人工智能應(yīng)用關(guān)鍵技術(shù)及進(jìn)展研究

王雪平 李斌 劉福才

摘 要：本文研究旨在為將來(lái)人工智能系統(tǒng)應(yīng)用功能模塊化提供理論依據(jù)，為將來(lái)人機(jī)共生的超級(jí)智能系統(tǒng)探索了道路。分析可知現(xiàn)階段人工智能系統(tǒng)研究的熱點(diǎn)在于系統(tǒng)技術(shù)功能的開(kāi)發(fā)應(yīng)用，瓶頸在于技術(shù)功能的數(shù)學(xué)建模與算法優(yōu)化，而未來(lái)人工智能系統(tǒng)的發(fā)展難點(diǎn)在于人機(jī)共生的信息交流技術(shù)。本文的研究工作對(duì)人工智能的未來(lái)發(fā)展具有重要的指導(dǎo)意義。

關(guān)鍵詞： 人工智能; 算法研究; 人機(jī)共生

文章編號(hào)： 2095-2163（2021）03-0143-04 中圖分類號(hào)： B80; B849 文獻(xiàn)標(biāo)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(huì)的發(fā)展進(jìn)步[1]，研究學(xué)界正在制造出模仿人的意識(shí)的機(jī)器來(lái)服務(wù)人類，也就是人工智能機(jī)器。人工智能的研究涉及到哲學(xué)、神經(jīng)學(xué)、倫理學(xué)、社會(huì)學(xué)、生物學(xué)、解剖學(xué)、信息科學(xué)、物理化學(xué)、物理學(xué)、心理學(xué)、數(shù)學(xué)、計(jì)算機(jī)科學(xué)、控制論等等，幾乎涵蓋了自然科學(xué)和社會(huì)科學(xué)的全部?jī)?nèi)容，需要展開(kāi)跨學(xué)科的交叉研究[2]。目前的研究表明，機(jī)器智能行為的意向性與人類心靈的內(nèi)在意向性有本質(zhì)區(qū)別，這是人工智能和人類意識(shí)的根本不同，揭示了人工智能無(wú)論具有多么強(qiáng)大的單項(xiàng)智能，如計(jì)算、存儲(chǔ)等，卻始終都是人類意向內(nèi)容客觀化的特殊人工制品，是人類意識(shí)的現(xiàn)實(shí)化產(chǎn)物[3]。

當(dāng)下的人工智能系統(tǒng)的各項(xiàng)功能在逐步增強(qiáng)，但卻仍然是傳統(tǒng)的閉環(huán)計(jì)算機(jī)控制系統(tǒng)。分析可知，目前世界范圍內(nèi)正在重點(diǎn)圍繞著有關(guān)人工智能中各種數(shù)學(xué)模型、算法與編程的研究，對(duì)此擬做闡釋論述如下。

1 人工智能機(jī)器系統(tǒng)的開(kāi)發(fā)應(yīng)用

通常情況下，人工智能具有許多相對(duì)獨(dú)立又相互關(guān)聯(lián)的計(jì)算機(jī)子系統(tǒng)。例如，自學(xué)習(xí)系統(tǒng)、識(shí)別系統(tǒng)、輸出動(dòng)力控制系統(tǒng)等等。這些系統(tǒng)都需要數(shù)學(xué)模型來(lái)構(gòu)建支持，而數(shù)學(xué)模型歸根究底就是算法及編程。其中，算法就是數(shù)學(xué)、概率論、統(tǒng)計(jì)學(xué)等各種數(shù)學(xué)理論的應(yīng)用體現(xiàn)，如，傳統(tǒng)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(yōu)控制算法、模糊控制算法、滑模變結(jié)構(gòu)控制算法、基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法等[4]。所以人工智能機(jī)器系統(tǒng)的開(kāi)發(fā)應(yīng)用都離不開(kāi)數(shù)學(xué)算法與數(shù)學(xué)模型。

