人工智能論文范文

導語：如何才能寫好一篇人工智能論文，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

截至目前，古典控制方法一直都無法被人工智能控制技術所取代。但是隨著時代的進步和發展，現代控制理論也日臻完善，人工智能軟件技術(包括遺傳算法、模糊神經網絡、模糊控制以及人工神經網絡等)逐漸取代了傳統的控制器設計常規技術。這些方法有著許多的共同之處:都要具備不同類型和數量的描述特性和系統的“apriori”技術。這些方法都有著顯著的優勢，所以工業界都做出了不斷的嘗試，旨在進一步開發和使用這類方法，但是工業界又急于開發該系統，從而使其性能更加優異，系統更加簡單、易操作。直流傳動的控制程序較為簡單，在過去得到了較為廣泛的應用。但是不可忽視的是，它們有著難以克服的限制性因素，而且隨著DSP技術的不斷進步和發展，直流傳動的優勢逐漸隱沒，性能更高的交流傳動逐漸取代了直流傳動。但近幾年，部分廠商逐漸改良工藝，更高性能的直流驅動產品涌入市場，但是人工智能技術卻鮮少提及。在未來幾年，使用人工智能的直流傳動技術將在更大范圍內得到推廣和普及。

交流傳動瞬態轉矩具備較高的使用性能，它有著較強的控制性，僅次于直流電機。目前，直接轉矩控制(DTC)和矢量控制(VC)是比較常見的高性能交流傳動控制方法。當前，不少廠商都順應市場形勢，相繼推出了矢量控制交流傳動產品，而且無速度傳感器的矢量控制產品也大量上市。在性能較高的驅動產品中廣泛使用AI技術，將會進一步提高產品的使用性能，截至目前，僅有兩個廠家在其生產的產品中運用人工智能(AI)控制器。而在十五年前，日本和德國的研究人員提出了直接轉矩控制這一概念，經過了十年的發展演變過程，ABB公司面向市場，將直接轉矩控制的傳動產品引入市場，讓人們能夠直接感受直接轉矩控制的優勢，從而開展相關的研究。可以預見，人工智能技術將會運用到直接轉矩控制中，常規的電機數學模型將會被替代，從而退出市場。

人工智能控制器主要分三種類型，即:增強學習型、非監督型和監督型。當前，常規的監督學習型神經網絡控制器的學習算法和拓撲結構已基本成型，這在一定程度上限制了此種結構控制器的生產和使用，導致計算機計算時間增長，而且常規非人工智能學習算法在具體應用上效果不明顯。而要克服這些困難，最好的辦法就是采用試探法和適應神經網絡。常規模糊控制器的模糊規則表和規則初值是“a－priori”型，這加劇了調整難度。假若該系統無有效的“a－priori”信息作為支撐，那么將導致系統陷入癱瘓。而要有效克服此類缺陷和困難，就可以運用自適應模糊神經控制器，保證系統的正常運轉。

二、電力系統中的智能控制

當前，世界各地的專家和學者都將眼光聚焦于智能控制理論的研究，研究表明，只要合理運用智能系統，就能在很大程度上提高電力系統控制水平，推動我國電力傳動系統步入新的階段。市面上廣泛使用的交直流傳動系統在控制技術和手段上已日臻成熟，閉環控制、矢量控制都有著較好的運用前景。PID控制法作為最新的控制方法，能較好地完成數學建模需承擔的控制任務，但是在具體實踐中，電力傳動系統表現出較強的不穩定性，隨工作狀態的變化，電機參數也不斷變化著，這加劇了傳統建模控制的難度。

篇2

關鍵詞：人工智能計算機技術

一、人工智能的定義

“人工智能”(ArtificialIntelligence)一詞最初是在1956年Dartmouth學會上提出的。人工智能是指研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器。目前能夠用來研究人工智能的主要物質手段以及能夠實現人工智能技術的機器就是計算機，人工智能的發展歷史是和計算機科學與技術的發展史聯系在一起的。

人工智能理論進入21世紀，正醞釀著新的突破，人工智能的研究成果將能夠創造出更多更高級的智能“制品”，并使之在越來越多的領域超越人類智能，人工智能將為發展國民經濟和改善人類生活做出更大貢獻。

二、人工智能的應用領域

1.在管理系統中的應用

(1)人工智能應用于企業管理的意義主要不在于提高效率，而是用計算機實現人們非常需要做，但工業工程信息技術是靠人工卻做不了或是很難做到的事情。在《談談人工智能在企業管理中的應用》一文中劉玉然指出把人工智能應用于企業管理中，以數據管理和處理為中心，圍繞企業的核心業務和主導流程建立若干個主題數據庫，而所有的應用系統應該圍繞主題數據庫來建立和運行。換句話說，就是將企業各部門的數據進行統一集成管理，搭建人工智能的應用平臺，使之成為企業管理與決策中的關鍵因子。

(2)智能教學系統(ITS)是人工智能與教育結合的主要形式，也是今后教學系統的發展方向。信息技術的飛速發展以及新的教學系統開發模式的提出和不斷完善，推動人們綜合運用超媒體技術、網絡基礎和人工智能技術區開發新的教學系統，計算機智能教學系統就是其中的典型代表。計算機智能教學系統包含學生模塊、教師模塊，體現了教學系統開發的全部內容，擁有著不可比擬的優勢和極大的吸引力。

2.在工程領域的應用

(1)醫學專家系統是人工智能和專家系統理論和技術在醫學領域的重要應用，具有極大的科研和應用價值，它可以幫助醫生解決復雜的醫學問題，作為醫生診斷、治療的輔助工具。事實上，早在1982年，美國匹茲堡大學的Miller就發表了著名的作為內科醫生咨詢的Internist2Ⅰ內科計算機輔助診斷系統的研究成果，由此，掀起了醫學智能系統開發與應用的。目前，醫學智能系統已通過其在醫學影像方面的重要作用，從而應用于內科、骨科等多個醫學領域中，并在不斷發展完善中。

(2)地質勘探、石油化工等領域是人工智能的主要作用發揮領地。1978年美國斯坦福國際研究所就研發制成礦藏勘探和評價專家系統“PROSPECTOR”，該系統用于勘探評價、區域資源估值和鉆井井位選擇等，是工業領域的首個人工智能專家系統，其發現了一個鉬礦沉積，價值超過1億美元。

3.在技術研究中的應用

(1)在超聲無損檢測(NDT)與無損評價(NDE)領域中，目前主要廣泛采用專家系統方法對超聲損傷(UT)中缺陷的性質、形狀和大小進行判斷和歸類；專家運用超聲無損檢測儀器，以其高精度的運算、控制和邏輯判斷力代替大量人的體力與腦力勞動，減少了任務因素造成的無擦，提高了檢測的可靠性，實現了超聲檢測和評價的自動化、智能化。

(2)人工智能在電子技術領域的應用可謂由來已久。隨著網絡的迅速發展，網絡技術的安全是我們關心的重點，因此我們必須在傳統技術的基礎上進行網絡安全技術的改進和變更，大力發展數據挖掘技術、人工免疫技術等高效的AI技術，開發更高級AI通用和專用語言，和應用環境以及開發專用機器，而與人工智能技術則為我們提供了可能性。

三、人工智能的發展方向

1.專家系統是目前人工智能中最活躍、最有成效的一個研究領域，它是一種具有特定領域內大量知識與經驗的程序系統。近年來，在“專家系統”或“知識工程”的研究中已出現了成功和有效應用人工智能技術的趨勢。人類專家由于具有豐富的知識，所以才能達到優異的解決問題的能力。那么計算機程序如果能體現和應用這些知識，也應該能解決人類專家所解決的問題，而且能幫助人類專家發現推理過程中出現的差錯，現在這一點已被證實。

2.智能信息檢索技術的飛速發展。人工智能在網絡信息檢索中的應用，主要表現在:(1)如何利用計算機軟硬件系統模仿、延伸與擴展人類智能的理論、方法和技術。(2)由于網絡知識信息既包括規律性的知識，如一般原理概念，也包括大量的經驗知識這些知識不可避免地帶有模糊性、隨機性、不可靠性等不確定性因素對其進行推理，需要利用人工智能的研究成果。

3.SOAr是一種通用智能體系結構，其始終處在人工智能研究的前沿，已顯示出強大的問題求解能力，它認為機器人的開發是人工智能應用的重要領域。在它的研究中突出4個概念:(1)所處的境遇機器人不涉及抽象的描述，而是處在直接影響系統的行為的境地。(2)具體化機器人有軀干，有直接來自周圍世界的經驗，他們的感官起作用后會有反饋。(3)智能的來源不僅僅是限于計算裝置，也是由于與周圍進行交互的動態決定。(4)浮現從系統與周圍世界的交互以及有時候系統的部件間的交互浮現出智能。目前，國內外不少學者都對機器人足球系統頗感興趣，足球機器人涉及機器人學、人工智能以及人工生命、智能控制等多個領域。足球機器人系統本身既是一個典型的多智能體系統，是一個多機器人協作自治系統，同時又為它們的理論研究和模型測試提供一個標準的實驗平臺。

參考文獻：

[1]元慧.議當代人工智能的應用領域和發展狀況[J].福建電腦，2008.

[2]劉玉然.談談人工智能在企業管理中的應用[J].價值工程，2003.

[3]焦加麟，徐良賢，戴克昌.人工智能在智能教學系統中的應用[J].計算機仿真，2003，(8).

[4]周明正.人工智能在醫學專家系統中的應用[J].科技信息，2007.

[5]張海燕，劉鎮清.人工智能及其在超聲無損檢測中的應用[J].無損檢測，2001，(8).

[6]馬秀榮，王化宇.簡述人工智能技術在網絡安全管理中的應用[J].呼倫貝爾學院學報，2005，(4).

篇3

2017年7月，國務院印發《新一代人工智能發展規劃》，不僅對人工智能的發展做出了戰略性部署，還確立了“三步走”的政策目標，力爭到2030年將我國建設成為世界主要的人工智能創新中心。[1]值得注意的是，此次規劃不僅僅只是技術或產業發展規劃，還同時包括了社會建設、制度重構、全球治理等方方面面的內容。之所以如此，是由于人工智能技術本身具有通用性和基礎性。換句話說，為助推人工智能時代的崛起，我們面對的任務不是實現某一個專業領域或產業領域內的顛覆性技術突破，而是大力推動源于技術發展而引發的綜合性變革。

也正因為如此，人工智能發展進程中所面臨的挑戰才不僅僅局限于技術或產業領域，而更多體現在經濟、社會、政治領域的公共政策選擇上。首先，普遍建立在科層制基礎上的公共事務治理結構，是否能夠適應技術發展和應用過程中所大規模激發的不確定性和不可預知性?再者，長久以來圍繞人類行為的規制制度，是否同樣能夠適應以數據、算法為主體的應用環境?最后，如何構建新的治理體系和治理工具來應對伴隨人工智能發展而興起的新的經濟、社會、政治問題?

