人工智能2.0時代知識分析變革研究

田倩飛　張志強

摘 要：“人工智能”一詞于1956年提出后經歷幾番起落，近年來，隨著云計算、大數據等技術快速發展，人工智能的研究和應用得以新生，人工智能2.0時代已然到來。文章首先梳理國際政產學界針對新一輪人工智能研發的戰略布局、相關成果與應用，概述我國《新一代人工智能發展規劃》及其部署進展，引出人工智能2.0的定義、技術特征及其顛覆性影響；然后，基于文獻調研與項目跟蹤，在研讀全球各大智庫人工智能研究報告、國內外相關研究論文、梳理學者研究原型與美國智能情報項目的基礎上，從信息知識采集、信息知識搜索、信息處理與知識挖掘、知識預見預警以及知識決策服務等諸多環節闡述人工智能關鍵技術在知識分析中的應用與影響，提出人工智能2.0時代知識分析的總體趨勢將朝向全面、精準、自動、高效、智能和深度等方向發展。

關鍵詞：人工智能2.0；知識分析；DARPA；IARPA

中圖分類號：G250.2；TP18 文獻標識碼：A DOI：10.11968/tsyqb.1003-6938.2018023

Research on Knowledge Analysis Transformation in the Era of Artificial

Intelligence 2.0

Abstract Artificial intelligence is to make machines smarter and competent to accomplish the work that only human beings could do. After the introduction of "Artificial Intelligence" in 1956， it has undergone ups and downs. Recently， with the development of cloud computing， big data， etc.， the research and application of artificial intelligence is entering the 2.0 Era. This paper firstly introduces the strategic plan， research achievements and application of industry， academia and government on the new wave of artificial intelligence research and development， China's Development Plan on New Generation of Artificial Intelligence， as well as the definition of Artificial Intelligence 2.0， its tech features and disruption. Based on literature research and projects tracking， this paper then analyses the key technologies of artificial intelligence and the application in knowledge analysis. It is concluded that information analysis in the artificial intelligence 2.0 Era would bound toward the direction of comprehensive， targeted， automated， effective， intelligent and profound. Finally， this paper concludes the development and effect of artificial intelligence， and gives suggestions on AI-based knowledge analysis and scientific decision making.

Key words artificial intelligence2.0； knowledge analysis； DARPA； IARPA

1 人工智能進入2.0時代

近年來，伴隨著移動互聯網、云計算、大數據等信息前沿技術的快速發展，計算機硬件性能和計算技術的突破以及機器學習算法的優化，誕生六十余年的人工智能研發再次迎來了新的機遇，相關產業規模不斷增長，企業數量大幅增加。2000至2016年間，美國累積新增人工智能企業3033家，占全球累積總數的37.41%；同期中國人工智能企業數累積增長1477家，占全球總數的12.91%[1]。2016年10月26日，在北京舉行的瑞銀創新科技行業CEO高峰會上，瑞銀發布《未來值得關注的九項顛覆性技術趨勢》報告預測，認為到2020年，全球人工智能市場規模有望達到1200億到1800億美元之巨[2]。以谷歌圍棋系統AlphaGo[3]及新一版AlphaGo Zero[4]、IBM認知技術平臺Watson、微軟聊天機器人“小冰”等為代表的產品成果標志著人工智能從學術課題研究全面步入產業經濟爆發階段。2016年，谷歌首席執行官桑達爾·皮查伊宣布谷歌戰略從“移動先行”（Mobile First）轉向“人工智能先行”（AI First）[5]；同年，Facebook創始人兼首席執行官扎克伯格在F8開發者大會上，將人工智能明確列為Facebook未來十年發展規劃戰略中的重要領域，具體包括自然語言、視覺識別、邏輯規劃等[6]。除學術界、產業界聚焦人工智能研發和應用外，各國政界也開始關注和支持人工智能研發，出臺發展規劃和政策措施，力圖在新一輪國際人工智能科技競爭中掌握主導權。2016年10月，美國政府發布的《國家人工智能研發戰略規劃》[7]，制定出美國人工智能研發的整體框架以及七項優先戰略，以期充分利用人工智能技術來增強國家經濟實力并改善社會安全。同年12月，英國發布的《人工智能：未來決策制定的機遇與影響》[8]，闡述了人工智能的未來發展對英國社會和政府的影響，論述了如何利用英國獨特的人工智能優勢來增強英國國力。2017年4月，法國制定的《國家人工智能戰略》[9]，旨在謀劃法國未來人工智能的發展，使法國成為歐洲人工智能的領軍者。

