⭐探寻人工智能2(人工智能真的靠谱吗)

本篇文章给大家谈谈探寻人工智能,以及探寻人工智能2对应的知识点，希望对各位有所帮助，不要忘了收藏本站！

内容导航：

• 从事人工智能行业需要学什么?
• 《贤二机器僧漫游人工智能》epub下载在线阅读，求百度网盘云资源
• AI改变世界，谁来改变AI？
• 人工智能如何搜寻外星人和近地小行星呢？
• 对人工智能的一些不成熟思考
• 人工智能真的靠谱吗

Q1：从事人工智能行业需要学什么?

首先我们谈人工智能是什么?人工智能,英文缩写为AI。它的领域范畴是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能专业是个兴盛技术专业。查看国家教育部网数据显示，高等院校第一批的人工智能专业是在2019年3月后才准许创立的。人工智能专业的方位和总体目标是探寻实践活动合适我国高等学校人工智能技术人才的培养的课程内容和教学策略，塑造中国人工智能产业链的应用性优秀人才。

简单而言，就是说对人的逻辑思维的信息内容全过程的仿真模拟。较为令人熟识的人工智能技术的运用实例，如，Google阿尔法围棋(AlphaGo)击败围棋高手李世石、柯洁，Baidu人的大脑发布的无人驾驶汽车等。时下人工智能技术的运用许多 ，如，机器视觉技术，指纹验证，面部识别，眼底黄斑分辨，虹膜识别技术，掌纹识别，数据管理系统，全自动整体规划，智能化检索，定律证实，博奕，全自动编程设计，智能控制系统，机器人学，语言和图象了解，基因遗传程序编写等。

人工智能专业的主干课程有，认知心理学、认知科学基本、人们的记忆力与学习培训、语言与逻辑思维、测算神经系统工程项目，《人工智能技术、社会发展与历史人文》、《人工智能技术社会学基本与伦理道德》，《优秀智能机器人操纵》、《认知能力智能机器人》、,《智能机器人整体规划与学习培训》、《仿生机器人》，《人工智能技术的当代方式I》《难题表述与求出》、《人工智能技术的当代方式II》《深度学习、自然语言理解、人工智能算法等》……等。

从国家新政策方面上看来，国务院办公厅下发了《新一代人工智能技术建设规划》。《整体规划》明确提出了朝向2030年在我国新一代人工智能技术发展趋势的指导方针、发展战略、重点项目和保障体系，为在我国人工智能技术的进一步加快发展趋势确立了关键基本。现阶段中国人工智能迅猛发展，中央政府也重视人工智能技术行业的发展趋势。数据显示，预估到2020年，中国人工智能产业链经营规模将超出1500亿人民币，推动有关产业链经营规模超出1万亿。但全世界人工智能技术人才资源，我国却只能5%上下，人工智能技术的优秀人才空缺超出500万。

综上可知，人工智能是发展前景非常好的专业，专业人才缺口巨大。专业都对计算机编程能力和数学的要求都是非常高，这点选择时需要仔细考虑。希望对你有帮助。

Q2：《贤二机器僧漫游人工智能》epub下载在线阅读，求百度网盘云资源

《贤二机器僧漫游人工智能》（杨朴宇）电子书网盘下载免费在线阅读

资源链接：

链接：https://pan.baidu.com/s/1zE6r6XbNDxw55pnB4odt_w

书名：贤二机器僧漫游人工智能

作者：杨朴宇

豆瓣评分：6.3

出版社：北京联合出版公司

出版年份：2016-8-1

页数：230

内容简介：

“妈妈老是唠叨怎么办？”你有过这样的困惑或烦恼吗？你会怎么回答这个问呢？“老人嘛，让着她吧。”这是全球第一个人工智能“出家人”贤二机器僧的答案。

《贤二机器僧漫游人工智能》首次全面讲述贤二机器僧创制过程。这个会念经、懂佛学、能弘法，爱“吃”冰激凌，时不时给你讲几句人生道理，立志“把善带向世界”，外表呆萌可爱、“内心”充满佛学智慧的贤二机器僧是如何出现的？机器人缘何穿上袈裟“出家”了？

