Cslt：以“==教学目标== * 理解当前人工智能所处的历史时期，讨论未来的宏观发展趋势 * 了解下一代人工智能的一些研究方向：（1）知...”为内容创建页面

2022-08-26T06:23:11Z

以“==教学目标== * 理解当前人工智能所处的历史时期，讨论未来的宏观发展趋势 * 了解下一代人工智能的一些研究方向：（1）知...”为内容创建页面

新页面

==教学目标==

* 理解当前人工智能所处的历史时期，讨论未来的宏观发展趋势
* 了解下一代人工智能的一些研究方向：（1）知识与数据相融合的第三代人工智能方法；（2）认知学习；（3）类脑计算
* 了解计算的上限，即图灵-邱奇论题，以此了解人工智能所依赖的计算工具的理论上限
* 了解若干新型的，有别于当前电子计算机的计算工具，如生物计算机和量子计算机。这些新的计算工具未必可以打破图灵-邱奇论题，但在一些任务上确实可以极大提高计算效率
* 理解人与人工智能互融互助的关系

==教学内容==

===智能化是历史趋势===

* 自1956年达特茅斯会议以来，人工智能已经经历过若干次高潮与低谷，过高的期望之后必然伴随失望。这次人工智能的浪潮是否也会最终落幕，成为历史上的一朵浪花？
* 虽然还有争议，但大多数研究者认为，这一次人工智能浪潮和前几次有所不同。一是形成了落地的商业产品，如人脸识别、语音识别、机器翻译、推荐系统等；二是与人类社会的发展方向相契合，符合人类从机械化、电气化、自动化过度到智能化的历史步伐。一个证据是当前人工智能算法充分利用了互联网积累的海量数据，成为既有生产力模式的自然延伸。
* 一些研究者开始扩展人工智能的视野，不仅是为了制造和人一样的智能机器，而是像数学、物理学那样，成为人类认识自然、改造自然的工具。本书所介绍的人工智能和传统科学交叉融合的例子，正是这一思路的体现。

===下一代人工智能技术===

* 随着技术的进步，以深度神经网络为代表的人工智能技术渐渐显露出瓶颈。从技术层次看，可解释性问题成为核心关注，对抗样本的存在也带来可信性危机。一些研究者认为问题的根源在于大数据学习本身的局限，因此提出将知识与数据相结合的第三代人工智能方案。
* 从目标任务来看，当前深度学习方法大多用来模拟人的视听等感知能力，对于推理、规划等认知能力还无法有效处理。如何应用神经网络的强大学习能力处理认知任务，是下一代人工智能的目标之一。
* 从落地需求来看，当前深度神经网络方法对计算资源的消耗过大，特别是大模型技术出现以来，所需要的计算资源每两个月就会翻一倍。作为对比，人的大脑做的事情更多，但能耗只有20瓦。研究者提出类脑研究计划，希望通过模拟人脑的工作机制来提高计算效率[1]。

===人工智能与可计算理论===

* 当几乎所有人工智能方法都是基于计算机的，而计算机基于图灵机模型。这意味着对人工智能来说，目前只能解决图灵机所能解决的问题。那么，有没有比图灵机更强大的计算机器呢？至少到目前还没有发现，人们通常认为图灵机已经可以做到计算的极限，这一假设称为邱奇－图灵论题。虽然没有严格证明，研究者已经发现很多计算系统（如神经网络）都是和图灵机等价的，因此倾向于这一假设是真的。
* 那么，是否有一个物理过程所代表的计算过程可以完成图灵机无法完成的计算呢？如果这种过程存在，则可以认为是一种超图灵机（Super-Turning Machine）。
* 目前为止，还没有证据表明超图灵机的存在，人们倾向于认为物理过程所代表的计算同样可以由图灵机计算，这一结论称为物理邱奇－图灵论题。
* 然而，一些新的计算框架在某些问题上确实可以极大提高计算的效率。例如，人们已经在研究基于生化过程的生物计算机和基于量子效应的量子计算机。

===人与人工智能===

* 智能时代的到来是大势所趋，人工智能会越来越渗透进我们的日常生活，人与人工智能共存是未来社会的基础范式。基于这一趋势，如何规范人与人工智能之间的关系，是整个社会需要关注的问题。
* 人们已经关注到人工智能产生的负面影响，如对老人的不友好，对某些人群（性别、人种等）的区别对待，利用信息优势攫取利润（如大数据杀熟现象），制造信息陷阱（如新闻推荐）等。这些问题本质上不是人工智能的问题，而是人工智能使用者的问题。尽快完善相关法律，使人工智能的使用得到约束，是当前的一项迫切任务。

教学参考-50 - 版本历史

Cslt：以“==教学目标== * 理解当前人工智能所处的历史时期，讨论未来的宏观发展趋势 * 了解下一代人工智能的一些研究方向：（1）知...”为内容创建页面