人工智能的研究价值

5月16日,国家教育部部长陈宝生在国际人工智能与教育大会上发表主旨报告强调,中国始终高度重视教育,始终坚持教育优先发展,确立并实施科教兴国和人才强国战略,努力让每个孩子享有公平的受教育机会,让13亿中国人民享有更好的教育。在智能时代,我们更要利用AI智能技术,踏踏实实走好智能教育的普及之路、融合之路、变革之路和创新之路。图1:国家教育部部长陈宝生随着AI技术的发展和当代儿童教育的需求,AI智能技术将逐渐运用在我国教育上,人工智能技术将推动学校教育教学变革,带来学习成长陪伴方式的变革。而作为人工智能教育应用的一大热门,智能教育机器人成为了AI时代炙手可热的教育产品。智能教育机器人属于早教机器人,是服务型机器人的一个细分领域,一般具有语音识别功能、语音对话功能,早教功能等特点。这种场景式的陪伴,在一定程度上弥补了当下父母因为工作忙碌而不能陪伴、教育孩子的缺憾。中国教育机器人市场增速略高于全球随着多方面因素的共同作用,教育机器人行业进入了快速增长时期。2018年全球教育机器人市场规模约为9.55亿美元,较上年同比增长16.61%,近5年全球教育机器人市场规模增速始终保持在14%以上。中国教育机器人市场约占全球市场的10%-12%,得益于国内国家层面政策的不断支持以及教育支出的不断增长,中国教育机器人的市场增速要略高于全球市场,使得中国教育机器人在全球占比重不断加大。据前瞻产业研究院发布的《中国教育机器人行业发展前景预测与投资规划分析报告》统计数据显示,2012年中国教育机器人市场规模仅仅达1.86亿元。2016年中国教育机器人市场规模达到4.78亿元,同比增长31.32%。截止至2017年中国教育机器人市场规模增长至5.79亿元,同比增长21.13%。进入2018年中国教育机器人市场规模约为7.5亿元,较上年增长29.53%,近5年来,中国教育机器人市场始终保持20%以上增速快速增长。图2:2012-2018年中国教育机器人市场规模统计及增长情况(数据来源:前瞻产业研究院)人机联动实现AIED智能交互在中国智能教育机器人不断爆发增长的期间,各类产品也层出不穷。智能教育机器人只有经历基础层、技术层、应用层的不断成长,在这些“硬件”的支持下,提供智能化、个性化的陪伴和辅导学习服务,才将成为市场接受的智能教育机器人。广州智伴人工智能科技有限公司(以下简称:智伴科技)在创立之初就进行了“技术+内容”的多重布局,在成立至今2年多的时间里,旗下智伴儿童机器人系列产品在市场上气势如虹、口碑极佳。一直秉承着“智予爱·创于心”的理念的智伴科技在智能硬件、内容生态、平台理念等方面不断创新,智伴儿童机器人不单单是点面之间的互动,更融合陪伴、知识性、监视性等多种全方位功能。随着人工智能的发展,智伴儿童机器人的硬件设施也在不断提升,在满足儿童时期的认知需求的同时,形成“家长陪护+机器人辅导”的人机联动效应,充分发挥人的社会化过程中与人互动及机器补足的优势,真正实现智能交互。图3:智伴科技AI+教育未来发展的核心——自适应教育自适应教育致力于通过计算机手段检测学生当前的学习水平和状态,并相应地调整后面的学习内容和方式,帮助学生提升学习效率。运用人工智能技术来实现的人工智能自适应教育应运而生,这是对传统自适应学习的升级,也是对新型学习方式的探索,在教育领域意义重大。人工智能自适应教育的本质与核心价值,即在于以数据和人工智能技术为驱动力,实现规模化的个性教育。智伴科技CEO王不凡表示,由于不同细分年龄段的儿童关注点和兴趣点不同,需求存在较大差异,2018年开始智伴科技将研发方向更细分化精准化,预计在不久的将来可以根据大数据库,针对每户家庭、孩子的自身情况,为每一个孩子提供个性化需求的早教资源,满足更多家长和孩子的陪伴和学习需求。

人工智能需要基于大数据挖掘和人工智能研究，也就是在标的车辆价值，行驶路线，然后把数据分析提取出来，然后根据这些数据进行分析挖掘得出车辆最佳的价值和路线，然后再转换成真实的财富或者。最终的大数据还需要人和其他智能机器、人工人工人工人工ai的协作才可以完成资产的重复转移，因为人的社会性影响和标的车辆价值是有一定关系的，这种社会性没有完成转移，当然无法实现资产的重复转移。人工智能要落地应用在各个行业中，涉及的层面包括了：金融、工业、医疗、交通、地产、军工等行业，标的物涵盖金融机构的汽车、金融机构的房地产、高铁、高速铁路、核电、医疗器械、生物技术等。今天各个领域都已经公开了专业信息，人工智能相关的数据也非常丰富，大家都有机会获取，下面给大家说一下获取标的金融/房地产数据的方法。数据获取金融机构爬虫，金融专家找各个机构的研究报告或招股说明书，所以搜索量是挺大的，各个机构都会有，但大多是年报数据。下载的信息基本信息都可以找到，关键是领英上获取不容易，因为数据也比较旧。数据下载互联网金融机构搜索各个融资机构的相关产品，如陆金所、宜信、百信、人人贷等等，一搜就是几百万条数据。数据获取除了融资机构的数据以外，金融专家可以找各个银行的相关数据。金融专家搜索东方财富网、同花顺、福布斯、雪球、百度（穷游、攻略）、36kr等等，大家都会有一些比较新的数据。人工智能服务商从百度搜索“ai企业”，可以得到最新的ai企业100强排行榜。ai企业获取的行业数据都是比较完善的，所以搜索起来获取起来非常方便。如果一家机构已经落地了人工智能服务或者相关产品，那么就可以搜索到对应的人工智能相关产品和数据。但是，这些都属于非常客观的数据，很难获取有信服力的结论，缺乏一些更加主观的判断，对于投资经理和ai从业者来说，不太合适。如果要获取非常客观的数据和大量的人工智能服务的结论，建议投资经理先大力研究自己投资组合中的标的标的，然后择机出手。推荐大家可以给vc或者pe提供标的的转移方案，这样既可以节省筛选数据的工作，还可以给出大体的判断，从而把数据筛选出来，结论是比较容易被接受的。一个完善的投资组合应该包括标的标的、人工智能服务和其他一些标的等等。另外还可以提供一个交易对手的信息，这样就可以推算真实的估值，也能得到合理的加仓价格等。