在人工智能發展上，我國也不甘落后，積極動員和部署。2017年7月，國務院印發的《新一代人工智能發展規劃》[10]，提出了面向2030年我國新一代人工智能發展的指導思想、戰略目標、重點任務和保障措施，部署構筑我國人工智能發展的先發優勢，加快建設創新型國家和世界科技強國。其中，三步走戰略目標為：到2020年人工智能總體技術和應用與世界先進水平同步，人工智能核心產業規模超過1500億元，帶動相關產業規模超過1萬億元；到2025年人工智能基礎理論實現重大突破，部分技術與應用達到世界領先水平，人工智能核心產業規模超過4000億元，帶動相關產業規模超過5萬億元；到2030年人工智能理論、技術與應用總體達到世界領先水平，成為世界主要人工智能創新中心，人工智能核心產業規模超過1萬億元，帶動相關產業規模超過10萬億元。

2017年11月，科技部召開新一代人工智能發展規劃暨重大科技項目啟動會，宣布成立新一代人工智能發展規劃推進辦公室，宣布成立新一代人工智能戰略咨詢委員會（潘云鶴院士任組長）。潘云鶴（2016）針對人工智能2.0給出初步定義，即：基于重大變化的信息新環境和發展新目標的新一代人工智能。他指出人工智能2.0的技術特征表現在：一是從傳統知識表達技術到大數據驅動知識學習，轉向大數據驅動和知識指導相結合的方式，其中機器學習不但可自動，還可解釋，更廣泛；二是從分類型處理多媒體數據（如視覺、聽覺、文字等），邁向跨媒體認知、學習和推理的新水平；三是從追求智能機器到高水平的人機協同融合，走向混合型增強智能的新計算形態；四是從聚焦研究個體智能到基于互聯網絡的群體智能，形成在網上激發組織群體智能的技術與平臺；五是將研究的理念從機器人轉向更加廣闊的智能自主系統，從而促進改造各種機械、裝備和產品，走上智能化之路[11]。

人工智能的深入發展和深度應用，對各行各業的影響都是顛覆性的，最為突出的影響包括：開啟互聯網新紀元、推動產業轉型與變革、打造未來國防軍事的“殺手锏”、掀起科研創新模式新革命、顛覆生活方式等[12]。在人工智能2.0時代到來之際，總結人工智能關鍵技術對知識分析的影響，預測其未來變革，深思應對措施，提升基于人工智能的知識發現能力和水平，是值得關注的研究熱點之一。本文在調研和分析國際智庫有關人工智能的研究報告、梳理國內外相關研究與項目部署的基礎上，探討人工智能2.0時代知識分析各環節的變化，最后提出啟示建議。

2 人工智能2.0時代：無限算力與大數據背景下的機器感知學習時代

2.1 人工智能關鍵技術

自1956年達特茅斯會議誕生“人工智能”一詞以來，距今已六十余年。美國麻省理工學院人工智能實驗室原主任（1972至1997年）帕特里克·溫斯頓（Patrick Winston）提出“人工智能就是研究如何使計算機完成曾經只有人類才能完成的工作”，斯坦福大學人工智能研究中心名譽教授尼爾斯·尼爾森（Nils Nilsson）（1982年）將人工智能定義為“關于知識的學科——怎樣表示知識、怎樣獲得知識、怎樣使用知識的科學”[13]。北京大學信息管理系王延飛（2016年）提出，人工智能是試圖挖掘人類智能的實質，從而對人類智能進行模擬和擴展的一門新興技術科學[14]。