應對上述挑戰并不完全取決于技術發展或商業創新本身，而更多依賴于我們的公共政策選擇。本文試圖在分析人工智能發展邏輯及其所引發的風險挑戰的基礎上，對人工智能時代的公共政策選擇做出分析，并討論未來改革的可能路徑，這也就構成了人工智能治理的三個基本問題。具體而言，人工智能本身成為治理對象，其發展與應用構成了治理挑戰，而在此基礎上如何做出公共政策選擇便是未來治理變革的方向。

全文共分為四個部分：第一部分將探討人工智能的概念及特征，并進而對其發展邏輯進行闡述。作為一項顛覆性技術創新，其本身的技術門檻對決策者而言構成了挑戰，梳理并捋清人工智能的本質內涵因而成為制定相關公共政策的前提;第二部分將著重分析人工智能時代崛起所帶來的治理挑戰，主要包括三個方面，即傳統科層治理結構應對人工智能新的生產模式的滯后性、建基于行為因果關系之上的傳統治理邏輯應對人工智能新主體的不適用性，以及人工智能發展所引發的新議題的治理空白;面對上述挑戰，各國都出臺了相關政策，本文第三部分對此進行了綜述性對比分析，并指出了其進步意義所在。需要指出的是，盡管各國的政策目標都試圖追求人工智能發展與監管的二維平衡，但由于缺乏對人工智能內涵及其發展邏輯的完整認識，當前的公共政策選擇有失綜合性;本文第四部分將提出新的治理思路以及公共政策選擇的其他可能路徑，以推動圍繞人工智能治理的相關公共政策議題的深入討論。

一、人工智能的概念及技術發展邏輯：算法與數據

伴隨著人工智能技術的快速發展，尤其是其近年來在棋類對弈、自動駕駛、人臉識別等領域的廣泛應用，圍繞人工智能所可能引發的社會變革產生了激烈爭論。在一方面，以霍金[2]、馬斯克[3]、比爾-蓋茨[4]、赫拉利[5]為代表的諸多人士呼吁加強監管，警惕“人工智能成為人類文明史的終結”;在另一方面，包括奧巴馬[6]在內的政治家、學者又認為應該放松監管，充分釋放人工智能的技術潛力以造福社會。未來發展的不確定性固然是引發當前爭論的重要原因之一，但圍繞“人工智能”概念內涵理解的不同，以及對其發展邏輯認識的不清晰，可能也同樣嚴重地加劇了人們的分歧。正因為此，廓清人工智能的概念內涵和發展邏輯不僅是回應爭論的需要，也是進一步提出公共政策建議的前提。

就相關研究領域而言，人們對于“人工智能”這一概念的定義并未形成普遍共識。計算機領域的先驅阿蘭-圖靈曾在《計算機器與智能》一文中提出，重要的不是機器模仿人類思維過程的能力，而是機器重復人類思維外在表現行為的能力。[7]正是由此理解出發，著名的“圖靈測試”方案被提出。但如同斯坦福大學計算機系教授約翰·麥卡錫所指出的，“圖靈測試”僅僅只是“人工智能”概念的一部分，不模仿人類但同時也能完成相關行為的機器同樣應被視為“智能”的。[8]事實上，約翰·麥卡錫正是現代人工智能概念的提出者。在他看來，“智能”關乎完成某種目標的行為“機制”，而機器既可以通過模仿人來實現行為機制，也可以自由地使用任何辦法來創造行為機制。[9]由此，我們便得到了人工智能領域另一個非常重要的概念——“機器學習”。

人工智能研究的目標是使機器達到人類級別的智能能力，而其中最重要的便是學習能力。[10]因此，盡管“機器學習”是“人工智能”的子域，但很多時候我們都將這兩個概念等同起來。[11]就實現過程而言，機器學習是指利用某些算法指導計算機利用已知數據得出適當模型，并利用此模型對新的情境給出判斷，從而完成行為機制的過程。此處需要強調一下機器學習算法與傳統算法的差異。算法本質上就是一系列指令，告訴計算機該做什么。對于傳統算法而言，其往往事無巨細地規定好了機器在既定條件下的既定動作;機器學習算法卻是通過對已有數據的“學習”，使機器能夠在與歷史數據不同的新情境下做出判斷。以機器人行走的實現為例，傳統算法下，程序員要仔細規定好機器人在既定環境下每一個動作的實現流程;而機器學習算法下，程序員要做的則是使計算機分析并模擬人類的行走動作，以使其即使在完全陌生的環境中也能實現行走。

由此，我們可以對“人工智能”設定一個“工作定義”以方便進一步的討論：人工智能是建立在現代算法基礎上，以歷史數據為支撐，而形成的具有感知、推理、學習、決策等思維活動并能夠按照一定目標完成相應行為的計算系統。這一概念盡管可能仍不完善，但它突出了人工智能技術發展和應用的兩大基石——算法與數據，有助于討論人工智能的治理問題。

首先，算法即是規則，它不僅確立了機器所試圖實現的目標，同時也指出了實現目標的路徑與方法。就人工智能當前的技術發展史而言，算法主要可被劃分為五個類別：符號學派、聯接學派、進化學派、類推學派和貝葉斯學派。[12]每個學派都遵循不同的邏輯、以不同的理念實現了人工智能(也即“機器學習”)的過程。舉例而言，“符號學派”將所有的信息處理簡化為對符號的操縱，由此學習過程被簡化(抽象)為基于數據和假設的規則歸納過程。在數據(即歷史事實)和已有知識(即預先設定的條件)的基礎上，符號學派通過“提出假設-數據驗證-進一步提出新假設-歸納新規則”的過程來訓練機器的學習能力，并由此實現在新環境下的決策判斷。

從對“符號學派”的描述中可以發現，機器學習模型成功的關鍵不僅是算法，還有數據。數據的缺失和預設條件的不合理將直接影響機器學習的輸出(就符號學派而言，即決策規則的歸納)。最明顯體現這一問題的例子便是羅素的“歸納主義者火雞”問題：火雞在觀察10天(數據集不完整)之后得出結論(代表預設條件不合理，超過10個確認數據即接受規則)，主人會在每天早上9點給它喂食;但接下來是平安夜的早餐，主人沒有喂它而是宰了它。

所有算法類型盡管理念不同，但模型成功的關鍵都聚焦于“算法”和“數據”。事實上，如果跳出具體學派的思維束縛，每種機器學習算法都可被概括為“表示方法、評估、優化”這三個部分。[13]盡管機器可以不斷的自我優化以提升學習能力，且原則上可以學習任何東西，但評估的方法和原則(算法)以及用以評估的數據(數據)都是人為決定的——而這也正是人工智能治理的關鍵所在。算法與數據不僅是人工智能發展邏輯的基石，其同樣是治理的對象和關鍵。

總而言之，圍繞“人工智能是否會取代人類”的爭論事實上并無太大意義，更重要的反而是在廓清人工智能的內涵并理解其發展邏輯之后，回答“治理什么”和“如何治理”的問題。就此而言，明確治理對象為算法和數據無疑是重要的一步。但接下來的重要問題仍然在于，人工智能時代的崛起所帶來的治理挑戰究竟是什么?當前的制度設計是否能夠對其做出有效應對?如果答案是否定的，我們又該如何重構治理體系以迎接人工智能時代的崛起?本文余下部分將對此做進一步的闡述。

二、人工智能時代崛起的治理挑戰

不同于其他顛覆性技術，人工智能的發展并不局限于某一特定產業，而是能夠支撐所有產業變革的通用型技術。也正因為此，其具有廣泛的社會溢出效應，在政治、經濟、社會等各個領域都會帶來深刻變革，并將同時引發治理方面的挑戰。具體而言，挑戰主要體現在以下三個方面。

首先，治理結構的僵化性，即傳統的科層制治理結構可能難以應對人工智能快速發展而形成的開放性和不確定性。之所以需要對人工智能加以監管，原因在于其可能成為公共危險的源頭，例如當自動駕駛技術普及之后，一旦出現問題，便可能導致大規模的連續性傷害。但不同機、大型水壩、原子核科技等二十世紀的公共危險源，人工智能的發展具有極強的開放性，任何一個程序員或公司都可以毫無門檻的進行人工智能程序的開發與應用。這一方面是由于互聯網時代的到來，使得基于代碼的生產門檻被大大降低[14];另一方面，這也是人工智能本身發展規律的需要。正如前文所提到，唯有大規模的數據輸入才可能得到較好的機器學習結果，因此將人工智能的平臺(也即算法)以開源形式公開出來，以使更多的人在不同場景之下加以利用并由此吸收更多、更完備的數據以完善算法本身，就成為了大多數人工智能公司的必然選擇。與此同時，人工智能生產模式的開放性也必然帶來發展的不確定性，在缺乏有效約束或引導的情況下，人工智能的發展很可能走向歧途。面對這一新形勢，傳統的、基于科層制的治理結構顯然難以做出有效應對。一方面，政府試圖全范圍覆蓋的事前監管已經成為不可能，開放的人工智能生產網絡使得監管機構幾乎找不到監管對象;另一方面，由上至下的權威結構既不能傳遞給生產者，信息不對稱問題的加劇還可能導致監管行為走向反面。調整治理結構與治理邏輯，并形成適應具有開放性、不確定性特征的人工智能生產模式，是當前面臨的治理挑戰之一。

再者，治理方法的滯后性，即長久以來建立在人類行為因果關系基礎上的法律規制體系，可能難以適用于以算法、數據為主體的應用環境。人工智能的價值并不在于模仿人類行為，而是其具備自主的學習和決策能力;正因為如此，人工智能技術才不能簡單地理解為其創造者(即人)意志的表達。程序員給出的只是學習規則，但真正做出決策的是基于大規模數據訓練后的算法本身，而這一結果與程序員的意志并無直接因果關聯。事實上也正由于這個特點，AlphaGo才可能連續擊敗圍棋冠軍，而其設計者卻并非圍棋頂尖大師。也正是在這個意義上，我們才回到了福柯所言的“技術的主體性”概念。在他看來，“技術并不僅僅是工具，或者不僅僅是達到目的的手段;相反，其是政治行動者，手段與目的密不可分”。[15]就此而言，長久以來通過探究行為與后果之因果關系來規范人的行為的法律規制體系，便可能遭遇窘境：如果將人工智能所造成的侵權行為歸咎于其設計者，無疑不具有說服力;但如果要歸咎于人工智能本身，我們又該如何問責一個機器呢?由此，如何應對以算法、數據為核心的技術主體所帶來的公共責任分配問題，是當前面臨的第二個治理挑戰。

