人工智能的综合规划Word文档格式.docx

人工智能的综合规划Word文档格式.docx

《人工智能的综合规划Word文档格式.docx》由会员分享，可在线阅读，更多相关《人工智能的综合规划Word文档格式.docx（8页珍藏版）》请在冰豆网上搜索。

第二个创新浪潮从到2050年是生物基因（蛋白质）、纳米材料；

第三个创新浪潮从2050年到2080年是脑科学、智能技术。

人工智能是当代科学技术前沿和制高点，涉及自然科学深层奥秘，触及哲学基本命题。

因而，一旦获得突破，将对国民经济、社会进步、国家安全产生特别深刻、特别巨大影响。

当前，人工智能正处在办法论转变期、理论创新高潮期和大规模应用开创期，布满原创性机遇。

二、本学科领域发展规律和研究特点

人工智能研究有4种办法：

（1）类人行为办法：

1950年阿兰·

图灵（AlanTuring）提出图灵测试，为智能提供一种满足可操作规定定义。

人工智能是一种创立机器技艺，这种机器可以执行需要人智能才干完毕功能。

（2）类人思维办法：

采用是认知模型办法。

认知科学是研究人类感知和思维信息解决过程一门学科，它把来自人工智能计算机模型和来自心理学实验技术结合在一起，目是要对人类大脑工作原理给出精确和可测试模型。

（3）理性思维办法：

用计算模型研究智力能力。

一种系统如果可以在它所知范畴内对的行事，它就是理性。

例如：

专家系统是推理系统，所有推理系统都是智能系统，因此专家系统是智能系统。

（4）理性行为办法：

行为上理性指是已知某些信念，执行某些动作以达到某个目的。

主体（agent）可以看作是可以进行感知和执行动作某个系统。

在这种办法中，人工智能可以以为就是研究和建造理性主体（agent）。

人工智能研究形成了三大学派，即符号主义、连结主义和行为主义等学派。

符号主义办法以物理符号系统假设和有限合理性原理为基本；

连接主义办法是以人工神经网络模型为核心；

行为主义办法侧重研究感知-行动反映机制。

过去50年人工智能研究获得了许多令人兴奋成果，在诸多领域得到了广泛应用。

国内人工智能研究起步较晚。

智能模仿纳入国家筹划研究始于1978年。

1984年召开了智能计算机及其系统全国学术讨论会。

1986年起把智能计算机系统、智能机器人和智能信息解决（含模式辨认）等重大项目列人国家高技术研究863筹划。

1997年起，又把智能信息解决、智能控制等项目列入国家重大基本研究973筹划。

进入21世纪后，在最新制定《国家中长期科学和技术发展规划纲要（━）中，“脑科学与认知科学”已列入八大前沿科学问题之一。

信息技术将继续向高性能、低成本、普适计算和智能化等重要方向发展。

计算机和信息技术蓬勃发展，特别是互联网进一步发展和普及，对人们社会交往模式产生了深远影响，其发展同步也带来了一场计算技术上变革。

继个人计算之后，信息科学技术研究从以往注重详细技术实现与应用，发展到更高层次上运用信息技术手段模仿社会理论、研究社会问题、特别是进行信息科学与社会科学交叉研究。

社会计算作为科学、技术与人文数字化动态交融交叉学科领域，当前正成为国际、国内计算机及有关领域一种新研究和应用热点。

社会计算包括两方面含义：

一种是面向计算机或更广义信息技术在社会活动中应用；

另一种是通过社会知识、人文知识在计算机或信息技术中使用和嵌入，反过来提高社会活动效益和水平。

三、近年来本学科领域研究现状和研究动态

过去人工智能研究存在重要问题涉及：

（1）人工智能研究内部三大学派很少互相沟通；

（2）人工智能研究与自然智能研究互相脱节；

（3）回避或疏忽了智能科学基本问题（如智能生成机制、智能与知识关系、智能与情感关系、智能与意识关系等）。

这些问题在相称限度上限制和延缓了人工智能研究进展。

为理解决这些问题，中华人民共和国人工智能学会在纪念“人工智能诞生50周年”国际会议上，提出发展智能科学技术，并得到与会各国代表高度承认和响应。

即将召开国际人工智能联合会议（IJCAI）初次将人工智能与有关学科领域交叉研究作为大会中心议题，这是一种重要信号。

不同于老式人工智能研究中侧重于模仿个体学习、逻辑推理等高档认知能力，研究者们已经结识到人类智能本质是一种社会性智能。

智能行为更多是在由群体构成社会环境下完毕各种社会活动时体现出来。

这些社会活动往往涉及由各种个体构成社会团队，需要社会群体协作来完毕。

因而，人工智能研究有必要结合交叉学科领域成果，摸索社会智能基本理论和社会计算模型与办法，使智能研究不断向更深更辽阔领域延拓。

与二十年前世界相比较，今天世界所面临最大不同就是，因特网普及和进一步使社会现象“尺度”和“速度”迅速地向极端化发展，例如，社会上每个人每件事影响都也许通过网络以极迅速度向整个社会传播，深刻地变化了人与人、人与社会之间交互方式，更使当代许多社会问题明显地呈现出动态性、迅速性、开放性、交互性和数据海量化等特点，与此有关社会管理和政策制定问题也越来越复杂。

