人工ai智能教育范文

導語：如何才能寫好一篇人工ai智能教育，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

[關鍵詞] 雙相I型抑郁障礙；緩解期；抑郁發作期；神經認知功能；損害

[中圖分類號] R749.4 [文獻標識碼] A [文章編號] 1673-9701（2016）09-0013-03

[Abstract] Objective To compare the neurocognitive impairment between remission stage and depressive episode of patients with bipolar I depressive disorder. Methods Patients with bipolar I depressive disorder admitted to our hospital were randomly selected and 49 cases were assigned to the remission group and 49 assigned to the episode group. Other 45 healthy people who did physical examination at the same period were selected as the control group. The scores of Global Assessment Function（GAF）， Hamilton Depressing Rating Scale（HDRS） and overall cognitive function of the three groups were compared. Results The scores of the GAF， HRDS and overall cognitive function of patients from remission group were as follows（74.27±14.62）， （4.21±1.92） and （46.06±13.65）； the scores of patients from episode group were（58.41±15.73）， （16.53±4.48） and （41.75±13.65）； the scores of patients from control group were（91.54±4.64）， （1.75±0.33） and（49.95±14.12）. Scores of HDRS of patients from episode group were higher than patients from the other two groups and the remission group had higher HDRS scores than control group and the differences had statistic significance（P

[Key words] Bipolar I depressive disorder； Remission stage； Depressive episode； Neurocognitive function； Impairment

雙相障礙（bipolar disorder，BD）是臨床中由多種因素引起的疾病，又稱為狂躁抑郁癥，該疾病的臨床癥狀主要有不定期出現的狂躁與抑郁[1]。同時，狂躁抑郁癥反復交替出現。除以上表現，患者還有睡眠的不規律變化以及神經認知方面功能的不斷改變[2]。根據調查顯示，該疾病不僅包括情緒調控異常，還包括睡眠覺醒異常以及認知方面的缺陷[3]。同時，雙相障礙的患者除了患有躁狂急性發作期和抑郁急性發作期外，還在一定程度上存在對認知方面的功能異常[4]。因此，病程的長短與引發疾病的多種因素有著密切關系，而且認知功能損害還有可能是導致雙相障礙的一個主要原因。為了對雙相障礙患者在有關神經認知方面的功能情況進行了解，本篇文章主要將我院收治的雙相I型抑郁障礙患者作為研究對象，通過回顧分析，對雙相I型抑郁障礙患者緩解期以及發作期時神經認知功能產生的損害進行分析與探討，為臨床預防治療提供有效的參考依據，現報道如下。

1 資料與方法

1.1 一般資料

隨機抽取2012年3月～2015年5月我院收治的雙相Ⅰ型抑郁障礙患者作為研究對象，通過回顧分析，選取49例障礙緩解期患者為緩解組，49例抑郁發作期患者為發作組，再選取醫院45例同期體檢的健康者為對照組。緩解組男25例、女24例，年齡18～50歲，平均（29.5±6.9）歲，病程 2～20年，平均（9.67±4.75）年；發作組男30例，女19例，年齡20～55 歲，平均（32.4±4.9）歲，病程 3～18 年，平均（8.54±3.75）年；對照組男20例、女25例，年齡18～56歲，平均（34.2±5.9）歲。納入標準：選取患者均要求符合該疾病的診斷標準，1個月以及1個月以上未進行電機治療；無其他疾病引起的精神障礙患者、腦器質性疾病患者。以上三組患者在性別、年齡以及病情程度方面比較，差異無統計學意義（P>0.05），具有可比性。

1.2 方法

對三組實驗者采用雙盲法進行大體功能評定量表評分、漢密頓量表評分以及總體認知功能評分等比較[5]。其中漢密頓量表的評分主要有17項，每一項的分值在0～4分，抑郁程度越高的患者得分越高；大體功能評定量表的評分項目總共10級，每一項的分值在10分，滿分為100分，患者恢復功能越高，其評分越高，參考標準為美國UCSD分校施行的對神經行為進行研究的MATRICS 研究中心，其主要研究人體的記憶力和精細動作、轉換和執行功能等方面[6-8]。