最后，治理范圍的狹隘性，即對于受人工智能發展沖擊而引發的新的社會議題，需要構建新的治理體系和發展新的治理工具。人工智能發展所引發的治理挑戰不僅僅體現在現有體系的不適應上，同時還有新議題所面臨的治理空白問題。具體而言，這又主要包括以下議題：算法是否能夠享有言論自由的憲法保護，數據的權屬關系究竟如何界定，如何緩解人工智能所可能加劇的不平等現象，以及如何平衡人工智能的發展與失業問題。在人工智能時代之前，上述問題并不存在，或者說并不突出;但伴隨著人工智能的快速發展和應用普及，它們的重要性便日漸顯著。以最為人所關注的失業問題為例，就技術可能性來說，人工智能和機器人的廣泛應用代替人工勞動，已是一個不可否定的事實了。無論是新聞記者，還是股市分析員，甚至是法律工作者，其都有可能為機器所取代。在一個“充分自動化(Full Automation)”的世界中，如何重新認識勞動與福利保障的關系、重構勞動和福利保障制度，便成為最迫切需要解決的治理挑戰之一。[16]

上述三方面共同構成了人工智能時代崛起所帶來的治理挑戰。面對這些挑戰，各國也做出了相應的公共政策選擇。本文第三部分將對各國人工智能的治理政策進行對比性分析。在此基礎上，第四部分將提出本文的政策建議。

三、各國人工智能治理政策及監管路徑綜述

人工智能時代的崛起作為一種普遍現象，其所引發的治理挑戰是各國面臨的共同問題，各國也陸續出臺了相關公共政策以試圖推動并規范人工智能的快速發展。

美國于2016年同時頒布了《國家人工智能研究與發展戰略規劃》和《為人工智能的未來做好準備》兩個國家級政策框架，前者側重從技術角度指出美國人工智能戰略的目的、愿景和重點方向，而后者則更多從治理角度探討政府在促進創新、保障公共安全方面所應扮演的角色和作用。就具體的監管政策而言，《為人工智能的未來做好準備》提出了一般性的應對方法，強調基于風險評估和成本-收益考量的原則以決定是否對人工智能技術的研發與應用施以監管負擔。[17]日本同樣于2016年出臺了《第五期(2016～2020年度)科學技術基本計劃》，提出了“超智能社會5.0”的概念，強調通過推動數據標準化、建設社會服務平臺、協調發展多領域智能系統等各方面工作促進人工智能的發展和應用。[18]

盡管美國和日本的政策著力點不同，但其共有的特點是對人工智能的發展及其所引發的挑戰持普遍的包容與開放態度。就當前的政策框架而言，美日兩國的政策目標更傾斜于推動技術創新、保持其國家競爭力的優勢地位;當涉及對人工智能所可能引發的公共問題施以監管時，其政策選擇也更傾向于遵循“無需批準式(permissionless)”的監管邏輯，即強調除非有充分案例證明其危害性，新技術和新商業模式默認為都是被允許的。[19]至于人工智能的發展對個人數據隱私、社會公共安全的潛在威脅，盡管兩國的政策框架都有所涉及，卻并非其政策重心——相比之下，英國、法國則采取了不同的政策路徑。

英國政府2016年了《人工智能：未來決策制定的機遇與影響》，對人工智能的變革性影響以及如何利用人工智能做出了闡述與規劃，尤其關注到了人工智能發展所帶來的法律和倫理風險。在該報告中，英國政府強調了機器學習與個人數據相結合而對個人自由及隱私等基本權利所帶來的影響，明確了對使用人工智能所制定出的決策采用問責的概念和機制，并同時在算法透明度、算法一致性、風險分配等具體政策方面做出了規定。[20]與英國類似，法國在2017年的《人工智能戰略》中延續了其在2006年通過的《信息社會法案》的立法精神，同樣強調加強對新技術的“共同調控”，以在享有技術發展所帶來的福利改進的同時，充分保護個人權利和公共利益。[21]與美日相比，英法的公共政策更偏向于“審慎監管(precautionary)”的政策邏輯，即強調新技術或新的商業模式只有在開發者證明其無害的前提下才被允許使用。[22]

在本文看來，無論是“無需批準式監管”還是“審慎監管”，在應對人工智能時代崛起所帶來的治理挑戰方面都有其可取之處：前者側重于推動創新，而后者則因重視安全而更顯穩健。但需要指出的是，這兩種監管路徑的不足卻也十分明顯。正如前文第二部分所指出，一方面，快速迭代的技術發展與商業模式創新必將引發新的社會議題，無論是算法是否受到言論自由的權利保護還是普遍失業對社會形成的挑戰，它們都在客觀上要求公共政策做出應對，而非片面的“無需批準式監管”能夠處理。更重要的是，“無需批準式監管”的潛在假設是事后監管的有效性;然而，在事實上，正如2010年5月6日美國道瓊斯工業指數“瞬間崩盤”事件所揭示的，即使單個電子交易程序合規運行，當各個系統行為聚合在一起時反而卻造成了更大的危機。[23]在此種情形下，依賴于合規性判斷的“事后監管”基本上難以有效實施。另一方面，人工智能本身的自主性和主體性使得建立在人類行為因果關系基礎上的“審慎監管”邏輯存在天然缺陷：既然人類無法預知人工智能系統可能的行為或決策，開發者又如何證明人工智能系統的無害性?

正如本文所反復強調的，人工智能與其他革命性技術的不同之處，正是在于其所帶來的社會沖擊的綜合性和基礎性。人工智能并非單個領域、單個產業的技術突破，而是對于社會運行狀態的根本性變革;人工智能時代的崛起也并非一夜之功，而是建立在計算機革命、互聯網革命直至數字革命基礎上的“奇點”變革。因此，面對人工智能時代崛起所帶來的治理挑戰，我們同樣應該制定綜合性的公共政策框架，而非僅僅沿襲傳統治理邏輯，例如只是針對具體議題在“創新”與“安全”這個二元維度下進行艱難選擇。本文在第四部分從承認技術的主體性、重構社會治理制度、推進人工智能全球治理這三方面提出了政策建議，并希望以此推動更深入地圍繞人工智能時代公共政策選擇的研究與討論。

四、人工智能時代的公共政策選擇

《新一代人工智能發展規劃》明確提出了到2030年我國人工智能發展的“三步走”目標，而在每一個階段，人工智能法律法規、倫理規范和政策體系的逐步建立與完善都是必不可少的重要內容。面對人工智能時代崛起的治理挑戰，究竟應該如何重構治理體系、創新治理機制、發展治理工具，是擺在決策者面前的重要難題。本文基于對人工智能基本概念和發展邏輯的梳理分析，結合各國已有政策的對比分析，提出以下三方面的改革思路，以為人工智能時代的公共選擇提供參考。

第一，人工智能發展的基石是算法與數據，建立并完善圍繞算法和數據的治理體系與治理機制，是人工智能時代公共政策選擇的首要命題，也是應對治理挑戰、賦予算法和數據以主體性的必然要求。(1)就算法治理而言，涉及的核心議題是算法的制定權及相應的監督程序問題。算法作為人工智能時代的主要規則，究竟誰有權并通過何種程序來加以制定，誰來對其進行監督且又如何監督?長久以來公眾針對社交媒體臉書(Facebook)的質疑正體現了這一問題的重要性：公眾如何相信臉書向用戶自動推薦的新聞內容不會摻雜特殊利益的取向?[24]當越來越多的人依賴定制化的新聞推送時，人工智能甚至會影響到總統選舉。也正因為此，包括透明要求、開源要求在內的諸多治理原則，應當被納入到算法治理相關議題的考慮之中。(2)就數據治理而言，伴隨著人工智能越來越多地依賴于大規模數據的收集與利用，個人隱私的保護、數據價值的分配、數據安全等相關議題也必將成為公共政策的焦點。如何平衡不同價值需求、規范數據的分享與應用，也同樣成為人工智能時代公共政策選擇的另一重要抓手。

第二，創新社會治理制度，進一步完善社會保障體系，在最大程度上緩解人工智能發展所可能帶來的不確定性沖擊。與歷史上的技術革命類似，人工智能的發展同樣會導致利益的分化與重構，而如何保證技術革命成本的承受者得到最大限度的彌補并使所有人都享有技術發展的“獲得感”，不僅是社會發展公平、正義的必然要求，也是促進技術革命更快完成的催化劑。就此而言，在人工智能相關公共政策的考量中，我們不僅應該關注產業和經濟政策，同時也應該關注社會政策，因為只有后者的完善才能夠控制工人或企業家所承擔的風險，并幫助他們判斷是否支持或抵制變革的發生。就具體的政策設計來說，為緩解人工智能所可能帶來的失業潮，基本收入制度的普遍建立可能應該被提上討論議程了?！盎臼杖搿笔侵刚喂餐w(如國家)向所有成員不加任何限制條件地支付一定數額的收入，以滿足其基本生活的需求。盡管存在“養懶漢”的質疑，但有研究者已指出，自18世紀就開始構想的基本收入制度很有可能反過來促進就業。[25]芬蘭政府已經于2017年初開始了相關實驗，美國的一些州、瑞士也做出了一定探索。在人工智能時代尚未完全展現其“猙容”之前，創新社會治理機制、完善社會保障體系，可能是平衡技術創新與社會風險的最佳路徑。

第三，構建人工智能全球治理機制，以多種形式促進人工智能重大國際共性問題的解決，共同應對開放性人工智能生產模式的全球性挑戰。人工智能的發展具有開放性和不確定性的特征，生產門檻的降低使得人工智能技術研發的跨國流動性很強，相關標準的制定、開放平臺的搭建、共享合作框架的形成，無不要求構建相應的全球治理機制。另一方面，跨境數據流動在廣度和深度上的快速發展成為了人工智能技術進步的直接推動力，但各國數據規制制度的巨大差異在制約跨境數據流動進一步發展的同時，也將影響人工智能時代的全面到來。[26]故此，創新全球治理機制，在承認各國制度差異的前提下尋找合作共享的可能性，便成為人工智能時代公共政策選擇的重要考量之一。就具體的機制設計而言，可以在人工智能全球治理機制的構建中引入多利益相關模式;另一方面，為防止巨頭壟斷的形成，充分發揮主權國家作用的多邊主義模式同樣不可忽視。作為影響深遠的基礎性技術變革，互聯網全球治理機制的經驗和教訓值得人工智能發展所借鑒。