人工智能研究必要适应这种现实，在研究个体智能行为同步，考虑社会智能问题。

四、将来5-本学科领域发展布局、优先领域以及与其他学科交叉重点方向

4.1机器学习与数据挖掘

1、非线性问题

这是自机器学习浮现之日起，就存在研究课题，这也是机器学习一种永恒研究课题。

在过去间，这个问题重要采用三个解决途径，这些研究将长期继续下去：

（1）寻找一种映射，将非线性问题映射到一种线性空间，从而，将问题转换为在新空间线性问题。

典型例子是核办法。

（2）分别建立不同子模型，将问题变为在子模型张成空间上优化问题，其本质类似分段线性思想。

典型例子是集群学习。

（3）假设自然模型是一种低维流形，即，可局部引进坐标拓扑空间，这就是流形学习。

这也可以考虑为解决复杂非线性问题方案之一。

近期，直接考虑非线性基函数优化观点又开始昂首。

由于这涉及非凸优化问题，因而，理论进展比较缓慢，其计算效率也是一种不得不面对问题。

尽管如此，实验研究正在开展。

2、独立同分布（iid）问题

当前机器学习大多数理论需要样本集满足独立同分布条件。

而当前绝大多数领域数据是不可控地自然涌现，因而，这个条件难以满足，特别是同分布条件，这是机器学习最基本假设。

对同分布有两个不同解释：

其一，如果以发展算法为研究目的，其核心问题是如何设计有效测试集，以表白算法有效性，其二，对实际应用，测试需要直接面对自然模型。

当前对这个问题有如下几种也许解决途径，其本质均是直接或间接补充必要样本：

（1）迁移学习。

其原理是将此前在有关或相似领域中已有知识“迁移”到新领域中，以有效地完毕当前学习任务。

由此，可以派生大量研究课题。

（2）降维学习。

通过对数据降维，使得数据稠密，以体现某些记录性质。

但是，降维更为本质目是为理解释自然模型中变量之间关系。

（3）经验模型。

专家经验重要性在于，专家具备洞察没有观测到样本能力，其本质是对自然模型分布猜测。

对独立条件有两个状况：

变量之间关系可以显式地描述和不能显式地描述。

马尔科夫链是前者一种办法，后者则需要搜索，这时，问题将变得十分困难。

3、关系数据

普通地说，机器学习最成功研究大都具备这样一种假设：

样本集合是定义在给定空间上向量，这样，诸多有效数学工具可以使用。

但是，在诸多应用问题中，这个假设不成立，例如，广泛出当前金融和经济领域中关系数据，这些数据依照特定关系存储在关系数据库中。

如何从这些数据中学习简洁模型，是机器学习长期没有较好解决问题。

典型办法是基于归纳逻辑办法，这个方案受到计算复杂性制约，并且理论也比较牵强。

如果数据包括噪音，也不易解决。

当前一种流行方案是基于集群学习，就是学习局部模型，然后将这些局部模型集群。

无论何种办法，当前研究还是处在“游戏”阶段，计算效率严重阻碍了它发展。

此外，出当前文本分析和网络连接中数据，呈现出一种称为半构造化形态，这些数据很难解决。

时序数据分析解决也是重要问题。

4、样本标记问题

对同一种数据集合，如果赋予它不同标记，也许就是不同问题了。

事实上，这个问题具备普遍性。

当前，机器学习研究大多数研究集中在分类与回归问题上。

对分类问题，其标记定义在一种小可数无序集合上；

对回归问题，则定义在实数域上。

尽管这两类问题当前可以采用定义不同损失函数方式将它们统一在正则化理论之中，但是，其区别还是显然，特别是设计有效算法时更是如此。

在诸多实际问题中，样本标记更为复杂。

例如，它们可以是一种排序，这就是排序学习，这对信息检索问题十分重要。

如果一种样本标记不止一种，而是各种互不排斥类别标号，换句话说，一种样本可以分为不同类，这就是多标记学习问题。

诸多应用问题中，每个样本自身包括构造信息，用各种向量来表达每个样本有助于运用这些构造信息，这就是多示例学习，它被看作样本命题表达和关系学习之间桥梁。

