前言：中文期刊網精心挑選了對人工智能時代的看法范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。

對人工智能時代的看法范文1

看上去，人工智能（AI）在與人類的進化較量中占了上風。

4月下旬，著名物理學家史蒂芬?霍金在北京舉辦的全球移動互聯網大會上做了視頻演講，“生物大腦可以達到的和計算機可以達到的，沒有本質區別。計算機在理論上可以模仿人類智能，然后超越”，“人工智能可能是人類文明的終結者”。

5月下旬，目前圍棋世界排名第一的中國職業九段柯潔將與人工智能程序AlphaGo（阿爾法狗）進行終極對弈，盡管柯潔早已放出豪言，“我會抱必勝心態、必死信念。我一定要擊敗阿爾法狗”，但是此前德州撲克人機大賽中，人工智能完勝已經讓部分看客有些心灰意冷，一旦柯潔失敗，或許會再次加深這一悲觀情緒。

當然，“文明終結”的憂慮還為時尚早，無論是世界上最強的象棋、圍棋還是黑白棋程序，尚屬“弱人工智能”。

在人工智能擁有自主意識的“強人工智能”時代到來之前，企業家、投資者以及創業者們可能更擔心另一些現實的問題，比如，怎么把人工智能商業化。這是過去數十年人工智能一直溫而不火的重要原因。

真正的爆發

無論是科學家的危言聳聽式擔憂，還是商業巨頭們瘋狂的攻城略地，總之，“人工智能”已然成了這兩年最火的科技熱詞。

創新工場創始人李開復對《財經國家周刊》記者說，“我們每個禮拜都會收到5家巨大的企業的請求，基金公司、汽車公司、管理公司、國企、甚至政府，都希望能夠利用人工智能幫他們解決問題。”

人工智能的概念第一次被提出硎竊61年前，盡管之后持續有些熱度，但它在最初50多年里幾乎沒有得到爆發性的關注。

“人工智能”關注度爆發的導火索，或許是去年3月韓國著名圍棋棋手李世石以1：4輸給AlphaGo。

它讓不少人錯誤估計了人工智能的爆發節點。就好比在1997年，名為深藍的IBM計算機也曾經擊敗世界象棋冠軍，但人工智能并沒有從此進入人類日常生活。

李開復也曾錯誤地預判人工智能的技術趨勢，從而導致創業失敗――2000萬美元的投入、100個員工，幾乎全軍覆沒。

李開復反思道，“創新固然重要，但不是最重要的，最重要的是做有用的創新”，而判斷它能否成為科技主流的重要標志，就是能否商業化。

Deep Mind創始人、AlphaGo之父杰米斯?哈薩比斯也表示，“我們發明AlphaGo，并不是為了贏得圍棋比賽，我們是想為測試我們自己的人工智能算法搭建一個有效的平臺，我們的最終目的是把這些算法應用到真實的世界中，為社會所服務。”

那么，人工智能商業化的時候真的到了嗎，會不會又是一陣虛火？

4月25日，在JIC投資沙龍上，阿里云戰略資深總監李樹解釋，“AI的基礎是三個理論，第一是算法，第二是必須得有計算的支撐，第三是必須有數據作為序列或者教化算法的基礎”，這三方面都在走向成熟。

2016年，百度董事長兼CEO李彥宏曾在2016貴陽大數據博覽會上表達過類似觀點，“越來越多的數據每天產生，我們可以利用這些數據做一些過去只有人能夠做的事情，同時，計算能力越來越強大，計算的成本越來越低廉”。

出門問問創始人兼CEO李志飛則以“虛擬個人助理”為例，稱“四年前跟現在相比，我們都不知道能用在哪里，手機也沒有習慣”，而今天，“家庭、車等場景我們都能看得清楚，產業、用戶的需求變得比以前更加成熟了。”

在這種情況下，毫無疑問，4月10日德撲人機大戰最終以人工智能“冷撲大師”完勝，成了真正引爆AI商業化的導火索。

這是因為，圍棋是一種“完全信息博弈”，比賽雙方所有信息都呈現在棋盤上;而撲克和電腦游戲這些由多人對戰的游戲是“不完全信息博弈”，計算機無法獲知所有信息。

人工智能冷撲大師的勝利，意味著在爾虞我詐、概率不確定、非完美信息需要推理和情商的游戲里，機器一樣可以獲勝，它最大的價值就在于賦予了人工智能商業化的可能性。

德州撲克冷撲大師和中國龍之隊對決結束的時候，李開復發了一條朋友圈，“據聞AlphaGo近期即將來華和柯潔對戰，其實已經不再具有科學意義了。以后我們應該更關注商業領域的人工智能，在金融、醫療、教育等領域產生商業價值。”

生活在“弱人工智能”時代的我們，還遠沒到擔心人類會“永生”還是“滅絕”這樣龐大而沉重的課題，但毫無疑問的是，人工智能的商業化時代，真的來了。

開始總是美好的

“中國任何浪潮來了都會來得太猛，大家都跳進去瞬間就有可能藍海變成紅海”，李開復如是說。

不出所料，浪潮之下，巨頭們聞風而來。

4月28日，百度公布了2017年第一季度未經審計的財務報告，李彥宏在財報中明確提到，百度的戰略已經從“移動先行”變成“AI先行”。

同一天，剛剛上任100天的百度集團總裁兼COO陸奇，在百度與小魚在家聯合的搭載了百度DuerOS操作系統的視頻通話機器人“分身魚”會上重申，“對百度公司來講，不光是一個搜索引擎的公司，基于AI，從現在到將來會逐漸成為一個平臺，這是一個戰略上和文化上的改變。”

這讓人聯想到早先陸奇的到來和百度前首席科學家吳恩達的離開。在曾與吳恩達有過接觸的首席科學家林暉看來，這某種程度上反映了百度對于人工智能需求的變化，從“學術派”走到了“實干派”。

隨后，5月3日，據美國科技網站報道，騰訊宣布任命語音識別技術頂級專家俞棟博士為AI Lab副主任。這個2016年4月成立的人工智能實驗室，現有50多位世界知名院校的AI科學家（90%為博士）與200多位應用工程師，此舉或意味著騰訊在AI領域的正面回擊。

相對低調的阿里巴巴事實上也在伺機而動，去年以來，阿里逐漸拋棄了AI產品頭上的“云”背書，直接用“人工智能”給產品定位。

今年3月9日的阿里巴巴技術峰會上，馬云推出了“NASA”計劃，稱面向未來20年組建強大的獨立研發部門，同時點名了五大技術，機器學習、芯片、IoT、操作系統和生物識別都與人工智能相關。

隨著互聯網三巨頭BAT的布局加速，一場真正的商業化戰爭，已經蓄勢待發了。

根據獵云網研究院4月13日的《2017人工智能投融資白皮書》顯示，2016年1月～2017年2月，共發生365起人工智能領域融資事件。

其中，來自投資界的數據顯示，僅2017年第一季度，就有超60家人工智能公司獲得了融資，金額超億元的融資事件至少有5起。

這幅“人工智能”的“烽火狼煙圖”，不禁讓人聯想起一年以前VR概念風頭正盛的時候。

去年一季度，共有29家VR/AR公司總共獲得融資超過10億美元。

然而，僅僅一年后，市場研究公司Crunchbase的報告顯示，今年一季度全球VR/AR的風險投資額只有2億美元，不僅暴跌八成，而且被26家公司分食，創出了過去一年中投資的最低紀錄。

AI會不會重蹈VR覆轍，還不好說，但資本一定有也有低谷。更何況，即便是在當下，也并不是所有投資者都對人工智能持樂觀態度。

建投華科投資股份有限公司董事總經理戴D認為，“比爾?蓋茨說有關人工智能領域的重大進步的所有預言，都已經被證明過于樂觀。這一點對于22年后的今天這些投資人來說，仍然有一定的警示意義。”

在他看來，“人工智能處于初期發展階段，對于投資、尤其是對于我們產業并購的整合者來說，可能為時尚早。”

小心陷阱

τ諶斯ぶ悄埽科學家在渲染危機感，投資者在夸大它的神奇，然而創業者需要警惕：人工智能的創業路徑跟過往的經驗完全不同。

其中，最大的不同就是創業門檻的高低，起步資金就是最重要的一項。

“移動互聯網時代讓創業成本達到歷史新低，一個產品經理帶著一個工程師就可以零元創業”，李開復調侃到，“但AI的創業成本卻達到歷史新高，挖人、買數據、買機器，每一項都要投重資”，以創新工場投資的一家創業公司為例，“第一個月就花了500萬買機器”。

并且，人工智能創業大部分是“B端”的，然而大多數投資公司已經習慣了投資“C端”創業者，這就決定了融資的難度。

李開復這樣對《財經國家周刊》記者描述過去很長一段時間“C端”創業公司的投資模式，“給你一筆錢搞100萬個用戶，再給你一筆錢搞1000萬個用戶，再給你一筆錢開始變現，再給你一筆錢你就盈利了，再給你一筆錢你就上市了，這一定程度上成為了投資的四步曲或五步曲”，這與大多數“B端”創業者要去苦苦哀求企業級用戶的門是完全不同的。

