㈠ 如何發展人工智慧和辯證唯物論

人工智慧的興起與發展，都與自然辯證法休戚相關。人工智慧的興起與哲學淵源流長，人工智慧本身就包含了哲學思想。在自然辯證法的辯證唯物主義自然觀、科學技術方法論、以及科學技術觀的作用和反作用下，人們正在積極地對人工智慧進行研究、發展、應用和反思，在推動人類社會文明進步的同時實現人與自然和諧發展。

㈡ 淺談人工智慧技術的發展

人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能內的理論、容方法、技術及應用系統的一門新的技術科學。

人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」。人工智慧可以對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。

人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」，也可能超過人的智能。

人工智慧的定義可以分為兩部分，即「 人工」和「 智能」。「人工」比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或者人自身的智能程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，「人工系統」就是通常意義下的人工系統。

㈢ 如何看待人工智慧的發展現狀和未來可能

展望前沿技術探索，未來三到五年最有可能出現突破的就是半監督的學習方法。現在深度卷積神經網路很好，但是它有缺點，即依賴於帶標簽的完備大數據，沒有大數據餵食就不可能達到人類水平，但是要獲得完備的大數據，需要付出的資源代價太大，很多應用場景甚至得不到，比如把全世界的火車照片都搜集起來，這是不可能的事。我們希望能夠做一些小數據、小樣本的半監督學習，訓練數據不大，但是還能夠達到人類水平。
我們做過很多實驗，人為地去掉一半甚至去掉1/4的標簽數據去訓練深度卷積神經網路，希望網路能夠具有舉一反三的能力，通過小樣本或小數據的學習同樣能夠達到人類水平。這方面的研究不管是利用生成式對抗網路，還是與傳統統計機器學習方法相結合，或者是與認知計算方法的結合，證明難度都挺大。比如我們看到了土狗的照片，從來沒見過藏獒、寵物狗，但通過舉一反三就能夠識別出來。這靠什麼？靠推理。人類不完全是基於特徵提取，還靠知識推理獲得更強的泛化能力。而現在的深度卷積神經網路是靠多級多層的特徵提取，如果特徵提取不好，識別結果就不好，就達不到人類水平。總之，特徵提取要好就必須要有完備的大數據。但不管怎樣，相信具有「特徵提取+知識推理」的半監督或者無監督的深度卷積神經網路三到五年會有突破，而且還是基於端到端學習的，其中也會融入先驗知識或模型。相對而言，通用人工智慧的突破可能需要的時間更長，三到五年能不能突破還是未知，但是意義非常重大。
在半監督、無監督深度學習方法突破之後，很多行業應用包括人工智慧場景研發都會快速推進。實際應用時我們一般都通過數據迭代、演算法迭代向前推進。從這個角度來說，AlphaGo中體現的深度強化學習代表著更大的希望。因為它也是基於深度卷積神經網路的，包括以前用的13層網路，現在用的40層卷積神經網，替代了以前的淺層全連接網路，帶來的性能提升是很顯著的。
為什麼深度強化學習更有意義？首先它有決策能力，決策屬於認知，這已經不僅僅是感知智能了。其次AlphaGo依賴的僅僅是小數據的監督學習。3000萬的6-9段人類職業棋手的棋局，對人類來說已經是大數據了，但對圍棋本身的搜索空間來講則是一個小數據。不管柯潔還是聶衛平，都無法記住3000萬個棋局，但19x19的棋盤格上，因每個交叉點存在黑子、白子或無子三種情況，其組合數或搜索空間之巨大，超過了全宇宙的粒子數。對具有如此復雜度的棋局變化，人類的3000萬個已知棋局真的就是一個小數據，AlphaGo首先通過深度監督學習，學習人類的3000萬個棋局作為基礎，相當於站在巨人的肩膀上，然後再利用深度強化學習，通過自我對弈、左右互搏搜索更大的棋局空間，是人類3000萬棋局之外的棋局空間，這就使AlphaGo 2.0下出了很多我們從未見過的棋譜或者棋局。
總的來說，深度強化學習有兩大好處，它尋找最優策略函數，給出的是決策，跟認知聯系起來。第二，它不依賴於大數據。這就是前面說的小數據半監督學習方法。因為在認知層面上進行探索，而且不完全依賴於大數據，因此意義重大，魅力無窮。相信深度強化學習非常有潛力繼續向前發展，將大大擴展其垂直應用領域。但是它本身並不是一個通用人工智慧。AlphaGo只能下圍棋不能同時下中國象棋、國際象棋，因此還只是專注於一個「點」上面的，仍屬於弱人工智慧。
實現通用人工智慧，把垂直細分領域變寬或者實現多任務而不是單任務學習，對深度神經網路而言，沿什麼樣的技術途徑往前走現在還未知，但是肯定要與基於學習的符號主義結合起來。通用人工智慧現在沒有找到很好的線索往前走，原因一是因為神經網路本身是黑箱式的，內部表達不可解析，二是因為傳統的卷積神經網路本身不能完成多任務學習。可以考慮跟知識圖譜、知識推理等符號主義的方法結合，但必須是在新的起點上，即在已有大數據感知智能的基礎上，利用更高粒度的自主學習而非以往的規則設計來進行。另外從神經科學的角度去做也是可能的途徑之一。