上述三方面從整體上對人工智能時代的公共政策框架做出了闡述。與傳統政策局限于“創新”與“安全”之間做出二維選擇不同，本文以更綜合的視角提出了未來公共政策選擇的可能路徑。就其內在聯系來講，建立并完善圍繞算法和數據的治理體系是起點，其將重構人工智能時代的規則與制度;創新社會治理機制并完善社會保障體系是底線，其將緩解人工智能所帶來的影響與波動;構建全球治理機制則成為了制度性的基礎設施，推動各國在此之上共同走向人工智能時代的“人類命運共同體”。

五、結語

在經歷了60余年的發展之后，人工智能終于在互聯網、大數據、機器學習等諸多技術取得突破的基礎上實現了騰飛。在未來的人類生活中，人工智能也必將扮演越來越重要的角色。對于這樣的圖景，我們自不必驚慌，但卻也不可掉以輕心。對于人工智能的治理，找到正確的方向并采取合理的措施，正是當下所應該重視的政策議題。而本文的主旨也正在于此：打破長久以來人們對于人工智能的“籠統”式擔憂，指出人工智能技術發展的技術邏輯及其所引發的治理挑戰，并在此基礎上提出相應的政策選擇。人工智能治理的這三個基本問題，是重構治理體系、創新治理機制、發展治理工具所必須思考的前提。伴隨著我國國家層面戰略規劃的出臺，我國人工智能的發展也必將躍上新臺階。在此背景下，深入探討人工智能治理的相關公共政策議題，對于助推一個人工智能時代的崛起而言，既有其必要性，也有其迫切性。（來源：中國行政管理 文/賈開 蔣余浩 編選：中國電子商務研究中心）

[參考文獻]

[1]國務院關于印發新一代人工智能發展規劃的通知[EB/OL]. http：//gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[2]霍金. AI可能成就或者終結人類文明[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.人類簡史[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]佩德羅-多明戈斯.終極算法：機器學習和人工智能如何重塑世界[M].黃芳萍譯.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.“日本推動實現超智能社會‘社會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.大數據產業在法國的發展及應用[N].學習時報，2014-11-03.

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

[23] [美]杰瑞·卡普蘭.人工智能時代：人機共生下財富、工作與思維的大未來[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.

[25] Van Parijs，P. Basic Income：A Simple and Powerful Idea for the Twenty-first Century. Politics & Society，2004，32(1).

篇4

1.1不同的設計方法

與傳統的機械工程相比，機械電子工程已經超越了單一的學科，顯而易見，機械電子工程是一個交叉學科，它充分的融合機械技術與信息技術，這就要求其在進行設計的過程之中必須充分考慮和應用自己的設計方法，在實際的設計過程之中，設計人員往往采用自上而下的設計方法，這種設計方法是機械電子工程設計之有的方法。

1.2產品上的差異

機械電子工程的另一個特點就是其產品上的與眾不同，與一般的產品不同，機械電子產品的結構看似簡單，但是在實際的設計與開發過程之中卻融入了很多先進的技術與理念，這就遠遠的超越了傳統的機械，這就是產品的外觀更加的輕盈小巧，同時可以實現更加的智能化與現代化，是生產力飛躍的具體體現。

2.機械電子工程的發展過程

前文已經講過，機械電子工程并不是一個簡單的孤立學科，它是一個涉及機械與信息技術的交叉學科，又受到人工智能理念的影響，因此是一個典型的交叉學科。正是由于該學科的復雜性造成該學科在形成的過程之中并不是一蹴而就的，相反，該學科在形成的過程之中經過了很多階段，經過相關的發展才最終形成現階段的機械電子工程：

2.1機械電子工程學的開端

機械電子工程學的起步階段是傳統的手工生產，在這個階段，機械電子工程學的發展十分的緩慢，這是由于此社會的平均勞動生產率相對較為低下，勞動力資源相對也較為匱乏，生產力的發展與進步比較緩慢，但是在一次次的嘗試之中，機械電子工程還是逐步的發展起來了。

2.2機械電子工程學的高速發展階段

機械電子工程學的高速發展階段主要是流水線生產線的成功應用，這一時期的生產過程已經具有了相應的標準，在很大程度上促進了生產力的發展與進步，并不斷的拓展機械電子工程產品的種類，逐步滿足社會的發展與需求。

2.3機械電子工程的成熟階段

進入21世紀，機械電子工程逐步走入其成熟階段，逐步的形成了其特有的生產體系與發展體系，并實現了與現代信息技術與人工智能技術的完美融合，進入了現代機械電子工程的成熟階段，不斷的促進現代生產的發展與社會的進步。

3.人工智能的發展史

3.1萌芽階段

人工智能的萌芽階段起源于法國，當時法國科學家首先研制出了第一部計算器，從此世界開始了人工智能的研究之路，直至馮諾依曼發明第一臺計算機。人工智能在其萌芽階段和其他技術一樣，發展打偶較為緩慢，但是卻為后來的發展積累了豐富的經驗，為之后的發展奠定了堅實的基礎。

3.2第一個發展階段

1956年美國人第一次提出“人工智能”的命題，并進行了相關的研究，這是引起人工智能第一發展高峰期的標志。這一階段的人工智能屬于較為簡單的發展階段，主要針對的的任務是：博弈、計算以及證明等任務。在這一階段的確取得了一定的成就，這一階段的主要貢獻是大大的解放了人們的思想，使人們認識并了解了人工智能的可行性，對人工智能后期的發展起到了巨大的促進作用。

3.3第二個發展階段

1977年全球召開了第五屆人工智能會議，這是人工智能發展的第二個階段的開始，由此之后，人們認識到知識工程對于人工智能領域的重要意義與價值，并不斷的進行相關的發展與研究，促使人工智能與實際生產相結合，逐步的推進了人工智能的快速發展與進步。也正是在這個階段，人工智能獲得了巨大的飛躍，并表現出廣闊的市場前景，在不確定推理、分布式人工智能、常識性知識表示方式等關鍵性技術問題和專家系統、計算機視覺、自然語言理解、智能機器人等實際應用問題上取得了長足的發展。

4.機械電子工程與人工智能的關系

機械電子系統具有不穩定性，這就使得機械電子系統在輸入與輸出關系的處理上比較困難。推導數學方程的方、建設規則庫的方法以及學習并生成知識的傳統方法,雖然在解析數學方面具有精密性,但是這些傳統的方法還只能適用于一些相對簡單的系統。然而現代社會所需求的系統是紛繁復雜的，往往會需要一個系統能夠處理多種信息類型。人工智能建立系統所采取的方法中，主要使用的是神經網絡系統和模糊推理系統。神經網絡系統能夠實現對人腦結構的模擬人，能夠分析數字信號并給出參考數值。而模糊推理系統則是通過模擬人腦的功能,來實現對語言信號的有效分析。在處理輸入輸出的關系上，這兩種方法既有共同之處，也存在各自的差異性。神經網絡系統在信息的儲存上是采用分布式的方式，而模糊推理系統則采用規則方式實現信息的儲存。神經網絡系統輸入時由于每個神經元之間都有固定聯系所以計算量一般都很大，而模糊推理系統的連接是不固定的，所以其計算量相對較小。人工智能系統的建立于發展在很大程度上促進了現代機械電子工程發展與進步。在實際的機械電子工程的設計工作之中，我們必須依靠相應的人工智能技術植入，只有這樣才能更好的促進機械電子工程的發展，與此同時最大限度的促進人工智能功能的實現。很顯然這個過程相互促進的過程，只有在發展之中充分的考慮兩只之間的相互結合，不斷的開拓出全新的技術，促進兩者之間的更好的融合才能不斷的促進兩者的共同發展，不斷的促進其進步，實現機械電子工程的不斷發展，推進人工智能的持續進步。

5.結束語

篇5

對于中國而言，人工智能的發展更是一個歷史性的戰略機遇，對于緩解未來人口老齡化壓力、應對可持續發展挑戰、以及促進經濟結構轉型升級至關重要。

那么目前，人工智能在中國的發展條件如何，中國距離成為真正的人工智能強國還有多遠？7月13日，《中國人工智能發展報告2018》在清華大學主樓接待廳。

報 告中稱，目前中國人工智能的發展已經具備非常優越的條件，然而要成為真正的人工智能強國，中國還任重道遠。中國在論文總量和高被引論文數量上都排在世界第 一，但中國在人才總量，以及杰出人才占比偏低。在產業上，中國的人工智能企業數量排在全球第二，不過，中國人工智能領域的投融資占到了全球的60%，成為全球最“吸金”的國家。

報 告指出，中國必須加強基礎研究，優化科研環境，培養和吸引頂尖的人才，在人工智能的新基礎領域實現突破，保證人工智能發展的根基穩固。同時，要大力鼓勵產 學研合作，讓企業成為人工智能創新的主導力量。積極參與到人工智能全球治理機制的構建中，在人工智能未來的技術發展、風險防范、道理倫理規范制定等領域發 揮中國獨特的作用。

這份報告由清華大學中國科技政策研究中心、清華公共管理學院政府文獻中心、北京賽時科技有限公司、科睿唯安、中國信息通信研究院和北京字節跳動科技有限公司聯合。

論文總量世界第一，杰出人才占比偏低

報告中稱，在論文產出上，中國人工智能論文總量和高被引論文數量都是世界第一。中國在人工智能領域論文的全球占比從1997年4.26%增長至2017年的27.68%，遙遙領先其他國家。

高校是人工智能論文產出的絕對主力，在全球論文產出百強機構中，87家為高校。中國頂尖高校的人工智能論文產出在全球范圍內都表現十分出眾。

不僅如此，中國的高被引論文呈現出快速增長的趨勢，并在2013年超過美國成為世界第一。

但在全球企業論文產出排行中，中國只有國家電網公司的排名進入全球20。

從學科分布看，計算機科學、工程和自動控制系統是人工智能論文分布最多的學科。國際合作對人工智能論文產出的影響十分明顯，高水平論文中國通過國際合作而發表的占比高達42.64%。

專利申請上中國專利數量略微領先美國和日本。中國已經成為全球人工智能專利布局最多的國家，數量略微領先于美國和日本，三國占全球總體專利公開數量的74%。

全球專利申請主要集中在語音識別、圖像識別、機器人、以及機器學習等細分方向。中國人工智能專利持有數量前30名的機構中，科研院所與大學和企業的表現相當，技術發明數量分別占比52%和48%。

