网络时代人工智能研究与发展

50多年来,人工智能在模式识别、知识工程、机器人等领域已经取得重大成就,但是离真正的人类智能还相差甚远.当今网络时代,人工智能科学要在学科交叉研究中实现人工智能的发展与创新,会更加关注认知科学、脑科学、生物智能、物理学、网络科学、计算机科学与人工智能之间的交叉渗透,重视认知物理学的研究;自然语言是人工智能研究知识表示无法回避的直接对象,要对语言中的概念建立起能够定量表示的不确定性转换模型,发展不确定性人工智能;要利用现实生活中复杂网络的小世界模型和无标度特性,把网络拓扑作为知识表示的一种新方法,研究网络拓扑的演化与网络动力学行为,研究网络智能.对这3个重要方向进行了阐述,并提出了具体建议.     

大数据时代下网络群体智能研究方法

首先,对大数据时代下大众广泛深度交互的互联网环境进行了分析;其次,提出并释义了网络群体智能,指出网络群体智能具有"网络数据驱动,交互形式复杂,网络效应强大,知识生产为主,不确定性认知"等特性;然后,提出网络群体智能研究方法,该研究方法以复杂性科学方法论为指导,坚持融贯论,以复杂性科学、网络化数据挖掘和不确定性人工智能为支撑理论方法,突出网络群体智能特色和多学科交叉融合研究,采用系统分析、建模分析和仿真分析相结合技术途径从结构和动力学视角对网络群体智能科学问题进行多尺度多层次研究,解决网络群体智能研究理论方法不足的问题,深化了对网络群体智能和社会计算的认识。     

集对分析在人工智能中的应用与进展

人工智能是我国发展战略,集对分析从自主原创角度为人工智能提供一种基础性思路,具有重要意义。集对分析把确定的数学计算与不确定性系统分析有机结合,已在人工智能基础、模式识别、不确定性推理、智能决策、知识生态学、自然语言理解、专家系统、神经网络、智能工程、智能社会网络社区划分与演化等研究中得到应用。本文在概述集对分析的原理和联系数之后,综述集对分析在人工智能中的应用和进展,以期推动集对分析在人工智能中的进一步应用。     

人工智能的挑战（一）

人工智能创立的前提是:可以用计算解释所有的认知活动。1956年在达特茅斯学院大会上由JohnMcCarthy、Marvin Minsky、Allen Newell和Herbert Simon将人工智能定为一门正式的学科。人工智能的目标是理解智能行为的原理和机制。联合工程的目标是设计能在真实世界中生存并运作的智能制品,并且解决大量极富挑战性的科学难题。 人工智能的主要挑战是建立智能行为的模型和机制。人工智能主要是一门经验科学,研究者们采用经典的“假设与测试”范式去验证这些模型和机制。计算机是从事人工智能试验的实验室。计算机程序的设计、创建、测试和验证正是人工智能研究人员验证假设的过程。 人工智能系统应具备以下特征:展示自适应的面向目标的行为;从经验中学习;使用大量知识;展示自我意识;采用语言和语音与人类交流;能容忍交流中的错误和含糊不清并具备实时响应。     

《认知基础》正式出版

认知科学(Cognitive Science)是研究心智和智能的科学,包括从感觉的输入到复杂问题求解,从人类个体到人类社会的智能活动,以及人类智能和机器智能的性质。它是现代心理学、人工智能、神经科学、语言学、人类学乃至自然哲学等学科交叉发展的结果。认知科学研究的目的是解释人在完成认知活动时是如何进行信息加工的。认知科学的兴起标志着对以人类为中心的心智和智能活动的研究已进入到新的阶段,认知科学的发展将进一步为信息科学技术的智能化作出巨大贡献。认知基础系统地介绍认知科学的概念和方法,反映认知科学、脑科学、人工智能等领域的最新研究成果,综合地探索人类智能和机器智能的性质和规律。     

通用对弈游戏:一个探索机器游戏智能的领域

通用对弈游戏（general game playing,简称GGP）是致力于提高机器的通用游戏智能的研究领域.与专用游戏智能程序不同,GGP玩家直到游戏开始时才获得游戏规则,从而避免依赖于人类关于特定游戏的经验.GGP研究发展至今,已在游戏表示、搜索算法、状态估值等方面做了深入探索,并在知识迁移等方面做出了尝试.GGP研究的进展在一定程度上代表了通用人工智能的发展,因而是值得关注的.     

