人工智能论文范文

导语：如何才能写好一篇人工智能论文，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

截至目前，古典控制方法一直都无法被人工智能控制技术所取代。但是随着时代的进步和发展，现代控制理论也日臻完善，人工智能软件技术(包括遗传算法、模糊神经网络、模糊控制以及人工神经网络等)逐渐取代了传统的控制器设计常规技术。这些方法有着许多的共同之处:都要具备不同类型和数量的描述特性和系统的“apriori”技术。这些方法都有着显著的优势，所以工业界都做出了不断的尝试，旨在进一步开发和使用这类方法，但是工业界又急于开发该系统，从而使其性能更加优异，系统更加简单、易操作。直流传动的控制程序较为简单，在过去得到了较为广泛的应用。但是不可忽视的是，它们有着难以克服的限制性因素，而且随着DSP技术的不断进步和发展，直流传动的优势逐渐隐没，性能更高的交流传动逐渐取代了直流传动。但近几年，部分厂商逐渐改良工艺，更高性能的直流驱动产品涌入市场，但是人工智能技术却鲜少提及。在未来几年，使用人工智能的直流传动技术将在更大范围内得到推广和普及。

交流传动瞬态转矩具备较高的使用性能，它有着较强的控制性，仅次于直流电机。目前，直接转矩控制(DTC)和矢量控制(VC)是比较常见的高性能交流传动控制方法。当前，不少厂商都顺应市场形势，相继推出了矢量控制交流传动产品，而且无速度传感器的矢量控制产品也大量上市。在性能较高的驱动产品中广泛使用AI技术，将会进一步提高产品的使用性能，截至目前，仅有两个厂家在其生产的产品中运用人工智能(AI)控制器。而在十五年前，日本和德国的研究人员提出了直接转矩控制这一概念，经过了十年的发展演变过程，ABB公司面向市场，将直接转矩控制的传动产品引入市场，让人们能够直接感受直接转矩控制的优势，从而开展相关的研究。可以预见，人工智能技术将会运用到直接转矩控制中，常规的电机数学模型将会被替代，从而退出市场。

人工智能控制器主要分三种类型，即:增强学习型、非监督型和监督型。当前，常规的监督学习型神经网络控制器的学习算法和拓扑结构已基本成型，这在一定程度上限制了此种结构控制器的生产和使用，导致计算机计算时间增长，而且常规非人工智能学习算法在具体应用上效果不明显。而要克服这些困难，最好的办法就是采用试探法和适应神经网络。常规模糊控制器的模糊规则表和规则初值是“a－priori”型，这加剧了调整难度。假若该系统无有效的“a－priori”信息作为支撑，那么将导致系统陷入瘫痪。而要有效克服此类缺陷和困难，就可以运用自适应模糊神经控制器，保证系统的正常运转。

二、电力系统中的智能控制

当前，世界各地的专家和学者都将眼光聚焦于智能控制理论的研究，研究表明，只要合理运用智能系统，就能在很大程度上提高电力系统控制水平，推动我国电力传动系统步入新的阶段。市面上广泛使用的交直流传动系统在控制技术和手段上已日臻成熟，闭环控制、矢量控制都有着较好的运用前景。PID控制法作为最新的控制方法，能较好地完成数学建模需承担的控制任务，但是在具体实践中，电力传动系统表现出较强的不稳定性，随工作状态的变化，电机参数也不断变化着，这加剧了传统建模控制的难度。

篇2

关键词：人工智能计算机技术

一、人工智能的定义

“人工智能”(ArtificialIntelligence)一词最初是在1956年Dartmouth学会上提出的。人工智能是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机，人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。

人工智能理论进入21世纪，正酝酿着新的突破，人工智能的研究成果将能够创造出更多更高级的智能“制品”，并使之在越来越多的领域超越人类智能，人工智能将为发展国民经济和改善人类生活做出更大贡献。

二、人工智能的应用领域

1.在管理系统中的应用

(1)人工智能应用于企业管理的意义主要不在于提高效率，而是用计算机实现人们非常需要做，但工业工程信息技术是靠人工却做不了或是很难做到的事情。在《谈谈人工智能在企业管理中的应用》一文中刘玉然指出把人工智能应用于企业管理中，以数据管理和处理为中心，围绕企业的核心业务和主导流程建立若干个主题数据库，而所有的应用系统应该围绕主题数据库来建立和运行。换句话说，就是将企业各部门的数据进行统一集成管理，搭建人工智能的应用平台，使之成为企业管理与决策中的关键因子。

(2)智能教学系统(ITS)是人工智能与教育结合的主要形式，也是今后教学系统的发展方向。信息技术的飞速发展以及新的教学系统开发模式的提出和不断完善，推动人们综合运用超媒体技术、网络基础和人工智能技术区开发新的教学系统，计算机智能教学系统就是其中的典型代表。计算机智能教学系统包含学生模块、教师模块，体现了教学系统开发的全部内容，拥有着不可比拟的优势和极大的吸引力。

2.在工程领域的应用

(1)医学专家系统是人工智能和专家系统理论和技术在医学领域的重要应用，具有极大的科研和应用价值，它可以帮助医生解决复杂的医学问题，作为医生诊断、治疗的辅助工具。事实上，早在1982年，美国匹兹堡大学的Miller就发表了著名的作为内科医生咨询的Internist2Ⅰ内科计算机辅助诊断系统的研究成果，由此，掀起了医学智能系统开发与应用的。目前，医学智能系统已通过其在医学影像方面的重要作用，从而应用于内科、骨科等多个医学领域中，并在不断发展完善中。

(2)地质勘探、石油化工等领域是人工智能的主要作用发挥领地。1978年美国斯坦福国际研究所就研发制成矿藏勘探和评价专家系统“PROSPECTOR”，该系统用于勘探评价、区域资源估值和钻井井位选择等，是工业领域的首个人工智能专家系统，其发现了一个钼矿沉积，价值超过1亿美元。

3.在技术研究中的应用

(1)在超声无损检测(NDT)与无损评价(NDE)领域中，目前主要广泛采用专家系统方法对超声损伤(UT)中缺陷的性质、形状和大小进行判断和归类；专家运用超声无损检测仪器，以其高精度的运算、控制和逻辑判断力代替大量人的体力与脑力劳动，减少了任务因素造成的无擦，提高了检测的可靠性，实现了超声检测和评价的自动化、智能化。

(2)人工智能在电子技术领域的应用可谓由来已久。随着网络的迅速发展，网络技术的安全是我们关心的重点，因此我们必须在传统技术的基础上进行网络安全技术的改进和变更，大力发展数据挖掘技术、人工免疫技术等高效的AI技术，开发更高级AI通用和专用语言，和应用环境以及开发专用机器，而与人工智能技术则为我们提供了可能性。

三、人工智能的发展方向

1.专家系统是目前人工智能中最活跃、最有成效的一个研究领域，它是一种具有特定领域内大量知识与经验的程序系统。近年来，在“专家系统”或“知识工程”的研究中已出现了成功和有效应用人工智能技术的趋势。人类专家由于具有丰富的知识，所以才能达到优异的解决问题的能力。那么计算机程序如果能体现和应用这些知识，也应该能解决人类专家所解决的问题，而且能帮助人类专家发现推理过程中出现的差错，现在这一点已被证实。

2.智能信息检索技术的飞速发展。人工智能在网络信息检索中的应用，主要表现在:(1)如何利用计算机软硬件系统模仿、延伸与扩展人类智能的理论、方法和技术。(2)由于网络知识信息既包括规律性的知识，如一般原理概念，也包括大量的经验知识这些知识不可避免地带有模糊性、随机性、不可靠性等不确定性因素对其进行推理，需要利用人工智能的研究成果。

3.SOAr是一种通用智能体系结构，其始终处在人工智能研究的前沿，已显示出强大的问题求解能力，它认为机器人的开发是人工智能应用的重要领域。在它的研究中突出4个概念:(1)所处的境遇机器人不涉及抽象的描述，而是处在直接影响系统的行为的境地。(2)具体化机器人有躯干，有直接来自周围世界的经验，他们的感官起作用后会有反馈。(3)智能的来源不仅仅是限于计算装置，也是由于与周围进行交互的动态决定。(4)浮现从系统与周围世界的交互以及有时候系统的部件间的交互浮现出智能。目前，国内外不少学者都对机器人足球系统颇感兴趣，足球机器人涉及机器人学、人工智能以及人工生命、智能控制等多个领域。足球机器人系统本身既是一个典型的多智能体系统，是一个多机器人协作自治系统，同时又为它们的理论研究和模型测试提供一个标准的实验平台。

参考文献：

[1]元慧.议当代人工智能的应用领域和发展状况[J].福建电脑，2008.

[2]刘玉然.谈谈人工智能在企业管理中的应用[J].价值工程，2003.

[3]焦加麟，徐良贤，戴克昌.人工智能在智能教学系统中的应用[J].计算机仿真，2003，(8).

[4]周明正.人工智能在医学专家系统中的应用[J].科技信息，2007.

[5]张海燕，刘镇清.人工智能及其在超声无损检测中的应用[J].无损检测，2001，(8).

[6]马秀荣，王化宇.简述人工智能技术在网络安全管理中的应用[J].呼伦贝尔学院学报，2005，(4).

篇3

2017年7月，国务院印发《新一代人工智能发展规划》，不仅对人工智能的发展做出了战略性部署，还确立了“三步走”的政策目标，力争到2030年将我国建设成为世界主要的人工智能创新中心。[1]值得注意的是，此次规划不仅仅只是技术或产业发展规划，还同时包括了社会建设、制度重构、全球治理等方方面面的内容。之所以如此，是由于人工智能技术本身具有通用性和基础性。换句话说，为助推人工智能时代的崛起，我们面对的任务不是实现某一个专业领域或产业领域内的颠覆性技术突破，而是大力推动源于技术发展而引发的综合性变革。

也正因为如此，人工智能发展进程中所面临的挑战才不仅仅局限于技术或产业领域，而更多体现在经济、社会、政治领域的公共政策选择上。首先，普遍建立在科层制基础上的公共事务治理结构，是否能够适应技术发展和应用过程中所大规模激发的不确定性和不可预知性?再者，长久以来围绕人类行为的规制制度，是否同样能够适应以数据、算法为主体的应用环境?最后，如何构建新的治理体系和治理工具来应对伴随人工智能发展而兴起的新的经济、社会、政治问题?