然而，矛盾之處在于，創業者要想避免被BAT碾壓，最好的方式就是去尋找一個巨頭不能碾壓的領域，避開社交、游戲、電子支付，而“賣企業級軟件給銀行”、“賣解決方案給醫院”等等“B端”領域，雖然BAT可能不會去做，但創業公司也很難成功。

并且，在人工智能領域創業，一個很大的問題就是“想象力不夠”，導致從一開始同質化競爭就很嚴重。

“大家都做一樣的應用，人臉識別現在大概有15個公司”，李開復反問道，“人臉識別當然有商業價值，但是需要15家公司來做嗎？”

當然，作為最早一批回國創業的科學家，曾在谷歌擔任高級工程師的李志飛對《財經國家周刊》記者闡述了不同的看法。

“早期有一些趨同，這個不值得奇怪”，因為，“這就跟摘果子一樣，最大的摘完了之后大家才會動腦筋去想，是不是可以再自己培養果子或者到另一個地方去摘，關鍵是后面這個產業是不是真能夠進一步地升華。”

那么，創業過程中最需要注意的問題是什么？

最顯而易見的一點，是要找到強需求而不是偽需求，然后判斷這個強需求能不能被技術解決，同時，讓場景和產業深度結合起來。

其次，脫離工程師的思維，把焦點放在用戶身上。

李志飛說，“工程師的思維就是特別喜歡做一個自己覺得很牛的、技術很復雜的東西，但這個可能跟用戶的需求完全不一樣。”

以語音識別軟件出門問問為例，李志飛說，“過去我們喜歡演示特別復雜的句子，比如一句話把‘幫我查一下附近的餐廳、人均50塊錢、帶wifi、帶停車場的’講完，但用戶真實的習慣可能是把它分成幾個短句，通過漸進式的交互去完成查詢。”

此外，不要急于打造平臺級技術和場景，什么都想做。

過去的創業經驗告訴創業者，通過一味的“鋪場景”也可以拉高估值，但是危險在于，一旦業務方向不像設想的那么順利，就會無形中拉高B輪融資的難度，造成現金流枯竭，這對于現金需求量極大的人工智能創業尤為危險。

在這一點上，李志飛很坦誠，“我們也跟熱點，這是肯定的，因為你不跟熱點的話，拿不到錢”，“但是熱點一定是輔助的，公司業務的核心一定要以AI技術推動，然后才會有各種各樣的使用場景，如果你隨著資本波動而波動的話，一定會死得很慘。”

李志飛稱，“對于技術型公司，你的擴張速度要永遠保證你的賬上還有18個月的經費”，因為“錢是很貴的”。

除此之外，團隊的協調、合伙人之間的契合度也在技術導向型公司被無限放大。這是因為，跟過去移動互聯網時代的產品經理和工程師不一樣，AI的工程師和產品經理的價值觀和思維方式并不相同。

對人工智能時代的看法范文2

任正非又說：“從科技的角度來看，未來二、三十年人類社會將演變成一個智能社會，其深度和廣度我們還想象不到。”在2016年8月12日，由中國計算機學會(CCF)主辦、雷鋒網承辦的“全球人工智能與機器人峰會(簡稱CCF-GAIR)上，亮相了一批巨頭們進擊人工智能與機器學習、探索“無人區”而嘗試的技術、項目和科研成果。

華為諾亞方舟實驗室、小米探索實驗室、騰訊優圖實驗室、360人工智能研究院、百度自動駕駛事業部、微軟亞洲研究院等，以及牛津大學計算機系、卡內基梅隆大學國家機器人工程中心、MIT機器人實驗室、加拿大皇家學院等學術科研機構代表等闡述了對未來的理解。

人工智能大勢不可擋

2016年并不是簡單的人工智能60周年，也不是簡單的AlphaGo人機大戰激發全球新一輪人工智能的“幻想”。這一年，人工智能從漫長的學術研究周期迅速進入到產業化階段。

就在2016 CCF-GAIR開幕的前兩天，曝出了英特爾3.5億美元收購人工智能AI創業公司Nervana Systems的消息。據稱，Nervana Systems深度學習芯片的性價比高于GPU，處理速度是GPU的10倍等特點。業界驚呼，在AI戰場上英特爾與NVIDIA兩個芯片巨頭直接開戰。

就在8月初，NVIDIA剛了新一季財報，其中營收比去年同期增長24%、凈收入比去年同期增長873%，而業務大幅增長的背后就是互聯網企業等大規模地在數據中心里部署NVIDIA GPU用于完成AI相關計算任務。由于GPU的大規模并行計算能力，因而成為AI計算任務的首選。2016年7月，NVIDIA的首款深度學習服務器DGX -1開始上市銷售。

面對NVIDIA對于英特爾在數據中心市場的威脅，英特爾也不會坐視不理。英特爾剛剛在今年6月的ISC國際超級計算機大會上，推出了代號為Knights Landing(KNL)的第二代至強融核處理器，這系列最高達72核的x86 CPU也是首款可作為獨立處理器的Xeon Phi產品，這意味著可擺脫GPU而組成CPU-Only的高可擴展機器學習機群。

芯片設計巨頭ARM通過7月中旬被軟銀的并購，將借助軟銀的資本以及生態實力搶在物聯網產業大漲潮之前布局低功耗智能物聯網芯片市場。ARM于今年2月推出了新處理器架構設計，主要針對5G以及大容量存儲SoC嵌入式設備，為未來的AI普及打下基礎。5月，AMR亦斥資3.5億美元收購了計算機視覺技術提供商Apical。

除了底層的基礎芯片技術外，在應用層面也可判斷人工智能大趨勢已經形成。7月28日，國內人工智能PaaS平臺圖靈機器人對外透露，圖靈機器人PaaS平臺在過去8個月新增了162億次的服務請求，開發者在8個月內新增1.1倍、總數量超過23萬。7月推出的智能機器人操作系統Turing OS1.5將新增11個視覺能力，包括人臉識別、人臉檢測、人臉跟蹤等多項視覺技術。

除了圖靈機器人PaaS平臺外，IBM公司借助Bluemix PaaS平臺在華的落地，也把認知計算Watson的服務相繼帶到了國內，微軟也相繼在今年推出了體系化的人工智能認知計算服務，更不用說谷歌今年IO大會上推出的智能搜索引擎以及智能硬件Google Home，阿里云提出大數據AI是未來的戰略發展方向等。

可以說，人工智能產業化的第一次大漲潮已經到來！

華為能否創造諾亞方舟？

華為諾亞方舟實驗室負責人李航

華為早在2012年就在香港成立了諾亞方舟實驗室，第一任實驗室主任由香港科技大學教授、人工智能和數據挖掘專家楊強擔綱。該實驗室的研究方向包括：自然語言處理和信息檢索、大規模數據挖掘和機器學習、社交媒體和移動智能、人機交互系統、機器學習理論等。

華為諾亞方舟實驗室是華為2012實驗室研究組織的組成部分。據稱華為2012實驗室的名字來自于任正非觀看《2012》電影后認為未來信息爆炸會像數字洪水一樣，華為要構造自己的“諾亞方舟”。2012實驗室的主要研究的方向包括新一代通信、云計算、音頻視頻分析、數據挖掘、機器學習等，主要面向的未來5-10年的技術研究。

華為諾亞方舟實驗室第一任主任楊強教授在2016 CCF-GAIR峰會上介紹了自己的主要研究方向：遷移學習。簡單理解，遷移學習就把已經訓練好的人工智能模型遷移到新的應用場景或數據集中。當前以人工神經元網絡為主的深度學習算法已經相當成熟，但每個人工神經元網絡模型都與初始數據集高度相關，一旦換到新的應用場景或數據集就必須從頭再訓練模型。遷移學習就致力于以較小的代價讓已經訓練出的人工智能模型具有普適性和通用性。

換句話說，把一個已有模型遷移到一個未知領域，這就叫做遷移學習。在人類社會里，把已有知識用于新的相關領域就是知識的轉移，比如從學騎自動車到學騎兩輪摩托車等。從這個角度看，遷移學習是通用型AI的前提和基礎。遷移學習還可以把從大數據集中訓練出的模型，遷移到小范圍的數據集上，從而創造了更好的個性化。

華為諾亞方舟實驗室第二任主任、北京大學和南京大學兼職教授李航在2016 CCF-GAIR峰會上表示，諾亞方舟實驗室還圍繞華為的智能手機、服務器、數據中心產品與設備等展開大數據與人工智能的研究工作，為華為三大BG事業群聚焦前沿產品開發，例如智能通訊網絡、企業BG大數據應用、消費者BG的智能語音助手等。

