人工智能怎么成为现实的？

导读：本篇文章新媒号来给大家介绍有关人工智能怎么成为现实的的相关内容，希望对大家有所帮助，一起来看看吧。

“AI技术+招聘场景”何时才能成为现实？

如今，“AI技术+招聘场景”结合的各种应用开始成为现实。未来的话，AI技术在招聘行业的应用很有可能全面的去替代专业的HR。我们可以拭目以待。

近日，拉勾网宣布上线全新的企业及招聘者身份审核机制，并引入百度AI协作板块，引入人脸识别等智能方式审核验证企业HR身份与资质，未来还将用人工智能技术核验营业执照、工牌、在职证明，以及用于简历、聊天记录等内容的风险控制。

继去年AlphaGo击败围棋世界冠军以来，AI技术商业化应用的速度明显加快，在交通出行、家庭服务、医疗、商业、招聘等领域，开始替代人工完成一部分工作。一些从业者在享受AI技术带来便利的同时，也感到了压力。

机器人筛简历速度“秒杀”人类，但灵活性不足

几个月前，一场由猎聘主办，被称为招聘领域的“人机大战”用比分给出了答案。这次挑战者来自互联网公司的五位资深HR和猎头，参赛双方要从3700万简历中快速筛选出10份与招聘职位需求最匹配的简历。

这是一场围绕职位要求和候选人进行匹配的比赛，包括技术岗与产品岗位两种职位。完成简历的筛选匹配后，评审团需要从职能、技能、行业、薪资、学历、地区匹配度等六个维度对参赛选手进行打分，总分（满分为25分）最高者则被视为赢得本次比赛。

随着蓝色屏幕亮起，人类与AI机器人比分为18.96：18.60。结果显示，完成整个比赛事项，AI机器人仅用了0.0152秒，是人类平均速度的63882倍；在职位匹配度、地区匹配度上，机器人的匹配效率高于人类；在技能匹配度上，两者则打了个平手。

尽管以0.36的微弱分值败于人类，但AI机器人“在人岗匹配、在对人的理解方面”，仍然超出了猎聘网创始人兼CEO戴科彬的预期。“在简历搜寻的任务中，地区、薪资等方面是比较简单直接的条件，所以算法可以通过简单逻辑实现而且不会犯错误；在行业背景和技能要求方面，通过运用神经网络和自然语言处理等技术，算法已经能够进行较为准确的理解和相似度的判断。”这款伯乐机器人的设计者、猎聘首席数据官单艺告诉中国青年报·中青在线记者，目前AI机器人已经能够较好地理解大部分的显性要求，如职能、技能、薪资、学历、地区等，算法的匹配水平能够和专业招聘人员相当；但是在需要面对面沟通的隐性条件，如文化、价值观、气质等方面，算法还无法替代人的沟通和判断。

在结果中，机器人和人类在学历匹配度上差距最大，而造成这个差距的原因，主要是机器人不能识别“专升本”属于哪一种学历类型。这也体现了机器人思维的灵活性较为有限。对此，单艺解释称，针对“本科以上”的职位要求，在设计机器人算法时，便“专升本”判定为符合条件；但事实上，在很多招聘官（尤其是高端猎头）看来，专升本是不如本科的。因而这一筛选结果引发了在场几位评委的不同意见，“机器人在根据企业、HR偏好，对于人才软性指标做出个性化选择方面，仍然不够。”

评委团成员之一，阿里巴巴大文娱招聘专家周晓磊认为，在大规模地从海量简历中选人方面，机器人和人类的差距几乎可以忽略不计，AI机器人更能够提升整体的招聘效率。

机器人在筛选简历的速度上远超人类，这已不是什么新鲜事。据报道，今年3月，在北美著名猎头公司SourceCon举办的一场行业竞赛中，一个基于人工智能对求职者进行筛选评级的机器人“Brilent”，仅用了3.2秒，就从5500份简历中筛选出了合适的候选人，精确度在参赛者中位列第三。这个团队基于成员在Facebook时积累的数据结构化处理和细化领域匹配经验，利用AI技术，将符“人岗匹配”的求职者进行排序，让HR从机械、繁琐的简历筛选中解脱出来，能够更聚焦于后续的面试选择流程。

高精度人岗匹配：让人工智能学习HR怎么做招聘

今年6月，戴科彬宣布，猎聘要通过大数据以及人工智能方面的探索，进一步提升招聘效率，丰富招聘生态；9月12日，创新工场董事长、CEO李开复在“2017中国人工智能峰会”上表示，人工智能要真正做到取代人力，还需要有充分的数据量以及精准的场景作为前提。

从简单的职位信息罗列分类，到基于大数据挖掘的人岗匹配系统，近几年，已经有不少全行业在线招聘企业通过数据积累，形成了自己的“人才库”。在此基础上，依据简历信息或职位要求，进行人和职位的匹配，已经成为现阶段人工智能技术在招聘领域的主要应用。

作为一家专注于为企业提供移动招聘服务的初创互联网公司，仟寻移动招聘的CEO王向导曾在一篇文章中指出，对于同一个职位，在充分的数据量和人工干预下，基于JD（职位描述）和简历的文本匹配技术是否能够达到有效甄选的水平，是否能使得系统（机器学习过程）输出近似于人类选择的结果，可以衡量AI的效度。这一过程，包含简历信息与职位要求的匹配、候选人与企业岗位的匹配两层维度。

“AI+招聘”在猎聘的应用，是从2014年开始的。据单艺介绍，在研发探索的过程中，他们发现，判断“能否基于用户行为数据和职位、简历内容，进行高精确度推荐”、“对职位需求、行业领域了解是否详细”、“对跨职业、跨行业的跳槽者，能否实现经验与能力的个性化职位推荐”等方面，成了人工智能应用于招聘行业需要面对的挑战。据了解，目前多数招聘网站可以利用数据抓取和人工智能语义分析达到第一层维度的匹配，而第二层维度的精准匹配，对人工智能的个性化推荐则提出了更高的要求。

