前言：中文期刊网精心挑选了对人工智能时代的看法范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
对人工智能时代的看法范文1
看上去，人工智能（AI）在与人类的进化较量中占了上风。
4月下旬，著名物理学家史蒂芬?霍金在北京举办的全球移动互联网大会上做了视频演讲，“生物大脑可以达到的和计算机可以达到的，没有本质区别。计算机在理论上可以模仿人类智能，然后超越”，“人工智能可能是人类文明的终结者”。
5月下旬，目前围棋世界排名第一的中国职业九段柯洁将与人工智能程序AlphaGo（阿尔法狗）进行终极对弈，尽管柯洁早已放出豪言，“我会抱必胜心态、必死信念。我一定要击败阿尔法狗”，但是此前德州扑克人机大赛中，人工智能完胜已经让部分看客有些心灰意冷，一旦柯洁失败，或许会再次加深这一悲观情绪。
当然，“文明终结”的忧虑还为时尚早，无论是世界上最强的象棋、围棋还是黑白棋程序，尚属“弱人工智能”。
在人工智能拥有自主意识的“强人工智能”时代到来之前，企业家、投资者以及创业者们可能更担心另一些现实的问题，比如，怎么把人工智能商业化。这是过去数十年人工智能一直温而不火的重要原因。
真正的爆发
无论是科学家的危言耸听式担忧，还是商业巨头们疯狂的攻城略地，总之，“人工智能”已然成了这两年最火的科技热词。
创新工场创始人李开复对《财经国家周刊》记者说，“我们每个礼拜都会收到5家巨大的企业的请求，基金公司、汽车公司、管理公司、国企、甚至政府，都希望能够利用人工智能帮他们解决问题。”
人工智能的概念第一次被提出硎窃61年前，尽管之后持续有些热度，但它在最初50多年里几乎没有得到爆发性的关注。
“人工智能”关注度爆发的导火索，或许是去年3月韩国著名围棋棋手李世石以1：4输给AlphaGo。
它让不少人错误估计了人工智能的爆发节点。就好比在1997年，名为深蓝的IBM计算机也曾经击败世界象棋冠军，但人工智能并没有从此进入人类日常生活。
李开复也曾错误地预判人工智能的技术趋势，从而导致创业失败――2000万美元的投入、100个员工，几乎全军覆没。
李开复反思道，“创新固然重要，但不是最重要的，最重要的是做有用的创新”，而判断它能否成为科技主流的重要标志，就是能否商业化。
Deep Mind创始人、AlphaGo之父杰米斯?哈萨比斯也表示，“我们发明AlphaGo，并不是为了赢得围棋比赛，我们是想为测试我们自己的人工智能算法搭建一个有效的平台，我们的最终目的是把这些算法应用到真实的世界中，为社会所服务。”
那么，人工智能商业化的时候真的到了吗，会不会又是一阵虚火？
4月25日，在JIC投资沙龙上，阿里云战略资深总监李树解释，“AI的基础是三个理论，第一是算法，第二是必须得有计算的支撑，第三是必须有数据作为序列或者教化算法的基础”，这三方面都在走向成熟。
2016年，百度董事长兼CEO李彦宏曾在2016贵阳大数据博览会上表达过类似观点，“越来越多的数据每天产生，我们可以利用这些数据做一些过去只有人能够做的事情，同时，计算能力越来越强大，计算的成本越来越低廉”。
出门问问创始人兼CEO李志飞则以“虚拟个人助理”为例，称“四年前跟现在相比，我们都不知道能用在哪里，手机也没有习惯”，而今天，“家庭、车等场景我们都能看得清楚，产业、用户的需求变得比以前更加成熟了。”
在这种情况下，毫无疑问，4月10日德扑人机大战最终以人工智能“冷扑大师”完胜，成了真正引爆AI商业化的导火索。
这是因为，围棋是一种“完全信息博弈”，比赛双方所有信息都呈现在棋盘上;而扑克和电脑游戏这些由多人对战的游戏是“不完全信息博弈”，计算机无法获知所有信息。
人工智能冷扑大师的胜利，意味着在尔虞我诈、概率不确定、非完美信息需要推理和情商的游戏里，机器一样可以获胜，它最大的价值就在于赋予了人工智能商业化的可能性。
德州扑克冷扑大师和中国龙之队对决结束的时候，李开复发了一条朋友圈，“据闻AlphaGo近期即将来华和柯洁对战，其实已经不再具有科学意义了。以后我们应该更关注商业领域的人工智能，在金融、医疗、教育等领域产生商业价值。”
生活在“弱人工智能”时代的我们，还远没到担心人类会“永生”还是“灭绝”这样庞大而沉重的课题，但毫无疑问的是，人工智能的商业化时代，真的来了。
开始总是美好的
“中国任何浪潮来了都会来得太猛，大家都跳进去瞬间就有可能蓝海变成红海”，李开复如是说。
不出所料，浪潮之下，巨头们闻风而来。
4月28日，百度公布了2017年第一季度未经审计的财务报告，李彦宏在财报中明确提到，百度的战略已经从“移动先行”变成“AI先行”。
同一天，刚刚上任100天的百度集团总裁兼COO陆奇，在百度与小鱼在家联合的搭载了百度DuerOS操作系统的视频通话机器人“分身鱼”会上重申，“对百度公司来讲，不光是一个搜索引擎的公司，基于AI，从现在到将来会逐渐成为一个平台，这是一个战略上和文化上的改变。”
这让人联想到早先陆奇的到来和百度前首席科学家吴恩达的离开。在曾与吴恩达有过接触的首席科学家林晖看来，这某种程度上反映了百度对于人工智能需求的变化，从“学术派”走到了“实干派”。
随后，5月3日，据美国科技网站报道，腾讯宣布任命语音识别技术顶级专家俞栋博士为AI Lab副主任。这个2016年4月成立的人工智能实验室，现有50多位世界知名院校的AI科学家（90%为博士）与200多位应用工程师，此举或意味着腾讯在AI领域的正面回击。
相对低调的阿里巴巴事实上也在伺机而动，去年以来，阿里逐渐抛弃了AI产品头上的“云”背书，直接用“人工智能”给产品定位。
今年3月9日的阿里巴巴技术峰会上，马云推出了“NASA”计划，称面向未来20年组建强大的独立研发部门，同时点名了五大技术，机器学习、芯片、IoT、操作系统和生物识别都与人工智能相关。
随着互联网三巨头BAT的布局加速，一场真正的商业化战争，已经蓄势待发了。
根据猎云网研究院4月13日的《2017人工智能投融资白皮书》显示，2016年1月～2017年2月，共发生365起人工智能领域融资事件。
其中，来自投资界的数据显示，仅2017年第一季度，就有超60家人工智能公司获得了融资，金额超亿元的融资事件至少有5起。
这幅“人工智能”的“烽火狼烟图”，不禁让人联想起一年以前VR概念风头正盛的时候。
去年一季度，共有29家VR/AR公司总共获得融资超过10亿美元。
然而，仅仅一年后，市场研究公司Crunchbase的报告显示，今年一季度全球VR/AR的风险投资额只有2亿美元，不仅暴跌八成，而且被26家公司分食，创出了过去一年中投资的最低纪录。
AI会不会重蹈VR覆辙，还不好说，但资本一定有也有低谷。更何况，即便是在当下，也并不是所有投资者都对人工智能持乐观态度。
建投华科投资股份有限公司董事总经理戴D认为，“比尔?盖茨说有关人工智能领域的重大进步的所有预言，都已经被证明过于乐观。这一点对于22年后的今天这些投资人来说，仍然有一定的警示意义。”
在他看来，“人工智能处于初期发展阶段，对于投资、尤其是对于我们产业并购的整合者来说，可能为时尚早。”
小心陷阱
τ谌斯ぶ悄埽科学家在渲染危机感，投资者在夸大它的神奇，然而创业者需要警惕：人工智能的创业路径跟过往的经验完全不同。