应对上述挑战并不完全取决于技术发展或商业创新本身，而更多依赖于我们的公共政策选择。本文试图在分析人工智能发展逻辑及其所引发的风险挑战的基础上，对人工智能时代的公共政策选择做出分析，并讨论未来改革的可能路径，这也就构成了人工智能治理的三个基本问题。具体而言，人工智能本身成为治理对象，其发展与应用构成了治理挑战，而在此基础上如何做出公共政策选择便是未来治理变革的方向。

全文共分为四个部分：第一部分将探讨人工智能的概念及特征，并进而对其发展逻辑进行阐述。作为一项颠覆性技术创新，其本身的技术门槛对决策者而言构成了挑战，梳理并捋清人工智能的本质内涵因而成为制定相关公共政策的前提;第二部分将着重分析人工智能时代崛起所带来的治理挑战，主要包括三个方面，即传统科层治理结构应对人工智能新的生产模式的滞后性、建基于行为因果关系之上的传统治理逻辑应对人工智能新主体的不适用性，以及人工智能发展所引发的新议题的治理空白;面对上述挑战，各国都出台了相关政策，本文第三部分对此进行了综述性对比分析，并指出了其进步意义所在。需要指出的是，尽管各国的政策目标都试图追求人工智能发展与监管的二维平衡，但由于缺乏对人工智能内涵及其发展逻辑的完整认识，当前的公共政策选择有失综合性;本文第四部分将提出新的治理思路以及公共政策选择的其他可能路径，以推动围绕人工智能治理的相关公共政策议题的深入讨论。

一、人工智能的概念及技术发展逻辑：算法与数据

伴随着人工智能技术的快速发展，尤其是其近年来在棋类对弈、自动驾驶、人脸识别等领域的广泛应用，围绕人工智能所可能引发的社会变革产生了激烈争论。在一方面，以霍金[2]、马斯克[3]、比尔-盖茨[4]、赫拉利[5]为代表的诸多人士呼吁加强监管，警惕“人工智能成为人类文明史的终结”;在另一方面，包括奥巴马[6]在内的政治家、学者又认为应该放松监管，充分释放人工智能的技术潜力以造福社会。未来发展的不确定性固然是引发当前争论的重要原因之一，但围绕“人工智能”概念内涵理解的不同，以及对其发展逻辑认识的不清晰，可能也同样严重地加剧了人们的分歧。正因为此，廓清人工智能的概念内涵和发展逻辑不仅是回应争论的需要，也是进一步提出公共政策建议的前提。

就相关研究领域而言，人们对于“人工智能”这一概念的定义并未形成普遍共识。计算机领域的先驱阿兰-图灵曾在《计算机器与智能》一文中提出，重要的不是机器模仿人类思维过程的能力，而是机器重复人类思维外在表现行为的能力。[7]正是由此理解出发，著名的“图灵测试”方案被提出。但如同斯坦福大学计算机系教授约翰·麦卡锡所指出的，“图灵测试”仅仅只是“人工智能”概念的一部分，不模仿人类但同时也能完成相关行为的机器同样应被视为“智能”的。[8]事实上，约翰·麦卡锡正是现代人工智能概念的提出者。在他看来，“智能”关乎完成某种目标的行为“机制”，而机器既可以通过模仿人来实现行为机制，也可以自由地使用任何办法来创造行为机制。[9]由此，我们便得到了人工智能领域另一个非常重要的概念——“机器学习”。

人工智能研究的目标是使机器达到人类级别的智能能力，而其中最重要的便是学习能力。[10]因此，尽管“机器学习”是“人工智能”的子域，但很多时候我们都将这两个概念等同起来。[11]就实现过程而言，机器学习是指利用某些算法指导计算机利用已知数据得出适当模型，并利用此模型对新的情境给出判断，从而完成行为机制的过程。此处需要强调一下机器学习算法与传统算法的差异。算法本质上就是一系列指令，告诉计算机该做什么。对于传统算法而言，其往往事无巨细地规定好了机器在既定条件下的既定动作;机器学习算法却是通过对已有数据的“学习”，使机器能够在与历史数据不同的新情境下做出判断。以机器人行走的实现为例，传统算法下，程序员要仔细规定好机器人在既定环境下每一个动作的实现流程;而机器学习算法下，程序员要做的则是使计算机分析并模拟人类的行走动作，以使其即使在完全陌生的环境中也能实现行走。

由此，我们可以对“人工智能”设定一个“工作定义”以方便进一步的讨论：人工智能是建立在现代算法基础上，以历史数据为支撑，而形成的具有感知、推理、学习、决策等思维活动并能够按照一定目标完成相应行为的计算系统。这一概念尽管可能仍不完善，但它突出了人工智能技术发展和应用的两大基石——算法与数据，有助于讨论人工智能的治理问题。

首先，算法即是规则，它不仅确立了机器所试图实现的目标，同时也指出了实现目标的路径与方法。就人工智能当前的技术发展史而言，算法主要可被划分为五个类别：符号学派、联接学派、进化学派、类推学派和贝叶斯学派。[12]每个学派都遵循不同的逻辑、以不同的理念实现了人工智能(也即“机器学习”)的过程。举例而言，“符号学派”将所有的信息处理简化为对符号的操纵，由此学习过程被简化(抽象)为基于数据和假设的规则归纳过程。在数据(即历史事实)和已有知识(即预先设定的条件)的基础上，符号学派通过“提出假设-数据验证-进一步提出新假设-归纳新规则”的过程来训练机器的学习能力，并由此实现在新环境下的决策判断。

从对“符号学派”的描述中可以发现，机器学习模型成功的关键不仅是算法，还有数据。数据的缺失和预设条件的不合理将直接影响机器学习的输出(就符号学派而言，即决策规则的归纳)。最明显体现这一问题的例子便是罗素的“归纳主义者火鸡”问题：火鸡在观察10天(数据集不完整)之后得出结论(代表预设条件不合理，超过10个确认数据即接受规则)，主人会在每天早上9点给它喂食;但接下来是平安夜的早餐，主人没有喂它而是宰了它。

所有算法类型尽管理念不同，但模型成功的关键都聚焦于“算法”和“数据”。事实上，如果跳出具体学派的思维束缚，每种机器学习算法都可被概括为“表示方法、评估、优化”这三个部分。[13]尽管机器可以不断的自我优化以提升学习能力，且原则上可以学习任何东西，但评估的方法和原则(算法)以及用以评估的数据(数据)都是人为决定的——而这也正是人工智能治理的关键所在。算法与数据不仅是人工智能发展逻辑的基石，其同样是治理的对象和关键。

总而言之，围绕“人工智能是否会取代人类”的争论事实上并无太大意义，更重要的反而是在廓清人工智能的内涵并理解其发展逻辑之后，回答“治理什么”和“如何治理”的问题。就此而言，明确治理对象为算法和数据无疑是重要的一步。但接下来的重要问题仍然在于，人工智能时代的崛起所带来的治理挑战究竟是什么?当前的制度设计是否能够对其做出有效应对?如果答案是否定的，我们又该如何重构治理体系以迎接人工智能时代的崛起?本文余下部分将对此做进一步的阐述。

二、人工智能时代崛起的治理挑战

不同于其他颠覆性技术，人工智能的发展并不局限于某一特定产业，而是能够支撑所有产业变革的通用型技术。也正因为此，其具有广泛的社会溢出效应，在政治、经济、社会等各个领域都会带来深刻变革，并将同时引发治理方面的挑战。具体而言，挑战主要体现在以下三个方面。

首先，治理结构的僵化性，即传统的科层制治理结构可能难以应对人工智能快速发展而形成的开放性和不确定性。之所以需要对人工智能加以监管，原因在于其可能成为公共危险的源头，例如当自动驾驶技术普及之后，一旦出现问题，便可能导致大规模的连续性伤害。但不同机、大型水坝、原子核科技等二十世纪的公共危险源，人工智能的发展具有极强的开放性，任何一个程序员或公司都可以毫无门槛的进行人工智能程序的开发与应用。这一方面是由于互联网时代的到来，使得基于代码的生产门槛被大大降低[14];另一方面，这也是人工智能本身发展规律的需要。正如前文所提到，唯有大规模的数据输入才可能得到较好的机器学习结果，因此将人工智能的平台(也即算法)以开源形式公开出来，以使更多的人在不同场景之下加以利用并由此吸收更多、更完备的数据以完善算法本身，就成为了大多数人工智能公司的必然选择。与此同时，人工智能生产模式的开放性也必然带来发展的不确定性，在缺乏有效约束或引导的情况下，人工智能的发展很可能走向歧途。面对这一新形势，传统的、基于科层制的治理结构显然难以做出有效应对。一方面，政府试图全范围覆盖的事前监管已经成为不可能，开放的人工智能生产网络使得监管机构几乎找不到监管对象;另一方面，由上至下的权威结构既不能传递给生产者，信息不对称问题的加剧还可能导致监管行为走向反面。调整治理结构与治理逻辑，并形成适应具有开放性、不确定性特征的人工智能生产模式，是当前面临的治理挑战之一。

再者，治理方法的滞后性，即长久以来建立在人类行为因果关系基础上的法律规制体系，可能难以适用于以算法、数据为主体的应用环境。人工智能的价值并不在于模仿人类行为，而是其具备自主的学习和决策能力;正因为如此，人工智能技术才不能简单地理解为其创造者(即人)意志的表达。程序员给出的只是学习规则，但真正做出决策的是基于大规模数据训练后的算法本身，而这一结果与程序员的意志并无直接因果关联。事实上也正由于这个特点，AlphaGo才可能连续击败围棋冠军，而其设计者却并非围棋顶尖大师。也正是在这个意义上，我们才回到了福柯所言的“技术的主体性”概念。在他看来，“技术并不仅仅是工具，或者不仅仅是达到目的的手段;相反，其是政治行动者，手段与目的密不可分”。[15]就此而言，长久以来通过探究行为与后果之因果关系来规范人的行为的法律规制体系，便可能遭遇窘境：如果将人工智能所造成的侵权行为归咎于其设计者，无疑不具有说服力;但如果要归咎于人工智能本身，我们又该如何问责一个机器呢?由此，如何应对以算法、数据为核心的技术主体所带来的公共责任分配问题，是当前面临的第二个治理挑战。