“机器筛选首先需要积累知识、经验，能够进行语义解读；其次还要学习HR和猎头的行为，懂得他们如何进行人岗匹配。”在单艺看来，后者更为关键，即运用深度画像、语义匹配和基于HR偏好的个性化推荐。

为了让人工智能变得像HR一样“思考”，拥有国内外企业17年数据挖掘和系统研发经验的单艺带领团队，要求机器主动向人类学习。他们设计了一套对客户企业HR开放的算法系统，让HR对“机器推荐的简历”作出合适与否的反馈，当反馈行为和数据有了一定程度的积累沉淀，机器便可以从选择差异中理解不同HR的偏好，形成一个能够处理数以千计的不同行业和职能的匹配模型。哪怕是针对同一职位，也可能给予互不相同的推荐结果。

“现在我的机器人伯乐已经在为HR干活了。”据单艺介绍，目前猎聘在推荐简历量方面，算法推荐的业务量，要远超总业务量的50%，准确度与一般猎头的水平持平。

这种智能推荐算法，被他们称为“聪明的系统”。“让机器人学习HR如何做招聘，而不会直接告诉他‘这个应该怎么做、那个应该怎么做’。”单艺强调。

打通企业与求职者间的信息“鸿沟”

人工智能在招聘行业日益受到欢迎，背后是日益增长的招聘业务需求。

依据艾瑞咨询数据统计，预计到2018年，中国中小企业数量将超过8700万家，求职者数有望突破1.6亿人。搜索大量的简历，筛选潜在的候选人以匹配各行业的职位（尤其是非高端职位），已经成为了猎头和HR招聘工作中，重复性最多的一项。

据媒体报道，从2016年7月到2017年6月，AI的应用已经逐渐扩散到了全球68个国家的招聘环节中，在过去一年多里，联合利华就已在北美地区尝试利用人工智能招聘员工，涵盖了用算法筛选简历、游戏测验、人脸识别等方式，甚至不需要人类面试官参与。在国内，截至今年7月，也有不下10家初创公司号称是人工智能+招聘的领导者，力求通过技术解决招聘人力成本高、实际转化率低等招聘端与求职端信息不畅的问题。

成立于2016年的互联网智能招聘平台牛直聘所采取的方式是，通过简历分解、个性化推荐等方式，对企业（尤其是中小型企业）职位与简历实现精准综合匹配；初创招聘平台Teamable则运用AI算法挖掘应聘者的社交网络数据，力图从社交记录切入，打造精准的人才推荐闭环；而垂直于校园招聘领域的迷你校，也通过数据挖掘和AI算法设计智能匹配模型，针对不同企业自动筛选推荐简历，并对0~3年职业经历的求职者提供建议。

但单艺始终强调，在招聘行业，人工智能仅仅是一项工具，并不能代替人类，而是“帮人类作出更准确、更有依据的判断，让猎头和HR从事更有价值和创造性的工作。”从某种程度上说，人工智能在招聘领域的应用，在对行业经验要求不高的中低端人才或职位招聘中更容易得到推广。

一位专注于消费品行业中高端人才的猎头顾问对中国青年报·中青在线记者坦言，尽管每天需要频繁变换关键词搜索人才库的简历、打十几个电话与候选人联系，但这一过程所需要的随机应变等带有鲜明社交属性的专业沟通经验，是人工智能难以达到的。

“越是高端的人才、重要的高管职位，企业的HR越慎重，越需要专业的猎头对接。”北京亿聘世纪管理咨询公司总经理王广元也提出，诸如对产品经理等职能岗位的候选人，还要通过产品设计思路等软性指标进行考量，“这对于机器来说是一个弱势”。　戴科彬指出，“人工智能不能马上替代猎头，供需双方数据不足是根本原因。”他提到，人岗匹配对招聘平台所掌握的求职者数据，以及企业方提供的需求描述均提出了较高需求，加上招聘的动态性和灵活性，在完善智能产品的同时，“人的因素在人工智能招聘中有着不可替代的作用。”

在时下的秋招季中，面对批量涌入求职端的应届生和供需不平衡的校园招聘市场，单艺期待，未来，AI技术可以通过分析市场职位的供求数据、挖掘企业的个性需求，提前给予适合应届生的就业指导，拓宽他们的眼界和选择范围，让企业和应届生的需求更高效地匹配。

前沿专访 - 商汤科技栾青：人工智能的基础是现实世界数字化

栾青认为， AI是把现实世界数字化的重要工具。有了人工智能，就可以在虚拟世界里更快生成人、物、场景，大大降低元宇宙的构建门槛和成本 。AR/VR与AI的结合，能跨行业解决很多不同问题。除了 游戏 、社交外，在工业、建筑、医疗等产业数字化领域，也有比较多的应用空间。

不过，栾青也指出，目前相关产业还是处于初期发展的阶段，不管是硬件体验、内容生成平台，还是所涉及的经济系统、授权认证系统等均需时间来建立。 五年通常被认为是硬件的一个迭代周期，而最终的成熟时间依然很难预测 。但在终极的数字世界建立之前，会有比较多的雏形形态，能够解决日常生活中的一些问题。

人工智能的核心，在于持续把现实世界数字化

栾青：不管是称其为元宇宙，还是叫混合现实，或者数字世界也好，类似的概念已经存在非常久了。目前来看，AI所起到的作用主要包括三个方面。

首先，人需要拥有一个新的身份，AI将帮助大家以数字分身Avatar，更好地进入到虚拟世界里；其次是虚拟世界的多模态人机交互体验，即这些数字人对不同的虚拟世界、不同服务进行人机的交互；第三，虚拟要与真实结合，AI可以更快速地构建虚拟世界。

《科创板日报》：当下已经有哪些落地的应用场景？

栾青：目前所基于的载体是各类屏幕、电子设备，比如手机、电脑、大屏，当然还有开始初步应用的VR和AR眼镜。

在To C的应用方面，包括了各种各样的VR社交应用、会议系统等。在To B的方向，较为常见的是通过智能数字人，来替代某一项服务的重复性劳动。比如在商场、银行、医院等，数字人可以帮助前台来完成刷卡、来访登记等这些简单、重复的工作。