埃森哲2016年9月發布了《人工智能：經濟發展新動力》報告，其指出：人工智能由多種技術組成，能以不同方式組合起來，教會機器感知、理解、行動和學習（埃森哲將新興人工智能技術及其功能和解決方案示例等見表1）[15]。

阿里云研究中心、阿里巴巴創投公司及波士頓咨詢公司于2016年10月合作發布的研究報告《人工智能：未來制勝之道》指出：人工智能是一系列技術的集合，其下包括機器學習、推理、感知和自然語言處理等。隨著人工智能被更廣闊地應用到人類社會和經濟生活各個方面，新的機遇和挑戰隨之而生。其巨大的潛在影響讓人類不得不謹慎思考人工智能技術的發展與應用[16]。

信息科技咨詢公司高德納（Gartner）于2017年7月發布了《2017年新興技術成熟度曲線圖》強調了“無處不在的人工智能”這一技術趨勢。由于計算能力快速提升、數據量不斷增加、深度神經網絡向前推進，人工智能技術將在未來十年展現出強勁的顛覆力。值得重點關注的人工智能重點技術包括：深度學習、深度增強學習、強人工智能、自動駕駛汽車、認知技術、商用無人機、對話用戶接口、企業分類與本體管理、機器學習、智能塵埃、智能機器人和智能工作空間[17]。

2.2 人工智能與知識分析

科學研究的范式已進入數據密集型科學范式的大數據時代，正在推動和牽引科技情報研究工作進入知識分析與知識發現服務的新時代[18]。情報研究范式不斷演進，從事實型情報搜集、綜述型情報分析、計算型情報研究發展到數據驅動型知識發現。由于機器擁有遠超人類的強大計算能力，它們能對海量數據進行收集和分類，進而進行專業化計算與分析，以做出更好的決策。人工智能就是利用機器為人類完成繁雜的工作，具體包括：尋找模式、預測趨勢和發現相關性；學習并改善；執行相關計劃；基于歷史趨勢預測未來結果；基于事實給出決策建議等。機器學習是人工智能的技術之一，能在面對新數據時自動調整計算機程序，得出客觀分析的新信息和見解[19]。

大數據情報與知識分析需要人工智能方法技術。國際數據公司（IDC）的《數據時代2025》白皮書指出，認知/人工智能系統將改變格局。大量涌現的數據催生出了一系列全新的技術，如機器學習、自然語言處理和人工智能（統稱為認知系統），它們將數據分析從不常見的、追溯式的實踐轉變成為戰略決策和行動的前攝式推動因素。認知系統可以大大提高各種行業、環境和應用數據分析的頻率、靈活性和即時性。IDC預計，到2025年，用于數據分析的全球數據總量將增長至原來的50倍，達到5.2ZB；而認知系統“觸及”的分析數據總量將增長至原來的100倍，達到1.4ZB[20]。2017年7月28日，Gartner發布了《2017年分析方法與商業智能成熟度曲線圖》，其指出分析方法和商業智能領域將從可視化數據發現時代轉變為增強分析時代，即運用機器學習、自然語言接口等技術，縮短數據準備時間、自動發現數據模式，將分析結果分享給更多用戶[21]。

人工智能方法技術推動情報與知識分析跨越新階段。王志宏等[22]指出，人工智能、認知計算、決策支持技術的概念及研究已經跨出實驗室，進入真正的實用階段，其現實價值超過了技術研究者最初的認識，其本質是對信息、數據進行加工生產的技術，而這種生產加工不但可以給人們提供更加便捷的生活，還將對未來人們的生產、生活方式產生根本性的影響，對未來國家經濟生活的運行方式、未來社會的組織結構產生深遠的影響；郭璇等[23]探討了在反恐情報信息工作中，利用當前人工智能領域的研究熱點——深度學習技術開展反恐情報挖掘和分類，有效減少情報人員的工作量，提高反恐情報信息工作效率；Zhuang等[24]指出，針對大數據的下一代人工智能系統將是可解釋的、強健的、通用人工智能，它不只是暴力地完成淺顯計算，而是能執行深度神經推理；它能基于結構化邏輯規則發揮數據驅動模型的作用；它能從已有經驗中學習；Morris等[25]認為，機器學習、大數據、圖像處理單元（GPU）等技術的迅猛發展與融合，引發新一輪的人工智能研發與應用熱潮；Dhar[26]指出，此輪人工智能熱潮與以往的根本性不同在于機器學習已經具備感知和處理能力。從前，機器無法閱讀、聽到或看到信息，只能獲取和處理經組織后的信息。現有技術進展使得機器能直接從外界獲取輸入信息，而無需人類參與，繼而創建機器內部表示用于進一步處理。