㈣ 人工智慧新發展論文

［摘要］ 本文認為，計算機科學和人工智慧將是21世紀邏輯學發展的主要動力源泉，並且在很大程度上將決定21世紀邏輯學的面貌。至少在21世紀早期，邏輯學將重點關注下列論題：（1）如何在邏輯中處理常識推理的弗協調、非單調和容錯性因素？（2）如何使機器人具有人的創造性智能，如從經驗證據中建立用於指導以後行動的可錯的歸納判斷？（3）如何進行知識表示和知識推理，特別是基於已有的知識庫以及各認知主體相互之間的知識而進行的推理？（4）如何結合各種語境因素進行自然語言理解和推理，使智能機器人能夠用人的自然語言與人進行成功的交際？等等。 ［關鍵詞］ 人工智慧，常識推理，歸納邏輯，廣義內涵邏輯，認知邏輯，自然語言邏輯 現代邏輯創始於19世紀末葉和20世紀早期，其發展動力主要來自於數學中的公理化運動。當時的數學家們試圖即從少數公理根據明確給出的演繹規則推導出其他的數學定理，從而把整個數學構造成為一個嚴格的演繹大廈，然後用某種程序和方法一勞永逸地證明數學體系的可靠性。為此需要發明和鍛造嚴格、精確、適用的邏輯工具。這是現代邏輯誕生的主要動力。由此造成的後果就是20世紀邏輯研究的嚴重數學化，其表現在於：一是邏輯專注於在數學的形式化過程中提出的問題；二是邏輯點贊了數學的方法論，從事邏輯研究就意味著象數學那樣用嚴格的形式證明去解決問題。由此發展出來的邏輯被恰當地稱為「數理邏輯」，它增強了邏輯研究的深度，使邏輯學的發展繼古希臘邏輯、歐洲中世紀邏輯之後進入第三個高峰期，並且對整個現代科學特別是數學、哲學、語言學和計算機科學產生了非常重要的影響。 本文所要探討的問題是：21世紀邏輯發展的主要動力將來自何處？大致說來將如何發展？我個人的看法是：計算機科學和人工智慧將至少是21世紀早期邏輯學發展的主要動力源泉，並將由此決定21世紀邏輯學的另一幅面貌。由於人工智慧要模擬人的智能，它的難點不在於人腦所進行的各種必然性推理（這一點在20世紀基本上已經做到了，如用計算機去進行高難度和高強度的數學證明，「深藍」通過高速、大量的計算去與世界冠軍下棋），而是最能體現人的智能特徵的能動性、創造性思維，這種思維活動中包括學習、抉擇、嘗試、修正、推理諸因素，例如選擇性地搜集相關的經驗證據，在不充分信息的基礎上作出嘗試性的判斷或抉擇，不斷根據環境反饋調整、修正自己的行為，……由此達到實踐的成功。於是，邏輯學將不得不比較全面地研究人的思維活動，並著重研究人的思維中最能體現其能動性特徵的各種不確定性推理，由此發展出的邏輯理論也將具有更強的可應用性。 實際上，在20世紀中後期，就已經開始了現代邏輯與人工智慧（記為AI）之間的相互融合和滲透。例如，哲學邏輯所研究的許多課題在理論計算機和人工智慧中具有重要的應用價值。AI從認知心理學、社會科學以及決策科學中獲得了許多資源，但邏輯（包括哲學邏輯）在AI中發揮了特別突出的作用。某些原因促使哲學邏輯家去發展關於非數學推理的理論；基於幾乎同樣的理由，AI研究者也在進行類似的探索，這兩方面的研究正在相互接近、相互借鑒，甚至在逐漸融合在一起。例如，AI特別關心下述課題： ·效率和資源有限的推理； ·感知； ·做計劃和計劃再認； ·關於他人的知識和信念的推理； ·各認知主體之間相互的知識； ·自然語言理解； ·知識表示； ·常識的精確處理； ·對不確定性的處理，容錯推理； ·關於時間和因果性的推理； ·解釋或說明；21世紀的邏輯學也應該關注這些問題，並對之進行研究。為了做到這一點，邏輯學家們有必要熟悉AI的要求及其相關進展，使其研究成果在AI中具有可應用性. 我認為，至少是21世紀早期，邏輯學將會重點關注下述幾個領域，並且有可能在這些領域出現具有重大意義的成果：（1）如何在邏輯中處理常識推理中的弗協調、非單調和容錯性因素？（2）如何使機器人具有人的創造性智能，如從經驗證據中建立用於指導以後行動的歸納判斷？（3）如何進行知識表示和知識推理，特別是基於已有的知識庫以及各認知主體相互之間的知識而進行的推理？（4）如何結合各種語境因素進行自然語言理解和推理，使智能機器人能夠用人的自然語言與人進行成功的交際？等等。