除了諾亞方舟實驗室外，“2012實驗室”旗下有多家以世界知名科學家命名的實驗室，包括香農實驗室、高斯實驗室、謝爾德實驗室、高斯實驗室、歐拉實驗室、圖靈實驗室等，以及在歐洲、印度、美國、俄羅斯、加拿大、日本設立的8個海外研究所。據報道，華為今年還將在深圳設立10個基礎研究所。

通過這些基礎研究機構和研發組織，華為正試圖探索無人區、為創造未來的華為打下基礎。盡管華為對研發的投入保持在年收入的15%-20%左右，但像諾亞方舟實驗室這樣的基礎研究性機構也僅成立了4年的時間，相比于微軟研究院25年的歷史、IBM研究機構80年的歷史來說，華為的基礎性研究才剛剛起步。

現在，華為的挑戰是如何管理大規模的基礎性研究組織。

小米對人工智能的探索

小米科技聯合創始人、小米探索實驗室負責人黃江吉

相對于華為四年前開始投入前沿科技研究來說，小米的起步從2016年初開始。2016年1月15日，小米科技創始人兼CEO雷軍在內部年會上表示，小米2016年要組建特種部隊，突破核心元器件的關鍵技術，并宣布成立小米探索實驗室研究VR/機器人等前沿科技。2016年2月，小米探索實驗室成立。

小米科技聯合創始人、小米探索實驗室負責人黃江吉在2016 CCF-GAIR峰會上表示，小米對于人工智能的觀點是：產品+大數據+機器學習。也就是說，小米的人工智能觀點是緊密結合智能手機、智能硬件等產品的。黃江吉以智能硬件內嵌的Wi-Fi模組為例，小米通過自己的研發把Wi-Fi模組價格從60多元降到了10元，這就打下了硬件產品“智能”的基礎。

現在，每天有200TB+的數據流入小米云，這背后就是無處不在的Wi-Fi硬件在源源不斷產生高質量的數據。只有掌握高質量的大數據，才有可能通過機器學習創造真正的人工智能。在這個過程中，每天的活躍用戶數據也很重要。黃江吉表示，小米MIUI系統每天日活超過1000萬的APP有8個、超過100萬的APP有17個。

小米手機、小米手環、小米電視與盒子、小米網絡設備、小米智能家庭設備等，再加上小米電商、小米互娛、小米市場和生態鏈等，構成了小米全生態、多樣性的大數據資源。小米大數據處理呈金字塔結構，最下面是數據采集，往上依次是數據清洗、數字挖掘和數據智能。

圍繞小米大數據可以生成高質量的用戶畫像，有的用戶指標甚至無需用戶輸入就能精準推斷出來；還可以生成一站式、標準化與規范化的內容數據，結合用戶畫像形成包括視頻、音樂、商品、游戲、APP、小說、新聞等在內的內容池，為搜索、推薦、導流和人工運營服務。

黃江吉介紹小米的數據處理包括底層架構層的Hadoop基礎平臺以及數據工廠，向上基礎能力層的機器學習(深度學習)、視覺識別、NLP自然語言處理和語音識別等，再向上的大數據層則包括業務數據、用戶畫像和內容池，高級能力則有商業智能、搜索、推薦、智能問答和圖像等，最終對接各類小米智能硬件產品。

具體到小米的深度學習平臺，在硬件層是公有云和本地數據中心的GPU機器，GPU集群管理采用的是Kubernetes+Docker、深度學習任務管理采用的是TensorFlow，存儲服務則采用HBase/HDFS系統、計算服務采用的是Spark/Storm/MR系統，對接到智能助手、云相冊、廣告、金融和搜索推薦等小米業務。

黃江吉表示，優秀的產品能黏住用戶、用戶能生成高質量的大數據、大數據通過機器學習產生人工智能、人工智能再反饋給產品設計，這就是小米的人工智能觀點。比如小米面孔相冊的總用戶數已達1.5億人、照片存儲量達500億，這么大規模的大數據幫助小米更好的優化面孔相冊產品。黃江吉強調，過去的觀念是“好用的產品不一定好玩，好玩的產品不一定好用”，而隨著人工智能和機器學習的發展，有可能把產品做的既好玩又好用。

在被問及對人工智能產品的看法時，黃江吉舉例說現在人們每天都要無數次打開手機看信息或完成某個功能，這本身就說明智能手機產品還不夠智能，真正的智能手機產品是要大幅減少人們打開手機的次數與看手機的時間，因為很多工作都會被智能手機“智能化”地完成了。

盡管當前小米神話進入了平臺期，但可以說智能手機時代其實才剛剛開始。

百花齊放的AI生態

百度高級副總裁、自動駕駛事業部總經理王勁

任正非說，“越是前途不確定，越需要創造，這也給千百萬家企業公司提供了千載難逢的機會。”

搜狗于今年4月22日向清華大學捐贈1.8億元人民幣，聯合成立“清華大學天工智能計算研究院”，深入開發包含人工智能在內的前沿技術。搜狗CTO楊洪濤在2016 CCF-GAIR峰會上表示，搜索引擎是人工智能最大的應用場景。搜狗從2012年開始研發智能語音技術，2013年開始進行深度學習，數據顯示搜狗手機輸入法日均語音輸入超過1.4億次。搜狗語音輸入法和語音搜索最大的場景之一，就是極大增強了微信等移動端的用戶體驗。

今日頭條科學家、頭條實驗室總監李磊曾是原百度美國深度學習實驗室科學家。在2016 CCF-GAIR峰會上，李磊說今日頭條對人工智能的投入非常堅決，自2012年創立至今只有4年就專門成立了實驗室。今日頭條團隊很早就有意識在最前沿的技術上做投入，不論是為了當下業務需求還是為了將來的技術儲備。對今日頭條來說，一邊連接內容創作者，另一邊連接內容消費者，正需要機器學習技術，今日頭條可以說是一家人工智能公司。

騰訊于2012年成立了優圖項目，騰訊優圖是騰訊旗下機器學習研發團隊之一，專注于圖像處理、模式識別、深度學習等，目前已經擁有數十項先進的技術以及數千億規模的圖像計算能力。自創立騰訊優圖實驗室以來，黃飛躍現為該實驗室總監及專家研究員。黃飛躍在2016 CCF-GAIR峰會上表示，期望通過人工智能技術真正改變互聯網用戶的生活品質，同時也把最新的研發成果通過開發平臺和騰訊云對外輸出。

獵豹是另一家新進入人工智能領域的公司，在7月份獵豹宣布的二次轉型就是希望通過研究深度學習和個性化分發，從安全公司、軟件公司發展為一家人工智能公司。盡管獵豹在國際化方面取得了不錯的成績，但隨之進入了增長瓶頸以及股價下跌，獵豹今年以5700萬美元收購News Republic，希望借助今日頭條模式的全球化等打開公司的新業務空間。獵豹CEO傅盛在2016 CCF-GAIR峰會上表示，AI是后互聯網時代的新一波紅利。

360人工智能研究院成立于2015年9月，該研究院立足于深度學習研發，抓住大數據和云計算的時代機遇，向360相關部門提供業務支持，完成人工智能相關的原始技術積累和前沿探索。在今年3月，AlphaGo人機大戰結束后，360董事長兼CEO周鴻祎隨即發出員工信，認為人工智能產品在大眾消費領域的普及只是一個時間問題。360人工智能研究院院長顏水成在2016 CCF-GAIR峰會上說，人工智能讓學術界和工業界有了共同語言。

百度已經在人工智能方面進行了巨資投入，百度無人機項目自從去年在烏鎮亮相以來就一直受到業界的關注，百度還計劃在五年內實現無人駕駛汽車量產。百度高級副總裁、自動駕駛事業部總經理王勁在2016 CCF-GAIR峰會上介紹，百度去年12月購買的激光雷達為70萬人民幣/臺，百度車載大腦也是一臺接近20萬的服務器。為此，百度與激光雷達公司Velodyne LiDAR達成投資意向，在本月Velodyne LiDAR也公開承諾，如果明年拿到一百萬訂單，64線激光雷達就可以降到五百美金的單價，這將掃平自動駕駛汽車量產的障礙。

另一家互聯網公司樂視盡管挖來了原百度深度學習研究院高級科學家、百度無人駕駛汽車團隊負責人倪凱負責樂視超級車項目，但倪凱在2016 CCF-GAIR峰會上表示其負責的范圍并不僅限于智能汽車。樂視與合作伙伴Faraday and Future成立了一個FF Le Future的實驗室，主要是研究人工智能技術，廣泛為包括電視、手機、體育、汽車等在內的樂視生態服務。除了美國硅谷的研發中心，樂視也將在北京成立研發中心。

除了IT企業和互聯網公司外，民營企業也開始涉及人工智能產業，并視人工智能和機器人為下一個千億級規模的產業機遇。浙江大華技術股份有限公司是監控產品供應商和解決方案服務商，2014年IHS機構權威報告全球安防視頻監控市場占有率位列第二。大華股份從2008年到2015年實現了產值100億的目標，下一個目標是產值1000億，為此成立了樂橙云作為視聯網品牌，以視頻智能硬件、視頻云、視頻智能技術“三位一體”云開放平臺，拉動千億市場規模。目前，樂橙云選擇智能安防和智能母嬰兩個垂直領域作為首批拓展行業。