人工智能機(jī)器的學(xué)習(xí)有2種：被動(dòng)學(xué)習(xí)和主動(dòng)學(xué)習(xí)。其中，被動(dòng)學(xué)習(xí)是通過(guò)編程賦予機(jī)器多種復(fù)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(shí)調(diào)用。主動(dòng)學(xué)習(xí)則要先進(jìn)行識(shí)別，考慮到機(jī)器的邏輯判斷就是選擇，為此利用數(shù)學(xué)模型進(jìn)行判別來(lái)實(shí)現(xiàn)機(jī)器對(duì)事物的識(shí)別即已成為人工智能系統(tǒng)的熱點(diǎn)課題。現(xiàn)階段機(jī)器的學(xué)習(xí)大多都是在人類的幫助下完成的。較為簡(jiǎn)單的機(jī)器自學(xué)習(xí)功能已經(jīng)具備，但是復(fù)雜的學(xué)習(xí)與動(dòng)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(fā)出一套功能完善的自學(xué)習(xí)系統(tǒng)模型來(lái)支持機(jī)器完成復(fù)雜的自學(xué)習(xí)任務(wù)。眾所周知，這樣的功能模型的成功問(wèn)世則要依托于大量的基礎(chǔ)理論研究及建模工作。

目前，人工智能語(yǔ)音圖像識(shí)別的研究主要立足于2個(gè)方面，就是：提高識(shí)別算法的精度及拓展計(jì)算機(jī)能夠識(shí)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(tǒng)計(jì)進(jìn)行了語(yǔ)音識(shí)別算法的研究與設(shè)計(jì)。湯榮山等人[6]提出了基于卷積神經(jīng)網(wǎng)絡(luò)和不完整步態(tài)周期的步態(tài)識(shí)別方法。Wang等人[7]構(gòu)建了一種以運(yùn)動(dòng)信息為核心的端到端物體檢測(cè)模型等等。所有人工智能的識(shí)別均是仿人識(shí)別，都是基于機(jī)器意識(shí)的選擇功能。這里即針對(duì)基本識(shí)別功能給出探討分述如下。

（1）語(yǔ)音識(shí)別。主要是通過(guò)現(xiàn)代科技將聲音信號(hào)轉(zhuǎn)換成模擬電信號(hào)，模擬信號(hào)經(jīng)過(guò)計(jì)算機(jī)采集再轉(zhuǎn)換成數(shù)字信號(hào)（A/D轉(zhuǎn)換）等待后續(xù)處理。同時(shí)，又利用計(jì)算機(jī)分析這些數(shù)字信號(hào)，運(yùn)算得到語(yǔ)音的特征值（時(shí)域特征、頻域特征等），并選用算法過(guò)濾掉與語(yǔ)音無(wú)關(guān)的信息，提取特征值參數(shù)，這些參數(shù)的質(zhì)量將直接影響語(yǔ)音識(shí)別系統(tǒng)效果的好壞。目前，語(yǔ)音識(shí)別中的3種特征值參數(shù)提取法有：線性預(yù)測(cè)系數(shù) （LPC）、線性預(yù)測(cè)倒譜系數(shù)（LPCC）和梅爾頻率倒譜系數(shù) （MFCC）。總地來(lái)說(shuō)，就是通過(guò)語(yǔ)音信號(hào)處理、語(yǔ)音特征值提取后建立起語(yǔ)音特征值統(tǒng)計(jì)模型，再與數(shù)據(jù)庫(kù)中的參考模型進(jìn)行匹配識(shí)別。其中，語(yǔ)音識(shí)別算法的核心就是語(yǔ)音特征值統(tǒng)計(jì)模型的建立。

（2）圖像識(shí)別。圖像識(shí)別中的人臉識(shí)別技術(shù)現(xiàn)已廣泛應(yīng)用于金融、安檢、安防、手機(jī)App等相關(guān)領(lǐng)域。而實(shí)踐中常見(jiàn)的二維人臉識(shí)別技術(shù)已經(jīng)臻至成熟，但卻仍會(huì)受到光照、表情、姿態(tài)等因素的影響。相對(duì)于二維識(shí)別技術(shù)來(lái)說(shuō)，三維人臉識(shí)別技術(shù)的應(yīng)用前景更加廣闊，因其對(duì)識(shí)別對(duì)象面部特征的反映更加地真實(shí)，包含的空間信息也更加豐富，而且還表現(xiàn)出更高的防偽性，以及更高信息的安全性[8]。諸如，傳統(tǒng)的三維人臉識(shí)別技術(shù);近年來(lái)眾多科學(xué)家專注于利用深度學(xué)習(xí)框架自動(dòng)學(xué)習(xí)數(shù)據(jù)特征實(shí)現(xiàn)的人臉識(shí)別技術(shù)等等。

2 人工智能機(jī)器系統(tǒng)的發(fā)展現(xiàn)狀與不足

2.1 智能系統(tǒng)的“功能積累”