其中，最大的不同就是创业门槛的高低，起步资金就是最重要的一项。
“移动互联网时代让创业成本达到历史新低，一个产品经理带着一个工程师就可以零元创业”，李开复调侃到，“但AI的创业成本却达到历史新高，挖人、买数据、买机器，每一项都要投重资”，以创新工场投资的一家创业公司为例，“第一个月就花了500万买机器”。
并且，人工智能创业大部分是“B端”的，然而大多数投资公司已经习惯了投资“C端”创业者，这就决定了融资的难度。
李开复这样对《财经国家周刊》记者描述过去很长一段时间“C端”创业公司的投资模式，“给你一笔钱搞100万个用户，再给你一笔钱搞1000万个用户，再给你一笔钱开始变现，再给你一笔钱你就盈利了，再给你一笔钱你就上市了，这一定程度上成为了投资的四步曲或五步曲”，这与大多数“B端”创业者要去苦苦哀求企业级用户的门是完全不同的。
然而，矛盾之处在于，创业者要想避免被BAT碾压，最好的方式就是去寻找一个巨头不能碾压的领域，避开社交、游戏、电子支付，而“卖企业级软件给银行”、“卖解决方案给医院”等等“B端”领域，虽然BAT可能不会去做，但创业公司也很难成功。
并且，在人工智能领域创业，一个很大的问题就是“想象力不够”，导致从一开始同质化竞争就很严重。
“大家都做一样的应用，人脸识别现在大概有15个公司”，李开复反问道，“人脸识别当然有商业价值，但是需要15家公司来做吗？”
当然，作为最早一批回国创业的科学家，曾在谷歌担任高级工程师的李志飞对《财经国家周刊》记者阐述了不同的看法。
“早期有一些趋同，这个不值得奇怪”，因为，“这就跟摘果子一样，最大的摘完了之后大家才会动脑筋去想，是不是可以再自己培养果子或者到另一个地方去摘，关键是后面这个产业是不是真能够进一步地升华。”
那么，创业过程中最需要注意的问题是什么？
最显而易见的一点，是要找到强需求而不是伪需求，然后判断这个强需求能不能被技术解决，同时，让场景和产业深度结合起来。
其次，脱离工程师的思维，把焦点放在用户身上。
李志飞说，“工程师的思维就是特别喜欢做一个自己觉得很牛的、技术很复杂的东西，但这个可能跟用户的需求完全不一样。”
以语音识别软件出门问问为例，李志飞说，“过去我们喜欢演示特别复杂的句子，比如一句话把‘帮我查一下附近的餐厅、人均50块钱、带wifi、带停车场的’讲完，但用户真实的习惯可能是把它分成几个短句，通过渐进式的交互去完成查询。”
此外，不要急于打造平台级技术和场景，什么都想做。
过去的创业经验告诉创业者，通过一味的“铺场景”也可以拉高估值，但是危险在于，一旦业务方向不像设想的那么顺利，就会无形中拉高B轮融资的难度，造成现金流枯竭，这对于现金需求量极大的人工智能创业尤为危险。
在这一点上，李志飞很坦诚，“我们也跟热点，这是肯定的，因为你不跟热点的话，拿不到钱”，“但是热点一定是辅助的，公司业务的核心一定要以AI技术推动，然后才会有各种各样的使用场景，如果你随着资本波动而波动的话，一定会死得很惨。”
李志飞称，“对于技术型公司，你的扩张速度要永远保证你的账上还有18个月的经费”，因为“钱是很贵的”。
除此之外，团队的协调、合伙人之间的契合度也在技术导向型公司被无限放大。这是因为，跟过去移动互联网时代的产品经理和工程师不一样，AI的工程师和产品经理的价值观和思维方式并不相同。
对人工智能时代的看法范文2
任正非又说：“从科技的角度来看，未来二、三十年人类社会将演变成一个智能社会，其深度和广度我们还想象不到。”在2016年8月12日，由中国计算机学会(CCF)主办、雷锋网承办的“全球人工智能与机器人峰会(简称CCF-GAIR)上，亮相了一批巨头们进击人工智能与机器学习、探索“无人区”而尝试的技术、项目和科研成果。
华为诺亚方舟实验室、小米探索实验室、腾讯优图实验室、360人工智能研究院、百度自动驾驶事业部、微软亚洲研究院等，以及牛津大学计算机系、卡内基梅隆大学国家机器人工程中心、MIT机器人实验室、加拿大皇家学院等学术科研机构代表等阐述了对未来的理解。
人工智能大势不可挡
2016年并不是简单的人工智能60周年，也不是简单的AlphaGo人机大战激发全球新一轮人工智能的“幻想”。这一年，人工智能从漫长的学术研究周期迅速进入到产业化阶段。
就在2016 CCF-GAIR开幕的前两天，曝出了英特尔3.5亿美元收购人工智能AI创业公司Nervana Systems的消息。据称，Nervana Systems深度学习芯片的性价比高于GPU，处理速度是GPU的10倍等特点。业界惊呼，在AI战场上英特尔与NVIDIA两个芯片巨头直接开战。
就在8月初，NVIDIA刚了新一季财报，其中营收比去年同期增长24%、净收入比去年同期增长873%，而业务大幅增长的背后就是互联网企业等大规模地在数据中心里部署NVIDIA GPU用于完成AI相关计算任务。由于GPU的大规模并行计算能力，因而成为AI计算任务的首选。2016年7月，NVIDIA的首款深度学习服务器DGX -1开始上市销售。
面对NVIDIA对于英特尔在数据中心市场的威胁，英特尔也不会坐视不理。英特尔刚刚在今年6月的ISC国际超级计算机大会上，推出了代号为Knights Landing(KNL)的第二代至强融核处理器，这系列最高达72核的x86 CPU也是首款可作为独立处理器的Xeon Phi产品，这意味着可摆脱GPU而组成CPU-Only的高可扩展机器学习机群。
芯片设计巨头ARM通过7月中旬被软银的并购，将借助软银的资本以及生态实力抢在物联网产业大涨潮之前布局低功耗智能物联网芯片市场。ARM于今年2月推出了新处理器架构设计，主要针对5G以及大容量存储SoC嵌入式设备，为未来的AI普及打下基础。5月，AMR亦斥资3.5亿美元收购了计算机视觉技术提供商Apical。
除了底层的基础芯片技术外，在应用层面也可判断人工智能大趋势已经形成。7月28日，国内人工智能PaaS平台图灵机器人对外透露，图灵机器人PaaS平台在过去8个月新增了162亿次的服务请求，开发者在8个月内新增1.1倍、总数量超过23万。7月推出的智能机器人操作系统Turing OS1.5将新增11个视觉能力，包括人脸识别、人脸检测、人脸跟踪等多项视觉技术。
除了图灵机器人PaaS平台外，IBM公司借助Bluemix PaaS平台在华的落地，也把认知计算Watson的服务相继带到了国内，微软也相继在今年推出了体系化的人工智能认知计算服务，更不用说谷歌今年IO大会上推出的智能搜索引擎以及智能硬件Google Home，阿里云提出大数据AI是未来的战略发展方向等。
可以说，人工智能产业化的第一次大涨潮已经到来！
华为能否创造诺亚方舟？
华为诺亚方舟实验室负责人李航
华为早在2012年就在香港成立了诺亚方舟实验室，第一任实验室主任由香港科技大学教授、人工智能和数据挖掘专家杨强担纲。该实验室的研究方向包括：自然语言处理和信息检索、大规模数据挖掘和机器学习、社交媒体和移动智能、人机交互系统、机器学习理论等。
华为诺亚方舟实验室是华为2012实验室研究组织的组成部分。据称华为2012实验室的名字来自于任正非观看《2012》电影后认为未来信息爆炸会像数字洪水一样，华为要构造自己的“诺亚方舟”。2012实验室的主要研究的方向包括新一代通信、云计算、音频视频分析、数据挖掘、机器学习等，主要面向的未来5-10年的技术研究。