1.3 評價指標

對三組實驗者根據大體功能評定量表、漢密頓量表以及總體認知功能（例如：記憶力、精細動作、執行功能、轉換）等進行評分，所有的評估均由一位主治醫師和兩位經過專業培訓的評估員來完成，其中診斷結果由主治醫師來診斷，評估員在同一天完成對量表評估和神經認知檢查的評估，從而保證檢查結果的一致性與精準性。

1.4 統計學分析

所有患者采用SPSS14.0軟件進行統計學分析處理，采用（x±s）表示計量資料，計數資料采用χ2檢驗，采用t檢驗，多組間比較采用方差分析，P

2 結果

2.1 三組患者臨床效果比較

發作組和緩解組大體功能評定量表評分均低于對照組（t=11.521、6.452，P均

2.2 三組患者總體認知功能比較

發作組與緩解組總體認知功能評分均顯著低于對照組（t=4.292、3.965，P

3 討論

雙相情感障礙在臨床中的主要特征就是認知功能障礙，具體表現為執行力、記憶力以及注意力偏弱，且與患病程度成正比的關系，如果患者的患病程度嚴重的話有可能導致癡呆[9-11]。通過大量數據表明，患者的認知功能障礙程度與患者發病次數、治療次數、環境、發病的年齡都有直接關系，所以做好對患者認知功能障礙程度的判定，對患者后期的治療和病情的控制非常重要[12-14]。

雙相障礙（bipolar disorder，BD）是臨床中由多種因素引起的疾病，又稱為抑郁癥，臨床表現或者會出現間歇替等癥狀，例如狂躁期和抑郁癥等[15]。由于該疾病的病情經常反復發作。因此，患者要注意睡眠的規律，以及神經認知功能等發生不同程度的改變。根據調查顯示，該疾病不僅包括情緒調控異常，還包括睡眠覺醒異常以及認知缺陷[16]。同時，雙相障礙患者不僅存在著躁狂、抑郁等急性發作期，還存在著認知功能障礙的緩解期[17]。因此，病程的長短與引發疾病的多種因素有著密切關系，而且認知功能損害還有可能是導致雙相障礙的原因之一[18]。

本研究通過大體功能評定量表（GAF）、漢密頓量表（HAMD）、總體認知功能等評分對三組實驗者進行評分。其中抑郁程度主要通過漢密頓量表（HAMD）來進行評分；而社會功能、心理癥狀以及學習功能等方面就采用大體功能評定量表（GAF）進行評分；在漢密頓量表的顯示，兩組患者的效果比較，發作組明顯比對照組的效果顯著。在漢密頓量表的評分中，發作組患者的評分明顯要比緩解組的顯著性高，且患者的抑郁程度明顯提高。在GAF中，發作組與緩解組的患者的顯著性明顯低于對照組，且患者的心理癥狀、社會學習等方面的功能明顯有所下降。然而在GAF中發作組患者的顯著性要比緩解組患者低，而發作組患者的心理癥狀、社會、學習等功能方面就更加的低。根據藺華利等[8]文獻報道，雙相障礙的患者在神經認知功能方面和對照組患者有著明顯的比較差異[19]。本研究表明，在總體認知功能中，緩解組和發作組的顯著性明顯要比對照組低，且緩解組的總體認知功能要比發作組高，三組比較差異具有統計學意義（P

本研究將我院收治的雙相I型抑郁障礙患者作為研究對象，通過回顧分析，對三組實驗者進行大體功能評定量表評分、漢密頓量表評分以及總體認知功能評分等比較。結果顯示，緩解組的大體功能評定量表、漢密頓量表以及總體認知功能分別為：（74.27±14.62）分、（4.21±1.92）分、（46.06±13.65）分；發作組大體功能評定量表、漢密頓量表以及總體認知功能分別為：（58.41±15.73）分、（16.53±4.48）分、（41.75±13.65）分；對照組大體功能評定量表、漢密頓量表以及總體認知功能分別為：（91.54±4.64）分、（1.75±0.33）分、（49.95±14.12）分。發作組的漢密頓量表的評分要比其他兩組高，緩解組又比對照組評分高，三組實驗者的評分比較差異具有統計學意義（P

綜上所述，通過三組評價結果對比，得知雙相Ⅰ型障礙患者的神經認知功能明顯下降，與抑郁發作期組的患者相比，緩解期雙相Ⅰ型障礙患者的神經認知功能要高于發作組。

[參考文獻]

[1] 蘇永勝，何源. 單相和雙相抑郁障礙及精神分裂癥患者神經認知功能的對比研究[J]. 中國臨床研究，2015，35（2）：245-246.

