人工智能應用關鍵技術及進展研究

王雪平 李斌 劉福才

摘 要：本文研究旨在為將來人工智能系統應用功能模塊化提供理論依據，為將來人機共生的超級智能系統探索了道路。分析可知現階段人工智能系統研究的熱點在于系統技術功能的開發應用，瓶頸在于技術功能的數學建模與算法優化，而未來人工智能系統的發展難點在于人機共生的信息交流技術。本文的研究工作對人工智能的未來發展具有重要的指導意義。

關鍵詞： 人工智能; 算法研究; 人機共生

文章編號： 2095-2163（2021）03-0143-04 中圖分類號： B80; B849 文獻標志碼： A

【Abstract】The purpose of the research is to provide a theoretical basis for the modularization of the application function of artificial intelligence system in the future， and explore the way for the super intelligent system of man-machine symbiosis in the future.The analysis shows that the current hot spot of artificial intelligence system research is the development and application of system technology functions， the bottleneck is the mathematical modeling and algorithm optimization of technical functions， and the difficulty in the development of artificial intelligence systems in the future is the information exchange technology of man-machine symbiosis. The research work in this article has important guiding significance for the future development of artificial intelligence.

【Key words】 Artificial Intelligence; algorithm research; man-machine symbiosis

0 引 言

為了社會的發展進步[1]，研究學界正在制造出模仿人的意識的機器來服務人類，也就是人工智能機器。人工智能的研究涉及到哲學、神經學、倫理學、社會學、生物學、解剖學、信息科學、物理化學、物理學、心理學、數學、計算機科學、控制論等等，幾乎涵蓋了自然科學和社會科學的全部內容，需要展開跨學科的交叉研究[2]。目前的研究表明，機器智能行為的意向性與人類心靈的內在意向性有本質區別，這是人工智能和人類意識的根本不同，揭示了人工智能無論具有多么強大的單項智能，如計算、存儲等，卻始終都是人類意向內容客觀化的特殊人工制品，是人類意識的現實化產物[3]。

當下的人工智能系統的各項功能在逐步增強，但卻仍然是傳統的閉環計算機控制系統。分析可知，目前世界范圍內正在重點圍繞著有關人工智能中各種數學模型、算法與編程的研究，對此擬做闡釋論述如下。

1 人工智能機器系統的開發應用

通常情況下，人工智能具有許多相對獨立又相互關聯的計算機子系統。例如，自學習系統、識別系統、輸出動力控制系統等等。這些系統都需要數學模型來構建支持，而數學模型歸根究底就是算法及編程。其中，算法就是數學、概率論、統計學等各種數學理論的應用體現，如，傳統的比例-積分-微分（proportion-integral-derivative，PID）控制算法、基于線性二次型（linear quadratic regulator，LQR）的最優控制算法、模糊控制算法、滑模變結構控制算法、基于神經網絡的學習算法等[4]。所以人工智能機器系統的開發應用都離不開數學算法與數學模型。

人工智能機器的學習有2種：被動學習和主動學習。其中，被動學習是通過編程賦予機器多種復雜的工作模式，就是人工編程后把固定的程序存入記憶單元等待隨時調用。主動學習則要先進行識別，考慮到機器的邏輯判斷就是選擇，為此利用數學模型進行判別來實現機器對事物的識別即已成為人工智能系統的熱點課題。現階段機器的學習大多都是在人類的幫助下完成的。較為簡單的機器自學習功能已經具備，但是復雜的學習與動作卻還要用到人工編程。而根本原因就是迄今為止仍尚未研發出一套功能完善的自學習系統模型來支持機器完成復雜的自學習任務。眾所周知，這樣的功能模型的成功問世則要依托于大量的基礎理論研究及建模工作。

目前，人工智能語音圖像識別的研究主要立足于2個方面，就是：提高識別算法的精度及拓展計算機能夠識別的類型，并已取得一系列可觀成果。彭熙等人[5]基于特征值統計進行了語音識別算法的研究與設計。湯榮山等人[6]提出了基于卷積神經網絡和不完整步態周期的步態識別方法。Wang等人[7]構建了一種以運動信息為核心的端到端物體檢測模型等等。所有人工智能的識別均是仿人識別，都是基于機器意識的選擇功能。這里即針對基本識別功能給出探討分述如下。

（1）語音識別。主要是通過現代科技將聲音信號轉換成模擬電信號，模擬信號經過計算機采集再轉換成數字信號（A/D轉換）等待后續處理。同時，又利用計算機分析這些數字信號，運算得到語音的特征值（時域特征、頻域特征等），并選用算法過濾掉與語音無關的信息，提取特征值參數，這些參數的質量將直接影響語音識別系統效果的好壞。目前，語音識別中的3種特征值參數提取法有：線性預測系數 （LPC）、線性預測倒譜系數（LPCC）和梅爾頻率倒譜系數 （MFCC）。總地來說，就是通過語音信號處理、語音特征值提取后建立起語音特征值統計模型，再與數據庫中的參考模型進行匹配識別。其中，語音識別算法的核心就是語音特征值統計模型的建立。