华为诺亚方舟实验室第一任主任杨强教授在2016 CCF-GAIR峰会上介绍了自己的主要研究方向：迁移学习。简单理解，迁移学习就把已经训练好的人工智能模型迁移到新的应用场景或数据集中。当前以人工神经元网络为主的深度学习算法已经相当成熟，但每个人工神经元网络模型都与初始数据集高度相关，一旦换到新的应用场景或数据集就必须从头再训练模型。迁移学习就致力于以较小的代价让已经训练出的人工智能模型具有普适性和通用性。
换句话说，把一个已有模型迁移到一个未知领域，这就叫做迁移学习。在人类社会里，把已有知识用于新的相关领域就是知识的转移，比如从学骑自动车到学骑两轮摩托车等。从这个角度看，迁移学习是通用型AI的前提和基础。迁移学习还可以把从大数据集中训练出的模型，迁移到小范围的数据集上，从而创造了更好的个性化。
华为诺亚方舟实验室第二任主任、北京大学和南京大学兼职教授李航在2016 CCF-GAIR峰会上表示，诺亚方舟实验室还围绕华为的智能手机、服务器、数据中心产品与设备等展开大数据与人工智能的研究工作，为华为三大BG事业群聚焦前沿产品开发，例如智能通讯网络、企业BG大数据应用、消费者BG的智能语音助手等。
除了诺亚方舟实验室外，“2012实验室”旗下有多家以世界知名科学家命名的实验室，包括香农实验室、高斯实验室、谢尔德实验室、高斯实验室、欧拉实验室、图灵实验室等，以及在欧洲、印度、美国、俄罗斯、加拿大、日本设立的8个海外研究所。据报道，华为今年还将在深圳设立10个基础研究所。
通过这些基础研究机构和研发组织，华为正试图探索无人区、为创造未来的华为打下基础。尽管华为对研发的投入保持在年收入的15%-20%左右，但像诺亚方舟实验室这样的基础研究性机构也仅成立了4年的时间，相比于微软研究院25年的历史、IBM研究机构80年的历史来说，华为的基础性研究才刚刚起步。
现在，华为的挑战是如何管理大规模的基础性研究组织。
小米对人工智能的探索
小米科技联合创始人、小米探索实验室负责人黄江吉
相对于华为四年前开始投入前沿科技研究来说，小米的起步从2016年初开始。2016年1月15日，小米科技创始人兼CEO雷军在内部年会上表示，小米2016年要组建特种部队，突破核心元器件的关键技术，并宣布成立小米探索实验室研究VR/机器人等前沿科技。2016年2月，小米探索实验室成立。
小米科技联合创始人、小米探索实验室负责人黄江吉在2016 CCF-GAIR峰会上表示，小米对于人工智能的观点是：产品+大数据+机器学习。也就是说，小米的人工智能观点是紧密结合智能手机、智能硬件等产品的。黄江吉以智能硬件内嵌的Wi-Fi模组为例，小米通过自己的研发把Wi-Fi模组价格从60多元降到了10元，这就打下了硬件产品“智能”的基础。
现在，每天有200TB+的数据流入小米云，这背后就是无处不在的Wi-Fi硬件在源源不断产生高质量的数据。只有掌握高质量的大数据，才有可能通过机器学习创造真正的人工智能。在这个过程中，每天的活跃用户数据也很重要。黄江吉表示，小米MIUI系统每天日活超过1000万的APP有8个、超过100万的APP有17个。
小米手机、小米手环、小米电视与盒子、小米网络设备、小米智能家庭设备等，再加上小米电商、小米互娱、小米市场和生态链等，构成了小米全生态、多样性的大数据资源。小米大数据处理呈金字塔结构，最下面是数据采集，往上依次是数据清洗、数字挖掘和数据智能。
围绕小米大数据可以生成高质量的用户画像，有的用户指标甚至无需用户输入就能精准推断出来；还可以生成一站式、标准化与规范化的内容数据，结合用户画像形成包括视频、音乐、商品、游戏、APP、小说、新闻等在内的内容池，为搜索、推荐、导流和人工运营服务。
黄江吉介绍小米的数据处理包括底层架构层的Hadoop基础平台以及数据工厂，向上基础能力层的机器学习(深度学习)、视觉识别、NLP自然语言处理和语音识别等，再向上的大数据层则包括业务数据、用户画像和内容池，高级能力则有商业智能、搜索、推荐、智能问答和图像等，最终对接各类小米智能硬件产品。
具体到小米的深度学习平台，在硬件层是公有云和本地数据中心的GPU机器，GPU集群管理采用的是Kubernetes+Docker、深度学习任务管理采用的是TensorFlow，存储服务则采用HBase/HDFS系统、计算服务采用的是Spark/Storm/MR系统，对接到智能助手、云相册、广告、金融和搜索推荐等小米业务。
黄江吉表示，优秀的产品能黏住用户、用户能生成高质量的大数据、大数据通过机器学习产生人工智能、人工智能再反馈给产品设计，这就是小米的人工智能观点。比如小米面孔相册的总用户数已达1.5亿人、照片存储量达500亿，这么大规模的大数据帮助小米更好的优化面孔相册产品。黄江吉强调，过去的观念是“好用的产品不一定好玩，好玩的产品不一定好用”，而随着人工智能和机器学习的发展，有可能把产品做的既好玩又好用。
在被问及对人工智能产品的看法时，黄江吉举例说现在人们每天都要无数次打开手机看信息或完成某个功能，这本身就说明智能手机产品还不够智能，真正的智能手机产品是要大幅减少人们打开手机的次数与看手机的时间，因为很多工作都会被智能手机“智能化”地完成了。
尽管当前小米神话进入了平台期，但可以说智能手机时代其实才刚刚开始。
百花齐放的AI生态
百度高级副总裁、自动驾驶事业部总经理王劲
任正非说，“越是前途不确定，越需要创造，这也给千百万家企业公司提供了千载难逢的机会。”
搜狗于今年4月22日向清华大学捐赠1.8亿元人民币，联合成立“清华大学天工智能计算研究院”，深入开发包含人工智能在内的前沿技术。搜狗CTO杨洪涛在2016 CCF-GAIR峰会上表示，搜索引擎是人工智能最大的应用场景。搜狗从2012年开始研发智能语音技术，2013年开始进行深度学习，数据显示搜狗手机输入法日均语音输入超过1.4亿次。搜狗语音输入法和语音搜索最大的场景之一，就是极大增强了微信等移动端的用户体验。
今日头条科学家、头条实验室总监李磊曾是原百度美国深度学习实验室科学家。在2016 CCF-GAIR峰会上，李磊说今日头条对人工智能的投入非常坚决，自2012年创立至今只有4年就专门成立了实验室。今日头条团队很早就有意识在最前沿的技术上做投入，不论是为了当下业务需求还是为了将来的技术储备。对今日头条来说，一边连接内容创作者，另一边连接内容消费者，正需要机器学习技术，今日头条可以说是一家人工智能公司。
腾讯于2012年成立了优图项目，腾讯优图是腾讯旗下机器学习研发团队之一，专注于图像处理、模式识别、深度学习等，目前已经拥有数十项先进的技术以及数千亿规模的图像计算能力。自创立腾讯优图实验室以来，黄飞跃现为该实验室总监及专家研究员。黄飞跃在2016 CCF-GAIR峰会上表示，期望通过人工智能技术真正改变互联网用户的生活品质，同时也把最新的研发成果通过开发平台和腾讯云对外输出。
