時(shí)也推動人類新學(xué)科新認(rèn)知新方法的發(fā)展，也觸發(fā)人類未知領(lǐng)域邊界的擴(kuò)展和對無知的恐懼。以此AI發(fā)展也推動人類認(rèn)知發(fā)展。AI和人類認(rèn)知發(fā)展進(jìn)入一個(gè)并行發(fā)展階段，最終誰能勝出取決發(fā)展加速度。然而，從神經(jīng)學(xué)理論，智人未發(fā)展成現(xiàn)代人，不是一個(gè)漸進(jìn)過程，而是突變+自然選擇決定的。AI在此存在兩個(gè)不足：(1)目前元器件產(chǎn)生突變可能不大；(2)對AI的選擇是人類而不是自然。AI的通用智能取決于AI智能網(wǎng)絡(luò)的形成，如同人的神經(jīng)網(wǎng)絡(luò)，這取決于網(wǎng)絡(luò)互聯(lián)程度和算力。未來是各種智能計(jì)算方式在網(wǎng)絡(luò)層面的集成和融合。據(jù)此，我們更需要關(guān)注的是網(wǎng)絡(luò)擴(kuò)展代來的各種危機(jī)。AI發(fā)展也有一種可能就是人機(jī)融合，畢竟人類的工業(yè)和信息化發(fā)展就是不斷在感知、作業(yè)能力、生活人類、知識儲備能力等方面擴(kuò)展自我的機(jī)能。AI構(gòu)成方式人類認(rèn)知AI遵循實(shí)證科學(xué)發(fā)展，依舊采用機(jī)械論，從模型求解逐步積累和發(fā)展。依據(jù)發(fā)展過程，個(gè)人認(rèn)為AI可以由控制、求解、自證、發(fā)現(xiàn)、創(chuàng)新等幾個(gè)階段進(jìn)行組合，形成AI的研究推進(jìn)和應(yīng)用，羅列如下：求解+控制：來自“控制論”，以動力學(xué)模型為基礎(chǔ)，采用控制解放人的機(jī)械勞動，這是早期AI模式，屬于偽智能，核心在于調(diào)優(yōu)。求解+自證：起源機(jī)械槽的嵌入，即基于范例的相似性辨識。早期常用于基于邏輯的證明，是AI起步階段，通過推理機(jī)進(jìn)行三段論式證明，核心是規(guī)律選取和匹配。發(fā)現(xiàn)+控制：起源知識發(fā)現(xiàn)(數(shù)據(jù)挖掘是其核心之一)，以數(shù)據(jù)中含有的某種關(guān)系為基礎(chǔ)，采用數(shù)學(xué)、枚舉、試錯(cuò)等方法發(fā)現(xiàn)這種關(guān)系，并驗(yàn)證確認(rèn)。然后將此關(guān)系用于人類生產(chǎn)活動，解決可重復(fù)的事件自動處理。核心是規(guī)律可辨識和具有穩(wěn)定性。發(fā)現(xiàn)+自證：以大數(shù)據(jù)為基礎(chǔ)，可以不借助外部干涉，通過模型選擇、自匹配(NN)、逐步逼近、決策樹匹配等發(fā)現(xiàn)規(guī)律和預(yù)測信度，并在自證中修正。目前深度學(xué)習(xí)就是此模式。核心在于具有自修正能力。然而“創(chuàng)新”目前沒有看相關(guān)方案。什么是機(jī)器創(chuàng)新，個(gè)人理解存在一下幾個(gè)有待解決數(shù)學(xué)描述：(1)突變及其選擇性；(2)遺忘及其選擇性補(bǔ)償；(3)對模型或語義解析的合理性自定義；(4)計(jì)算條件的合理性自選擇等。AI另一種模式是“枚舉+記憶+相似性槽合理替換+最大信度匹配+合理性推理解析”。這種模式基于復(fù)雜神經(jīng)網(wǎng)絡(luò)、超級復(fù)雜計(jì)算能力和合理性評價(jià)方法。基于上述認(rèn)知，AI將有多種不同的發(fā)展和研究途徑。其實(shí)我們現(xiàn)在對自然智能和AI的理解一直是在“盲人摸象”，但我們對“象”的接觸面積再不斷擴(kuò)大。AI和其他學(xué)科一樣，到一個(gè)階段，我們的探索將進(jìn)入一個(gè)停滯期，對歷史進(jìn)行整理、融合、再認(rèn)知，然后進(jìn)入下一階段探索。

AI公式人的認(rèn)知有兩種“依賴模型的實(shí)在論”（model-dependentrealism）”(霍金和蒙洛迪諾在《TheGrandDesign》)和“依賴信念的實(shí)在論”（belief-dependentrealism），前者認(rèn)為世界是在模型化后才能認(rèn)知，后者認(rèn)為對現(xiàn)實(shí)的認(rèn)識都依賴于我們的信念。AI的認(rèn)知采用模型實(shí)在論對于單一問題的原子求解可行，但規(guī)?；髸绾问呛唵螁卧獧C(jī)械組合嗎？自然科學(xué)已證明規(guī)模效應(yīng)不是簡單單元機(jī)械組合能表征的，只是未來AI發(fā)展的一個(gè)困境也是有待攻克的問題。認(rèn)知AI需要從其他角度進(jìn)行觀察，個(gè)人認(rèn)為AI=C(cognitive,認(rèn)知)+A(adaptation,適配)+E(evaluation,評價(jià))。使用“認(rèn)知”而非“知識”是指AI存在一個(gè)從數(shù)據(jù)或描述中發(fā)現(xiàn)客觀實(shí)在的過程；適配是對求解模型的方法選擇過程，這一過程是在經(jīng)驗(yàn)(先驗(yàn)知識)中選擇適宜匹配；評價(jià)是對預(yù)結(jié)果與問題的因果適宜度的評估，以確定A過程的正確。從這個(gè)公式可以發(fā)現(xiàn)模型實(shí)在是知識應(yīng)用，而智慧需要適配和評價(jià)，適配和評價(jià)在某種程度上是依賴信念實(shí)在。信念與“啟動效應(yīng)(primingeffect)”有強(qiáng)關(guān)聯(lián)性，即大腦和感官習(xí)慣用預(yù)期的模式去解釋外界刺激(問題)。正如認(rèn)知科學(xué)家唐納德·霍夫曼在其論文《意識實(shí)在論和身心問題》中提到：意識實(shí)在論認(rèn)為：“客觀世界，即不依賴于某個(gè)特定觀察者的知覺而存在的世界是完全由意識的主體構(gòu)成的?！币庾R是宇宙的根本，意識創(chuàng)造了粒子和場。同樣，意識創(chuàng)造AI行為，這種行為來自AI方法創(chuàng)造者的意識，其意識由其信念的啟動效應(yīng)誘發(fā)。同樣，AI的E也具有信念啟動效應(yīng)，其核心是利益驅(qū)動。評估依據(jù)公式：概率×利益>代價(jià)，即人們只有在利益高于代價(jià)時(shí)，才會采取行動，AI也是如此。未來AI的評估策略體現(xiàn)為一種強(qiáng)信念：將一般信號誤判為危險(xiǎn)信號，總好過將危險(xiǎn)信號誤判為一般信號，這樣風(fēng)險(xiǎn)信度最低。因此，AI的設(shè)計(jì)和未來風(fēng)險(xiǎn)，取決于設(shè)計(jì)者的信念實(shí)在，這種信念實(shí)在又受到社會(特殊情況下為反社會)心理和群體收益影響，故AI未來的發(fā)展只會與人類社會信念融合，而不會超越人類社會信念。AI(機(jī)器人)的三個(gè)基本原則是人類信念安全風(fēng)險(xiǎn)的認(rèn)知實(shí)在，需要進(jìn)一步完善，同時(shí)，也是AI從業(yè)領(lǐng)域基礎(chǔ)教育的必修內(nèi)容，甚至是AI從業(yè)人員信念的戒律。AI目標(biāo)人類研究和發(fā)展AI的動機(jī)或目的到底是什么？探索人類未知領(lǐng)域，從機(jī)械重復(fù)中解放人類，制造伙伴解決智能孤獨(dú)還是成為造物主高高在上？不同的目的指引出不同的結(jié)果，也代來不同的禍福。我們在研究AI之前需要深入考慮藏在我們靈魂深處的悸動。上述目的其實(shí)我們都有，對未知世界的探討是我們對安全的需求、對人類解放是我們內(nèi)在欲望的滿足、孤獨(dú)是我們心理安慰的需要、造物主是我們奴役的反射。這些目的交織在一起，決定AI的研究不會停止，如高山啟動的滾落的雪球，即使存在阻力也阻擋不了，差異在于結(jié)果是成為一個(gè)大雪球還是若干個(gè)小雪球?；谶@些目的，如何引導(dǎo)AI的發(fā)展成為問題的核心。近年來AI的研究內(nèi)容逐步體現(xiàn)了上述四個(gè)基礎(chǔ)目標(biāo)內(nèi)容。人類具有強(qiáng)烈的“動機(jī)性推理”（motivatedreasoning），即大腦自動推出我們愿意相信的說法，并以潛意識引導(dǎo)我們?nèi)?shí)現(xiàn)既定目標(biāo)。目前AI技術(shù)在可控階段，即使現(xiàn)在一些國家的機(jī)器人研發(fā)違反了機(jī)器人三個(gè)基本原則，也不具有不可控風(fēng)險(xiǎn)。但隨著智能技術(shù)推展和AI聚合，AI的智能程度可能以幾何速度發(fā)展。如何控制AI發(fā)展動機(jī)？其核心是技術(shù)使用規(guī)模和組織方式，即我們需要確定兩點(diǎn)：(1)AI智能水平是否能達(dá)到人類平均水平？(2)AI的載體是否可以在平均技術(shù)水平下可摧毀？如果這兩點(diǎn)可確定，AI發(fā)展是安全可控的。但作為智能體，人類該如何對待，抑制智能體發(fā)展是否符合人類道德？這也會影響目的發(fā)展軌跡。“動機(jī)性推理”最終會偏向造物主選項(xiàng)，并有此會帶來人們對AI道德的分裂。個(gè)人認(rèn)為我們可以接受的方法是建立對AI的共同契約，即AI發(fā)展三個(gè)基本原則?；贏I原則我們可以有限自由地發(fā)展AI技術(shù)，并將技術(shù)控制在有限范疇內(nèi)。或許還有一條路，就是人類實(shí)現(xiàn)對意識的形式化描述，并將此賦予AI，此事AI與人類沒有差異，只是外在載體的差異。或者進(jìn)入人機(jī)一體化時(shí)代，完成人類進(jìn)化的新一次跳躍。