窺見未來

牛津大學計算機系主任Michael Wooldridge

在2016 CCF-GAIR峰會上，牛津大學計算機系主任、賓夕法尼亞大學工程學院院長、MIT機器人實驗室主任等國際學術巨擘向中國產業界傳遞了最新的研究動向。

牛津大學計算機系主任Michael Wooldridge身兼Oxford-DeepMind Partnership負責人，他認為目前人工智能進展已經解決了棋類問題、SAT等復雜問題以及自動駕駛等，即將解決實時口語理解、騎自行車、可靠的語言翻譯等問題，而理解復雜的故事及回答相關問題、創作笑話和有趣的故事、解釋一幅圖像的意義等則遠未達到接近解決的階段，強AI和通用AI則是完全開放狀態。

Michael Wooldridge認為當前談人工智能奇點還為時尚早，甚至人工智能奇點有可能永遠都不會到來！盡管AlphaGo取得了大幅度的學術進展，但AlphaGo仍存在諸多問題。比如AlphaGo程序本身并“不知道”它在玩棋類游戲，它也不能解釋自己的策略，也無法從AlphaGo代碼中獲取這些策略，基本上AlphaGo就是一個黑盒子。因此，AlphaGo無法實現通用型AI。

Michael Wooldridge介紹說他的研究領域為“Multi-Agent System”(多個機器系統)，這個領域其實也體現了他對AI的觀點之一，即在窄任務領域對現有AI服務和算法的整合。當前，產業界逐漸把AI嵌入到幾乎所有產品和服務中，但這些AI服務都相對獨立和碎片化，那么如何通過單個或多個機器系統來整合這些AI服務就成為人工智能的下一個發展目標。比如個人通過手機的機器，與其它人的機器之間相互協商、相互協調，共同決策一個會議的日程安排以及各嘉賓的時間安排。

Vijay Kumar是美國國家工程院院士、賓夕法尼亞大學工程學院院長，他被認為是空中機器人(無人機)領域開山立派的宗師人物，其學生遍布全球各大無人機廠商。Vijay Kumar表示對空中機器人或無人機的研究，能夠為學習和了解機器人的行為特點和算法積累數據。在Vijay Kumar的最新研究中，提出了空中機器人的“蜂群”效應。

所謂“蜂群”效應，就是指一群低智能的機器人聚集在一起，共同完成某項工程或任務。由于功耗等限制，無人機等小型和微型機器人無法配置高級計算資源，因而只能具有較低的機器智能水平。對比自然界的蟻群、鳥群、魚群等，雖然都是低智能生物，但卻能群聚在一起共同完成令人驚嘆的復雜工程。對空中機器人“蜂群”效應的研究，還對地面機器人甚至海洋機器人的研究有重要意義。

美國麻省理工學院(MIT)一直是機器人科技研究的先驅，MIT機器人實驗室主任、美國國家工程院院士Daniela Rus認為未來世界里，每個人都有可能擁有機器人，機器人就像是在路上跑的汽車一樣常見，稱之為“泛在機器人”世界。這些“泛在機器人”的形式甚至包括類似大白或自然界中蛇一樣的軟體機器人，以及水里的機器魚。而如果誤食了魚刺等異物的時候，還可以吞下微型折疊機器人，從腸道中通過折疊形態把異物包裹起來帶出體外。

美國南佛羅里達大學計算機科學與工程學院教授、機器人與深度學習專家孫宇所研究的機械手被認為是非常“黑科技”，是為數不多能與人手相媲美的重大成果。孫宇介紹說，人體206個骨骼，其中1/4的骨骼都在雙手里，人體的雙手是非常復雜的機械結構，是人體最復雜的器官之一。孫宇表示，機器人智能和計算機智能有所區別，在于機器人要與自然環境實實在在的接觸，這是計算機智能沒有涉及到的問題，因此機械手的研究有重大意義。

香港科技大學教授楊強的遷移學習無疑是機器學習下一個階段的重要發展方向，如何能把深度神經元網絡和機器學習中訓練出的模型提煉出來，并以較小的代價應用到新的領域，這是走向通用AI的重要路徑。此外，楊強認為，當前國內的機器學習和人工智能算法研究沒有國際上那么均衡，實際上人工智能算法遠不止深度神經元網絡，而是多元化發展。

當前的大數據可以分為20%的即時性數據和80%的高時延數據。對20%即時性和高重復的數據來說(互聯網數據為主)，用深度學習算法能解決大部分問題。而對于80%高時延數據來說(例如工業數據)則需要用到強化學習、增強學習、遷移學習等多種人工智能算法，才能解決其數據處理和產生數據智能的問題。

南京大學計算機科學與技術系副主任、機器學習與數據挖掘研究所(LAMDA)所長周志華表示，接下來機器學習技術的一個大趨勢是要增加機器學習的魯棒性。目前很多研究中的機器智能可達到人類水準，但是如果遇到一些罕見的情況，就會錯得非常離譜。因此，機器智能在遇到罕見情況的時候，“不能比一般人的處理水平更低”，這是機器學習技術大規模普及的基本前提。

當然，整個人工智能和機器人產業的發展，離不開創業群體。國家教育部長江學者特聘教授王田苗教授表示，未來五年之內，機器人在工業、服務業、智能汽車和無人機等高端產業三大塊將可能迎來第一波熱潮。由于人工智能技術和認知技術的成熟，未來機器人在銀行、家庭、醫院、賓館等服務業的地位將逐漸提高。

紫牛基金合伙人張泉靈特別強調，人工智能創業的商業模式這件事，不是在實驗室里就能想出來的。金山軟件兼金山云CEO張宏江的觀點是，中國人工智能公司的創新能力提升的非常快，與美國等人工智能公司之間的差距正在縮小。一個公司進步的關鍵不是“看別人”，而應當回歸到自身，搞清楚用戶到底需要什么，腳踏實地朝這個方向努力。

對人工智能時代的看法范文3

【關鍵詞】金融風險；預警；定量方法

近年來，美國次貸危機、歐債危機等金融危機的頻繁爆發令金融風險預警領域成為了金融界備受關注的研究熱點。從國內外的研究來看，金融風險預警的核心在于尋找一種有效的方法進行風險的識別和預測。目前，主流的金融風險預警方法是統計計量類方法，該類方法以較嚴謹的統計理論作為基礎，因此得到了國際金融理論和實業界的廣泛支持和認可。然而統計理論先天存在前提假設過嚴、忽略風險因素模糊性、難以解決非線性病結構的復雜問題、缺乏處理海量數據的能力等缺陷，致使該類方法在處理經濟管理類的復雜問題時往往表現得力不從心，其在金融風險管理中應用的有效性及適用性亦受到了越來越多研究人員的質疑。近十多年來，隨著人工智能技術的發展，具有模糊性、魯棒性、自組織性、簡單通用及并行處理等特征的智能計算技術越來越受到了金融領域研究人員的關注，越來越多的研究引入了智能計算技術并取得了大量成果。本文在綜合研究了國內外相關文獻的基礎上，從方法的理論基礎角度對預警方法進行了歸納分類，并對不同方法的性狀進行了深入的比較、分析及評述，在此基礎上提出了對金融風險預警方法發展方向的個人看法，以期為我國金融風險預警管理方法發展提供一種新的思路和視角。

一、統計計量類方法

該類方法的主要思想是根據預警指標體系收集相關的樣本數據，對樣本數據進行深入的統計分析，找出對金融風險有顯著解釋作用的指標。在此基礎上基于一定的數量統計方法建立分析模型。該類方法是金融風險管理研究中廣泛使用的方法，主要包括以下幾種方法：（1）單變量分析方法。單變量分析方法是最早應用到金融風險預警領域中的定量分析方法。Fitz

patrick早在1932年就運用單個財務比率對19個樣本企業進行破產預測，他的研究發現“凈資產收益率”和“股東權益對負債比率”兩個比率的預測能力最高；1938年，Secrist在研究中試圖通過分析資產負債表比率的差異來尋找破產銀行的特征，以期挖掘出破產銀行和正常銀行不同的財務狀況；1966年，Beaver基于單變量分析法建立了企業破產預警模型，并以5個不同財務比率分別對158家的樣本數據進行了一元判別預測，其結論認為“現金債務總額比率”預測的效果最好，“資產收益率”的效果次之。（2）多元線性判別分析（MDA）方法。單變量分析方法單從一個指標出發進行風險預警，往往不能充分反映出風險的全面狀況，MDA方法則是以多個指標對風險進行預測的分析方法。針對單變量分析的缺陷，1968年，Altman等在前人研究基礎上，利用判別分析技術建立了Z-Score模型，隨后1975年Altman在改進Z-Score模型的基礎上提出了ZETA模型。與此同時，1975年Sinkey在銀行風險的早期預警模型中引入了多重判別方法。與單變量分析模型相比，MDA模型綜合了多方面的風險信息，因此其建立的判別函數往往準確率更高。（3）Logit分析方法。MDA方法對所處理的樣本有著嚴格的假設前提（如多元正態分布、等協方差矩陣等等）。針對這些缺陷，Martin在1977年采用了Logit分析對銀行破產預警進行了研究；1980年Ohlson構建了企業破產預警的Logit分析模型，他的研究成果認為Logit模型對樣本數據要求不高，其預測準確率也比MDA高。Logit分析假設事件發生概率服從標準