（2）圖像識別。圖像識別中的人臉識別技術現已廣泛應用于金融、安檢、安防、手機App等相關領域。而實踐中常見的二維人臉識別技術已經臻至成熟，但卻仍會受到光照、表情、姿態等因素的影響。相對于二維識別技術來說，三維人臉識別技術的應用前景更加廣闊，因其對識別對象面部特征的反映更加地真實，包含的空間信息也更加豐富，而且還表現出更高的防偽性，以及更高信息的安全性[8]。諸如，傳統的三維人臉識別技術;近年來眾多科學家專注于利用深度學習框架自動學習數據特征實現的人臉識別技術等等。

2 人工智能機器系統的發展現狀與不足

2.1 智能系統的“功能積累”

要想實現機器的智能化，在實際操作中就要編制類別豐富的學習、邏輯判斷程序。而當機器識別到某一種情況時，可迅速調取具體程序來處理相應問題。例如，機器對人聲的識別。當機器接收到高分貝、高頻的聲音信號，先要識別該語音信號是否具有人聲特點，在此條件下再做分類判斷，系統會建立該語音的特征值模型并啟用參考模型來進行對比識別等等。

因此，系統中可調取的判斷、識別程序算法的準確度和程序的數量決定了人工智能系統的智能性。程序越多、算法越好，智能性就越高，這也必然就是一個源程序的積累過程。

2.2 人工智能系統發展的基礎瓶頸

綜前所述可知，人工智能機器系統的研究重點在于算法編程，目前國內關于人工智能數學課程的建設卻仍亟待完善。對此可做分析總述如下。

（1）數學課程建設理念落后。表現之一是：人工智能數學基礎的課程建設滯后于現實需要;之二是：人工智能數學基礎的課程建設的開發力度不夠。

（2）大學數學的教師隊伍及教學不能滿足人工智能發展要求。大學的數學教學應該與時俱進，并能將理論與實踐有效結合起來。例如，對于一個識別系統的數學建模。從人工智能的需求來講，建立特征值數學模型是教學實踐任務，但是由于一些原因，教師卻只是注重傳授理論知識，而對于數學的課題研發實踐未能給予充分重視，使得特征值的獲取及其建模方法的掌握也未能達到靈活實用標準[9]。

（3）交叉科學的教學與科研仍顯欠缺。目前調研發現，國內學生在大學期間只注重本專業教育，忽視專業間知識聯系與融合，即便在研究生教育階段，這一現象也依然存在。當前人工智能系統的發展需要的正是具備交叉領域知識的專業技術人才。例如，在設計仿生機器人時，設計者要考慮法律、法規，以及傳統的人文習慣。在大數據應用方面，要考慮個人隱私的保護;在高級機器人的研究中，要考慮賦予機器人感性色彩等。所以，人工智能的發展就需要交叉科學研究來拓展其應用領域，提高其開發層次。尤其是量子理論的加入豐富了人工智能的研究方法和內容，在計算方法之外，量子方法逐漸興起，而且正向綜合研究方向邁進，并已然成為了人工智能研究的一種新方法[10]。

3 人工智能機器系統的發展前景分析

現有研究中，文獻[11]通過分析人工智能的技術發展路線可知，人工智能機器不論是基于符號主義、聯結主義還是行為主義，都不是基于對人類認知能力的探求，不能明確語句和語詞的意義，機器不具有意向性，因此，人工智能機器并不具備人類理解能力。目前為止，機器仍未能理解“前因后果”。文獻[12]從人類進化、認知發展以及認知過程的特點等多個方面及視角來討論不同主體對于人工智能技術的態度和行為，把這種態度和行為轉化為具體的人工智能設計規范和標準，推動人工智能的良性發展。對此可詳述如下。

3.1 人工智能機器系統的機器意識功能

目前，人工智能機器的重要功能多是依靠“給予”，即科研人員把各類判斷、識別方法編程植入機器系統。所以近期人工智能的發展除了大量算法設計、軟件研發外，另一個基本方向就是硬件系統的升級。人類必須制造出存儲空間更大、運算速度更快、體積更小的計算機才能滿足機器意識功能的擴展。未來的人工智能的發展在于整體科技的進步，如生物學的研究與創新、量子理論的研究與突破、微電子的基礎研究與突破、網絡科技的巨大進步等等。其中，利用量子理論來突破算法瓶頸，建立強效功能模型則將是未來人工智能技術取得重大突破的關鍵所在[13]。

3.2 網絡與人工智能

人工智能與互聯網的融合開拓了一個以網絡大數據平臺支持的智能系統，使得人工智能系統的設計與應用前景無限廣闊。人工智能系統的設計需要計算機專家、控制論專家、心理學家、社會學家等等的通力配合與協作，需要不同專業的知識交流，互聯網的優勢之一就在于此[14]。基于網絡的人工智能系統能夠避免設計上的許多盲區，研究者可以通過網絡解決諸多問題并得出最優結果。隨著互聯網的飛速發展，無論是網速、帶寬、還是無線上網的方式都會為人工智能系統的開發提供越來越便利的條件，將來甚至有可能發展出人工智能系統模塊，設計者只要在網絡上利用模塊組合即可完成智能設計。最終就是機器技術功能的模塊化、接口網絡化。

