人工智能第三次浪潮以及若干认知
（来源：科学杂志，2017-06-02）
长期以来，智能一直用来表示大脑思维的能力。智能究竟是什么？这个问题至今没有公认的答案，不断有人试图从本质上给出一个简短而精确的定义。其实，早在60年前，就有一个接受度较高的提法——智能的本质是大脑的信息处理或计算能力。这比思维能力具体了一些，有信息理论和人造的计算机做参照，但仍太笼统，除了思辨没有多大用途。追求智能的简要精确定义可能是个迷思，因为大脑是一个非常复杂的系统，智能是该系统多种属性、功能和外在表现的综合。
大脑智能的外在描述和内在探索
对大脑智能的了解，可以通过对大脑智能外在描述的观察，及对其内在的进一步探索。
大脑智能的外在描述可以从广义和狭义两个角度来讨论。广义上，所有需要经过大脑的信息处理或计算都可以视作智能活动，主要包括心智方面的感知、注意、识别、反应、情绪、推理、理解、觉悟、发现、动机、意图、规划、搜索、评估、决策，以及更为一般的控制和通信活动等。狭义上，常用“智、慧、聪、能”等字描述大脑智能，多指人类大脑独有的、而非人类大脑所不具有的能力。随着时代发展，人们开始发现，过去被认为是“智、慧、聪、能”的能力，人造计算机以及某些动物的大脑也具备。换言之，这种狭义的智能概念是随着人们认识的扩展而不断发展的。
大脑智能的内在探索至少应该包含信息处理和神经科学两个方
面。
信息处理方面，率先探索的是大脑的最基本元件。回顾历史，对这方面存在一系列疑问，比如大脑系统究竟存在几个基本单元？每个单元担任什么样角色？这些基本元件将形成几种不同的基本通路并发挥什么作用？这些通路以怎样的结构形成不同功能的模块，并如何构成系统？更进一步，还想了解在这个系统里信息是如何流动的，有几种机制协调管理这些流动实现各种智能活动等。与由电阻、电容、电感、互补金属氧化物半导体（complementary metal oxide semiconductor，CMOS）等基本元件构成的电路系统相类似，脑信息系统也应该不止有一种元件。从1943年麦卡洛克（W. S. McCulloch）和皮茨（W. Pitts）提出的神经元模型，1959年罗森布拉特（F. Rosenblatt）的感知机，1985年美国加州大学圣迭戈分校的并行分布处理（parallel distributel processing, PDP）团队的多层神经网络，到2006年多伦多大学欣顿（G. Hinton）团队展示深度学习用的受限玻尔兹曼机，他们考虑的都是一种元件，数学上用逻辑斯谛（Logistic）线性模型来近似其多输入单输出的关系。另外，从1960年代初维塞尔（T. Wiesel）和休伯尔（D. H. Hubel）的特征检测理论，到现今深度学习中广为使用的卷积神经网络，采用的是称为S 元（simple cell，简单细胞）和C元（complex cell，复杂细胞）的两种基本单元。
神经科学方面，也有许多问题引起众人关注。例如神经元主要由哪些关键性物质构成？哪些物质调制神经元功能（神经科学称其为调质）？哪些物质作为信息流载体（神经科学称其为递质）？近年来，已被发现的递质和调质有近百种，有待鉴定的可能性更多，可分为胆碱类、单胺类、氨基酸和神经肽。随着时间的推移，还会发现更多种这样的物质。
然而智能的内在探索在上述两个方面的发展存在很大的不平衡，
投入的力量相差悬殊。尽管在关于神经元的结构和物质组成上，已有不少研究发现，但这些成果对弄清智能行为少有帮助。笔者认为应该将两方面的进展联系起来，并思考哪些生化物质对应哪种基本单元，哪些物质支撑信息流动，哪些物质可能影响神经元的生存和能耗，但并不直接起信息处理作用，找到这些问题的答案或许能加深对智能的理解。
近二三十年脑科学的研究进展与人工智能第三次浪潮关系不大，不过，1960年代的特征检测理论和1980年代的多层神经网络对第三次浪潮颇有影响。
智能研究历史回溯
冯·诺依曼结构的计算机诞生后，人们产生了种种期待，觉得计算机像人一样有智能，机器替代人完成各种工作的时代来临了。著名的图灵测试让机器模拟人类智能行为，以此来判别机器是否拥有人工智能。当时的研究兵分两路，一路是人按照特别设计的语言编程，机器通过乔姆斯基（N. Chomsky）形式语法系统和相应的树搜索技术读懂并完成可编程求解的问题或活动；另一路针对那些难以编程的问题，主要是语言理解、机器视觉、知识表示、推理规划等。智能研究的多个分支纷纷出现，并在1950年代掀起第一次研究浪潮。
巴洛（H. B. Barlow）、莱特温（J. Y. Lettvin)、维塞尔和休伯尔关于特征检测器及其理论的研究，开创了计算神经科学。基于麦卡洛克和皮茨神经元模型的罗森布拉特的感知机，既是人工神经网络研究的起始标志，也与统计决策理论、霍夫变换(Hough transform)一起成为模式识别和机器视觉的源头。乔姆斯基形式语法系统影响巨大，不仅是计算机程序编译和符号人工智能的源头，而且还推动心理学派生出计算心理学，令物理符号主义取代了起源于20世纪初的行为主义。
在其后一二十年里，这些分支分别自立门户。符号人工智能的发
展规模最大，形成了知识表示、规则推理、启发搜索的基本体系。但是符号人工智能的知识和规则的获取需要通过人工，然后才是机器进行演绎，整个流程其实是编程求解的“同宗兄弟”，因而有类似的局限。这一期间，人工神经网络的研究则受到符号人工智能中某些大师的错误排挤，发展停滞。
经历了那一段艰苦时期，曙光终于出现。1980年代中期，计算心理学逐步发展为认知科学，在加州大学圣迭戈分校PDP团队的倡导下，建立在人工神经网络模拟大脑神经元及其联结基础上的联结主义活跃起来，其部分主要旗手转而扛起人工神经网络的旗帜，推动神经网络学习在其后十余年间掀起高潮。同时，停滞了20余年的行为主义在萨顿（R. Sutton）等人的推动下，以强化学习（reinforcement learning）为主题，再现活力。另外，模式识别和机器视觉研究也开始沿着多条线发展。一时间，人工智能研究蓬勃发展，春色满园。这一时期可以认为是智能研究的第二次浪潮。我国相应地进行了各种跟踪研究，迎来了第一次浪潮[1]。
1990年代中末期开始，人工神经网络的一些主要研究力量转向推动人工智能发展。先以贝叶斯网络推理为主流，后又将神经网络学习研究进一步推广为研究各种机器学习方法，智能研究的第三波浪潮掀起。此次浪潮带动模式识别与机器视觉方向的研究再度趋热。而集成电路、无线通信、互联网、信息采集、传感控制、物联网等多种技术的积累，尤其海量数据和超级计算能力的提升，为辛顿团队在2006年重新审视深度神经网络创造了条件，他们很快在认识上有了新突破，由此推动人工神经网络急速升温，促进了神经科学、认知科学的繁荣和相互融入。经过60年，智能研究相关各分支再度大整合。AlphaGo 系统进一步成功整合深度学习和强化学习，并让人们再次关注到一甲子以前曾风靡了一甲子的行为主义。
第三次浪潮与前两次浪潮最为不同的是IBM、谷歌等科技巨头的
加入，它们以雄厚资源和大兵团作战能力，雄踞龙头，通过推出沃森（Watson）系统、AlphaGo系统等智能产品，持续推高第三次浪潮。这意味着针对超级复杂大系统的智能研究已从学者们个人的沙盘推演转变为大规模团体作战，这个转变是必然的。
对于我国人工智能的发展境遇，笔者有三点管见[2]：首先，研究的龙头应是大科技公司或综合体系，而非高校或事业单位的研究院所。龙头企业的兴起才是评判国家人工智能发展水平的重要因素。第二，国家规划有助于扶持这类综合体系的产生，但关键是领导整合能力。第三，事业型研究单位和小的高科技公司应专注薄弱及重要环节的新方法、新技术，这样会有效加快我国人工智能前进的步伐。
有关智能研究若干提法之梳理
智能研究各分支的这番大整合，产生了不少新术语，并出现了若干可能会引起误解的新提法。为避免混淆，需要对它们进行系统梳理。