Logistic的累積概率分布函數，將事件發生的可能性估計為一個可觀測特征函數，因此能部分克服MDA模型的缺陷。有鑒于此，20世紀80年代后大量研究采用了Logit分析方法。（4）Probit分析方法。Probit模型早在1954年就被Zmijewski引入到企業破產預測方面的研究。1983年，Bovenzi等采用Probit分析，以1977年至1981年間的222家銀行作為樣本構建了銀行破產預警Probit模型，取得了良好的預測準確率。與Logit模型類似，Probit模型假設樣本服從標準正態分布，其計算方法和Logit亦很類似，但Probit模型的計算過程比較復雜，而且在計算過程中進行的多次近似處理往往會影響數據的準確程度。

二、智能計算類方法

統計計量類方法的應用有著比較嚴格的假設前提，且難以區分出隨機噪聲和非線性關系，而風險預測與風險指標往往呈非線性關系，且風險指標之間亦可能非相互獨立及不符合正態分布等等，因而極大地影響了統計計量類方法的應用效果。近十多年來，隨著人工智能技術特別是智能計算的發展，以神經網絡技術為代表的智能計算在風險預警領域中的應用得到了越來越廣泛的關注。

（1）神經網絡方法。神經網絡是一種模仿人腦結構及功能的非線性分布式信息處理系統，具有自適應、自組織、自學習等能力，適宜大規模的并行計算。因此，20世紀90年代以后，神經網絡被廣泛應用到金融風險預警、財務困境和破產預測等金融風險管理領域。1990年，Odom首次將神經網絡引入企業破產預測，隨后Tam和Kiang（1992），Barniv et al（1997），Bell（1997），Jain&Nag（1997）及Yang et al（1999）等研究人員在研究金融風險預測預警時也紛紛采用神經網絡技術，極大的促進了神經網絡技術在金融風險管理領域中的應用。大部分的研究成果認為神經網絡的預測準確率要優于MDA、Logit等傳統統計計量類方法，且神經網絡不存在嚴格的假設前提，容錯能力強，但也存在著設計缺乏有效的理論指導、容易早熟及“黑箱操作”等缺陷，其預測結果往往難以解釋，不易為金融從業人員接受。（2）進化計算方法。進化計算將自然界中的進化過程引入工程領域以解決復雜問題的優化，其原理通過模仿生物進化規律，在問題空間內隨機搜索問題的解。目前以遺傳算法、粒子群算法等算法為代表的進化計算在金融風險預警、企業破產預測等方面得到了廣泛的應用。其中具有代表性的研究學者有：1998年Varetto Franco采用遺傳算法提取了判別規則和線性函數，研究結果表明與MDA相比，遺傳算法省時、受主觀影響小，但準確性相對低。其他有代表性的研究學者還包括：Shin&Lee（2002）、Davalos Sergio et al.（2005）等等。進化計算方法應用到金融風險預警的機理是基于樣本數據進行if-then判別規則提取，結構清晰且易于理解。然而進化計算的結構不固定、通用性較差，其設計往往根據經驗而缺乏規范有效的理論指導。近年來，在很多研究中進化計算往往成為了一種與其他技術混合集成的輔助技術。（3）粗糙集方法。粗糙集是一種新的處理模糊和不確定性知識的有力工具，已經在數據挖掘、知識發現及決策支持等領域得到了廣泛應用。1982年，Pawlak首先將粗糙集方法應用到金融風險預警領域。隨后Ziarko（1984）、Tay F.E.H.

&Shen L.（2002）等學者也在相關研究中引入了粗糙集方法。這此研究成果表明，粗糙集方法善于處理不完善的信息，能有效的揭示風險因素特征與金融風險之間的關系，且具有決策規則易于理解、定性定量變量相結合、無需統計概率和模糊隸屬度評價等優點。但是，在實際應用中粗糙集方法對噪聲較敏感，抗干擾能力比較差，因此在實際應用中粗糙集更多的是與其他方法（如神經網絡、模糊邏輯等）集成。（4）混合智能方法。單一智能技術各具優勢，同時又存在這樣那樣的缺陷，制約了單一技術在金融決策領域的發展。因此，根據各種智能技術的特點與共同之處，探索它們的有機集成是近年來比較活躍的研究分支，并取得了可觀的研究成果。2006年，Min等學者將遺傳算法與支持向量機相結合，構建了企業危機預警模型，研究結論表明該模型綜合性能良好。Tsakonas等學者（2006）采用了混合遺傳規則與神經網絡的方法進行破產預警研究。De Amorim等學者（2007）綜合模糊系統與神經網絡構建了混合模型，通過巴西金融機構數據的實證表明混合模型的預測精度要比多層BP網絡好。Ng.G.S.（2008）等學者構建了混合局部優化算法與模糊神經網絡的銀行破產預警模型，對美國銀行業數據的仿真結果表明該模型預測效果良好。Cho，Sung bin等（2009）混合了統計方法與人工智能方法進行破產預測。Ahn，Hyunchul等（2009）通過結合神經網絡與遺傳規劃構建混合智能系統，為破產預測提供了一種更科學的方法。Arash Bahrammirzaee（2010）對人工神經網絡、專家系統及混合智能系統等人工智能技術在金融風險管理中應用的相關研究成果進行了全面的分析概括，得到了混合智能系統能全面提升預測準確性的結論，但也存在技術整合策略、參數設計等問題。Chuang等（2011）將人工神經網絡與案例推理相結合，提出了信用評分的二階段模型，實證表明該模型的評估精度比單一人工神經網絡要高。

除了上述的方法外，案例推理（case-based reasoning，

CBR）、支持向量機（support vector machine，SVM）等智能方法也被部分學者嘗試應用于金融風險預測預警領域。

三、方法優劣對比分析

從歷年的研究文獻看，20世紀90年代前，統計計量類方法被大部分研究所采用，隨后，人工智能技術的發展使得智能計算也受到了越來越多的關注。這些方法各具優劣，具體對比分析如表1所示。

四、預警方法評述

從金融風險預警方法的理論基礎角度，本文把現存的預警方法分為兩類：（1）統計計量類方法；（2）智能計算類方法。表1的對比分析表明：（1）統計計量類方法具有簡單、易用、省時及結論易于理解等特點，且方法的實踐設計存在規范的科學理論指導，因此被金融業廣泛接受和應用。然而，這類模型普遍存在著以下幾方面缺陷：一是有著比較嚴格假設前提，如假設正態分布、等協方差，多重特征獨立性等等，這些假設經常與現實不相符；二是在研究風險行為和過程中片面強調風險因素的隨機性而忽略了風險因素的模糊性；三是缺乏處理非線性復雜結構問題的能力，經驗告訴我們，金融風險預警是復雜的，更具有非線性結構的特性，上述模型對此往往缺乏有效的處理能力；四是對金融大數據缺乏處理能力，隨著金融大數據時代的到來，先天不足的統計計量類方法在面對海量的數據處理要求時，往往束手無策。（2）以神經網絡為代表的智能計算技術具有處理病結構、不精確、不完善信息的良好能力，預測精度也相對較高，且該類方法具有自組織、自學習、魯棒性及并行等優勢，特別善長于處理海量數據。但該類方法的應用缺乏有效的理論指導、結構難以固定、通用性差，且結果往往難以解釋，因此在實

際運用中也存在著大量爭議。

五、結論與展望

綜合上述分析可以發現，無論是基于統計計量的方法還是基于智能計算的方法都不是金融風險預警管理的萬全之法。隨著計算機信息技術、經濟計量技術、智能技術等各學科技術的迅猛發展，綜合多個學科理論與方法的金融風險預警模型受到了越來越廣泛關注。預警的方法亦越來越體現出從定性到定量、從簡單到復雜、多學科交叉、從單一技術到多元化組合技術等特征。雖然到目前為止，人們對于大量的應用問題已經提出了各種各樣的混合智能學習方法，但是如何設計出一個能夠有效地結合神經網絡、模糊邏輯、進化算法等智能計算方法的最優混合系統仍然是一個富有挑戰性的研究課題； 現代人工智能技術的發展十分迅速，涌現出越來越多的新技術新方法新思想（如免疫算法、DNA計算、支持向量機、蟻群算法、聚類分析等等），各種技術的互補與綜合也是未來的研究方向之一；統計計量類方法具有不可替代的優勢，如何將統計計量類方法與智能計算類方法進行綜合和集成，優勢互補，也是未來的研究熱點。