AI實(shí)踐AI實(shí)踐伴隨著人類進(jìn)化或領(lǐng)域擴(kuò)展而展開，討論幾個(gè)正在開展的AI實(shí)踐。1.知識探究：主要探索發(fā)現(xiàn)規(guī)律和知識的途徑和方法，常見方法為例證檢索、邏輯推理、規(guī)律發(fā)現(xiàn)等，典型的實(shí)踐方向有知識圖譜、知識百科與智能檢索、推理機(jī)、數(shù)據(jù)挖掘(知識發(fā)現(xiàn))、幾何(數(shù)學(xué))證明、科教(學(xué)習(xí)輔導(dǎo))機(jī)器人等；2.行為自動：主要將事件辨識、過程優(yōu)化、控制論進(jìn)行結(jié)合。常見實(shí)踐方向?yàn)橛袡C(jī)器人、外骨骼、自動駕駛、無人控制、除險(xiǎn)機(jī)器人(如：排爆、消防、救援)生物仿真等；3.事物辨識：主要擴(kuò)展人類的視覺、觸覺、味覺、聽覺、嗅覺局限，將物質(zhì)特性知識、物理化學(xué)傳感器、邏輯推理和差異組合辨識等進(jìn)行結(jié)合形成專業(yè)設(shè)備或系統(tǒng)。常見實(shí)踐方向有視頻(圖像)識別、語音識別、生物特征識別、機(jī)器鼻、智能感知設(shè)備等，當(dāng)前這一實(shí)踐擴(kuò)展為智能物聯(lián)網(wǎng)(含邊緣計(jì)算)、工業(yè)視覺、安全偵聽/監(jiān)測等；4.社會交流：主要突破交流中存在的障礙，補(bǔ)償人類交流中存在的不足。常見實(shí)踐方向有自然語言理解(NLP)、人機(jī)接口、情感辨識、家庭服務(wù)機(jī)器人等；5.博弈心理：主要通過經(jīng)驗(yàn)檢索、預(yù)判、損益判斷、慣性心理等結(jié)合不同的學(xué)習(xí)技術(shù)形成人機(jī)對抗場景，滿足人類博弈心理，這是最早也是目前最有成效的AI實(shí)踐。常見實(shí)踐方向有智能博弈(棋牌等游戲)、兵棋對抗、信息安全對抗(如：可變異計(jì)算機(jī)病毒、APT攻防)等；6.進(jìn)化機(jī)理：主要通過仿真、優(yōu)化、遺傳、博弈、趨同、變異等技術(shù)通過機(jī)器來模擬物質(zhì)演化過程，探究進(jìn)化機(jī)理，從元胞自動機(jī)(CellularAutomaton，CA)到數(shù)字孿生(DigitalTwin)一直是AI的研究主要領(lǐng)域之一。常見實(shí)踐方向有交通仿真、規(guī)律生成模擬、疫情擴(kuò)展模擬等；7.領(lǐng)域擴(kuò)展：主要借助技術(shù)優(yōu)勢和技術(shù)壟斷，發(fā)現(xiàn)信息系統(tǒng)中的缺陷，實(shí)現(xiàn)對對手的控制。常見實(shí)踐方向有安防機(jī)器人、無人偵查打一體化、病毒式數(shù)據(jù)攻擊、數(shù)字間諜(數(shù)字情報(bào)自動收集和評估)等；8.智慧原來：主要探索智慧形成機(jī)理，形成智能分析方法。常見實(shí)踐方向有智能算法(如：遺傳算法、蟻群算法、枚舉匹配固化方法、損益平衡固化方法等)、數(shù)字神經(jīng)科學(xué)、集聚增益效應(yīng)等。這一研究通常與上述七類實(shí)踐交織在一起。各行各業(yè)中都有AI實(shí)踐，但這些實(shí)踐均處在AI初級階段，主要體現(xiàn)為單一技術(shù)、簡單事務(wù)、重復(fù)度高、情感程度低、風(fēng)險(xiǎn)可知。未來AI實(shí)踐有廣泛空間，尤其在情感、意識、創(chuàng)新、社會四個(gè)屬性上有待進(jìn)一步探索。AI偏見在討論AI其他內(nèi)容前，先討論對AI可能出現(xiàn)的偏見，以便我們在以后對AI認(rèn)知和實(shí)踐時(shí)可以客觀看待AI。為什么討論科學(xué)問題的偏見這么重要，主要是科學(xué)和偽科學(xué)間沒有明確的界限?？茖W(xué)哲學(xué)家馬西莫·皮柳奇在其《夸夸其談的謬論》（NonsenseonStills）指出：“在科學(xué)和非科學(xué)的劃分上“沒有石蕊測試”，因?yàn)椤翱茖W(xué)、非科學(xué)、偽科學(xué)之間的分界線要比波普爾（以及大多數(shù)科學(xué)家）主張的更模糊，也更有彈性”。并且越是資深科學(xué)家，越容易誤導(dǎo)自己和社會，正如馬里奧·利維奧在其《聰明反被聰明誤》（BrilliantBlunders)書中指出“通向成功之路非但是由錯(cuò)誤鋪就的，而且獎(jiǎng)品越大，可能的錯(cuò)誤也越大?！盇I與其他科學(xué)一樣，通常會產(chǎn)生如下六種誤導(dǎo)：1.固著偏見（anchoringbias）：即對參照物或信息表現(xiàn)過于依賴。這種偏見主要來源于信念依賴的啟動效應(yīng)。在AI中我們通常會被一些固有的假象所迷惑，如前段時(shí)間大家迷戀人臉識別的安全性，其實(shí)面對人像識別，即使3D結(jié)構(gòu)光均有很對可攻防的研究點(diǎn)；2.權(quán)威偏見（authoritybias）：過于重視權(quán)威的意見，尤其是對所知甚少的事物評價(jià)時(shí)。權(quán)威有時(shí)會誤導(dǎo)領(lǐng)域發(fā)展方向甚至研究方法，AI的研究更是如此，因?yàn)锳I還處于初級階段，對AI的很多機(jī)理我們有太多的認(rèn)識盲點(diǎn)。依賴和跟風(fēng)權(quán)威是一種便捷途徑，也會迷失個(gè)體獨(dú)立對AI的思考；3.信賴偏見（beliefbias)：人們喜歡根據(jù)結(jié)論來評價(jià)事物，往往不去深入探究事務(wù)將的本質(zhì)因果。這種偏見在智能分析和知識探究中經(jīng)常發(fā)生。諸如西瓜銷售量增加和游泳溺死人數(shù)增加存在關(guān)聯(lián)，這這結(jié)論可以從數(shù)據(jù)統(tǒng)計(jì)上獲取，但兩者沒有因果關(guān)系，不能成為知識。這是對大數(shù)據(jù)分析的信賴產(chǎn)生的偏見；4.證實(shí)性偏見（confirmationbias）：這種偏見通常出現(xiàn)在據(jù)果溯因的場景，通常是對現(xiàn)象和證據(jù)間的關(guān)系忽略或曲解產(chǎn)生。這種偏見間在AI研究中將導(dǎo)致理論和行為設(shè)計(jì)的錯(cuò)誤甚至?xí)a(chǎn)生危害，因?yàn)樗鼤绊戇吔缂s束；5.群內(nèi)偏見(teambias):這是由團(tuán)隊(duì)意念導(dǎo)致個(gè)體或團(tuán)隊(duì)形成的對事物的偏見，極易形成偏見盲點(diǎn)，導(dǎo)致研究偏差；6.實(shí)驗(yàn)者預(yù)期偏見（experimenter-expectationbias）：是指實(shí)驗(yàn)者對易關(guān)注其預(yù)期結(jié)果而或略與預(yù)期不符數(shù)據(jù)，形成誤導(dǎo)或偏差。在AI研究中會導(dǎo)致研究失敗或埋下風(fēng)險(xiǎn)隱患。這些偏見的基礎(chǔ)是信念依賴產(chǎn)生的“元偏見，是科學(xué)家都不能避免的。我們在研究AI中如何克服這些偏見，可以歸納如下幾點(diǎn)：多聽對立面意見、多種方法相互驗(yàn)證、對權(quán)威尊重但要質(zhì)疑、對少數(shù)派意見要重視、討論現(xiàn)象的因果邏輯、謹(jǐn)慎做結(jié)論。AI分類從機(jī)器智能的認(rèn)知路線AI大致可以分為如下七類智能方法：1.檢索(index-then):以經(jīng)驗(yàn)或?qū)嵗秊榛A(chǔ)，通過檢索匹配問題，實(shí)現(xiàn)智能。這一類認(rèn)為現(xiàn)象會再現(xiàn)，可以預(yù)設(shè)經(jīng)驗(yàn)或?qū)嵗ㄟ^相似匹配檢索獲得目標(biāo)。早期博弈和枚舉智能常采用此方法。2.發(fā)現(xiàn)(count-get):以數(shù)據(jù)或信息為基礎(chǔ)，通過數(shù)據(jù)或信息中頻繁或特征再現(xiàn)發(fā)現(xiàn)規(guī)律。這一類認(rèn)為知識是可重復(fù)再現(xiàn)的現(xiàn)象，在海量數(shù)據(jù)中這種再現(xiàn)可以發(fā)現(xiàn)?，F(xiàn)在常見的知識發(fā)現(xiàn)常采用此方法。3.辨識(find-then):根據(jù)規(guī)則辨識和區(qū)分事物。這一類認(rèn)為事務(wù)是可以通過度量來區(qū)分的即存在區(qū)分事務(wù)的數(shù)學(xué)模型。現(xiàn)在生物識別常采用此方法。4.連接(line-get):事物發(fā)展和事物關(guān)系在一些維度上存在連接關(guān)系，一旦構(gòu)建這種連接，就可以獲取知識。現(xiàn)在預(yù)測預(yù)判常采用此方法。5.邏輯(if-then):這類方法認(rèn)為世界是由因果關(guān)系構(gòu)成的，因果間可以采用邏輯關(guān)系進(jìn)行描述?，F(xiàn)在證明系統(tǒng)常采用此方法。6.控制(if-do):這類方法認(rèn)為世界運(yùn)行最求極簡，在能耗上是趨向最優(yōu)的，因此可以通過損益可控事物行為和發(fā)展。仿真智能常按此思路設(shè)計(jì)。7.變異(change-get):這類方法認(rèn)為進(jìn)化是由變異產(chǎn)生的，通過變異的優(yōu)勝劣汰選擇可以獲得事物進(jìn)化目標(biāo)。優(yōu)化智能和智能方法拓展常按此思路設(shè)計(jì)。上述分類是從認(rèn)知區(qū)分出發(fā)的理想分類，在AI設(shè)計(jì)和使用中通常會涉及多個(gè)分類的組合。如防爆機(jī)器人就會涉及1-3-6。從AI算法設(shè)計(jì)角度，又可以劃分為如下：1.經(jīng)驗(yàn)學(xué)派，認(rèn)為先驗(yàn)知識在AI中具有決定意義，貝葉斯網(wǎng)絡(luò)具有重要意義。2.邏輯學(xué)派，認(rèn)為可以通過一組規(guī)則定義世界，所有事物的運(yùn)動可以通過對規(guī)則組合推演獲得。3.神經(jīng)學(xué)派，對人類神經(jīng)網(wǎng)絡(luò)研究和模仿，認(rèn)為通過對事物連接的強(qiáng)化和記憶記錄知識，通過神經(jīng)單元的連通激活記憶，辨識事物。4.學(xué)習(xí)學(xué)派，認(rèn)為通過案例和懲罰可以學(xué)習(xí)規(guī)律和現(xiàn)象，對學(xué)習(xí)得到的規(guī)律和現(xiàn)象再現(xiàn)是目標(biāo)。5.突變學(xué)派，對即有事物的屬性進(jìn)行改變以符合目標(biāo)是事物適應(yīng)性特征，這種適應(yīng)性就是一種智能。不管是認(rèn)知方法還是算法設(shè)計(jì)出發(fā)點(diǎn)，損益激勵(lì)、評估函數(shù)是AI的重要組成部分，也是認(rèn)知和算法實(shí)現(xiàn)的關(guān)鍵點(diǎn)。但非常遺憾的是這兩點(diǎn)目前很少有自動或智能選擇和設(shè)計(jì)的報(bào)到，通常是人工干預(yù)或設(shè)定，這是亟待攻克的部分，這也是目前制約AI發(fā)展的一個(gè)研究點(diǎn)。AI未來AI未來會如何發(fā)展，做個(gè)預(yù)測，權(quán)作科幻吧。2025年因安全性，人像識別將降溫，3D結(jié)構(gòu)光將取代現(xiàn)在人像識別識別技術(shù)；身份識別將轉(zhuǎn)向更為安全的生物識別方法，2030形態(tài)識別將進(jìn)入工程試點(diǎn)，無障礙無感知身份識別將逐步成為可能。2025年AI研究再次遇到神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)二次高潮后的低谷。AI研究人員開始從多角度重新審視AI。以感知、情感、人機(jī)結(jié)合、AI集聚網(wǎng)絡(luò)等為核心的研究廣泛開展。2025年NLP將有進(jìn)一步發(fā)展，語音識別和同步翻譯因終端計(jì)算能力提高成為可能，語言交流障礙有望突破。2030年因通訊和計(jì)算能力的再次提升，AI借助大數(shù)據(jù)服務(wù)、實(shí)時(shí)協(xié)同計(jì)算、強(qiáng)邊緣計(jì)算等，AI集聚技術(shù)得到實(shí)現(xiàn)，出現(xiàn)第三次AI高潮，并在2035年進(jìn)行AI工程應(yīng)用普及期。2030年服務(wù)機(jī)器人將成為家庭普通電氣，家政將由各種機(jī)器人逐步代替。2040年人機(jī)接口與穿戴設(shè)備結(jié)合，人類能力進(jìn)一步提升和擴(kuò)展，人類階層劃分也逐步明顯。教育問題重新進(jìn)入人們視野，教育將出現(xiàn)變革，基礎(chǔ)科學(xué)、創(chuàng)新、邏輯、生物、生態(tài)、醫(yī)學(xué)、材料、傳感等技術(shù)得到重視。2040年知識體系和知識檢索技術(shù)出現(xiàn)飛躍，基于知識認(rèn)知的AI技術(shù)與機(jī)器人技術(shù)有機(jī)集合，人類出現(xiàn)新的就業(yè)危機(jī)。由于意識、生物傳感器、創(chuàng)新技能等AI本元技術(shù)沒有突破，2045年AI研究進(jìn)入停滯期，人類轉(zhuǎn)入AI應(yīng)用和AI系統(tǒng)微型化應(yīng)用，AI集聚網(wǎng)絡(luò)和超AI系統(tǒng)的人類安全問題再次成為重要話題。同時(shí)，AI應(yīng)用引導(dǎo)下，周邊技術(shù)得到廣泛發(fā)展，但原始創(chuàng)新速度放慢。上述描述是個(gè)人從科學(xué)史和技術(shù)發(fā)展史中得到的理解，可以看作是一個(gè)科幻娛樂，但一些相關(guān)技術(shù)在一些報(bào)道中可以感覺到。AI成本上世紀(jì)90年代初人像識別技術(shù)基本成形，但一直沒有廣泛應(yīng)用，互聯(lián)網(wǎng)經(jīng)濟(jì)出現(xiàn)后，以公共安全需求、移動支付和認(rèn)證的需求推動，人像識別的技術(shù)成本迅速分?jǐn)偅匀讼褡R別為核心的各種應(yīng)用迅速普及。但語音識別和智能翻譯技術(shù)、服務(wù)類機(jī)器人技術(shù)、基礎(chǔ)新聞稿編撰技術(shù)這兩年得到快速發(fā)展，但應(yīng)用普及一般。圍棋博弈點(diǎn)燃了本次AI熱潮，但沒有得到應(yīng)用。這三類技術(shù)在應(yīng)用面的差異性背后的原因是什么？市場需求是一方面，成本是另一個(gè)重要原因。AI的成本主要有四個(gè)構(gòu)成：技術(shù)研發(fā)、工程化、推廣成本、使用限制成本。AI技術(shù)研發(fā)成本通常較高，包括算法研究、實(shí)驗(yàn)環(huán)境、檢測條件，其研究不單單是寫個(gè)算法，更多是算法的積累和算法學(xué)習(xí)環(huán)境。一個(gè)工程級算法動輒千萬投入是常態(tài)，沒有大量的市場這個(gè)成本是很難被平攤的。AI工程化是另一個(gè)投入大項(xiàng)，包括產(chǎn)品化研發(fā)、制造成本等。服務(wù)型機(jī)器人主要是工程化成本很高，難以被市場接受。用戶對工程化成本的理解不是技術(shù)本身，而是AI替代社會活動或給予人類舒適的收益與投入的關(guān)系。推廣成本是AI被人們認(rèn)知和接受的成本，如基于人臉識別的智能鎖、兒童安全手機(jī)等就受限于推廣成本，該成本需要突破人們的心理認(rèn)知。典型案例就是將兒童安全手機(jī)改變?yōu)閮和踩ㄔ捠直?，就得到很好的市場效果。使用限制成本是制約AI發(fā)展的另一因素，使用限制成本包括使用環(huán)境、輔助設(shè)備、使用便利等，即時(shí)語言翻譯沒有廣泛推廣的原因除技術(shù)有待提高外，就是使用限制，高質(zhì)量翻譯需要后臺計(jì)算通常需要網(wǎng)絡(luò)支撐，同時(shí)，現(xiàn)有一些設(shè)備或APP使用場景的便利性有待改進(jìn)。這四種成本的共同影響對AI的發(fā)展和應(yīng)用產(chǎn)生很多制約，我們在研究AI的同時(shí)需要充分認(rèn)識成本制約，否則AI的研究會難以持續(xù)。AI演化AI演化簡述