类脑计算（brain-inspired computing）最早在美国流行，是指受大脑神经元结构和机制启发而研制的计算芯片，以及由这种计算芯片组建的计算系统。类脑计算主要包括神经形态芯片和脉冲神经元芯片，它的功耗远低于CMOS芯片。2017年年初，《自然材料》（Nature Materials）报道了一种更接近大脑神经元机制的新型忆阻器芯片，或许由它组建的计算系统会更接近人类大脑智能。
类脑智能（brain-like intelligence）在20多年前就经常出现在亚太神经网络学会的会议上。日本理化学研究所（RIKEN）前脑科学研究院院长甘利俊一（S. Amari）教授在建议用信息几何理论对脑的学习建模时，也常使用这个词。其实，它与大脑内在没有直接关系，只是人工智能的同义词。它还有另外一层意思，指模拟智能的系统至少有一些与大脑内在类似的东西（brain-like system）[3]。现今该词的用法多为后者，卷积神经网络和深度学习嵌入了维塞尔和休伯尔特征检测结构，也算一例。由此可见，可以认为类脑计算是类脑
智能研究的一部分。但是，从神经科学得到的关于大脑内在的已有知识甚少，制约了类脑智能研究的发展，算得上是类脑智能的事例至今不多。
增强智能（augmented intelligence）又称脑机智能或脑机合一，源于拓展大脑对外信息输出的通道（语言、动作、表情、文字等）。先由机器如可穿戴设备直接获取大脑的信息（目前主要是脑电信号），接着对其进行不同程度的处理。增强智能可以用于控制各种伺服机构，如假肢、轮椅、各种装置、人造器官等，也可以实现机器的高水平智能活动，形成人脑—机器接续合一，甚至完成机器的信息输出，通过人的自然感官或人工通道（如附加电极）反馈，从而影响大脑的智能。增强智能不同于模拟大脑能力的人工智能，也非耸动视听的“对抗人工智能”，而是指“大脑智能+新的信息通道+人工智能”以增强或延拓大脑的智能。
群体智能（crowd intelligence）又称群智计算，是指大量个体通过交流合作实现超越个体的智能。这个名词源于30多年前对蚁群、蜂群等行为的研究，该研究主要是观察没有中心控制的分布式初级个体如何发生自组织。如今，群体智能关注的是高级智能个体，严格地说，大脑智能就是人类群体智能在每一个体大脑上的不同体现，现实中很难看到一个孤立大脑的智能。人类智能实质就是以大量个体大脑通过通信交流和储存积累两个基本要素，再由第三个要素——某些核心人物或团体进一步归纳提炼，逐步形成的；反之，它又会影响、教育、提升每一个体的大脑智能。当今超级互联网和强大的服务器大大提升了前两个要素，而第三个要素也有人工智能、类脑智能和增强智能为帮手，人类智能的后续发展非常令人期待。
认知计算（cognitive computing）这是IBM倡导的名词，即其推出的超级计算机沃森的主题词。它是近几年IBM力推的发展方向。从概念上看，认知活动涵盖感知、识别、推理、评估、决策、理解等，
构成了大脑智能的主要部分。用机器实现这一部分的计算，当然属于图灵测试认可的人工智能。IBM强调，与通常计算机的数据分析所面对的人工编程和人工制表的结构化数据不同，认知计算可以处理非结构化的大数据。其实，非结构化的数据处理也是人工智能的原有目标之一，只不过之前符号人工智能实现不了，而今可以用大数据驱动的深度学习来实现。从认知科学角度来看，认知计算是联结主义和符号主义联姻的成功案例，可大致视其为人工智能1.5。
AlphaGo是谷歌 DeepMind研制的人工智能围棋系统。2016年3月，它4∶1战胜李世石；2016年末和2017年初，它又在中国棋类网站与中日韩数十位围棋高手进行快棋对决，连续60局无一败绩。该系统也是以代表联结主义的深度学习作为驱动引擎。它利用大数据通过深度网络学习得出对当前棋局好坏的经验评估和下一步各种落子的经验概率分布；还利用大数据通过浅层网络学习得出快速走子策略，驱动蒙特卡洛树搜索进行前瞻性侦察，获得关于获胜机会的前瞻评估。此外，代表行为主义的Q学习进一步综合落子概率、经验评估和前瞻评估后，系统才真正落子。不仅如此，它还要与过去的自己对弈，反复内省之前所学，巩固赢面。从认知科学角度来看，AlphaGo 是成功整合联结主义、行为主义、符号主义，甚至还有内省主义的经典案例，可以将其看作人工智能1.8。
“人工智能2.0”是中国“科技创新2030重大项目”的几个专项之一，由潘云鹤院士牵头提出，旨在发展新一代人工智能，最近已获国务院批准，将在2017年下半年进入实施。该计划提及的新方法和新技术，囊括了大数据智能、人机混合增强智能和群体智能等，敦促分类型处理多媒体数据（如视觉、听觉、文字等）迈向认知、学习和推理的跨媒体智能，将研究的理念从机器人转向更加广阔的智能自主系统。“人工智能 2.0”在应用落地方面，致力于满足智能城市、智能经济、智能制造、智能医疗、智能家居、智能驾驶等从宏观到微
观的智能化新需求。它的实施有望使我国的科研与产业从“跟跑”，转变成“并跑”甚至“领跑”。
深度学习成功的主要原因
多层最小平方自组织学习图(a)是一个监督和自组织双向学习的模型，类似现今深度神经网络学习的典型方法[4,5]。为了便于理解，将图(a)类比为图(b)。图(b)中，数据x类似光线，从输入层传入，在到达第一个层间界面时，一部分穿过进入下一层，另一部分反射回来，视为x的一个重建。可以通过改变媒介性质，使得重建误差最小。对于穿入第二层的信息，情况相似，不过要注意的是，第二层的反射也可以穿过第一层并与第一层的反射叠加。逐层类似，最后直到监督层。需要指出的是，这个类比是粗糙的，实际情况更为复杂。
深度学习是人工智能第三次浪潮的引擎，它成功的原因通常被归结于三点：大数据、超级计算能力和新的数学方法。前两个原因毋庸置疑，而对第三点原因的认识却时有争议。下面就两个常见的观点作一些探讨。
一种观点是，以前的神经网络学习只考虑三层（即只有一个隐单元层），而现在的深度学习考虑很多层。这种看法有悖于历史事实。鲁梅尔哈特（D. Rumelhart）和欣顿等人在1980年代中期提出的误差反向传播学习针对的就是多层网络，当时还有许多研究考虑的也是多层网络。西本科（G. Cybenko）、霍尼克（K. Hornik）等人从1980
年代末应用函数逼近表示理论，指出三层网络有所谓数学上的通用近似能力，即只要隐单元数目足够大，用它近似任何函数，都可把误差控制得足够小这类研究或许影响了一部分人只关注三层网络，但仍有很多人在研究多层网络。
另一种观点是，以前的神经网络学习依靠的是误差反向传播，其缺陷是局部极值和误差积累等因素导致反传的深度有限。而深度学习反向行之，用无监督学习方法，从数据输入层开始，先学第一层参数，并将数据传到第二层，这样第二层的情形就等同于第一层，如法炮制……最后直至监督层。然后根据监督标签得到的误差进行反向传播学习，精调每一层的参数。他们认为这是突破过去的一个新数学方法。
其实这种观点也与历史不符。笔者在1990年代初提出的多层自组织学习[4,5]，就包含数据从输入层传入的逐层自组织学习与从监督层进入的逐层反向传播学习。在逐层反向传播学习中，监督标签由上而下从监督层进入，通过改变各层使得误差不断减小。这个反向的监督学习，可以与由下而上的自组织学习先后进行，也可同时实施线性叠加。这个双向学习，还可用来解释注意和想象机制[4,5]。遗憾的是，当时由于没有如今出色的计算能力和大数据支撑，计算实验只在单层上进行，无法继续深入。
深度卷积神经网络是另一个主要的深度学习模型，也诞生于人工智能第二次浪潮中，福岛邦彦（K. Fukushima）和杨立昆（Y. LeCun）早期都做出了杰出贡献。
笔者认为，尽管深度学习过去已有“深度”，也考虑过监督和非监督的协同双向学习，但没有大数据和超级计算支撑实际的计算，进展非常不尽如人意。2006年，欣顿团队采用“大+超+深”（大数据+超级计算+深度）并辅以自组织的双向学习（即监督学习+非监督预训练），产生了认识上的突破，让人们看清原来“路在脚下”。经过十余年的发展，深度网络学习终于攀上了前所未有的高峰。