AI还能实现三维内容的快速生成，比如通过无人机或者手机快速扫描，就可以把现实场景在数字空间里建立起来。这在智慧城市的管理，智能遥感技术的应用已经非常多了。

在今年冬奥会期间，我们就对冰壶赛场冰立方的整个场馆进行了三维数字化。通过AI技术捕捉冰壶在三维场景中的位置，成功实现了在超大空间范围内，远距离精准检测并识别定位跟踪可能被遮挡的运动冰壶。不仅如此，我们还通过“虚实结合”的方式，在现场大屏和咪咕视频还原冰壶的运动轨迹曲线。这不仅可以帮助运动员分析研判对战形式，适时调整战术，还能让观众更好地了解和感受冰壶运动的精髓。

《科创板日报》：完成对水立方场景的三维数字化重建，大概需要多久时间？

栾青：我们在场馆内走一圈的时间大概是十几、二十分钟，然后在两个小时之内就能把整个水立方冰壶比赛场馆进行完整建模。这还是普通服务器的建模速度，如果使用性能更强的服务器，还有可能会更快。

《科创板日报》：AI为现实世界数字化所带来的效率提升，您有没有相关的数据？

栾青：比如， 过去建立一个数字人，平均时长大概剩3-4个月。通过AI的优化之后，在初步情况下可达到一个月以内。未来我们还将会把整个流程优化到以天为单位的级别 ，这样可以让很多行业高效率使用自己的虚拟形象代言人，这是我们正在努力的方向。

可以说，现实世界数字化，是AI最核心在做的事情。如何更快生成人、物、场景，降低成本和门槛，而不是需要专业的设计师花很长时间才能做完。

《科创板日报》：所谓现实世界数字化，在产业化场景也有应用空间，比如说像工业领域一直在提的数字孪生。

栾青：是的， 三维建模和数字化管理是比较通用的技能，可以跨行业解决很多不同问题 。在工业、建筑、医疗等等，都有比较多的可能性。

其中，工业是非常典型的场景。我们也实现了许多工厂，包括对工业园区、工业厂房等的快速三维建模。通过快速三维建模后，对现有的各种摄像头设备或者其他分配的信号进行连接，就形成了一个典型的数字孪生场景。

AI的优势在于，不需要设计师进行场景的三维重建 ，这是一项较为劳动力密集的工作。我们用 普通的民用摄像头产品，甚至手机围绕现场走一圈就可以把场景快速地建立出来 。

而且这些部署的摄像头，可以实现三维高清定位，快速地标定至三维的空间位置中，这样不管厂区还是园区的数字化管理就会非常高效地进行。

数据化和硬件体验是两大挑战

《科创板日报》：“AI+XR”的结合应用还是处于初期发展阶段，您觉得可能还存在哪些挑战？

栾青：挑战主要有两个方面。

首先是体验。这是需要全行业一起解决的事情，包括大家常说的VR或AR内容生态，依赖整个行业一系列的技术提升，把整个体验和内容建立起来。

其次则是数据化。虚拟世界或者说数字世界的存在，最终要帮助到真实世界解决实际的问题。但挑战在于，很多的场景是具有长尾效应。比如在工厂，有些设备是在别的厂区见不到的，或者在这个特殊行业才拥有的，那就需要进行一系列长尾内容的数据化。 如何高效率低成本识别不同的内容，并且实时的数据化到我们系统当中，这也是一大挑战 。

《科创板日报》:虚拟现实应用要真正发展起来的话，可能涉及到哪些关键产业链？

栾青：首先 硬件的产业链肯定是第一步 。必须采用大家习惯、能够日常使用的体验方式，才能普及。就像手机如果非常重，又很昂贵，那么大家不太可能用起来，很多应用也无从落脚。

所以，硬件成本的降低，以及重量、散热、耗能等的提升，仍然要不断去攻克的瓶颈。由此来看， 光学显示，包括轻量化的芯片等，应该都会有较强的发展空间。同时，基于硬件的各种智能化，包括手势识别、面部驱动，三维人建模等内容工具，也亟待发展 。

内容生成平台也非常关键 。三维比二维的内容制作要复杂很多。以前可能只有 游戏 厂商，需要做复杂的三维内容，但投入也是非常大的。 如果我们希望走向全民普适，比如银行、商场、办事大厅等，都进入到三维数字世界之中，你发现成本就会变得非常巨大 。各种各样高效的内容生产工具和平台也会有一轮需要被突破的过程。

此外，如果所有人都需要在三维互联网进行更深入地交流，那么大规模云端的协同性计算，也会有一个巨大的发展契机。当然，还包括经济系统、授权认证系统等，都要在这个体系下被建立起来。

看好数字文创和数字人

《科创板日报》：您预估成熟期需要多久呢？

栾青：现在还比较难预测。不过， 在终极的数字世界建立之前，会有比较多的雏形形态，可以解决日常生活中比较多的问题 。

比如刚才提到的数字人在垂直领域的应用，已经可以消除很多服务体验和效率上的难点。并不一定非要有全新的硬件或者不同的内容生产生态。只要在专业领域做得比较好，就可以有效地提升生产效率。这种行业级别的应用，我们认为已经到来了。

而 全民的、普适性的三维互联网级别，可能还需要一定的发展周期，大家常说5年是一个硬件迭代周期，我们也拭目以待 。

《科创板日报》：目前比较有前景的应用，除了数字人之外还有哪些？

栾青：数字世界需要各种各样的内容，人是一方面，物是另一方面。把很多现实物品进行数字化，也已经成为一个重要的体验环节。

在这方面，数字文创拥有比较大的发展契机。我们已经与敦煌、故宫等大型IP合作，来进行数字内容的体验提升，更好地展示中国传统文化的魅力。

事实上，数字世界可以有更大的创造空间，展示现实文创产品展现不了的内容。 过去是数字赋能实物，现在是实物赋能数字，通过AI/AR的方式，把虚拟的数字内容附着在实体上面，这是我们对数字文创的定义 。