綜上，人工智能關鍵技術及其對知識分析、信息服務、決策支撐等的變革作用已引起國內外學者的研究和重視。本文將結合學者研究成果、企業研發動態及美國相關政府部門的項目部署，具體探討人工智能對知識分析各環節的變革影響。

3 人工智能對知識分析各環節的變革影響

人類社會的主流，已從利用地表資源的農業社會歷史、挖掘地下資源的工業社會現實、正邁向開發數據與智力的智能社會未來[27]。隨著互聯網、高性能計算、云計算、大數據、人工智能等信息技術的持續發展與應用，針對海量數據的檢索存儲與情報知識的分析利用均已發生翻天覆地的變化。從傳統的本地數據庫到數據中心再到云端，從目錄檢索到關鍵詞再到詞語標注，從自然語言搜索到語義搜索再到推理，技術推動著人類情報分析的能力發展與效率提升。人工智能2.0時代知識分析的總體趨勢將朝向全面、精準、自動、高效、智能和深度發展。人工智能技術和系統將對信息知識采集、信息知識搜索、信息處理與知識挖掘、知識預見預警以及決策服務等諸多環節，產生深刻影響。在本文的分析中，主要遴選了美國安全和情報部門——美國國防高級研究計劃局（DARPA）以及美國情報高級研究計劃局（IARPA）的案例，兩者通過開展各種高風險、高回報的情報研究項目，以期大幅提高美國的情報分析能力。作為國際上引領性的情報信息分析機構，其項目案例可顯現人工智能技術與信息知識分析應用的最新發展。

3.1 信息知識采集

在信息知識采集方面，智能化采集技術能實現信息資源（特別是網絡資源）的自動搜索、甄別、過濾、監測、跟蹤，使多種數據源情境下的數據采集能力大大提高。美國DARPA的洞見（Insight）項目和中國工程科技知識中心（CKCEST）項目均強調多源數據的收集、索引和存儲，并在此基礎上，構建集成系統，讓計算機高效地完成從非結構化數據到知識這一過程，支撐協作與決策（這兩項典型研發項目的具體信息見表2）。

3.2 信息知識搜索

針對已采集的情報成果，結合元數據、本體、語義網等方式對其進行描述與組織，并開發新的搜索方法，提升搜索效率與質量，為情報用戶提供滿足需求的情報資源。

Martín A等[30]研究了利用智能技術增強數字圖書館的語義互操作性。文章提出一種語義與智能搜索引擎概念架構，利用本體和人工智能查詢在線知識庫的元數據，利用智能代理（Agent）實現更高效的知識獲取方法。文章還引用歐盟互操作框架來介紹其關注重點之一——語義互操作分析（見圖1）。

美國艾倫人工智能研究所（Allen Institute for Artificial Intelligence）于2015年11月推出基于人工智能的語義搜索引擎Semantic Scholar，通過更加深入地理解學術論文的內容和背景，對學術論文進行排序[31]。最初推出時，Semantic Scholar的搜索范圍僅為計算機科學領域的300萬篇論文，后期通過與艾倫腦科學研究所（Allen Institute for Brain Science）合作，該網站新增了數百萬篇神經學和醫學領域論文，并針對該領域量身定制了新的篩選器，用戶可以根據各種內容（大腦組成部分或細胞類型、模式生物、研究方法等）進行搜索。