探讨深度和双向对学习成效的意义
从模式层次表示理解深度学习中深度与监督+自组织双向学习现实中已被人类所认知的事物一般都具有如图(a)所示的层次表示，对应一个如图(b)所示的树，也可以如图(c)所示的立体树。同一层的节点间，如图(d)所示，可以有横向的有向连接（B→C），甚至有逆向连接（E→C），但不允许有如图(e)所示的任何闭环（A→B→E→C→A）存在。同一层节点间有横向连接时，可通过将有横向连接的层分成多层，令该树变为图(b)或图(c)所示的形式。对应两个模式概念的树，可能会共享一些子树结构。这时，任一个模式的根节点为真，都会驱动那些标注*号的节点及其后代为真。
在了解了深度学习成功的主要原因后，再进一步追问两个问题，深度学习为什么要深？监督学习+自组织双向学习真的可以提升学习效果吗？
简单来说，监督误差会随着学习逐渐减小，这个过程常遇到一片局部极小值众多的区域，一旦进入，就会很长时间走不出来。倘若深度加大到一定程度，就算进入此区域也不要紧，因为其中任一个局部极小点的误差已与全局最小误差相差不大。而辅以非监督预学习，可减少进入该区域的概率。如果采用随机梯度下降算法，效果会更好些。这个说法似乎解释了为什么要深，但又带来一个新问题——太深是否会引起过拟合问题？
对此，一种解释是，现在的深度学习采用海量的数据，不存在过
拟合问题，关键是尽量增加层数以减少欠拟合误差。而以前的机器学习是小样本集学习，关键是控制模型复杂度以避免过拟合。但是，这个解释需要证据来说明就算没有其他辅助措施避免过拟合，“大+超+深”依然行得通。理论上，还需要分析估计深度神经网络的等效复杂度，由它来判断数据的规模是否大到了使欠拟合转变为主要矛盾。
笔者认为，还可以从模式层次表示的角度来回答本节开头的两个问题。维塞尔和休伯尔的特征检测理论认为，每个图像模式都由不同层次的子结构和特征构成。不仅是图像，现实中那些已被人类所认知的事物一般都具有这样有效的层次表示。基于这种层次表示，笔者对深度学习也曾给出过两个解释。
其一，这类可层次化的模式或概念可对应一个因果树（causal tree） [6,7]。只要知道因果树的根节点为真（即已知某种模式），便可推断必有子节点为真（即必有对应的子结构出现）。按此规则可以类推出所有节点。例如，根节点确定是眼睛，往下一层，应该有一个圆形和一个椭圆形子结构；更下一层，就应有若干弧形特征片段。这种性质对应于马尔科夫（Markov）条件独立性，即若一个节点的值已知，其下各支子树之间就会变成独立。设想一个真实反映某个模式的树，已知标签告知根节点为真，那么真值就可以一路下传，到达位于不同层次的那些子结构或特征片段。下传得越深，底层上那些节点就越接近独立或分组独立。仅靠用监督误差的反向传播学习，难以满足这种约束性很强的结构。
当年笔者在研究多层自组织学习时发现，每个神经元引入一个S 型的非线性函数后，这种从数据层开始的逐层向上的自组织学习会使得同层的神经元变得尽量独立或分组独立 [4,5,8]。这个特征与监督误差的反向传播学习结合，有利于发现和学习树状层次结构。换言之，监督学习+自组织双向学习可以显著提高学习效果，而且层次越多，监督学习+自组织双向学习越有必要。分析发现，欣顿团队所用的受限
玻尔兹曼机的学习，情况类似。
不难发现，树状层次越近底层的特征片段越小，这有利于自组织学习逐层向上变成独立或分组独立。不仅如此，对应两个或多个模式概念的因果树可能会在不同层次上共享一些子结构或特征片段。这不仅将显著裁剪掉多余的结构复杂度，而且两树的共同节点被驱动为真的机会增加了，有利于它们下方底层上那些节点变成独立或分组独立。而神经网络的层次越多就越有利于多个模式的因果树在不同层次上实现共享。
其二，基于上述模式层次表示，也可从分治—整合的角度来理解深度学习。即从监督层向下的过程，将模式的复杂结构分而治之地逐层分解为更简单的子结构，直到底层的基本单元；而从数据层向上的过程，驱动与其相匹配的特征逐层向上整合，实现对复杂模式的认知。按照丘奇—图灵学说（Church-Turing Thesis），深度神经网络的计算能力应该与图灵可计算等价[9]。
观察由简单基元递归产生的层次模式，会注意到，递归产生一个特定模式至少需要一定层数。若用少于这个层数的神经网络来表示这个模式，则无法准确描述该模式结构，只能是达到某种程度的近似。只要三层网络的隐单元数目足够大，就可以近似任何函数输入—输出之间的点对关系，把误差控制得足够小。但是，这样做不一定能保持其函数结构，要保持结构，就必须有足够的深度。那么，是否越深越好呢？可以把一层分为几个更细的层，也可以把多叉树变成深度增加的二叉树，这些做法都不会降低准确描述层次结构的可能性，从这点看，似乎越深越好。不过，深度越深，对剪枝能力的要求越高，不然冗余的层间连线将造成许多虚假分支，造成过拟合的表述错误。实际上，稀疏学习和嵌入特殊结构的各种现有努力，针对的就是过拟合问题，这些似乎并不支持关于“大数据深度学习没有过拟合问题，而只是欠拟合问题” 的说法。（作者：徐雷）
参考文献：
1.徐雷. 信息科学“金三角”的故事——纪念常迵先生和程民德先生百年诞辰. 科学, 2017, 69(1): 55-56.
2.杨淼. 规模会战下人工智能需要整合、转变——对话上海交通大学电信学院认知机器和健康计算研究中心徐雷、连勇、杨杰、杨小康、张丽清教授. 千人杂志, 2017(1-2): 22-25.
3.Xu L. Learning, reasoning, and optimization in a brain-like system: a BYY learning perspective. Wuhan: Intl Conf on Bio-Inspired Computing: Theory and Applications, 2006.
4.Xu L. Least MSE reconstruction: a principle for self-organizing nets. Neural Networks, 1993, 6(5):627-648.
5.Xu L. Least MSE reconstruction for self-organization:
(I)&(II). Proc of 1991 Intl Joint Conf on Neural Networks. Singapore: IEEE Xplore, 1991.
6.Xu L, Pearl J. Structuring casual tree models with continuous variables. Proc of 3rd Annual Conference on Uncertainty in Artificial Intelligence. Seattle: Uncertainty in Artificial Intelligence, 198
7.
7.Pearl J. Causality. 2nd ed. Cambridge：Cambridge university press, 2009.
8.Xu L. Independent Component Analysis and Extensions with Noise and Time: A Bayesian Ying-Yang Learning Perspective, Neural Information Processing - Letters and Reviews, 1(1): 1-52, 2003.
9.Xu L. Enviro-geno-pheno state approach and state based biomarkers for differentiation, prognosis, subtypes, and staging. Applied Informatics, 2016, 3(4): 1-14.