《科创板日报》：您在人工智能从事研究工作多年，您认为人工智能对人类而言，所具有的最大意义是什么？

栾青：人工智能本质上模拟了人类大脑处理信号的方式。在人工智能出现之前，计算机只能处理数字化的信号，没有办法表达自己的思想，依然需要人对这些信号进行解析，才让其变得有意义。

人工智能出现，首先是把现实世界数字化。这样计算机在很多领域就能看懂现实世界的信号，而不用依靠人力。计算机可以自动地、主动去做一些事情，这样提升了数据处理的效率。 其核心是解决了信息入口的问题。也就是原先需要人进行输入，现在整个世界的数据信息不断自动地流入到计算世界里。

当然，人工智能不只是解决入口问题，还要进行各种三维数字内容生成，这是另一价值所在。这方面，人工智能可以把许多重复性劳动替代掉，也是我认为未来重要的发展方向。

人工智能的发展,主要经历哪几个阶段?

1 孕育阶段

这个阶段主要是指1956年以前。自古以来，人们就一直试图用各种机器来代替人的部分脑力劳动，以提高人们征服自然的能力，其中对人工智能的产生、发展有重大影响的主要研究成果包括：

早在公元前384-公元前322年，伟大的哲学家亚里士多德(Aristotle)就在他的名著《工具论》中提出了形式逻辑的一些主要定律，他提出的三段论至今仍是演绎推理的基本依据。

英国哲学家培根(F. Bacon)曾系统地提出了归纳法，还提出了“知识就是力量”的警句。这对于研究人类的思维过程，以及自20世纪70年代人工智能转向以知识为中心的研究都产生了重要影响。

德国数学家和哲学家莱布尼茨(G. W. Leibniz)提出了万能符号和推理计算的思想，他认为可以建立一种通用的符号语言以及在此符号语言上进行推理的演算。这一思想不仅为数理逻辑的产生和发展奠定了基础，而且是现代机器思维设计思想的萌芽。

英国逻辑学家布尔(C. Boole)致力于使思维规律形式化和实现机械化，并创立了布尔代数。他在《思维法则》一书中首次用符号语言描述了思维活动的基本推理法则。

英国数学家图灵(A. M. Turing)在1936年提出了一种理想计算机的数学模型，即图灵机，为后来电子数字计算机的问世奠定了理论基础。

美国神经生理学家麦克洛奇(W. McCulloch)与匹兹(W. Pitts)在1943年建成了第一个神经网络模型(M-P模型)，开创了微观人工智能的研究领域，为后来人工神经网络的研究奠定了基础。

美国爱荷华州立大学的阿塔纳索夫(Atanasoff)教授和他的研究生贝瑞(Berry)在1937年至1941年间开发的世界上第一台电子计算机“阿塔纳索夫-贝瑞计算机(Atanasoff-Berry Computer，ABC)”为人工智能的研究奠定了物质基础。需要说明的是：世界上第一台计算机不是许多书上所说的由美国的莫克利和埃柯特在1946年发明。这是美国历史上一桩著名的公案。

由上面的发展过程可以看出，人工智能的产生和发展绝不是偶然的，它是科学技术发展的必然产物。

2 形成阶段

这个阶段主要是指1956-1969年。1956年夏季，由当时达特茅斯大学的年轻数学助教、现任斯坦福大学教授麦卡锡(J. MeCarthy)联合哈佛大学年轻数学和神经学家、麻省理工学院教授明斯基(M. L. Minsky)，IBM公司信息研究中心负责人洛切斯特(N. Rochester)，贝尔实验室信息部数学研究员香农(C. E. Shannon)共同发起，邀请普林斯顿大学的莫尔(T.Moore)和IBM公司的塞缪尔(A. L. Samuel)、麻省理工学院的塞尔夫里奇(O. Selfridge)和索罗莫夫(R. Solomonff)以及兰德(RAND)公司和卡内基梅隆大学的纽厄尔(A. Newell)、西蒙(H. A. Simon)等在美国达特茅斯大学召开了一次为时两个月的学术研讨会，讨论关于机器智能的问题。会上经麦卡锡提议正式采用了“人工智能”这一术语。麦卡锡因而被称为人工智能之父。这是一次具有历史意义的重要会议，它标志着人工智能作为一门新兴学科正式诞生了。此后，美国形成了多个人工智能研究组织，如纽厄尔和西蒙的Carnegie-RAND协作组，明斯基和麦卡锡的MIT研究组，塞缪尔的IBM工程研究组等。

自这次会议之后的10多年间，人工智能的研究在机器学习、定理证明、模式识别、问题求解、专家系统及人工智能语言等方面都取得了许多引人注目的成就，例如：

在机器学习方面，1957年Rosenblatt研制成功了感知机。这是一种将神经元用于识别的系统，它的学习功能引起了广泛的兴趣，推动了连接机制的研究，但人们很快发现了感知机的局限性。

在定理证明方面，美籍华人数理逻辑学家王浩于1958年在IBM-704机器上用3~5min证明了《数学原理》中有关命题演算的全部定理(220条)，并且还证明了谓词演算中150条定理的85%，1965年鲁宾逊(J. A. Robinson)提出了归结原理，为定理的机器证明作出了突破性的贡献。

在模式识别方面，1959年塞尔夫里奇推出了一个模式识别程序，1965年罗伯特(Roberts)编制出了可分辨积木构造的程序。

在问题求解方面，1960年纽厄尔等人通过心理学试验总结出了人们求解问题的思维规律，编制了通用问题求解程序(General Problem Solver，GPS)，可以用来求解11种不同类型的问题。