參 考 文 獻

[1]Fitzpatrick P J，A comparison of ratios of successful industrial enterprises with those of failed firms，Certified Public Account.1932，（2）：589～605

[2]Secrist，National Bank Failure and Non-failure，The Principia Press，Bloomington Ind.1938

[3]Beaver W H，Financial ratios as predictors of failure，Journal of Accounting research.1966，（Supplement）

[4]Altman Edward I，Financial ratios，discriminant analysis and the prediction of bankruptcy，Journal of Finance.1968，23：589-609

[5]Altman，E.I.，R.Haldeman and P.Narayanan.Zeta analysis：A new model to identify bankruptcy risk of finance[J].Journal of Banking and Finance 1（1977）：29～54

[6]Sinkey，Joseph F.，“A Multivariate Statistical Analysis of the Characteristics of Problem Banks”.Journal of Finance，1975，Vol.xxx，No.l，pp.21～36

[7]Martin， D.，1977，“Early-Warning of Bank Failure”，The Journal of Banking and Finance 1：249-276

[8]Ohlson，J.S.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research.1980：109～130

[9]Zmijewski，M.E.Methodological Issues Related to the Estimation of Financial Distress Prediction Models[J].Journal of Accounting Research（Supplement）1954：59～86

[10]Bovenzi，J.F.，J.A.Marino，and E.E.McFadden，Commercial Bank Failure Prediction Models.Economic Review.November.1983：14～26.

[11]Tam K.Y.，Kiang M.Managerial applications of neural networks：the case of bank failure predictions[J].Management Sciences.38（1992）：926-947

[12]Markham I.S.，Ragsdale bining neural networks and statistical predictions to solve the classification problem in discriminant analysis[J].Decision Sciences.26（1995）：229-242

[13]Austin M.，Looney C. Zhuo J.，Security market timing using neural networks[J].The New Review of Applied Expert Systems.3（1997）：3-14

[14]Odom M.D.，Sharda R.A neural network model for bankruptcy prediction[P].Proceedings of the IEEE International Joint Conference on Neural Networks ， San Diego，Vol.II，New York：IEEE，1990：163～168

[15]Barniv R.，Agarwal A.，Leach R.Predicting the outcome following

bankruptcy filing：a three-state classification using neural networks[J].Intelligent Systems in Accounting，Finance and Management.6（3）1997：177～194

[16]Bell T.Neural nets or the logit model：a comparison of each model’s ability to predict commercial bank failures[J].Intelligent Systems in Accounting，Finance and Management.6（3）1997：249～264

[17]Jain B.A.，Nag B.N.Performance evaluation of neural network decision models[J].Journal of Manage Information Systems.14（1997）：201-216

[18]Yang，Z.R.，Platt，M.B.，Platt，D.H. Probabilistic neural networks in bankruptcy prediction[J].Journal of Business Research，44（1999）：67-74

[19]Franco Varetto. Genetic algorithms applications in the analysis of insolvency risk[J].Journal of Banking & Finance.1998，22：1421～1439

[20]K.-S.Shin，Y.-J.Lee.A Genetic Algorithm Application in Bankruptcy Prediction Modeling[J].Expert Systems with Applications.2002，23：321～328

[21]Davalos Sergio，Gritta Richard D，Adrangi Bahram.Use of a Genetic Algorithm in Forecasting Air Carrier Financial Stress and Insolvency[J].The Credit & Financial Management Review.2005（2）

[22]Pawlak Z，Rough Sets，International Journal of Information and Computer Sciences.1982，11，341～356

[23]Ziarko W，Variable Precision Rough Set Model，Journal of Computers and Systems Sciences，1993，46，39～59

[24]Dimitras A I，Slowinski R，Susmaga R et al.，Business failure prediction using rough sets，European Journal of Operational Research.1999，（114）：263～280

[25]Tay F E H，Shen L，Economic and financial prediction using rough sets model，European Journal of Operational Research.2002，（141）：641～659

[26]Min Sung-Hwan，Lee Jumin，Han Ingoo. Hybrid genetic algorithms and support vector machines for bankruptcy prediction[J].Expert Systems with Applications.2006，31（3）：652～660

[27]Tsakonas Athanasios，Dounias George，Doumpos Michael，et al.Bankruptcy prediction with neural logic networks by means of grammar-guided genetic programming[J].Expert Systems with Applications，2006，30（3）：449～461

[28]De Amorim B.P.，Vasconcelos G.C.，Brasil L.M..Hybrid neural systems for large scale credit risk assessment applications[J].Journal of Intelligent and Fuzzy Systems.2007，18（5）：455～464

[29]Ng G.S.，Quek C.，Jiang H.FCMAC-EWS：A bank failure early warning system based on a novel localized pattern learning and semantically associative fuzzy neural network[J].Expert Systems with Applications，2008，34（2）：989～1003

[30]Cho Sungbin，Kim Jinhwa，Bae Jae Kwon. An integrative model with subject weight based on neural network learning for bankruptcy prediction[J].Expert Systems with Applications.2009，36（1）：403～410

[31]Ahn Hyunchul，Kim Kyoung-jae.Bankruptcy prediction modeling with hybrid case-based reasoning and genetic algorithms approach[J].Applied Soft Computing Journal.2009，9（2）：599～607

對人工智能時代的看法范文4

隨著科技的發展，網絡社會和數字化出版正沖擊著青年編輯的認知方式。網絡時代人們的認知方式、生存方式以及生活方式，對青年編輯的認知、思想和情感等都有著潛移默化的影響。從認知心理學的層面來說，青年編輯的認知結構受到了信息網絡的深化，并且青年編輯的認知方式也在發生著變化，本文就對此進行相關闡述。

關鍵詞：信息網絡；青年編輯；認知

一、認知結構的深化

在網絡時代快速發展的大背景下，編輯出版的主客體正在發生變革，并且不斷深化編輯工作人員的世界觀和認知結構，現代化的編輯意識是每一個當代期刊編輯都要樹立的，需要他們對待網絡有著正確而又科學的看法。近年來，信息網絡和數字化的發展對出版業有著重大的影響，國內外的很多學者也對此頗有關注，在世界矚目的三十六屆期刊大會上，熊曉鴿先生作為美國國際數據集團副總裁以及亞洲區總裁，在講話中提到，所有的人都應該為數字化出版做好準備，這其中需要編輯、出版業的同仁以及期刊界共同努力和合作，去適應出版行業的發展趨勢，并推動出版行業積極發展。如今在我國的編輯出版行業中，青年編輯大都是和計算機、互聯網一起成長起來的年輕人。如今他們重要的一種生存方式就是“數字化生存”和“網絡化生存”，信息網絡的特性中包括信息的無限特性、可共享特性、傳遞特性以及可以擴充特性等。互聯網的一些平等、互動、開放及全時等特性也對青年編輯的世界觀、價值觀及對網絡的觀點有著深深的影響。如今他們可以獲取信息的快而有效的渠道有互聯網，他們可以搜索自己想要的資料，查詢需要的文獻，然后互相交流學習，這也成為他們對事物的認識中一個重要的思維定勢以及重要的認知結構。

二、認知范圍的拓展和認知方式的多樣化

電腦一般被說成是我們人類大腦的延伸，而對人的全身心進行延伸的則是互聯網。互聯網因為它所具有全球性、全時性以及包括海量信息的特點，并且信息可以以光的速度傳播給人類，所以互聯網對人的感官是一個極大的延伸。當今信息網絡有著及其強大的功能，并且以一種全新的方式將青年編輯的感官以及認知形式進行放大，這樣不僅拓展了青年編輯的視野，而且促進了青年編輯思維的多樣化發展。我國著名的人工智能專家戴汝為院士也曾指出，從目前計算機對人類智能模擬的程度可以看出，計算機也可以有效地對人的高級思維過程進行模擬。

21世紀的信息網絡技術正在高速發展，出版在未來的發展必將經過數字發展，隨著3G手機的出版，編輯在傳統上的內涵需要加以轉變，編輯工作在未來的發展不僅僅是選題策劃、文稿加工、營銷宣傳等工作，而是一種具有明顯創造性的勞動。在信息W絡時代，人們的閱讀方式和寫作方式都有所改變，使得編輯主體也發生轉變。在傳統的編輯模式中，出版流程一般是組稿、編稿、印刷及發行再到讀者。有著四位一體的采、編、印和發，還有三位一體的時間、空間及信息。傳統的編輯出版模式必將被新的模式所替代，新模式的主要特點有：第一，將讀者和作者作為編輯出版的中心，二者有著相同的地位，而編者則是后臺工作者；第二，編者為主的“編”將轉變成“導”，知識間不再是線性的聯接，而是網狀的聯接；第三，電子介質媒體將替代傳統的紙介質媒體；第四，自主、個性的編輯模式將替代出版的集中型編輯模式，編者將會更加注重出版方式上的圖文、聲形并茂及對超文本結構的構思。