看佛学和科技如何擦出“爱的火花”。“全球最高科技寺庙”龙泉寺为何涉足人工智能领域？传统佛教缘何与现代科技走在了一起？作为全球第一个机器僧，贤二机器僧的出现对佛教和科技有着怎样的积极意义和重要影响？《贤二机器僧漫游人工智能》将为我们讲述贤二机器僧背后的故事。

好玩、轻松的人工智能轻科普。从呆萌贤二机器僧的视角来解读人工智能发展史，深入探寻人工智能当下与未来的发展与意义。

作者简介：

杨朴宇

龙泉寺居士，知名媒体人与策划人。从事媒体和策划行业20余年，曾任《超市周刊》报社编辑部主任、《财富时报》总编辑、三安农业集团品牌总监、《财智领袖》杂志主编、中国电池网总编辑，目前为瑷瑅空间文化公司艺术总监。从业期间，连续获得内蒙古新闻奖和全国新闻奖。

刘鹄伟

作家、历史及传统文化研究学者。

杨朴伟

哲学博士，中国社会科学院马克思主义研究院助理研究员。

Q3：AI改变世界，谁来改变AI？

——杨澜《人工智能，真的来了》

一个巨大的怪物，向我走来。他摧毁了高大的房屋，把人们踩到脚底下，犹如踩着一只只蚂蚁，我躲在废墟里瑟瑟发抖，可就是这一点点小小的动静，似乎还是被他发现了，他剥开前面的遮挡物，直接向我伸出他的巨爪……

啊！

原来是一个梦。

看着桌面上摆放着的杨澜的书，《人工智能，真的来了》，我舒了一口气。

书的封面上，烈焰红唇的杨澜闭着眼睛，安静而祥和，前面一个欢欣跳跃着的小小人工智能，那么萌，让你忍不住想抱着亲一口。

这是人和人工智能共生的一幅美好画面。

在我的记忆中，人工智能都是科幻电影中的情节。

去年9月1日，陪孩子看《开学第一天》，对我印象最深的是人工智能AlphaGo打败围棋冠军柯洁，柯洁在现场落下了眼泪，他把最大的原因，归结为自己太心浮气躁，可是就算他再沉着冷静，在机器面前也占不到便宜。

还有机器人和人一起弹钢琴，那么高难度的钢琴曲两方都演绎得那么好，很难分清哪个是人在演奏，哪个是机器人在演奏。最终钢琴家郎朗辨别了出来，因为一首弹出了一个错音，另一首没有一处错误。显然机器人没有弹错，弹错的是人。

机器弹得再好，但他只是弹却没有感情，而人是用感情在演奏。

杨澜的这本《人工智能，真的来了》，算是我人工智能的启蒙书。

2016年，杨澜带领他的团队为探究人工智能及其未来的影响力，寻访了全球30多家顶尖实验室和研究机构，采访了80多位专家学者，力求汇集众家之大成。制作出来《探寻人工智能》纪录片，然后在此基础上她把那么多素材整理成书。

这本书从人工智能之父阿兰·图灵讲起，从人工智能的起源，一直讲到现在人工智能所达到的最高科技。

有了不起的Watson，在2011年北美热播的一档问答电视节目中PK人类选手，经过激烈角逐，赢得冠军。AlphaGo以5:0完胜围棋高手柯洁。在机器人酒店，机器人员工有两百多名，人类员工只有10名。在机器人工厂，一排排的机械臂整齐划一，24小时工作不间断。

有卖咖啡的机器人，有会跳舞的机器人，有会跟你聊天的机器人，有会画画的“绘画傻瓜”机器人，有机器人助理，有机器人厨师。

诚然，AI改变了世界。

今天以及不久的将来人工智能的应用场景，将渗透到我们生活中的方方面面，无人工厂，智能仓库，智能家居，无人驾驶正在成为现实。

人工智能没有情绪，不知疲倦，而人类有七情六欲，需要休息才能恢复体力。

人工智能能上天入地，进到最微妙最恶劣的环境中探测到我们需要的数据。很多人类无法完成的精密的外科手术，人工智能可以完成。机器人阅CT片，诊断正确率比人类医生要高出很多。