企業中的主要專利權人表現差異巨大，但中國國家電網近五年的人工智能相關技術發展迅速，在國內布局專利技術量遠高于其他專利權人，而且在全球企業排名中位列第四。

中國的專利技術領域集中在數據處理系統和數字信息傳輸等，其中圖像處理分析的相關專利占總發明件數的16%。電力工程也已成為中國人工智能專利布局的重要領域。

雖然在論文總量和高被引用論文數量上中國排名領先，但在人才投入上，中國表現并不突出。

根據該報告，截至2017年，中國的人工智能人才擁有量達到18232人，占世界總量8.9%，僅次于美國（13.9%）。高校和科研機構是人工智能人才的主要載體，清華大學和中國科學院系統成為全球國際人工智能人才投入量最大的機構。

然而，按高H因子衡量的中國杰出人才只有977人，不及美國的五分之一，排名世界第六。企業人才投入量相對較少，高強度人才投入的企業集中在美國，中國僅有華為">華為一家企業進入全球前20。

中國人工智能人才集中在東部和中部，但個別西部城市如西安和成都也表現十分突出。國際人工智能人才集中在機器學習、數據挖掘和模式識別等領域，而中國的人工智能人才研究領域比較分散。

中國人工智能企業數量全球第二，但投融資規模最大

報告稱，中國人工智能企業數量從2012年開始迅速增長，截至2018年6月，中國人工智能企業數量已達到1011家，位列世界第二，但與美國的差距還非常明顯（2028家）。

中國人工智能企業高度集中在北京、上海和廣東。在全球人工智能企業最多的20個城市中，北京以395家企業位列第一，上海、深圳和杭州也名列其中。中國人工智能企業應用技術分布主要集中在語音、視覺和自然語言處理這三個技術，而基礎硬件的占比很小。

風險投資上，從2013到2018年第一季，中國人工智能領域的投融資占到全球的60%，成為全球最“吸金”的國家。但從投融資筆數來看，美國仍是人工智能領域創投最為活躍的國家。

在國內，北京的融資金額和融資筆數都遙遙領先其他地區，上海和廣東的人工智能投資也很活躍。從2014年開始，國內人工智能投融資活動的早期投資的占比逐漸下降，投資活動日趨理性，但A輪融資還是占主導地位。

中 國人工智能市場增長迅速，計算機視覺市場規模最大。2017年中國人工智能市場規模達到237億元，同比增長67%。計算機視覺、語音、自然語言處理的市 場規模分別占34.9%、24.8%、21%，而硬件和算法的市場規模合計不足20%。預計2018年中國人工智能市場增速將達到75%。

篇6

論文關鍵詞：人類智能，人工智能，認知，心理學

 

人工智能技術無論是在過去，現在還是將來，都作為科學研究的熱點問題之一。人類對自己本身的秘密充滿好奇，隨著生物技術的飛速發展，人類不斷破譯人體的生命密碼。而以生物科學為基礎的人工智能技術也得到了長足的發展。人們希望通過某種技術或者某些途徑能夠創造出模擬人思維和行為的“替代品”，幫助人們從事某些領域的工作。為了讓計算機能夠從事一些只有人腦才能完成的工作，解脫人的繁重的腦力勞動，人類對自身的思維和智能不斷地研究探索。但是，科學技術是一柄雙刃劍，人們對人工智能技術的飛速發展存在著恐慌。如果機器真的具有了人類的智能，在未來的某一天，他們會不會取代人類而成為地球的主宰者？人類智能和人工智能，誰才是未來的傳奇？

1.你在和誰說話？

“先進的人工智能機器人不但擁有可以亂真的人類外表，而且還能像人類一樣感知自己的存在。”這是人工智能發展到高級階段的目標和任務。那么，我們在不久的未來能否實現這樣一個目標呢？人類真的能發明出足以亂真的智能人類嗎？隔著一堵墻，我們是否能分辨出正在與我們對話的是一部機器還是人類？

1.1. 人工智能的定義

人工智能(Artificial Intelligence) ，英文縮寫為AI。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智能是相對于人的智能而言的。正是由于意識是一種特殊的物質運動形式，所以根據控制論理論，運用功能模擬的方法心理學，制造電腦模擬人腦的部分功能，把人的部分智能活動機械化，叫人工智能。人工智能的本質是對人思維的信息過程的模擬，是人的智能的物化。人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智能發展的過程歸納為機器不斷取代人的過程。

1.2. 人工智能技術的發展

幾個世紀以來，人類依靠智慧，發明了許多機器，使人類能夠從許多體力勞動中解放出來。從1956年正式提出人工智能學科算起，40多年來取得長足的發展，成為一門廣泛的交叉和前沿科學?？茖W家發明了汽車，火車，飛機，收音機等等，它們模仿我們身體器官的功能，但是這些不能模仿人類大腦的功能畢業論文格式范文。當計算機出現后，人類開始真正有了一個可以模擬人類思維的工具，在以后的歲月中，無數科學家為這個目標努力著。1997年5月，IBM公司研制的深藍（Deep Blue）計算機戰勝了國際象棋大師卡斯帕洛夫（Kasparov）。在一些地方計算機幫助人進行其它原來只屬于人類的工作，計算機以它的高速和準確為人類發揮著它的作用。計算機的出現，使得人工智能有了突破性的進展。計算機不僅能代替人腦的某些功能，而且在速度和準確性上大大超過人腦，它不僅能模擬人腦部分分析和綜合的功能，而且越來越顯示某種意識的特性。真正成了人腦的延伸和增強。

1.3. 人工智能的研究領域

人工智能是一種外向型的學科，也是一門多領域綜合學科。它不但要求研究它的人懂得人工智能的知識，而且要求有比較扎實的數學基礎，哲學和生物學基礎，只有這樣才可能讓一臺什么也不知道的機器模擬人的思維。而人工智能的最根本目的是模擬人類的思維，因此，它的研究領域與人類活動息息相關。什么地方只要有人在工作，他就可以運用到那個領域。

現階段主要研究領域有專家系統，機器學習，模式識別，自然語言理解，自動定理證明，自動程序設計心理學，機器人學，博弈，智能決定支持系統和人工神經網絡等等。

2.機器真的可以思考嗎？

機器真的可以思考嗎？機器的思考歸根結底還是模仿人類的思維模式，正是“思考”這一人類的本質屬性，使得人工智能和心理學從最初就緊密地聯系在一起。心理學研究人腦中信息的輸入、輸出、存儲和加工，并研究人腦各個部位的功能。最早的雙核計算機模仿人的左右腦，在人腦不同區域主管各個不同功能這一原理的基礎上，來設計負責不同功能的芯片。以此為出發點，心理學家和計算機學者進一步合作，通過研究人解決問題的方法來研究開發人工智能。隨著人工智能的發展，所要求實現的職能愈加復雜，但最基本的方式還是邏輯推理和歸納，這正是心理學家和邏輯學家的專業領域。心理學家以研究探討人類邏輯思維方式為人工智能提供了基本原理和原則。

2.1. 人類意識的本質

意識是世界的內在規定、一般規律和組成部分，是具有客觀實在性同世界的其它組成部分處在對立統一關系中的事物。意識普遍存于世界和萬物之中，世界是包含意識的世界，萬物是包含意識的萬物。沒有意識存在于其中的世界不是我們現實生活中的世界，沒有意識存在于其中的萬物也不是我們天天眼見手觸的萬物。有了意識的存在，世界和萬物就有了生機和活力。

2.1.1. 意識是與物質相對應的哲學范疇，與物質既相對立又相統一的精神現象。

意識是自然界長期發展的產物，由無機物的反應特性，到低等生物的刺激感應性，再到動物的感覺和心理這一生物進化過程是意識得以產生的自然條件。意識是社會的產物，人類社會的物質生產勞動在意識的產生過程中起決定的作用。辯證唯物主義在強調物質對意識起決定作用的前提下肯定意識對于物質具有能動的反作用，在意識活動中人們從感性經驗抽象出事物的本質、規律形成理性認識，又運用這些認識指導自己有計劃、有目的地改造客觀世界。

2.1.2. 從意識的起源看，意識是物質世界發展到一定階段的產物；從意識的本質來看，意識是客觀存在在人腦中的反映。

意識是人腦對客觀存在的反映：第一，正確的思想意識與錯誤的思想意識都是客觀存在在人腦中的反映；第二，無論是人的具體感覺還是人的抽象思維，都是人腦對客觀事物的反映；第三，無論是人們對現狀的感受與認識，還是人們對過去的思考與總結，以至人們對未來的預測，都是人腦對客觀事物的反映。 意識的能動作用首先表現在，意識不僅能夠正確反映事物的外部現象，而且能夠正確反映事物的本質和規律；意識的能動作用還突出表現在，意識能夠反作用于客觀事物，以正確的思想和理論為指導心理學，通過實踐促進客觀事物的發展。

2.2. 人類意識與人工智能的關系

認知心理學和人工智能，是認知科學的兩個組成部分。人工智能使用了心理學的理論，心理學又借用了人工智能的成果。人類意識與人工智能兩者具有以下關系：

l人工智能是研究用機器模擬和擴展人的智能的科學。它撇開了人腦的內在結構和意識的社會性，而只是把人腦作為一種信息處理的過程，包括信息的接收、記憶、分析、控制和輸出五部分?，F代科學技術用相應的部件來完成著五個過程，就構成了人工智能或電腦。

l人工智能可以代替人的某些腦力勞動，甚至可以超過人的部分思維能力，隨著現代科學技術的發展，它發揮著越來越重要的作用。人工智能的出現不僅解放了人的智力，而且為研究人腦的意識活動提供了新的方法和途徑。它說明了人的意識活動不管多么復雜，都是以客觀物質過程為基礎的，而不是什么神秘的超物質的東西，人們完全可以用自然科學的精確方法來加以研究和模擬，它進一步證實了辯證唯物主義意識論的科學性畢業論文格式范文。

l人工智能的產生和發展，深化了我們對意識相對獨立性和能動性的認識。機器思維即人工智能表明，思維形式在思維活動中對于思維內容具有相對獨立性，它可從人腦中分化出來，物化為機械的、物理的運動形式，部分地代替人的思維活動。

隨著科學技術的發展，人工智能將向更高水平發展，反過來推動科學技術、生產力和人類智慧向更高水平發展，對人類社會進步將起著巨大的推動作用。

3. 人工智能的未來

人工智能是為了模擬人類大腦的活動而產生的科學，人類已經可以用許多新技術新材料模擬人體的許多功能，諸如皮膚，毛發，骨骼等等，也就是說，人類可以創造出“類人體”。只要能夠模擬人的大腦的功能，人就可以完成人工生命的研究工作，人創造自己，這不但在科學上，而且在哲學上都具有劃時代的意義。這就是人工智能承擔的歷史使命。