AI伴隨著信息化孕育而生，隨著對智能的認(rèn)知、醫(yī)學(xué)生物學(xué)的仿真、計(jì)算能力的提升而發(fā)展。經(jīng)歷了兩次高潮：以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的智能結(jié)構(gòu)單元的推動，以大數(shù)據(jù)為基礎(chǔ)的深度學(xué)習(xí)的推動。

第一個(gè)AI的出現(xiàn)是IBM員工做的生命游戲，以幾個(gè)簡單規(guī)則模擬生命對環(huán)境的關(guān)系，開始了人們對AI的探索。

系統(tǒng)進(jìn)行AI的研究起源于：圖靈檢測和馮諾依曼的元胞自動機(jī)，前者給出了AI評價(jià)方法，后者給出了一個(gè)自動演化模型，此后AI的領(lǐng)域迅速擴(kuò)展。

AI演化依賴對知識的認(rèn)知和定義過程。大體過程分為：

1.經(jīng)驗(yàn)主導(dǎo)：即知識=經(jīng)驗(yàn)，這個(gè)階段的AI思路是如何檢索和匹配經(jīng)驗(yàn)，如范例學(xué)習(xí)

2.邏輯主導(dǎo)：即知識可以形式描述并可以邏輯推演，這個(gè)階段的AI思路是如何形式化描述事務(wù)建立動力學(xué)模型，如推理機(jī)

3.再現(xiàn)主導(dǎo)：即知識是可再現(xiàn)的現(xiàn)象，可以通過枚舉、統(tǒng)計(jì)或其他方法發(fā)現(xiàn)可再現(xiàn)的對象，這個(gè)階段的AI思路是如何發(fā)現(xiàn)信息中相似對象，如數(shù)據(jù)挖掘(知識發(fā)現(xiàn))

4.連接主導(dǎo)：借助神經(jīng)元的認(rèn)知，人們認(rèn)識到神經(jīng)元的連接形成通路構(gòu)建一個(gè)現(xiàn)象，重復(fù)這個(gè)連接就形成連接強(qiáng)度，根據(jù)連接強(qiáng)度形成記憶，這種記憶就是對外邊認(rèn)知。這個(gè)階段的AI思路是如何構(gòu)建連接和形成基礎(chǔ)記憶元，如基于NN的物體分類。神經(jīng)網(wǎng)絡(luò)學(xué)派推動了AI第一次快速發(fā)展。

5.雜合主動：NN的預(yù)期不如預(yù)期，計(jì)算能力提升和大數(shù)據(jù)出現(xiàn)，人們認(rèn)知知識可以有很多形式，人們認(rèn)識事物是在不斷發(fā)現(xiàn)-固化-修正-固化的過程，這個(gè)階段的AI思路是如何結(jié)合各種方式實(shí)現(xiàn)事物特征的探究(發(fā)現(xiàn))-固化過程，形成了各種各樣的算法，如深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、相似學(xué)習(xí)、協(xié)同學(xué)習(xí)、模式學(xué)習(xí)等等，其中深度學(xué)習(xí)因在圍棋博弈中的杰出表現(xiàn)，推動了AI第二次發(fā)展。

6.仿生主導(dǎo)：這個(gè)認(rèn)知是AI的另一條發(fā)展過程，將控制論與知識應(yīng)用進(jìn)行結(jié)合，建立仿生應(yīng)用，這是在漸進(jìn)發(fā)展過程，如機(jī)器人。但受制于材料、傳感器、AI技術(shù)的制約。

7.意識主導(dǎo)：未來AI的一個(gè)發(fā)展預(yù)期，即如何產(chǎn)生意識，這個(gè)階段AI具備自我認(rèn)知、自我控制、自我復(fù)雜、自我繁衍的能力。但這個(gè)階段將有漫漫長路，因?yàn)橐庾R的定義還不確定。

8.集群主導(dǎo)：未來AI的另一個(gè)發(fā)展預(yù)期，即通過對AI技術(shù)和計(jì)算能力的集聚，形成集聚效應(yīng)，形成集體智能，這是一種社會形態(tài)。這個(gè)階段會集中在資源爭奪和控制，AI智能體可以不斷逼近人類智能，但不具備自我意識，難以超越人類。但這個(gè)階段受制于計(jì)算能力、AI個(gè)體的體積、通訊實(shí)時(shí)能力、AI算法、集聚體調(diào)度和控制機(jī)制。如同大數(shù)據(jù)對AI的影響，這個(gè)階段是會達(dá)到的。

AI在今后一段時(shí)間內(nèi)將長期處于5-6階段，預(yù)期第8階段會早于第7階段實(shí)現(xiàn)。演化要素

AI演化基于幾個(gè)基本要素，AI內(nèi)在要素有：對知識的認(rèn)識、知識的形式化可能、知識應(yīng)用的解決方法、知識獲取的方法、知識獲取的解決方法、知識的聚合能力、個(gè)體的自我意識；AI外在要素有：計(jì)算能力、通訊能力和方法、生物學(xué)知識、介入醫(yī)學(xué)、實(shí)驗(yàn)科學(xué)、資料收集和積累、心理學(xué)知識等的發(fā)展。

1.對知識的認(rèn)識。這是基本要素，到達(dá)什么是知識，目前沒有明確定義。對知識定義不同，AI的研究對象也不同，經(jīng)驗(yàn)、規(guī)律、現(xiàn)象再現(xiàn)等均可以認(rèn)為是知識的一種形態(tài)，針對不同形態(tài)，加載的方法和應(yīng)用也是不同的，這將影響AI的演化路線。

2.知識的形式化可能。這是目前信息化追求的，沒有形式化描述，難以在計(jì)算機(jī)或計(jì)算體系中實(shí)現(xiàn)。形式化方式可以是規(guī)則組、動力學(xué)方程、對象連接約束、枚舉等，形式化是計(jì)算的基礎(chǔ)。

3.知識應(yīng)用的解決方法。體現(xiàn)為AI在工程上的應(yīng)用方法，即將知識體與控制機(jī)構(gòu)結(jié)合產(chǎn)生的對事務(wù)自動動作的方法。這個(gè)要素影響AI與世界結(jié)合的能力，是AI演化的表征之一。

4.知識獲取的方法。在1-2的基礎(chǔ)上，人類或機(jī)器能主動獲得知識的方法，這是AI研究的一個(gè)重點(diǎn)，獲取方法的革新通常引發(fā)AI的劃代。

5.知識獲取的解決方法。是4的計(jì)算能力和方法的實(shí)現(xiàn)，即對4的實(shí)例過程，包括發(fā)現(xiàn)、驗(yàn)證、優(yōu)化的過程，是AI演化的表征之一。

6.知識的聚合能力。聚合是一種能力，通常1+1>2，為什么普遍存在這種能力，目前沒有較為滿意的認(rèn)知。知識的集聚會形成一種突變，有可能加快AI的進(jìn)化速度。聚合方法是演化的影響要素，不是機(jī)械的累積，而是AI方法的有機(jī)組合、優(yōu)化選擇、多重交互。

7.個(gè)體的自我意識。自我意識是生物體的本質(zhì)特征之一，一些文獻(xiàn)支撐自然界也有自我意識，如生態(tài)系統(tǒng)的自修復(fù)。AI是否可能發(fā)展到自我意識，取決于人類對意識的認(rèn)識或者意識本身就是客觀世界的內(nèi)在實(shí)在。AI的演化最高境界就是具備自我意識。

8.計(jì)算能力。AI的發(fā)展與計(jì)算能力密切相關(guān)，計(jì)算可能性決定了AI的實(shí)用性和知識積累的速度。因此計(jì)算能力的提升會導(dǎo)致AI的演化提速，第二次AI高潮引發(fā)原因之一就是計(jì)算能力提升和大數(shù)據(jù)應(yīng)用。

9.通訊能力和方法。通訊體現(xiàn)了一個(gè)世界組成對象間的交流能力，是信息流動能力的基礎(chǔ)，通訊能力和方法對AI演化會產(chǎn)生影響。通訊發(fā)展，未來可能出現(xiàn)協(xié)同AI，對應(yīng)于社會智能。

10.生物學(xué)知識。生物學(xué)知識發(fā)展是影響對知識認(rèn)識的途徑之一，影響AI演化中的對象認(rèn)知、應(yīng)用方法和知識獲取方法，這一領(lǐng)域的發(fā)展會影響AI的劃代。第一次AI高潮就是這一領(lǐng)域的發(fā)現(xiàn)推動的。

11.介入醫(yī)學(xué)。介入醫(yī)學(xué)的發(fā)展可能影響AI演化路線，介入醫(yī)學(xué)對人機(jī)(人腦)結(jié)合具有決定性。AI一種演化的可能是利用生物腦來進(jìn)行知識獲取和應(yīng)用，采用智能黑箱方法(神經(jīng)網(wǎng)絡(luò)可以看作是灰箱)，這一演化線路的技術(shù)基礎(chǔ)在介入醫(yī)學(xué)。

12.實(shí)驗(yàn)科學(xué)。這一學(xué)科對AI演化要素的3-4-5-6具有影響，包括實(shí)驗(yàn)環(huán)境、實(shí)驗(yàn)數(shù)據(jù)、學(xué)習(xí)評價(jià)、測試評估等，對AI的可靠性和正確性進(jìn)行支撐。

13.資料收集和積累。人類發(fā)展史已證明信息積累推動知識發(fā)展，資料收集和積累對AI演化速度具有影響，大數(shù)據(jù)對深度學(xué)習(xí)的推動就是較好的例證。