人类智能与人工智能 姓名：康李伟学号：2015387950721 学院：生化学院 随着信息技术的发展，人类把最新的计算机技术应用于各个学科，对这些学科的认知也进入了日新月异的发展阶段，促使大量的新的研究成果不断涌现。机器思维和人工智能在未来发展的可能性和重要性有其值得重视的一面，但机器思维只是人的思维在一定程度上的延伸和补充，而不是一种独立的思维，机器思维同人类思维二者虽然存在着一定的相似之处，但由于其思维的物质承担者不同，在智能活动中的地位和思维程序也不同，所以有本质的区别。 什么是人类智能呢？人类智能就是人类认识世界和改造世界的才智和本领。人类之所以能成为万物之灵，是因为人类具有能够高度发展的智能。它包括“智”和“能”两种成分。“智”主要是指人对事物的认识能力；“能”主要是指人的行动能力，它包括各种拔能和正确的习惯等等。人类的“智”和“能”是结合在一起而不可分离的。人类的劳动、学习和语言交往等活动都是“智”和“能”的统一，是人类独有的智能活动。意向是人类智能的一个重要方面。人的活动是有目的的、自觉的活动，一刻也离不开自己意向的主导。注意、需要、意图、情绪、意志、理想等都是人的意向活动形式。保持积极的意向、恰当的情绪和顽强的斗志等等，对人类智能的发展和发挥是十分重要的。思维是人类智能的核心。人类智能的特点主要是思想，而思想的核心又地思维。“人是一种思维的动物”，没有思维就没有人类的智能。有了思维，人类才能形成各种较复杂的意向，从而主导着人的活动，表现出人类所特有的自觉能动性。有了思维，人类才能探索自然界的奥秘，发现自然现象背后的规律。有了思维，人类才能发明各种技术，突破自己认识器官和行动器官的限制，大大提高改造世界的能力。 而人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。 人工智能的本质是对人类智能思维的模拟从方法论上讲模拟一般分为 两种结构模拟和功能模拟结构模拟方法根据系统之间形态结构的相似性运 用物理模拟和数学模拟方法用模型去模拟对象通过模型来间接地研究原型 的规律性这种传统模拟方法在科学技术的发展过程中发挥了巨大的作用。 但是当系统之间在形态和结构上相差极大，或原型的结构机制没有得到充分的理解时，结构模拟方法就很难进行对人脑进行结构模拟，就是仿照人脑的结构机制试图制造出类人脑，其模拟的前提是人脑这个原型的结构机制已有了可靠的理解。但是由于人脑这一巨大系统的极端复杂性，当代脑科学尚没
人工智能，语言与伦理-网课答案 1. 单选题深度学习中的“深度”是指( )。 中间神经元网络的层次很多 2. 单选题从儒家的立场来看,德性是靠( )的。 熏养 3. 单选题实际的翻译中有时要破坏句子原有的句法结构,根据( )重新组织句子。 意义 4. 单选题金谷武洋认为日本人是( )看待世界的。 虫子的视角 5. 单选题把归纳逻辑抬到比较高的位置的哲学家是( )。 大卫·休谟 6. 单选题在人工智能的所有子课题中,所牵涉范围最广的是( ) 自然语言处理 7. 单选题机械主义的说明方式不能囊括人类的( )。 感觉 8. 单选题 SHRDLU系统实际上是一个( )。 积木系统 9. 单选题 ( )无法得知,因为他人的行为和表现有伪装性。
10. 单选题弱人工智能是指仅仅模拟人类大脑的( );强人工智能是指其本身就是一个( )。 智能;心智 11. 单选题深度学习的实质是( )。 映射机制 12. 单选题框架与框架之间的粘接剂叫做( )。 框间关系 13. 单选题影响基于中间语的机器翻译思路的哲学家是( )。 莱布尼茨 14. 单选题深度学习的数据材料来源于( )。 互联网 15. 单选题语言不仅仅是句法问题,更是( )的问题。 音韵 16. 单选题提出强人工智能与弱人工智能的人是( )。 约翰·塞尔 17. 单选题塞尔论证的合法性前提是,他的中文屋系统和一般的计算机系统之间是( )。 同构的 18. 单选题计算机之父是( )。 艾伦·图灵 19. 单选题人工智能作为一门学科的建立时间是( )。
20. 单选题德性论者关心的是( )。 道德主体 21. 单选题击靶德性论致力于将“德性”兑换成平时我们所经常用到的( )。 德性名目 22. 单选题深度学习归根结底是一个( )。 映射机制 23. 单选题提出强人工智能与弱人工智能的人是( )。 约翰·塞尔 24. 单选题下列属于基于统计的自然语言处理进路的是( )。 基于贝叶斯公式 25. 单选题 ( )的思想激发了基于中间语的机器翻译思路。 莱布尼茨 26. 单选题 ( )是非常接近欧陆现象学运动的语言学流派。 认知语言学 27. 单选题基于规则与统计的混合进路的日然语言处理进路背后的哲学根据是( )的哲学。 康德 28. 单选题量词在汉语中的演化史,以( )时代作为一个重要的转折点。 两汉
学高身正明德睿智 云南省唯一的省属重点师范大学 学校：云南师范大学 学院：生命科学学院 专业：生物科学10级B班 姓名： 学号： 学制: 四年
浅谈现代生物技术发展历史 摘要：现代生物技术是通过生物化学与分子生物学的基础研究而快速发展起来的。医药生物技术起步最早、发展最快，目前世界已有2000多家生物技术公司，其中70%从事医药产品的开发。生物技术工业总体日趋成熟，正在由风险产业变成以商业为动力，以市场为中心的产业。应用生物技术已有可能产生几乎所有的多肽和蛋白质，基因工程技术的应用已使新药研究方法和制药工业的生产方式发生重大变革。 关键字：现代生物技术历史现状研究 导言科学家们认为，20世纪的科学技术是以物理学和化学的成就占主导地位，而21世纪的科学技术是以生物学的成就占主导地位。21世纪称为生命科学的世纪，生物技术称为21世纪的朝阳产业。生命科学的新发现，生物技术的新突破，生物技术产业的新发展将极大地改变人类及其社会发展的进程。在生物技术领域取得的突破性进展可以彻底消除营养不良，改善食品的生产方式，消除各种污染，延长人类寿命，提高生命质量等。一些成果还可以帮助人类加速植物和动物的人工进化以及改善生态环境对人类的影响等。 一．分类 生物技术的发展可分为三个阶段，即传统生物技术、近代生物技术和现代生物技术。 （一）传统生物技术阶段 指19世纪末到20世纪30年代前，以发酵产品为主干的工业微生物技术体系。这一时期的生物技术主要是通过微生物的初级发酵来生产食品，其应用仅仅局限在化学工程和微生物工程的领域，通过对粗材料进行加工、发酵和转化来生产纯化人们需要的产品，如乳酸、酒精、面包酵母、柠檬酸和蛋白酶等。 （二）近代生物技术阶段 近代生物技术是以20世纪4O年代抗菌素的提取，50年代氨基酸的发酵到60年代酶制剂工程为线索，仍以微生物发酵技术为技术特征的。这一时期抗生素工业、氨基酸发酵和酶制剂工程相继得到发展，细胞工程相关技术日臻完善，但从技术特征上看还不具备高新技术诸要素，因此只能被视为近代生物技术。 （三）现代生物技术阶段 现代生物技术以20世纪70年代DNA重组技术的建立为标志，以世界上第一家生物技术公司——Gene-Tech的诞生（1976）年为纪元。此后，越来越多的科学
学习心得 程宇涵 113120160117 16物联网 在看李开复老师的《人工智能》之前，我有许多疑惑，人工智能是什么？是男是女，长什么样儿？漂亮吗？会不会生病？会不会老？人工智能聪明吗？会下象棋吗？会打麻将吗？会玩dota或者王者荣耀吗？会打乒乓球吗？会打篮球吗？会游泳吗？人工智能有记忆 吗？能不能教他说话、拿筷子夹花生米？人工智能好玩吗？怎么玩？怎么跟它交流？它会不会说话？能陪我唱歌吗？要不要吃饭？要不 要充电？人工智能有什么用？能帮我写文章/搬砖/做报表/开车吗？能用来赚钱吗？人工智能怕什么？下雨天能出门吗？天热会不会出汗？从楼上摔下去会不会变形？能修好吗？人工智能有什么危险？ 会不会吃了我？它要是想伤害我，我该怎么办？我该怎么了解人工智能？学习人工智能？和人工智能和谐相处？人工智能有什么爱好？ 喜欢听什么歌？吃豆腐脑喜欢咸的还是甜的？会看书吗？能不能体 会“今宵酒醒何处，杨柳岸，晓风残月”的寂寞和“醉卧沙场君莫笑，古来征战几人回”的豪迈？人工智能有感情吗？会喜欢我吗？我离 开它的时候，它会不会难过，会不会想我？ 通过学习李开复老师的《人工智能》，我获益良多，很多问题也有了答案。我认为这是一本很好的面向大众的科普读物，介绍了人工智能的基本理念，发展历程和对未来的展望。