在专家系统方面，美国斯坦福大学的费根鲍姆(E. A. Feigenbaum)领导的研究小组自1965年开始专家系统DENDRAL的研究，1968年完成并投入使用。该专家系统能根据质谱仪的实验，通过分析推理决定化合物的分子结构，其分析能力已接近甚至超过有关化学专家的水平，在美、英等国得到了实际的应用。该专家系统的研制成功不仅为人们提供了一个实用的专家系统，而且对知识表示、存储、获取、推理及利用等技术是一次非常有益的探索，为以后专家系统的建造树立了榜样，对人工智能的发展产生了深刻的影响，其意义远远超过了系统本身在实用上所创造的价值。

在人工智能语言方面，1960年麦卡锡研制出了人工智能语言(List Processing，LISP)，成为建造专家系统的重要工具。

1969年成立的国际人工智能联合会议(International Joint Conferences On Artificial Intelligence，IJCAI)是人工智能发展史上一个重要的里程碑，它标志着人工智能这门新兴学科已经得到了世界的肯定和认可。1970年创刊的国际性人工智能杂志《Artificial Intelligence》对推动人工智能的发展，促进研究者们的交流起到了重要的作用。

3 发展阶段

这个阶段主要是指1970年以后。进入20世纪70年代，许多国家都开展了人工智能的研究，涌现了大量的研究成果。例如，1972年法国马赛大学的科麦瑞尔(A. Comerauer)提出并实现了逻辑程序设计语言PROLOG；斯坦福大学的肖特利夫(E. H. Shorliffe)等人从1972年开始研制用于诊断和治疗感染性疾病的专家系统MYCIN。

但是，和其他新兴学科的发展一样，人工智能的发展道路也不是平坦的。例如，机器翻译的研究没有像人们最初想象的那么容易。当时人们总以为只要一部双向词典及一些词法知识就可以实现两种语言文字间的互译。后来发现机器翻译远非这么简单。实际上，由机器翻译出来的文字有时会出现十分荒谬的错误。例如，当把“眼不见，心不烦”的英语句子“Out of sight，out of mind”。翻译成俄语变成“又瞎又疯”；当把“心有余而力不足”的英语句子“The spirit is willing but the flesh is weak”翻译成俄语，然后再翻译回来时竟变成了“The wine is good but the meat is spoiled”，即“酒是好的，但肉变质了”；当把“光阴似箭”的英语句子“Time flies like an arrow”翻译成日语，然后再翻译回来的时候，竟变成了“苍蝇喜欢箭”。由于机器翻译出现的这些问题，1960年美国政府顾问委员会的一份报告裁定：“还不存在通用的科学文本机器翻译，也没有很近的实现前景。”因此，英国、美国当时中断了对大部分机器翻译项目的资助。在其他方面，如问题求解、神经网络、机器学习等，也都遇到了困难，使人工智能的研究一时陷入了困境。

人工智能研究的先驱者们认真反思，总结前一段研究的经验和教训。1977年费根鲍姆在第五届国际人工智能联合会议上提出了“知识工程”的概念，对以知识为基础的智能系统的研究与建造起到了重要的作用。大多数人接受了费根鲍姆关于以知识为中心展开人工智能研究的观点。从此，人工智能的研究又迎来了蓬勃发展的以知识为中心的新时期。

这个时期中，专家系统的研究在多种领域中取得了重大突破，各种不同功能、不同类型的专家系统如雨后春笋般地建立起来，产生了巨大的经济效益及社会效益。例如，地矿勘探专家系统PROSPECTOR拥有15种矿藏知识，能根据岩石标本及地质勘探数据对矿藏资源进行估计和预测，能对矿床分布、储藏量、品位及开采价值进行推断，制定合理的开采方案。应用该系统成功地找到了超亿美元的钼矿。专家系统MYCIN能识别51种病菌，正确地处理23种抗菌素，可协助医生诊断、治疗细菌感染性血液病，为患者提供最佳处方。该系统成功地处理了数百个病例，并通过了严格的测试，显示出了较高的医疗水平。美国DEC公司的专家系统XCON能根据用户要求确定计算机的配置。由专家做这项工作一般需要3小时，而该系统只需要0.5分钟，速度提高了360倍。DEC公司还建立了另外一些专家系统，由此产生的净收益每年超过4000万美元。信用卡认证辅助决策专家系统American Express能够防止不应有的损失，据说每年可节省2700万美元左右。

专家系统的成功，使人们越来越清楚地认识到知识是智能的基础，对人工智能的研究必须以知识为中心来进行。对知识的表示、利用及获取等的研究取得了较大的进展，特别是对不确定性知识的表示与推理取得了突破，建立了主观Bayes理论、确定性理论、证据理论等，对人工智能中模式识别、自然语言理解等领域的发展提供了支持，解决了许多理论及技术上的问题。

人工智能在博弈中的成功应用也举世瞩目。人们对博弈的研究一直抱有极大的兴趣，早在1956年人工智能刚刚作为一门学科问世时，塞缪尔就研制出了跳棋程序。这个程序能从棋谱中学习，也能从下棋实践中提高棋艺。1959年它击败了塞缪尔本人，1962年又击败了一个州的冠军。1991年8月在悉尼举行的第12届国际人工智能联合会议上，IBM公司研制的“深思”(Deep Thought)计算机系统就与澳大利亚象棋冠军约翰森(D. Johansen)举行了一场人机对抗赛，结果以1:1平局告终。1957年西蒙曾预测10年内计算机可以击败人类的世界冠军。虽然在10年内没有实现，但40年后深蓝计算机击败国际象棋棋王卡斯帕罗夫(Kasparov)，仅仅比预测迟了30年。