14.心理學(xué)知識。這是影響對知識認(rèn)識的途徑之一。對知識和意識的最終認(rèn)識取決于心理學(xué)進(jìn)展。心理學(xué)在不斷擴(kuò)展AI的研究內(nèi)容，認(rèn)知、損益、情感、辨識等很多基礎(chǔ)AI研究由心理學(xué)推動，這是AI發(fā)展的動力源泉之一。元胞自動機(jī)元胞自動機(jī)(cellularautomata，CA)是AI最早形態(tài)，采用一組規(guī)則通過若干次迭代或繁衍形成一個(gè)穩(wěn)定社會形態(tài)。最早自動機(jī)是IBM程序員寫的生命繁衍游戲，在上世紀(jì)80年代S.Wolfram，給出了CA的系統(tǒng)論述。

CA是一種時(shí)空約束的狀態(tài)演化描述，在一組離散的時(shí)空定義研究對象離散狀態(tài)間的因果關(guān)系。通過對象狀態(tài)在局部時(shí)空網(wǎng)格上依據(jù)動力學(xué)模型反應(yīng)出的因果影響下的時(shí)空變化，模擬對象的時(shí)空演化過程。其中動力學(xué)方程可以由一組規(guī)則刻畫。CA可以用來模擬復(fù)雜系統(tǒng)演化。

CA是基于知識的AI應(yīng)用系統(tǒng)，使用一組規(guī)則來模擬復(fù)雜系統(tǒng)(對象)的演化過程，以發(fā)現(xiàn)潛在規(guī)律。CA不需要嚴(yán)格定義的物理方程或函數(shù)確定，可以用一系列模型構(gòu)造的規(guī)則描述即有知識或經(jīng)驗(yàn)。CA通過規(guī)則在時(shí)空上的有限組合和因果推導(dǎo)，得出對象在時(shí)空上受限狀態(tài)發(fā)展，最終完成問題求解。CA的演化過程具有自動化特征，可以根據(jù)時(shí)間、空間、狀態(tài)在規(guī)則組的約束下，自動進(jìn)行演化。

由于CA具有自動演化特征，CA可以形成很多復(fù)雜行為。S.Wolfrarm給出了CA的四種動力學(xué)行為，即：⑴平穩(wěn)型:經(jīng)過若干代演化，對象狀態(tài)在時(shí)空上趨于穩(wěn)定構(gòu)型。⑵周期型:經(jīng)過若干代演化，對象狀態(tài)在時(shí)空上出現(xiàn)周期性變化。⑶混沌型:自任何初始狀態(tài)開始，經(jīng)過若干代演化，對象表現(xiàn)出混沌非周期行為，結(jié)構(gòu)的統(tǒng)計(jì)特征不再變止，如表現(xiàn)為分形分維等。⑷復(fù)雜型:經(jīng)過若干代演化，對象演化不趨于穩(wěn)態(tài)會規(guī)律性，但局部結(jié)構(gòu)出現(xiàn)前周期或混沌，這些局部特征有時(shí)具有傳播性。

CA得到廣泛應(yīng)用，應(yīng)用領(lǐng)域涉及社會學(xué)、生物學(xué)、生態(tài)學(xué)、信息科學(xué)、數(shù)學(xué)、物理學(xué)、材料學(xué)、化學(xué)、地理、環(huán)境、軍事學(xué)等。CA可以用來研究通訊、傳播、構(gòu)造、計(jì)算、博弈、進(jìn)化、趨同、擾動、秩序、混沌等現(xiàn)象，是一種有效的演化仿真工具。

以下是CA的幾個(gè)應(yīng)用場景：(1)交通流機(jī)理；(2)經(jīng)濟(jì)危機(jī)演化；(3)社會群體行為；(4)流行行為發(fā)展；(5)病毒演化；(6)流行病擴(kuò)散和演化；(7)生物遷移或洄游；(8)輿情傳播；(9)通訊信號傳播；(10)社會群落產(chǎn)生；(11)材料優(yōu)化；(12)兵棋推演等等。

CA應(yīng)用中存在如下幾個(gè)關(guān)鍵技術(shù)：(1)離散時(shí)空網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)架；(2)對象狀況可劃分描述；(3)狀態(tài)演化的規(guī)則組；(4)終止或評價(jià)條件。

通過CA演化仿真，我們通?？梢园l(fā)現(xiàn)復(fù)雜系統(tǒng)往往有幾條簡單規(guī)則產(chǎn)生，這對我們認(rèn)識世界具有重要意義，在這些基礎(chǔ)上可以構(gòu)建復(fù)雜的AI系統(tǒng)。機(jī)器證明問題求解是智能的一個(gè)基本問題，其中機(jī)器證明是經(jīng)典的問題求解過程。

機(jī)器證明的核心內(nèi)容主要是幾何定理機(jī)器證明和非線性方程組理論、算法和應(yīng)用。也稱為自動推理。我國在此領(lǐng)域具有領(lǐng)先優(yōu)勢，吳文俊先生做出了突出工作。

機(jī)器證明一直是數(shù)學(xué)家的夢想，笛卡爾、萊布尼茲、希爾伯特均在此領(lǐng)域給出相應(yīng)的機(jī)械化定理和方法。

周咸青發(fā)展了吳文俊方法，并實(shí)現(xiàn)了有效的通用程序，證明了512條非平凡定理，在機(jī)器證明領(lǐng)域具有革命性的工作。

機(jī)器證明通常具有四種方法：(1)檢驗(yàn)：對問題進(jìn)行觀察和計(jì)算，以確信命題為真；(2)搜索：依據(jù)常用的引理和已知條件去找尋問題中更多的幾何或數(shù)學(xué)性質(zhì)；(3)歸約：從結(jié)論出發(fā)，利用已知信息消去依賴的條件、屬性，使結(jié)論趨于顯然或易于檢驗(yàn)；(4)轉(zhuǎn)化：依據(jù)約束條件或?qū)傩赃M(jìn)行因果推理，得到更多依賴條件和屬性。組織反復(fù)使用四種方法最終實(shí)現(xiàn)從問題趨于結(jié)論。

代數(shù)方法與非線性代數(shù)方程組的理論和符號求解密切相關(guān)，有廣泛應(yīng)用，是自動推理的一大熱點(diǎn)。在MATLAB、maple等軟件中提供了一些基礎(chǔ)的代數(shù)方程組符號求解工具，這是AI的一個(gè)簡單應(yīng)用。

在未來十年中初等幾何等式型問題的機(jī)器求解將基本完成，并進(jìn)入實(shí)用階段。一些新的機(jī)器證明熱點(diǎn)將會出現(xiàn)：

⑴基于幾何不變量工具的機(jī)器求解，如幾何作圖機(jī)器求解、幾何推理數(shù)據(jù)庫、微分幾何可讀證明等

⑵基于代數(shù)理論的幾何不等式的機(jī)器求解

⑶非線性代數(shù)方程組理論與算法的新方法

⑷微分多項(xiàng)式的機(jī)器推導(dǎo)

機(jī)器證明在推理機(jī)制、因果推理、符號計(jì)算、歸約分析等領(lǐng)域推動AI發(fā)展，是基于邏輯的AI演化的過程。枚舉和先驗(yàn)知識枚舉和先驗(yàn)知識是智能兩個(gè)最為基礎(chǔ)的認(rèn)知方法，也是AI最為初級的形態(tài)。

枚舉是窮盡事物的可能，在可能中找到可行解。這種“笨”辦法在一些應(yīng)用環(huán)境中是最直接的方法。隨著計(jì)算能力的提升，越來越多的應(yīng)用場景可以使用枚舉方法求解。對于NP問題，枚舉法是不可行的。但枚舉法在簡單重復(fù)動作領(lǐng)域具有很好的應(yīng)用場景。

先驗(yàn)知識是一種獨(dú)立于經(jīng)驗(yàn)的知識。先驗(yàn)知識具有非感觀世界認(rèn)知的知識獲得特征，其知識通過非感知理性獲得，如直覺，純理性和反省等，康德等對此進(jìn)行深入研究。先驗(yàn)知識是我們認(rèn)知世界的開端，即從合理假設(shè)開始，合理假設(shè)來自于先驗(yàn)知識。因此，先驗(yàn)知識對客觀實(shí)踐提供基礎(chǔ)。

在AI實(shí)踐中，先驗(yàn)知識為方法設(shè)計(jì)、問題解決路徑提出合理假設(shè)，甚至在一些AI方法中使用先驗(yàn)知識作為假設(shè)邊界條件，并在此基礎(chǔ)上進(jìn)行方法校正和優(yōu)化。

如在深度學(xué)習(xí)方法對復(fù)雜對象多屬性分類求解中，為提高學(xué)習(xí)效率，可以引入先驗(yàn)知識進(jìn)行學(xué)習(xí)模型簡化。當(dāng)先驗(yàn)知識合理時(shí)，相應(yīng)的神經(jīng)元連接結(jié)構(gòu)會較為簡單，連接特性較快趨于收斂。

現(xiàn)在心理學(xué)研究發(fā)現(xiàn)，通過綜合新知識和其自身的先驗(yàn)知識，可以創(chuàng)造出新的知識。一些案例證實(shí)，新的顯性知識的創(chuàng)造通常依靠歸納先驗(yàn)知識來完成。這為AI設(shè)計(jì)提供了一種新思路，即在學(xué)習(xí)中對先驗(yàn)知識假設(shè)進(jìn)行證偽，最終辨識合理假設(shè)，形成顯性知識。博弈

博弈是遠(yuǎn)古就開始的人類智力活動，作為典型的是棋牌游戲，博弈游戲也是AI關(guān)注的領(lǐng)域，對AI發(fā)展和演化具有重要的推動作用。人機(jī)對弈成為檢驗(yàn)AI發(fā)展的一個(gè)途徑。2016年3月五盤圍棋人機(jī)大戰(zhàn)的焦點(diǎn)席卷全球，影響不限于圍棋界與科技界，直接引爆第二次AI熱潮。

圍棋理論局面為3的361次方種，考慮合規(guī)性，普林斯頓的研究人員算出了僅200為數(shù)字長度(具體數(shù)據(jù)記不住了)的合規(guī)局面遠(yuǎn)高于國際象棋。

早期國際象棋人機(jī)博弈被認(rèn)為是較為成功的，典型案例是深藍(lán)與國際大師的對弈。象棋和圍棋每局的步數(shù)選擇有很多，搜索樹極大，通常用損益評估代替搜索。然而博弈的搜索太復(fù)雜，評估函數(shù)也很難建立。

這次圍棋AI方法主要突破有三點(diǎn)：(1)發(fā)明了“蒙特卡羅樹形搜索”(MCTS)；(2)將策略網(wǎng)絡(luò)與價(jià)值網(wǎng)絡(luò)層數(shù)大量提高，達(dá)到30-40層，甚至更多，這需要高性能計(jì)算；(3)引入哈薩比斯想法：“機(jī)器通過自己玩游戲強(qiáng)化學(xué)習(xí)，能夠超過人類。”，使用機(jī)-機(jī)間對抗性學(xué)習(xí)(AdversarialLearning)以發(fā)現(xiàn)AI算法弱點(diǎn)。

圍棋AI仍然是弱人工智能，只能機(jī)械執(zhí)行算法，不具備思考和理解力能力。但這次圍棋AI熱潮給我們帶來AI的兩點(diǎn)啟示：(1)計(jì)算能力是AI發(fā)展的一個(gè)重要基礎(chǔ)；(2)哈薩比斯想法是機(jī)器在弱AI階段有可能勝出人類的一種途徑。

規(guī)則發(fā)現(xiàn)規(guī)則是一種知識形態(tài)，規(guī)則可以是先驗(yàn)也可以是后驗(yàn)，規(guī)則可以由函數(shù)或一組約定構(gòu)成，規(guī)則受到約束條件限制。規(guī)則通常可推演、可重復(fù)使用。在AI中規(guī)則使用比比皆是，如推理機(jī)就是使用一組規(guī)則通過推演達(dá)到求解，前面討論的機(jī)器證明就是基于規(guī)則的。發(fā)現(xiàn)規(guī)則是AI追求的一個(gè)方向，但到目前AI還不能發(fā)現(xiàn)或者生成規(guī)則。目前AI可以通過聚類、歸納發(fā)現(xiàn)規(guī)律，但規(guī)律與規(guī)則存在較大的差異。規(guī)律是事物的再現(xiàn)，僅反應(yīng)世界存在相似性。即使大數(shù)據(jù)中的成因分析，也是反應(yīng)事物間的某種關(guān)系或同步，而不是關(guān)聯(lián)，即不能發(fā)現(xiàn)因果關(guān)系。規(guī)則是一種理性描述，刻畫一種客觀實(shí)在的內(nèi)在規(guī)范，規(guī)則和其應(yīng)用(表象)間(至少)存在因果關(guān)系，規(guī)則是可證偽的。AI在規(guī)則上有三個(gè)階段，使用規(guī)則，發(fā)現(xiàn)規(guī)則，生成規(guī)則。發(fā)現(xiàn)規(guī)則是目前AI的一個(gè)研究點(diǎn)，其難度在于，如何定義規(guī)則、如何刻畫規(guī)則、如何證偽規(guī)則。目前人類還無法突破這三個(gè)問題。個(gè)人認(rèn)為，有一個(gè)半(偽)發(fā)現(xiàn)方法，將規(guī)律或成因分析通過再驗(yàn)證上升為規(guī)則，但這一過程需要進(jìn)行數(shù)據(jù)特征描述，這是與NLP相逆的過程，有很多難點(diǎn)需要客服。發(fā)現(xiàn)規(guī)則的算法需要在NLP中意圖解析的技術(shù)突破才有可能，估計(jì)還需5-10年的時(shí)間。神經(jīng)網(wǎng)絡(luò)昨天討論AI難以發(fā)現(xiàn)和產(chǎn)生規(guī)則，這是由于人的思維還沒有辦法用形式描述。白盒系統(tǒng)目前不能描述規(guī)則，那么灰盒是否可以感知規(guī)則并使用？AI發(fā)展過程中，神經(jīng)網(wǎng)絡(luò)(NN)可以解決這一問題。