近日，Gartner研究副总裁蔡惠芬和部分在京媒体举行了座谈会，共同探讨了人工智能目前在行业内的应用状况以及未来所面临的挑战。蔡惠芬认为，人工智能的真正价值不在于无止尽的成本降低，而在于帮助人们做出高价值的决定，从而产生新的营运收入。在谈及人工智能的定义时，首先，蔡惠芬不认为现阶段人工智能已经是一个标准化的产品，“起码在现阶段，人工智能不是100%永远不变的，环境和数据的变化会导致其模型、输出跟输入的不断优化。”所以，蔡惠芬认为人工智能是需要一直不断的训练，根据所变化的这些参数调整输入。“没有一个人工智能产品是一个标准品、买来之后就不太需要去管它了。如果不去调整，那么经历一段时间的变化之后，它的正确率将会下降。”其次，关于人工智能的自动学习定义，蔡惠芬指出人工智能不具备自动学习的能力。“人工智能的“自动学习”是说它在学习的过程中，根据企业所输入的数据得出结果。所以人工智能一定会有‘偏见’，因为哪怕数据科学家或者专家都会根据他们自身对某个事件的看法，而输入他们所认为相关的数据。所谓的‘数据关联性’都来自于输入者本身的经验和背景。”因此，人工智能并不是自动学习，而是根据人的输入而学习，而人在“输入”的时候，难免会带有个人的主观看法，人工智能的结果还是经过人最后的判别而产生。谁在提供人工智能解决方案蔡惠芬认为目前没有一家厂商可以提供所有的人工智能解决方案。无论硬件、软件，还是服务、咨询、安全，任何领域都会关注到人工智能。由此可见，人工智能的影响范围非常广泛。Gartner认为目前人工智能技术的提供方可大致分为：传统的IT技术提供商：如IBM、Microsoft这些既有的、大型企业应用软件或平台公司。传统的企业应用开发商：聚焦整合与开发，其ERP系统会有升级版的人工智能功能。初创型人工智能公司：主要是有针对性地解决人工智能某一项的问题，例如金融业的客服机器人，或者是制造业的品质瑕疵鉴定。也就是说，会因某个特定领域所需要的人工智能解决方案，而产生的人工智能初创公司。自建人工智能：人工智能技术提供方本身就是使用方。例如，大型制造业、国有企业、金融企业自身的IT部门比较庞大，因此企业需要依靠人工智能技术来解决自身行业问题。然而，因其所需要的复杂度、精益度及时间很长，市场上不太可能有一家供应商可以完全符合企业的全部需求。相应地，这些企业有能力去自建人工智能解决方案，并在完成后销售这些方案。所以，市场上会出现一些原本属于技术使用方的企业开始推出它的解决方案。因此，除了传统的技术提供商以外，新的非传统技术提供商也在提供人工智能解决方案。这正是因为人工智能的牵涉范围太广，没有一家提供商能够全部覆盖所有需求。人工智能到底能做什么蔡惠芬认为很多企业在投入人工智能项目时，其目标是降低人员和营运成本。而实际上，这是一个很短期的结果，因为人工智能的真正价值不是在于无止境的成本降低，而是在于帮助人类做出高价值的决定，最终产生新的营运收入。所以人工智能的最终目的是去协助人类处理一些比较复杂的判断、产生较高价值的决定。以客服机器人为例，企业最初采用它的目的是取代客服的呼叫中心、降低雇佣客服人员的成本。可是，这个成本不可能无止尽地下降，并且不会带来收入增长。因此，企业随后希望通过分析客服机器人回答的问题，来让它们回答得更为精准。实际上，客服机器人的最终目的是能够协助客服人员进行更精准地推销、产生新的盈利收入。从消费者、员工、企业三个角度来看目前怎么使用人工智能蔡惠芬介绍，对于消费者而言，目前他们认为人工智能最重要的就是提供协助。比如很多人觉得智能家居很方便，可以自动开灯、净化空气滤清器、辨认这个人是不是自己的朋友、远程开锁等。健康监控可以提醒消费者注意自身健康数据上的变化。消费者喜欢人工智能的原因是消费者无需学习就可以使用、操作人工智能。人工智能是在一个非常自然的情况下产生事实的必要协助，让消费者觉得非常有帮助，使用起来很容易。根据Gartner调查，75%的消费者希望人工智能能够提供帮助，而只有25%的消费者希望人工智能能够全部完成他们的工作、不只是提供协助。对于员工而言，很多工作枯燥乏味。客服流动率高的很重要原因是人工客服几乎每天都在处理同样的问题且不少对话并不令人愉快，因此人工智能的出现就能很好改善这一问题。此外，人工智能可以有效减少错误。调查显示，65至74岁的人更希望人工智能来帮助他们减少日常工作中的错误。以安防为例，一个人24小时目不转睛地看10个屏幕并不容易，稍一疏忽就会漏掉一个危险物品，而机器人就能协助人类来避免这些不必要的错误。再以海关进出口机器人为例，进出口厂商一天可能收到几百封邮件，内容涵盖采购、咨询、广告。人类员工一封封地读完这些邮件会花费大量时间，而现在的人工智能软件可以用自然语言自动判读邮件的主旨和内容，然后自动将邮件进行归档、分类，显著减轻阅读邮件的人力。对于企业来讲，通过人工智能来增加盈利效率、提升客户体验、增加收入是它们的首要目标。这方面有许多应用案例。例如，保险公司利用人工智能进行保险理赔的自动审阅。在过去，寻找和分类数据会花费很多时间，现在人工智能可以根据不同情况和使用者的需求去变化，进而大幅提升工作效率。客户体验的改善直接影响收入的提升。过去银行可能没有办法了解其终端用户在银行账户上的消费。可是现在，银行能够通过支付宝等消费途径获取这类数据，从而更精准地了解自己用户的消费情况，有的放矢地发送相关营销信息，提高用户在网络银行上的活跃度。这些对银行来讲是非常重要的价值指标。总结来看，蔡惠芬认为现在人工智能项目未来的趋势不只是用于做降低成本，而是协助人类进行更高价值的商业开发和辅助。企业需要训练更多的业务人员、IT人员、数据科学家，让他们能够与人工智能进行更好的沟通。企业也需要通过卓越中心或提升人员的数据素养，让业务人员有能力挖掘商业价值，也就是去解读、运用数据，产生一个以数据来驱动决定的模式，而不是单凭个人经验。蔡惠芬表示，人工智能技术本身的发展趋势是越来越“可解释化”，即能够解释“因为放了什么样的数据，所以产生什么样的结果”。至少让高层管理人员或是CEO理解，为什么会产生这样的结果。另外，会有越来越多“可定制化的AI”。因为制造业、金融业需要的模型是很类似的，AI厂商需要把AI模型转换，而不用针对每个企业来重新建立。来源: 财经网