1996年2月10日至17日，为了纪念世界上第一台电子计算机诞生50周年，美国IBM公司出巨资邀请国际象棋棋王卡斯帕罗夫与IBM公司的深蓝计算机系统进行了六局的“人机大战”。这场比赛被人们称为“人脑与电脑的世界决战”。参赛的双方分别代表了人脑和电脑的世界最高水平。当时的深蓝是一台运算速度达每秒1亿次的超级计算机。第一盘，深蓝就给卡斯帕罗夫一个下马威，赢了这位世界冠军，给世界棋坛以极大的震动。但卡斯帕罗夫总结经验，稳扎稳打，在剩下的五盘中赢三盘，平两盘，最后以总比分4:2获胜。一年后，即1997年5月3日至11日，深蓝再次挑战卡斯帕罗夫。这时，深蓝是一台拥有32个处理器和强大并行计算能力的RS/6000SP/2的超级计算机，运算速度达每秒2亿次。计算机里存储了百余年来世界顶尖棋手的棋局，5月3日棋王卡斯帕罗夫首战击败深蓝，5月4日深蓝扳回一盘，之后双方战平三局。双方的决胜局于5月11日拉开了帷幕，卡斯帕罗夫在这盘比赛中仅仅走了19步便放弃了抵抗，比赛用时只有1小时多一点。这样，深蓝最终以3.5：2.5的总比分赢得这场举世瞩目的“人机大战”的胜利。深蓝的胜利表明了人工智能所达到的成就。尽管它的棋路还远非真正地对人类思维方式的模拟，但它已经向世人说明，电脑能够以人类远远不能企及的速度和准确性，实现属于人类思维的大量任务。深蓝精湛的残局战略使观战的国际象棋专家们大为惊讶。卡斯帕罗夫也表示：“这场比赛中有许多新的发现，其中之一就是计算机有时也可以走出人性化的棋步。在一定程度上，我不能不赞扬这台机器，因为它对盘势因素有着深刻的理解，我认为这是一项杰出的科学成就。”因为这场胜利，IBM的股票升值为180亿美元。

4 人工智能的学派

根据前面的论述，我们知道要理解人工智能就要研究如何在一般的意义上定义知识，可惜的是，准确定义知识也是个十分复杂的事情。严格来说，人们最早使用的知识定义是柏拉图在《泰阿泰德篇》中给出的，即“被证实的、真的和被相信的陈述”(Justified true belief，简称JTB条件)。

然而，这个延续了两千多年的定义在1963年被哲学家盖梯尔否定了。盖梯尔提出了一个著名的悖论(简称“盖梯尔悖论”)。该悖论说明柏拉图给出的知识定文存在严重缺陷。虽然后来人们给出了很多知识的替代定义，但直到现在仍然没有定论。

但关于知识，至少有一点是明确的，那就是知识的基本单位是概念。精通掌握任何一门知识，必须从这门知识的基本概念开始学习。而知识自身也是一个概念。因此，如何定义一个概念，对于人工智能具有非常重要的意义。给出一个定义看似简单，实际上是非常难的，因为经常会涉及自指的性质(自指：词性的转化——由谓词性转化为体词性，语义则保持不变)。一旦涉及自指，就会出现非常多的问题，很多的语义悖论都出于概念自指。

自指与转指这一对概念最早出自朱德熙先生的《自指与转指》(《方言》1983年第一期，《朱德熙文集》第三卷)。陆俭明先生在《八十年代中国语法研究》中(第98页)说：“自指和转指的区别在于，自指单纯是词性的转化－由谓词性转化为体词性，语义则保持不变；转指则不仅词性转化，语义也发生变化，尤指行为动作或性质本身转化为指与行为动作或性质相关的事物。”

举例：

①教书的来了(“教书的”是转指，转指教书的“人”)；教书的时候要认真(“教书的”语义没变，是自指)。

②Unplug一词的原意为“不使用(电源)插座”，是自指；常用来转指为不使用电子乐器的唱歌。

③colored在表示having colour(着色)时是自指。colored在表示有色人种时，就是转指。

④rich，富有的，是自指。the rich，富人，是转指。

知识本身也是一个概念。据此，人工智能的问题就变成了如下三个问题：一、如何定义(或者表示)一个概念、如何学习一个概念、如何应用一个概念。因此对概念进行深人研究就非常必要了。

那么，如何定义一个概念呢？简单起见，这里先讨论最为简单的经典概念。经典概念的定义由三部分组成：第一部分是概念的符号表示，即概念的名称，说明这个概念叫什么，简称概念名；第二部分是概念的内涵表示，由命题来表示，命题就是能判断真假的陈述句。第三部分是概念的外延表示，由经典集合来表示，用来说明与概念对应的实际对象是哪些。

举一个常见经典概念的例子——素数(prime number)，其内涵表示是一个命题，即只能够被1和自身整除的自然数。

概念有什么作用呢？或者说概念定义的各个组成部分有什么作用呢？经典概念定义的三部分各有作用，且彼此不能互相代替。具体来说，概念有三个作用或功能，要掌握一个概念，必须清楚其三个功能。

第一个功能是概念的指物功能，即指向客观世界的对象，表示客观世界的对象的可观测性。对象的可观测性是指对象对于人或者仪器的知觉感知特性，不依赖于人的主观感受。举一个《阿Q正传》里的例子：那赵家的狗，何以看我两眼呢？句子中“赵家的狗”应该是指现实世界当中的一条真正的狗。但概念的指物功能有时不一定能够实现，有些概念其设想存在的对象在现实世界并不存在，例如“鬼”。

第二个功能是指心功能，即指向人心智世界里的对象，代表心智世界里的对象表示。鲁迅有一篇著名的文章《论丧家的资本家的乏走狗》，显然，这个“狗”不是现实世界的狗，只是他心智世界中的狗，即心里的狗(在客观世界，梁实秋先生显然无论如何不是狗)。概念的指心功能一定存在。如果对于某一个人，一个概念的指心功能没有实现，则该词对于该人不可见，简单地说，该人不理解该概念。

最后一个功能是指名功能，即指向认知世界或者符号世界表示对象的符号名称，这些符号名称组成各种语言。最著名的例子是乔姆斯基的“colorless green ideas sleep furiously”，这句话翻译过来是“无色的绿色思想在狂怒地休息”。这句话没有什么意思，但是完全符合语法，纯粹是在语义符号世界里，即仅仅指向符号世界而已。当然也有另外，“鸳鸯两字怎生书”指的就是“鸳鸯”这两个字组成的名字。一般情形下，概念的指名功能依赖于不同的语言系统或者符号系统，由人类所创造，属于认知世界。同一个概念在不同的符号系统里，概念名不一定相同，如汉语称“雨”，英语称“rain”。