要想實(shí)現(xiàn)機(jī)器的智能化，在實(shí)際操作中就要編制類別豐富的學(xué)習(xí)、邏輯判斷程序。而當(dāng)機(jī)器識(shí)別到某一種情況時(shí)，可迅速調(diào)取具體程序來(lái)處理相應(yīng)問(wèn)題。例如，機(jī)器對(duì)人聲的識(shí)別。當(dāng)機(jī)器接收到高分貝、高頻的聲音信號(hào)，先要識(shí)別該語(yǔ)音信號(hào)是否具有人聲特點(diǎn)，在此條件下再做分類判斷，系統(tǒng)會(huì)建立該語(yǔ)音的特征值模型并啟用參考模型來(lái)進(jìn)行對(duì)比識(shí)別等等。

因此，系統(tǒng)中可調(diào)取的判斷、識(shí)別程序算法的準(zhǔn)確度和程序的數(shù)量決定了人工智能系統(tǒng)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(gè)源程序的積累過(guò)程。

2.2 人工智能系統(tǒng)發(fā)展的基礎(chǔ)瓶頸

綜前所述可知，人工智能機(jī)器系統(tǒng)的研究重點(diǎn)在于算法編程，目前國(guó)內(nèi)關(guān)于人工智能數(shù)學(xué)課程的建設(shè)卻仍亟待完善。對(duì)此可做分析總述如下。

（1）數(shù)學(xué)課程建設(shè)理念落后。表現(xiàn)之一是：人工智能數(shù)學(xué)基礎(chǔ)的課程建設(shè)滯后于現(xiàn)實(shí)需要;之二是：人工智能數(shù)學(xué)基礎(chǔ)的課程建設(shè)的開(kāi)發(fā)力度不夠。

（2）大學(xué)數(shù)學(xué)的教師隊(duì)伍及教學(xué)不能滿足人工智能發(fā)展要求。大學(xué)的數(shù)學(xué)教學(xué)應(yīng)該與時(shí)俱進(jìn)，并能將理論與實(shí)踐有效結(jié)合起來(lái)。例如，對(duì)于一個(gè)識(shí)別系統(tǒng)的數(shù)學(xué)建模。從人工智能的需求來(lái)講，建立特征值數(shù)學(xué)模型是教學(xué)實(shí)踐任務(wù)，但是由于一些原因，教師卻只是注重傳授理論知識(shí)，而對(duì)于數(shù)學(xué)的課題研發(fā)實(shí)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(dá)到靈活實(shí)用標(biāo)準(zhǔn)[9]。

（3）交叉科學(xué)的教學(xué)與科研仍顯欠缺。目前調(diào)研發(fā)現(xiàn)，國(guó)內(nèi)學(xué)生在大學(xué)期間只注重本專業(yè)教育，忽視專業(yè)間知識(shí)聯(lián)系與融合，即便在研究生教育階段，這一現(xiàn)象也依然存在。當(dāng)前人工智能系統(tǒng)的發(fā)展需要的正是具備交叉領(lǐng)域知識(shí)的專業(yè)技術(shù)人才。例如，在設(shè)計(jì)仿生機(jī)器人時(shí)，設(shè)計(jì)者要考慮法律、法規(guī)，以及傳統(tǒng)的人文習(xí)慣。在大數(shù)據(jù)應(yīng)用方面，要考慮個(gè)人隱私的保護(hù);在高級(jí)機(jī)器人的研究中，要考慮賦予機(jī)器人感性色彩等。所以，人工智能的發(fā)展就需要交叉科學(xué)研究來(lái)拓展其應(yīng)用領(lǐng)域，提高其開(kāi)發(fā)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(nèi)容，在計(jì)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(jìn)，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(jī)器系統(tǒng)的發(fā)展前景分析

現(xiàn)有研究中，文獻(xiàn)[11]通過(guò)分析人工智能的技術(shù)發(fā)展路線可知，人工智能機(jī)器不論是基于符號(hào)主義、聯(lián)結(jié)主義還是行為主義，都不是基于對(duì)人類認(rèn)知能力的探求，不能明確語(yǔ)句和語(yǔ)詞的意義，機(jī)器不具有意向性，因此，人工智能機(jī)器并不具備人類理解能力。目前為止，機(jī)器仍未能理解“前因后果”。文獻(xiàn)[12]從人類進(jìn)化、認(rèn)知發(fā)展以及認(rèn)知過(guò)程的特點(diǎn)等多個(gè)方面及視角來(lái)討論不同主體對(duì)于人工智能技術(shù)的態(tài)度和行為，把這種態(tài)度和行為轉(zhuǎn)化為具體的人工智能設(shè)計(jì)規(guī)范和標(biāo)準(zhǔn)，推動(dòng)人工智能的良性發(fā)展。對(duì)此可詳述如下。