围绕大数据、云计算、人工智能等热门领域，很少人关注到背后的基础学科价值。而数学作为一项基础学科，背后的价值与战略意义你了解吗？2020年第61届国际数学奥林匹克（IMO）成绩近日已经揭晓，中国队取得了如下的战果：1、中国队继2019年获得总分第一后，2020年继续蝉联总分第一；2、6名中国学生选手凭借个人成绩共获5金1银；3、来自重庆市巴蜀中学校的李金珉获得了唯一的满分（42分）金牌。国际数学奥林匹克(IMO)第二到十名，分别是如下国家：俄罗斯、美国、韩国、泰国、意大利、波兰、澳大利亚、英国、巴西。人工智能行业，无论是教育、培训还是就业，都是2020年的最热点与关注的领域。但是，不知道有多少人了解这样一个背景，人工智能行业背后的最最基础学科，其实就是数学。科技越进步，越想取得重大的基础性突破，数学的价值与作用越能够凸显出现。就像刘慈欣小说《三体》里描述的三体人的“智子”，封锁人类技术进步的方法，就是让物理学、数学等基础学科的研究陷于停滞不前。人工智能行业发展到今天，我国弯道超车，与美国并驾齐驱，两强相争，各有所长。我国的优势在于，有丰富的数据与应用场景，通过不断“试错”，找到了各种高价值应用场景。但在基础学科的积累与研究，比如数学、物理学等方面，不得不承认，与国际先进水平，其实还有不少的差距。只有清醒地认识到这一点，我们才能保持更清醒的头脑。有人总结，世界数学史上，公认的4名最伟大的数学家分别是：阿基米德、牛顿、欧拉和高斯。就拿我们经常听说的欧拉，在我们每个人学习数学与几何的时候，似乎是一个绕不开的概念与名字：初等几何里面有欧拉线；多面体里有欧拉定理；立体解析几何里面有欧拉变换公；数论里面有欧拉函数；复变函数的欧拉公式；变分法里面有欧拉方程；……作为18世纪数学界最杰出的人物之一，中国科学院数学与系统科学研究院研究员李文林，是这样评价欧拉的：“因为数学好，欧拉得以解决很多其他领域的问题。物理、力学、天文学、航海、大地测量等等到处都有欧拉的贡献，他是典型的全才数学家。牛顿、莱布尼茨发明的微积分可以说是‘原生态’，而欧拉18世纪写的文章我们现在依然能读，可以说欧拉等人使得数学特别是分析向现代形式发展。”我国在国际数学奥林匹克(IMO）连续夺冠，不断取得佳绩，基础学科的冠军，含金量更足，可喜可贺。十年树木百年树人，基础学科的价值与突破，犹如长跑马拉松，比拼的是耐力，需要我们更多的时间与人才积累，才能取得更有深远意义的成果与影响。关注东方林语，了解更多人工智能知识。

人工智能是在1956年作为一门新兴学科的名称正式提出的，自此之后，它已经取得了惊人的成就，获得了迅速的发展，它的发展历史，可归结为孕育、形成、发展这三个阶段。1 孕育阶段这个阶段主要是指1956年以前。自古以来，人们就一直试图用各种机器来代替人的部分脑力劳动，以提高人们征服自然的能力，其中对人工智能的产生、发展有重大影响的主要研究成果包括：早在公元前384-公元前322年，伟大的哲学家亚里士多德(Aristotle)就在他的名著《工具论》中提出了形式逻辑的一些主要定律，他提出的三段论至今仍是演绎推理的基本依据。英国哲学家培根(F. Bacon)曾系统地提出了归纳法，还提出了“知识就是力量”的警句。这对于研究人类的思维过程，以及自20世纪70年代人工智能转向以知识为中心的研究都产生了重要影响。德国数学家和哲学家莱布尼茨(G. W. Leibniz)提出了万能符号和推理计算的思想，他认为可以建立一种通用的符号语言以及在此符号语言上进行推理的演算。这一思想不仅为数理逻辑的产生和发展奠定了基础，而且是现代机器思维设计思想的萌芽。英国逻辑学家布尔(C. Boole)致力于使思维规律形式化和实现机械化，并创立了布尔代数。他在《思维法则》一书中首次用符号语言描述了思维活动的基本推理法则。英国数学家图灵(A. M. Turing)在1936年提出了一种理想计算机的数学模型，即图灵机，为后来电子数字计算机的问世奠定了理论基础。美国神经生理学家麦克洛奇(W. McCulloch)与匹兹(W. Pitts)在1943年建成了第一个神经网络模型(M-P模型)，开创了微观人工智能的研究领域，为后来人工神经网络的研究奠定了基础。美国爱荷华州立大学的阿塔纳索夫(Atanasoff)教授和他的研究生贝瑞(Berry)在1937年至1941年间开发的世界上第一台电子计算机“阿塔纳索夫-贝瑞计算机(Atanasoff-Berry Computer，ABC)”为人工智能的研究奠定了物质基础。需要说明的是：世界上第一台计算机不是许多书上所说的由美国的莫克利和埃柯特在1946年发明。这是美国历史上一桩著名的公案。由上面的发展过程可以看出，人工智能的产生和发展绝不是偶然的，它是科学技术发展的必然产物。2 形成阶段这个阶段主要是指1956-1969年。1956年夏季，由当时达特茅斯大学的年轻数学助教、现任斯坦福大学教授麦卡锡(J. MeCarthy)联合哈佛大学年轻数学和神经学家、麻省理工学院教授明斯基(M. L. Minsky)，IBM公司信息研究中心负责人洛切斯特(N. Rochester)，贝尔实验室信息部数学研究员香农(C. E. Shannon)共同发起，邀请普林斯顿大学的莫尔(T.Moore)和IBM公司的塞缪尔(A. L. Samuel)、麻省理工学院的塞尔夫里奇(O. Selfridge)和索罗莫夫(R. Solomonff)以及兰德(RAND)公司和卡内基梅隆大学的纽厄尔(A. Newell)、西蒙(H. A. Simon)等在美国达特茅斯大学召开了一次为时两个月的学术研讨会，讨论关于机器智能的问题。会上经麦卡锡提议正式采用了“人工智能”这一术语。麦卡锡因而被称为人工智能之父。