猎豹是另一家新进入人工智能领域的公司，在7月份猎豹宣布的二次转型就是希望通过研究深度学习和个性化分发，从安全公司、软件公司发展为一家人工智能公司。尽管猎豹在国际化方面取得了不错的成绩，但随之进入了增长瓶颈以及股价下跌，猎豹今年以5700万美元收购News Republic，希望借助今日头条模式的全球化等打开公司的新业务空间。猎豹CEO傅盛在2016 CCF-GAIR峰会上表示，AI是后互联网时代的新一波红利。
360人工智能研究院成立于2015年9月，该研究院立足于深度学习研发，抓住大数据和云计算的时代机遇，向360相关部门提供业务支持，完成人工智能相关的原始技术积累和前沿探索。在今年3月，AlphaGo人机大战结束后，360董事长兼CEO周鸿祎随即发出员工信，认为人工智能产品在大众消费领域的普及只是一个时间问题。360人工智能研究院院长颜水成在2016 CCF-GAIR峰会上说，人工智能让学术界和工业界有了共同语言。
百度已经在人工智能方面进行了巨资投入，百度无人机项目自从去年在乌镇亮相以来就一直受到业界的关注，百度还计划在五年内实现无人驾驶汽车量产。百度高级副总裁、自动驾驶事业部总经理王劲在2016 CCF-GAIR峰会上介绍，百度去年12月购买的激光雷达为70万人民币/台，百度车载大脑也是一台接近20万的服务器。为此，百度与激光雷达公司Velodyne LiDAR达成投资意向，在本月Velodyne LiDAR也公开承诺，如果明年拿到一百万订单，64线激光雷达就可以降到五百美金的单价，这将扫平自动驾驶汽车量产的障碍。
另一家互联网公司乐视尽管挖来了原百度深度学习研究院高级科学家、百度无人驾驶汽车团队负责人倪凯负责乐视超级车项目，但倪凯在2016 CCF-GAIR峰会上表示其负责的范围并不仅限于智能汽车。乐视与合作伙伴Faraday and Future成立了一个FF Le Future的实验室，主要是研究人工智能技术，广泛为包括电视、手机、体育、汽车等在内的乐视生态服务。除了美国硅谷的研发中心，乐视也将在北京成立研发中心。
除了IT企业和互联网公司外，民营企业也开始涉及人工智能产业，并视人工智能和机器人为下一个千亿级规模的产业机遇。浙江大华技术股份有限公司是监控产品供应商和解决方案服务商，2014年IHS机构权威报告全球安防视频监控市场占有率位列第二。大华股份从2008年到2015年实现了产值100亿的目标，下一个目标是产值1000亿，为此成立了乐橙云作为视联网品牌，以视频智能硬件、视频云、视频智能技术“三位一体”云开放平台，拉动千亿市场规模。目前，乐橙云选择智能安防和智能母婴两个垂直领域作为首批拓展行业。
窥见未来
牛津大学计算机系主任Michael Wooldridge
在2016 CCF-GAIR峰会上，牛津大学计算机系主任、宾夕法尼亚大学工程学院院长、MIT机器人实验室主任等国际学术巨擘向中国产业界传递了最新的研究动向。
牛津大学计算机系主任Michael Wooldridge身兼Oxford-DeepMind Partnership负责人，他认为目前人工智能进展已经解决了棋类问题、SAT等复杂问题以及自动驾驶等，即将解决实时口语理解、骑自行车、可靠的语言翻译等问题，而理解复杂的故事及回答相关问题、创作笑话和有趣的故事、解释一幅图像的意义等则远未达到接近解决的阶段，强AI和通用AI则是完全开放状态。
Michael Wooldridge认为当前谈人工智能奇点还为时尚早，甚至人工智能奇点有可能永远都不会到来！尽管AlphaGo取得了大幅度的学术进展，但AlphaGo仍存在诸多问题。比如AlphaGo程序本身并“不知道”它在玩棋类游戏，它也不能解释自己的策略，也无法从AlphaGo代码中获取这些策略，基本上AlphaGo就是一个黑盒子。因此，AlphaGo无法实现通用型AI。
Michael Wooldridge介绍说他的研究领域为“Multi-Agent System”(多个机器系统)，这个领域其实也体现了他对AI的观点之一，即在窄任务领域对现有AI服务和算法的整合。当前，产业界逐渐把AI嵌入到几乎所有产品和服务中，但这些AI服务都相对独立和碎片化，那么如何通过单个或多个机器系统来整合这些AI服务就成为人工智能的下一个发展目标。比如个人通过手机的机器，与其它人的机器之间相互协商、相互协调，共同决策一个会议的日程安排以及各嘉宾的时间安排。
Vijay Kumar是美国国家工程院院士、宾夕法尼亚大学工程学院院长，他被认为是空中机器人(无人机)领域开山立派的宗师人物，其学生遍布全球各大无人机厂商。Vijay Kumar表示对空中机器人或无人机的研究，能够为学习和了解机器人的行为特点和算法积累数据。在Vijay Kumar的最新研究中，提出了空中机器人的“蜂群”效应。
所谓“蜂群”效应，就是指一群低智能的机器人聚集在一起，共同完成某项工程或任务。由于功耗等限制，无人机等小型和微型机器人无法配置高级计算资源，因而只能具有较低的机器智能水平。对比自然界的蚁群、鸟群、鱼群等，虽然都是低智能生物，但却能群聚在一起共同完成令人惊叹的复杂工程。对空中机器人“蜂群”效应的研究，还对地面机器人甚至海洋机器人的研究有重要意义。
美国麻省理工学院(MIT)一直是机器人科技研究的先驱，MIT机器人实验室主任、美国国家工程院院士Daniela Rus认为未来世界里，每个人都有可能拥有机器人，机器人就像是在路上跑的汽车一样常见，称之为“泛在机器人”世界。这些“泛在机器人”的形式甚至包括类似大白或自然界中蛇一样的软体机器人，以及水里的机器鱼。而如果误食了鱼刺等异物的时候，还可以吞下微型折叠机器人，从肠道中通过折叠形态把异物包裹起来带出体外。
美国南佛罗里达大学计算机科学与工程学院教授、机器人与深度学习专家孙宇所研究的机械手被认为是非常“黑科技”，是为数不多能与人手相媲美的重大成果。孙宇介绍说，人体206个骨骼，其中1/4的骨骼都在双手里，人体的双手是非常复杂的机械结构，是人体最复杂的器官之一。孙宇表示，机器人智能和计算机智能有所区别，在于机器人要与自然环境实实在在的接触，这是计算机智能没有涉及到的问题，因此机械手的研究有重大意义。
香港科技大学教授杨强的迁移学习无疑是机器学习下一个阶段的重要发展方向，如何能把深度神经元网络和机器学习中训练出的模型提炼出来，并以较小的代价应用到新的领域，这是走向通用AI的重要路径。此外，杨强认为，当前国内的机器学习和人工智能算法研究没有国际上那么均衡，实际上人工智能算法远不止深度神经元网络，而是多元化发展。
当前的大数据可以分为20%的即时性数据和80%的高时延数据。对20%即时性和高重复的数据来说(互联网数据为主)，用深度学习算法能解决大部分问题。而对于80%高时延数据来说(例如工业数据)则需要用到强化学习、增强学习、迁移学习等多种人工智能算法，才能解决其数据处理和产生数据智能的问题。
南京大学计算机科学与技术系副主任、机器学习与数据挖掘研究所(LAMDA)所长周志华表示，接下来机器学习技术的一个大趋势是要增加机器学习的鲁棒性。目前很多研究中的机器智能可达到人类水准，但是如果遇到一些罕见的情况，就会错得非常离谱。因此，机器智能在遇到罕见情况的时候，“不能比一般人的处理水平更低”，这是机器学习技术大规模普及的基本前提。