最后，治理范围的狭隘性，即对于受人工智能发展冲击而引发的新的社会议题，需要构建新的治理体系和发展新的治理工具。人工智能发展所引发的治理挑战不仅仅体现在现有体系的不适应上，同时还有新议题所面临的治理空白问题。具体而言，这又主要包括以下议题：算法是否能够享有言论自由的宪法保护，数据的权属关系究竟如何界定，如何缓解人工智能所可能加剧的不平等现象，以及如何平衡人工智能的发展与失业问题。在人工智能时代之前，上述问题并不存在，或者说并不突出;但伴随着人工智能的快速发展和应用普及，它们的重要性便日渐显著。以最为人所关注的失业问题为例，就技术可能性来说，人工智能和机器人的广泛应用代替人工劳动，已是一个不可否定的事实了。无论是新闻记者，还是股市分析员，甚至是法律工作者，其都有可能为机器所取代。在一个“充分自动化(Full Automation)”的世界中，如何重新认识劳动与福利保障的关系、重构劳动和福利保障制度，便成为最迫切需要解决的治理挑战之一。[16]

上述三方面共同构成了人工智能时代崛起所带来的治理挑战。面对这些挑战，各国也做出了相应的公共政策选择。本文第三部分将对各国人工智能的治理政策进行对比性分析。在此基础上，第四部分将提出本文的政策建议。

三、各国人工智能治理政策及监管路径综述

人工智能时代的崛起作为一种普遍现象，其所引发的治理挑战是各国面临的共同问题，各国也陆续出台了相关公共政策以试图推动并规范人工智能的快速发展。

美国于2016年同时颁布了《国家人工智能研究与发展战略规划》和《为人工智能的未来做好准备》两个国家级政策框架，前者侧重从技术角度指出美国人工智能战略的目的、愿景和重点方向，而后者则更多从治理角度探讨政府在促进创新、保障公共安全方面所应扮演的角色和作用。就具体的监管政策而言，《为人工智能的未来做好准备》提出了一般性的应对方法，强调基于风险评估和成本-收益考量的原则以决定是否对人工智能技术的研发与应用施以监管负担。[17]日本同样于2016年出台了《第五期(2016～2020年度)科学技术基本计划》，提出了“超智能社会5.0”的概念，强调通过推动数据标准化、建设社会服务平台、协调发展多领域智能系统等各方面工作促进人工智能的发展和应用。[18]

尽管美国和日本的政策着力点不同，但其共有的特点是对人工智能的发展及其所引发的挑战持普遍的包容与开放态度。就当前的政策框架而言，美日两国的政策目标更倾斜于推动技术创新、保持其国家竞争力的优势地位;当涉及对人工智能所可能引发的公共问题施以监管时，其政策选择也更倾向于遵循“无需批准式(permissionless)”的监管逻辑，即强调除非有充分案例证明其危害性，新技术和新商业模式默认为都是被允许的。[19]至于人工智能的发展对个人数据隐私、社会公共安全的潜在威胁，尽管两国的政策框架都有所涉及，却并非其政策重心——相比之下，英国、法国则采取了不同的政策路径。

英国政府2016年了《人工智能：未来决策制定的机遇与影响》，对人工智能的变革性影响以及如何利用人工智能做出了阐述与规划，尤其关注到了人工智能发展所带来的法律和伦理风险。在该报告中，英国政府强调了机器学习与个人数据相结合而对个人自由及隐私等基本权利所带来的影响，明确了对使用人工智能所制定出的决策采用问责的概念和机制，并同时在算法透明度、算法一致性、风险分配等具体政策方面做出了规定。[20]与英国类似，法国在2017年的《人工智能战略》中延续了其在2006年通过的《信息社会法案》的立法精神，同样强调加强对新技术的“共同调控”，以在享有技术发展所带来的福利改进的同时，充分保护个人权利和公共利益。[21]与美日相比，英法的公共政策更偏向于“审慎监管(precautionary)”的政策逻辑，即强调新技术或新的商业模式只有在开发者证明其无害的前提下才被允许使用。[22]

在本文看来，无论是“无需批准式监管”还是“审慎监管”，在应对人工智能时代崛起所带来的治理挑战方面都有其可取之处：前者侧重于推动创新，而后者则因重视安全而更显稳健。但需要指出的是，这两种监管路径的不足却也十分明显。正如前文第二部分所指出，一方面，快速迭代的技术发展与商业模式创新必将引发新的社会议题，无论是算法是否受到言论自由的权利保护还是普遍失业对社会形成的挑战，它们都在客观上要求公共政策做出应对，而非片面的“无需批准式监管”能够处理。更重要的是，“无需批准式监管”的潜在假设是事后监管的有效性;然而，在事实上，正如2010年5月6日美国道琼斯工业指数“瞬间崩盘”事件所揭示的，即使单个电子交易程序合规运行，当各个系统行为聚合在一起时反而却造成了更大的危机。[23]在此种情形下，依赖于合规性判断的“事后监管”基本上难以有效实施。另一方面，人工智能本身的自主性和主体性使得建立在人类行为因果关系基础上的“审慎监管”逻辑存在天然缺陷：既然人类无法预知人工智能系统可能的行为或决策，开发者又如何证明人工智能系统的无害性?

正如本文所反复强调的，人工智能与其他革命性技术的不同之处，正是在于其所带来的社会冲击的综合性和基础性。人工智能并非单个领域、单个产业的技术突破，而是对于社会运行状态的根本性变革;人工智能时代的崛起也并非一夜之功，而是建立在计算机革命、互联网革命直至数字革命基础上的“奇点”变革。因此，面对人工智能时代崛起所带来的治理挑战，我们同样应该制定综合性的公共政策框架，而非仅仅沿袭传统治理逻辑，例如只是针对具体议题在“创新”与“安全”这个二元维度下进行艰难选择。本文在第四部分从承认技术的主体性、重构社会治理制度、推进人工智能全球治理这三方面提出了政策建议，并希望以此推动更深入地围绕人工智能时代公共政策选择的研究与讨论。

四、人工智能时代的公共政策选择

《新一代人工智能发展规划》明确提出了到2030年我国人工智能发展的“三步走”目标，而在每一个阶段，人工智能法律法规、伦理规范和政策体系的逐步建立与完善都是必不可少的重要内容。面对人工智能时代崛起的治理挑战，究竟应该如何重构治理体系、创新治理机制、发展治理工具，是摆在决策者面前的重要难题。本文基于对人工智能基本概念和发展逻辑的梳理分析，结合各国已有政策的对比分析，提出以下三方面的改革思路，以为人工智能时代的公共选择提供参考。

第一，人工智能发展的基石是算法与数据，建立并完善围绕算法和数据的治理体系与治理机制，是人工智能时代公共政策选择的首要命题，也是应对治理挑战、赋予算法和数据以主体性的必然要求。(1)就算法治理而言，涉及的核心议题是算法的制定权及相应的监督程序问题。算法作为人工智能时代的主要规则，究竟谁有权并通过何种程序来加以制定，谁来对其进行监督且又如何监督?长久以来公众针对社交媒体脸书(Facebook)的质疑正体现了这一问题的重要性：公众如何相信脸书向用户自动推荐的新闻内容不会掺杂特殊利益的取向?[24]当越来越多的人依赖定制化的新闻推送时，人工智能甚至会影响到总统选举。也正因为此，包括透明要求、开源要求在内的诸多治理原则，应当被纳入到算法治理相关议题的考虑之中。(2)就数据治理而言，伴随着人工智能越来越多地依赖于大规模数据的收集与利用，个人隐私的保护、数据价值的分配、数据安全等相关议题也必将成为公共政策的焦点。如何平衡不同价值需求、规范数据的分享与应用，也同样成为人工智能时代公共政策选择的另一重要抓手。

第二，创新社会治理制度，进一步完善社会保障体系，在最大程度上缓解人工智能发展所可能带来的不确定性冲击。与历史上的技术革命类似，人工智能的发展同样会导致利益的分化与重构，而如何保证技术革命成本的承受者得到最大限度的弥补并使所有人都享有技术发展的“获得感”，不仅是社会发展公平、正义的必然要求，也是促进技术革命更快完成的催化剂。就此而言，在人工智能相关公共政策的考量中，我们不仅应该关注产业和经济政策，同时也应该关注社会政策，因为只有后者的完善才能够控制工人或企业家所承担的风险，并帮助他们判断是否支持或抵制变革的发生。就具体的政策设计来说，为缓解人工智能所可能带来的失业潮，基本收入制度的普遍建立可能应该被提上讨论议程了。“基本收入”是指政治共同体(如国家)向所有成员不加任何限制条件地支付一定数额的收入，以满足其基本生活的需求。尽管存在“养懒汉”的质疑，但有研究者已指出，自18世纪就开始构想的基本收入制度很有可能反过来促进就业。[25]芬兰政府已经于2017年初开始了相关实验，美国的一些州、瑞士也做出了一定探索。在人工智能时代尚未完全展现其“狰容”之前，创新社会治理机制、完善社会保障体系，可能是平衡技术创新与社会风险的最佳路径。

第三，构建人工智能全球治理机制，以多种形式促进人工智能重大国际共性问题的解决，共同应对开放性人工智能生产模式的全球性挑战。人工智能的发展具有开放性和不确定性的特征，生产门槛的降低使得人工智能技术研发的跨国流动性很强，相关标准的制定、开放平台的搭建、共享合作框架的形成，无不要求构建相应的全球治理机制。另一方面，跨境数据流动在广度和深度上的快速发展成为了人工智能技术进步的直接推动力，但各国数据规制制度的巨大差异在制约跨境数据流动进一步发展的同时，也将影响人工智能时代的全面到来。[26]故此，创新全球治理机制，在承认各国制度差异的前提下寻找合作共享的可能性，便成为人工智能时代公共政策选择的重要考量之一。就具体的机制设计而言，可以在人工智能全球治理机制的构建中引入多利益相关模式;另一方面，为防止巨头垄断的形成，充分发挥主权国家作用的多边主义模式同样不可忽视。作为影响深远的基础性技术变革，互联网全球治理机制的经验和教训值得人工智能发展所借鉴。

上述三方面从整体上对人工智能时代的公共政策框架做出了阐述。与传统政策局限于“创新”与“安全”之间做出二维选择不同，本文以更综合的视角提出了未来公共政策选择的可能路径。就其内在联系来讲，建立并完善围绕算法和数据的治理体系是起点，其将重构人工智能时代的规则与制度;创新社会治理机制并完善社会保障体系是底线，其将缓解人工智能所带来的影响与波动;构建全球治理机制则成为了制度性的基础设施，推动各国在此之上共同走向人工智能时代的“人类命运共同体”。

五、结语

在经历了60余年的发展之后，人工智能终于在互联网、大数据、机器学习等诸多技术取得突破的基础上实现了腾飞。在未来的人类生活中，人工智能也必将扮演越来越重要的角色。对于这样的图景，我们自不必惊慌，但却也不可掉以轻心。对于人工智能的治理，找到正确的方向并采取合理的措施，正是当下所应该重视的政策议题。而本文的主旨也正在于此：打破长久以来人们对于人工智能的“笼统”式担忧，指出人工智能技术发展的技术逻辑及其所引发的治理挑战，并在此基础上提出相应的政策选择。人工智能治理的这三个基本问题，是重构治理体系、创新治理机制、发展治理工具所必须思考的前提。伴随着我国国家层面战略规划的出台，我国人工智能的发展也必将跃上新台阶。在此背景下，深入探讨人工智能治理的相关公共政策议题，对于助推一个人工智能时代的崛起而言，既有其必要性，也有其迫切性。（来源：中国行政管理 文/贾开 蒋余浩 编选：中国电子商务研究中心）

[参考文献]

[1]国务院关于印发新一代人工智能发展规划的通知[EB/OL]. http：//gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[2]霍金. AI可能成就或者终结人类文明[EB/OL].http：//raincent.com/content-10-7672-1.html.