[2] 徐貴云，林康廣，饒冬萍，等. 雙相Ⅰ型、雙相Ⅱ型和單相抑郁障礙患者認知功能的橫向與縱向比較[J]. 中華醫學會精神病學分會第九次全國學術會議論文集，2011，23（11）：125-126.

[3] 劉敏，張惠實，李紅麗，等. 老年期抑郁患者的認知功能[J].中國老年學雜志，2013，12（2）：145-146.

[4] 楊振東，陳定華，瞿正萬，等. 老年人抑郁障礙與認知功能水平損害的關系[J]. 中國民康醫學，2013，6（15）：154-157.

[5] 王中剛，魏辰，曹玉英. 雙相情感障礙患者前驅期癥狀特點及早期干預的相關研究進展[J]. 國際精神病學雜志，2014，32（4）：654-656.

[6] 杜巧榮，王彥芳，李素萍，等. 首發抑郁障礙患者認知功能比較及癥狀相關研究[J]. 中華臨床醫師雜志（電子版），2014，11（22）：185-186.

[7] 李霞，王燕，管立群，等. 單、雙相抑郁障礙認知功能損害的比較[J]. 武警醫學，2015， 6（4）：225-226.

[8] 藺華利，楊亞妮，張海艷，等. 緩解期雙相障礙患者認知功能損害影響因素分析[J]. 臨床精神醫學雜志，2012， 13（2）：765-766.

[9] 趙貴淳，梁英，王驍，等. 抑郁障礙住院老年患者的軀體癥狀及治療后轉歸的1年隨訪[J]. 中國心理衛生雜志，2015，21（3）：199-200.

[10] 沈輝，張毅，陳美娟，等. 雙相情感障礙I型患者病情緩解后認知功能的1年隨訪研究[J]. 臨床精神醫學雜志，2014，15（2）：3452-3454.

[11] 欒融融，鄒韶紅，賈麗娜，等. 雙相Ⅱ型抑郁障礙患者攻擊行為與社會支持、應付方式的關系[J]. 臨床精神醫學雜志，2015，56（2）：345-346.

[12] 袁書田，田濤，楊艷紅，等. 雙相障礙Ⅰ型穩定期患者認知功能評估及相關因素分析[J]. 國際精神病學雜志，2015，10（3）：325-326.

[13] 簡煒穎，劉文滔. 雙相Ⅰ型障礙緩解期與抑郁發作期患者的神經認知功能比較[J]. 海南醫學，2015，5（11）：155-156.

[14] 朱h，馬燕桃，石川，等. 單相和雙相抑郁障礙及精神分裂癥患者神經認知功能的比較研究[J]. 中華精神科雜志，2013，46（6）：325-329.

[15] 李會英，張娜，張美燕，等. 首次發作晚發抑郁與輕度認知損害腦萎縮模式的比較研究[J]. 中華老年心腦血管病雜志，2011，43（7）：115-116.

[16] 牛亞杰，楊少杰，楊可冰，等. 西酞普蘭合并改良電休克治療對抑郁發作的療效及認知功能的影響[J]. 四川精神衛生，2015，45（2）：156-157.

[17] 王彥芳，杜巧榮，李素萍，等. 伴發睡眠障礙首發抑郁癥認知功能損害及影響因素分析[J]. 中國神經精神疾病雜志，2015，45（2）：166-167.

[18] 姚靜，周為，涂小波，等. 雙相情感障礙患者及其一級親屬的三維人格特征研究[J]. 實用醫院臨床雜志，2010， 34（3）：165-166.

[19] Zhang Yingli，Yang Huan. Antidepressants for bipolar disorder a meta-analysis of randomized，double-blind，controlled trials[J]. Neural RegeneratIon Research，2013， 32（31）：123-124.