计算效率是当前这方面研究面临一大困难。

这些学习问题在实际应用中屡见不鲜，例如，图像分析和文本分析。

如果样本集合中某些样本有标记，某些没有标记，就成为半监督学习。

此类研究除了老式课题还需要继续进一步研究之外，当前有一种重要研究课题，就是选取较少最富信息样本，由人来标注，这个思考来自认知科学积极学习，延续这个称谓，此类学习就称为积极学习。

如果样本集合所有样本没有被标记，这就需要聚类了，这是一大类研究，当前又可以分为构造数据和非构造数据两大类，它们需要完全不同理论基本和办法。

由于不同标记问题需要采用完全不同理论和办法来求解，因而，依照实际问题需要研究不同标记问题，成为机器学习重要研究课题。

事实上，机器学习研究中所浮现各种各样学习方式，大多数来自样本标记问题，这是机器学习中依赖应用派生新理论新办法温床。

5、可解释问题

典型记录机器学习由于强调理论普通性而对此关注不够。

但是，当咱们面临实际问题数据集合是自然涌现时，此类学习需要满足条件不能满足，规定学习成果可解释就是自然了。

“可解释”有两种阐明：

其一，在记录意义下可解释，其二，数据可阅读。

无论何种阐明，这个问题都与降维问题密切有关，当前研究者广泛关注稀疏化学习就是此类研究代表之一。

前者，需要采用记录学基本办法残差-有关分析办法，并由此建立适当算法，后者，则需要将数据集合简化到足够简洁，以便人可以阅读。

将信息变换为数据过程也与这个问题关于，特性抽取和特性选取是两个典型例子，如何将该过程变得可解释，是一种挑战性问题。

数据挖掘与机器学习研究有很大交集，特别是其预测任务，则与记录机器学习几乎没有任何区别。

对描述任务，其核心是模型可解释性，如果将其限制在记录可解释，也与当前机器学习没有区别。

而关联解释和数据可阅读性则是当前机器学习考虑较少问题，特别是依照需求建立模型。

依照需求从给定数据集合中发现不同解答，这个问题应当说来自数据挖掘，其动机是考虑一种现实：

在高达到千上万维数据集合是由各种不同故意义解答叠加或组合观测成果，机器学习或数据挖掘任务是从中找出最需要解答。

6、数据规模和算法效率

机器学习和数据挖掘研究中，数据规模始终是一种大问题。

当前，存在两个两个极端问题：

其一，海量数据，其二，高维小样本数据。

后者重要涉及降维和稀疏化问题，这已阐明过，这里不再重复。

海量数据是当前各种应用普遍存在问题，对机器学习来说，尽管发展了诸多好算法，但是，其评价往往是对特定Benchmark数据而言，重要指标普通是精度，但是，将这些算法向实际问题推广时，其计算效率不能满足实际问题需要，如何在满足一定精度条件下，发展高效算法，是机器学习和数据挖掘研究核心问题之一。

其研究途径有二：

其一，有理论依照算法近似实现，其二，寻找有效数学工具设计新有效算法。

4.2智能互联网与社会计算

1.智能互联网

Web1.0时代，各种互联网门户以信息获取、发布、整顿为核心，想尽办法把各种新闻汇集起来，让顾客去浏览，信息传递模式是互联网--顾客。

Web2.0把每个网民都当成了信息节点，每个节点充当一种信息源。

智能互联网即Web3.0将在2.0基本上，让互联网更加个性化、精准化和智能化。

Web3.0时代特性就是把这些散布在互联网上各种信息点以及顾客需求点聚合和对接起来，提供可以满足每一种互联网顾客个性化、聚合化高效率互联网服务。

重要研究内容：

•Web信息语义表达

•语义Web逻辑基本

•Web数据挖掘

•Web信息检索

•Web摘要生成和话题发现

2．基于互联网知识工程

计算机和信息技术蓬勃发展，特别是互联网进一步发展和普及，知识解决规模和方式从封闭式知识库推动到开放式万维网，从手工作坊式知识工程推动到能进行海量知识解决大规模知识工程，解决对象从规范化、比较好解决知识扩大到非规范、比较难解决知识，机器可以在一夜之间发现大量知识。