[3] Elon Musk. Artificial Intelligence is Our Biggest Existential Threat. https：//theguardian.com/technology/2014/oct/27/elon-musk-artificial-intelligence-ai-biggest-existential-threat.

[4] Microsoft's Bill Gates Insists AI is A Threat. http：//bbc.com/news/31047780. 2017-8-14.

[5] [以]赫拉利.人类简史[M].北京：中信出版社，2014.

[6] The President in Conversation With MIT’s Joi Ito and WIRED’s Scott Dadich. https：//wired.com/2016/10/president-obama-mit-joi-ito-interview/. 2017-8-14.

[7] Turing，A. M. Computing Machinery and Intelligence. Mind，1950，59(236).

[8] [9][10] McCarthy，J.What is Artificial Intelligence. URL：http：//www-formal.stanford.edu/jmc/whatisai/whatisai.html.

[11] [12][13] [美]佩德罗-多明戈斯.终极算法：机器学习和人工智能如何重塑世界[M].黄芳萍译.北京：中信出版社，2016.

[14] Benkler，Y. The Wealth of Networks：How Social Production Transforms Markets and Freedom. Yale University Press，2006.

[15] Foucoult，M. Discipline and Punish. A. Sheridan，Tr.，Paris，FR，Gallimard，1975.

[16] Srnicek，N.，& Williams，A. The Future isn't Working. Juncture，2015，22(3)：243-247.

[17] Preparing for the Future of Artificial Intelligence. https：//obamawhitehouse.archives.gov/sites/default/files/whitehouse_files/microsites/ostp/NSTC/preparing_for_the_future_of_ai.pdf. 2017-8-14.

[18]薛亮.“日本推动实现超智能社会‘社会5.0’”[EB/OL]. http：//istis.sh.cn/list/list.aspx?id=10535.

[19] Thierer，A. Permissionless Innovation：The Continuing Case for Comprehensive Technological Freedom. Mercatus Center at George Mason University，2016.

[20] Artificial Intelligence：Opportunities and Implications for the Future of Decision Making.https：//gov.uk/government/uploads/system/uploads/attachment_data/file/566075/gs-16-19-artificial-intelligence-ai-report.pdf.

[21]周衍冰.大数据产业在法国的发展及应用[N].学习时报，2014-11-03.

[22] Thierer，A. D.，& Watney，C. J. Comment on the Federal Automated Vehicles Policy，2016.

[23] [美]杰瑞·卡普兰.人工智能时代：人机共生下财富、工作与思维的大未来[M].杭州浙江人民出版社，2016.

[24] Marcel Rosenbach. How Google and Facebook Can Reshape Elections.http：//spiegel.de/international/germany/google-and-facebook-could-help-decide-2017-german-election-a-1120156.html.

[25] Van Parijs，P. Basic Income：A Simple and Powerful Idea for the Twenty-first Century. Politics & Society，2004，32(1).

篇4

1.1不同的设计方法

与传统的机械工程相比，机械电子工程已经超越了单一的学科，显而易见，机械电子工程是一个交叉学科，它充分的融合机械技术与信息技术，这就要求其在进行设计的过程之中必须充分考虑和应用自己的设计方法，在实际的设计过程之中，设计人员往往采用自上而下的设计方法，这种设计方法是机械电子工程设计之有的方法。

1.2产品上的差异

机械电子工程的另一个特点就是其产品上的与众不同，与一般的产品不同，机械电子产品的结构看似简单，但是在实际的设计与开发过程之中却融入了很多先进的技术与理念，这就远远的超越了传统的机械，这就是产品的外观更加的轻盈小巧，同时可以实现更加的智能化与现代化，是生产力飞跃的具体体现。

2.机械电子工程的发展过程

前文已经讲过，机械电子工程并不是一个简单的孤立学科，它是一个涉及机械与信息技术的交叉学科，又受到人工智能理念的影响，因此是一个典型的交叉学科。正是由于该学科的复杂性造成该学科在形成的过程之中并不是一蹴而就的，相反，该学科在形成的过程之中经过了很多阶段，经过相关的发展才最终形成现阶段的机械电子工程：

2.1机械电子工程学的开端

机械电子工程学的起步阶段是传统的手工生产，在这个阶段，机械电子工程学的发展十分的缓慢，这是由于此社会的平均劳动生产率相对较为低下，劳动力资源相对也较为匮乏，生产力的发展与进步比较缓慢，但是在一次次的尝试之中，机械电子工程还是逐步的发展起来了。

2.2机械电子工程学的高速发展阶段

机械电子工程学的高速发展阶段主要是流水线生产线的成功应用，这一时期的生产过程已经具有了相应的标准，在很大程度上促进了生产力的发展与进步，并不断的拓展机械电子工程产品的种类，逐步满足社会的发展与需求。

2.3机械电子工程的成熟阶段

进入21世纪，机械电子工程逐步走入其成熟阶段，逐步的形成了其特有的生产体系与发展体系，并实现了与现代信息技术与人工智能技术的完美融合，进入了现代机械电子工程的成熟阶段，不断的促进现代生产的发展与社会的进步。

3.人工智能的发展史

3.1萌芽阶段

人工智能的萌芽阶段起源于法国，当时法国科学家首先研制出了第一部计算器，从此世界开始了人工智能的研究之路，直至冯诺依曼发明第一台计算机。人工智能在其萌芽阶段和其他技术一样，发展打偶较为缓慢，但是却为后来的发展积累了丰富的经验，为之后的发展奠定了坚实的基础。

3.2第一个发展阶段

1956年美国人第一次提出“人工智能”的命题，并进行了相关的研究，这是引起人工智能第一发展高峰期的标志。这一阶段的人工智能属于较为简单的发展阶段，主要针对的的任务是：博弈、计算以及证明等任务。在这一阶段的确取得了一定的成就，这一阶段的主要贡献是大大的解放了人们的思想，使人们认识并了解了人工智能的可行性，对人工智能后期的发展起到了巨大的促进作用。

3.3第二个发展阶段

1977年全球召开了第五届人工智能会议，这是人工智能发展的第二个阶段的开始，由此之后，人们认识到知识工程对于人工智能领域的重要意义与价值，并不断的进行相关的发展与研究，促使人工智能与实际生产相结合，逐步的推进了人工智能的快速发展与进步。也正是在这个阶段，人工智能获得了巨大的飞跃，并表现出广阔的市场前景，在不确定推理、分布式人工智能、常识性知识表示方式等关键性技术问题和专家系统、计算机视觉、自然语言理解、智能机器人等实际应用问题上取得了长足的发展。

4.机械电子工程与人工智能的关系

机械电子系统具有不稳定性，这就使得机械电子系统在输入与输出关系的处理上比较困难。推导数学方程的方、建设规则库的方法以及学习并生成知识的传统方法,虽然在解析数学方面具有精密性,但是这些传统的方法还只能适用于一些相对简单的系统。然而现代社会所需求的系统是纷繁复杂的，往往会需要一个系统能够处理多种信息类型。人工智能建立系统所采取的方法中，主要使用的是神经网络系统和模糊推理系统。神经网络系统能够实现对人脑结构的模拟人，能够分析数字信号并给出参考数值。而模糊推理系统则是通过模拟人脑的功能,来实现对语言信号的有效分析。在处理输入输出的关系上，这两种方法既有共同之处，也存在各自的差异性。神经网络系统在信息的储存上是采用分布式的方式，而模糊推理系统则采用规则方式实现信息的储存。神经网络系统输入时由于每个神经元之间都有固定联系所以计算量一般都很大，而模糊推理系统的连接是不固定的，所以其计算量相对较小。人工智能系统的建立于发展在很大程度上促进了现代机械电子工程发展与进步。在实际的机械电子工程的设计工作之中，我们必须依靠相应的人工智能技术植入，只有这样才能更好的促进机械电子工程的发展，与此同时最大限度的促进人工智能功能的实现。很显然这个过程相互促进的过程，只有在发展之中充分的考虑两只之间的相互结合，不断的开拓出全新的技术，促进两者之间的更好的融合才能不断的促进两者的共同发展，不断的促进其进步，实现机械电子工程的不断发展，推进人工智能的持续进步。

5.结束语

篇5

对于中国而言，人工智能的发展更是一个历史性的战略机遇，对于缓解未来人口老龄化压力、应对可持续发展挑战、以及促进经济结构转型升级至关重要。

那么目前，人工智能在中国的发展条件如何，中国距离成为真正的人工智能强国还有多远？7月13日，《中国人工智能发展报告2018》在清华大学主楼接待厅。

报 告中称，目前中国人工智能的发展已经具备非常优越的条件，然而要成为真正的人工智能强国，中国还任重道远。中国在论文总量和高被引论文数量上都排在世界第 一，但中国在人才总量，以及杰出人才占比偏低。在产业上，中国的人工智能企业数量排在全球第二，不过，中国人工智能领域的投融资占到了全球的60%，成为全球最“吸金”的国家。

报 告指出，中国必须加强基础研究，优化科研环境，培养和吸引顶尖的人才，在人工智能的新基础领域实现突破，保证人工智能发展的根基稳固。同时，要大力鼓励产 学研合作，让企业成为人工智能创新的主导力量。积极参与到人工智能全球治理机制的构建中，在人工智能未来的技术发展、风险防范、道理伦理规范制定等领域发 挥中国独特的作用。