根据波普尔的三个世界理论，认知世界、物理世界与心理世界虽然相关，但各不相同。因此，一个概念的三个功能虽然彼此相关，也各不相同。更重要的是，人类文明发展至今，这三个功能不断发展，彼此都越来越复杂，但概念的三个功能并没有改变。

在现实生活中，如果你要了解一个概念，就需要知道这个概念的三个功能：要知道概念的名字，也要知道概念所指的对象(可能是物理世界)。更要在自己的心智世界里具有该概念的形象(或者图像)。如果只有一个，那是不行的。

知道了概念的三个功能之后，就可以理解人工智能的三个学派以及各学派之间的关系。

人工智能也是一个概念，而要使一个概念成为现实，自然要实现概念的三个功能。人工智能的三个学派关注于如何才能让机器具有人工智能，并根据概念的不同功能给出了不同的研究路线。专注于实现AI指名功能的人工智能学派成为符号主义，专注于实现AI指心功能的人工智能学派称为连接主义，专注于实现AI指物功能的人工智能学派成为行为主义。

1. 符号主义

符号主义的代表人物是Simon与Newell，他们提出了物理符号系统假设，即只要在符号计算上实现了相应的功能，那么在现实世界就实现了对应的功能，这是智能的充分必要条件。因此，符号主义认为，只要在机器上是正确的，现实世界就是正确的。说得更通俗一点，指名对了，指物自然正确。

在哲学上，关于物理符号系统假设也有一个著名的思想实验——本章1.1.3节中提到的图灵测试。图灵测试要解决的问题就是如何判断一台机器是否具有智能。

图灵测试将智能的表现完全限定在指名功能里。但马少平教授的故事已经说明，只在指名功能里实现了概念的功能，并不能说明一定实现了概念的指物功能。实际上，根据指名与指物的不同，哲学家约翰·塞尔勒专门设计了一个思想实验用来批判图灵测试，这就是著名的中文屋实验。

中文屋实验明确说明，即使符号主义成功了，这全是符号的计算跟现实世界也不一定搭界，即完全实现指名功能也不见得具有智能。这是哲学上对符号主义的一个正式批评，明确指出了按照符号主义实现的人工智能不等同于人的智能。

虽然如此，符号主义在人工智能研究中依然扮演了重要角色，其早期工作的主要成就体现在机器证明和知识表示上。在机器证明方面，早期Simon与Newell做出了重要的贡献，王浩、吴文俊等华人也得出了很重要的结果。机器证明以后，符号主义最重要的成就是专家系统和知识工程，最著名的学者就是Feigenbaum。如果认为沿着这条路就可以实现全部智能，显然存在问题。日本第五代智能机就是沿着知识工程这条路走的，其后来的失败在现在看来是完全合乎逻辑的。

实现符号主义面临的观实挑成主要有三个。第一个是概念的组合爆炸问题。每个人掌握的基本概念大约有5万个，其形成的组合概念却是无穷的。因为常识难以穷尽，推理步骤可以无穷。第二个是命题的组合悖论问题。两个都是合理的命题，合起来就变成了没法判断真假的句子了，比如著名的柯里悖论(Curry’s Paradox)(1942)。第三个也是最难的问题，即经典概念在实际生活当中是很难得到的，知识也难以提取。上述三个问题成了符号主义发展的瓶颈。

2. 连接主义

连接主义认为大脑是一切智能的基础，主要关注于大脑神经元及其连接机制，试图发现大脑的结构及其处理信息的机制、揭示人类智能的本质机理，进而在机器上实现相应的模拟。前面已经指出知识是智能的基础，而概念是知识的基本单元，因此连接主义实际上主要关注于概念的心智表示以及如何在计算机上实现其心智表示，这对应着概念的指心功能。2016年发表在Nature上的一篇学术论文揭示了大脑语义地图的存在性，文章指出概念都可以在每个脑区找到对应的表示区，确确实实概念的心智表示是存在的。因此，连接主义也有其坚实的物理基础。

连接主义学派的早期代表人物有麦克洛克、皮茨、霍普菲尔德等。按照这条路，连接主义认为可以实现完全的人工智能。对此，哲学家普特南设计了著名的“缸中之脑实验”，可以看作是对连接主义的一个哲学批判。

缸中之脑实验描述如下：一个人(可以假设是你自己)被邪恶科学家进行了手术，脑被切下来并放在存有营养液的缸中。脑的神经末梢被连接在计算机上，同时计算机按照程序向脑传递信息。对于这个人来说，人、物体、天空都存在，神经感觉等都可以输入，这个大脑还可以被输入、截取记忆，比如截取掉大脑手术的记忆，然后输入他可能经历的各种环境、日常生活，甚至可以被输入代码，“感觉”到自己正在阅读这一段有趣而荒唐的文字。

缸中之脑实验说明即使连接主义实现了，指心没有问题，但指物依然存在严重问题。因此，连接主义实现的人工智能也不等同于人的智能。

尽管如此，连接主义仍是目前最为大众所知的一条AI实现路线。在围棋上，采用了深度学习技术的AlphaGo战胜了李世石，之后又战胜了柯洁。在机器翻译上，深度学习技术已经超过了人的翻译水平。在语音识别和图像识别上，深度学习也已经达到了实用水准。客观地说，深度学习的研究成就已经取得了工业级的进展。

但是，这并不意味着连接主义就可以实现人的智能。更重要的是，即使要实现完全的连接主义，也面临极大的挑战。到现在为止，人们并不清楚人脑表示概念的机制，也不清楚人脑中概念的具体表示形式表示方式和组合方式等。现在的神经网络与深度学习实际上与人脑的真正机制距离尚远。