这是一次具有历史意义的重要会议，它标志着人工智能作为一门新兴学科正式诞生了。此后，美国形成了多个人工智能研究组织，如纽厄尔和西蒙的Carnegie-RAND协作组，明斯基和麦卡锡的MIT研究组，塞缪尔的IBM工程研究组等。自这次会议之后的10多年间，人工智能的研究在机器学习、定理证明、模式识别、问题求解、专家系统及人工智能语言等方面都取得了许多引人注目的成就，例如：在机器学习方面，1957年Rosenblatt研制成功了感知机。这是一种将神经元用于识别的系统，它的学习功能引起了广泛的兴趣，推动了连接机制的研究，但人们很快发现了感知机的局限性。在定理证明方面，美籍华人数理逻辑学家王浩于1958年在IBM-704机器上用3~5min证明了《数学原理》中有关命题演算的全部定理(220条)，并且还证明了谓词演算中150条定理的85%，1965年鲁宾逊(J. A. Robinson)提出了归结原理，为定理的机器证明作出了突破性的贡献。在模式识别方面，1959年塞尔夫里奇推出了一个模式识别程序，1965年罗伯特(Roberts)编制出了可分辨积木构造的程序。在问题求解方面，1960年纽厄尔等人通过心理学试验总结出了人们求解问题的思维规律，编制了通用问题求解程序(General Problem Solver，GPS)，可以用来求解11种不同类型的问题。在专家系统方面，美国斯坦福大学的费根鲍姆(E. A. Feigenbaum)领导的研究小组自1965年开始专家系统DENDRAL的研究，1968年完成并投入使用。该专家系统能根据质谱仪的实验，通过分析推理决定化合物的分子结构，其分析能力已接近甚至超过有关化学专家的水平，在美、英等国得到了实际的应用。该专家系统的研制成功不仅为人们提供了一个实用的专家系统，而且对知识表示、存储、获取、推理及利用等技术是一次非常有益的探索，为以后专家系统的建造树立了榜样，对人工智能的发展产生了深刻的影响，其意义远远超过了系统本身在实用上所创造的价值。在人工智能语言方面，1960年麦卡锡研制出了人工智能语言(List Processing，LISP)，成为建造专家系统的重要工具。1969年成立的国际人工智能联合会议(International Joint Conferences On Artificial Intelligence，IJCAI)是人工智能发展史上一个重要的里程碑，它标志着人工智能这门新兴学科已经得到了世界的肯定和认可。1970年创刊的国际性人工智能杂志《Artificial Intelligence》对推动人工智能的发展，促进研究者们的交流起到了重要的作用。3 发展阶段这个阶段主要是指1970年以后。进入20世纪70年代，许多国家都开展了人工智能的研究，涌现了大量的研究成果。例如，1972年法国马赛大学的科麦瑞尔(A. Comerauer)提出并实现了逻辑程序设计语言PROLOG；斯坦福大学的肖特利夫(E. H. Shorliffe)等人从1972年开始研制用于诊断和治疗感染性疾病的专家系统MYCIN。但是，和其他新兴学科的发展一样，人工智能的发展道路也不是平坦的。例如，机器翻译的研究没有像人们最初想象的那么容易。当时人们总以为只要一部双向词典及一些词法知识就可以实现两种语言文字间的互译。后来发现机器翻译远非这么简单。实际上，由机器翻译出来的文字有时会出现十分荒谬的错误。例如，当把“眼不见，心不烦”的英语句子“Out of sight，out of mind”。翻译成俄语变成“又瞎又疯”；当把“心有余而力不足”的英语句子“The spirit is willing but the flesh is weak”翻译成俄语，然后再翻译回来时竟变成了“The wine is good but the meat is spoiled”，即“酒是好的，但肉变质了”；当把“光阴似箭”的英语句子“Time flies like an arrow”翻译成日语，然后再翻译回来的时候，竟变成了“苍蝇喜欢箭”。由于机器翻译出现的这些问题，1960年美国政府顾问委员会的一份报告裁定：“还不存在通用的科学文本机器翻译，也没有很近的实现前景。”因此，英国、美国当时中断了对大部分机器翻译项目的资助。在其他方面，如问题求解、神经网络、机器学习等，也都遇到了困难，使人工智能的研究一时陷入了困境。人工智能研究的先驱者们认真反思，总结前一段研究的经验和教训。1977年费根鲍姆在第五届国际人工智能联合会议上提出了“知识工程”的概念，对以知识为基础的智能系统的研究与建造起到了重要的作用。大多数人接受了费根鲍姆关于以知识为中心展开人工智能研究的观点。从此，人工智能的研究又迎来了蓬勃发展的以知识为中心的新时期。这个时期中，专家系统的研究在多种领域中取得了重大突破，各种不同功能、不同类型的专家系统如雨后春笋般地建立起来，产生了巨大的经济效益及社会效益。例如，地矿勘探专家系统PROSPECTOR拥有15种矿藏知识，能根据岩石标本及地质勘探数据对矿藏资源进行估计和预测，能对矿床分布、储藏量、品位及开采价值进行推断，制定合理的开采方案。应用该系统成功地找到了超亿美元的钼矿。专家系统MYCIN能识别51种病菌，正确地处理23种抗菌素，可协助医生诊断、治疗细菌感染性血液病，为患者提供最佳处方。该系统成功地处理了数百个病例，并通过了严格的测试，显示出了较高的医疗水平。美国DEC公司的专家系统XCON能根据用户要求确定计算机的配置。由专家做这项工作一般需要3小时，而该系统只需要0.5分钟，速度提高了360倍。DEC公司还建立了另外一些专家系统，由此产生的净收益每年超过4000万美元。信用卡认证辅助决策专家系统American Express能够防止不应有的损失，据说每年可节省2700万美元左右。专家系统的成功，使人们越来越清楚地认识到知识是智能的基础，对人工智能的研究必须以知识为中心来进行。