處于信息網絡時代的青年編輯的閱讀、編輯和感知不再只是通過單一的文字和數據，“感動”世界也不再只是通過簡單的紙介質信息，而是將各類的圖形、動畫、文本及視頻等材料通過直覺、聯想及非線性等“超文本”、“超媒體”等方式鏈接起來，使人們不管何時何地，對世界的感知都是多層次、多形式、多角度的，這就給讀者和編寫之間搭建了一座重要的橋梁。

三、對思維的影響

在人類歷史上，人們對信息的處理和交換的方式有文字、語言、電報和廣播等，在以前，人們互相交流和傳播信息大都使用竹簡、紙張和書籍等媒介。在現代，隨著科技的發展，無線電技術、電子計算機技術及衛星通信的發展也趨向于成熟，人們交流和傳播信息的媒介和方式有手機、計算機和互聯網等。期刊載體和現在的網絡相同的地方在于，本質的特征表現在新變化的交流和傳播及生存方式等。在信息技術不斷發展和革命的環境下，網絡與計算機已經構成了主體思維中合作和共生的部分。這種思維方式中是“人-機共生”，使得編輯檢索、畫圖、裝換、計算、交流和處理信息的能力都得到了有效的提高，對青年編輯的認知和學習方式以及生活習慣都有著重要的影響。

四、結語

目前，我國期刊出版的主力軍是青年編輯，他們是的成長伴隨著計算機的發展，對信息網絡技術下青年編輯的認知方式進行探討，這是對現代期刊數字化和網絡化技術改革的響應，滿足了數字出版的需求。我國的出版業是否能夠健康和發展與青年編輯的網絡認知方式有著密不可分的關系，青年編輯高質量的認知會使得我國的出版業更好地發展。[參考文獻]

[1]盧佳華.學術期刊青年編輯的職業規劃[J].湖北師范學院學報（自然科學版），2016（03）.

[2]唐永蘭. 學術期刊青年編輯增強服務能力的實踐與體會[J].湖北師范學院學報（自然科學版），2016（03）.

對人工智能時代的看法范文5

關鍵詞：信息化時代；農村小學；教育教學研究

引言

隨著時代的發展和進步，現階段社會中的競爭越來越多樣和激烈，掌握現代化信息教育技術以及把它應用于實踐當中去是當今社會每一個人的重要任務，能在一定程度上提高競爭力。由于信息技術的功能多樣和極其便捷的特點，決定了社會中的各個行業以及領域的發展都離不開信息技術，它的存在對于推動社會整體發展具有促進性作用。

一、把現代化信息教育技術運用于小學教育教學中的必要性

在教育領域中，每個教育工作者應當把如何正確運用現代化信息教育技術應用于教學活動中作為一項重要任務，并不斷地努力和完善自身教學體系。所謂現代化信息教育技術并不是大多數人眼中的計算機技術，這種看法和理解是片面的。兩者之間存在根本性的差別：計算機技術主要包括計算和操作，其主要目的是為了研究和應用計算機本身的技術，而現代信息技術則是指利用現代化的計算機以及網絡技術對一些信息進行處理的相關技術和方法。教育方式方法總是會隨著技術的革命而發生本質的變化，比如西漢時代的紙發明、印刷術的發明，以及后來錄音機和錄像機的發明，這些在當時的巨大發明給我國教育模式帶來巨大的影響。當代計算機技術的迅猛發展，把人類帶入一個全新的信息時代，也就是人們口中的信息爆炸時代。這樣的時代對人的素質和知識提出了更嚴格的要求，這也就是學校培養人才的目的發生變化的重要原因。當今教育領域要求要把人從傳統的知識積累型培養方式轉化為培養創造型人才。對創造型人才來說，他們必須要掌握和學會利用現代化信息技術主動獲取知識理論以及處理相關信息。在傳統教學模式下，要培養這種創造型人才，顯然是不太可能的，這時就提出了創新教育策略的想法。

二、注重硬軟件建設和制度的制定與完善

所謂巧婦難為無米之炊。農村小學若希望在信息化時代的教育教學中搭乘信息網絡技術的快車，實現教育教學的發展，就要在政府政策及財政經費的支持下，配備一定的信息化硬件設備及相關的軟件或資源，才有可能利用信息網絡技術服務于日常的教學。因為就目前學校自身的經費及能力情況來看，無論是設備購置、軟件或服務的購買，還是人力上的資源開發及培訓建設，成本都太高，僅憑學校是難以滿足信息化教學所需的硬軟件條件。為此，我們需要政府在信息化教育教學方面的規劃、投資和建設，并制定和完善相關的管理制度。當然，在制度的制定方面，除了教育及相關部門的原則性和統一規定外，各學校或學區有必要結合本校或本區域的實際情況靈活地予以完善和修正，以更利于提升信息化資源的利用效率。

三、由發展不平衡轉為普遍提高

總體上來說，當今小學教育管理信息化教學發展不平衡的問題，主要體現在城鄉小學信息化教學不均衡發展、教師信息素養應用能力差距等方面。城鄉小學信息化教學不均衡發展是歷史積淀等多方面因素造成的。而信息傳播技術最新科技又帶來了新的數字鴻溝，這讓傳統的城鄉剪刀差之間重新拉大了距離。傳統社會的經濟發展差距，是城鄉差異的基礎。經濟發達與不發達地區，對于教育基礎設施的投入，顯然有著差距。信息傳播技術、互聯網、校園網的發展，都離不開信息技術硬件和軟件的投入。我們在為互聯網、大數據、人工智能等新技術歡呼的同時，必須看到技術創新曲線發展規律。新技術的創新擴散與采用，總是分為最早的創新者、其后的追隨者、大眾化階段的普及使用者、還有落后者。不同的學校之間，不同的地區之間，這種鴻溝的存在也是必然現象。我們的目標，是要盡量縮小數字鴻溝及其帶來的不利影響。此外，在信息技術方面發展落后的學校還是可以充分利用蛙跳優勢，合理利用信息技術帶來的新機遇而迎頭趕上的。這里最主要的還是大家對待“教育+互聯網”新機遇的一種意識或者態度。傳統的積淀，差距的存在，短時間內也許無法立即改變。但是，如果一個有遠見的小學校長帶領一批小學教師，在一所鄉村小學大力利用互聯網機遇發展自己的特色MOOC，假以時日，這所小學一定會脫穎而出的。

四、注重信息培訓，提升信息素養

在具備了一定的硬件購置和軟件支持的基礎上，為了提高信息網絡設備及資源的利用效率，我們就需要對學校的管理層和教師進行針對性的培訓。這是因為與傳統的學校教育環境相比，信息化時代的學校應該逐步地過渡并實現從環境、資源到應用各個層面的數字化。其構建的是一個數字空間，很大程度上拓展了學校管理和教學的時空。其無論對學校的管理層還是教學的踐行者教師而言，都是一種極大的挑戰和考驗。為了提高管理水平和教學效率，我們應該注重信息培訓工作，逐步提升管理者和教師的信息素養。近些年的國培計劃就特別注重信息網絡技術方面的內容。除此之外，教育部門以及學校都可以借助網絡等途徑來完成培訓任務，讓農村小學教師能從教育理念、教學方式等方面都有所調整和改善，以盡快適應信息化時代教育教學的需要。

對人工智能時代的看法范文6

美國前總統伍德羅·威爾遜(Woodrow Wilson)說過：“友誼是令世界團結的唯一膠合劑。”一個世紀后的今天，這種膠合劑是否已經在快節奏、高科技、城市化的生活中失去了效力？

這一點可以從美國的綜合社會調查(General Social Survey)中看出許多端倪。根據這項調查，在1985年至2004年之間，美國公民的好友(即有難時可以向他求助的朋友)人數從3個下降到了2個，而沒有朋友可以吐露心事的人所占比例卻從8%上升到了23%。在英國，獨居的人數不斷上升，社區的紐帶也因為居民的頻繁搬遷而削弱，這都造成了友誼瀕臨崩潰的“危機”。也有研究將社會孤立與互聯網和手機聯系在了一起。不過，新技術雖然的確可能改變了傳統的友誼，但是也有證據表明，它們對友誼產生了積極的影響。

Facebook 2004年在哈佛創立的時候，目的是為了豐富大學生的校園生活，今天的用戶也依然在為了這個目的而使用它。微軟的高級研究員黛娜·波伊德(Danah Boyd)指出：“上網者的動機和以前并無不同——他們在網上交友，同樣是為了有人能給自己情緒支持，能聊聊八卦，調調情，或者只是陪陪自己。”我們最親密的朋友還是那么幾個，無論是線上還是線下，最常和我們交流的人都是他們。“只是交友的方式變了，因為有了新的技術，也因為當代的年輕人有了自己的文化。”

