人机智能融合人工智能发展的未来方向

《人机智能融合人工智能发展的未来方向》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、人机智能融合:人工智能发展的未来方向刘伟北京邮电大学自动化学院摘要：本文首先探讨Y现有人工智能科技的发展状况，分析丫联结主义、行为主义、符号主义的缺点和不足，进而指出约束智能科学发展的瓶颈所在;其次对智能科学系统中的数据/信息表征、认知模型的构建优缺点进行了概况分析;最后指出人机智能融合系统是未来智能科学的主要发展趋势。关键词：人机;融合;智能;思考;作者简介：刘伟，北京邮电大学自动化学院岗位教授、人机交互与认知工程实验室主任。研宄方向为人机交互、认知工程、用户体验、人机环境系统工程、分析哲学、未来态势感知模式与行为分析/预测技术。主要著作有《人机交互设计与评价》等。Intel

2、ligentMan-machineFusion:TheFutureofArtificialIntelligenceLiuWeiAbstract：Thispaperfirstdiscussesthecurrentdevelopmentofartificialintelligencetechnology,analyzestheshortcomingsanddeficienciesofConnectionism,ActionismandSymbolism,andthenpointsoutthebottleneckconstrictingthedevelopmentofintellig

3、encescience.Secondly，itbrieflystudiestheadvantagesanddisadvantagesofthedata/informationrepresentationandcognitivemodelconstructionintheintelligentsciencesystem.Finally,itholdsthatintelligentman-machinefusionisthemaindevelopmenttrendoffutureintelligencescience.Keyword：Man-machine;fusion;intel

4、1igence;thinking;《三国演义》第一回即云：“话说天下大势，分久必合，合久必分。”自然科学中的诸多学科之大势也莫不如此。人类经历了数百年的学科精分细化，目前随着人工智能的快速发展，许多学科正在慢慢交义融合起来。在经历了三次起伏（即上世纪70年代后期对数学定理证明非万能的清醒、90年代后期对专家系统与五代机的失望、2006年深度学习掀起了新一轮的浪潮）之后，人们狂热的希望逐渐踏实Y很多，A光和注意力也慢慢地从痴迷科幻转移到Y—个崭新而又富有活力的领域:人机融合智能领域。现有人工智能的不足从历史上看，人工智能大概分三大门派，一是以模仿大脑皮层神经网络及神经网络间的连接

5、机制与学习算法的联结主义（Conncctionism）,主要表现为深度学习方法，即用多隐层的处理结构处理各种大数据;二是以模仿人或生物个体、群体控制行为功能及感知一动作型控制系统的行为主义（Actionism）,主要表现为具有奖惩控制机制的强化学习方法，即通过行为增强或减弱的反馈来实现输出规划的表征;三是以物理符号系统（即符号操作系统）具冇产生智能行为的充分必要条件假设（NewellandSimon,1976）和有限理性原理为代表的符号主义（Symbolicism），主要表现为知识阁谱应用体系，即用模拟大脑的逻辑结构来加工处理各种信息和知识。正是由于这三种人工智能派别的取长补短

6、，再结合蒙特卡洛算法（两种随机算法中的一种，如果问题要求在有限釆样内，必须给出一个解，但不要求是最优解，那就要用蒙特卡罗算法。反之，如果问题要求必须给出最优解，但对采样没有限制，那就要用拉斯维加斯算法）使得特定领域的人L智能系统超过人类的智能成力了可能，如IBM的Waston问答系统和GoogleDeepmind的AlphaGo围棋系统等。尽管这些人工智能系统取得了骄人的绩效，但仍有不少缺陷和不足之处，而iL还有可能产生很大的隐患和危险。首先分析一下让人工智能在当下火热烫手的联结主义。当前的人工智能之所以高烧不退，其主要的力量源泉是2006年Hinton提出的深度学习方法大大提

7、高了图像识别、语音识别等方面的效率，并在无人驾驶、“智慧+”某些产业中切实体现出助力作用。然而，任何一种算法都有其不完备性，深度学习算法也不例外。该方法的局限性和不足是最好使用在具有可微分（函数连续）、强监督（样木数据标定很好、样本类别/属性八平价0标恒定）学习、封闭静态系统（干扰少、鲁棒性好、不复杂）任务下，而对于不可微分、弱监督学习（样本分布偏移大、新类别多、属性退化严重、目标多样）、幵放动态环境下该方法效果较差，计算收敛性不好。另外，和对于其他机器学习方法，使用深度学习生成的模型非常难