有研究指出，未来10-20年间，美国702个职业将会有一半消失，涵盖近47%的就业人员。创新工场掌门人李开复预言，未来将会有50%的工作被人工智能取代。

有文章称：“10年后，所有的卡车都是无人驾驶；不到40年，最细致的外科手术，也将要交给机器人完成；到2024年的时候，机器在语言翻译上的表现可能会超过人类。最终，研究员们发现，人工智能将在2051年将所有的工作自动化，并在2136年取代人类的所有职业。

可见，人工智能不仅仅是会取代我们的体力劳动，甚至是脑力工作和白领工作也受到了挑战。

如果今后再有朋友向我咨询他的孩子该不该学医，我想我会建议他，至少不要学放射科，因为毕业就意味着失业，那个工作很快就会被机器人取代。

人类该何去何从？

人工智能与人类最大的区别是是否拥有爱和意识，但是人工智能专家们正在试图让机器人拥有意识。

如果超级智能真的出现，世界将会是什么样子？会不会有一天，人工智能技术反噬人类？会不会有一天，机器成为“终结者”，奴役甚至毁灭人类。

《未来简史》作者尤瓦尔·赫拉利认为，21世纪经济学最重要的问题就是被机器“剩余”出来的人去干什么？以及那些掌握人工智能、基因科技的人，是否更有可能聚敛财富，制造更大的不平等？中低收入阶层的被剥夺感，中产阶级的空心化，有可能导致社会矛盾激化。他甚至预言：“历史从人类发明上帝开始，到人类成为上帝时结束。”

牛津大学研究院院长尼克·博斯特罗姆教授，他本人花了六七年时间，潜心调研，完成《超级智能》一书。他在一份关于全球灾难风险的报告中列举了12种主要风险，认为人工智能比核武器、环境灾难这些问题更加严重。他提醒人们应该把“问题多急迫”和“这个问题最终会有多大”区分开来。就风险而言，核武器风险更大，因为核武器已经产生，而超级智能不知何时出现。但如果从长远来看，一旦超级智能被发展出来，导致的灾难可能是毁灭人类，毁灭未来。

英国著名物理学家史蒂芬·霍金曾多次公开表示出对人工智能的担忧，他觉得：“对人类来说，强大的人工智能的出现可能是最美妙的事情，也可能是最糟糕的事情，我们真的不知道结局会怎样？”

特斯拉汽车公司掌门人埃隆·马斯克宣称：“随着人工智能的发展，我们将召唤出恶魔。”

然而，对于超级智能毁灭人类表示担忧的，往往不是人工智能领域的专家，后者常常这样反击：“这就像爬上一棵树，然后宣告你向登月迈进了一步一样荒谬。”

AI改变世界，谁来改变AI？

有一个“科学怪人”曾出现在作家玛丽·雪莱的梦魇中：年轻气盛的科学家弗兰肯斯坦利用生物学知识拼接出人体，并通过雷电赋予其生命，当这个生命成活时，弗兰肯斯坦激动兴奋地狂呼：“它活了！它活了！现在我有了身为上帝的感觉了！”但这个人造怪物一步步走向失控，给人类造成悲剧。

这样的悲剧到底会不会变成现实？也许谁也不敢断言。

Q4：人工智能如何搜寻外星人和近地小行星呢？

美国宇航局一份声明指出，利用机器学习等人工智能技术分析詹姆斯·韦伯太空望远镜或者凌日系外行星勘测卫星（TESS）的未来勘测数据，将帮助天文学家搜寻外星生命，探测地球邻近小行星。

戈达德太空飞行中心天体生物学家贾达·阿尼（Giada Arney）称，人工智能技术非常重要，特别是对于勘测系外行星领域的大数据集，因为我们从未来的观测中获得的数据是稀疏和嘈杂的，这真的很难理解，所以使用这些工具有很大的潜力帮助我们。

美国宇航局和英特尔、IBM、谷歌等公司合作，开发出先进的机器学习技术，每年夏季，美国宇航局会召集科技创新者和天文学家参加名为“前沿发展实验室（FDL）”的为期8周研讨活动。