在科學技術日新月異的今天，知識爆炸，科技的增長超出了人類承受的速度。各種新科技的出現層出不窮，隨之而來的成果簡直讓人瞠目結舌，克隆、基因芯片、轉基因等等，人類自身的秘密開始一層一層的揭開。我們人腦的復雜結構，人體的基因鏈也逐漸被科學技術解剖。我們希望將來的人工智能機器能將我們從繁重的體力勞動和腦力勞動中解放出來心理學，例如機器人做家務，帶孩子，做司機，秘書等等一系列我們不愿意花太多精力或者有太多限制條件的工作。然而，人類由于多種“性能”都不如機器人，反而退化成為機器人的奴隸？他們會不會有一天無法忍受人類對他們的“剝削”和“壓迫”，挑戰人類的統治？很多的科幻作品和電影中都預言了這樣的場景，未來的智能機器人和人類爭奪有限的地球資源，并最終打敗人類，成為新的地球統治者。這也正是絕大多數心理學家和哲學家對人工智能的發展憂心忡忡的原因。

人工智能的發展，也只能無限接近于人的智能，而不能超越人的智能。因為人工智能技術的本質，是模擬人類的思維過程，是為人類服務的。我們在進行發明創造的同時，擔心被我們所發明的物質所毀滅。正如人類發明了原子能，用于取代正在逐漸消逝的礦物能源，然而當原子能用于軍事領域的時候，他產生的力量也足以毀滅人類文明?？萍急旧聿⒉皇菃栴}，人類如何運用自己掌握的技術，才是問題的關鍵。我們最大的敵人不是我們發明的技術，而是我們自己本身。

【參考文獻】

1.李建國人工智能與認知心理學[J]. 西南師范大學學報 1986年4月第二期 142-146頁

2.鄭南寧認知過程的信息處理和新型人工智能系統[J]. 中國基礎科學.科學前沿2008年 9-18頁

3.蔡自興，徐光祐人工智能及其應用(第三版)[M].北京.清華大學出版社 2004年

4.（美）Sternberg,R.J.認知心理學[M] .北京.中國輕工業出版社 2006年

5.（美）Nils J.Nilsson 人工智能[M].北京. 機械工業出版社 2004年

篇7

關鍵詞：大數據時代；人工智能；計算機網絡技術；應用價值

21世紀以來，世界都已經進入大數據發展時代，人工智能的應用與居民生活息息相關。人工智能就是模仿人類的行為方式和思維模式進行工作處理，它比計算機技術更加具有實用價值。所以，為了迅速提高我國大數據時代人工智能在計算機網絡技術中的應用，論文基于此展開詳細分析探討，深入研究人工智能在計算機網絡技術中的應用價值。以下主要針對于人工智能計算機的基本內容展開簡單分析與探討：

一、人工智能計算機的概況

利用計算機技術來模仿人類的行為方式和思維模式就叫做人工智能。人工智能，技術的涵蓋內容廣泛，且創新性高、挑戰力度大，它的發展與各學科知識包括信息與計算科學、語言學、數學、心理學等都有關聯。人工智能的發展目標是通過計算機技術讓本該由人工操作的危險或復雜的工作由人工智能機器代替,從而額實現節約勞動力、減少事故危害發生的情況，進而提高工作效率和工作質量。人工智能的發展形式多樣。第一，人工智能可以幫助完善某些較為復雜的問題或是當前還無法解決的問題，若是發生由計算機運算都還無法獲得正確模型的情況，此時就可利用人工智能來對該項問題進行有效解決，針對模糊的問題和內容，利用人工智能模式來不斷提高網絡使用質量。第二，人工智能可以將簡單的東西或知識復雜化，得到人們想要的高級程序和數據，從而節約實現，提高工作效率。

二、大數據時代人工智能在計算機網絡技術中的應用

（一）數據挖掘技術在計算機網絡技術中的應用數據挖掘技術在近幾年來越來越受到人們的重視，因為數據挖掘技術是大數據時展的關鍵技術。利用人工智能技術可研究外界不安全因素的入侵頻率，并在網絡安全運行的前提下結合網絡存貯狀態，將研究結果記錄保存。之后的工作中，若計算機處于運行情況時發生安全問題，系統會立即給予警告提示，并及時攔截入侵對象。數據挖掘技術其實從根本上來看，就是由人工智能技術和大數據技術的綜合發展而來，模仿人類處理數據信息的特征和方式，讓計算機實現對數據的批量處理。此外，數據挖掘技術還可與各種傳感器融合工作，從而實現技術功效的最大潛力，不斷增強計算機系統的功效和實用價值。

（二）入侵檢測技術在計算機網絡技術中的應用現展迅速，網絡科技已成為人們日常生活中至關重要的組成成分，給人們的生活工作帶來極大便利，但是其中也潛存很多不穩定因素。所以，網絡安全技術的發展是保證網絡使用正常工作的重要前提。當前，已經有很多網絡機制被運用到保護網絡安全的工作中，但是在對網絡安全管理時發現仍舊有很多不穩定因素的存在，尤其是現在網絡技術的發展迅速，很多手機支付等網絡支付方式中會存在支付密碼泄露的情況?；诖?，在網絡計算機安全使用過程中起到良好作用的是入侵檢測技術。該技術被使用時，可以對網絡中潛存的安全隱患信息及時偵查處理，對其數據信息進行檢測，最后將檢測結果的分析報告反饋給用戶，實現有效檢測。入侵檢測技術的不斷發展和完善，讓計算機網絡的安全運行得到極大保障，在對計算機網絡進行安全檢測的條件下，防止網絡受到外界環境的干擾。人工智能技術中還可結合人工神經系統高和專家系統網絡，實現對實時變化信息的即時監控，切實保障計算機網絡技術的安全發展。

（三）防火墻技術在計算機網絡技術中的應用計算機的硬件與軟件相結合才能讓防火墻技術發揮功效，為計算機的安全運行構建一個完整的保護盔甲。防火墻技術的應用是針對整個計算機網絡的使用安全，極大的降低了由于外界非法入侵帶來的不穩定因素，讓計算機的安全得到保障。尤其是在現在大數據時代的發展背景下，防火墻技術的優點更加明顯，防止計算機被非法入侵是防火墻技術的最重要功效。當前，人們每天都會收到很多封垃圾郵件和短信，部分郵件和短信還攜帶有危害性質的病毒，一旦點開這些垃圾信息和短信就會造成病毒入侵，讓計算機中原本的私人信息遭到泄露。因此，需要人工智能技術來幫助人們進行信息識別，掃描郵件中是否有不安全因素的存在，找出后還可立即進行排除，防止安全事故的發生。根據以上內容的分析得出，在當前的計算機網絡系統應用過程中，人工智能技術已成為主導技術之一，它能夠結合其他任何智能技術實現創新發展和進步，以促進計算機網絡系統的安全使用，讓計算機網絡系統高效、安全的發展，這也讓人們的生活、工作水平進一步提高。

篇8

1月28日，《金融時報》援引《自然》雜志的報道稱，由谷歌倫敦子公司DeepMind開發的AlphaGo機器，以5:0的戰績擊敗了歐洲圍棋三屆冠軍樊麾(出生于中國，現籍法國)。DeepMind是2014年被Google以4億英鎊的價格收購的人工智能團隊。

這場比賽發生在2015年10月15日，只因一些特別的原因直到現在才公布。據報道，該比賽全程沒有讓棋，最終人工智能戰勝了人類。今年3月，AlphaGo還將在首爾與過去十年全世界頂級的圍棋選手李世石對陣，這將是復雜人腦和機器在圍棋界的一場終極對決。到底是人類大腦贏，還是不斷被強化神經網絡的機器大腦贏？懸念會在今年3月接盅，但針對人工智能的各種猜想和激烈討論已先行展開。

焦點一：

谷歌AlphaGo是怎么贏的？

對所有關注這場比賽和對人工智能感興趣的人來說，最想知道的就是，機器是怎么贏的。

在1月27日，DeepMind團隊在《自然》(Nature)雜志上發表的封面論文《Mastering the game of Go with deep neural networks and tree search》揭開謎底。團隊創始人Demis Hassabis表示，他們開發的圍棋程序AlphaGo融合了高級樹狀查找和深度神經網絡。通過對神經網絡進行3000萬步訓練(所有棋譜均來自人類專業棋手的比賽)，AlphaGo預測出人類對手下一步走法的正確率已經達到了57%，而之前的紀錄是44%。

具體來說，AlphaGo使用兩個不同的神經網絡“大腦”，通過兩者合作得出移棋決定。據微信公眾號《人工智能學家》對上述論文的編譯得知，AlphaGo的兩個大腦分工如下：大腦1：“監督學習(SL)政策網絡”。著眼于棋盤中的位置，并試圖決定最佳的下一步；大腦2：“價值網絡”。它不猜測具體的下一步怎么走，而是通過設想的棋盤分布，估計每個玩家贏得比賽的概率。它通過提供整體的位置判斷來配合“監督學習(SL)政策網絡”。據論文介紹，當只使用一個大腦時，AlphaGo大概和目前最好的電腦圍棋AI(人工智能)實力相當，但結合兩個大腦時，它可能達到人類職業棋手的水平。

樊麾談論此次比賽時表示：“輸棋確實很難過。和AlphaGo對戰之前，我覺得我能贏。在第一局失利后，我改變了戰術，增強了進攻，但還是輸了?！彼J為輸棋的原因在于，人類有時會犯致命的錯誤，因為人會疲憊，求勝心切，總有這樣那樣的壓力。但電腦程序不會這樣，它非常強，也非常穩定，簡直就像一堵墻一樣。“我知道AlphaGo是個電腦，但如果沒人告訴的話，我可能會覺得它是個有點陌生卻又非常強大的對手，是個真人?！狈膺€在一個微信群里透露，一切都是真的，他沒有放水。

焦點二：AlphaGo的勝利為什么很牛？

AlphaGo不禁令人想起早期人工智能的代表“深藍”。

深藍是美國IBM公司生產的一臺超級國際象棋電腦，重1270公斤，有32個大腦(微處理器)，每秒鐘可以計算2億步?！吧钏{”輸入了一百多年來優秀棋手的對局兩百多萬局。1997年的深藍可搜尋及估計隨后的12步棋，而一名人類象棋好手大約可估計隨后的10步棋。