基于人工智能方法的复杂过程故障诊断技术

由于复杂过程因素多，波动大，反应机理复杂，无法建立精确的数学模型，传统的故障诊断方法很难取得令人满意的结果。针对复杂过程的特点，利用智能技术无需建立对象精确模型的优势，研究适合复杂过程实现的基于人工智能方法的故障诊断技术。并对构造智能诊断系统所需要解决的机器学习技术从知识获取、深浅知识表示方法和规则更新方面进行了分析。最后对基于人工智能方法的复杂过程故障诊断技术研究的发展趋势和有待解决的问题进行了分析与探讨。     

不确定性人工智能

在主、客观世界普遍存在的不确定性中,随机性和模糊性是最重要的两种形式.研究了随机性和模糊性之间的关联性,统一用熵作为客观事物和主观认知中不确定状态的度量,用超熵来度量不确定状态的变化,并利用熵和超熵进一步研究了混沌、分形和复杂网络中的不确定性,以及由此带来的种种进化和变异,为实现不确定性人工智能找到了一种简单、有效的形式化方法,也为包括形象思维在内的不确定性思维的自动化打下了基础.不确定性人工智能是人工智能进入21世纪的新发展.这个由多学科交叉渗透构成的新学科,必将使得机器能够具备人脑一样的不确定性信息和知识的表示能力、处理能力和思维能力.     

智能教学系统中的知识树增长模型

智能教学系统（intelligent tutoring system,ITS),作为人工智能学科的重要研究应用领域,是21世纪人类社会数字化教育的必然发展方向,迄今研究逾30年。现有一些ITS系统由于知识表示以及推理方法的领域相关特性,系统构建与系统运用、系统模块之间动态有机联系不强,进而导致学生模型弱化等问题,限制了系统在进行个别化教学过程中的智能性和推广运用。在此从系统的知识表示入手,基于SC文法的知识表示体系和知识树映射方法,提出了一个动态、实时、自适应、交互式知识树增长模型（augment knowledge-tree model,AKTM)。模型包括基于SC文法的知识点表示方法、知识树结构以及知识树映射、知识树学生模型、知识点学习循环等内容,贯穿于ITS系统4大传统模块之中,并在内容和功能上与之完全集成。通过知识点层次多维属性标注和索引,实现了知识存储、处理、调用和维护动态、一体化过程。通过知识点学习循环,实现个别化、动态、自适应智能教／学过程。同时通过模型在多媒体ITS系统中的实例化设计和运用,实现了动态教／学、领域无关、人机交互、自适应、个别化等智能特点。     

人工智能与人类智能在解决问题过程中的对比

人类智能是人类在认识世界和改造世界的活动中,由脑力劳动表现出来的能力;人工智能实际上是在计算机上实现的智能或者说是人工智能在机器上的模拟,因此又称为机器智能。作为机器思维的人工智能与作为人类思维的人类智能具有本质的区别;在一道最常见的智力题"河内塔问题"的求解过程中可对比显现。由此还得出人类智能的局限正是人工智能的优势性所在,而人工智能的局限正是人类智能的优势性所在。     

人工智能领域知识图谱构建与分析

近年来人工智能技术成为学术界和产业界的研究焦点,基于领域科技文献对人工智能相关技术脉络的发展进行分析和研究有助于科研人员掌握相关技术发展方向,同时为国家制定相关政策措施提供了大数据支撑。美国人工智能协会年会(AAAI)和人工智能国际联合大会(IJCAI)是人工智能领域最主要的学术会议,众多领先的AI科技成果在上述会议期间被提出。论文对最近十余年的AAAI和IJCAI会议中的论文集进行了整理分析和挖掘,构建了包含500000个反映研究主题、研究人员等实体及其关系的三元组的人工智能领域知识图谱,并在此基础上对人工智能领域的研究热点和发展趋势进行了分析和讨论。     

多媒体智能：当多媒体遇到人工智能

过去10年中涌现出大量新兴的多媒体应用和服务,带来了很多可以用于多媒体前沿研究的多媒体数据。多媒体研究在图像/视频内容分析、多媒体搜索和推荐、流媒体服务和多媒体内容分发等方向均取得了重要进展。与此同时,由于在深度学习领域所取得的重大突破,人工智能(artificial intelligence,AI)在20世纪50年代被正式视为一门学科之后,迎来了一次“新”的发展浪潮。因此,一个问题就自然而然地出现了：当多媒体遇到人工智能时会带来什么？为了回答这个问题,本文通过研究多媒体和人工智能之间的相互影响引入了多媒体智能的概念。从两个方面探讨多媒体与人工智能之间的相互影响：一是多媒体促使人工智能向着更具可解释性的方向发展;二是人工智能反过来为多媒体研究注入了新的思维方式。这两个方面形成了一个良性循环,多媒体和人工智能在其中不断促进彼此发展。本文对相关研究及进展进行了讨论,并围绕值得进一步探索的研究方向分享见解。希望可以对多媒体智能的未来发展带来新的研究思路。     

从知识表示到表示:人工智能认识论上的进步

知识表示是对智能进行模拟的一个数学模型,然而它可以不是一个对智能本质的描述,特别是传统的符号主义知识表示离揭示人的智能行为发生的内在过程还有很大的差距,在神经科学和心理学的指导下,通过对智能行为的生理基础和心理过程的研究,遵循“解释智能”的思想,可以得到对知识的心智表示的新认识,这种表示观的不同,预示着人工智能方法论上的进步。     