最顯著的變化發生在我們持續交往的人數上。美國加利福尼亞大學洛杉磯分校的研究者發現，普通大學生在社交網絡上的聯系人，從2006年的137個上升到了2009年的440個。皮尤研究中心在2013年發現，今天的典型美國青少年在Facebook上有大約300個朋友，在twitter上也有79名關注者——但這些人并不全是社交人脈，因為他們未必會反過來關注這些青少年。

這個數字已經大大超過了羅賓·鄧巴(Robin Dunbar，演化心理學家)的計算——他認為我們的大腦受演化所限，能夠應付的“真朋友”(meaningful friends)最多只有150個(參見《夠聰明才會交朋友》)。這些多出來的人都是誰呢？他們都是所謂的“弱人脈”(weak ties)，包括中學和大學階段的朋友，過去和現在的同事，從前的伴侶，旅行中的相識，關系一般的熟人，朋友的朋友，有時還包括陌生人。社交網絡使我們能和這些外圍的友人保持聯系——偶爾發發消息、看看他們的照片或狀態更新之類。換作以前，我們在分手后就不會再和他們聯系了。

社交網絡擴展了我們的社交圈，原本那些分開之后不會再保持聯系的所謂“弱人脈”，現在也可以通過社交網絡保持聯絡。

但是技術的功用還不止于此。最新的研究顯示，Facebook甚至還能夠改善那些遠程友誼或脆弱友誼的質量。美國馬里蘭大學帕克分校的杰西卡·維塔克(Jessica Vitak)對400多名Facebook用戶開展了一項研究，結果發現Facebook對于居住地間隔超過幾小時車程的朋友特別有價值。友人之間住得越遠，他們在Facebook上的交流就越是密切。維塔克指出，對這些朋友而言，Facebook或許就是一段記憶中的友誼和一段實實在在的友誼的區別所在。

與其他人在網上交流，比如在Facebook上回答問題或是祝別人生日快樂，在LinkedIn上稱贊別人的技能，在Instagram上的照片下方留下“喜歡”或是評論，都是一種社會理毛行為，是我們祖先習慣的現代重演。美國密歇根大學安娜堡分校的妮可·艾利森(Nicole Ellison)指出：“這些都是在表示我對你的關注。就像靈長類動物互相捉虱子，我們也期望自己的示好能得到回應——也就期望在將來也能得到對方的關注。”

艾利森和維塔克發現，臉書上的社會理毛行為對弱人脈的維持十分有效，而我們也的確有許多理由來維持這些人脈。那些體現重要關系的深切情緒紐帶仍然需要面對面地培養，哪怕這些紐帶是在網上產生的。不過弱人脈也自有其好處，這些人脈往往五花八門，并且分散在不同的社會團體之中。他們可以提供新的看法觀點，激勵創新，帶來工作機會，還能讓你產生在社群之中的歸屬感。

要說明社交網絡對我們日常生活的影響，一個鮮明的例子就是，我們會輕易地感染不怎么認識的人的情緒。這在現實生活中其實相當常見——有人對你微笑，你也朝他微笑。但是在互聯網上，這個感染效應就會成倍地放大。美國加利福尼亞大學圣迭戈分校的詹姆斯·福勒(James Fowler)領導的一個團隊，分析了Facebook上的10億多條更新，結果發現用戶會不自覺地在自己寫下的評論中傳播積極和消極的情緒，受眾中甚至有居住在不同城市的朋友和熟人——也就是他們的弱人脈［參見《公共科學圖書館·綜合》(PLOS One)，第9卷，e90315頁］。“在網絡世界里，大規模的情緒感染是不久之前才成為可能的。”福勒說，“我認為將來還會發生更多全球情緒同步的情況。現在，我們和世人的同感比任何時候都要強烈。”

高科技時代的社交網絡，已經徹底改變了我們的友誼。圖片來源：《新科學家》

人之所見，人之所為

人類的其他行為也會在網絡上傳播，包括喝酒、吃飯、還有節食的習慣，不過這些行為幾乎完全是在強人脈——也就是好友和家人之間傳播的。福勒在另一項研究中發現，投票也是如此。

2010年11月2日是美國國會選舉的日子，那一天，福勒的團隊在6100萬美國Facebook用戶的信息流里了一則消息，敦促他們前去投票，并允許他們將自己的投票意愿在朋友圈里廣播。結果，有大約6萬名本來無意投票的人改變了主意，還帶動了他們在Facebook上的28萬名友人。研究者對這28萬名投票者進行分析，結果發現他們絕大多數都是那6萬名收到消息的用戶的好友［參見《自然》(Nature)，486卷，295頁］。

福勒指出：“最要好的10個朋友促成了這場社會運動。這證明，如果想在人群中擴散某個行為，你就必須著眼于現實世界中的人際網絡。這個發現非常激動人心，因為它開辟了利用網絡世界改善現實世界的可能。”

友誼的形式顯然已經在過去10年里發生了變化，但這變化究竟是好是壞，現在還在熱烈的討論之中。有研究顯示，在網上與人交流的心理學價值和在現實中與人交流是一樣的，都能減少焦慮和抑郁，并增加幸福感。在Facebook公司研究計算機科學和社會心理學的莫伊拉·伯克(Moira Burke)發現，用戶越是利用Facebook主動和朋友交往，他們就越是不會感到寂寞。不過，究竟是使用Facebook降低了寂寞感，還是本來就善于社交的人更多地使用Facebook，其中的因果現在還不清楚。

但是在網上維系友誼也有不少風險。澳大利亞塔斯馬尼亞大學的心理學家蕾切爾·格里夫(Rachel Grieve)指出：“由于電子通信的本質所限，人際交往中的種種細微之處可能在網上遺失。本來在喝咖啡時和朋友隨口說的一句話，就算朋友誤解也能及時澄清。可是一旦到了網上，那句話就會永遠存在下去，許多人都會看到，并產生誤會。”

此外還有一些更加微妙的風險。正如波伊德在她的著作《這很復雜》(It’s Complicated)中指出的，青少年如果和每一個舊熟人都保持往來，在進入大學之后就會難以建立新的、深入的人際關系。她說：“他們在第一個學期往往不太適應，于是都到過去認識的友鄰那里去尋求安慰了。”

自戀還是需要？

對現代社交網絡最嚴重的指摘，是說它助長了自戀和孤僻。美國加利福尼亞大學洛杉磯分校的發育心理學家帕特里夏·格林菲爾德(Patricia Greenfield)說：“情緒表達現在成了公共事件。”她還引用美國州立圣迭戈大學珍·特溫奇(Jean Twenge)的研究指出，自上世紀90年代早期開始，美國大學生在自戀特質上的得分就節節攀升。另有研究顯示，自戀的人往往也是Facebook和twitter的積極使用者，而這兩個網站都特別適合自我標榜。

但是也有人對此比較懷疑。新的研究顯示，雖然常有人指責今天的大學生是最自我中心的群體，但是他們的自戀和他們對Facebook的使用之間并沒有聯系［參見《計算機與人類行為》(Computers in Human Behavior)，第32卷，212頁］。波伊德主張，學生們熱衷使用社交媒體，并不是因為他們我行我素或者迷戀技術，而是因為他們需要友情。“我采訪青少年的時候，他們一次次地告訴我，他們寧愿在現實中和彼此見面，一起跨上自行車，不受拘束地出去游玩。但由于社會散播了大量關于陌生人的恐怖信息，這些年輕人已經很難在網絡之外的地方見面交往了。”

我們與他人建立聯系的需求是迫切的，而要在今天的城市里做到這一點又是困難的。那么，我們距離跨出人類的圈子、踏入人工智能的世界還有多遠呢？一個機器人又需要多么復雜，才能滿足人類友情的核心需求，比如懂得回報和具備人格呢？

根據雪莉·圖克爾(Sherry Turckle)在著作《一起孤單》(Alone Together)中的介紹，有些社交技術已經能夠觸到我們的“達爾文按鈕”了。有的機器人已經能和人類目光交流、追蹤人類的動作和姿勢，并且留下“有人在家”的印象。

或許有一天，我們會從機器人那里獲得友誼。圖片來源：《新科學家》

比如日本ATR智能機器和通信實驗室的神田崇行(Takayuki Kanda)就開發了一個名叫“羅伯維”(Robovie)的人形機器人，它的基本交流能力已經相當成熟，足以令15歲的青少年相信它是一個具有情感的社會動物。神田表示，研究的一大難題是開發出可以隨時與人為伴、而不僅僅是待在家里的機器人。據他推測，人和機器人相處的時間越久，就越是容易和它們建立“真正的關系”。

英國林肯大學的約翰·莫雷(John Morray)則主張，要造出合群的機器人，關鍵是要讓它們犯錯。莫雷和他的團隊正在將人類的認知偏差引入機器人的電路，比如令它們的記憶產生故障，從而對人類的指令產生誤解。“我們在試著開發不完美的機器人，也許人類會因此更加接納它們。”他補充說，研究中的困難在于避開“詭異谷”(uncanny valley)——機器人在外形像人，行為卻不怎么像人時，會尤其恐怖。