这份报告由清华大学中国科技政策研究中心、清华公共管理学院政府文献中心、北京赛时科技有限公司、科睿唯安、中国信息通信研究院和北京字节跳动科技有限公司联合。

论文总量世界第一，杰出人才占比偏低

报告中称，在论文产出上，中国人工智能论文总量和高被引论文数量都是世界第一。中国在人工智能领域论文的全球占比从1997年4.26%增长至2017年的27.68%，遥遥领先其他国家。

高校是人工智能论文产出的绝对主力，在全球论文产出百强机构中，87家为高校。中国顶尖高校的人工智能论文产出在全球范围内都表现十分出众。

不仅如此，中国的高被引论文呈现出快速增长的趋势，并在2013年超过美国成为世界第一。

但在全球企业论文产出排行中，中国只有国家电网公司的排名进入全球20。

从学科分布看，计算机科学、工程和自动控制系统是人工智能论文分布最多的学科。国际合作对人工智能论文产出的影响十分明显，高水平论文中国通过国际合作而发表的占比高达42.64%。

专利申请上中国专利数量略微领先美国和日本。中国已经成为全球人工智能专利布局最多的国家，数量略微领先于美国和日本，三国占全球总体专利公开数量的74%。

全球专利申请主要集中在语音识别、图像识别、机器人、以及机器学习等细分方向。中国人工智能专利持有数量前30名的机构中，科研院所与大学和企业的表现相当，技术发明数量分别占比52%和48%。

企业中的主要专利权人表现差异巨大，但中国国家电网近五年的人工智能相关技术发展迅速，在国内布局专利技术量远高于其他专利权人，而且在全球企业排名中位列第四。

中国的专利技术领域集中在数据处理系统和数字信息传输等，其中图像处理分析的相关专利占总发明件数的16%。电力工程也已成为中国人工智能专利布局的重要领域。

虽然在论文总量和高被引用论文数量上中国排名领先，但在人才投入上，中国表现并不突出。

根据该报告，截至2017年，中国的人工智能人才拥有量达到18232人，占世界总量8.9%，仅次于美国（13.9%）。高校和科研机构是人工智能人才的主要载体，清华大学和中国科学院系统成为全球国际人工智能人才投入量最大的机构。

然而，按高H因子衡量的中国杰出人才只有977人，不及美国的五分之一，排名世界第六。企业人才投入量相对较少，高强度人才投入的企业集中在美国，中国仅有华为">华为一家企业进入全球前20。

中国人工智能人才集中在东部和中部，但个别西部城市如西安和成都也表现十分突出。国际人工智能人才集中在机器学习、数据挖掘和模式识别等领域，而中国的人工智能人才研究领域比较分散。

中国人工智能企业数量全球第二，但投融资规模最大

报告称，中国人工智能企业数量从2012年开始迅速增长，截至2018年6月，中国人工智能企业数量已达到1011家，位列世界第二，但与美国的差距还非常明显（2028家）。

中国人工智能企业高度集中在北京、上海和广东。在全球人工智能企业最多的20个城市中，北京以395家企业位列第一，上海、深圳和杭州也名列其中。中国人工智能企业应用技术分布主要集中在语音、视觉和自然语言处理这三个技术，而基础硬件的占比很小。

风险投资上，从2013到2018年第一季，中国人工智能领域的投融资占到全球的60%，成为全球最“吸金”的国家。但从投融资笔数来看，美国仍是人工智能领域创投最为活跃的国家。

在国内，北京的融资金额和融资笔数都遥遥领先其他地区，上海和广东的人工智能投资也很活跃。从2014年开始，国内人工智能投融资活动的早期投资的占比逐渐下降，投资活动日趋理性，但A轮融资还是占主导地位。

中 国人工智能市场增长迅速，计算机视觉市场规模最大。2017年中国人工智能市场规模达到237亿元，同比增长67%。计算机视觉、语音、自然语言处理的市 场规模分别占34.9%、24.8%、21%，而硬件和算法的市场规模合计不足20%。预计2018年中国人工智能市场增速将达到75%。

篇6

论文关键词：人类智能，人工智能，认知，心理学

 

人工智能技术无论是在过去，现在还是将来，都作为科学研究的热点问题之一。人类对自己本身的秘密充满好奇，随着生物技术的飞速发展，人类不断破译人体的生命密码。而以生物科学为基础的人工智能技术也得到了长足的发展。人们希望通过某种技术或者某些途径能够创造出模拟人思维和行为的“替代品”，帮助人们从事某些领域的工作。为了让计算机能够从事一些只有人脑才能完成的工作，解脱人的繁重的脑力劳动，人类对自身的思维和智能不断地研究探索。但是，科学技术是一柄双刃剑，人们对人工智能技术的飞速发展存在着恐慌。如果机器真的具有了人类的智能，在未来的某一天，他们会不会取代人类而成为地球的主宰者？人类智能和人工智能，谁才是未来的传奇？

1.你在和谁说话？

“先进的人工智能机器人不但拥有可以乱真的人类外表，而且还能像人类一样感知自己的存在。”这是人工智能发展到高级阶段的目标和任务。那么，我们在不久的未来能否实现这样一个目标呢？人类真的能发明出足以乱真的智能人类吗？隔着一堵墙，我们是否能分辨出正在与我们对话的是一部机器还是人类？

1.1. 人工智能的定义

人工智能(Artificial Intelligence) ，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是相对于人的智能而言的。正是由于意识是一种特殊的物质运动形式，所以根据控制论理论，运用功能模拟的方法心理学，制造电脑模拟人脑的部分功能，把人的部分智能活动机械化，叫人工智能。人工智能的本质是对人思维的信息过程的模拟，是人的智能的物化。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能发展的过程归纳为机器不断取代人的过程。

1.2. 人工智能技术的发展

几个世纪以来，人类依靠智慧，发明了许多机器，使人类能够从许多体力劳动中解放出来。从1956年正式提出人工智能学科算起，40多年来取得长足的发展，成为一门广泛的交叉和前沿科学。科学家发明了汽车，火车，飞机，收音机等等，它们模仿我们身体器官的功能，但是这些不能模仿人类大脑的功能毕业论文格式范文。当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。1997年5月，IBM公司研制的深蓝（Deep Blue）计算机战胜了国际象棋大师卡斯帕洛夫（Kasparov）。在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。计算机的出现，使得人工智能有了突破性的进展。计算机不仅能代替人脑的某些功能，而且在速度和准确性上大大超过人脑，它不仅能模拟人脑部分分析和综合的功能，而且越来越显示某种意识的特性。真正成了人脑的延伸和增强。

1.3. 人工智能的研究领域

人工智能是一种外向型的学科，也是一门多领域综合学科。它不但要求研究它的人懂得人工智能的知识，而且要求有比较扎实的数学基础，哲学和生物学基础，只有这样才可能让一台什么也不知道的机器模拟人的思维。而人工智能的最根本目的是模拟人类的思维，因此，它的研究领域与人类活动息息相关。什么地方只要有人在工作，他就可以运用到那个领域。

现阶段主要研究领域有专家系统，机器学习，模式识别，自然语言理解，自动定理证明，自动程序设计心理学，机器人学，博弈，智能决定支持系统和人工神经网络等等。

2.机器真的可以思考吗？

机器真的可以思考吗？机器的思考归根结底还是模仿人类的思维模式，正是“思考”这一人类的本质属性，使得人工智能和心理学从最初就紧密地联系在一起。心理学研究人脑中信息的输入、输出、存储和加工，并研究人脑各个部位的功能。最早的双核计算机模仿人的左右脑，在人脑不同区域主管各个不同功能这一原理的基础上，来设计负责不同功能的芯片。以此为出发点，心理学家和计算机学者进一步合作，通过研究人解决问题的方法来研究开发人工智能。随着人工智能的发展，所要求实现的职能愈加复杂，但最基本的方式还是逻辑推理和归纳，这正是心理学家和逻辑学家的专业领域。心理学家以研究探讨人类逻辑思维方式为人工智能提供了基本原理和原则。

2.1. 人类意识的本质

意识是世界的内在规定、一般规律和组成部分，是具有客观实在性同世界的其它组成部分处在对立统一关系中的事物。意识普遍存于世界和万物之中，世界是包含意识的世界，万物是包含意识的万物。没有意识存在于其中的世界不是我们现实生活中的世界，没有意识存在于其中的万物也不是我们天天眼见手触的万物。有了意识的存在，世界和万物就有了生机和活力。

2.1.1. 意识是与物质相对应的哲学范畴，与物质既相对立又相统一的精神现象。

意识是自然界长期发展的产物，由无机物的反应特性，到低等生物的刺激感应性，再到动物的感觉和心理这一生物进化过程是意识得以产生的自然条件。意识是社会的产物，人类社会的物质生产劳动在意识的产生过程中起决定的作用。辩证唯物主义在强调物质对意识起决定作用的前提下肯定意识对于物质具有能动的反作用，在意识活动中人们从感性经验抽象出事物的本质、规律形成理性认识，又运用这些认识指导自己有计划、有目的地改造客观世界。

2.1.2. 从意识的起源看，意识是物质世界发展到一定阶段的产物；从意识的本质来看，意识是客观存在在人脑中的反映。

意识是人脑对客观存在的反映：第一，正确的思想意识与错误的思想意识都是客观存在在人脑中的反映；第二，无论是人的具体感觉还是人的抽象思维，都是人脑对客观事物的反映；第三，无论是人们对现状的感受与认识，还是人们对过去的思考与总结，以至人们对未来的预测，都是人脑对客观事物的反映。 意识的能动作用首先表现在，意识不仅能够正确反映事物的外部现象，而且能够正确反映事物的本质和规律；意识的能动作用还突出表现在，意识能够反作用于客观事物，以正确的思想和理论为指导心理学，通过实践促进客观事物的发展。