3. 行为主义

行为主义假设智能取决于感知和行动，不需要知识、表示和推理，只需要将智能行为表现出来就好，即只要能实现指物功能就可以认为具有智能了。这一学派的早期代表作是Brooks的六足爬行机器人。

对此，哲学家普特南也设计了一个思想实验，可以看作是对行为主义的哲学批判，这就是“完美伪装者和斯巴达人”。完美伪装者可以根据外在的需求进行完美的表演，需要哭的时候可以哭得让人撕心裂肺，需要笑的时候可以笑得让人兴高采烈，但是其内心可能始终冷静如常。斯巴达人则相反，无论其内心是激动万分还是心冷似铁，其外在总是一副泰山崩于前而色不变的表情。完美伪装者和斯巴达人的外在表现都与内心没有联系，这样的智能如何从外在行为进行测试？因此，行为主义路线实现的人工智能也不等同于人的智能。

对于行为主义路线，其面临的最大实现困难可以用莫拉维克悖论来说明。所谓莫拉维克悖论，是指对计算机来说困难的问题是简单的、简单的问题是困难的，最难以复制的反而是人类技能中那些无意识的技能。目前，模拟人类的行动技能面临很大挑战。比如，在网上看到波士顿动力公司人形机器人可以做高难度的后空翻动作，大狗机器人可以在任何地形负重前行，其行动能力似乎非常强。但是这些机器人都有一个大的缺点一能耗过高、噪音过大。大狗机器人原是美国军方订购的产品，但因为大狗机器人开动时的声音在十里之外都能听到，大大提高了其成为一个活靶子的可能性，使其在战场上几乎没有实用价值，美国军方最终放弃了采购。

人工智能如何从科幻走向现实中？

人工智能是近年来引起大家很大兴趣的一个领域：它的研究方向是用机器，通常为电子仪器、电脑等，尽可能地自拟人的精神活动，并且争取在这些方面最终改善并超出人的能耐；其研究领域及应用范围十分广泛、例如，电子定理证明、推理、模式识别、权威知识系统、智能机器人、学习、博彩、自然语言理解等等。

模式识别可能是人工智能这门学科中最基本也是最重要的一部分。简单来说，模式识别根本就是让电脑能够认识它周围的事物，使我们与电脑的沟通更加自然与方便。它包括字词识别(读)、语音识别(听)、语音合成(说)、自然语言理解与电脑图形识别。现在的电脑可以说是又耸又哑，而且还得个瞎子，如果模式识别技能能够得到充分发展并应用于电脑，那我们就能够很自然地与电脑进行沟通，开也不需要记那些英语的命令就可以立接向电脑下命令。这也为智能机器人的研究给予了必要要求，它能使机器人能够像人相同与外面的世纪进行沟通。

在人工智能的应用当中最有趣的应该根本就是机器人了其实机器人的范围很广，不仅包括各种外型的智能机器人，还包括一些用于工业生产的、用于代替人类劳动的机器人、现在的机器人技能在制造只有某一种功能的机器人方面已经取得了一定的成果、但是要研制一种多功能、人性化的智能机器人，还需要不少时间。到了那时，我们在科幻片中看到的人类与机器人的矛盾不知会不会成为现实。

权威系统具有一定的商业特性、它先把某一种行业(譬如医学、法律等等)的主要知识都输入到电脑的系统知识库里，再由设计者根据这些知识之间的特有关系和职业人员的历练，设计出一个系统，这个系统不仅能够为使用者给予这个行业知识的查询、建议等效劳，更重要的是作为一个人工智能系统、必须具有电子推理、学习的能耐。权威系统经常应用于各种商业用途，例如单位内部的客户息系统，决策支持系统，以及我们在世面上可以看见的医学顾问、法津顾问等软件。

除此之外，在我们生活中的许多地方都能找到人工智能的影子。例如许多家用电器里都有智能芯片，汽车、飞机的夺航系统，电动游或里的人工专能程序，以及某些特制的能够帮忙人的电子产品。

人工智能什么时候能够成为现实？真到要等到下个世纪甚至更远吗？计算机发展很迅速啊。人工智能都能做什么

上面的 不要 瞎说 谁说 依现有科技完全可以实现，但基本没人去做这方面的事情。 人工智能各国都在研究还属初阶段 比较前沿的科技 最先进的可能算日本 美国等国的人工智能 中国除了新闻中报道的超级计算机外 在人工智能领域 还算不上领先 相信未来会更好 上次的 上海世博会 他国就展现了相关的 人工智能方面的机器人等 其他智能化产品 你可以上网查阅相关的资料 论坛讨论 更清楚 也许 会像你说的那样等到下世纪或者更远 不过谁也说不定 科技的高速发展 已超越多人的预料 当步步接近真理的时候 有天人们又会发现被真理抛到层层迷雾之中 各国也有简单应用一些人工智能方面的 平时多关注科技等资讯 多少会了解点的

人工智能能从虚幻走到现实吗？

所以我想在不久的将来人工智能会渐渐取代当今人类创造出来的所有“故事”，带我们踏入一方不可名状的虚幻国度。对于未来的幻想，它可能会使地球上大部分的人失业，就像《未来简史》一书中幻想的人类重回奴隶社会，一部分人借助人工智能成为超人的联想。也有可以会如我想，进入一个又人工智能开创的大数据时代，创造出一些列的人工智能，在国家间的争斗的同时，互相利用人工智能探索外太空，利用人工智能去创建一个新的地球。并且在人工智能的基础之上实现意识上的长生不老，穿梭在亿万的光年探索宇宙。这也许才是人类最想去的虚幻国度。

结语：以上就是新媒号为大家整理的关于人工智能怎么成为现实的的相关内容解答汇总了，希望对您有所帮助！如果解决了您的问题欢迎分享给更多关注此问题的朋友喔～

以上内容为新媒号(sinv.com.cn)为大家提供！新媒号，坚持更新大家所需的百科知识。希望您喜欢！