人與計算機的首次對抗是在1963年。國際象棋大師兼教練大衛·布龍斯坦懷疑計算機的創造性能力，同意用自己的智慧與計算機較量。下棋的時候他有一個非常不利的條件：讓一個后。但當對局進行到一半時，計算機就把布龍斯坦的一半兵力都吃掉了。這時，布龍斯坦要求再下一局，但不再讓子了！

1997年5月11日，在人與計算機之間挑戰賽的歷史上可以說是歷史性的一天。計算機在正常時限的比賽中首次擊敗了等級分排名世界第一的棋手加里·卡斯帕羅夫，他以1勝2負3平輸給“深藍”。這場比賽之后IBM宣布深藍退役。

時隔近20年，人機大戰再次以機器的勝利告一段落。但AlphaGo的勝出被看得更高一籌。興業證券研究所所長助理、計算機互聯網行業首席分析師袁煜明撰文表示，圍棋和國際象棋有很大的不同，這導致計算機的智能程度有很大的差別。國際象棋可以一定程度“暴力遍歷”，圍棋不行。國際象棋只要把開局庫和殘局庫多輸一些進去，結合一些中盤的策略選擇和部分遍歷就很牛了。但圍棋壓根沒有殘局庫這個概念，“千古無同局”，所以圍棋的AI肯定沒法用遍歷的方法，只能讓它學人去思考。

另一點，國際象棋目標是清晰的，圍棋是模糊的?！澳：袛嘁恢笔侨祟愊鄬τ嬎銠C的優越感，要蠻算八位數的乘除法，人完全沒法和計算機比。但要判斷些模糊的指標，計算機就一籌莫展了。這次AlphaGo橫空出世，在這方面展現出了巨大飛越?！?/p>

在袁煜明看來，AlphaGo的“思考”方式更接近人類。這是深度學習、蒙特卡洛等多種算法結合創新所帶來的，從“計算”到“智能”的超越。DeepMind創始人Demis Hassabis則表示：“AlphaGo正在突飛猛進，甚至會超越最棒的人類選手。和其他編出來的程序不同，你不知道它到底都會什么，因為它能夠自己學習。”

會像人類那樣去學習，這也許就是“AlphaGo”和“深藍”最大的區別，也是人工智能表現出的質的飛越。

焦點三：

機器人概念受熱捧

“以前的計算機只能用來做精確計算，但現在能夠對模糊判斷做出最佳決策的話，計算機基本能做各種人能做的事情了。相比人類來說，計算機唯一不具備的是情感?！痹厦骺偨Y道，無危害人工智能有多種用途，比如現在已經在應用的無人駕駛、人臉識別、服務機器人代替客服等?！斑M一步開腦洞的話”，未來還可應用于產品設計、配方研發，大數據分析、寫作與創作(現在已有新聞機器人)、金融交易(現已有量化交易)等多種方面。

實際上，人工智能和機器人對于普通人也不再是“水中月鏡中花”，而是關系愈來愈密切。去年以來，機器人概念在A股受到熱捧，掀起一波又一波的炒作熱潮，正是基于機器人在改變我們的制造模式和引領工業4.0這個時代將起到重要的作用。

不久前召開的國務院常務會議再次關注智能制造，決定推動《中國制造2025》與“互聯網+”融合發展。業內人士認為，工業制造市場未來將以智能制造為核心，而智能制造的關鍵將是機器人。2015年，中國機器人數量已占全球總數的56%。雖然我國目前已成為機器人大國，但核心技術仍有極大提升空間。

篇9

Abstract: Knowledge representation is one of the central topics in artificial intelligence. Conceptual Structure is a new and effective knowledge representation method and Conceptual Graph is a concrete semantic model supported Conceptual Structure thoughts. This paper discussed the relation between Conceptual Structure and Conceptual Graph, the method and features of Knowledge representation about Conceptual Graph. Finally, it elaborated the application of Conceptual Graph in Chinese information processing.

關鍵詞:知識表示;概念結構;概念圖;語義

Key words: knowledge representation;conceptual structure;conceptual graph;semantic

中圖分類號:TP391 文獻標識碼:A文章編號:1006-4311(2010)26-0145-02

0引言

知識是人類智能的基礎,知識的表示是人工智能學科研究的三個主要問題之一[1]。人工智能經過半個多世紀的發展,研究出了多種知識表示方法,如一階謂詞邏輯、規則、框架、語義網絡等。這些方法對于描述特定領域的問題求解已足夠了,并已得到廣泛的應用,但傳統的知識表示方法就不能確切地表達語義問題。因此,傳統的知識表達方法能力還很有限,知識表示仍是很久以來人工智能研究的中心課題,還需要相當深入的研究。概念結構理論的出現為知識表示研究帶來了一種新的思路。概念結構(Conceptual Structure)是一種以語言學、心理學、哲學、邏輯學和數學為基礎的新的知識表示方法,是由美國的計算機科學家John F.Sowa在1984年首先提出的,己被從理論上證明了優于其它傳統的知識表達方法。它擴展了人工智能的知識表達方法,對于信息時代從以數據處理為主的低級階段向以知識處理為主的高級階段的轉變和發展具有決定性的意義[2]。

概念圖(Conceptual Graph)是支持概念結構思想的一個具體的語義模型,概念結構理論及應用就是基于概念圖發展起來的,也就是說概念圖是概念結構思想的載體,通過它來發展、傳播、帶動知識表示領域、乃至整個人工智能領域的研究與進步。概念圖的發展經歷了二十幾個春秋,“Conceptual Structures: Information Processing in Mind and Machine reading”(sowa1984)揭開了概念結構的序幕,“conceptual graphsfor a database inference”(Sowa1986)奠定了概念圖應用的基礎。隨后,IBM公司投入了大量人力和物力,潛心研究,出現了一個又一個的成果。國內從90年代開始,西北大學、西北工業大學也進行了探索性研究[2]。

1概念圖的知識表示

概念圖是一種描述復雜對象結構的知識表示工具,其思想來源于C.S.Pierce的存在圖和菲爾墨的語義網絡,是以圖形表示的一種有向連通圖,它包括兩種結點:概念結點和概念關系結點,弧的方向代表概念結點和概念關系結點之間的聯系。概念結點表示問題領域中的一個具體的或抽象的實體,概念關系結點指出一種涉及一個或多個概念結點的關系[3],如動作(AGNT: AGENT),對象(OBJ: OBJECT),材料(MATR: MATERIAL),具有(POSS: POSSESSES),地點(LOC: LOCATE),狀態(STAT: STATUS),部分(PART),方式(MANR: MANNER),工具(INST: INSTRUMENT)等。在概念圖中,概念結點用一個矩形表示,概念關系結點用橢圓表示,有向弧標出了概念關系結點所鄰接的概念結點。每個概念圖可以表示一個命題,典型的知識庫將包含大量這樣的圖。例如:A girl, Sue is eating pie fast. 其概念圖如下所示。概念圖上可以進行拷貝、限制、連接和化簡操作,產生新的概念圖。

概念圖是基于語義網絡的邏輯系統,用它來進行知識表達不但直觀易懂,而且易于操作,通過對概念圖進行各種操作,能產生新的概念關聯和推理規則。此外,概念圖還能直接和自然語言建立映射關系。概念圖所具有的這些優點使它更適合于表達概念結構。

2概念圖的特點

概念圖使用帶標號的結點和連接這些結點間的帶標號的弧表示知識,屬于語義網絡的范疇,其理論建立在謂詞邏輯上,能完全與自然語言相互翻譯,表示出自然語言的語義[5]。概念圖同其他知識表示方法相比,具有更直接的同自然語言之間的映射,圖形化表示、可讀性更佳,比邏輯公式更直觀的特點。概念圖具有結構簡單、易讀、表示范圍廣、能夠確切地表示自然語言的語義、數學基礎嚴密等優點,代表了知識表示的發展趨勢。

概念圖與經典的知識表示方法相比,更符合人類的思維和語言習慣,但是它只能表達一些簡單的概念關系,并不適合于表達包含復雜概念結構的常識性知識。用概念圖進行知識表示需要分析知識的結構,所以其獲取過程要有領域專家的參與,還不能通過一個智能系統自動獲取。此外,對于一個復雜的問題求解而言,這種基于概念圖的推理容易產生冗余或者導致推理結果的不一致。因此,基于概念圖的智能系統只能進行一些簡單的問題求解,而對于包含大量的復雜概念關聯的常識性問題求解,概念圖還不能勝任。

3概念圖的應用

概念圖的理論自從被提出來后,受到很多研究者的青睞并將它應用到不同領域,例如知識工程、信息檢索等,在自然語言處理方面尤其語義理解方面具有廣泛的應用。不少研究者基于概念圖進行了研究與探索,并取得了一些成果。例如,殷亞玲[4]提出了一種基于概念圖的相關反饋技術,采用概念圖的知識表示方式描述概念之間關系,從語義的層次上進行相似度判斷,擴展查詢式。朱海平[5]以概念圖作為語義表示,研究了基于概念圖匹配的語義檢索。楊選選[6]提出的基于語義角色和概念圖的信息抽取模型,是在語義層面上對信息抽取的嘗試。它將淺層的語義信息應用于場景識別和抽取模式兩個層次上,并通過概念圖將句子的語義形式化、可計算化。劉培奇[7]結合主觀題中簡答題的人工批改過程,提出以概念圖理論為基礎的模糊含權概念圖知識表示方法;從漢語自然語言理解的語義分析角度研究了特定課程主觀題自動閱卷問題。

4小結

人工智能領域中絕大多數知識表示方法都直接或間接地涉及到概念結構,概念結構是人類認知能力的重要來源,現代的知識表示方法會越來越重視概念結構。概念圖是一種有力的知識表示工具,能完全描述自然語言所表達的意思,實現與自然語言的互譯。我們相信對概念結構和概念圖的深入研究必將對解決自然語言理解方面的難題產生重要貢獻和促進作用。

參考文獻:

[1]張仰森,黃改娟.人工智能教程[M].北京:高等教育出版社,2008.03.

[2]張蕾,李學良.概念結構及其應用[D].西北工業大學博士論文,2001.05.

[3]賀文,危輝.概念結構研究綜述[J].計算機應用與軟件,2010,27(1):156-159.

[4]殷亞玲,張蕾.基于概念圖的相關反饋系統的研究與實現[D].西北大學碩士論文,2006.07.

[5]朱海平,俞勇.基于概念圖匹配的語義搜索[D].上海交通大學博士論文,2006.10.