2.2. 人类意识与人工智能的关系

认知心理学和人工智能，是认知科学的两个组成部分。人工智能使用了心理学的理论，心理学又借用了人工智能的成果。人类意识与人工智能两者具有以下关系：

l人工智能是研究用机器模拟和扩展人的智能的科学。它撇开了人脑的内在结构和意识的社会性，而只是把人脑作为一种信息处理的过程，包括信息的接收、记忆、分析、控制和输出五部分。现代科学技术用相应的部件来完成着五个过程，就构成了人工智能或电脑。

l人工智能可以代替人的某些脑力劳动，甚至可以超过人的部分思维能力，随着现代科学技术的发展，它发挥着越来越重要的作用。人工智能的出现不仅解放了人的智力，而且为研究人脑的意识活动提供了新的方法和途径。它说明了人的意识活动不管多么复杂，都是以客观物质过程为基础的，而不是什么神秘的超物质的东西，人们完全可以用自然科学的精确方法来加以研究和模拟，它进一步证实了辩证唯物主义意识论的科学性毕业论文格式范文。

l人工智能的产生和发展，深化了我们对意识相对独立性和能动性的认识。机器思维即人工智能表明，思维形式在思维活动中对于思维内容具有相对独立性，它可从人脑中分化出来，物化为机械的、物理的运动形式，部分地代替人的思维活动。

随着科学技术的发展，人工智能将向更高水平发展，反过来推动科学技术、生产力和人类智慧向更高水平发展，对人类社会进步将起着巨大的推动作用。

3. 人工智能的未来

人工智能是为了模拟人类大脑的活动而产生的科学，人类已经可以用许多新技术新材料模拟人体的许多功能，诸如皮肤，毛发，骨骼等等，也就是说，人类可以创造出“类人体”。只要能够模拟人的大脑的功能，人就可以完成人工生命的研究工作，人创造自己，这不但在科学上，而且在哲学上都具有划时代的意义。这就是人工智能承担的历史使命。

在科学技术日新月异的今天，知识爆炸，科技的增长超出了人类承受的速度。各种新科技的出现层出不穷，随之而来的成果简直让人瞠目结舌，克隆、基因芯片、转基因等等，人类自身的秘密开始一层一层的揭开。我们人脑的复杂结构，人体的基因链也逐渐被科学技术解剖。我们希望将来的人工智能机器能将我们从繁重的体力劳动和脑力劳动中解放出来心理学，例如机器人做家务，带孩子，做司机，秘书等等一系列我们不愿意花太多精力或者有太多限制条件的工作。然而，人类由于多种“性能”都不如机器人，反而退化成为机器人的奴隶？他们会不会有一天无法忍受人类对他们的“剥削”和“压迫”，挑战人类的统治？很多的科幻作品和电影中都预言了这样的场景，未来的智能机器人和人类争夺有限的地球资源，并最终打败人类，成为新的地球统治者。这也正是绝大多数心理学家和哲学家对人工智能的发展忧心忡忡的原因。

人工智能的发展，也只能无限接近于人的智能，而不能超越人的智能。因为人工智能技术的本质，是模拟人类的思维过程，是为人类服务的。我们在进行发明创造的同时，担心被我们所发明的物质所毁灭。正如人类发明了原子能，用于取代正在逐渐消逝的矿物能源，然而当原子能用于军事领域的时候，他产生的力量也足以毁灭人类文明。科技本身并不是问题，人类如何运用自己掌握的技术，才是问题的关键。我们最大的敌人不是我们发明的技术，而是我们自己本身。

【参考文献】

1.李建国人工智能与认知心理学[J]. 西南师范大学学报 1986年4月第二期 142-146页

2.郑南宁认知过程的信息处理和新型人工智能系统[J]. 中国基础科学.科学前沿2008年 9-18页

3.蔡自兴，徐光祐人工智能及其应用(第三版)[M].北京.清华大学出版社 2004年

4.（美）Sternberg,R.J.认知心理学[M] .北京.中国轻工业出版社 2006年

5.（美）Nils J.Nilsson 人工智能[M].北京. 机械工业出版社 2004年

篇7

关键词：大数据时代；人工智能；计算机网络技术；应用价值

21世纪以来，世界都已经进入大数据发展时代，人工智能的应用与居民生活息息相关。人工智能就是模仿人类的行为方式和思维模式进行工作处理，它比计算机技术更加具有实用价值。所以，为了迅速提高我国大数据时代人工智能在计算机网络技术中的应用，论文基于此展开详细分析探讨，深入研究人工智能在计算机网络技术中的应用价值。以下主要针对于人工智能计算机的基本内容展开简单分析与探讨：

一、人工智能计算机的概况

利用计算机技术来模仿人类的行为方式和思维模式就叫做人工智能。人工智能，技术的涵盖内容广泛，且创新性高、挑战力度大，它的发展与各学科知识包括信息与计算科学、语言学、数学、心理学等都有关联。人工智能的发展目标是通过计算机技术让本该由人工操作的危险或复杂的工作由人工智能机器代替,从而额实现节约劳动力、减少事故危害发生的情况，进而提高工作效率和工作质量。人工智能的发展形式多样。第一，人工智能可以帮助完善某些较为复杂的问题或是当前还无法解决的问题，若是发生由计算机运算都还无法获得正确模型的情况，此时就可利用人工智能来对该项问题进行有效解决，针对模糊的问题和内容，利用人工智能模式来不断提高网络使用质量。第二，人工智能可以将简单的东西或知识复杂化，得到人们想要的高级程序和数据，从而节约实现，提高工作效率。

二、大数据时代人工智能在计算机网络技术中的应用

（一）数据挖掘技术在计算机网络技术中的应用数据挖掘技术在近几年来越来越受到人们的重视，因为数据挖掘技术是大数据时展的关键技术。利用人工智能技术可研究外界不安全因素的入侵频率，并在网络安全运行的前提下结合网络存贮状态，将研究结果记录保存。之后的工作中，若计算机处于运行情况时发生安全问题，系统会立即给予警告提示，并及时拦截入侵对象。数据挖掘技术其实从根本上来看，就是由人工智能技术和大数据技术的综合发展而来，模仿人类处理数据信息的特征和方式，让计算机实现对数据的批量处理。此外，数据挖掘技术还可与各种传感器融合工作，从而实现技术功效的最大潜力，不断增强计算机系统的功效和实用价值。

（二）入侵检测技术在计算机网络技术中的应用现展迅速，网络科技已成为人们日常生活中至关重要的组成成分，给人们的生活工作带来极大便利，但是其中也潜存很多不稳定因素。所以，网络安全技术的发展是保证网络使用正常工作的重要前提。当前，已经有很多网络机制被运用到保护网络安全的工作中，但是在对网络安全管理时发现仍旧有很多不稳定因素的存在，尤其是现在网络技术的发展迅速，很多手机支付等网络支付方式中会存在支付密码泄露的情况。基于此，在网络计算机安全使用过程中起到良好作用的是入侵检测技术。该技术被使用时，可以对网络中潜存的安全隐患信息及时侦查处理，对其数据信息进行检测，最后将检测结果的分析报告反馈给用户，实现有效检测。入侵检测技术的不断发展和完善，让计算机网络的安全运行得到极大保障，在对计算机网络进行安全检测的条件下，防止网络受到外界环境的干扰。人工智能技术中还可结合人工神经系统高和专家系统网络，实现对实时变化信息的即时监控，切实保障计算机网络技术的安全发展。

（三）防火墙技术在计算机网络技术中的应用计算机的硬件与软件相结合才能让防火墙技术发挥功效，为计算机的安全运行构建一个完整的保护盔甲。防火墙技术的应用是针对整个计算机网络的使用安全，极大的降低了由于外界非法入侵带来的不稳定因素，让计算机的安全得到保障。尤其是在现在大数据时代的发展背景下，防火墙技术的优点更加明显，防止计算机被非法入侵是防火墙技术的最重要功效。当前，人们每天都会收到很多封垃圾邮件和短信，部分邮件和短信还携带有危害性质的病毒，一旦点开这些垃圾信息和短信就会造成病毒入侵，让计算机中原本的私人信息遭到泄露。因此，需要人工智能技术来帮助人们进行信息识别，扫描邮件中是否有不安全因素的存在，找出后还可立即进行排除，防止安全事故的发生。根据以上内容的分析得出，在当前的计算机网络系统应用过程中，人工智能技术已成为主导技术之一，它能够结合其他任何智能技术实现创新发展和进步，以促进计算机网络系统的安全使用，让计算机网络系统高效、安全的发展，这也让人们的生活、工作水平进一步提高。

篇8

1月28日，《金融时报》援引《自然》杂志的报道称，由谷歌伦敦子公司DeepMind开发的AlphaGo机器，以5:0的战绩击败了欧洲围棋三届冠军樊麾(出生于中国，现籍法国)。DeepMind是2014年被Google以4亿英镑的价格收购的人工智能团队。

这场比赛发生在2015年10月15日，只因一些特别的原因直到现在才公布。据报道，该比赛全程没有让棋，最终人工智能战胜了人类。今年3月，AlphaGo还将在首尔与过去十年全世界顶级的围棋选手李世石对阵，这将是复杂人脑和机器在围棋界的一场终极对决。到底是人类大脑赢，还是不断被强化神经网络的机器大脑赢？悬念会在今年3月接盅，但针对人工智能的各种猜想和激烈讨论已先行展开。

焦点一：

谷歌AlphaGo是怎么赢的？

对所有关注这场比赛和对人工智能感兴趣的人来说，最想知道的就是，机器是怎么赢的。

在1月27日，DeepMind团队在《自然》(Nature)杂志上发表的封面论文《Mastering the game of Go with deep neural networks and tree search》揭开谜底。团队创始人Demis Hassabis表示，他们开发的围棋程序AlphaGo融合了高级树状查找和深度神经网络。通过对神经网络进行3000万步训练(所有棋谱均来自人类专业棋手的比赛)，AlphaGo预测出人类对手下一步走法的正确率已经达到了57%，而之前的纪录是44%。

具体来说，AlphaGo使用两个不同的神经网络“大脑”，通过两者合作得出移棋决定。据微信公众号《人工智能学家》对上述论文的编译得知，AlphaGo的两个大脑分工如下：大脑1：“监督学习(SL)政策网络”。着眼于棋盘中的位置，并试图决定最佳的下一步；大脑2：“价值网络”。它不猜测具体的下一步怎么走，而是通过设想的棋盘分布，估计每个玩家赢得比赛的概率。它通过提供整体的位置判断来配合“监督学习(SL)政策网络”。据论文介绍，当只使用一个大脑时，AlphaGo大概和目前最好的电脑围棋AI(人工智能)实力相当，但结合两个大脑时，它可能达到人类职业棋手的水平。