德國馬普信息學研究所正開發一款名為DeepLife、專注健康和生命科學領域的搜索引擎。Microsoft也于2016年5月公開發布其人工智能學術搜索工具Microsoft Academic。該工具由Microsoft網絡搜索引擎Bing提供語義搜索功能支持，覆蓋約1.6億份文獻[32]。

除上述針對出版文獻的信息搜索外，因情報數據源的擴展，美國DARPA還開展了針對多源信息篩選的引擎項目AIDA等，IARPA則專門設置針對語音和視頻搜索的情報能力提升項目（見表3）。

3.3 信息處理與知識挖掘

在信息處理與知識挖掘方面，數據挖掘、文本挖掘、知識發現、智能計算、專家系統等智能化分析處理技術，可以大幅提升海量文檔調查的工作效率，幫助情報知識人員分析發展趨勢，并從中發現一些表達隱晦的緘默信息、未知的事實和潛在的情報。DARPA與IARPA在自然語言處理、機器學習和信息理解等智能信息技術項目研發上呈現加力和發力現象[14]（詳細項目信息見表4。圖2至圖4還分別展示了DARPA大機制（Big Mechanism）、數據驅動的模型發現（D3M）以及文本深度探索及過濾（DEFT）項目的架構、模型與數據流等信息）。

3.4 知識預見預警

數據挖掘、智能算法等新一代技術在知識預見預警方面的成功案例已不少見。如北美在線影片租賃提供商Netflix在并未看到《紙牌屋》電視劇一個畫面的情況下，出價1億多美元獲得這部劇集的首播權。它通過推薦引擎、數據算法等方式，提前獲知觀眾們喜歡看的內容，從而進行準確的內容訂購授權。路透社開發一款“路透新聞追蹤”軟件，通過監視Twitter并尋找具有群體影響力的新報道，然后將相關的推文匯總為事件，最終生成與事件相關的信息和元數據。該軟件可以識別哪些事件具有新聞價值、從相關觀點結論中過濾出事實，并驗證報道的真實性。該軟件比其他媒體搶先8分鐘報道2016年初的布魯塞爾爆炸案事件，搶先15分鐘報道2016年10月紐約發生的切爾西爆炸案（美國IARPA部署的兩項科學與技術預測項目見表5）。

3.5 知識決策服務

隨著數據庫技術和搜索引擎技術的成熟而逐漸“下移”為一種社會能力，傳統信息和資料提供的職能已在科技和其他領域的決策中被邊緣化。在大數據與人工智能蓬勃發展的新時代，決策者對情報機構的要求已遠遠不能滿足于信息分析與知識服務，情報機構唯有提供更加智能化的決策方案，不僅要能回答個體“是什么”，而且還必須快速地告訴決策者整體和整體中的任意部分“是什么”“為什么”，準確地表明“怎么辦”，方能發揮情報服務應有的效能。整個情報服務業正在信息技術推動下發生巨大的變化，正在迎來一個嶄新的時代[48]。

Tweedale等[49]指出人工智能與計算智能技術被成功用于決策制定，同時能改善信息可獲性，解決數據密集問題。決策支持系統（DSS）融合了一系列技術，旨在將決策者知識與來自特定信息源的相關數據組合起來，應用數學與統計方法和模型，最終改善個體或團體的決策能力。智能決策支持系統（IDSS）利用計算機科學和新興領域的先進智能方法，擴展DSS能力來解決復雜問題（IDSS及其組件見圖5）。

IARPA指出，現有情報分析與匯報工具難以幫助用戶評估競爭性假設、提供清晰的/有支撐的論點、發現或克服偏見。一些結構化技術（如論點制圖、競爭假設分析、貝葉斯推理網絡等）已被用于改善推理。但這些技術軟件較難被使用，既費力又耗時，且所需輸入的知識常常超越了個體用戶的特有知識領域。IARPA于2016年發起“眾包證據、議論、思維和評估”（CREATE）項目，旨在開發技術工具來幫助情報分析人員更好地評估數據，或檢測出可能產生曲解的假設，輔助相關決策（項目信息見表6）。