当然，整个人工智能和机器人产业的发展，离不开创业群体。国家教育部长江学者特聘教授王田苗教授表示，未来五年之内，机器人在工业、服务业、智能汽车和无人机等高端产业三大块将可能迎来第一波热潮。由于人工智能技术和认知技术的成熟，未来机器人在银行、家庭、医院、宾馆等服务业的地位将逐渐提高。
紫牛基金合伙人张泉灵特别强调，人工智能创业的商业模式这件事，不是在实验室里就能想出来的。金山软件兼金山云CEO张宏江的观点是，中国人工智能公司的创新能力提升的非常快，与美国等人工智能公司之间的差距正在缩小。一个公司进步的关键不是“看别人”，而应当回归到自身，搞清楚用户到底需要什么，脚踏实地朝这个方向努力。
对人工智能时代的看法范文3
【关键词】金融风险；预警；定量方法
近年来，美国次贷危机、欧债危机等金融危机的频繁爆发令金融风险预警领域成为了金融界备受关注的研究热点。从国内外的研究来看，金融风险预警的核心在于寻找一种有效的方法进行风险的识别和预测。目前，主流的金融风险预警方法是统计计量类方法，该类方法以较严谨的统计理论作为基础，因此得到了国际金融理论和实业界的广泛支持和认可。然而统计理论先天存在前提假设过严、忽略风险因素模糊性、难以解决非线性病结构的复杂问题、缺乏处理海量数据的能力等缺陷，致使该类方法在处理经济管理类的复杂问题时往往表现得力不从心，其在金融风险管理中应用的有效性及适用性亦受到了越来越多研究人员的质疑。近十多年来，随着人工智能技术的发展，具有模糊性、鲁棒性、自组织性、简单通用及并行处理等特征的智能计算技术越来越受到了金融领域研究人员的关注，越来越多的研究引入了智能计算技术并取得了大量成果。本文在综合研究了国内外相关文献的基础上，从方法的理论基础角度对预警方法进行了归纳分类，并对不同方法的性状进行了深入的比较、分析及评述，在此基础上提出了对金融风险预警方法发展方向的个人看法，以期为我国金融风险预警管理方法发展提供一种新的思路和视角。
一、统计计量类方法
该类方法的主要思想是根据预警指标体系收集相关的样本数据，对样本数据进行深入的统计分析，找出对金融风险有显著解释作用的指标。在此基础上基于一定的数量统计方法建立分析模型。该类方法是金融风险管理研究中广泛使用的方法，主要包括以下几种方法：（1）单变量分析方法。单变量分析方法是最早应用到金融风险预警领域中的定量分析方法。Fitz
patrick早在1932年就运用单个财务比率对19个样本企业进行破产预测，他的研究发现“净资产收益率”和“股东权益对负债比率”两个比率的预测能力最高；1938年，Secrist在研究中试图通过分析资产负债表比率的差异来寻找破产银行的特征，以期挖掘出破产银行和正常银行不同的财务状况；1966年，Beaver基于单变量分析法建立了企业破产预警模型，并以5个不同财务比率分别对158家的样本数据进行了一元判别预测，其结论认为“现金债务总额比率”预测的效果最好，“资产收益率”的效果次之。（2）多元线性判别分析（MDA）方法。单变量分析方法单从一个指标出发进行风险预警，往往不能充分反映出风险的全面状况，MDA方法则是以多个指标对风险进行预测的分析方法。针对单变量分析的缺陷，1968年，Altman等在前人研究基础上，利用判别分析技术建立了Z-Score模型，随后1975年Altman在改进Z-Score模型的基础上提出了ZETA模型。与此同时，1975年Sinkey在银行风险的早期预警模型中引入了多重判别方法。与单变量分析模型相比，MDA模型综合了多方面的风险信息，因此其建立的判别函数往往准确率更高。（3）Logit分析方法。MDA方法对所处理的样本有着严格的假设前提（如多元正态分布、等协方差矩阵等等）。针对这些缺陷，Martin在1977年采用了Logit分析对银行破产预警进行了研究；1980年Ohlson构建了企业破产预警的Logit分析模型，他的研究成果认为Logit模型对样本数据要求不高，其预测准确率也比MDA高。Logit分析假设事件发生概率服从标准
Logistic的累积概率分布函数，将事件发生的可能性估计为一个可观测特征函数，因此能部分克服MDA模型的缺陷。有鉴于此，20世纪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引入到企业破产预测方面的研究。1983年，Bovenzi等采用Probit分析，以1977年至1981年间的222家银行作为样本构建了银行破产预警Probit模型，取得了良好的预测准确率。与Logit模型类似，Probit模型假设样本服从标准正态分布，其计算方法和Logit亦很类似，但Probit模型的计算过程比较复杂，而且在计算过程中进行的多次近似处理往往会影响数据的准确程度。
二、智能计算类方法
统计计量类方法的应用有着比较严格的假设前提，且难以区分出随机噪声和非线性关系，而风险预测与风险指标往往呈非线性关系，且风险指标之间亦可能非相互独立及不符合正态分布等等，因而极大地影响了统计计量类方法的应用效果。近十多年来，随着人工智能技术特别是智能计算的发展，以神经网络技术为代表的智能计算在风险预警领域中的应用得到了越来越广泛的关注。
（1）神经网络方法。神经网络是一种模仿人脑结构及功能的非线性分布式信息处理系统，具有自适应、自组织、自学习等能力，适宜大规模的并行计算。因此，20世纪90年代以后，神经网络被广泛应用到金融风险预警、财务困境和破产预测等金融风险管理领域。1990年，Odom首次将神经网络引入企业破产预测，随后Tam和Kiang（1992），Barniv et al（1997），Bell（1997），Jain&Nag（1997）及Yang et al（1999）等研究人员在研究金融风险预测预警时也纷纷采用神经网络技术，极大的促进了神经网络技术在金融风险管理领域中的应用。大部分的研究成果认为神经网络的预测准确率要优于MDA、Logit等传统统计计量类方法，且神经网络不存在严格的假设前提，容错能力强，但也存在着设计缺乏有效的理论指导、容易早熟及“黑箱操作”等缺陷，其预测结果往往难以解释，不易为金融从业人员接受。（2）进化计算方法。进化计算将自然界中的进化过程引入工程领域以解决复杂问题的优化，其原理通过模仿生物进化规律，在问题空间内随机搜索问题的解。目前以遗传算法、粒子群算法等算法为代表的进化计算在金融风险预警、企业破产预测等方面得到了广泛的应用。其中具有代表性的研究学者有：1998年Varetto Franco采用遗传算法提取了判别规则和线性函数，研究结果表明与MDA相比，遗传算法省时、受主观影响小，但准确性相对低。其他有代表性的研究学者还包括：Shin&Lee（2002）、Davalos Sergio et al.（2005）等等。进化计算方法应用到金融风险预警的机理是基于样本数据进行if-then判别规则提取，结构清晰且易于理解。然而进化计算的结构不固定、通用性较差，其设计往往根据经验而缺乏规范有效的理论指导。近年来，在很多研究中进化计算往往成为了一种与其他技术混合集成的辅助技术。（3）粗糙集方法。粗糙集是一种新的处理模糊和不确定性知识的有力工具，已经在数据挖掘、知识发现及决策支持等领域得到了广泛应用。1982年，Pawlak首先将粗糙集方法应用到金融风险预警领域。随后Ziarko（1984）、Tay F.E.H.
