人工智能专家系统(人工智能专家系统举例)

 

CNCC2020论坛现场 计红梅摄

10月23日，2020中国计算机大会（CNCC2020）主会场内，此时已是中午12点40分，台下的听众早已饥肠辘辘，却仍兴致盎然地听着台上的嘉宾们你来我往唇枪舌剑。

这是CNCC2020的第二天。围绕这场大会论坛的主题第三代人工智能的演进路径：‘统计’还是‘类脑’，中国科学院院士张钹、北京大学信息科学技术学院教授黄铁军等学者正在发表各自立场鲜明的观点。辩至中途，中国科学院院士梅宏也忍不住加入，把现场的气氛推向了高潮。

正如论坛主持人清华大学计算机系长聘副教授崔鹏所说，人工智能（AI）的发展已到了新的十字路口，现有技术的局限日益凸显，而新一代技术的发展路径尚不明朗。统观人工智能的发展历史，从以专家系统为代表的第一代人工智能，已发展到以统计机器学习为代表的第二代人工智能。展望未来十年到二十年，第三代人工智能应沿着既有的统计路径不断完善，还是借鉴人类大脑的模式和结构，走类脑的道路？

统计延伸还是类脑重建

互联网小常识：测试DHCP服务器使用ipcongfig /all命令，释放租约地址使用ipconfig /release命令，重新获得租约使用ipconfig /renew命令。

是时候考虑人工智能下一步该怎么走了！特别是中国应该考虑下一步怎么走，因为全世界都不知道下一步要怎么走。 张钹的开场白获得了现场听众的一片掌声。

此前，在纪念《中国科学》创刊70周年的专刊中，张钹曾撰写以《迈向第三代人工智能》为题的署名文章。在这篇文章中，张钹指出，人工智能在60多年的发展历史中，一直存在两个相互竞争的范式，即符号主义与连接主义。符号主义（即第一代人工智能）到上世纪80年代之前一直主导着AI的发展，而连接主义（即第二代人工智能）从上世纪90年代逐步发展，到本世纪初进入高潮，大有替代符号主义之势。但今天看来，这两种范式只是从不同的侧面模拟人类的心智（或大脑），具有各自的片面性，不可能触及人类真正的智能。

他提出，为了建立一个全面反映人类智能的AI，需要建立鲁棒与可解释的AI理论与方法，发展安全、可信、可靠与可扩展的AI技术，即第三代人工智能。

而这也是业界的共识。当下，人工智能发展已步入深水区。其表现是，虽然以深度学习为代表的人工智能技术在诸多应用领域取得了性能突破，但其对大规模训练数据的依赖，对场景的适用性狭窄，以及模型自身的可解释性、稳定性和公平性无法保证，限制了人工智能进一步发展的深度和广度。

实际上，早在8月底，中国计算机学会青年计算机科技论坛（CCF YOCSEF）就在北京召开了为期两天的闭门思辨论坛，邀请了国内19位人工智能领域资深学者，围绕第三代人工智能的演进路径进行了激烈的思辨，并发现了两条相对清晰的路径。其一是在已被证明有效的统计学习的框架内进一步扩展和演进，其二则是理解人脑的智能产生机制，并由此重新定义类脑的学习和计算框架。

在这两天的论坛里，与会专家分别针对这两条路径进行了梳理和探讨，今天这个大会论坛实质上是对此前思辨论坛的进一步延伸。崔鹏说，希望利用这样的机会，进一步论证一下未来十年到二十年，‘统计’和‘类脑’到底哪一条路径更有可能形成新的突破。

大脑原理尚不清楚时类还是不类

此次论坛上，张钹坦承，对于智能，目前业界尚没有一个统一的定义。因此，人工智能主要是用计算机来模拟人类的智能行为。

他强调，之所以模拟的不是智能，而是智能行为，是因为行为是可观察、测量和评估的，而只有可观察、测量和评估的对象才可以进行科学研究。反之，如果对象非常模糊，就不可能进行科学研究，只能进行哲学层面的探讨。

张钹提出，第三代人工智能的发展思路是，把第一代的知识驱动和第二代的数据驱动结合起来，通过同时利用知识、数据、算法和算力等4个要素，构造更强大的AI。

我不赞成用‘类脑’这个词。张钹说，类脑的英文原文是brain—inspired，翻译成类脑不太合适。因为目前的脑研究并没有彻底揭示大脑的诸多秘密，因此脑子不清楚类谁。