3.1 人工智能機(jī)器系統(tǒng)的機(jī)器意識(shí)功能

目前，人工智能機(jī)器的重要功能多是依靠“給予”，即科研人員把各類判斷、識(shí)別方法編程植入機(jī)器系統(tǒng)。所以近期人工智能的發(fā)展除了大量算法設(shè)計(jì)、軟件研發(fā)外，另一個(gè)基本方向就是硬件系統(tǒng)的升級(jí)。人類必須制造出存儲(chǔ)空間更大、運(yùn)算速度更快、體積更小的計(jì)算機(jī)才能滿足機(jī)器意識(shí)功能的擴(kuò)展。未來(lái)的人工智能的發(fā)展在于整體科技的進(jìn)步，如生物學(xué)的研究與創(chuàng)新、量子理論的研究與突破、微電子的基礎(chǔ)研究與突破、網(wǎng)絡(luò)科技的巨大進(jìn)步等等。其中，利用量子理論來(lái)突破算法瓶頸，建立強(qiáng)效功能模型則將是未來(lái)人工智能技術(shù)取得重大突破的關(guān)鍵所在[13]。

3.2 網(wǎng)絡(luò)與人工智能

人工智能與互聯(lián)網(wǎng)的融合開(kāi)拓了一個(gè)以網(wǎng)絡(luò)大數(shù)據(jù)平臺(tái)支持的智能系統(tǒng)，使得人工智能系統(tǒng)的設(shè)計(jì)與應(yīng)用前景無(wú)限廣闊。人工智能系統(tǒng)的設(shè)計(jì)需要計(jì)算機(jī)專家、控制論專家、心理學(xué)家、社會(huì)學(xué)家等等的通力配合與協(xié)作，需要不同專業(yè)的知識(shí)交流，互聯(lián)網(wǎng)的優(yōu)勢(shì)之一就在于此[14]。基于網(wǎng)絡(luò)的人工智能系統(tǒng)能夠避免設(shè)計(jì)上的許多盲區(qū)，研究者可以通過(guò)網(wǎng)絡(luò)解決諸多問(wèn)題并得出最優(yōu)結(jié)果。隨著互聯(lián)網(wǎng)的飛速發(fā)展，無(wú)論是網(wǎng)速、帶寬、還是無(wú)線上網(wǎng)的方式都會(huì)為人工智能系統(tǒng)的開(kāi)發(fā)提供越來(lái)越便利的條件，將來(lái)甚至有可能發(fā)展出人工智能系統(tǒng)模塊，設(shè)計(jì)者只要在網(wǎng)絡(luò)上利用模塊組合即可完成智能設(shè)計(jì)。最終就是機(jī)器技術(shù)功能的模塊化、接口網(wǎng)絡(luò)化。

3.3 人機(jī)共生

人機(jī)互交并不僅限于人類的體能，同時(shí)可適用于人機(jī)的智能。科學(xué)家和工程師將其腦部信息處理與機(jī)器設(shè)備組合起來(lái)，以構(gòu)建一個(gè)比單獨(dú)的人類或是單獨(dú)的機(jī)械設(shè)備更加高效的系統(tǒng)。利克萊德提出了“人機(jī)共生”概念[15]。當(dāng)前，隨著生物技術(shù)與材料科學(xué)的高速發(fā)展，人與機(jī)器意識(shí)層面的信息交流已存在實(shí)現(xiàn)的可能。意識(shí)有可能完全被生物學(xué)家的“腦電波和神經(jīng)信號(hào)”所取代、即所謂的“意識(shí)的神經(jīng)相關(guān)項(xiàng)（NCC）”觀點(diǎn)，或是單純的“信息與數(shù)碼”、即所謂的“意識(shí)的物理相關(guān)項(xiàng)（PCC）”[16]。近幾年出版的《自然》雜志上發(fā)布一項(xiàng)科研成果，加州大學(xué)舊金山分校的科學(xué)家設(shè)計(jì)了一種神經(jīng)解碼器，利用人類大腦皮層活動(dòng)中編碼的運(yùn)動(dòng)學(xué)和聲音表征，將腦信號(hào)轉(zhuǎn)換為可理解的合成語(yǔ)音，并以流利說(shuō)話者的速度輸出，準(zhǔn)確率達(dá)到90%左右。