&Shen L.（2002）等学者也在相关研究中引入了粗糙集方法。这此研究成果表明，粗糙集方法善于处理不完善的信息，能有效的揭示风险因素特征与金融风险之间的关系，且具有决策规则易于理解、定性定量变量相结合、无需统计概率和模糊隶属度评价等优点。但是，在实际应用中粗糙集方法对噪声较敏感，抗干扰能力比较差，因此在实际应用中粗糙集更多的是与其他方法（如神经网络、模糊逻辑等）集成。（4）混合智能方法。单一智能技术各具优势，同时又存在这样那样的缺陷，制约了单一技术在金融决策领域的发展。因此，根据各种智能技术的特点与共同之处，探索它们的有机集成是近年来比较活跃的研究分支，并取得了可观的研究成果。2006年，Min等学者将遗传算法与支持向量机相结合，构建了企业危机预警模型，研究结论表明该模型综合性能良好。Tsakonas等学者（2006）采用了混合遗传规则与神经网络的方法进行破产预警研究。De Amorim等学者（2007）综合模糊系统与神经网络构建了混合模型，通过巴西金融机构数据的实证表明混合模型的预测精度要比多层BP网络好。Ng.G.S.（2008）等学者构建了混合局部优化算法与模糊神经网络的银行破产预警模型，对美国银行业数据的仿真结果表明该模型预测效果良好。Cho，Sung bin等（2009）混合了统计方法与人工智能方法进行破产预测。Ahn，Hyunchul等（2009）通过结合神经网络与遗传规划构建混合智能系统，为破产预测提供了一种更科学的方法。Arash Bahrammirzaee（2010）对人工神经网络、专家系统及混合智能系统等人工智能技术在金融风险管理中应用的相关研究成果进行了全面的分析概括，得到了混合智能系统能全面提升预测准确性的结论，但也存在技术整合策略、参数设计等问题。Chuang等（2011）将人工神经网络与案例推理相结合，提出了信用评分的二阶段模型，实证表明该模型的评估精度比单一人工神经网络要高。
除了上述的方法外，案例推理（case-based reasoning，
CBR）、支持向量机（support vector machine，SVM）等智能方法也被部分学者尝试应用于金融风险预测预警领域。
三、方法优劣对比分析
从历年的研究文献看，20世纪90年代前，统计计量类方法被大部分研究所采用，随后，人工智能技术的发展使得智能计算也受到了越来越多的关注。这些方法各具优劣，具体对比分析如表1所示。
四、预警方法评述
从金融风险预警方法的理论基础角度，本文把现存的预警方法分为两类：（1）统计计量类方法；（2）智能计算类方法。表1的对比分析表明：（1）统计计量类方法具有简单、易用、省时及结论易于理解等特点，且方法的实践设计存在规范的科学理论指导，因此被金融业广泛接受和应用。然而，这类模型普遍存在着以下几方面缺陷：一是有着比较严格假设前提，如假设正态分布、等协方差，多重特征独立性等等，这些假设经常与现实不相符；二是在研究风险行为和过程中片面强调风险因素的随机性而忽略了风险因素的模糊性；三是缺乏处理非线性复杂结构问题的能力，经验告诉我们，金融风险预警是复杂的，更具有非线性结构的特性，上述模型对此往往缺乏有效的处理能力；四是对金融大数据缺乏处理能力，随着金融大数据时代的到来，先天不足的统计计量类方法在面对海量的数据处理要求时，往往束手无策。（2）以神经网络为代表的智能计算技术具有处理病结构、不精确、不完善信息的良好能力，预测精度也相对较高，且该类方法具有自组织、自学习、鲁棒性及并行等优势，特别善长于处理海量数据。但该类方法的应用缺乏有效的理论指导、结构难以固定、通用性差，且结果往往难以解释，因此在实
际运用中也存在着大量争议。
五、结论与展望
综合上述分析可以发现，无论是基于统计计量的方法还是基于智能计算的方法都不是金融风险预警管理的万全之法。随着计算机信息技术、经济计量技术、智能技术等各学科技术的迅猛发展，综合多个学科理论与方法的金融风险预警模型受到了越来越广泛关注。预警的方法亦越来越体现出从定性到定量、从简单到复杂、多学科交叉、从单一技术到多元化组合技术等特征。虽然到目前为止，人们对于大量的应用问题已经提出了各种各样的混合智能学习方法，但是如何设计出一个能够有效地结合神经网络、模糊逻辑、进化算法等智能计算方法的最优混合系统仍然是一个富有挑战性的研究课题； 现代人工智能技术的发展十分迅速，涌现出越来越多的新技术新方法新思想（如免疫算法、DNA计算、支持向量机、蚁群算法、聚类分析等等），各种技术的互补与综合也是未来的研究方向之一；统计计量类方法具有不可替代的优势，如何将统计计量类方法与智能计算类方法进行综合和集成，优势互补，也是未来的研究热点。
参 考 文 献
[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
对人工智能时代的看法范文4
随着科技的发展，网络社会和数字化出版正冲击着青年编辑的认知方式。网络时代人们的认知方式、生存方式以及生活方式，对青年编辑的认知、思想和情感等都有着潜移默化的影响。从认知心理学的层面来说，青年编辑的认知结构受到了信息网络的深化，并且青年编辑的认知方式也在发生着变化，本文就对此进行相关阐述。
关键词：信息网络；青年编辑；认知
一、认知结构的深化
在网络时代快速发展的大背景下，编辑出版的主客体正在发生变革，并且不断深化编辑工作人员的世界观和认知结构，现代化的编辑意识是每一个当代期刊编辑都要树立的，需要他们对待网络有着正确而又科学的看法。近年来，信息网络和数字化的发展对出版业有着重大的影响，国内外的很多学者也对此颇有关注，在世界瞩目的三十六届期刊大会上，熊晓鸽先生作为美国国际数据集团副总裁以及亚洲区总裁，在讲话中提到，所有的人都应该为数字化出版做好准备，这其中需要编辑、出版业的同仁以及期刊界共同努力和合作，去适应出版行业的发展趋势，并推动出版行业积极发展。如今在我国的编辑出版行业中，青年编辑大都是和计算机、互联网一起成长起来的年轻人。如今他们重要的一种生存方式就是“数字化生存”和“网络化生存”，信息网络的特性中包括信息的无限特性、可共享特性、传递特性以及可以扩充特性等。互联网的一些平等、互动、开放及全时等特性也对青年编辑的世界观、价值观及对网络的观点有着深深的影响。如今他们可以获取信息的快而有效的渠道有互联网，他们可以搜索自己想要的资料，查询需要的文献，然后互相交流学习，这也成为他们对事物的认识中一个重要的思维定势以及重要的认知结构。
二、认知范围的拓展和认知方式的多样化
电脑一般被说成是我们人类大脑的延伸，而对人的全身心进行延伸的则是互联网。互联网因为它所具有全球性、全时性以及包括海量信息的特点，并且信息可以以光的速度传播给人类，所以互联网对人的感官是一个极大的延伸。当今信息网络有着及其强大的功能，并且以一种全新的方式将青年编辑的感官以及认知形式进行放大，这样不仅拓展了青年编辑的视野，而且促进了青年编辑思维的多样化发展。我国著名的人工智能专家戴汝为院士也曾指出，从目前计算机对人类智能模拟的程度可以看出，计算机也可以有效地对人的高级思维过程进行模拟。
21世纪的信息网络技术正在高速发展，出版在未来的发展必将经过数字发展，随着3G手机的出版，编辑在传统上的内涵需要加以转变，编辑工作在未来的发展不仅仅是选题策划、文稿加工、营销宣传等工作，而是一种具有明显创造性的劳动。在信息W络时代，人们的阅读方式和写作方式都有所改变，使得编辑主体也发生转变。在传统的编辑模式中，出版流程一般是组稿、编稿、印刷及发行再到读者。有着四位一体的采、编、印和发，还有三位一体的时间、空间及信息。传统的编辑出版模式必将被新的模式所替代，新模式的主要特点有：第一，将读者和作者作为编辑出版的中心，二者有着相同的地位，而编者则是后台工作者；第二，编者为主的“编”将转变成“导”，知识间不再是线性的联接，而是网状的联接；第三，电子介质媒体将替代传统的纸介质媒体；第四，自主、个性的编辑模式将替代出版的集中型编辑模式，编者将会更加注重出版方式上的图文、声形并茂及对超文本结构的构思。
处于信息网络时代的青年编辑的阅读、编辑和感知不再只是通过单一的文字和数据，“感动”世界也不再只是通过简单的纸介质信息，而是将各类的图形、动画、文本及视频等材料通过直觉、联想及非线性等“超文本”、“超媒体”等方式链接起来，使人们不管何时何地，对世界的感知都是多层次、多形式、多角度的，这就给读者和编写之间搭建了一座重要的桥梁。
三、对思维的影响
在人类历史上，人们对信息的处理和交换的方式有文字、语言、电报和广播等，在以前，人们互相交流和传播信息大都使用竹简、纸张和书籍等媒介。在现代，随着科技的发展，无线电技术、电子计算机技术及卫星通信的发展也趋向于成熟，人们交流和传播信息的媒介和方式有手机、计算机和互联网等。期刊载体和现在的网络相同的地方在于，本质的特征表现在新变化的交流和传播及生存方式等。在信息技术不断发展和革命的环境下，网络与计算机已经构成了主体思维中合作和共生的部分。这种思维方式中是“人-机共生”，使得编辑检索、画图、装换、计算、交流和处理信息的能力都得到了有效的提高，对青年编辑的认知和学习方式以及生活习惯都有着重要的影响。
四、结语
目前，我国期刊出版的主力军是青年编辑，他们是的成长伴随着计算机的发展，对信息网络技术下青年编辑的认知方式进行探讨，这是对现代期刊数字化和网络化技术改革的响应，满足了数字出版的需求。我国的出版业是否能够健康和发展与青年编辑的网络认知方式有着密不可分的关系，青年编辑高质量的认知会使得我国的出版业更好地发展。[参考文献]
[1]卢佳华.学术期刊青年编辑的职业规划[J].湖北师范学院学报（自然科学版），2016（03）.