对知识的表示、利用及获取等的研究取得了较大的进展，特别是对不确定性知识的表示与推理取得了突破，建立了主观Bayes理论、确定性理论、证据理论等，对人工智能中模式识别、自然语言理解等领域的发展提供了支持，解决了许多理论及技术上的问题。人工智能在博弈中的成功应用也举世瞩目。人们对博弈的研究一直抱有极大的兴趣，早在1956年人工智能刚刚作为一门学科问世时，塞缪尔就研制出了跳棋程序。这个程序能从棋谱中学习，也能从下棋实践中提高棋艺。1959年它击败了塞缪尔本人，1962年又击败了一个州的冠军。1991年8月在悉尼举行的第12届国际人工智能联合会议上，IBM公司研制的“深思”(Deep Thought)计算机系统就与澳大利亚象棋冠军约翰森(D. Johansen)举行了一场人机对抗赛，结果以1:1平局告终。1957年西蒙曾预测10年内计算机可以击败人类的世界冠军。虽然在10年内没有实现，但40年后深蓝计算机击败国际象棋棋王卡斯帕罗夫(Kasparov)，仅仅比预测迟了30年。1996年2月10日至17日，为了纪念世界上第一台电子计算机诞生50周年，美国IBM公司出巨资邀请国际象棋棋王卡斯帕罗夫与IBM公司的深蓝计算机系统进行了六局的“人机大战”。这场比赛被人们称为“人脑与电脑的世界决战”。参赛的双方分别代表了人脑和电脑的世界最高水平。当时的深蓝是一台运算速度达每秒1亿次的超级计算机。第一盘，深蓝就给卡斯帕罗夫一个下马威，赢了这位世界冠军，给世界棋坛以极大的震动。但卡斯帕罗夫总结经验，稳扎稳打，在剩下的五盘中赢三盘，平两盘，最后以总比分4:2获胜。一年后，即1997年5月3日至11日，深蓝再次挑战卡斯帕罗夫。这时，深蓝是一台拥有32个处理器和强大并行计算能力的RS/6000SP/2的超级计算机，运算速度达每秒2亿次。计算机里存储了百余年来世界顶尖棋手的棋局，5月3日棋王卡斯帕罗夫首战击败深蓝，5月4日深蓝扳回一盘，之后双方战平三局。双方的决胜局于5月11日拉开了帷幕，卡斯帕罗夫在这盘比赛中仅仅走了19步便放弃了抵抗，比赛用时只有1小时多一点。这样，深蓝最终以3.5：2.5的总比分赢得这场举世瞩目的“人机大战”的胜利。深蓝的胜利表明了人工智能所达到的成就。尽管它的棋路还远非真正地对人类思维方式的模拟，但它已经向世人说明，电脑能够以人类远远不能企及的速度和准确性，实现属于人类思维的大量任务。深蓝精湛的残局战略使观战的国际象棋专家们大为惊讶。卡斯帕罗夫也表示：“这场比赛中有许多新的发现，其中之一就是计算机有时也可以走出人性化的棋步。在一定程度上，我不能不赞扬这台机器，因为它对盘势因素有着深刻的理解，我认为这是一项杰出的科学成就。”因为这场胜利，IBM的股票升值为180亿美元。4 人工智能的学派根据前面的论述，我们知道要理解人工智能就要研究如何在一般的意义上定义知识，可惜的是，准确定义知识也是个十分复杂的事情。严格来说，人们最早使用的知识定义是柏拉图在《泰阿泰德篇》中给出的，即“被证实的、真的和被相信的陈述”(Justified true belief，简称JTB条件)。然而，这个延续了两千多年的定义在1963年被哲学家盖梯尔否定了。盖梯尔提出了一个著名的悖论(简称“盖梯尔悖论”)。该悖论说明柏拉图给出的知识定文存在严重缺陷。虽然后来人们给出了很多知识的替代定义，但直到现在仍然没有定论。但关于知识，至少有一点是明确的，那就是知识的基本单位是概念。精通掌握任何一门知识，必须从这门知识的基本概念开始学习。而知识自身也是一个概念。因此，如何定义一个概念，对于人工智能具有非常重要的意义。给出一个定义看似简单，实际上是非常难的，因为经常会涉及自指的性质(自指：词性的转化——由谓词性转化为体词性，语义则保持不变)。一旦涉及自指，就会出现非常多的问题，很多的语义悖论都出于概念自指。自指与转指这一对概念最早出自朱德熙先生的《自指与转指》(《方言》1983年第一期，《朱德熙文集》第三卷)。陆俭明先生在《八十年代中国语法研究》中(第98页)说：“自指和转指的区别在于，自指单纯是词性的转化－由谓词性转化为体词性，语义则保持不变；转指则不仅词性转化，语义也发生变化，尤指行为动作或性质本身转化为指与行为动作或性质相关的事物。”举例：①教书的来了(“教书的”是转指，转指教书的“人”)；教书的时候要认真(“教书的”语义没变，是自指)。②Unplug一词的原意为“不使用(电源)插座”，是自指；常用来转指为不使用电子乐器的唱歌。③colored在表示having colour(着色)时是自指。colored在表示有色人种时，就是转指。④rich，富有的，是自指。the rich，富人，是转指。知识本身也是一个概念。据此，人工智能的问题就变成了如下三个问题：一、如何定义(或者表示)一个概念、如何学习一个概念、如何应用一个概念。因此对概念进行深人研究就非常必要了。那么，如何定义一个概念呢？简单起见，这里先讨论最为简单的经典概念。经典概念的定义由三部分组成：第一部分是概念的符号表示，即概念的名称，说明这个概念叫什么，简称概念名；第二部分是概念的内涵表示，由命题来表示，命题就是能判断真假的陈述句。第三部分是概念的外延表示，由经典集合来表示，用来说明与概念对应的实际对象是哪些。举一个常见经典概念的例子——素数(prime number)，其内涵表示是一个命题，即只能够被1和自身整除的自然数。概念有什么作用呢？或者说概念定义的各个组成部分有什么作用呢？经典概念定义的三部分各有作用，且彼此不能互相代替。具体来说，概念有三个作用或功能，要掌握一个概念，必须清楚其三个功能。第一个功能是概念的指物功能，即指向客观世界的对象，表示客观世界的对象的可观测性。对象的可观测性是指对象对于人或者仪器的知觉感知特性，不依赖于人的主观感受。举一个《阿Q正传》里的例子：那赵家的狗，何以看我两眼呢？句子中“赵家的狗”应该是指现实世界当中的一条真正的狗。但概念的指物功能有时不一定能够实现，有些概念其设想存在的对象在现实世界并不存在，例如“鬼”。第二个功能是指心功能，即指向人心智世界里的对象，代表心智世界里的对象表示。