4 建議

（1）人工智能發展迅速并產生顛覆性影響。近年來，隨著移動互聯網、大數據和云計算的快速發展，誕生60多年的人工智能再獲新生并取得重大突破性進展。從學術界的課題研究到產業界的成果與經濟突破，再到各國政府在人工智能領域緊鑼密鼓的戰略布局，均彰顯人工智能是未來發展的重大前沿領域，有著廣闊的應用前景并將對各行業的發展產生顛覆性影響。瑞銀《未來值得關注的九項顛覆性技術趨勢》報告指出，人工智能技術發展迅速，正處于弱人工智能向通用人工智能發展的關鍵階段，未來農業、零售、制造業、金融、交通等眾多行業將受到人工智能技術的巨大影響，并因之改變。預計，未來全球因人工智能而受到影響的工作崗位將多達5000萬至7500萬[51]，但人工智能的應用并不會在全球范圍內導致大規模失業，反而會因此創造出更多的工作崗位。

人工智能的發展，最根本的推動技術包括不斷增加的無限算力和不斷膨脹的大數據技術；人工智能發展的核心是人類知識組織和再生系統的重大變革，即由人類自身的知識創造，延伸到機器感知學習的機器化知識再生系統。毫無疑問，人工智能的發展將深刻改變一切依賴人類知識運行的系統規則，也將深刻改變人類自身的發展。

（2）加強基于人工智能的知識分析與科學決策。在大數據時代，知識分析密切依賴于大數據分析與智能挖掘技術，特別是一些以科學大數據為鮮明特征的重要科技領域（如生命科學、空間科學、天體物理、地球科學等），科學大數據呈爆發式增長。借助人工智能技術，改造提升知識分析環節和知識分析預測，能極大地改善知識分析效率和更好服務于科學決策。開發基于人工智能的知識分析流程和平臺，是開展知識分析、知識發現的必由之路。

5 結語

本文綜合分析了國際上代表性機構DARPA/IARPA應用人工智能技術提升知識分析的案例。人工智能技術能從廣度、深度、精度等多方面提高知識分析工作的水平，知識分析將越來越依賴于先進的智能技術。建議重點建設領域知識分析數據庫并促進開放共享；開發知識分析智能化工具并打造系統平臺；推進智能化知識分析應用示范。通過大力支持、加強人工智能技術在知識分析系統中的應用研發，提升知識分析效率和知識挖掘深度，提高知識預見預警能力，最終輔助人類知識決策。

參考文獻：

[1] 烏鎮智庫.全球人工智能發展報告產業篇[EB/OL].[2018-01-10].http：//h5.iwuzhen.org/pdf/AI-Report20170803.pdf.

[2] 侯云龍.人工智能市場規模將達1800億美元[EB/OL].[2018-01-10].http：//finance.people.com.cn/n1/2016/1027/c1004-2881

1231.html.

[3] Silver D，Huang A，Maddison C J，et al.Mastering the game of Go with deep neural networks and tree search[J].Nature，2016，529（7587）：484.

[4] David S，Julian S，Karen S，et al.Mastering the game of Go without human knowledge [J].Nature，2017，550（7676）：354-359.

[5] 沈怡然.谷歌AI中國中心建立 AI First戰略亞洲落地[EB/OL].[2018-01-10].http：//www.eeo.com.cn/2017/1214/318814.shtml.

[6] 紀振宇.透視三巨頭開發者大會：人工智能成戰略重點[EB/OL].[2018-01-10].https：//tutorials.hostucan.cn/microsoft-facebook-google-intelligence.

[7] 田倩飛，編譯.美國發布人工智能領域國家級研究報告與戰略規劃[EB/OL].[2017-08-29].http：//www.casisd.cn/zkcg/ydkb/kjqykb/2016/201612/201707/t20170703_4821935.html.