下面以问答的形式，记录学习心得。 1. 人工智能是什么？在哪里？ 其实，人工智能已经到处都是，什么都做：可以陪人聊天，可以写标准新闻，能画画，能翻译，能开车，能认出人的样子，能在互联网上搜答案，能在仓库搬货，能送快递到家。 人工智能是什么，众说纷纭，一般有以下五种定义（可能有交叉）：1) 在某方面特别聪明的计算机程序，比如AlphaGo，下围棋下得特别好，世界冠军也下不过它。 2) 试图像人一样思考的计算机程序。但这事儿太难，人的意识，连人自己都搞不清楚，更别说教给自己编出来的程序了。 3) 怎么想的不知道，行为方式倒是很像人，比如可以和人聊天的ELIZA。 4) 会自己学习的，刚开始笨笨的，慢慢地就越来越聪明。AlphaGo 也是因为头悬梁锥刺股，苦学了海量棋谱才变得这么厉害的。 5) 根据对环境的感知，做出合理的行动，并获得最大收益的计算机程序。
走进认知语言学 摘要：认知语言学是近年来语言学的研究热点，它是在新的哲学观和认知观基础上，以人们对世界的经验和对世界进行感知和概念化的方法来研究语言的新兴语言学科。本文从认知语言学的产生发展、定义、基本假设、基本理论和研究方法五个方面浅谈了对该理论的认识和理解。 关键词：认知；认知语言学；现代汉语 语言是人类最重要的交际工具和进行思维的工具，为了让语言更好的为人类的交际活动服务，我们必须要研究语言，从不同的角度研究语言，运用各种各样的理论和方法来研究它的方方面面，这是一个漫长而艰难的过程。作为一名在读的汉语言文字学专业的研究生，我需要掌握各种语言理论知识，不仅要了解旧的语言理论，更要关注最新的学术问题，为以后的现代汉语的学习研究打下扎实的理论基础。在语言理论的课堂上，我第一次认识、了解了一种新的语言理论——认知语言学。 一、我对认知语言学的认识 认知语言学是从二十世纪六十年代产生，经过了七八十年代的发展，形成的一个系统而完整的理论体系。认知语言学理论的产生与当时科学理论的大背景是一致的。随着计算机时代的到来，认知科学应运而生，它是一门综合学科，涉及计算机自然语言理解、人工智能语言学、心理学、系统论等多种学科，这其中也包括了认知语言学。 （一）认知语言学的产生与发展 认知语言学发端于20世纪70年代，自80年代中期以来，它的研究范围已扩展到了语言学的各个领域。认知语言学最初是针对“语义”的研究提出来的。美国生成学派以Langacker为首的语义学家们认为语义部分才是句法生成的基础,他们从底层语义关系的研究中得出结论，认为自然语言的句法不是自主的，不能独立于语义，而语义也不能独立于人的认知。至此,他们摆脱了乔姆斯基的句法形式研究，走上了认知语言学的道路，成为了认知语言学的奠基人。
大学研究生学位课程论文 课程名称：科学技术与社会 论文题目：浅议人工智能对社会发展的影响 浅议人工智能对社会发展的影响 内容摘要：人工智能作为20世纪以来发展极为迅速的一个学科领域，其对社会的影响也越来越引起人们的重视。本文试图从STS的角度着重说明人工智能对人类的经济利益、社会和文化生活 等方面的影响。 关键字：人工智能、经济利益、社会和文化生活 人工智能，也称机器智能，它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。人工智能的研究及应用领域包括问题求解、逻辑推理与定理证明、自然语言理解、自动程序设计、专家系统、机器学习、人工神经网络、机器人学、模式识别、机器视觉、智能控制、智能检索和智能调度与指挥等等。自人工智能出现以来，科学家们在这些领域的研究已经取得了非常惊人的成果，同时，这些人工智能研究成果也证明了在某一特定方面计算机可以超越人的能力。人工智能的发展已对人类及其未来产生深远影响，这里我们抛开其对科学技术发展中的作用不谈，从STS的角度着重说明这一技术对人类的经济利益、社会和文化生活等方面的影响。 一、人工智能对经济发展的促进 人工智能系统的开发和应用，已为人类创造出可观的经济效益。科学家要发展人工智能技术是需要很大的投入的，咋看起来不仅没有促进经济的发展，反而是在大量消耗着资金。其实，在当今时代，技术的发展是以人类的意志为转移的，人类开发人工智能最主要的目的还是要为人类服务，当然经济利益的回报，无疑是最直接最有效的，尤其是对企业而言，如果这个技术能为其带来高额的经济利益，那无疑会得到优先的发展。 人工智能对经济的促进作用不单是对个别企业和行业，随着计算机系统价格的继续下降，人工智能技术必将得到更大范围的推广，产生更大的经济效益。专家系统的应用就是一个很好的例子。 一般的说，专家系统是一个智能计算机程序系统，其内部具有大量专家水平的某个领域的知识与经验，能够利用人类专家的知识和解决问题的方法来解决该领域的问题。
生物催化工程的第三次浪潮 孙志轩细胞生物学 1133221016 过去的十年里，由于科技的进步，无论是实验室还是工业规模都已确定用具实用性并且环保的生物催化来代替化学合成中的传统的金属催化和有机催化。DNA测序以及基因合成的关键进展是基于剪切生物催化剂通过蛋白质工程和设计，及将酶整合入新的生物合成途径的能力取得的巨大进步。为了突出这些成就，在此我们讨论了以酶催化作为关键步骤，将蛋白质-动力学生物催化剂应用于从通用化学品到先进医药中间体的范围。 生物催化是对合成化学中微生物和酶的应用，作为自然界的催化用于新的目的：酶的应用还未涉及到[1-5]。通过几次技术研究创新的浪潮，目前生物催化领域已达到其企业成熟水平。 图1酶发现的进程及用于确定所需催化剂的蛋白质工程策略 理性设计（b）基于蛋白结构（a）或是同源模建识别不同的突变位点，而随机突变（c）与筛选或是选择结合是定向进化实验的基础。结合这些方法使构建更小型但更智能的数据库（d）成为可能。现在通过富集培养（e）对酶进行传统筛选已被关键的主题数据库检索（f）代替以指导新型酶或是他们具备的所需特性的确定。在其初期仍是酶的设计（g）的从头计算（从头合成de novo）。内部结构指的是通过生物催化不同的浪潮可得到的进行化学物质。（R)-苯乙醇腈（左）在100年前的植物提取物中已经获得；（1S,3S)-3-氨基环己醇（中）由Novartis公司利用一种固定化酯酶制成；6-氯-2,4,6-3脱氧-D-赤型六吡喃环（右）由DSM用一个设计的醛缩酶耐受高浓度乙醛并且获得高选择性的过程制的。
生物催化的第一次浪潮（图1），始于一个多世纪以前，科学家认识到活细胞的组成成分可以应用于有效地生物转化（相对于几千年已经司空见惯的发酵过程）。例如，Rosenthaler利用一种植物提取物从苯甲醛和氰化氢合成的（R)-苯乙醇腈[6]；发生在微生物细胞内的类固醇的羟化[7]也已知。较新的例子即洗衣粉中蛋白酶的利用[8]。葡萄糖异构酶将葡萄糖转化为更甜味的果糖[9]，青霉素G酰基转移酶制备半合成抗体[10]。这些应用关键挑战在于生物催化剂稳定性的限制及诸如此类的缺点主要通过酶的固定化来克服，这也有利于酶的重复利用。 生物催化的第二次浪潮，在20世纪80到90年代，最初的蛋白质动力学技术，代表性的即基于结构的技术，扩大了酶的底物范围以允许异常的合成中间产物的合成。这一变化将生物催化扩展到医药中间体和精细化学品的制备。实例包括脂肪酶催化水解手性前体用于合成地尔硫卓（一种治疗血压药物），醇腈酶催化合成醇类对映异构体应用于降胆固醇抑制素药物，脂肪酶催化合成蜡酯类物质例如肉豆蔻醇肉豆蔻酸酯或是十六烷基蓖麻醇酸酯用于化妆品工业，以及腈类水合酶催化水合丙烯腈形成丙烯酰胺用于高分子材料（这类腈类水合酶已在紫红红球菌全细胞中获得）。除固定化之外，目前的挑战包括优化用于非天然底物的催化剂。 现阶段，生物催化的第三大浪潮开始于20世纪九十年代中后期Pim Stemmer 和Frances Arnold的工作。他们首创了分子生物学方法，通过达尔文进化论体外实验快速大量地修饰催化剂。尽管这一术语于1972年的全细胞实验中曾被用过，现在这一方法通常称为定向进化，这一技术的最初方法涉及到在一个蛋白质中氨基酸的随机突变的迭代循环法，随后从酶稳定性提高，底物特异性以及对应选择性的突变体形成的库中筛选法。讨论到此，今后的发展已经集中于提高定向进化的效率以产生“更智能地”数据库。工业生物催化主要集中于水解酶，一些酮还原酶（KREDs），以及辅因子再生和在有机溶剂中蛋白质的稳定性研究。在某些情况下，优化代谢途径；例如，融合不同的自然界菌株的基因于一个新的宿主细胞以产生1,3-丙二醇（形成多聚体的单体），使得将甘油转变为更易被利用的原料葡萄糖成为可能。 由于现在的生物催化浪潮取得的进展，将酶设计成引人瞩目的新功能，例如接受之前的惰性基质（孟鲁司特的KRED或是西他列汀的转氨酶），或是改变形成产物的性质（萜环化酶突变体可作用于不同的萜烯或是氨基酸代谢物使醇类作为生物燃料）。如今需要新型酶将生物量转换为第二或第三代生物燃料，材料和化学品。第三大浪潮的主要发展是先进的酶工程（包括定向进化），基因合成，序列分析，生物信息工具和计算机模拟，并且酶改进的理论进展可能比原来预期的要更显著。工程酶可以在含有60uC的有机溶剂的溶液中保持稳定，可以接受新