神經(jīng)網(wǎng)絡(luò)起源于腦神經(jīng)元學(xué)說，由Waldeger等人創(chuàng)建，采用神經(jīng)元之間的連接及其強(qiáng)度來記憶信息，該方式的兩個(gè)基本點(diǎn)是：1.信息通過神經(jīng)元強(qiáng)度(興奮模式)分布存儲神經(jīng)元網(wǎng)絡(luò)；2.信息處理通過神經(jīng)元間作用的動態(tài)過程完成。

腦神經(jīng)具有四個(gè)特征：(1)強(qiáng)自適應(yīng)與自組織。借助神經(jīng)元連接權(quán)重的改變，NN初步具備此能力。(2)泛化能力。NN通過訓(xùn)練形成的模型，可以對未訓(xùn)練集使用模式進(jìn)行預(yù)測或控制，基本基本泛化能力。(3)非線性映射能力。NN通過訓(xùn)練所得模型實(shí)現(xiàn)非線性映射，但不能形成符號(動力學(xué))描述，是一個(gè)黑盒映射。(4)高度并行性。NN目前由于其結(jié)構(gòu)上目前主要針對一個(gè)事物類進(jìn)行模式學(xué)習(xí)，還不具備并行模式。未來可以通過帶開關(guān)控制的聯(lián)合兩層神經(jīng)模型來實(shí)現(xiàn)并行，第一層為模型選擇層，第二層為神經(jīng)模型集合。這一研究中開關(guān)系統(tǒng)和第一層學(xué)習(xí)規(guī)則如何設(shè)計(jì)是研究關(guān)鍵。

現(xiàn)在，NN已成為一個(gè)專門的技術(shù)領(lǐng)域，人們從醫(yī)學(xué)、生物學(xué)、生理學(xué)、哲學(xué)、信息學(xué)、計(jì)算機(jī)科學(xué)、認(rèn)知學(xué)、組織協(xié)同學(xué)等各個(gè)角度來研究NN，形成了各種各樣的NN，并進(jìn)行廣泛應(yīng)用，如深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等均使用了NN技術(shù)。

NN主要研究有如下幾個(gè)方面：(1)生物原型研究。從生理學(xué)、心理學(xué)、解剖學(xué)、腦科學(xué)、病理學(xué)等生物科學(xué)方面研究神經(jīng)細(xì)胞、神經(jīng)網(wǎng)絡(luò)、神經(jīng)系統(tǒng)的生物原型結(jié)構(gòu)及其功能機(jī)理。(2)建立理論模型。建立各種學(xué)科(應(yīng)用領(lǐng)域)的基本模型，如概念模型、知識模型、物理化學(xué)模型、數(shù)學(xué)模型、學(xué)習(xí)模型等。(3)網(wǎng)絡(luò)模型與算法研究。是技術(shù)模型研究，研究內(nèi)容為針對具體問題構(gòu)建具體神經(jīng)網(wǎng)絡(luò)模型和相應(yīng)算法(主要設(shè)計(jì)：網(wǎng)絡(luò)結(jié)構(gòu)、權(quán)重、連接函數(shù)、學(xué)習(xí)模式、評價(jià)函數(shù)等)；(4)應(yīng)用系統(tǒng)研究。針對工程問題，研究人工神經(jīng)網(wǎng)絡(luò)使用方法，如人臉識別、機(jī)器人、推薦系統(tǒng)等。

NN是一種方法，由此為核心的AI目前仍處于弱AI階段，在知識發(fā)現(xiàn)上是一種灰箱或黑箱系統(tǒng)，還無法形成符合化知識體系。NLP自然語言處理（NLP,NaturalLanguageProcessing）是研究計(jì)算機(jī)理解和生成人類語言的應(yīng)用科學(xué)。NLP融語言學(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)于一體的學(xué)科。1954年，IBM和喬治城大學(xué)聯(lián)合Georgetown–IBMExperiment課題，使用計(jì)算機(jī)自動將60個(gè)俄語文本翻譯成英語，開始了人類NLP研究。

最早NLP的思路是：對詞匯列表遍歷。現(xiàn)在NLP的理解方向研究基礎(chǔ)詞法、句法等語法理解，上下文、情感等語義理解。生成方向研究生成可理解的語句和文章?，F(xiàn)在，NLP技術(shù)使用大數(shù)據(jù)、知識圖譜、機(jī)器學(xué)習(xí)、語言學(xué)等技術(shù)和文法、句法、篇章、情感描述等資源。

NLP的研究內(nèi)容包括：機(jī)器翻譯、自動文摘、信息檢索、文檔分類、問答系統(tǒng)、信息過濾、信息抽取、文本挖掘、輿情分析、隱喻計(jì)算、文字編輯和自動校對、語音識別、文語轉(zhuǎn)換、語音身份辨識等。上述研究在不同程度得到發(fā)展，并逐步得到應(yīng)用。

目前NLP還在進(jìn)行技術(shù)和資料積累階段，語義歧義辨識、情感語義、語言DNA等是NLP的有待進(jìn)一步突破的研究點(diǎn)。計(jì)算能力是NLP瓶頸，無聯(lián)合(網(wǎng)絡(luò))計(jì)算時(shí)，單一終端的NLP能力并不理想。因此，NLP的單節(jié)點(diǎn)計(jì)算、模式分析、資料壓縮等方面有待進(jìn)一步發(fā)展。

NLP在未來幾年將得到長足發(fā)展，在機(jī)器翻譯、語音識別、自動文摘、問答系統(tǒng)等方面不久將會在生活中得到廣泛應(yīng)用。腦機(jī)接口AI的一個(gè)發(fā)展方向是人機(jī)合一，其核心就是腦機(jī)接口（Brain-ComputerInterface，BCI），BCI是在生物腦與電子設(shè)備之間建立信息通路，這種通路可以實(shí)現(xiàn)生物腦與設(shè)備間的信息理解和執(zhí)行，是一種全新通訊和控制技術(shù)。典型BCI主要包含4個(gè)組成部分：信號采集部分、信號處理部分、控制設(shè)備部分和反饋環(huán)節(jié)。

BCI有三種模式：非侵入式（腦外）、侵入式和半侵入式。1990年起杜克大學(xué)開始研究入侵式'BCI，將數(shù)百個(gè)稱為微細(xì)線(microwires)的傳感器植入大鼠和猴子的大腦，用來探測額葉和頂葉皮層中神經(jīng)元的微電信號。目前采用以EEG為基礎(chǔ)的腦電圖采集和分析方法采集信號。非侵入式在信號獲取方面得到了發(fā)展，在信號輸入方面仍待研究，這一研究需要在誘發(fā)式腦電信號進(jìn)行研究和融合。

目前BCI在實(shí)驗(yàn)室取得了可喜的成績2018年BrainGate聯(lián)盟使得三名癱患者利用“意念”自主操作平板電腦。2019年加州大學(xué)舊金山分校（UCSF）的腦機(jī)接口技術(shù)研究團(tuán)隊(duì)從大腦活動中提取人類說出某個(gè)詞匯的深層含義，并將提取內(nèi)容迅速轉(zhuǎn)換成文本。

BCI涉及計(jì)算機(jī)科學(xué)、神經(jīng)科學(xué)、心理認(rèn)知科學(xué)、生物醫(yī)學(xué)工程、數(shù)學(xué)、信號處理、臨床醫(yī)學(xué)、自動控制等多個(gè)領(lǐng)域。有大量的問題需要研究：

1)生物神經(jīng)元間電信號的信息解析和傳輸

2)腦神經(jīng)控制機(jī)制和神經(jīng)簇對于肌體動作關(guān)系

3)腦機(jī)間信號IO模式、信息正確性和腦電誘發(fā)模式等

4)數(shù)量龐大且復(fù)雜的腦神經(jīng)元的目標(biāo)捕獲方式

5)外邊信號引發(fā)的腦信號的干擾過濾

6)單位時(shí)間腦處理信息量準(zhǔn)確估算及其匹配腦機(jī)設(shè)備的信息通量是否匹配

7)腦神經(jīng)控制基本指令集及其組合量的估算及其基礎(chǔ)指令的精準(zhǔn)識別

8)對應(yīng)與(6/7)的信息獲取、處理和轉(zhuǎn)換的速度

9)腦反饋刺激模式和非侵入式信息獲取設(shè)備研究

10)針對個(gè)體腦的設(shè)備自適應(yīng)性

11)對BCI系統(tǒng)性能的評價(jià)方法和機(jī)制機(jī)器感知機(jī)器感知(MachinePerception或MachineCognition)也稱機(jī)器認(rèn)知(MachineRecognition)是研究如何通過機(jī)器感知世界各種屬性，是人的感知和認(rèn)知能力的延伸。在AI演化過程中對AI能力提升起到關(guān)鍵作用。通過化學(xué)、物理傳感器、邊緣計(jì)算、知識庫、通訊設(shè)備等構(gòu)成感知裝置，研究包括：機(jī)器視覺、機(jī)器聽覺、機(jī)器觸覺、機(jī)器嗅覺、機(jī)器味覺等。常見研究有：計(jì)算機(jī)視覺(ComputerVision)、模式(文字/圖像/聲音/物體/行為)識別(PatternRecognition)、電子鼻、智能傳感器、智能儀表、人造耳等。

機(jī)器感知是AI設(shè)備的自動輸入單元，可以采集外部世界的信息，形成AI設(shè)備的反饋系統(tǒng)。機(jī)器感知研究主要集中在對客觀物質(zhì)的特征屬性認(rèn)知、獲取和理解。一些研究稱機(jī)器感知問題已解決，這是錯(cuò)誤的解讀，單一智能傳感器是有所發(fā)展，但就感知而言有很多問題沒有得到解決。機(jī)器感知的最大難點(diǎn)在于如何選擇刻畫客觀物質(zhì)的特征屬性，這是對客觀世界的認(rèn)知問題。如可以分辨兩個(gè)相似的人，可以辨識不同年齡的同一個(gè)人，這種感知依據(jù)的特征屬性是否可以清晰地形式化描述？現(xiàn)在人像識別通常還是使用NN來解決，是一個(gè)灰箱方法。這一方法現(xiàn)在還不能很好解決刑偵學(xué)上關(guān)于人像識別的一些問題。在實(shí)際中還有很多感知有待解決的問題，如環(huán)保中的異味檢測、安全中的爆炸物檢測等，目前就沒有很好的電子鼻，但這些人、狗可以感知。

機(jī)器感知可以研究的問題很多，簡單列舉一些：(1)如何發(fā)現(xiàn)可刻畫事務(wù)的特征屬性；(2)刻畫事務(wù)的特征屬性值可自動采集的設(shè)備/儀器/傳感器；(3)智能感知單元微型化；(4)針對工程問題如何將感知單元組成機(jī)器視覺、機(jī)器聽覺、機(jī)器觸覺、機(jī)器嗅覺、機(jī)器味覺等；(5)復(fù)雜事務(wù)的特征分解、特征刻畫、特征重組和理解；(6)事物相似性辨識；(7)認(rèn)知補(bǔ)償和延伸的機(jī)器實(shí)現(xiàn)；(8)基于反饋和記憶的機(jī)器感知機(jī)制；(9)基于先驗(yàn)和記憶的機(jī)器感知機(jī)制；(10)是否存在通用機(jī)器感知設(shè)備等。