[8] 鐘新龍，韓健.美英人工智能報告帶來的啟示和思考[EB/OL].[2017-09-10].http：//www.ccidgroup.com/sdgc/9569.htm.

[9] 陳曉怡，編譯.法國發布人工智能戰略[EB/OL].[2017-08-25].http：//www.casisd.cn/zkcg/ydkb/kjzcyzxkb/2017/201705/201707

/t20170703_4821779.html.

[10] 國新網.《新一代人工智能發展規劃》政策解讀[EB/OL].[2017-07-30].http：//www.scio.gov.cn/34473/34515/Document/155923

1/1559231.htm.

[11] Pan Y.Heading toward Artificial Intelligence 2.0[J].Engineering，2016，2（4）：409-413.

[12] 中國科學院顛覆性技術創新研究組.顛覆性技術創新研究——信息科技領域[M].北京：科學出版社，2018.

[13] Nilsson N J.Artificial intelligence：engineering，science，or slogan？[M].Readings from the AI magazine.American Association for Artificial Intelligence，1989：2-9.

[14] 王延飛，趙柯然，何芳.重視智能技術凝練情報智慧——情報、智能、智慧關系辨析[J].情報理論與實踐，2016，39（2）：1-4.

[15] 埃森哲.人工智能 經濟發展新動力[EB/OL].[2017-09-01].https：//www.accenture.com/cn-zh/insight-ai-artificial-intelligence-future-growth.

[16] 云棲智庫.人工智能：未來制勝之道[EB/OL].[2017-08-20].http：//image-src.bcg.com/Images/BCG_Artificial-Intelligence_C

HN_Oct2016_tcm55-156025.pdf.

[17] 田倩飛，編譯.Gartner發布《2017年新興技術成熟度曲線圖》[EB/OL].[2017-09-20].http：//www.clas.cas.cn/xwzx2016/kxx

w2016/xxjsdt2016/201709/t20170918_4861886.html .

[18] 張志強.論科技情報研究新范式[J].情報學報，2012，31（8）：788-797.

[19] SAP Analytics Cloud.How Artificial Intelligence Can Solve Industry Challenges？[EB/OL].[2017-09-20].https：//www.sapanalytics.cloud/how-ai-solves-industry-challenges/.

[20] IDC.Data Age 2025：The Evolution of Data to Life-Critical[EB/OL].[2017-09-21].http：//www.seagate.com/www-content/our-story/trends/files/Seagate-WP-DataAge2025-March-2017.pdf.

[21] Gartner.Hype Cycle for Analytics and Business Intelligence2017[EB/OL].[2017-09-25].https：//www.gartner.com/document/3

772080.

[22] 王志宏，楊震.人工智能技術研究及未來智能化信息服務體系的思考[J].電信科學，2017，33（5）：1-11.

[23] 郭璇，吳文輝，肖治庭，等.基于深度學習和公開來源信息的反恐情報挖掘[J].情報理論與實踐，2017，40（9）：135-139.

[24] Zhuang Y T，Wu F，Chen C，et al.Challenges and opportunities：from big data to knowledge in AI 2.0[J].Frontiers of Information Technology & Electronic Engineering，2017，18（1）：3-14.

[25] Morris K C，Schlenoff C，Srinivasan V.Guest Editorial A Remarkable Resurgence of Artificial Intelligence and Its Impact on Automation and Autonomy[J].IEEE Transactions on Automation Science & Engineering，2017，14（2）：407-409.

[26] Dhar V.The future of artificial intelligence[J].Big Data，DOI：10.1089/big.2016.29004.vda.

[27] 王飛躍.知識產生方式和科技決策支撐的重大變革——面向大數據和開源信息的科技態勢解析與決策服務[J].中國科學院院刊，2012，27（05）：527-537.

[28] DARPA.Insight[EB/OL].[2017-10-13].https：//www.darpa.mil/program/insight.

[29] 中國人工智能學會通訊.KS-Studio：一個知識計算引擎[EB/OL].[2017-10-12].https：//yq.aliyun.com/articles/216744？spm=5176.100239.blogcont216742.14.JWfETU.