人工智能学习心得 20147932唐雪琴 人工智能研究最新进展综述 一、研究领域 在大多数数学科中存在着几个不同的研究领域，每个领域都有着特有的感兴趣的研究课题、研究技术和术语。在人工智能中，这样的领域包括自然语言处理、自动定理证明、自动程序设计、智能检索、智能调度、机器学习、专家系统、机器人学、智能控制、模式识别、视觉系统、神经网络、agent、计算智能、问题求解、人工生命、人工智能方法、程序设计语言等。 在过去50多年里，已经建立了一些具有人工智能的计算机系统；例如，能
够求解微分方程的，下棋的，设计分析集成电路的，合成人类自然语言的，检索情报的，诊断疾病以及控制控制太空飞行器、地面移动机器人和水下机器人的具有不同程度人工智能的计算机系统。人工智能是一种外向型的学科，它不但要求研究它的人懂得人工智能的知识，而且要求有比较扎实的数学基础，哲学和生物学基础，只有这样才可能让一台什么也不知道的机器模拟人的思维。因为人工智能的研究领域十分广阔，它总的来说是面向应用的，也就说什么地方有人在工作，它就可以用在什么地方，因为人工智能的最根本目的还是要模拟人类的思维。参照人在各种活动中的功能，我们可以得到人工智能的领域也不过就是代替人的活动而已。哪个领域有人进行的智力活动，哪个领域就是人工智能研究的领域。人工智能就是为了应用机器的长处来帮助人类进行智力活动。人工智能研究的目的就是要模拟人类神经系统的功能。
二、各领域国内外研究现状近年来，人工智能的研究和应用出现了许多新的领域，它们是传统人工智能的延伸和扩展。在新世纪开始的时候，这些新研究已引起人们的更密切关注。这些新领域有分布式人工智能与艾真体、计算智能与进化计算、数据挖掘与知识发现，以及人工生命等。下面逐一加以概略介绍。 1、分布式人工智能与艾真体 分布式人工智能是分布式计算与人工智能结合的结果。dai系统以鲁棒性作为控制系统质量的标准，并具有互操作性，即不同的异构系统在快速变化的环境中具有交换信息和协同工作的能力。 分布式人工智能的研究目标是要创建一种能够描述自然系统和社会系统的精确概念模型。dai中的智能并非独立存在的概念，只能在团体协作中实现，因而其主要研究问题是各艾真体间的合作与对话，包括分布式问题求解和多艾真体系统两领域。其中，分布式问题求解
人工智能读书报告要求： 此读书报告是在读书提纲基础之上撰写完成。 要求： 一、内容： 1、你所读的书目，作者、出版社等基本信息； 要求：所读书目与你所选的课题有关。 2、你所重点精读的章、节、标题及主要讲述的内容。 要求：章、节、大小标题可采用原文，但所学的或收获的内容要点要求自己语言概括，每部分字数不少于200字） 3、思考与质疑部分： 包括对提纲中所不懂的内容的进一步学习；所提问题的回答；所质疑问题的进一步探讨。 本部分字数不做具体要求，多则多写，少则少写。 贴士：此部分需要同学们扩展阅读，寻找资料，自主学习，积极探寻，完成对自己疑问的解答。在此过程中，欢迎同学们与我讨论交流。 6、对本次读书的小结，要求：不少于1000字。 可包括： 你对本次阅读主要研究内容、方法及总体认识及未来发展方向的展望等。 你的评价、思考、质疑等。 或者你的想象，你的收获等。 二、格式要求：
大类通识课程读书报告Array 课程人工智能与认知科学 姓名 学号 教师杨丽华 日期2014年**月**日
《人工智能与认知科学》课程读书报告成绩评定表学号姓名
报告题目（黑体二号） 姓名学号（宋体小四）阅读书目：（宋体加粗小四，下同） 编者： 出版社： 报告正文： 第一层次（章）（题序和标题用小二号黑体字） 第二层次（节）（题序和标题用小三号黑体字） 第三层次（条）（题序和标题用四号黑体字） 第四层次正文用宋（或楷）体小四号 （英文用新罗马体12号） 思考及质疑：（宋体加粗小四） 正文用宋（或楷）体小四号页面设置：注意装订线，页码一律用小5号居中标明。小结（小二号黑体字） 其他同章、节、条及正文要求。 参考文献：（宋体加粗小四） 顺序要根据引用先后顺序排列，序码用[1][2]。格式如： [1] 余敏. 出版集团研究[M]. 北京：中国书籍出版社，2001: 179-193. [2]蒋有绪，郭泉水，马娟，等. 中国森林群落分类及其群落学特征[M]. 北京: 科学出版社，1998.
《人工智能语言与伦理》章节测试题与答案 1.1 1.【多选题】对人工智能常见的误解有哪些?( ) A、人工智能就是机器学习 B、机器学习只是人工智能中的一个方向 C、人工智能最近十年受到深度学习的驱动较多 D、人工智能就是深度学习 答案：AD 2.【判断题】哲学思维对于人工智能的重要性表现在,哲学所强调的批判性思维有助于认清人工智能发展中的问题。( ) 答案：√ 3.【判断题】深度学习在人工智能领域的表现并不突出。( ) 答案：× 1.2 1.【单选题】计算机之父是( )。
A、约翰·麦卡锡 B、艾伦·图灵 C、赫尔伯·西蒙 D、马文·明斯基 答案：B 2.【单选题】人工智能与计算机学科的关系是( )。 A、计算机学科的主要驱动力是人工智能研究 B、计算机是人工智能研究的一个领域 C、人工智能是计算机学科的一个分支 D、人工智能与计算机学科没有联系 答案：C 3.【判断题】符号AI是将人的思维通过逻辑语言制成流形图让计算机去执行。( ) 答案：√ 4.【判断题】通用问题求解器需要寻找全局最优解。( ) 答案：×
5.【判断题】符号AI无法面对人类经验的变动性。( ) 答案：√ 1.3 1.【单选题】( )是现在新出现的人工智能的研究方向。 A、深度学习 B、人工神经元网络 C、贝叶斯网络 D、类脑人工智能 答案：D 2.【单选题】深度学习中的“深度”是指( )。 A、计算机理解的深度 B、中间神经元网络的层次很多 C、计算机的求解更加精准 D、计算机对问题的处理更加灵活 答案：B
3.【多选题】人工神经元网络与深度学习的关系是( )。 A、人工神经元网络是深度学习的前身 B、深度学习是人工神经元网络的一个分支 C、深度学习是人工神经元网络的一个发展 D、深度学习与人工神经元网络无关 答案：AC 4.【判断题】符号AI不是人工智能的正统。( ) 答案：× 5.【判断题】相比于人工神经元网络和深度学习,类脑人工智能对人类大脑的神经回路具有更深入的了解。( ) 答案：√ 1.4 1.【单选题】深度学习的实质是( )。 A、推理机制 B、映射机制 C、识别机制
人工智能的认知革命 国际上有很多非常有影响力的大牛或者是大咖论述过这个问题。例如，最伟大的科学家之一霍金讲：“人工智能不一定是好事。”比尔盖茨也说：“人工智能让我比较担忧。”最新的创业偶像马斯克说：“我们需要万分警惕人工智能，它们比核武器更加危险。”我们把他们叫做“人工智能威胁派”。
而另外一方面，业界有很多人，包括在座的很多专家，大家其实从另外一个角度看待人工智能，我们把他们叫“人工智能的理智派”。比如，机器学习大神Michael Jordan，Facebook的Yann Lecun等。
可以看到有一个问题是大家都关心的，那就是机器什么时候能实现智能的突破？我们知道，计算机出现到现在大概70年左右。那么我们就要问一下，人类的智能是怎么突破的？非常有意思的是，人类历史学家对这个问题研究了很长时间，而且已经得出了结论。以色列的一位年轻的历史学家尤瓦尔.赫拉利的《人类简史：从动物到上帝》中写到：七万年前，从非洲大陆走出来的智人实现了“奇点”的突破，占领了整个世界。 所以大家就会想知道，七万年前来自非洲的猿人到底发生了什么，好像智力一下子突然开窍了，统一了地球呢？猿人在地球上已经存在了300到400万年了，到7万年前才实现了智能的突破，这里面是一个非常长的时间。而计算机出现的时间刚刚只有几十年的时间，和猿人产生智能的时间周期相比，计算机刚刚度过的时间只能算一瞬间。