Parallel architectures for AI semantic network processing

Artificial intelligence (AI) applications are growing in several fields, and in many such applications knowledge bases must be manipulated. This activity is usually performed by an external agent such as a central processor, but often this cannot supply the speed required. Knowledge-oriented architectures provide an efficient execution of knowledge manipulations. This paper provides an introduction to a particular subset of knowledge-oriented architectures, the semantic network approach, which is one of the most commonly used methods of representing and manipulating knowledge in the AI field. A brief overview of the semantic network components is presented in order to provide a background to the topic. The purpose of this paper is to review the proposed, implemented and/or simulated architectures for semantic network processing, and to discuss the capabilities and limitations of such architectures.     

人工智能对科研信息化的推动作用

随着科技的不断发展,国家相关部门的重视,人工智能掀起了又一轮热潮。国家相关部门发布了关于人工智能的行动实施方案,明确了人工智能的重点研究领域和相关任务,为人工智能的强力有序发展提供了保障。本文概述了人工智能的国家战略以及主要任务,如加快建设文献、语音、图像、视频、地图等多种类数据的海量训练资源库和基础资源服务公共平台,建设支撑超大规模深度学习的新型计算集群,建立完善产业公共服务平台。本文列举了人工智能在各行各业的应用,包括化学,物理学,生物信息学,地质学,药物设计,建筑领域等方面,其中包括深度学习方法的运用,重点强调了人工智能对于科研信息化的巨大推动作用,包括超级计算领域,科学数据领域,无线网络领域,物联网领域,生物信息领域等。之后从政府、科研院所、企业多个层面详细阐述世界各国以及中国在基于人工智能的科研信息化方面的探索,对中国基于人工智能的科研信息化建设方面提出可行性建议。最后,对人工智能的应用范围以及发展前景做了展望。     

机制主义人工智能理论——一种通用的人工智能理论

现行人工智能研究取得了许多进展,但存在“深度上浅层化、广度上碎片化和体系上封闭化”的重要缺陷。这不是改进算法或者提高硬件性能所能解决的问题,而是要在科学观方法论上寻找根源。本文依据“科学观→方法论→研究模型→研究途径→基本概念→基本原理”这个顶天立地的研究纲领,总结了信息科学的科学观,提炼了信息生态方法论;在新的科学观和方法论指导下构筑了体现智能生长全过程的研究模型,发现了智能生长的共性机制,确立了机制主义研究途径,进而澄清和匡正了信息（特别是语义信息）、感知、知识、认知、基础意识、情感、理智、综合决策等一系列基础概念,总结了实现信息－知识－智能转换的一组基本原理,创建了机制主义人工智能理论。而且证明了:长期三分而立的结构主义（人工神经网络）、功能主义（专家系统）、行为主义（感知动作系统）三大人工智能理论可在机制主义人工智能理论框架内实现和谐统一;机制主义是生成基础意识、情感、理智三位一体高等人工智能的科学途径;机制主义人工智能理论是通用型的人工智能理论。     

人工智能知识产权问题综述

自20世纪50年代以来,人工智能引领着各行各业发展的风向,在人工智能技术助力各领域发展的同时,制度设计如何在最大程度上反哺技术和经济的发展成为至关重要的问题。不断推动人工智能技术的创新,不仅要重视人工智能技术本身的保护问题,人工智能生成物的保护也不容忽视。本文收集了国内外相关案例,从学理与司法实践的角度分析人工智能知识产权保护的必要性与可行性,以期通过人工智能知识产权保护推动我国技术进步与法律完善齐头并进。     

Artificial intelligence applications in the telecommunications industry

Abstract: Artificial intelligence (AI) has been applied to the telecommunications industry for more than a decade. The purpose of this paper is to examine the application of AI in the telecommunications industry sector. Our research finds that AI's first main application in telecommunications is in the network management area. Expert systems and machine learning are the two AI techniques that have been widely used in telecommunications, while machine learning and distributed artificial intelligence are the two AI techniques which are most promising for the future. The research also finds that different AI techniques have their unique applications in the telecommunications industry.     

AI,anthropocentrism, and the evolution of ‘intelligence’

Intuitive conceptions guide practice, but practice reciprocally reshapes intuition. The intuitive conception of intelligence in AI was originally highly anthropocentric. However, the internal dynamics of AI research have resulted in a divergence from anthropocentric concerns. In particular, the increasing emphasis on commonsense knowledge and peripheral intelligence (perception and movement) in effect constitutes an incipient reorientation of intuitions about the nature of intelligence in a non-anthropocentric direction. I argue that this conceptual shift undermines Joseph Weizenbaum's claim that the project of artificial intelligence is inherently dehumanizing.