機(jī)器感知技術(shù)的突破將引發(fā)AI在工程應(yīng)用上革命。機(jī)器人這可能是大家最熟悉的AI概念，記得30多年前看美國科幻片《未來世界》，當(dāng)時(shí)被其中仿真機(jī)器人所震撼。其實(shí)自古以來人們就追求用機(jī)器代替人，人類科技也沿著這個(gè)軌道再發(fā)展，工具、機(jī)器、智能機(jī)械、仿生設(shè)備、機(jī)器人等等就是其發(fā)展過程。機(jī)器人是機(jī)電技術(shù)、控制技術(shù)、傳感計(jì)算、AI等技術(shù)的融合技術(shù)。

機(jī)器人的研究在控制論提出后，就得到普遍發(fā)展，要早于AI概念的提出，并隨每次技術(shù)革新在不斷發(fā)展。AI賦予了機(jī)器人技術(shù)“智能化”含義，讓機(jī)器人從原來的機(jī)械指令執(zhí)行先集群協(xié)作和自主辨識選擇執(zhí)行發(fā)展。

機(jī)器人的發(fā)展水平成為檢驗(yàn)AI技術(shù)發(fā)展的應(yīng)用之一，包括機(jī)器感知、機(jī)器交流(NLP)、邏輯機(jī)構(gòu)、動作控制、風(fēng)險(xiǎn)控制等AI研究領(lǐng)域。

機(jī)器人是一個(gè)廣義的概率，機(jī)器人研究包括：工業(yè)機(jī)器人、娛樂機(jī)器人、家居機(jī)器人、自動翻譯機(jī)、無人裝備等，目前可接受的機(jī)器人的定義為：具備一定的邏輯判斷能力，靠自身動力和控制能力來實(shí)現(xiàn)各種功能的一種機(jī)器。

隨著AI的發(fā)展，人們對機(jī)器人的認(rèn)知也在不斷發(fā)展，如現(xiàn)在將智能化應(yīng)答程序、具備自我分析能力的程序等也成為機(jī)器人，如編輯機(jī)器人。

目前就AI領(lǐng)域，機(jī)器人的主要研究內(nèi)容為：(1)機(jī)器感知和認(rèn)知；(2)智能化實(shí)時(shí)傳感器和傳動系統(tǒng)；(3)模式識別和模式理解；(4)干擾辨識和處理系統(tǒng)(如避障)；(5)損益評價(jià)和決策控制機(jī)制；(6)機(jī)器人倫理(道德)理論體系；(7)自主故障修復(fù)和動力補(bǔ)充；(8)自我組裝和自我仿制等。

機(jī)器人技術(shù)將伴隨AI的發(fā)展發(fā)展，機(jī)器人要成為類人類，需要做到如下突破：(1)類人類的意識生成；(2)高性能微型化中心處理設(shè)備；(3)通用型類人類神經(jīng)系統(tǒng)，具備自我學(xué)習(xí)和記憶能力；(4)遺忘和知識重組能力(雖然遺忘在生理機(jī)制和用途人類還沒有掌握，但可以確定遺忘對人類知識積累、應(yīng)用具有一定的積極意義)。仿生仿生學(xué)(Bionics)是研究生命現(xiàn)象與機(jī)械原理相結(jié)合的一門學(xué)科，是控制論的衍生學(xué)科，主要機(jī)電方式解釋和再現(xiàn)生命現(xiàn)象。仿生學(xué)的研究對象包括所有的生物體，包括人類、動植物、細(xì)菌等。

仿生學(xué)自古就有，魯班造鋸就是功能仿生?，F(xiàn)代仿生學(xué)始于1960年。仿生學(xué)涉及數(shù)學(xué)、生物學(xué)、電子學(xué)、物理學(xué)、控制論、信息論、人機(jī)學(xué)、心理學(xué)、材料學(xué)、機(jī)械學(xué)、動力學(xué)、工程學(xué)、經(jīng)濟(jì)學(xué)、色彩學(xué)、美學(xué)、傳播學(xué)、倫理學(xué)等眾多學(xué)科。包括形態(tài)仿生、結(jié)構(gòu)仿生、功能仿生、色彩仿生、組織仿生等。

AI的發(fā)展，勢必與仿生學(xué)相伴而行，AI從仿生中習(xí)得方法并通過仿生進(jìn)行方法驗(yàn)證。AI也推動仿生學(xué)的發(fā)展，如最近在仿真飛行器上的突破。

隨著AI的發(fā)展，AI將人類智能研究向整個(gè)生物界發(fā)展，如仿生生物集群的來解決優(yōu)化問題，如蟻群算法等。同時(shí)，將仿生與機(jī)器人技術(shù)結(jié)合，研究AI智能裝置，如機(jī)器狗等。仿生學(xué)的研究會給AI發(fā)展提供豐富的指導(dǎo)，如高敏感傳感器、能源使用優(yōu)化、組織行為優(yōu)化等。

仿生與AI結(jié)合的研究點(diǎn)很廣泛，如下列應(yīng)用：(1)優(yōu)化模式，如組織優(yōu)化、能耗優(yōu)化、保護(hù)優(yōu)化等；(2)進(jìn)化模式，如遺傳和變異、形態(tài)進(jìn)化、群體學(xué)習(xí)等；(3)感知模式，如電子鼻、復(fù)眼、超聲識別等；(4)AI算法在仿生設(shè)備中應(yīng)用等。

數(shù)字孿生《介紹、插入》一.什么是數(shù)字孿生

數(shù)字孿生(DigitalTwin,DT)目前沒有嚴(yán)格定義，一般認(rèn)為“創(chuàng)建一個(gè)真實(shí)系統(tǒng)的虛擬副本，從而為我們提供一個(gè)平臺來回顧真實(shí)系統(tǒng)中不同決策的活動、交互和結(jié)果”。DT可以認(rèn)為是一種社會工具，DT可以描述為：對構(gòu)建真實(shí)世界(主體)的數(shù)字副本，該副本與主體以數(shù)學(xué)概念上的同態(tài)形式存在，以通過對副本的行為來理解和控制主體行為為目的的系統(tǒng)。

數(shù)字孿生的主要目的是通過副本來認(rèn)知和改造主體。

目前系統(tǒng)介紹DT的書籍和資料不多，有興趣可以讀一下spring出版的“MaryamFarsi?AlirezaDaneshkhah?AminHosseinian-Far?HamidJahankhaniEditors,DigitalTwinTechnologiesandSmartCities,SpringerNatureSwitzerlandAG2020”二.數(shù)字孿生的核心

從數(shù)學(xué)角度講DT的核心是副本和主體的同態(tài)，從物理角度講DT是一組鏡像，從生物學(xué)講DT是仿生或克隆。

DT的技術(shù)基礎(chǔ)：通訊、傳感、控制、分析、可視化。目前的技術(shù)發(fā)展已為DT發(fā)展做好了儲備，5G解決高性能同步通訊問題、智能傳感器和邊緣技術(shù)實(shí)現(xiàn)感知、智能控制理論實(shí)現(xiàn)自適應(yīng)和自洽控制、大數(shù)據(jù)實(shí)現(xiàn)分析、VR/AR/MR實(shí)現(xiàn)可視化。

DT的價(jià)值核心是通過副本可以進(jìn)行實(shí)現(xiàn)對主體不能進(jìn)行的行為，通過這種行為可以快速可靠獲取實(shí)現(xiàn)對主體期望目標(biāo)的可行方案和方案，安全有效地改造主體。

三.數(shù)字孿生可以做什么

DT目前在工業(yè)制造、決策系統(tǒng)得到應(yīng)用。理論上講DT可以應(yīng)用于各個(gè)行業(yè)，包括科學(xué)研究、工程實(shí)踐和社會人文研究。DT主要應(yīng)用于需要對主體進(jìn)行實(shí)驗(yàn)性、破壞性、驗(yàn)證性、改造性、嘗試性等的認(rèn)知和改造的所有場合。

進(jìn)一步，主體可以是人們通過思維構(gòu)建出的實(shí)體或者是虛擬實(shí)體。機(jī)器互為博弈就是一種DT思維，如AlphaGo通過自我下棋學(xué)習(xí)圍棋。四.數(shù)字孿生的研究重點(diǎn)

DT的研究重點(diǎn)：

1.副本與主體屬性的同態(tài)感知，需要解決感知裝置和感知數(shù)據(jù)融合問題。該研究與IoT有密切聯(lián)系。

2.副本與主體的屬性同步，需要研究同步通訊和實(shí)時(shí)形態(tài)重構(gòu)。該研究與5G通訊和邊緣計(jì)算有密切聯(lián)系。

3.復(fù)雜屬性關(guān)系間的影響模型，是一個(gè)復(fù)雜系統(tǒng)，計(jì)算能力和計(jì)算方法是關(guān)鍵。該研究與高性能計(jì)算有密切聯(lián)系。

4.元知識庫及其應(yīng)用，針對主體部分和全體組分及其運(yùn)動的知識認(rèn)知和應(yīng)用。該研究與大數(shù)據(jù)有密切聯(lián)系。

5.副本的真實(shí)感構(gòu)建和沉浸式觀測，主要研究如何可視化描述主體。該研究與VR/AR/MR有密切聯(lián)系。五.數(shù)字孿生的產(chǎn)業(yè)特點(diǎn)

1.高技術(shù)集聚行業(yè)

2.定制化程度較高

3.較高不可仿照性

4.較強(qiáng)行業(yè)獨(dú)立性

5.設(shè)備方法產(chǎn)品化

6.以服務(wù)形態(tài)為主

情感計(jì)算情感是一個(gè)主觀概率，由個(gè)體和社會共同意識形成，情感表現(xiàn)具有高度的主觀隨意性、特征模糊性、變化隨機(jī)性。

情感研究最早在上世紀(jì)九十年代開始，稱為感性工程(KanseiEngineering)，即將感性與工程學(xué)結(jié)合，研究如何解釋和應(yīng)用情感，將情感融入到工業(yè)和商業(yè)行為中。研究內(nèi)容包括：情感計(jì)算（AffectiveComputing）、人工心理（ArtificailPsychology）和感性工學(xué)（KanseiEngineering）等，其中情感計(jì)算是研究核心。

對情感計(jì)算的研究大致可以分為情感識別、情感建模和情感反應(yīng)三大部分，這其中情感識別無疑是最基礎(chǔ)，也是最重要的部分。

AI將對人工情感和認(rèn)知作為一個(gè)研究部分，其研究集中在表情識別、表情檢測和跟蹤、表情合成、語義情感識別、肢體語義識別、情感描述和評估等。AI將情感計(jì)算應(yīng)用到機(jī)器人學(xué)、NLP應(yīng)用和行為風(fēng)險(xiǎn)評估中。

情感是在社會共識影響下形成的個(gè)體體驗(yàn)和外在呈現(xiàn)，存在個(gè)體特殊性和環(huán)境干涉性。情感由三部分構(gòu)成：主觀體驗(yàn)、生理喚醒和情緒表現(xiàn)。情感測量是情感研究的基礎(chǔ)，包括對情感維度、表情和生理指標(biāo)三種成分的測量。AI研究中采用多要素融合測量的方式，從視覺識別、生理檢測、語言分析、電腦電反應(yīng)等方面采集數(shù)據(jù)進(jìn)行情感測量。

情感計(jì)算研究主要方向有：⑴情感信息的獲取與建模，如細(xì)致和準(zhǔn)確的情感信息獲取、描述及參數(shù)化建模、海量的情感數(shù)據(jù)資源庫，多特征融合的情感計(jì)算理論模型；⑵情感識別與理解，如多模態(tài)的情感識別和理解；⑶情感表達(dá)，如多模態(tài)的情感表達(dá)、自然場景對生理和行為特征的影響；⑷情感交互和機(jī)器實(shí)現(xiàn)，如輿情中的情感理解、情感機(jī)器人研究。

情感計(jì)算研究難點(diǎn)有如下幾個(gè)方面：(1)情感測量要素和情感度量標(biāo)準(zhǔn)；(2)情感描述和可度量性；(3)個(gè)體和社會環(huán)境對情感喚醒描述和可度量；(4)情感測量設(shè)備的小型化和非介入；(5)情感測量的在線和實(shí)時(shí)；(6)通用情感測量可行性和評估；(7)情感的真?zhèn)涡院涂杀孀R；(8)機(jī)器情感的可刻畫和呈現(xiàn)等。這些研究設(shè)計(jì)心理學(xué)、社會學(xué)、生理學(xué)、神經(jīng)科學(xué)等，是多學(xué)科綜合。

情感計(jì)算對AI將起到重大影響，對情感計(jì)算的突破，將接近意識的認(rèn)知。工具進(jìn)化據(jù)報(bào)道，人類發(fā)明的工具一直以某種方式在沿革進(jìn)化，這種進(jìn)化以一種不為人知內(nèi)在動力在驅(qū)動，并且進(jìn)化速度在加快。