[2]唐永兰. 学术期刊青年编辑增强服务能力的实践与体会[J].湖北师范学院学报（自然科学版），2016（03）.
对人工智能时代的看法范文5
关键词：信息化时代；农村小学；教育教学研究
引言
随着时代的发展和进步，现阶段社会中的竞争越来越多样和激烈，掌握现代化信息教育技术以及把它应用于实践当中去是当今社会每一个人的重要任务，能在一定程度上提高竞争力。由于信息技术的功能多样和极其便捷的特点，决定了社会中的各个行业以及领域的发展都离不开信息技术，它的存在对于推动社会整体发展具有促进性作用。
一、把现代化信息教育技术运用于小学教育教学中的必要性
在教育领域中，每个教育工作者应当把如何正确运用现代化信息教育技术应用于教学活动中作为一项重要任务，并不断地努力和完善自身教学体系。所谓现代化信息教育技术并不是大多数人眼中的计算机技术，这种看法和理解是片面的。两者之间存在根本性的差别：计算机技术主要包括计算和操作，其主要目的是为了研究和应用计算机本身的技术，而现代信息技术则是指利用现代化的计算机以及网络技术对一些信息进行处理的相关技术和方法。教育方式方法总是会随着技术的革命而发生本质的变化，比如西汉时代的纸发明、印刷术的发明，以及后来录音机和录像机的发明，这些在当时的巨大发明给我国教育模式带来巨大的影响。当代计算机技术的迅猛发展，把人类带入一个全新的信息时代，也就是人们口中的信息爆炸时代。这样的时代对人的素质和知识提出了更严格的要求，这也就是学校培养人才的目的发生变化的重要原因。当今教育领域要求要把人从传统的知识积累型培养方式转化为培养创造型人才。对创造型人才来说，他们必须要掌握和学会利用现代化信息技术主动获取知识理论以及处理相关信息。在传统教学模式下，要培养这种创造型人才，显然是不太可能的，这时就提出了创新教育策略的想法。
二、注重硬软件建设和制度的制定与完善
所谓巧妇难为无米之炊。农村小学若希望在信息化时代的教育教学中搭乘信息网络技术的快车，实现教育教学的发展，就要在政府政策及财政经费的支持下，配备一定的信息化硬件设备及相关的软件或资源，才有可能利用信息网络技术服务于日常的教学。因为就目前学校自身的经费及能力情况来看，无论是设备购置、软件或服务的购买，还是人力上的资源开发及培训建设，成本都太高，仅凭学校是难以满足信息化教学所需的硬软件条件。为此，我们需要政府在信息化教育教学方面的规划、投资和建设，并制定和完善相关的管理制度。当然，在制度的制定方面，除了教育及相关部门的原则性和统一规定外，各学校或学区有必要结合本校或本区域的实际情况灵活地予以完善和修正，以更利于提升信息化资源的利用效率。
三、由发展不平衡转为普遍提高
总体上来说，当今小学教育管理信息化教学发展不平衡的问题，主要体现在城乡小学信息化教学不均衡发展、教师信息素养应用能力差距等方面。城乡小学信息化教学不均衡发展是历史积淀等多方面因素造成的。而信息传播技术最新科技又带来了新的数字鸿沟，这让传统的城乡剪刀差之间重新拉大了距离。传统社会的经济发展差距，是城乡差异的基础。经济发达与不发达地区，对于教育基础设施的投入，显然有着差距。信息传播技术、互联网、校园网的发展，都离不开信息技术硬件和软件的投入。我们在为互联网、大数据、人工智能等新技术欢呼的同时，必须看到技术创新曲线发展规律。新技术的创新扩散与采用，总是分为最早的创新者、其后的追随者、大众化阶段的普及使用者、还有落后者。不同的学校之间，不同的地区之间，这种鸿沟的存在也是必然现象。我们的目标，是要尽量缩小数字鸿沟及其带来的不利影响。此外，在信息技术方面发展落后的学校还是可以充分利用蛙跳优势，合理利用信息技术带来的新机遇而迎头赶上的。这里最主要的还是大家对待“教育+互联网”新机遇的一种意识或者态度。传统的积淀，差距的存在，短时间内也许无法立即改变。但是，如果一个有远见的小学校长带领一批小学教师，在一所乡村小学大力利用互联网机遇发展自己的特色MOOC，假以时日，这所小学一定会脱颖而出的。
四、注重信息培训，提升信息素养
在具备了一定的硬件购置和软件支持的基础上，为了提高信息网络设备及资源的利用效率，我们就需要对学校的管理层和教师进行针对性的培训。这是因为与传统的学校教育环境相比，信息化时代的学校应该逐步地过渡并实现从环境、资源到应用各个层面的数字化。其构建的是一个数字空间，很大程度上拓展了学校管理和教学的时空。其无论对学校的管理层还是教学的践行者教师而言，都是一种极大的挑战和考验。为了提高管理水平和教学效率，我们应该注重信息培训工作，逐步提升管理者和教师的信息素养。近些年的国培计划就特别注重信息网络技术方面的内容。除此之外，教育部门以及学校都可以借助网络等途径来完成培训任务，让农村小学教师能从教育理念、教学方式等方面都有所调整和改善，以尽快适应信息化时代教育教学的需要。
对人工智能时代的看法范文6
美国前总统伍德罗·威尔逊(Woodrow Wilson)说过：“友谊是令世界团结的唯一胶合剂。”一个世纪后的今天，这种胶合剂是否已经在快节奏、高科技、城市化的生活中失去了效力？
这一点可以从美国的综合社会调查(General Social Survey)中看出许多端倪。根据这项调查，在1985年至2004年之间，美国公民的好友(即有难时可以向他求助的朋友)人数从3个下降到了2个，而没有朋友可以吐露心事的人所占比例却从8%上升到了23%。在英国，独居的人数不断上升，社区的纽带也因为居民的频繁搬迁而削弱，这都造成了友谊濒临崩溃的“危机”。也有研究将社会孤立与互联网和手机联系在了一起。不过，新技术虽然的确可能改变了传统的友谊，但是也有证据表明，它们对友谊产生了积极的影响。
Facebook 2004年在哈佛创立的时候，目的是为了丰富大学生的校园生活，今天的用户也依然在为了这个目的而使用它。微软的高级研究员黛娜·波伊德(Danah Boyd)指出：“上网者的动机和以前并无不同——他们在网上交友，同样是为了有人能给自己情绪支持，能聊聊八卦，调调情，或者只是陪陪自己。”我们最亲密的朋友还是那么几个，无论是线上还是线下，最常和我们交流的人都是他们。“只是交友的方式变了，因为有了新的技术，也因为当代的年轻人有了自己的文化。”
最显著的变化发生在我们持续交往的人数上。美国加利福尼亚大学洛杉矶分校的研究者发现，普通大学生在社交网络上的联系人，从2006年的137个上升到了2009年的440个。皮尤研究中心在2013年发现，今天的典型美国青少年在Facebook上有大约300个朋友，在twitter上也有79名关注者——但这些人并不全是社交人脉，因为他们未必会反过来关注这些青少年。
这个数字已经大大超过了罗宾·邓巴(Robin Dunbar，演化心理学家)的计算——他认为我们的大脑受演化所限，能够应付的“真朋友”(meaningful friends)最多只有150个(参见《够聪明才会交朋友》)。这些多出来的人都是谁呢？他们都是所谓的“弱人脉”(weak ties)，包括中学和大学阶段的朋友，过去和现在的同事，从前的伴侣，旅行中的相识，关系一般的熟人，朋友的朋友，有时还包括陌生人。社交网络使我们能和这些外围的友人保持联系——偶尔发发消息、看看他们的照片或状态更新之类。换作以前，我们在分手后就不会再和他们联系了。
社交网络扩展了我们的社交圈，原本那些分开之后不会再保持联系的所谓“弱人脉”，现在也可以通过社交网络保持联络。