可以預(yù)見(jiàn)，未來(lái)人工智能的研究重點(diǎn)就在于人與智能機(jī)器意識(shí)層面的信息交流，技術(shù)上需要攻克的難題是意識(shí)“神經(jīng)芯片”[17]的設(shè)計(jì)制造。意識(shí)“神經(jīng)芯片”能夠連接人腦與智能機(jī)器，可完成人腦意識(shí)與機(jī)器意識(shí)的信息交流，起到信息連接作用。

4 結(jié)束語(yǔ)

人工智能的機(jī)器意識(shí)與人類意識(shí)有本質(zhì)的區(qū)別。通過(guò)分析人工智能學(xué)習(xí)的原理及特點(diǎn)可知，人工智能的開(kāi)發(fā)應(yīng)用技術(shù)重點(diǎn)在于算法開(kāi)發(fā)，也就是各類機(jī)器技術(shù)功能的開(kāi)發(fā)應(yīng)用;其發(fā)展瓶頸在于數(shù)學(xué)建模與算法的創(chuàng)新研究;其未來(lái)發(fā)展方向在于網(wǎng)絡(luò)大數(shù)據(jù)與人工智能的信息互交融合;以“人機(jī)共生”為基礎(chǔ)的大腦意識(shí)“神經(jīng)芯片”技術(shù)的研發(fā)突破。

參考文獻(xiàn)

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

[2] 金吳亦美. ?從哲學(xué)角度探討人工智能的未來(lái)發(fā)展[J]. 現(xiàn)代商貿(mào)工業(yè)，2020，41（14）：197-198.

[3] 柳海濤. ?人工智能的心靈哲學(xué)基礎(chǔ)[N]. 社會(huì)科學(xué)報(bào)，2020-06-11（5）.

[4] 阮曉剛，陳巖，肖堯，等. 基于參數(shù)尋優(yōu)的自學(xué)習(xí)算法在兩輪機(jī)器人控制上的應(yīng)用[J]. 北京工業(yè)大學(xué)學(xué)報(bào)，2017，43（7）：1060-1067.

[5] 彭熙，錢瑩晶，黃錦，等. 基于特征值統(tǒng)計(jì)的語(yǔ)音識(shí)別算法的研究與設(shè)計(jì)[J]. 科技資訊，2019，17（22）：1-3，5.

[6] 湯榮山，葛萬(wàn)成. 基于卷積神經(jīng)網(wǎng)絡(luò)和不完整步態(tài)周期的步態(tài)識(shí)別方法[J]. 通信技術(shù)，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(wǎng)絡(luò)的三維人臉識(shí)別[J]. 計(jì)算機(jī)應(yīng)用，2020，40（9）：2514-2518.

[9] 查明明，劉志平. 《人工智能的數(shù)學(xué)基礎(chǔ)》課程建設(shè)研究[J]. 教育現(xiàn)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(xué)技術(shù)哲學(xué)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(huì)科學(xué)，2020（3）：31-36，186-187.

[12]杜嚴(yán)勇. 恐怖谷效應(yīng)探析[J]. 云南社會(huì)科學(xué)，2020（3）：37-44，187.

[13]王凱寧. 量子機(jī)器學(xué)習(xí)與人工智能的實(shí)現(xiàn)-基于可計(jì)算性與計(jì)算復(fù)雜性的哲學(xué)分析[J]. 科學(xué)技術(shù)哲學(xué)研究，2019，36（6）：32-36.

[14]周美玲，郭曉磊. 人工智能在計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)中的運(yùn)用[J]. 開(kāi)封大學(xué)學(xué)報(bào)，2015，29（2）：92-93.

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

[16]尚鳳森. 意識(shí)神經(jīng)生物學(xué)的哲學(xué)研究[D]. 太原：山西大學(xué)，2018.

[17]吳浩揚(yáng)，吳裕遠(yuǎn). 神經(jīng)芯片技術(shù)的研究進(jìn)展[J]. 生物化學(xué)與生物物理進(jìn)展，2004（1）：89-93.

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

[19]王志良，李明，谷學(xué)靜. 腦與認(rèn)知科學(xué)概論[M]. 北京：北京郵電大學(xué)出版社，2011.