樊麾谈论此次比赛时表示：“输棋确实很难过。和AlphaGo对战之前，我觉得我能赢。在第一局失利后，我改变了战术，增强了进攻，但还是输了。”他认为输棋的原因在于，人类有时会犯致命的错误，因为人会疲惫，求胜心切，总有这样那样的压力。但电脑程序不会这样，它非常强，也非常稳定，简直就像一堵墙一样。“我知道AlphaGo是个电脑，但如果没人告诉的话，我可能会觉得它是个有点陌生却又非常强大的对手，是个真人。”樊麾还在一个微信群里透露，一切都是真的，他没有放水。

焦点二：AlphaGo的胜利为什么很牛？

AlphaGo不禁令人想起早期人工智能的代表“深蓝”。

深蓝是美国IBM公司生产的一台超级国际象棋电脑，重1270公斤，有32个大脑(微处理器)，每秒钟可以计算2亿步。“深蓝”输入了一百多年来优秀棋手的对局两百多万局。1997年的深蓝可搜寻及估计随后的12步棋，而一名人类象棋好手大约可估计随后的10步棋。

人与计算机的首次对抗是在1963年。国际象棋大师兼教练大卫·布龙斯坦怀疑计算机的创造性能力，同意用自己的智慧与计算机较量。下棋的时候他有一个非常不利的条件：让一个后。但当对局进行到一半时，计算机就把布龙斯坦的一半兵力都吃掉了。这时，布龙斯坦要求再下一局，但不再让子了！

1997年5月11日，在人与计算机之间挑战赛的历史上可以说是历史性的一天。计算机在正常时限的比赛中首次击败了等级分排名世界第一的棋手加里·卡斯帕罗夫，他以1胜2负3平输给“深蓝”。这场比赛之后IBM宣布深蓝退役。

时隔近20年，人机大战再次以机器的胜利告一段落。但AlphaGo的胜出被看得更高一筹。兴业证券研究所所长助理、计算机互联网行业首席分析师袁煜明撰文表示，围棋和国际象棋有很大的不同，这导致计算机的智能程度有很大的差别。国际象棋可以一定程度“暴力遍历”，围棋不行。国际象棋只要把开局库和残局库多输一些进去，结合一些中盘的策略选择和部分遍历就很牛了。但围棋压根没有残局库这个概念，“千古无同局”，所以围棋的AI肯定没法用遍历的方法，只能让它学人去思考。

另一点，国际象棋目标是清晰的，围棋是模糊的。“模糊判断一直是人类相对计算机的优越感，要蛮算八位数的乘除法，人完全没法和计算机比。但要判断些模糊的指标，计算机就一筹莫展了。这次AlphaGo横空出世，在这方面展现出了巨大飞越。”

在袁煜明看来，AlphaGo的“思考”方式更接近人类。这是深度学习、蒙特卡洛等多种算法结合创新所带来的，从“计算”到“智能”的超越。DeepMind创始人Demis Hassabis则表示：“AlphaGo正在突飞猛进，甚至会超越最棒的人类选手。和其他编出来的程序不同，你不知道它到底都会什么，因为它能够自己学习。”

会像人类那样去学习，这也许就是“AlphaGo”和“深蓝”最大的区别，也是人工智能表现出的质的飞越。

焦点三：

机器人概念受热捧

“以前的计算机只能用来做精确计算，但现在能够对模糊判断做出最佳决策的话，计算机基本能做各种人能做的事情了。相比人类来说，计算机唯一不具备的是情感。”袁煜明总结道，无危害人工智能有多种用途，比如现在已经在应用的无人驾驶、人脸识别、服务机器人代替客服等。“进一步开脑洞的话”，未来还可应用于产品设计、配方研发，大数据分析、写作与创作(现在已有新闻机器人)、金融交易(现已有量化交易)等多种方面。

实际上，人工智能和机器人对于普通人也不再是“水中月镜中花”，而是关系愈来愈密切。去年以来，机器人概念在A股受到热捧，掀起一波又一波的炒作热潮，正是基于机器人在改变我们的制造模式和引领工业4.0这个时代将起到重要的作用。

不久前召开的国务院常务会议再次关注智能制造，决定推动《中国制造2025》与“互联网+”融合发展。业内人士认为，工业制造市场未来将以智能制造为核心，而智能制造的关键将是机器人。2015年，中国机器人数量已占全球总数的56%。虽然我国目前已成为机器人大国，但核心技术仍有极大提升空间。

篇9

Abstract: Knowledge representation is one of the central topics in artificial intelligence. Conceptual Structure is a new and effective knowledge representation method and Conceptual Graph is a concrete semantic model supported Conceptual Structure thoughts. This paper discussed the relation between Conceptual Structure and Conceptual Graph, the method and features of Knowledge representation about Conceptual Graph. Finally, it elaborated the application of Conceptual Graph in Chinese information processing.

关键词:知识表示;概念结构;概念图;语义

Key words: knowledge representation;conceptual structure;conceptual graph;semantic

中图分类号:TP391 文献标识码:A文章编号:1006-4311(2010)26-0145-02

0引言

知识是人类智能的基础,知识的表示是人工智能学科研究的三个主要问题之一[1]。人工智能经过半个多世纪的发展,研究出了多种知识表示方法,如一阶谓词逻辑、规则、框架、语义网络等。这些方法对于描述特定领域的问题求解已足够了,并已得到广泛的应用,但传统的知识表示方法就不能确切地表达语义问题。因此,传统的知识表达方法能力还很有限,知识表示仍是很久以来人工智能研究的中心课题,还需要相当深入的研究。概念结构理论的出现为知识表示研究带来了一种新的思路。概念结构(Conceptual Structure)是一种以语言学、心理学、哲学、逻辑学和数学为基础的新的知识表示方法,是由美国的计算机科学家John F.Sowa在1984年首先提出的,己被从理论上证明了优于其它传统的知识表达方法。它扩展了人工智能的知识表达方法,对于信息时代从以数据处理为主的低级阶段向以知识处理为主的高级阶段的转变和发展具有决定性的意义[2]。

概念图(Conceptual Graph)是支持概念结构思想的一个具体的语义模型,概念结构理论及应用就是基于概念图发展起来的,也就是说概念图是概念结构思想的载体,通过它来发展、传播、带动知识表示领域、乃至整个人工智能领域的研究与进步。概念图的发展经历了二十几个春秋,“Conceptual Structures: Information Processing in Mind and Machine reading”(sowa1984)揭开了概念结构的序幕,“conceptual graphsfor a database inference”(Sowa1986)奠定了概念图应用的基础。随后,IBM公司投入了大量人力和物力,潜心研究,出现了一个又一个的成果。国内从90年代开始,西北大学、西北工业大学也进行了探索性研究[2]。

1概念图的知识表示

概念图是一种描述复杂对象结构的知识表示工具,其思想来源于C.S.Pierce的存在图和菲尔墨的语义网络,是以图形表示的一种有向连通图,它包括两种结点:概念结点和概念关系结点,弧的方向代表概念结点和概念关系结点之间的联系。概念结点表示问题领域中的一个具体的或抽象的实体,概念关系结点指出一种涉及一个或多个概念结点的关系[3],如动作(AGNT: AGENT),对象(OBJ: OBJECT),材料(MATR: MATERIAL),具有(POSS: POSSESSES),地点(LOC: LOCATE),状态(STAT: STATUS),部分(PART),方式(MANR: MANNER),工具(INST: INSTRUMENT)等。在概念图中,概念结点用一个矩形表示,概念关系结点用椭圆表示,有向弧标出了概念关系结点所邻接的概念结点。每个概念图可以表示一个命题,典型的知识库将包含大量这样的图。例如:A girl, Sue is eating pie fast. 其概念图如下所示。概念图上可以进行拷贝、限制、连接和化简操作,产生新的概念图。

概念图是基于语义网络的逻辑系统,用它来进行知识表达不但直观易懂,而且易于操作,通过对概念图进行各种操作,能产生新的概念关联和推理规则。此外,概念图还能直接和自然语言建立映射关系。概念图所具有的这些优点使它更适合于表达概念结构。

2概念图的特点

概念图使用带标号的结点和连接这些结点间的带标号的弧表示知识,属于语义网络的范畴,其理论建立在谓词逻辑上,能完全与自然语言相互翻译,表示出自然语言的语义[5]。概念图同其他知识表示方法相比,具有更直接的同自然语言之间的映射,图形化表示、可读性更佳,比逻辑公式更直观的特点。概念图具有结构简单、易读、表示范围广、能够确切地表示自然语言的语义、数学基础严密等优点,代表了知识表示的发展趋势。

概念图与经典的知识表示方法相比,更符合人类的思维和语言习惯,但是它只能表达一些简单的概念关系,并不适合于表达包含复杂概念结构的常识性知识。用概念图进行知识表示需要分析知识的结构,所以其获取过程要有领域专家的参与,还不能通过一个智能系统自动获取。此外,对于一个复杂的问题求解而言,这种基于概念图的推理容易产生冗余或者导致推理结果的不一致。因此,基于概念图的智能系统只能进行一些简单的问题求解,而对于包含大量的复杂概念关联的常识性问题求解,概念图还不能胜任。

3概念图的应用

概念图的理论自从被提出来后,受到很多研究者的青睐并将它应用到不同领域,例如知识工程、信息检索等,在自然语言处理方面尤其语义理解方面具有广泛的应用。不少研究者基于概念图进行了研究与探索,并取得了一些成果。例如,殷亚玲[4]提出了一种基于概念图的相关反馈技术,采用概念图的知识表示方式描述概念之间关系,从语义的层次上进行相似度判断,扩展查询式。朱海平[5]以概念图作为语义表示,研究了基于概念图匹配的语义检索。杨选选[6]提出的基于语义角色和概念图的信息抽取模型,是在语义层面上对信息抽取的尝试。它将浅层的语义信息应用于场景识别和抽取模式两个层次上,并通过概念图将句子的语义形式化、可计算化。刘培奇[7]结合主观题中简答题的人工批改过程,提出以概念图理论为基础的模糊含权概念图知识表示方法;从汉语自然语言理解的语义分析角度研究了特定课程主观题自动阅卷问题。

4小结

人工智能领域中绝大多数知识表示方法都直接或间接地涉及到概念结构,概念结构是人类认知能力的重要来源,现代的知识表示方法会越来越重视概念结构。概念图是一种有力的知识表示工具,能完全描述自然语言所表达的意思,实现与自然语言的互译。我们相信对概念结构和概念图的深入研究必将对解决自然语言理解方面的难题产生重要贡献和促进作用。

参考文献:

[1]张仰森,黄改娟.人工智能教程[M].北京:高等教育出版社,2008.03.

[2]张蕾,李学良.概念结构及其应用[D].西北工业大学博士论文,2001.05.