工具的發(fā)明來源于人類社會需求，這種社會需求一旦產(chǎn)生就構(gòu)成了工具的“生命”，而這種生命隨著人類進(jìn)步在不斷與人類內(nèi)在文化融合和發(fā)展，成為人類社會生命的有機(jī)組成。人類社會在組織分工和知識集聚的基礎(chǔ)上，社會也成為一種有機(jī)體，向集群化、自動化和智能化方向自我演化，這種演化反映在很多方面，工具進(jìn)化就是其中一個(gè)表象。

工具進(jìn)化反映在智能控制、智能材料、智能修復(fù)、智能供能、智能組合等，人工對工具操作的干預(yù)愈來愈少，其自主能力也愈來愈大。工具的進(jìn)化將與工業(yè)機(jī)器人合并逐步出現(xiàn)類人類工具。

AI在工具進(jìn)化進(jìn)程中，也將作為智能發(fā)展的一部分被融入進(jìn)來。當(dāng)泰勒進(jìn)行工藝優(yōu)化時(shí)，工具進(jìn)化就有了AI需求。工具進(jìn)化也成為AI演化的一種標(biāo)志，工具的智能化程度標(biāo)志著AI的研究和應(yīng)用的程度。

AI在工具進(jìn)化中可以起到的(可研究的)的內(nèi)容很多，如下列一些研究：(1)工具的自我檢測和修復(fù)；(2)自動能源管理和補(bǔ)充；(3)場景記憶和作業(yè)優(yōu)化；(4)工具自我組合和聯(lián)盟；(5)耗損分析和工具結(jié)構(gòu)(材料)優(yōu)化；(6)工業(yè)AI組件和規(guī)范等。

AI與大數(shù)據(jù)結(jié)合，可以進(jìn)一步探索和辨析人類社會的需求，并對此進(jìn)行工具的再定義，推動工具的進(jìn)化。

自我創(chuàng)新隨著深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等算法的廣泛應(yīng)用，AI進(jìn)入了一個(gè)新的發(fā)展階段，可以在有大量實(shí)證數(shù)據(jù)的前提下，對既定模型進(jìn)行發(fā)現(xiàn)和優(yōu)化，同時(shí)，博弈游戲中引入機(jī)器自我對抗練習(xí)的理念，目前圍棋等博弈游戲，AI已在既定模型下，AI生成的圍棋模式，專業(yè)旗手對一些已難以理解，但這些模式是有效的，AI已超過人類，具備了一定的創(chuàng)新能力。

AI的這種創(chuàng)新還停留在基于簡單模式的自學(xué)習(xí)基礎(chǔ)上，離開模式AI還不具備創(chuàng)新能力。AI的下一個(gè)發(fā)展是基于復(fù)合(復(fù)雜)模式的創(chuàng)新。這種創(chuàng)新是將多個(gè)模式進(jìn)行有效組合，通過單一模式的自學(xué)習(xí)和優(yōu)化，以及損益函數(shù)找到可行解，逐步優(yōu)化復(fù)合模型，形成新的模式。這一階段，AI研究有如下幾個(gè)方面：(1)復(fù)合模型的原子分解方法；(2)原子模型的自學(xué)習(xí)和自進(jìn)化機(jī)制；(3)模型組合損益評價(jià)和迭代進(jìn)化機(jī)制；(4)原子模型間的平衡控制等。

針對創(chuàng)新而言，人類的定義是不確定的，有改進(jìn)、更新、發(fā)展的含義，其基礎(chǔ)是在一個(gè)已知物質(zhì)的基礎(chǔ)上進(jìn)行改進(jìn)，使得該物資比原有物資更能滿足人類的某種需求。AI創(chuàng)新能力，目前主要依賴由機(jī)器學(xué)習(xí)機(jī)制和機(jī)器自我對抗(一種博弈機(jī)制和損益評價(jià))組合，采用機(jī)器的迭代速度快于自然迭代速度，進(jìn)行創(chuàng)新(進(jìn)化)。而機(jī)器創(chuàng)新需要依賴基礎(chǔ)模型，才能實(shí)現(xiàn)迭代學(xué)習(xí)和進(jìn)化。從這一角度，AI創(chuàng)新有兩個(gè)維度可以發(fā)展：

1.自動建模，即基于大數(shù)據(jù)或公理體系進(jìn)行建模，前者是經(jīng)驗(yàn)?zāi)Ｐ秃笳呤俏锢砟Ｐ?。這是目前AI的主要研究途徑，研究的便利之處在于容易給出既定目標(biāo)，即評價(jià)機(jī)制或損益函數(shù)；不足在于是一種機(jī)械或離散型問題解決方法，泛化能力就差。

2.通用創(chuàng)新方法，即研究人類創(chuàng)新的意識。這一研究目前難以實(shí)現(xiàn)，需要心理學(xué)、協(xié)同學(xué)、社會學(xué)、控制論、博弈論、經(jīng)濟(jì)學(xué)等多學(xué)科合作，這也是目前創(chuàng)造學(xué)進(jìn)展緩慢的原因。TRIZ方法或許可以為這一領(lǐng)域的AI研究提供幫助。

AI創(chuàng)新能力將是繼目前深度學(xué)習(xí)引發(fā)的AI熱潮的下一個(gè)風(fēng)口，這一風(fēng)口的到來的核心是創(chuàng)新方法論或基于枚舉的快速損益評價(jià)機(jī)制的更新。創(chuàng)意不同于創(chuàng)新，創(chuàng)意不是一種改進(jìn)而是創(chuàng)造，為解決或達(dá)到一個(gè)目標(biāo)，基于經(jīng)驗(yàn)和臆想，構(gòu)建一種不同于先驗(yàn)對象的過程。創(chuàng)意更多來自于先驗(yàn)的頓悟和突破，創(chuàng)意不像創(chuàng)新，目前創(chuàng)新的心理學(xué)機(jī)理雖未清晰，但已有一些可用于實(shí)踐的方法體系，如TRIZ，但創(chuàng)意卻是人類一個(gè)完全未知的領(lǐng)域。

目前AI可以實(shí)現(xiàn)簡單創(chuàng)新，但還無法形成創(chuàng)意。一些研究如機(jī)器作畫、機(jī)器作詩等，基本是基于一種模式在模仿或進(jìn)行槽填充，不具有創(chuàng)意的能力。AI如演化到創(chuàng)意階段，可以說AI具備了人的基本意識能力。

創(chuàng)意機(jī)器化的難點(diǎn)在于目前人類還沒有給出創(chuàng)意的形式化描述或定義，即沒有模型。從心理學(xué)角度，機(jī)器創(chuàng)意首先需要能實(shí)現(xiàn)對創(chuàng)意的描述或評價(jià)。因此，研究者要突破如下幾個(gè)問題：(1)什么是創(chuàng)意，即如何描述創(chuàng)意；(2)如何評價(jià)創(chuàng)意，即是否可以給出一組規(guī)則來評估創(chuàng)意結(jié)果；(3)創(chuàng)意與先驗(yàn)的關(guān)系，即創(chuàng)意意識如何突破先驗(yàn)；(4)創(chuàng)意行為的思維方式，即條件、要素、因果、可行等分析的獲取途徑等。

作為AI研究，一直討論的是類人類智能。在機(jī)器創(chuàng)意研究中是否一定要符合人類創(chuàng)意心理學(xué)理論或機(jī)制，這存在很大的不確定性。如同機(jī)器通過自我博弈學(xué)習(xí)圍棋一樣，可以充分發(fā)揮其速度和記憶優(yōu)勢，形成不同于人類思維的決策或行為模式。機(jī)器創(chuàng)意是否也存在這樣的途徑，如有，評價(jià)(損益)機(jī)制將成為研究重點(diǎn)(即上面的第二個(gè)問題)。

機(jī)器創(chuàng)意目前可以想到的幾種初級方式如下：(1)針對一類事物，選擇一組模式，進(jìn)行組合，在組合中選擇一種可行模式，即枚舉(嘗試法)；(2)專家評估學(xué)習(xí)，即通過大量專家對機(jī)器形成的一種模式進(jìn)行評分，機(jī)器通過評分模式習(xí)得人類對模式的趨同認(rèn)知；(3)遷移學(xué)習(xí)，即將一種事物的模式遷移到另一類事物。這一研究需要獲取兩個(gè)事物的可通達(dá)機(jī)制，如各種網(wǎng)絡(luò)可以借助射影幾何的點(diǎn)線互換形成同構(gòu)的理論實(shí)現(xiàn)可通達(dá)。

機(jī)器創(chuàng)意最有希望的突破在如下幾個(gè)研究：(1)機(jī)器作畫；(2)機(jī)器寫作；(3)工業(yè)設(shè)計(jì)等。遺忘“遺忘”是一個(gè)生理現(xiàn)象，與“記憶”相關(guān)，在AI研究中人們似乎或略了這個(gè)概念。NN的研究關(guān)注模式的發(fā)現(xiàn)和記憶，模仿神經(jīng)組織通過神經(jīng)元連接及其加強(qiáng)來記憶和應(yīng)用模式。但在人類發(fā)展中“遺忘”承擔(dān)的角色似乎與AI無關(guān)，但“遺忘”在個(gè)體知識和意識體系中一定有最重要意義，只是人們還沒有理解為什么需要“遺忘”，它的機(jī)理和作用是什么，它與人類腦神經(jīng)使用和未使用的部分有何關(guān)系。

從生物進(jìn)化角度，“遺忘”既然在生物進(jìn)化過程中一種存在，一定存在其意義，這種意義在AI中應(yīng)當(dāng)考慮，這也應(yīng)該是AI演化研究的一個(gè)內(nèi)容。

“遺忘”到底在AI中有哪些作用，個(gè)人認(rèn)為可能存在如下幾個(gè)可以探討的問題：

1.遺忘可以釋放神經(jīng)連接資源，進(jìn)行有限資源回收。此問題比較容易理解，即遺忘為了釋放資源。對于單一個(gè)體或裝置，資源是有限的，可以通過遺忘進(jìn)行資源有效分配。未來，對于AI個(gè)體，在自主多模式環(huán)境下，這是有用的。

2.遺忘可以對模式進(jìn)行重構(gòu)，避免出現(xiàn)先驗(yàn)知識干擾。知識是需要不斷發(fā)展和更新的，一些先驗(yàn)對知識獲取和更新會產(chǎn)生干擾，需要對先驗(yàn)進(jìn)行必要的弱化，這種弱化可以通過“遺忘”來實(shí)現(xiàn)。在AI中，可以對模型的強(qiáng)度記憶進(jìn)行適當(dāng)遺忘，進(jìn)行模型重構(gòu)或再學(xué)習(xí)來進(jìn)化知識。

3.遺忘可以切斷一些知識鏈，形成知識碎片，對這些知識碎片進(jìn)行重組，可能是創(chuàng)新的一種途徑。個(gè)人認(rèn)為人的記憶是一個(gè)個(gè)基礎(chǔ)記憶元，通過連接形成知識，這種連接的可再現(xiàn)程度反映在“記憶”程度上，人們在“遺忘”時(shí)，記憶是逐步減弱的，減弱就是一些連接單元的丟失。在我們希望再現(xiàn)記憶時(shí)，對“遺忘”會通過相似或因果去補(bǔ)充，有些象我們的插值算法，這種補(bǔ)充通過合理性檢驗(yàn)進(jìn)行確認(rèn)，如果合理性可接受，我們認(rèn)為已“回憶”，但往往會與真實(shí)連接存在差異，這種差異會導(dǎo)致新生事物，即一種創(chuàng)新。這種方法可以作為AI自我創(chuàng)新方法的一種研究途徑。

4.遺忘可能是一種結(jié)構(gòu)性整理，形成冷熱知識，需要時(shí)可以再次檢索(回憶)。這一問題有點(diǎn)像大數(shù)據(jù)應(yīng)用中的冷熱數(shù)據(jù)的管理方式，冷數(shù)據(jù)會從在線卸載，進(jìn)入備存，通過檢索系統(tǒng)可以追回，當(dāng)檢索多次更新后這部分會無法檢索，出現(xiàn)永久遺忘。這個(gè)問題可能是AI集聚方法的研究內(nèi)容之一。

上述問題是個(gè)人對“遺忘”的理解，如果這些理解符合邏輯，則在AI研究具有一些借鑒作用。針對上述四個(gè)問題，AI研究可以考慮如下研究：(1)NN連接權(quán)重的遺忘和模式重構(gòu)機(jī)制；(2)主從NN模型，形成具有聯(lián)盟和檢索機(jī)制的NN體系；(3)離散模型的部分重構(gòu)和合理性評價(jià)機(jī)制等。前兩個(gè)問題可以基于HTM系統(tǒng)進(jìn)行改進(jìn)研究，第三個(gè)問題可以基于組態(tài)和知識槽等方法進(jìn)行研究。