篇10

工作中存在的不足網絡輿情監測工作是指網絡信息工作的部門或人員在特定時期或者在特定的事件中對公眾在互聯網上發表的言論和意見進行監視、收集、分析、整理及預測的行為，這些言論被稱為網絡輿情。

當前的網絡輿情監測工作平臺主要是基于信息采集、整合技術和智能處理技術，通過對互聯網海量信息的自動抓取、自動分類聚類、主題檢測、專題聚焦，實現對用戶的網絡輿情監測，并由相關部門形成輿情工作報告、輿情信息簡報等，為輿論引導提供可靠的分析依據。

進入大數據時代，網絡輿論呈現的新特點，促使網絡輿情監測工作暴露出諸多不足之處，這為網絡輿情監測工作帶來了諸多挑戰。

網絡輿論信息格局發生變化，輿情分析質量亟待提高。據人民網權威的《2016年中國互聯網輿情分析報告》顯示，在2016年，伴隨著移動互聯網應用不斷向社會各層面滲透，網絡輿論的格局發生了很大變化，如網民結構與社會人口結構趨同，網民產生代際更新導致網絡流行議題和文化熱點發生轉換，微博、微信平臺化，專業自媒體步入興盛等。在這樣的變局下，網絡輿情監測工作面臨著新的挑戰。然而，有些部門的輿情信息收集工作仍然停留在報刊、門戶網站、BBS、微博等開源信息的收集階段，并未將新聞客戶端、微信、直播等平臺打通，難以保證輿情信息分析的全面性以及輿情熱度指標的準確性。《2016年中國互聯網輿情分析報告》還對近五年來參與當年最具網絡關注度的20個輿情熱點事件討論的320萬微博用戶樣本進行了分析，發現關注新聞事件和聚焦熱點話題的網民發生了代際交替，在性別方面，女性的比例明顯上升；在地域上，三、四線城市用戶增長迅猛。受眾層面發生的這些變化，也將在輿情監測工作中體現出來。然而在目前的輿情監測工作中，相關信息部門的輿情信息報送在內容上只是就事論事、停留在現象層面，對受眾的成分、熱點事件的社會背景以及事件背后所反映出來的社會問題沒有進行細致深入的研究分析；在形式上，網絡輿情監測工作的報送還停留在工作動態報告或者事件日志等形式的報送上。這樣就造成了網絡輿情信息的價值作用降低、服務能力減弱的問題。

熱點事件話語體系不可控，輿情預警能力亟待增強?？v觀近年來發生的熱點公共突發事件，可以發現，在以大數據為基礎的社交平臺上，公眾的話語體系呈現出了一些全新特征，如輿論主體的匿名性、參與渠道的多元化、生成議題的自發性、交流觀點的無界性、匯集意見的實時性、發展趨勢的不確定性等。這些特征與輿論話語體系在傳統媒體的呈現完全不同，網絡輿論熱點事件話語體系的不可控性大大增強。

在社交媒體平臺上，自媒體呈現出來的話語體系最為龐雜。許多輿情信息不僅包含結構化數據，還涉及大量非結構化數據，若對其準確性、真實性逐一核查，既耗費人力又耗費時間。就內容而言，較多負面、虛假輿情具有較強的隱蔽性，單純以關鍵詞或主題詞進行搜索容易產生誤判、遺漏。話語體系的不可控性增加了輿情監測工作的難度，這要求工作人員必須具備過硬的專業敏感性以及較強的網絡操作技能。但是目前大多數輿情監測工作部門的信息工作人員缺乏專業化的訓練，輿情信息工作水平參差不齊。就輿情監測平臺系統來說，對于輿情信息的跟蹤分析靈敏度較低，在有些熱點事件的處理上沒有按照公共突發事件的分類標準進行準確的分級，從而導致網絡輿情信息的分析判斷力體現不出其應有的情報價值，預警能力也隨之削弱。

輿情監測的技術體系落后，人機不協調問題亟待解決。網絡輿論的實時性及其發展的不確定性要求網絡輿情監測必須迅速、及時，但很多單位部門的輿情監測平臺的方法技術體系滯后，部分單位采用了網絡監控系統、有害信息過濾系統等方式進行網絡輿情監測，而有些單位為了節省輿情監測設備的成本，甚至將網絡輿情監測工作依托于人工網頁搜索及瀏覽的“人工盯梢”方式上，這成為監測工作的一大阻礙，監測工作出現疏忽錯判也在所難免。排除資金、人力等客觀因素，現階段的網絡輿情監測工作中技術方法體系的不足主要歸因于“人機不協調”。機器與人工的協同分工模式不成熟、機器的輔助力量不夠，導致人工智能技術在預測監測體系中分析情感、預測走勢、檢查效果等方面應用還稍顯粗淺、機械，而在需要人工進行的高級維度分析、提出應對策略等層面，機器的應用又顯得粗糙以及同質化。

人工智能為網絡輿情監測帶來的三大變革

網絡輿情監測要適應大數據時代人工智能的要求，就必須順勢而為，積極進行變革，主要包括網絡輿情監測技術體系的變革、網絡輿情監測研究范式的變革以及網絡輿情監測管理思維的變革三個方面。

網絡輿情監測技術體系的變革。將人工智能技術應用于網絡輿情是為了更好地對輿情進行分析研判，通過直觀、簡明的方式描述網絡輿情信息的產生，進一步推導信息傳播主體的態度傾向性、情緒感染性以及初衷、意圖等，從而預測網絡輿情信息的發展趨勢。

如果說在“小數據”環境下，網絡輿情監測工作還可以依托于“人工盯梢”的方式來完成，那么在“大數據”環境下，當數據的量級達到了EB甚至ZB級別后，以人工監測來把握輿情脈絡已成為不可能完成的任務。而那些隱含在網絡輿情信息中的觀點、態度及情緒的表達，更難以從泛濫成災的信息碎片中被真正發掘出來。加之海量信息的不共享所帶來的“信息盲區”，更使得輿情信息分析不夠嚴謹，易偏離實際，而這些問題都需要依托搭建智能化的網絡輿情監管平臺來解決。在平臺上可以通過三種人工智能技術實現數據分析與人工智能研判相結合，再借助如眼動儀、腦電儀等受眾檢驗儀器對網絡輿情信息進行綜合化分析。三種主要的人工智能技術主要包括：一是Web挖掘技術，該技術把互聯網與數據挖掘技術結合起來，對網絡上結構化數據如文字言論，以及非結構化的數據如視音頻、圖像等信息進行采集，完成信息前期處理的第一步；二是語義識別技術，該技術是利用采集到的信息，通過對語句中的關鍵詞進行詞義推斷處理以及句子語法結構的分析，從而將復雜信息簡單化，這是對采集的信息數據做進一步識別推斷的過程；三是TFDF信息聚類技術，該技術主要提升數據信息的分析和分類速度，使網絡輿情監測工作的處理更加及時，反應更加靈敏，提高采取措施的時效性。

人工智能技術的介入將有利于對信息進行挖掘、采集、分類、整理，從而找尋出最核心的關鍵性數據。在此基礎上，還可以運用人工神經網絡預測模型，對網絡輿情的性質、發展趨勢進行正確描述，并提出相應的對策。

網絡輿情監測研究范式的變革。人工智能和大數據對網絡輿情監測工作及其研究產生了頗為深刻的影響，輿情監測的研究范式從多角度發生了轉向。

第一，輿情監測工作視角的轉向：從單一化到多元化。在社交媒體平臺上，受眾的角色首先發生了轉向，由信息的被動接收者轉變為信息的參與者和傳播者。這一轉向給網絡輿情監測工作帶來了新的挑戰，當受眾是單純的信息接收方時，網絡信息的可控性強，輿情監測工作形式單一，把關相對容易。而受眾角色發生變化以后，網絡信息傳播的不可控性大大增加，信息傳播速度加快，信息傳播呈現多元化特征，把關難度增加，網絡輿情監測工作也從單一轉向多元化，還需要對信息進行疏導、研判處理。

第二，研究視角的轉向：從內容研究轉向“內容+關系”研究。傳統的網絡輿情信息研究最重視的是受眾借助網絡進行的話語表達，其研究視角主要集中在內容層面。隨著人工智能技術的介入，這一單向視角將發生轉變，潛藏在內容層面背后的網絡受眾心理、行為、動機、訴求等多方面因素都將被關注到。借助人工智能技術及大數據分析技術，網絡輿情信息的研究視角將透過內容層面深入到關系層面，轉向對網絡受眾社會心理描繪、社會關系呈現、社會話語表達等多維度的研究。

第三，研究重點的轉向：由輿情監測轉向輿情預測。當前的網絡輿情監測工作主要通過對當下網絡輿情的動態信息進行隨機采樣來收集、整理、分析，更多的是關注已經發生的事件在過去及當下的動向，對未來的發展預測難以兼顧。而借助人工神經網絡預測模型，通過自然語言處理、模式識別及機器學習等人工智能技術，可以對網絡輿情的性質、發展趨勢進行正確描述，再結合大數據分析處理整群數據來實現預測功能。比如，著名的搜索引擎公司谷歌通過關注用戶搜索中的“流感”關鍵詞來預測實際流感發生的時間，往往可以提前兩三個周對流感的爆發進行預報及預防。

網絡輿情監測管理思維的變革。在以人工智能技術為支撐的網絡輿情監測平臺出現之前，相關輿情監測部門的管理者往往由一人或幾人的小團隊組成，在監測信息數據量級不大的情況下，這種小作坊式單打獨斗、面面俱到的輿情監控管理思維可以基本滿足需求。但是隨著人工智能技術的發展及大數據時代的到來，這種小作坊式的輿情監測體系面臨瓦解。當前，商業化運營的軟件監測團隊多達幾百家，這些監測軟件服務商通過開發相應的輿情監測軟件為政府部門、企業主體以及科研院所提供服務，進行簡單的輿情信息數據采集及分類處理工作。在數據開源的情況下，這些軟件服務商的競爭逐漸由粗放型、低層次化向數據處理的優化、人機互動、機器算法的精進等層面轉變。

在以上變化的基礎上，輿情監測的管理思維也必須轉向，組建一支人員分工明確、高度聚合集約的輿情分析團隊勢在必行。輿情管理的思維變革依托于人工智能監控系統改變團隊的組織結構及管理方式，通過智能化的輿情監測系統代替低效的人工操作，其專業性要求頗高，而最佳處理模式就是專業化團隊加人工智能技術。按照這樣的管理思維，未來輿情監測團隊的分工將更加明確，行業內部集約聚合程度將進一步提高，行業有機化程度也將逐步增強。