戈达德太空飞行中心天体生物学家肖恩·多玛戈尔-高曼（Shawn Domagal-Goldman）说：“前沿发展实验室就像一级音乐家，带着不同的乐器，在车库里聚会即兴演奏。”

2018年，高曼和阿尼指导一个FDL研究团队，该团队开发了一种机器学习技术，利用类似大脑的“神经网络”分析太空图像，并依据系外行星大气层分子释放或者吸收的光波识别其化学属性，这种人工智能技术类似于人类大脑神经细胞，能够处理和传输信息。

研究人员使用这种神经网络技术能够比传统方法更准确地识别系外行星WASP-12b的大气分子多样性，此外，该技术还能识别何时缺乏充足数据，如果我们采用这些预测，将是非常重要的。

研究人员指出，虽然神经网络技术仍处于研发阶段，但未来有一天可能用于研究望远镜收集的数据，从而有助于缩小系外行星候选对象的范围，这些候选对象值得深入研究。

其他FDL技术也获得了很好的应用，例如：2017年一支研究小组开发了一个机器学习程序，可在短短4天内创建小行星3D模型，包括它们的大小、形状和旋转速度。同时，此类人工智能程序对于探测和偏移威胁地球的潜在小行星尤为重要。

美国宇航局从航天探测器每15分钟收集大约2千兆字节数据，太阳物理学家Madhulika Guhathakurta表示，这就是为什么需要利用更多的工具进行研究分析。

此外，研究人员建议在未来的太空飞船上使用人工智能技术，便于飞船系统做出实时科学分析，从而节省飞船与地面科学家沟通所需的时间。

阿尼指出，尽管如此，人工智能技术不会很快取代人类，因为我们还需要检查最终结果，并在专家研究分析的基础上获得结论。

Q5：对人工智能的一些不成熟思考

第一，计算的本质与智能的本质。

《类脑智能研究的回顾和展望》指出，现有人工智能系统通用性较差与其计算理论基础和系统设计原理有密不可分的关系。计算机的计算本质和基础架构是图灵机模型和冯诺伊曼体系结构，其共同的缺点是缺乏自适应性。图灵计算的本质是使用预定义的规则对一组输入符号进行处理，规则是限定的，输入也受限于预定义的形式。图灵机模型取决于人对物理世界的认知程度，因此人限定了机器描述问题，解决问题的程度。而冯诺伊曼体系结构是存储程序式计算，程序也是预先设定好的，无法根据外界的变化和需求的变化进行自我演化。总结来看，计算的本质可以用一个数学公式f(x)=y来表达，是问题求解的范畴。

那智能的本质是什么？如何表达？著名信息论和人工智能专家钟义信给了一个探讨性的定义：智能一定是在环境的作用下，人跟环境相互作用，不断的去学习，不断的去进化，在这个过程当中展开了智能的活动。反之，如果没有这种主体跟客体的相互作用，如果一切都是十全十美，如果不需要做出任何的改进，那就不需要思考、不需要学习，也就不需要智能。所以，一定要在主体跟客体相互作用过程当中来考察智能才有意义。李衍达院士在《 沿Simon 开拓下去》的报告中探讨了智能的功能与智能的机理问题，指出基因的层次没有鸿沟，人和所有生物的机理是相同的，区别的是进化：自动适应外界变化而优化自身结构的功能。而且人脑在进化过程里面通过DNA的改变，改变了神经元的连接，这个连接既记录了学习的结果，又优化了学习算法。既简化了所需要的元件，又节省了能耗，非常巧妙。

第二，关于程序员转型。

和第一个问题有关，我们都是学习图灵机模型和冯诺伊曼架构长大的，思维方式相对固定。深度学习今年非常火爆，程序员又要开始转型。关于转型，我注意到几个论调：

以上我都不太认同，人类是万物之灵，遇到新问题，学习新东西，再正常不过的事情，何来转型之说？如果非要说有什么需要转变，我觉得是到思维方式的转变：

第三，脑复杂？还是环境复杂？

傅小兰在《Simon与认知科学研究》报告中提到了《分布式认知》，指出认知现象在认知主体和环境间分布的本质：认知既分布于个体内与个体间，也分布于媒介、环境、文化、社会和时间等之中（Cole & Engestrom, 1993）。Herbert A. Simon 也指出，一个人，若视作行为系统，是很简单的。他的行为随时间而表现出的表面复杂性主要是他所处环境的复杂性的反映。人——或至少人的智力要素——也许是比较简单的，人的行为的复杂性也许大半来自人的环境，来自人对优秀设计的搜索，因此，“在相当大的程度上，要研究人类便要研究设计科学。它不仅是技术教育的专业要素，也是每个知书识字人的核心学科”。