•基于互联网知识获取

•互联网知识管理

•互联网上知识推理

•互联网知识服务

•互联网知识产业

3.社会计算

从计算技术到社会活动这一角度出发，社会计算重要内容就是设计，实行和评估增进人与人之间交流，协调和合伙各种信息技术，其方式是以人和活动为中心，其重要办法来自多学科交叉，其目就是运用先进信息技术达到高度有效交流。

这方面初期工作强调社会信息解决（如组件和计算机支持下协同工作），关注重点是软件社会性质，社会作用和社会影响（参见1994年Schuler在《CommunicationsoftheACM》上组织社会计算专项）。

近年来工作则集中在网络社区和社会媒体技术方面，如新兴社会媒体分析和社会媒体智能研究。

另一方面，通过有效使用和嵌入社会、人文知识，用智能化计算手段研究社会有关问题，成为社会计算和社会智能研究与应用新焦点。

其目是使静态人文知识动态化，使定性讨论数字化，使孤立知识网络化，并用于各种复杂社会问题建模、分析和决策支持，最后使社会发展和规划科学化。

•面向复杂社会系统、适应新型社会问题特点智能计算理论，

•社会科学基本理论模型到计算技术映射机制。

•建立具备复杂网络特性社会组织形成模型

•国际、国内舆情追踪与监控

4．平行管理

运用社会计算成果，仿真并预测真实事件发生、发展过程，形成平行人工过程，从而实现对事件有效管理和控制。

老式用科学实验或工程实验来结识规律手段，在复杂工业生产系统中由于不容许、不也许、或成本极高而失去意义。

既有理论和仿真技术等，无法结识复杂系统要素间重要因果关系，不能应付各种变化和非正常状态，往往达不到预期控制目的，建议发展平行管理新理论。

•多智能体协同理论

•基于智能体仿真实验办法

•重大经济、金融决策评估

•重大能源、环境、公共卫生决策与政策评估

•重大政治决策评估

4.3智能科学与技术

智能科学与技术是研究人类认知和智力本质和规律前沿科学，是脑科学、认知科学、人工智能等交叉学科。

理解脑,即揭示人本质.理解人为什麽会成为有个性、有感情、有社会性、有思想生命体,也就是揭示思维本质.脑复杂性至少反映在功能、演化历史、构造和编码方式上,以及脑如何表达和解释外部世界上.脑复杂性摸索就是摸索脑高档认知功能整体性问题.认知科学研究范畴涉及知觉、注意、记忆、行为、语言、推理、抉择、思考、意识，乃至情感动机在内各个层面认知活动。

人工智能研究用人工办法和技术，模仿、延伸和扩展人智能，实现机器智能。

智能科学不但要进行功能仿真，并且要从机理上研究，摸索智能新概念、新理论、新办法。

•神经集群编码理论

•神经功能柱建模与仿真

•心智模型

•学习与记忆机理和办法

•情感计算

•机器脑系统构造

4.4基于脑信息学Web智能研究

当前与Web有关技术可以解决Web上数据、信息并在一定限度上解决知识，其中最重要功能之一为在Web上实现搜索功能。

但是在Web这一全局、巨大、分布多信息源中，仅仅具备搜索功能是不能满足人们需求，新一代Web需要问题求解和推理功能，从而在Web上实现智能问答系统、个性化服务等。

老式人工智能办法大都将大脑当作“黑盒”，只是在行为和功能上进行模仿，这对问题求解和推理研究形成了一定约束。

为了更好开发一种基于Web问题求解和推理系统，需要更深层次理解人类是如何在分布环境中进行问题求解和推理，以及智能是如何随着时间和地点推移而进化演变。

脑信息学是从信息科学角度出发来系统化地研究人类信息解决机制新领域。

基于脑信息学Web智能研究需要从人和Web两个方面进行交叉研究。

重要研究内容：

1．人类问题求解和推理认知神经机制及信息加工过程

2．人与Web信息表达与信息加工方式交叉研究

3．Web智能认知模型和智慧Web计算模型

4．人与Web智能交互与系统合一

5．复杂社会网络，复杂Web网络与脑信息加工网络

6．受启发于人类认知神经机制与信息加工过程分布式Web推理及问题求解

五、将来5-本学科开展国际合伙与交流需求分析和优先领域

六、将来5-本学科领域发展保障办法