鲁迅有一篇著名的文章《论丧家的资本家的乏走狗》，显然，这个“狗”不是现实世界的狗，只是他心智世界中的狗，即心里的狗(在客观世界，梁实秋先生显然无论如何不是狗)。概念的指心功能一定存在。如果对于某一个人，一个概念的指心功能没有实现，则该词对于该人不可见，简单地说，该人不理解该概念。最后一个功能是指名功能，即指向认知世界或者符号世界表示对象的符号名称，这些符号名称组成各种语言。最著名的例子是乔姆斯基的“colorless green ideas sleep furiously”，这句话翻译过来是“无色的绿色思想在狂怒地休息”。这句话没有什么意思，但是完全符合语法，纯粹是在语义符号世界里，即仅仅指向符号世界而已。当然也有另外，“鸳鸯两字怎生书”指的就是“鸳鸯”这两个字组成的名字。一般情形下，概念的指名功能依赖于不同的语言系统或者符号系统，由人类所创造，属于认知世界。同一个概念在不同的符号系统里，概念名不一定相同，如汉语称“雨”，英语称“rain”。根据波普尔的三个世界理论，认知世界、物理世界与心理世界虽然相关，但各不相同。因此，一个概念的三个功能虽然彼此相关，也各不相同。更重要的是，人类文明发展至今，这三个功能不断发展，彼此都越来越复杂，但概念的三个功能并没有改变。在现实生活中，如果你要了解一个概念，就需要知道这个概念的三个功能：要知道概念的名字，也要知道概念所指的对象(可能是物理世界)。更要在自己的心智世界里具有该概念的形象(或者图像)。如果只有一个，那是不行的。知道了概念的三个功能之后，就可以理解人工智能的三个学派以及各学派之间的关系。人工智能也是一个概念，而要使一个概念成为现实，自然要实现概念的三个功能。人工智能的三个学派关注于如何才能让机器具有人工智能，并根据概念的不同功能给出了不同的研究路线。专注于实现AI指名功能的人工智能学派成为符号主义，专注于实现AI指心功能的人工智能学派称为连接主义，专注于实现AI指物功能的人工智能学派成为行为主义。1. 符号主义符号主义的代表人物是Simon与Newell，他们提出了物理符号系统假设，即只要在符号计算上实现了相应的功能，那么在现实世界就实现了对应的功能，这是智能的充分必要条件。因此，符号主义认为，只要在机器上是正确的，现实世界就是正确的。说得更通俗一点，指名对了，指物自然正确。在哲学上，关于物理符号系统假设也有一个著名的思想实验——本章1.1.3节中提到的图灵测试。图灵测试要解决的问题就是如何判断一台机器是否具有智能。图灵测试将智能的表现完全限定在指名功能里。但马少平教授的故事已经说明，只在指名功能里实现了概念的功能，并不能说明一定实现了概念的指物功能。实际上，根据指名与指物的不同，哲学家约翰·塞尔勒专门设计了一个思想实验用来批判图灵测试，这就是著名的中文屋实验。中文屋实验明确说明，即使符号主义成功了，这全是符号的计算跟现实世界也不一定搭界，即完全实现指名功能也不见得具有智能。这是哲学上对符号主义的一个正式批评，明确指出了按照符号主义实现的人工智能不等同于人的智能。虽然如此，符号主义在人工智能研究中依然扮演了重要角色，其早期工作的主要成就体现在机器证明和知识表示上。在机器证明方面，早期Simon与Newell做出了重要的贡献，王浩、吴文俊等华人也得出了很重要的结果。机器证明以后，符号主义最重要的成就是专家系统和知识工程，最著名的学者就是Feigenbaum。如果认为沿着这条路就可以实现全部智能，显然存在问题。日本第五代智能机就是沿着知识工程这条路走的，其后来的失败在现在看来是完全合乎逻辑的。实现符号主义面临的观实挑成主要有三个。第一个是概念的组合爆炸问题。每个人掌握的基本概念大约有5万个，其形成的组合概念却是无穷的。因为常识难以穷尽，推理步骤可以无穷。第二个是命题的组合悖论问题。两个都是合理的命题，合起来就变成了没法判断真假的句子了，比如著名的柯里悖论(Curry’s Paradox)(1942)。第三个也是最难的问题，即经典概念在实际生活当中是很难得到的，知识也难以提取。上述三个问题成了符号主义发展的瓶颈。2. 连接主义连接主义认为大脑是一切智能的基础，主要关注于大脑神经元及其连接机制，试图发现大脑的结构及其处理信息的机制、揭示人类智能的本质机理，进而在机器上实现相应的模拟。前面已经指出知识是智能的基础，而概念是知识的基本单元，因此连接主义实际上主要关注于概念的心智表示以及如何在计算机上实现其心智表示，这对应着概念的指心功能。2016年发表在Nature上的一篇学术论文揭示了大脑语义地图的存在性，文章指出概念都可以在每个脑区找到对应的表示区，确确实实概念的心智表示是存在的。因此，连接主义也有其坚实的物理基础。连接主义学派的早期代表人物有麦克洛克、皮茨、霍普菲尔德等。按照这条路，连接主义认为可以实现完全的人工智能。对此，哲学家普特南设计了著名的“缸中之脑实验”，可以看作是对连接主义的一个哲学批判。缸中之脑实验描述如下：一个人(可以假设是你自己)被邪恶科学家进行了手术，脑被切下来并放在存有营养液的缸中。脑的神经末梢被连接在计算机上，同时计算机按照程序向脑传递信息。对于这个人来说，人、物体、天空都存在，神经感觉等都可以输入，这个大脑还可以被输入、截取记忆，比如截取掉大脑手术的记忆，然后输入他可能经历的各种环境、日常生活，甚至可以被输入代码，“感觉”到自己正在阅读这一段有趣而荒唐的文字。缸中之脑实验说明即使连接主义实现了，指心没有问题，但指物依然存在严重问题。因此，连接主义实现的人工智能也不等同于人的智能。尽管如此，连接主义仍是目前最为大众所知的一条AI实现路线。在围棋上，采用了深度学习技术的AlphaGo战胜了李世石，之后又战胜了柯洁。在机器翻译上，深度学习技术已经超过了人的翻译水平。在语音识别和图像识别上，深度学习也已经达到了实用水准。客观地说，深度学习的研究成就已经取得了工业级的进展。但是，这并不意味着连接主义就可以实现人的智能。更重要的是，即使要实现完全的连接主义，也面临极大的挑战。到现在为止，人们并不清楚人脑表示概念的机制，也不清楚人脑中概念的具体表示形式表示方式和组合方式等。