“遺忘”科學(xué)理解還有待生物學(xué)、神經(jīng)解剖學(xué)、心理學(xué)等學(xué)科的研究成果，上述觀點(diǎn)僅為個(gè)人觀點(diǎn)供參考。預(yù)測有些研究認(rèn)為人們在處理一些事務(wù)時(shí)，并不是完全依據(jù)模型得到精確結(jié)果再執(zhí)行，而是預(yù)測幾種可能結(jié)果，通過評優(yōu)選擇一種可行結(jié)果執(zhí)行，再校正。這種行為模式是為了提升反應(yīng)能力，以便與事務(wù)變化同步，降低不可預(yù)測風(fēng)險(xiǎn)。這種模式可歸納為：預(yù)測-優(yōu)選-執(zhí)行-校正-預(yù)測。

在AI研究中，尤其在應(yīng)用中，目前主要還是基于模型計(jì)算的執(zhí)行，基于預(yù)測的執(zhí)行案例很少。預(yù)測將是AI研究和應(yīng)用的一個(gè)重要方向。

預(yù)測方法很多，如動力學(xué)模型、時(shí)間(空間)序列、神經(jīng)網(wǎng)絡(luò)、邏輯推理等。AI演化中要研究的不僅僅是預(yù)測方法，更多是如何將預(yù)測與行為進(jìn)行有機(jī)結(jié)合?？蓤?zhí)行而非精確性是AI預(yù)測研究的核心。

AI預(yù)測研究大體有如下幾個(gè)方面：

1.基于數(shù)字驅(qū)動的預(yù)測方法和模型化，即如何通過NN實(shí)現(xiàn)從數(shù)據(jù)中習(xí)的事務(wù)趨勢，并建立模型，或?qū)②厔莨袒．?dāng)然作為AI可以使用即有動力學(xué)或邏輯模型，但針對復(fù)雜系統(tǒng)(事務(wù))先驗(yàn)?zāi)Ｐ秃茈y獲得；

2.“預(yù)測-優(yōu)選-執(zhí)行-校正-預(yù)測”機(jī)制研究?？梢苑纸鉃閹讉€(gè)子問題：(1)事務(wù)原子過程分解；(2)多預(yù)測評估函數(shù)；(3)預(yù)測校正和風(fēng)險(xiǎn)終止策略；(4)多步連續(xù)預(yù)測和預(yù)測樹生成；(5)基于預(yù)測的執(zhí)行機(jī)制和參數(shù)校正等；

3.多維(非結(jié)構(gòu)化)屬性聯(lián)合預(yù)測機(jī)制；

4.預(yù)測同步執(zhí)行和針對風(fēng)險(xiǎn)的保護(hù)機(jī)制。

上述觀點(diǎn)是基于一些研究對人類執(zhí)行心理和生理研究假設(shè)，這些假設(shè)尚未得到嚴(yán)格的科學(xué)證偽，僅作為研究參考。但從人們對事務(wù)的處置而言，一些研究均指向兩種可能：預(yù)測或皮秒(10^-12)級計(jì)算反饋。因此，可以將AI預(yù)測作為一種AI演化形態(tài)來研究。集聚集聚是一個(gè)有趣的現(xiàn)象，其中蘊(yùn)含很多人們還無法了解的機(jī)理，社會學(xué)和哲學(xué)對此均有討論。從長期生態(tài)發(fā)展看，當(dāng)集聚在一定范圍內(nèi)總體效能大于個(gè)體效率之和，在這個(gè)范圍之外，則群體發(fā)展受到抑制。對人類社會和技術(shù)發(fā)展考察，一些資料顯示，由于集聚，人類群體能力進(jìn)化在加劇，反映在技術(shù)進(jìn)步和城鎮(zhèn)化速度上。

集聚表現(xiàn)為一個(gè)群體將共同特征(屬性)進(jìn)行疊加和相互交流，形成協(xié)作產(chǎn)生的結(jié)果。集聚通常表現(xiàn)為“1+1<>1”的特征，當(dāng)屬性間作用方向相同時(shí)集聚對群體形成正反饋(正向集聚)，否則形成負(fù)反饋(負(fù)向集聚)。自然界由于“優(yōu)勝劣汰”原則，正向集聚常常被群體保留下來。在智能分析領(lǐng)域，這一現(xiàn)象早已被認(rèn)知和使用，如蟻群算法、遺傳算法、退火算法等。

集聚在AI演化中扮演重要的角色，數(shù)據(jù)集聚(大數(shù)據(jù))推動了深度學(xué)習(xí)的發(fā)展，出行了第二次AI熱潮。集聚未來將繼續(xù)影響AI的發(fā)展。AI集聚研究可以集中在如下幾個(gè)方面：

1.社會資源和技術(shù)集聚對AI發(fā)展影響，主要表現(xiàn)為：(1)算力集聚，如分布式AI等；(2)通訊集聚，如孿生AI、分步迭代AI等；(3)數(shù)據(jù)集聚，自學(xué)習(xí)AI、數(shù)據(jù)驅(qū)動學(xué)習(xí)等；(4)實(shí)驗(yàn)集聚，仿生AI等；

2.AI模型集聚加快AI發(fā)展，主要變現(xiàn)為：復(fù)合AI模型、超級AI模型、多模態(tài)AI應(yīng)用等；

3.基于集聚思維的AI自我發(fā)展，主要表現(xiàn)為：AI自我博弈和模型固化；AI模型檢測和自我優(yōu)化等；

4.基于集聚進(jìn)化的AI生態(tài)系統(tǒng)形成；

5.基于集聚的AI多面性重組和組態(tài)形成，進(jìn)而推動AI設(shè)備的組件化和微型化等等。

集聚不是簡單的個(gè)體累加，是個(gè)體間進(jìn)行交互和趨同的過程，因此，AI集聚需要構(gòu)建一個(gè)群體協(xié)議和評價(jià)機(jī)制，這方面的研究可以借助智能體(agent)的一些研究成果。

集聚是AI演化中一個(gè)重要的也是必然的過程，AI集聚標(biāo)志群體智能的出現(xiàn)。人工生態(tài)系統(tǒng)

AI人工生態(tài)系統(tǒng)是AI發(fā)展的高級階段，是繼AI集聚之后的下一個(gè)階段，AI生態(tài)系統(tǒng)是具備自我進(jìn)化的系統(tǒng)。

生態(tài)系統(tǒng)具備社會性、易變性、開放性、目的性。傳統(tǒng)的人工生態(tài)系統(tǒng)是指經(jīng)過人類干預(yù)和改造后形成的生態(tài)系統(tǒng)，該系統(tǒng)決定于人類活動、自然生態(tài)和社會經(jīng)濟(jì)條件的良性循環(huán)。AI人工生態(tài)系統(tǒng)是AI設(shè)備或個(gè)體與人類構(gòu)成和諧系統(tǒng)，共同面對生態(tài)環(huán)境，形成人機(jī)共生的社會系統(tǒng)。

AI人工生態(tài)系統(tǒng)目前研究的方向還是集中在AI的傳統(tǒng)人工生態(tài)系統(tǒng)應(yīng)用中，屬于智能生態(tài)范疇。AI人工生態(tài)系統(tǒng)主要研究AI與人類、AI與環(huán)境的和諧共處。研究內(nèi)容大概有如下幾個(gè)方面：

1.AI道德(倫理)理論體系研究，即AI設(shè)備或個(gè)體應(yīng)該遵循的基礎(chǔ)社會準(zhǔn)則。目前提出的機(jī)器人基本三原則就是屬于此。

2.AI與人類的糾紛處理原則，屬于法律層面。目前關(guān)于無人駕駛方面已開始相關(guān)研究；

3.AI自我繁殖(自我制造)的限制原則，目前在此領(lǐng)域沒有研究，但軟件機(jī)器人在一些領(lǐng)域已出現(xiàn)危害傾向，如一些信息安全分析機(jī)器人在運(yùn)行中出現(xiàn)病毒式繁殖傾向，存在風(fēng)險(xiǎn)；

4.AI設(shè)備/個(gè)體的風(fēng)險(xiǎn)防控和處置機(jī)制和技術(shù)；

5.AI行為模式和群體模式分析和公開機(jī)制；

6.AI對環(huán)境行為的備案和審核機(jī)制；

7.AI資源分配和仲裁機(jī)制；

8.AI個(gè)體/設(shè)備的安全/風(fēng)險(xiǎn)檢測評估技術(shù)等。

AI人工生態(tài)系統(tǒng)階段尚未來到，并且還有很長的一段發(fā)展時(shí)間。但AI技術(shù)已逐步與人類進(jìn)行深入的接觸，如無人駕駛、AI教學(xué)、AI輿情/新聞編輯、AI家政、AI能源控制、安防機(jī)器人等，這些技術(shù)已逐步應(yīng)用，如果不進(jìn)行先期的預(yù)防，可能一些研究者會根據(jù)各種原因在AI程序中植入惡意代碼，形成安全隱患。AI基礎(chǔ)技術(shù)傳感網(wǎng)絡(luò)傳感器是AI獲取基礎(chǔ)外部信息的工具之一，通過傳感器AI個(gè)體可以感知客觀世界，并對客觀世界做出反映。傳感器是通過物理或化學(xué)方法測量或感知客觀世界一個(gè)或一組特征值的裝置。傳感器可以采用模擬和數(shù)字方式獲取目標(biāo)對象特征數(shù)據(jù)，并通過通訊機(jī)構(gòu)將信息提供給使用者。AI是依據(jù)傳感器獲取的數(shù)據(jù)執(zhí)行動作和行為。AI要求傳感器能夠?qū)崟r(shí)、精確、穩(wěn)定提供在線信息。針對復(fù)雜行為，AI需要多種信息，這需要傳感器網(wǎng)絡(luò)來實(shí)現(xiàn)。針對傳感網(wǎng)絡(luò)，需要由幾個(gè)部分組成：傳感器、數(shù)模轉(zhuǎn)換、容錯(cuò)、信號匯聚和融合、通訊。AI研究中會涉及各種傳感器，包括視覺、溫度、濕度、速度、位置、壓力等，AI個(gè)體不同，傳感器的類型和數(shù)量存在較大的差別。針對傳感網(wǎng)絡(luò)，AI研究有如下幾個(gè)關(guān)注點(diǎn)：1.數(shù)字傳感網(wǎng)絡(luò)構(gòu)架。主要研究內(nèi)容為：傳感器選型、模數(shù)轉(zhuǎn)換和容錯(cuò)、傳感器部署和優(yōu)化、網(wǎng)絡(luò)魯棒性和安全性、網(wǎng)絡(luò)通訊和延遲等；2.特征傳感器。主要研發(fā)針對AI行為所需外邊數(shù)據(jù)的采集方法和特殊對象的采集設(shè)備，如嗅覺傳感、觸覺傳感等；3.傳感器的小型化、微型化技術(shù)、模組化、芯片化；4.傳感網(wǎng)絡(luò)安全技術(shù)，主要研究內(nèi)容包括：網(wǎng)絡(luò)可靠性、通訊可靠性、抗攻擊和篡改、隱私保護(hù)等；5.鑒于AI使用的特殊性，傳感網(wǎng)絡(luò)還存在倫理安全的研究；6.生物傳感器、納米傳感器和可植入傳感器是重要的研究方向；7.高溫、高壓、高寒、高磁、高輻射、高腐蝕等環(huán)境下的傳感器研發(fā)。AI傳感網(wǎng)絡(luò)的探究是IOT研究的一部分。智能器件智能器件是指具有記憶、或計(jì)算、或自適應(yīng)等能力的設(shè)備、材料等。智能器件是一門新興的學(xué)科，為AI提供基礎(chǔ)材料、元器件、構(gòu)件等。AI主要涉及三類智能器件：1.智能終端：以智能傳感器和智能控制器位置，這些器件具有記憶、計(jì)算、通訊等能力；2.智能元器件：以具有智能算法為核心的電子元器件或集成電路，這些元器件或具備計(jì)算能力、或AI基礎(chǔ)功能，如AI芯片、視頻分析芯片、語音分析芯片等；3.智能材料：以基本記憶性為主的材料。AI智能器件主要研究內(nèi)容有：1.以邊緣計(jì)算或云交換計(jì)算為基礎(chǔ)的器件，包括數(shù)據(jù)交互、算法、通訊等；2.智能算法嵌入式研究；3.各種通訊的應(yīng)用，包括通訊可靠性、自組通訊等；4.智能化數(shù)字傳感器；5.AI芯片；6.具備記憶或自修復(fù)或特殊物理特征的智能材料及其應(yīng)用研發(fā)；7.智能控制器件研發(fā)；8.小