第四，从上而下还是从下而上？

人工智能从上而下研究的开创者和代表人物是Herbert A. Simon，他当时想到，人的大脑活动是分层次的，在底层的机理没有搞清楚时，他认为也不妨碍对于高层概念、推理、问题求解层次进行研究。符号学派就是自上而下的典型代表，但至今符号学派一直受到自下而上的连接主义压制。自下而上的代表是日本的第五代计算机计划，东京大学元岗达教授提出“第五代计算机的构想”，随后日本制定了研制五代机的十年计划，总预算达4.3亿美元。以渊一博为所长的“新一代计算机技术研究所”苦苦奋战了近十年，他们几乎没有回过家，近乎玩命式的拼搏；然而，由于没有突破关键性技术难题，无法实现自然语言人机对话，程序自动生成等目标，最终于1992年宣告失败！这或许也是图灵机模型和冯诺伊曼架构的失败。然而，峰回路转，得益于分布式计算和大数据时代，深度学习成为主流的自下而上方法。近五年来，深度学习在“视”、“听”、“说”等领域取得了的巨大成功，但这还不能表明自下而上的胜利或者神经网络模型的正确。神经网络只是从下而上对大脑的粗糙模拟和抽象，是否是正确的大脑学习隐喻还不得而知。但神经网络的成功又引发了一些自下而上的尝试，据称IBM有一个名为“突触”的项目，研究芯片级类脑计算设备，支持低频率，低功耗，和大量链接等神经网络功能。

第五，鲁棒性？可解释性？魔术性？

这几个问题是现在机器学习，特别是深度学习面临的主要问题。人类犯错：水平从九段降到八段，机器犯错：水平从九段降到业余，这就是鲁棒性。鲁棒性要求，“好的时候”要好，“坏的时候”不能太坏。在封闭静态环境中，重要因素大多是“定”的，而在开放动态环境中，一切都是变的，开放环境的鲁棒性，这也是自动驾驶面临的困难所在。关于可解释性，也被称为深度学习的黑箱模型。若学习器不能给出治疗理由，则难以说服患者接受昂贵的治疗方案。若学习器不能给出停机检测的理由，则难以判断停机检测的风险和代价。这些案例都需要机器学习的模型给出解释，否则难以应用到难以用于高风险应用。而机器学习魔术性是指即便相同数据，普通用户很难获得机器学习专家级性能。就是专家之间，是特别考验团队实力的，也有一点运气在里面。门派都一样，功力不一般。

第六，目前的研究热点和我的方向。

深度学习是很火的，不过周志华说的很中肯：“深度学习中间还有很多困难而又重要的问题值得深入研究，但这些真正值得研究的问题，就我看到的情况而言，好像做的人非常少。大多数人在干什么呢？拿它做做应用，调调参数，性能刷几个点，然后发几篇文章。这样虽然容易发表文章，但恐怕很难产生有影响的成果。” 另外，周志华在引领集成学习的发展方向，CCAI17可以看到一些方向，香港科技大学计算机系主任杨强谈到的迁移学习，日本理化学研究所杉山将谈到的弱监督机器学习等。我的计划是，从历史中观其大略；感知机，神经网络，反向传播，深度学习是一条线，已经是必备的基础了；然后向增强学习发力；在技术上打通分布式系统，大数据和机器学习；在业务和需求上结合金融场景。

第七，已知和未知。

我们参考神经生理学，研制了神经网络和深度学习，并且取得了良好的效果。有人指出，大脑的生物物理结构，机制和功能只是大脑处理信息过程中的印记，其中很少一部分可用于有意识的思想（认知）。在学习未知的过程中，我们对学习到底了解了多少？在未知的区域里，既有要学习的对象，也有学习本身。