最近讨论比较热的一个话题是，神经科学对人工智能发展促进的可能性。最近这两年，美国政府已经顺利完成人工基因测序的研究。美国和欧洲正在开展一个新的为期十年的40亿美金的基础研究投资，美国叫“大脑图谱”，欧洲叫“人类大脑项目”。在这个方面，我国各个方面也在积极推进“中国脑计划”，比如中科院卓越创新工程里面，也涉及了这方面的研究。
生物技术的发展历程及重要意义 姓名：××※ 学院：××※ 专业：××※ 学号：××※
生物技术的发展历程及重要意义 生物技术被是一项高新技术，世界各国都很重视，它被广泛应用于医药卫生、农林牧渔、轻工、食品、化工和能源等领域，促进传统产业的技术改造和新兴产业的形成，对人类社会生活将产生深远的革命性的影响。生物技术对于提高综合国力，迎接人类所面临的诸如食品短缺、健康问题、环境问题及经济问题的挑战是至关重要的；生物技术是现实生产力，也是具有巨大经济效益的潜在生产力，它将是21 世纪高技术革命的核心内容。生物技术产业是21 世纪的支柱产业，许多国家都将生物技术确定为增长国力和经济实力的关键性技术之一。我国政府同样把生物技术列为高新技术之一并组织力量攻关。 生物技术可分为传统生物技术和现代生物技术。现代生物技术是从传统生物技术发展而来的。传统的生物技术是指旧有的制造酱、醋、酒、面包、奶酪、酸奶及其他食品的传统工艺；现代生物技术则是指20 世纪70 年代末80 年代初发展起来的，以现代生物学研究成果为基础，以基因工程为核心的新兴学科。 一、生物技术的发展历程 1、传统生物技术的产生 传统生物技术应该说从史前时代起就一直为人们所开发和利用，以造福人类。在石器时代后期，我国人民就会利用谷物造酒，这是最早的发酵技术。在公兀前221 年，周代后期，我国人民就能制作豆腐、酱和醋，并一直沿用至今。公元10 世纪，我国就有了预防天花
的活疫苗；到了明代，就已经广泛地种植痘苗以预防天花。16 世纪，我国的医生已经知道被疯狗咬伤可传播狂犬病。在西方，苏美尔人和巴比伦人在公元前6000 年就已开始啤酒发酵。埃及人则在公元前4000 年就开始制作面包。1676 年荷兰人Leeuwen Hoek(1632—1723)制成了能放大170～300 倍的显微镜并首先观察到了微生物。19 世纪60 年代法国科学家Pasteur(1822—1895)首先证实发酵是由微生物引起的，并首先建立了微生物的纯种培养技术，从而为发酵技术的发展提供了理论基础，使发酵技术纳入了科学的轨道。到了20 世纪20 年代，工业生产中开始采用大规模的纯种培养技术发酵化工原料丙酮、丁醇。20 世纪50 年代，在青霉素大规模发酵生产的带动下发酵工业和酶制剂工业大量涌现。发酵技术和酶技术被广泛应用于医药、食品、化工、制革和农产品加工等部门。20 世纪初，遗传学的建立及其应用，产生了遗传育种学，并于20 世纪60年代取得了辉煌的成就，被誉为“第一次绿色革命”。细胞学的理论被应用于生产而产生了细胞工程。在今天看来，上述诸方面的发展，还只能被视为传统的生物技术，因为它们还不具备高技术的诸要素。 2、现代生物技术的发展 现代生物技术是以20 世纪70 年代DNA 重组技术的建立为标志的。1944 年Avery 等阐明了DNA 是遗传信息的携带者。1953 年Watson 和Crick 提出了DNA 的双螺旋结构模型，阐明了DNA 的半保留复制模式，从而开辟了分子生物学研究的新纪元。由于一切生命活动都是由包括酶和非酶蛋白质行使其功能的结果，所以遗传信
人工智能学习心得 目录 第一篇：人工智能学习心得 第二篇：人工智能学习论文 第三篇：《人工智能》学习报告 第四篇：对人工智能学习的感想 第五篇：人工智能学习 正文 第一篇：人工智能学习心得 人工智能学习心得 对人工智能的理解 通过这学期的学习，我对人工智能有了一定的感性认识，个人觉得人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。关于什么是“智能”，就问题多多了。这涉及到其它诸如
意识、自我、思维等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。关于人工智能一个大家比较容易接受的定义是这样的：人工智能是人造的智能,是计算机科学、逻辑学、认知科学交叉形成的一门科学，简称ai。 人工智能的发展历史大致可以分为这几个阶段： 第一阶段：50年代人工智能的兴起和冷落 人工智能概念首次提出后，相继出现了一批显著的成果，如机器定理证明、跳棋程序、通用问题s求解程序、lisp表处理语言等。但由于消解法推理能力的有限，以及机器翻译等的失败，使人工智能走入了低谷。 第二阶段：60年代末到70年代，专家系统出现，使人工智能研究出现新高潮。 dendral化学质谱分析系统、mycin疾病诊断和治疗系统、prospectior探矿系统、hearsay-ii语音理解系统等专家系统的研究和开发，将人工智能引向了实用化。并且，1969年成立了国际人工智能联合会议 第三阶段：80年代，随着第五代计算机的研制，人工智能得到了很大发展。日本1982年开始了”第五代计算机研制计划”，即”知识信息处理计算机系统kips”，其目的是使逻辑推理达到数值运算那么
人工智能 摘要：人工智能（Artificial Intelligence）是用人工的方法和技术模仿、延伸和扩展人的智能，实现某些“机器思维”，本文在阐述人工智能定义的基础上，具体介绍人工智能的应用技术。 关键词：人工智能；机器思维；符号智能 本学期我们学习了人工智能导论这门课，该课程主要研究如何用计算机模仿和实现人类的智能。人工智能是使计算机能够思维，使机器具有智力，能够在各类环境下像人一样自主的交互式的执行各种任务的一种综合性的技术。下面我将对我所认识的人工智能技术做一个简要的概述。 人工智能技术是包含符号智能、计算智能、集成智能和分布智能等在内的智能科学技术。它一方面用于建立人类智能模型，一方面用于建立智能（专家的）计算机系统。这两者之间既有联系，又不是同一回事，它如同研究鱼类游走与船只运行一样。计算机程序（语言）是建立人类思维过程理论最适宜的表达工具，就像各种微分方程式是物理学理论的表达语言一样。当计算机的程序把一个复杂符号系统的状态和时间轨迹描绘出来时，也正像一组微分方程式把物理理论过程描述出来一样，可以说是建立了一个符号系统的理论。从生物的观点来看，智能实际上是在生物的遗传、变异、生长以及外部环境的自然选择中产生的。在用进废退、优胜劣汰的过程中，适应度高的（头脑）结构被保存下来，智能水平随之提高。基于这种认识，我们采用数值计算的方法去模拟和实现人类的智能。通过神经计算、进化计算、模糊计算、免疫计算、DNA计算和人工生命构成计算智能系统。由于人本身的复杂性行为，需要使用某种已有的智能技术才能模拟，像一些低等动物如六脚爬行动物使用某种智能技术（如遗传算法）即可模拟其行走捕食等行为，对人行为的模拟再结合智能计算方法可以出现各种复杂的智能系统。在逻辑上和物理上协调各自的智能行为，实现人工智能问题的程序化求解。因此，计算机程序就具有了思维的能力。从这个观点来看待人类的思维模拟过程，计算机就可以模拟人类思维说明许多难以说清楚的现象，如直觉、顿悟和灵感等。人工智能方法需解决不完全信息处理、机器学习、复杂系统构造和自动化等方面的问题。为此，“现场人工智能”的概念被提出，强调研究人工智能问题，必须把它放在应用环境中，与环境交互作用，才能构造出实用化的系统。 人工智能是一门正在快速发展的年轻学科，它的研究和应用领域十分广泛，对其中的不少问题专家们还在深入研究，其前景诱人，但又任重而道远。 参考文献：王万森.人工智能原理及其应用.北京：电子工业出版社，2010 Artificial Intelligence Abstract: AI (Artificial Intelligence) is to use artificial methods and techniques to imitate , extension and expansion of human intelligence ,to achieve some of the “machine thinking” . In explaining the basis of the definition of artificial intelligence , it detailed analyses the application methods . Key words: Artificial Intelligence ；Machine Thought ；Symbol Smart