[30] Martín A，León C，López A.Enhancing semantic interoperability in digital library by applying intelligent techniques[C]. Sai Intelligent Systems Conference.IEEE，2015：904-911.

[31] Luther J.Discovery in an age of artificial intelligence[J].Learned Publishing，2016，29（2）：75-76.

[32] Nicola Jones.AI science search engines expand their reach[EB/OL].[2017-09-01].http：//www.nature.com/news/ai-science-

search-engines-expand-their-reach-1.20964.

[33] DARPA.AIDA[EB/OL].[2017-10-01].https：//www.darpa.mil/program/active-interpretation-of-disparate-alternatives.

[34] DARPA.MEMEX[EB/OL].[2017-10-01].https：//www.darpa.mil/program/memex.

[35] IARPA.BABEL[EB/OL].[2017-09-10].https：//www.iarpa.gov/index.php/research-programs/babel.

[36] IARPA.ALADDIN[EB/OL].[2017-09-10].https：//www.iarpa.gov/index.php/research-programs/aladdin-video.

[37] IARPA.METAPHOR[EB/OL].[2017-09-18].https：//www.iarpa.gov/index.php/research-programs/metaphor/baa.

[38] IARPA.DIVA[EB/OL].[2017-09-18].https：//www.iarpa.gov/index.php/research-programs/diva.

[39] DARPA.XDATA[EB/OL].[2017-10-01].https：//www.darpa.mil/program/xdata.

[40] DARPA.BIG MECHANISM[EB/OL].[2017-09-25].https：//www.darpa.mil/program/big-mechanism.

[41] DARPA.Data-Driven Discovery of Models （D3M）[EB/OL].[2017-09-25].https：//www.darpa.mil/program/data-driven-discovery-of-models.

[42] DARPA.Deep Exploration and Filtering of Text（DEFT）[EB/OL].[2017-09-25].https：//www.darpa.mil/program/deep-exploration-and-filtering-of-text.

[43] William C.Regli，Brian Pierce.DARPA and Data：A Portfolio Overview[EB/OL].[2018-02-05].https：//www.nitrd.gov/nitrdgroups/images/3/31/DARPA-and-DATA.pdf.

[44] Wade Shen，Brian Sandberg.DARPA Overview and Data Driven Discovery of Models （D3M）[EB/OL].[2017-09-25].http：//www.amstat.org/asa/files/pdfs/POL-JSM-DARPA.pdf.

[45] Boyan Onyshkevych.KB Representation of Text，Audio，Images，and Video[EB/OL].[2017-10-01].http：//www.akbc.ws/2014/

slides/onysh-kevych-nips-akbc.pdf.

[46] IARPA.FOREST[EB/OL].[2017-10-01].https：//www.iarpa.gov/index.php/research-programs/forest.

[47] IARPA.FUSE[EB/OL].[2017-10-01].https：//www.iarpa.gov/index.php/research-programs/fuse.

[48] 吳晨生，李輝，付宏，等.情報服務邁向3.0時代[J].情報理論與實踐，2015，38（9）：1-7.

[49] Tweedale J W，Phillips-Wren G，Jain L C.Advances in Intelligent Decision-Making Technology Support[M].Intelligent Decision Technology Support in Practice.Springer International Publishing，2016：3-28.

[50] IARPA.CREATE[EB/OL].[2017-09-10].http：//www.iarpa.gov/index.php/research-programs/create.

[51] 人工智能市場規模將達1800億美元[N/OL].[2018-01-21].http：//dz.jjckb.cn/www/pages/webpage2009/html/2016-10/27/

content_24758.htm.

作者簡介：田倩飛，女，中國科學院成都文獻情報中心助理研究員，中國科學院大學情報學博士研究生，研究方向：情報研究方法與技術、信息科技戰略情報研究；張志強，男，中國科學院成都文獻情報中心研究員，博士生導師，研究方向：情報研究方法與技術、學科信息學與領域知識發現、科學學與科學評估。