参考文献：

《人工智能走向2.0》 潘云鹤

《类脑智能研究的回顾与展望》曾毅等

《脑启发计算》苏中

《机器学习》序言 陆汝钤

《机器学习：发展与未来》周志华

《H. A. Simon学术生平》林建祥

《Simon的认知科学思想》傅小兰

《人工智能--螺旋上升的60年》高文院士

《沿Simon 开拓下去》李衍达

《塞蒙终生学术经历简介》林建祥

《人工智能的历史》中国人工智能学会

《司马贺的创新之路》史忠植

《弘扬Simon学术思想 》钟义信

《探寻大师足迹，一览马文•明斯基学术风采》史忠植

《站在巨人的肩膀上，从人工智能与认知商务》苏中

《弘扬 Simon的源头创新精神开拓“AI”的新理念新路径》钟义信

《独家 | 周志华：深度学习很有用，但过度追捧就有危险了》AI科技大本营

Q6：人工智能真的靠谱吗

一场Google AlphaGo与围棋世界冠军李世石的对弈吸引了全世界的目光，也让人工智能再度成为业界讨论的热点话题。人工智能自1943年诞生以来，在几十年的发展历程中经历了多次潮起潮落，人们却从未停止过对人工智能的研究与探索。当下，摩尔定律驱动计算力不断增长，云计算、大数据、移动互联网这些趋势在影响着人类社会的生活与生产方式，也成为人工智能的催化剂，促使着人工智能不断的演进。那么，在大数据时代到来的背景下，人工智能未来会朝着什么方向发展？人工智能在未来能够超越人类么？人工智能两大流派：联结主义和符号主义孰优孰劣？近日，在百分点数据与价值国际论坛上，来自北京大学数学学院教授林作铨、东南大学计算机与工程学院教授漆桂林、普惠金融首席数据科学家李文哲以及百分点集团技术副总裁刘译璟等多位人工智能领域的专家就这些话题进行了深度讨论。

众所周知，人类的智能主要包括归纳总结和逻辑演绎，与之对应的就是人工智能中的联结主义和符号主义两大最主要的流派。前者典型方法为神经网络、统计学习、深度学习等；而后者则包括形式语言、逻辑推理、专家系统等。这两大流派在人工智能发展历史中互有起落。而随着2006年加拿大多伦多大学教授、机器学习泰斗Geoffrey Hinton在《科学》杂志发表深度学习方面的论文，深度学习在学术界以及商业界持续升温，语音识别、图像识别、自然语言处理、搜索广告等深度学习相关的应用为之大热。作为联结主义的代表，深度学习俨然成为人工智能当下最为热门的领域。

对此，北京大学林作铨教授认为：“2006年开始迅速发展的深度学习恰恰在人工智能的基本原理方面并没有太大贡献。深度学习的本质是靠大量数据进行层级计算，第一层学习之后变成另一种表示，然后特征的抽取变成第二层，层级越多所达到的效果一定会更好；另外，深度学习每一层的计算或者所谓的学习其实本质就是应用数学问题，即解出一个信息函数，但是原则上这些非线性函数都是难计算的。因此，带来两大问题就是：首先，深度学习网络不断增加深度层级的意义；另外就是每一层级的计算的理论问题，计算数学解决不了，深度学习也解决不了。”

东南大学计算机与工程学院教授漆桂林则认为，让机器学习具备认知和推理能力是人工智能领域下一步需要真正思考的难题，“不是所有公司都拥有Google这样的大数据能力，Google跑深度学习的效果非常好。但是换了另外一家公司却可能没那么好的效果。如何在更小数据量上面提高机器的学习能力，其实需要让它具有认知和推理能力。目前几个深度学习领域的权威专家已经在不同场合表示需要把人类的规则推理引入到神经网络，使得神经网络具有更好的解释性。”