[3]贺文,危辉.概念结构研究综述[J].计算机应用与软件,2010,27(1):156-159.

[4]殷亚玲,张蕾.基于概念图的相关反馈系统的研究与实现[D].西北大学硕士论文,2006.07.

[5]朱海平,俞勇.基于概念图匹配的语义搜索[D].上海交通大学博士论文,2006.10.

篇10

工作中存在的不足网络舆情监测工作是指网络信息工作的部门或人员在特定时期或者在特定的事件中对公众在互联网上发表的言论和意见进行监视、收集、分析、整理及预测的行为，这些言论被称为网络舆情。

当前的网络舆情监测工作平台主要是基于信息采集、整合技术和智能处理技术，通过对互联网海量信息的自动抓取、自动分类聚类、主题检测、专题聚焦，实现对用户的网络舆情监测，并由相关部门形成舆情工作报告、舆情信息简报等，为舆论引导提供可靠的分析依据。

进入大数据时代，网络舆论呈现的新特点，促使网络舆情监测工作暴露出诸多不足之处，这为网络舆情监测工作带来了诸多挑战。

网络舆论信息格局发生变化，舆情分析质量亟待提高。据人民网权威的《2016年中国互联网舆情分析报告》显示，在2016年，伴随着移动互联网应用不断向社会各层面渗透，网络舆论的格局发生了很大变化，如网民结构与社会人口结构趋同，网民产生代际更新导致网络流行议题和文化热点发生转换，微博、微信平台化，专业自媒体步入兴盛等。在这样的变局下，网络舆情监测工作面临着新的挑战。然而，有些部门的舆情信息收集工作仍然停留在报刊、门户网站、BBS、微博等开源信息的收集阶段，并未将新闻客户端、微信、直播等平台打通，难以保证舆情信息分析的全面性以及舆情热度指标的准确性。《2016年中国互联网舆情分析报告》还对近五年来参与当年最具网络关注度的20个舆情热点事件讨论的320万微博用户样本进行了分析，发现关注新闻事件和聚焦热点话题的网民发生了代际交替，在性别方面，女性的比例明显上升；在地域上，三、四线城市用户增长迅猛。受众层面发生的这些变化，也将在舆情监测工作中体现出来。然而在目前的舆情监测工作中，相关信息部门的舆情信息报送在内容上只是就事论事、停留在现象层面，对受众的成分、热点事件的社会背景以及事件背后所反映出来的社会问题没有进行细致深入的研究分析；在形式上，网络舆情监测工作的报送还停留在工作动态报告或者事件日志等形式的报送上。这样就造成了网络舆情信息的价值作用降低、服务能力减弱的问题。

热点事件话语体系不可控，舆情预警能力亟待增强。纵观近年来发生的热点公共突发事件，可以发现，在以大数据为基础的社交平台上，公众的话语体系呈现出了一些全新特征，如舆论主体的匿名性、参与渠道的多元化、生成议题的自发性、交流观点的无界性、汇集意见的实时性、发展趋势的不确定性等。这些特征与舆论话语体系在传统媒体的呈现完全不同，网络舆论热点事件话语体系的不可控性大大增强。

在社交媒体平台上，自媒体呈现出来的话语体系最为庞杂。许多舆情信息不仅包含结构化数据，还涉及大量非结构化数据，若对其准确性、真实性逐一核查，既耗费人力又耗费时间。就内容而言，较多负面、虚假舆情具有较强的隐蔽性，单纯以关键词或主题词进行搜索容易产生误判、遗漏。话语体系的不可控性增加了舆情监测工作的难度，这要求工作人员必须具备过硬的专业敏感性以及较强的网络操作技能。但是目前大多数舆情监测工作部门的信息工作人员缺乏专业化的训练，舆情信息工作水平参差不齐。就舆情监测平台系统来说，对于舆情信息的跟踪分析灵敏度较低，在有些热点事件的处理上没有按照公共突发事件的分类标准进行准确的分级，从而导致网络舆情信息的分析判断力体现不出其应有的情报价值，预警能力也随之削弱。

舆情监测的技术体系落后，人机不协调问题亟待解决。网络舆论的实时性及其发展的不确定性要求网络舆情监测必须迅速、及时，但很多单位部门的舆情监测平台的方法技术体系滞后，部分单位采用了网络监控系统、有害信息过滤系统等方式进行网络舆情监测，而有些单位为了节省舆情监测设备的成本，甚至将网络舆情监测工作依托于人工网页搜索及浏览的“人工盯梢”方式上，这成为监测工作的一大阻碍，监测工作出现疏忽错判也在所难免。排除资金、人力等客观因素，现阶段的网络舆情监测工作中技术方法体系的不足主要归因于“人机不协调”。机器与人工的协同分工模式不成熟、机器的辅助力量不够，导致人工智能技术在预测监测体系中分析情感、预测走势、检查效果等方面应用还稍显粗浅、机械，而在需要人工进行的高级维度分析、提出应对策略等层面，机器的应用又显得粗糙以及同质化。

人工智能为网络舆情监测带来的三大变革

网络舆情监测要适应大数据时代人工智能的要求，就必须顺势而为，积极进行变革，主要包括网络舆情监测技术体系的变革、网络舆情监测研究范式的变革以及网络舆情监测管理思维的变革三个方面。

网络舆情监测技术体系的变革。将人工智能技术应用于网络舆情是为了更好地对舆情进行分析研判，通过直观、简明的方式描述网络舆情信息的产生，进一步推导信息传播主体的态度倾向性、情绪感染性以及初衷、意图等，从而预测网络舆情信息的发展趋势。

如果说在“小数据”环境下，网络舆情监测工作还可以依托于“人工盯梢”的方式来完成，那么在“大数据”环境下，当数据的量级达到了EB甚至ZB级别后，以人工监测来把握舆情脉络已成为不可能完成的任务。而那些隐含在网络舆情信息中的观点、态度及情绪的表达，更难以从泛滥成灾的信息碎片中被真正发掘出来。加之海量信息的不共享所带来的“信息盲区”，更使得舆情信息分析不够严谨，易偏离实际，而这些问题都需要依托搭建智能化的网络舆情监管平台来解决。在平台上可以通过三种人工智能技术实现数据分析与人工智能研判相结合，再借助如眼动仪、脑电仪等受众检验仪器对网络舆情信息进行综合化分析。三种主要的人工智能技术主要包括：一是Web挖掘技术，该技术把互联网与数据挖掘技术结合起来，对网络上结构化数据如文字言论，以及非结构化的数据如视音频、图像等信息进行采集，完成信息前期处理的第一步；二是语义识别技术，该技术是利用采集到的信息，通过对语句中的关键词进行词义推断处理以及句子语法结构的分析，从而将复杂信息简单化，这是对采集的信息数据做进一步识别推断的过程；三是TFDF信息聚类技术，该技术主要提升数据信息的分析和分类速度，使网络舆情监测工作的处理更加及时，反应更加灵敏，提高采取措施的时效性。

人工智能技术的介入将有利于对信息进行挖掘、采集、分类、整理，从而找寻出最核心的关键性数据。在此基础上，还可以运用人工神经网络预测模型，对网络舆情的性质、发展趋势进行正确描述，并提出相应的对策。

网络舆情监测研究范式的变革。人工智能和大数据对网络舆情监测工作及其研究产生了颇为深刻的影响，舆情监测的研究范式从多角度发生了转向。

第一，舆情监测工作视角的转向：从单一化到多元化。在社交媒体平台上，受众的角色首先发生了转向，由信息的被动接收者转变为信息的参与者和传播者。这一转向给网络舆情监测工作带来了新的挑战，当受众是单纯的信息接收方时，网络信息的可控性强，舆情监测工作形式单一，把关相对容易。而受众角色发生变化以后，网络信息传播的不可控性大大增加，信息传播速度加快，信息传播呈现多元化特征，把关难度增加，网络舆情监测工作也从单一转向多元化，还需要对信息进行疏导、研判处理。

第二，研究视角的转向：从内容研究转向“内容+关系”研究。传统的网络舆情信息研究最重视的是受众借助网络进行的话语表达，其研究视角主要集中在内容层面。随着人工智能技术的介入，这一单向视角将发生转变，潜藏在内容层面背后的网络受众心理、行为、动机、诉求等多方面因素都将被关注到。借助人工智能技术及大数据分析技术，网络舆情信息的研究视角将透过内容层面深入到关系层面，转向对网络受众社会心理描绘、社会关系呈现、社会话语表达等多维度的研究。

第三，研究重点的转向：由舆情监测转向舆情预测。当前的网络舆情监测工作主要通过对当下网络舆情的动态信息进行随机采样来收集、整理、分析，更多的是关注已经发生的事件在过去及当下的动向，对未来的发展预测难以兼顾。而借助人工神经网络预测模型，通过自然语言处理、模式识别及机器学习等人工智能技术，可以对网络舆情的性质、发展趋势进行正确描述，再结合大数据分析处理整群数据来实现预测功能。比如，著名的搜索引擎公司谷歌通过关注用户搜索中的“流感”关键词来预测实际流感发生的时间，往往可以提前两三个周对流感的爆发进行预报及预防。

网络舆情监测管理思维的变革。在以人工智能技术为支撑的网络舆情监测平台出现之前，相关舆情监测部门的管理者往往由一人或几人的小团队组成，在监测信息数据量级不大的情况下，这种小作坊式单打独斗、面面俱到的舆情监控管理思维可以基本满足需求。但是随着人工智能技术的发展及大数据时代的到来，这种小作坊式的舆情监测体系面临瓦解。当前，商业化运营的软件监测团队多达几百家，这些监测软件服务商通过开发相应的舆情监测软件为政府部门、企业主体以及科研院所提供服务，进行简单的舆情信息数据采集及分类处理工作。在数据开源的情况下，这些软件服务商的竞争逐渐由粗放型、低层次化向数据处理的优化、人机互动、机器算法的精进等层面转变。

在以上变化的基础上，舆情监测的管理思维也必须转向，组建一支人员分工明确、高度聚合集约的舆情分析团队势在必行。舆情管理的思维变革依托于人工智能监控系统改变团队的组织结构及管理方式，通过智能化的舆情监测系统代替低效的人工操作，其专业性要求颇高，而最佳处理模式就是专业化团队加人工智能技术。按照这样的管理思维，未来舆情监测团队的分工将更加明确，行业内部集约聚合程度将进一步提高，行业有机化程度也将逐步增强。