而在黄铁军看来，‘类脑’研究不用等到人类搞明白大脑的原理再去参考它来做，而是现在就可以做。他举例说，指南针发明的时候，科学家并不明白它为何能指南，而飞机发明的时候，也不清楚它为什么能上天，因此，并不是一定要明白原理后这件事儿才能做成。

互联网小常识：子网划分方法（根据IP地址划分子网）：依然要根据子网个数和主机个数确定子网号和主机号位数，然后计算子网掩码，然后列出子网地址段。

他所给出的智能的定义是，智能是系统通过获取和加工信息而获得的能力。它包括以生物为载体的生物智能（自然智能）和以机器为载体的机器智能（人工智能）两个方面。而智能科学是研究智能现象背后规律的科学，专指以机器智能为对象的技术科学。

生物大脑是最好的先验结构。人类设计的各种人工智能和机器学习方法，最终都将收敛到生物大脑结构。黄铁军认为，正因如此，强大智能必须依托复杂结构，站在进化肩膀上，看似艰难，实则最快。

必须开辟新赛道

在清华大学统计学研究中心长聘副教授邓柯看来，第一代人工智能是在做推理，第二代人工智能是在做感知，而到了第三代人工智能之后，科研人员将面临一些更为复杂的问题。

他表示，在第二代人工智能的框架下，对于不确定性关注比较少，主要是在做一些基于算法的结果优化，而基于算法的优化和基于不确定性因素做推断之间有非常大的差异。要真正解决一些更深层次、更难的问题，急需建立起对于不确定性因素的认知以及在此基础上的推理能力。这将是下一代人工智能非常核心的问题。

黄铁军也认为，目前深度学习已经在图像识别等方面取得了重大突破，但却并未真正解决感知问题。他举例说，通过反人脸识别技术，就可以让软件把自己识别成别的人。因此，深度学习远未抓住人类视觉系统的复杂性，要重新思考智能模型。

未来的人工智能发展一定要离开计算，不能在计算框架下思考智能问题。因此，要思考新的可能性，没有说历史一定要绑在计算这驾战车上一直开下去。黄铁军说。

在他看来，以人工智能为代表的智能科学，实际上是一个无限演进的过程，即从结构仿脑到功能类脑，再到性能超脑。而人工智能的下一步是什么？从长远看，希望一个智能系统能在复杂的环境里像生物一样，甚至以超越生物的能力去探索。

张钹强调，第三代人工智能必须将知识驱动放在重要位置，将其和数据驱动结合起来。只有这样，才能既最大限度地借鉴大脑的工作机制，又充分利用计算机的算力，使得人工智能在某些方面可以超越人类。

张钹表示，对于大脑的研究，实际上他们一直在借鉴，而且也反映在了人工智能的研究成果中。但是，从现实的角度讲，未来几十年必须靠计算机，别的都靠不上。

梅宏对张钹的观点表示赞同。在他看来，谈论第三代人工智能，应该是在第一代和第二代基础上的延伸，是基于计算的不断深化和完善。而类脑研究则类似学科的划分，以追求终极的智能为目标。现在对计算机而言，只有类人计算，没有类脑计算，因为大脑原理还说不清楚，那不是计算。

中国科学院自动化所研究员余山的研究背景是生物学，即研究大脑怎样工作。从我个人角度讲，我还是相信‘类脑’可以给我们提供有益的启示。

不过，他认为，类脑研究的目的不是去再造一个脑，这个没有太大意义，而是帮助人工智能能够更快地找到合适的解决复杂问题的途径。

无论是将知识驱动与数据驱动结合，还是做类脑研究，张钹认为，第三代人工智能都要创造出颠覆性的技术。

人工智能对国家未来发展的影响太大了，因此我们必须要找到一条新的出路。张钹强调，不要纠缠在老赛道上，因为它已经过时了，必须要开辟出新赛道。只有在新赛道上，中国人才有可能和世界一块儿前进。（计红梅）

来源： 中国科学报

互联网小常识：网桥最主要面临的问题是帧转发率低与广播风暴，影响其性能的主要参数是：帧转发率与帧过滤率。

免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186