人工智能学习心得 对人工智能的理解 通过这学期的学习，我对人工智能有了一定的感性认识，个人觉得人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。关于什么是“智能”，就问题多多了。这涉及到其它诸如意识、自我、思维等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。关于人工智能一个大家比较容易接受的定义是这样的： 人工智能是人造的智能,是计算机科学、逻辑学、认知科学交叉形成的一门科学，简称AI。 人工智能的发展历史大致可以分为这几个阶段： 第一阶段：50年代人工智能的兴起和冷落 人工智能概念首次提出后，相继出现了一批显著的成果，如机器定理证明、跳棋程序、通用问题s求解程序、LISP表处理语言等。但由于消解法推理能力的有限，以及机器翻译等的失败，使人工智能走入了低谷。 第二阶段：60年代末到70年代，专家系统出现，使人工智能研究出现新高潮。 DENDRAL化学质谱分析系统、MYCIN疾病诊断和治疗系统、PROSPECTIOR 探矿系统、Hearsay-II语音理解系统等专家系统的研究和开发，将人工智能引向了实用化。并且，1969年成立了国际人工智能联合会议
认知科学的几个基础假设 刘晓力 一、认知科学概况 认知科学是以研究人类认知过程、智能和智能系统、大脑和心灵内在运行机制的一门学科。20世纪70年代(50年代？)兴起，是心理学、语言学、神经生理学、计算机科学、哲学和人类学的交叉学科。 认知科学不同的研究进路 认知科学依据不同的问题领域和研究方法划分为不同的研究进路 心理学进路 语言学进路 生物物理学进路 神经生理学进路 人工智能进路 广义进化论进路 复杂性科学进路 认知科学的起源 认知科学起源于不同学科领域，特别是： 图灵机概念的产生 人工智能研究的兴起 心灵哲学中以普特南（H.Putnam）和福多（J.Fodor）为代表的“功能主义”理论的确立 心理学和语言学乔姆斯基（A.N.Chomsky）等反对激进行为主义的“认知革命” . 认知科学所引发的一些基础问题成为20-21世纪之交涉及领域广泛、争论最为激烈的世界性的科学和哲学的热点问题。认知科学不同的研究进路，决定了关于它的哲学观上的巨大分歧和各种研究范式的激烈竞争。 二、认知科学的几个基础假设 D.Kirsh （1991）提出认知科学（人工智能）的五大问题 1）知识和概念化是人工智能的核心吗？ 2）认知能力及其所预设的知识能否脱离其有机体进行研究？ 3）认知的知识形态或信息形态的轨迹是否可用类自然语言描述？ 4）学习能否与认知相分离加以研究？ 5）是否有对于所有认知的统一结构？ 这些问题最重要的是我们对于心灵哲学中的三个方面问题的困惑和困难 1、意向性问题 2、意识问题 3. 心灵是否是涉身的？ Mark Johnson总结30年来认知科学的成就对传统哲学的挑战时说，认知科学的三大发现是：心灵本质上是涉身的； 思想大部分是无意识的；
认知语言学不是什么和是什么 浏览了“北大中文论坛- 汉语语言学- 认知、心理与逻辑” （https://www.doczj.com/doc/6018965933.html,/bbs/forum.php?fid=83）的一些关于认知语言学的贴子，觉得 “认知语言学”这个名称算得上个难以躲避的陷阱了，太容易引人望文生义了。认知语言学不是什么和是什么，还是个问题。这个问题，我每次教认知语言学，都要碰到。例如这个学期开的课，是“汉语认知语言学”。第一次课的一个重点，就是讲认知语言学不是什么和是什么。第二次课一开始，我就问了一个问题：认知语言学是不是类似于心理语言学的语言学分支学科？每个学生的回答都是：是的，是从认知角度研究语言的学科。这样的回答，让我悲伤地想到：第一次课对此问题的唠叨毫无效果，跟他人的思维定势搏斗，何其吃力。没有办法，只好变本加厉地唠叨。 简而言之，正确答案是：认知语言学不是语言学的分支学科，而是当代语言学的一个学派。它是功能主义语言学这个大学派中的小学派。这个大学派还包括不少小学派，如西海岸学派（学者主要在美国西海岸的加州。代表性学者之一是也做汉语的安珊笛。专做汉语的李讷也属于此学派）、俄勒冈学派、系统功能语法学、词语法学等。这个大学派是当代语言学两大对立学派之一，另一大学派就是形式主义语言学（包括古典形式主义——结构主义语言学和当代形式主义——生成与法学）。这两大学派的最大基本假设对立，是语言系统及其子系统（广义句法系统[包括传统的语法和词汇]、语音系统、广义语义系统[包括狭义语义系统、语用系统、话语系统]）是不是自足的。形式主义语言学的假设是自足的，功能主义语言学的假设是不自足的。 认知语言学与功能主义语言学中的其他小学派有不少差异，如着重语言的心理因素，不同于系统能语言学等学派的着种语言的社会因素，并在上世纪80年代后期建立了三个类似的心理[广义]句法模式（Lakkof 的《女人、火和危险的东西》、Langacker的《认知语法学基础》第一卷、Fillmore和Kay的《结构式语法学教科书》）；主张意义是百科知识，不同意把语义系统分割为语言知识的狭义语义系统和百科知识的语用系统；主张主观论（如语义塑造等过程中的主观作用），不同意某些功能主义学者（如安珊笛）的客观论。尽管认知语言学着重语言的心理因素，但它并非只考虑心理因素，不能把它缩水为从认知角度研究语言。从认知（或心理）角度研究语言，是当代语言学各学派的普遍倾向，并非认知语言学的专利。R. Hardson 在《英语词语法学》的开头列出了当代语言学的10个倾向，其中之一就是“认知主义”。当代语言学的认知主义倾向，是其教父Chomsky从一开始就提出的。他早已有力地批驳了结构主义语言学的行为主义倾向，把语言假设为认知子系统。 “认知语言学“这个名称，为什么容易引人望文生义呢？大概是因为有“认知”这个时髦译名，而且这玩意儿加在“语言学”前面，让这个名称看起来像心理语言学、社会语言学、计算语言学等现役的或退役的边缘学科或交叉学科（如前二者早已是语言学的核心学科了，但曾经是边缘学科）。“认知”译自英语名词cognition或形容词cognitive。老的译名就是“认识”，没什么神秘色彩了吧：）。传统上把心理活动分为三类：认识、情感和意志。三者之中，只有认识得到了密集研究。汉语的“认识”，原是个多义的常用词，再做术语，有容易引人望文生义的缺点。新造个“认知”译名做术语，有好处。再者，用“认识”来译cognitive 打头的名称，就会有容易误解为动宾结构的“认识心理学”（认知心理学）、“认识科学”（认知科学）、“认识语言学”（认知语言学）、“认识语义学”（认知语义学）、“认识语法学”（认知语法学）、“认识音系学”（认知音系学）、“认识人类学”（认知人类学），也不如新造个“认知”来译。 认知主要指人类的信息加工杨宁兄提出了一个很好的问题。认知语言学确实有被时髦地滥用的倾向。认知语言学确实和心理语言学有很大交叉。但是想一想“认知心理学”这个词，就可以知道两者不同。有“认知心理学”而没有“心理认知学”，可见认知科学可以看作心理学一部分。两者的不同，可以说认知科学主要把认识过程看作一种信息处理加工过程。所以“认知”也不等于一般的“认识”。我们用“认知”的场合不用“认识”，原因也不仅限于杨宁兄所说的。 认知科学的主要奠基人George Miller 的名著：“神奇的数字7+2”，其副标题就是“人类信息加工能力的某些局限”(此文我翻译后发表在《心理学动态》1983(4)期)。这篇文章的英语 原文前几年有被人贴到了网上(https://www.doczj.com/doc/6018965933.html,/user/smalin/miller.html)。可见此文的地位之重要。现在许多人常常提到这个数字七，我不知道有多少人看过了原文或译文。但大家接受它，可见符合我们的心理直觉。Miller 在发表此文的同时，发表了另一篇重要文章：“人类记忆与信息贮存”此文我翻译后发表在，《思维科学》1986(1)期。这个杂志是山西出的，英文题目就叫Cognitive Science 。不知这个杂志现在还在不在？ 不过后来认知科学的发展，范围越来越大，认知语言学跟心理语言学也就越来越难分了。我觉得认知语言