3.3 人機共生

人機互交并不僅限于人類的體能，同時可適用于人機的智能。科學家和工程師將其腦部信息處理與機器設備組合起來，以構建一個比單獨的人類或是單獨的機械設備更加高效的系統。利克萊德提出了“人機共生”概念[15]。當前，隨著生物技術與材料科學的高速發展，人與機器意識層面的信息交流已存在實現的可能。意識有可能完全被生物學家的“腦電波和神經信號”所取代、即所謂的“意識的神經相關項（NCC）”觀點，或是單純的“信息與數碼”、即所謂的“意識的物理相關項（PCC）”[16]。近幾年出版的《自然》雜志上發布一項科研成果，加州大學舊金山分校的科學家設計了一種神經解碼器，利用人類大腦皮層活動中編碼的運動學和聲音表征，將腦信號轉換為可理解的合成語音，并以流利說話者的速度輸出，準確率達到90%左右。

可以預見，未來人工智能的研究重點就在于人與智能機器意識層面的信息交流，技術上需要攻克的難題是意識“神經芯片”[17]的設計制造。意識“神經芯片”能夠連接人腦與智能機器，可完成人腦意識與機器意識的信息交流，起到信息連接作用。

4 結束語

人工智能的機器意識與人類意識有本質的區別。通過分析人工智能學習的原理及特點可知，人工智能的開發應用技術重點在于算法開發，也就是各類機器技術功能的開發應用;其發展瓶頸在于數學建模與算法的創新研究;其未來發展方向在于網絡大數據與人工智能的信息互交融合;以“人機共生”為基礎的大腦意識“神經芯片”技術的研發突破。

參考文獻

[1] （英）BLACKMORE S. 人的意識[M]. 耿海燕，李奇，譯. 北京：中國輕工業出版社，2008.

[2] 金吳亦美. ?從哲學角度探討人工智能的未來發展[J]. 現代商貿工業，2020，41（14）：197-198.

[3] 柳海濤. ?人工智能的心靈哲學基礎[N]. 社會科學報，2020-06-11（5）.

[4] 阮曉剛，陳巖，肖堯，等. 基于參數尋優的自學習算法在兩輪機器人控制上的應用[J]. 北京工業大學學報，2017，43（7）：1060-1067.

[5] 彭熙，錢瑩晶，黃錦，等. 基于特征值統計的語音識別算法的研究與設計[J]. 科技資訊，2019，17（22）：1-3，5.

[6] 湯榮山，葛萬成. 基于卷積神經網絡和不完整步態周期的步態識別方法[J]. 通信技術，2018，51（12）：2980-2985.

[7] ?WANG Shiyao， ZHOU Yucong， YAN Junjie， et al. Fully motion-aware network for video object detection[M]//FERRARI V， HEBERT M， SMINCHISESCU C，et al. Computer Vision-ECCV 2018 Lecture Notes in Computer Science. ?Cham：Springer， 2018，11217：557-573.

[8] 趙青，余元輝. 基于分層特征化網絡的三維人臉識別[J]. 計算機應用，2020，40（9）：2514-2518.

[9] 查明明，劉志平. 《人工智能的數學基礎》課程建設研究[J]. 教育現代化，2020，7（13）：77-78，81.

[10]陳向群，郭喨. 人工智能的量子方法及其辯析[J]. 科學技術哲學研究，2019，36（2）：8-13.

[11]閆坤如. 人工智能理解力悖論[J]. 云南社會科學，2020（3）：31-36，186-187.

[12]杜嚴勇. 恐怖谷效應探析[J]. 云南社會科學，2020（3）：37-44，187.

[13]王凱寧. 量子機器學習與人工智能的實現-基于可計算性與計算復雜性的哲學分析[J]. 科學技術哲學研究，2019，36（6）：32-36.

[14]周美玲，郭曉磊. 人工智能在計算機網絡技術中的運用[J]. 開封大學學報，2015，29（2）：92-93.

[15]（德）THOMAS R. 機器崛起：遺失的控制論歷史[M]. 王曉，鄭心湖，王飛躍，譯. 北京：機械工業出版社，2017.

[16]尚鳳森. 意識神經生物學的哲學研究[D]. 太原：山西大學，2018.

[17]吳浩揚，吳裕遠. 神經芯片技術的研究進展[J]. 生物化學與生物物理進展，2004（1）：89-93.

[18]崔庚寅，張翠英，崔凌浩. 人腦：自然科學的最后堡壘[M]. 石家莊：河北科學技術出版社，2012.

[19]王志良，李明，谷學靜. 腦與認知科學概論[M]. 北京：北京郵電大學出版社，2011.