现在的神经网络与深度学习实际上与人脑的真正机制距离尚远。3. 行为主义行为主义假设智能取决于感知和行动，不需要知识、表示和推理，只需要将智能行为表现出来就好，即只要能实现指物功能就可以认为具有智能了。这一学派的早期代表作是Brooks的六足爬行机器人。对此，哲学家普特南也设计了一个思想实验，可以看作是对行为主义的哲学批判，这就是“完美伪装者和斯巴达人”。完美伪装者可以根据外在的需求进行完美的表演，需要哭的时候可以哭得让人撕心裂肺，需要笑的时候可以笑得让人兴高采烈，但是其内心可能始终冷静如常。斯巴达人则相反，无论其内心是激动万分还是心冷似铁，其外在总是一副泰山崩于前而色不变的表情。完美伪装者和斯巴达人的外在表现都与内心没有联系，这样的智能如何从外在行为进行测试？因此，行为主义路线实现的人工智能也不等同于人的智能。对于行为主义路线，其面临的最大实现困难可以用莫拉维克悖论来说明。所谓莫拉维克悖论，是指对计算机来说困难的问题是简单的、简单的问题是困难的，最难以复制的反而是人类技能中那些无意识的技能。目前，模拟人类的行动技能面临很大挑战。比如，在网上看到波士顿动力公司人形机器人可以做高难度的后空翻动作，大狗机器人可以在任何地形负重前行，其行动能力似乎非常强。但是这些机器人都有一个大的缺点一能耗过高、噪音过大。大狗机器人原是美国军方订购的产品，但因为大狗机器人开动时的声音在十里之外都能听到，大大提高了其成为一个活靶子的可能性，使其在战场上几乎没有实用价值，美国军方最终放弃了采购。(人工智能知识系列由樊重俊教授人工智能团队编写，转发本文请标明作者与出处。欢迎关注，带你一起长知识！)

本报驻德国特约记者 青 木“中国是人工智能研究的世界领导者。”德国《明镜》周刊9日报道称，全球最大的科技与医学文献出版发行商之一——荷兰爱思唯尔(Elsevier)出版集团的一份最新分析报告显示，过去20年，没有任何国家出版的有关人工智能的研究论文像中国那么多。这让德国《商报》直呼，自工业革命以来，西方国家首次失去全球重要技术的主导地位。爱思唯尔的报告发现，在过去20年中，中国的研究人员发表了大约13.4万篇关于人工智能的研究论文。美国发表的论文仅10.6万篇。实际上，自2004年以来，中国已超越美国成为全球人工智能论文研究的世界领导者。排名第三的印度，发表的研究论文数为3.57万篇。紧随其后的是英国和日本，德国以2.53万篇位居第六。报告认为，在人工智能研究领域，中美遥遥领先，其他国家很难超越，最多只能竞争第三。“人工智能研究已成为科学研究的重要领域”，该报告说，整体而言，在全球范围内，人工智能领域过去5年的研究论文出版不断加速，平均每年增长约12%。相比较，整个科学领域的研究论文出版增长只有0.8%。为什么中国在人工智能领域的研究论文数量高居榜首？爱思唯尔的报告分析说，部分原因是中国的研究人员喜欢在大学工作，而不是私营部门。相反，在美国，大学和研究所的此类人员不断流向私营部门。欧洲也有人才流失现象，更多是去了欧洲以外的公司。曾在上海科技大学任助理教授的施维特菲格尔对“赫芬邮报”网站德国版表示，中国正大力投资大学和研究所的人工智能研究，欢迎外国科学家参与。科学家能获得装备精良的实验室，这在美欧的类似工作中是不太可能实现的。在这份报告发布时，德国总统施泰因迈尔上任以来对中国的首次国事访问进入尾声。这次访问被媒体称为“数字技术之旅”。德国《焦点》周刊9日报道说，施泰因迈尔访华期间看到中国是怎样发展成一个数字化国家的。德国11月才推出“迈向全球领先人工智能技术地位”战略，但如今在人工智能领域最具价值的7家公司中，有5家来自中国。欧洲被妥妥地甩在了后面。德国工业联合会主席肯普夫最近呼吁，德国必须到世界各地去寻找人工智能人才，目标是美国西海岸以及中国那些“怀才不遇”的研究人员。德国经济杂志《Heise》评论说，中国成为人工智能超级大国的道路是不可阻挡的，因为中国人更能接受新技术。▲

一旦移动屏幕不再是最新的事物，互联网就在猜测和琢磨将要发生的事情。这个理论是人工智能（AI）将成为下一个进化；正因为有关人工智能的预判，我们在2017年看到了前所未有的技术淘金热。人工智能的狂热使数百万美元投入新的产品和服务，并且绞尽脑汁的质疑者，推测世界末日。但是，对于所有的猜测，AI在2017年实际上做了什么？现在在做什么？而且，即将到来的一年呢？首先，AI打破了合法性的障碍。当人工智能突破了一个关键的合法性障碍时，它已经取得了第一个成功的技术胜利，向所有人证明，这个技术不仅是可行的，而且在部署良好时也具有竞争优势。普华永道的一份报告预测到2030年，人工智能可以为全球经济贡献15万亿美元以上 -比今天中国和印度的产出加起来还要多。普华永道的统计数据就是其中的一个例子，表明我们对这项技术的未来几乎是不可想象的。人工智能将摧毁和创造就业机会，创造新的行业，加速创新到一个新的水平，从根本上改变业务完成的方式。在这一点上，有人提出了一些问题：AI如何创造价值？该技术的哪些应用工作得如此之好以至于我们认为这将会以这样激进的方式改变未来？有趣的是，应对诸如平滑供应链或检测风险等复杂任务仍然日趋成熟。人工智能已经做得很好，而且我们期望在未来几年能够看到更多的东西，这有助于人类与日益复杂的计算机进行交互。Blink的创始人兼首席执行官肖恩·诺兰（Sean Nolan）在前一天的聊天中对这些问题进行了深入的研究。“工作场所中的人们经历了”技术疲劳“，因为他们整天互动的电脑是机器人，笨拙，慢的“诺兰告诉我。 “现实情况是，计算机如此强大，存储着如此多的信息，我们需要他们做这么多，以至于我们只用一个鼠标和一个键盘来利用它们的能力就变得不足。“人工智能来了，开创了在计算机的复杂非个人特性与人类操作员的智能复杂性之间建立一个新的界面的可能性。”接下来，AI准备承担极其复杂的任务。通过利用简单的AI应用程序，如聊天机器人和微应用程序，非常复杂的任务将在不久的将来能够简化为简单的命令。