但是技术的功用还不止于此。最新的研究显示，Facebook甚至还能够改善那些远程友谊或脆弱友谊的质量。美国马里兰大学帕克分校的杰西卡·维塔克(Jessica Vitak)对400多名Facebook用户开展了一项研究，结果发现Facebook对于居住地间隔超过几小时车程的朋友特别有价值。友人之间住得越远，他们在Facebook上的交流就越是密切。维塔克指出，对这些朋友而言，Facebook或许就是一段记忆中的友谊和一段实实在在的友谊的区别所在。
与其他人在网上交流，比如在Facebook上回答问题或是祝别人生日快乐，在LinkedIn上称赞别人的技能，在Instagram上的照片下方留下“喜欢”或是评论，都是一种社会理毛行为，是我们祖先习惯的现代重演。美国密歇根大学安娜堡分校的妮可·艾利森(Nicole Ellison)指出：“这些都是在表示我对你的关注。就像灵长类动物互相捉虱子，我们也期望自己的示好能得到回应——也就期望在将来也能得到对方的关注。”
艾利森和维塔克发现，脸书上的社会理毛行为对弱人脉的维持十分有效，而我们也的确有许多理由来维持这些人脉。那些体现重要关系的深切情绪纽带仍然需要面对面地培养，哪怕这些纽带是在网上产生的。不过弱人脉也自有其好处，这些人脉往往五花八门，并且分散在不同的社会团体之中。他们可以提供新的看法观点，激励创新，带来工作机会，还能让你产生在社群之中的归属感。
要说明社交网络对我们日常生活的影响，一个鲜明的例子就是，我们会轻易地感染不怎么认识的人的情绪。这在现实生活中其实相当常见——有人对你微笑，你也朝他微笑。但是在互联网上，这个感染效应就会成倍地放大。美国加利福尼亚大学圣迭戈分校的詹姆斯·福勒(James Fowler)领导的一个团队，分析了Facebook上的10亿多条更新，结果发现用户会不自觉地在自己写下的评论中传播积极和消极的情绪，受众中甚至有居住在不同城市的朋友和熟人——也就是他们的弱人脉［参见《公共科学图书馆·综合》(PLOS One)，第9卷，e90315页］。“在网络世界里，大规模的情绪感染是不久之前才成为可能的。”福勒说，“我认为将来还会发生更多全球情绪同步的情况。现在，我们和世人的同感比任何时候都要强烈。”
高科技时代的社交网络，已经彻底改变了我们的友谊。图片来源：《新科学家》
人之所见，人之所为
人类的其他行为也会在网络上传播，包括喝酒、吃饭、还有节食的习惯，不过这些行为几乎完全是在强人脉——也就是好友和家人之间传播的。福勒在另一项研究中发现，投票也是如此。
2010年11月2日是美国国会选举的日子，那一天，福勒的团队在6100万美国Facebook用户的信息流里了一则消息，敦促他们前去投票，并允许他们将自己的投票意愿在朋友圈里广播。结果，有大约6万名本来无意投票的人改变了主意，还带动了他们在Facebook上的28万名友人。研究者对这28万名投票者进行分析，结果发现他们绝大多数都是那6万名收到消息的用户的好友［参见《自然》(Nature)，486卷，295页］。
福勒指出：“最要好的10个朋友促成了这场社会运动。这证明，如果想在人群中扩散某个行为，你就必须着眼于现实世界中的人际网络。这个发现非常激动人心，因为它开辟了利用网络世界改善现实世界的可能。”
友谊的形式显然已经在过去10年里发生了变化，但这变化究竟是好是坏，现在还在热烈的讨论之中。有研究显示，在网上与人交流的心理学价值和在现实中与人交流是一样的，都能减少焦虑和抑郁，并增加幸福感。在Facebook公司研究计算机科学和社会心理学的莫伊拉·伯克(Moira Burke)发现，用户越是利用Facebook主动和朋友交往，他们就越是不会感到寂寞。不过，究竟是使用Facebook降低了寂寞感，还是本来就善于社交的人更多地使用Facebook，其中的因果现在还不清楚。
但是在网上维系友谊也有不少风险。澳大利亚塔斯马尼亚大学的心理学家蕾切尔·格里夫(Rachel Grieve)指出：“由于电子通信的本质所限，人际交往中的种种细微之处可能在网上遗失。本来在喝咖啡时和朋友随口说的一句话，就算朋友误解也能及时澄清。可是一旦到了网上，那句话就会永远存在下去，许多人都会看到，并产生误会。”
此外还有一些更加微妙的风险。正如波伊德在她的著作《这很复杂》(It’s Complicated)中指出的，青少年如果和每一个旧熟人都保持往来，在进入大学之后就会难以建立新的、深入的人际关系。她说：“他们在第一个学期往往不太适应，于是都到过去认识的友邻那里去寻求安慰了。”
自恋还是需要？
对现代社交网络最严重的指摘，是说它助长了自恋和孤僻。美国加利福尼亚大学洛杉矶分校的发育心理学家帕特里夏·格林菲尔德(Patricia Greenfield)说：“情绪表达现在成了公共事件。”她还引用美国州立圣迭戈大学珍·特温奇(Jean Twenge)的研究指出，自上世纪90年代早期开始，美国大学生在自恋特质上的得分就节节攀升。另有研究显示，自恋的人往往也是Facebook和twitter的积极使用者，而这两个网站都特别适合自我标榜。
但是也有人对此比较怀疑。新的研究显示，虽然常有人指责今天的大学生是最自我中心的群体，但是他们的自恋和他们对Facebook的使用之间并没有联系［参见《计算机与人类行为》(Computers in Human Behavior)，第32卷，212页］。波伊德主张，学生们热衷使用社交媒体，并不是因为他们我行我素或者迷恋技术，而是因为他们需要友情。“我采访青少年的时候，他们一次次地告诉我，他们宁愿在现实中和彼此见面，一起跨上自行车，不受拘束地出去游玩。但由于社会散播了大量关于陌生人的恐怖信息，这些年轻人已经很难在网络之外的地方见面交往了。”
我们与他人建立联系的需求是迫切的，而要在今天的城市里做到这一点又是困难的。那么，我们距离跨出人类的圈子、踏入人工智能的世界还有多远呢？一个机器人又需要多么复杂，才能满足人类友情的核心需求，比如懂得回报和具备人格呢？
根据雪莉·图克尔(Sherry Turckle)在著作《一起孤单》(Alone Together)中的介绍，有些社交技术已经能够触到我们的“达尔文按钮”了。有的机器人已经能和人类目光交流、追踪人类的动作和姿势，并且留下“有人在家”的印象。
或许有一天，我们会从机器人那里获得友谊。图片来源：《新科学家》
比如日本ATR智能机器和通信实验室的神田崇行(Takayuki Kanda)就开发了一个名叫“罗伯维”(Robovie)的人形机器人，它的基本交流能力已经相当成熟，足以令15岁的青少年相信它是一个具有情感的社会动物。神田表示，研究的一大难题是开发出可以随时与人为伴、而不仅仅是待在家里的机器人。据他推测，人和机器人相处的时间越久，就越是容易和它们建立“真正的关系”。
英国林肯大学的约翰·莫雷(John Morray)则主张，要造出合群的机器人，关键是要让它们犯错。莫雷和他的团队正在将人类的认知偏差引入机器人的电路，比如令它们的记忆产生故障，从而对人类的指令产生误解。“我们在试着开发不完美的机器人，也许人类会因此更加接纳它们。”他补充说，研究中的困难在于避开“诡异谷”(uncanny valley)——机器人在外形像人，行为却不怎么像人时，会尤其恐怖。
