人工智能的.规划-.doc

2
人工智能领域
本学科领域的战略地位
18世纪的工业革命，以机器代替或减轻人的体力劳动，提高劳动生产率。20世纪的信息技术，尤其是计算机的出现，以机器代替或减轻人的脑力劳动。1956年正式形成人工智能学科。人工智能信息技术的蓬勃开展，特别是互联网的深入开展和普及，对人们的社会交往模式产生了深远的影响，其开展同时也带来了一场计算技术上的变革。继个人计算之后，信息科学技术的研究从以往重视具体技术的实现与应用，开展到更高层次上利用信息技术手段模拟社会理论、研究社会问题、特别是进行信息科学与社会科学的交叉研究。社会计算作为科学、技术与人文的数字化动态交融的交叉学科领域，目前正成为国际、国内计算机及相关领域的一个新的研究和应用热点。社会计算包含两方面的含义：一个是面向计算机或更广义的信息技术在社会活动中的应用；另一个是通过社会知识、人文知识在计算机或信息技术中的使用和嵌入，反过来提高社会活动的效益和水平。
近年来本学科领域研究现状和研究动态
过去人工智能研究存在的主要问题包括：〔1〕人工智能研究的内部三大学派很少互相沟通；〔2〕人工智能的研究与自然智能的研究互相脱节；〔3〕回避或疏忽了智能科学的根本问题〔如智能的生成机制、智能与知识的关系、智能与情感的关系、智能与意识的关系等〕。这些问题在相当程度上限制和延缓了人工智能研究的进展。为了解决这些问题，中国人工智能学会在2006年纪念“人工智能诞生50周年〞的国际会议上，提出开展智能科学技术，并得到与会各国代表高度认可和响应。
即将召开的2021年国际人工智能联合会议(IJCAI)首次将人工智能与相关学科领域的交叉研究作为大会中心议题，这是一个重要的信号。不同于传统人工智能研究中侧重于模拟个体的学习、逻辑推理等高级认知能力，研究者们已经认识到人类智能的本质是一种社会性的智能。智能行为更多的是在由群体构成的社会环境下完成各种社会活动时表达出来的。这些社会活动往往涉及由多个个体构成的社会团体，需要社会群体的协作来完成。因此，人工智能研究有必要结合交叉学科领域的成果，探索社会智能的根底理论和社会计算的模型与方法，使智能研究不断向更深更广阔的领域延拓。
5
与二十年前的世界相比拟，今天的世界所面临的最大不同就是，因特网的普及和深入使社会现象的“尺度〞和“速度〞迅速地向极端化开展，例如，社会上每个人每件事的影响都可能通过网络以极快的速度向整个社会传播，深刻地改变了人与人、人与社会之间的交互方式，更使当代许多社会问题显著地呈现出动态性、快速性、开放性、交互性和数据海量化等特点，与此相关的社会管理和政策制定问题也越来越复杂。人工智能研究必须适应这种现实，在研究个体智能行为的同时，考虑社会智能问题。
未来5-10年本学科领域的开展布局、优先领域以及与其它学科交叉的重点方向

1、非线性问题
这是自机器学习出现之日起，就存在的研究课题，这也是机器学习一个永恒的研究课题。在过去20年间，这个问题主要采用三个解决途径，这些研究将长期继续下去：
寻找一个映射，将非线性问题映射到一个线性空间，从而，将问题转换为在新的空间的线性问题。典型的例子是核方法。
分别建立不同的子模型，将问题变为在子模型张成的空间上的优化问题，其本质类似分段线性的思想。典型的例子是集群学习。
假设自然模型是一个低维流形，即，可局部引进坐标的拓扑空间，这就是流形学习。这也可以考虑为解决复杂非线性问题的方案之一。
近期，直接考虑非线性基函数优化的观点又开始抬头。由于这涉及非凸优化的问题，因此，理论进展比拟缓慢，其计算效率也是一个不得不面对的问题。尽管如此，实验研究正在开展。
2、独立同分布(iid)问题
目前机器学习的大多数理论需要样本集满足独立同分布条件。而目前绝大多数领域的数据是不可控地自然涌现的，因此，这个条件难以满足，特别是同分布条件，这是机器学习的最根本假设。
对同分布有两个不同解释：其一，如果以开展算法为研究目标，其关键问题是如何设计有效的测试集，以说明算法的有效性，其二，对实际应用，测试需要直接面对自然模型。
目前对这个问题有以下几个可能的解决途径，其本质均是直接或间接补充必要的样本：
6
迁移学习。其原理是将以前在相关或相似领域中已有的知识 “迁移〞到新领域中，以有效地完成当前的学习任务。由此，可以派生大量的研究课题。
降维学习。通过对数据降维，使得数据稠密，以表现某些统计性质。但是，降维更为本质的目的是为了解释自然模型中变量之间的关系。
经验模型。专家经验的重要性在于，专家具有洞察没有观察到的样本的能力，其本质是对自然模型分布的猜测。
对独立条件有两个情况：变量之间关系可以显式地描述和不能显式地描述。