例如，与一个公司的服务器，共享文件夹和云驱动器相关的每个相关文档都要花费一个小时的时间来搜索与特定任务相关的文档，您只需要一个smartbot为您完成。这项任务将在几秒钟内完成，节省宝贵的时间 - 普华永道估计，到2030年，新增效率将达到6.6万亿美元。虽然增加人力生产的好处对市场具有明显的经济利益，但将人工智能降低为人机交流的角色看起来像是一种应该改变世界的技术的降级。这个观点并没有恰当地说明这个成就的重要性。事实上，人工智能作为人与技术之间的调停者，也许是其最大的胜利。人类只使用他们10％的脑力的神话已经被很好地揭穿，但是我们知道，在任何特定时刻，我们只使用计算机的一小部分潜力。毕竟，我们与他们的互动本质上是类比的;结果远远达不到最大的潜力。AI尚未开发的潜力人工智能作为用户界面开辟了巨大的未开发的潜力。今年，这是chatbots和语音识别。 10年后，它将成为Elon Musk Neuralink的一个版本（他的一个新公司正在致力于将人脑与电脑连接起来）。现在，有很多工具可以帮助您通过实现AI来与客户和用户进行交互。他们包括：1. Chatbots。 Chatbots可以提供您和您的消费者之间的附加层来回答他们的问题，并与潜在或当前的客户进行交互。2.网站建设者。现在有新的平台，如网格，它使用AI来建立你的整个网站。3. Smartbots。 Smartbots是另一种形式的机器，可以像个人助理一样在内部使用，来处理日程安排等任务。这是X技术的工作原理。Nolan表示：“企业需要了解的关于人工智能的一点是，他们首先使用的应用程序是劳动力生产力。 “这种单一的竞争优势将决定哪些公司在第一轮AI中存活，哪些公司没有。认为人工智能是用户界面，也是获取我们计算机尚未开发的潜力的一种手段，这是我们在2018年可以看到的。同时，采用人工智能的迫切性是非常现实的。那些成功将UI作为其业务的公司将获得巨大的回报，而竞争对手则将努力实现现代化。埃森哲在一篇题为“AI是新用户界面”的新报告中做了如下观察，并完美地总结了其观点，报告说：“入门可以像使用人工智能（AI）一样简单地将更多类似于人类的交互引入到现有的界面中，但是如果企业想要做的不仅仅是跟上步伐，那么就没有时间浪费。 。 。早期的采用者已经在前进，但许多必要的工具正在公开分享。要回答的问题很简单:如果每一次与技术的互动都是智能的，公司能完成什么?

全景网10月31日讯 华泰证券在最新发布的研报中指出，第四次工业革命来临，人工智能成为科技发展新主题，人工智能产业投资价值正在显露。从全球视角来看，各科技强国都已明确布局人工智能发展；全球人工智能大会进一步指明AI技术产业化的趋势。分析近年来美股市场和A股市场盈利靠前的公司，美股市场具有AI属性的公司已经显露优势；A股市场中AI股优势尚未成形，但成长潜力瞩目，2009~2018年人工智能主题相关企业的基本面复合增速超越全部中信一级行业。（全景网）

人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”即由人设计，为人创造、制造。关于什么是“智能”，较有争议性。这涉及到其它诸如意识、自我、心灵，包括无意识的精神等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能必要元素的了解也很有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。人工智能目前在电脑领域内，得到了愈加广泛的发挥。并在机器人、经济政治决策、控制系统、仿真系统中得到应用。人工智能的细分领域：感知能力（Perception)指的是人类通过感官所收到环境的刺激，察觉消息的能力，简单地说就是人类五官的看、听、说、读、写等能力，学习人类的感知能力是AI目前主要的焦点之一，包括：“看”：电脑视觉（Computer Vision）、图像识别（Image Recognition）、人脸识别（Face Recognition）、对象侦测（Object Detection）。“听”：语音识别（Sound Recognition）。“读”：自然语言处理（Natural Language Processing，NLP）、语音转换文本（Speech-to-Text）。“写”：机器翻译（Machine Translation）。“说”：语音生成（Sound Generation）、文本转换语音（Text-to-Speech）。指的是人类通过感官所收到环境的刺激，察觉消息的能力，简单地说就是人类五官的看、听、说、读、写等能力，学习人类的感知能力是AI目前主要的焦点之一，包括：认知能力（Cognition）指的是人类通过学习、判断、分析等等心理活动来了解消息、获取知识的过程与能力，对人类认知的模仿与学习也是目前AI第二个焦点领域，主要包括：分析识别能力：例如医学图像分析、产品推荐、垃圾邮件识别、法律案件分析、犯罪侦测、信用风险分析、消费行为分析等。预测能力：例如AI运行的预防性维修（Predictive Maintenance）、智能天然灾害预测与防治。判断能力：例如AI下围棋、自动驾驶车、健保诈欺判断、癌症判断等。学习能力：例如机器学习、深度学习、增强式学习等等各种学习方法。创造力（Creativity）指的是人类产生新思想，新发现，新方法，新理论，新设计，创造新事物的能力，它是结合知识、智力、能力、个性及潜意识等各种因素优化而成，这个领域目前人类仍遥遥领先AI，但AI也试着急起直追，主要领域包括：AI作曲、AI作诗、AI小说、AI绘画、AI设计等。智能（Wisdom）指的是人类深刻了解人、事、物的真相，能探求真实真理、明辨是非，指导人类可以过着有意义生活的一种能力，这个领域牵涉人类自我意识、自我认知与价值观，是目前AI尚未触及的一部分，也是人类最难以模仿的一个领域。实际应用：机器视觉、指纹识别、人脸识别、视网膜识别、虹膜识别、掌纹识别、专家系统、自动规划、无人载具等。