“人们对于深度学习的理解还没到我们想要的人工智能的程度，想要通过深度学习的模型达到人的智慧还非常难做到。”普惠金融首席数据科学家李文哲补充道。

对于符号主义而言，认为人工智能源自数学逻辑，核心思想就是应用逻辑推理法则，在人工智能中体现就是机器定理证明。符号主义认为知识是信息的一种形式，是构成智能的基础，知识表示、知识推理、知识运用是人工智能的核心，知识通过符号表示，认知即为符号的推理过程，推理过程又可通过形式化语言来描述，并且主张通过逻辑方法来建立人工智能统一体系。林作铨教授表示：“符号主义的核心目标仍然是探寻人工智能的基本原理，属于基础研究。人工智能的原始目的之一就是通过计算机来模拟人的智能行为，探寻智能的基本原理，这个目标还远远没有达到。”

人工智能之所有在当下受到广泛关注，除了类似Watson参加危险游戏、Google AlphaGo对战围棋世界冠军这些热门事件外，更多的是来自基于人工智能的应用开始得到广泛使用，比如银行领域的自动欺诈检测系统应用、零售商的销售定价、智能家居机器人、人脸识别系统、自动语音识别等等。那么对于公司而言，在人工智能领域方向是选择联结主义还是符号主义呢？

对此，普惠金融首席数据科学家李文哲以金融业为例表示两种方向都非常有用，他表示：“金融领域的特点是，公司刚成立不会拥有大量数据，因此不会尝试联结主义这种做法，因为像深度学习肯定需要大量的数据才能得到一个较好的结果。在数据量较少的时候，专家的经验才是最重要的，这就属于符号主义。比如对欺诈的分析、信用风险的评估，这些都是基于专家先前的经验来做的。而当公司发展多年之后，积累了大量的数据样本，则可以尝试联结主义的算法。”在李文哲看来，采用符号主义还是联结主义最大的考虑因素就是数据量，“具体到公司业务上考虑联结主义还是符号主义就是公司的数据量和数据复杂度，符号主义很多都是靠经验，很多逻辑是人为去定义。而当数据量非常庞大、而且属性又非常复杂的时候，就很难用这种方式去定义，这时候就需要采用深度学习的方式。”

不过，在李文哲看来，深度学习仍然处于发展的初级阶段，用户仍然在做很多尝试和实验，他表示：“深度学习从2006年开始逐渐火起来，但还是较初级的阶段，很多做深度学习的人在‘蛮干’，尝试不同的方法。当发展到一定阶段之后，就会有人研究理论层面。”

通常，人工智能往往划分为三个层级，即弱人工智能、强人工智能以及超人工智能。像Google的AlphaGo就是弱人工智能的典型代表，在某一单个领域拥有强大的人工智能程序；另外，像机器人写稿、Siri、微软小冰等都属于这个层级；通常弱人工智能并没有自主意识，按照固定结构去计算，并获取答案。而随着大数据以及计算能力的普及，弱人工智能可以被看成已经基本实现。那么，能够主动寻找问题、构造问题的模型、并解决问题的强人工智能什么时候到来？甚至超过人类的超人工智能时代离我们又有多远？

众多专家认为强人工智能或者超人工智能时代将会在不远的将来到来。美国未来学家、Google工程主管Ray.Kurzweil在其《奇点临近》一书中更是预言：“2045年左右，人工智能将会来到一个'奇点'，跨越这个临界点，人工智能将超越人类智慧，人类历史将会彻底改变。”不过，林作铨教授并不认同这种观点，他表示：“关于人工智能威胁人类的话题这几十年以来都一直持续不断，我并不认同2045年会是人工智能超越人类的时间奇点，最近几年搞的强人工智能，也有人称之为通用人工智能，基本都不了了之，在短时间能很难看到实现的可能。”

“人工智能已经有很多成熟的方法得到了应用，已经成为基础设施中重要的一部分。历史上，人工智能也热过好几次，这次人工智能热对于人工智能发展有推动作用，虽然可能有泡沫，但是这个过程其实对人工智能发展有帮助。”林作铨教授最后表示道。

关于探寻人工智能和探寻人工智能2的介绍到此就结束了，不知道你从中找到你需要的信息了吗？如果你还想了解更多这方面的信息，记得收藏关注本站。