篇2

關鍵詞： 游戲開發 人工智能 教學方法

1．背景

隨著互聯網時代的到來，人們的生活方式發生了許多重大的變革，其中之一便是網絡游戲的盛行。如同雨后春筍般冒出來的網吧，以及快速增長的PC，使得人們接觸到互聯網的機會越來越多，這就為網絡游戲的傳播與發展創造了可能。一方面，數量龐大的網民群體中，年輕人占了絕大部分，網絡游戲豐富了社會公眾的文化娛樂生活，深受廣大年輕人喜愛，這更促進了游戲產業的蓬勃發展。另一方面，現代社會生活節奏加快，人們壓力日益增大，許多人傾向于在網游中尋求安慰，釋放壓力，因而全球市場對于網游的需求有增無減。同時，隨著科技的發展和人們對游戲越來越高的要求，游戲逐漸向真實體驗、感覺、觸覺等人性化發展，讓玩家有身臨其境的感覺，在整個游戲過程中得到享受游戲的一種特別的快樂和放松。［1］

近年來3D影像和仿真科技的不斷發展，讓游戲開發人員得以創建出更吸引人、更令人沉迷其中的游戲環境。然而要做出更能令人流連忘返的游戲就得應用人工智能（AI）。AI的應用使游戲角色能夠任意走動、角色可以走進障礙物、能夠控制非玩家角色是否按照團隊運動等，同時，AI還能延長游戲的生命周期，讓游戲更加有趣和更具有挑戰性。

AI能夠處理游戲角色的追趕、躲避、聚集、避障和尋徑問題；AI給游戲角色賦予模糊邏輯和有限狀態機等基于基本規則的推理能力；AI腳本可以擴充AI引擎，讓設計者和玩家更好地設計和玩游戲，等等。因此，將AI應用在游戲開發中以設計實現游戲角色的各種行為勢在必行，有著重要的現實意義。

2．教學內容及其特點

本系人工智能課程的教學內容主要是處理追趕、躲避、聚集、攔截和避障等問題，使用經典A*算法及其改進算法解決尋路問題，以及有限狀態機，等等。本文主要針對游戲中游戲角色的尋路問題進行探討。游戲設計中游戲角色的尋路問題是設計的關鍵，傳統的方法是應用A*算法及其改進算法等來實現游戲角色的尋路問題，目前逐漸有學者應用神經網絡、遺傳算法、粒子群算法等智能算法來實現游戲角色的尋路問題。如：迷宮尋路游戲中《幫助Bob找到回家的路》應用遺傳算法，《智能采礦》游戲中應用神經網絡，用粒子群實現坦克大戰游戲，等等。嘗試應用魚群算法、螢火蟲算法等智能算法求解游戲角色的尋路問題中，以實現游戲的更加智能化、人性化，同時，新的仿生算法的學習和應用能吸引學生的學習注意力、增強學生的學習興趣。

智能算法是解決智能計算問題的方法，已成為人工智能界一個研究的熱點領域，研究的最終目標就是為了讓計算機和集成有計算功能的各種工具及設備更加獨立、更加聰明，能夠自主思考和行動，最終成為我們工作和生活中必不可少的一部分。智能算法主要包括：人工神經網絡、進化算法、人工免疫算法、模擬退火算法、蟻群算法、粒子群算法、蜂群算法、人工魚群算法、人口遷移算法、人工螢火蟲算法等。［2］智能算法是一類仿生算法，就是向自然界學習，采用類比的方法，通過模仿自然界中動物飛行、覓食、求偶等行為以得到解決問題的一般方法，如蟻群、粒子群、蜂群、魚群、螢火蟲算法等。此外，還有很多智能算法通過模仿一些自然或物理現象和規律，如模擬退火算法通過模擬液體的結晶過程設計，免疫算法是模擬生物、植物或動物免疫系統自適應調節功能設計的，人工神經網絡是模擬人的大腦結構及信號處理過程而設計的，進化算法是基于達爾文的“優勝劣汰、適者生存”原理設計的。［3］

針對本系人工智能課程的教學內容，建議補充人工智能中幾種簡單的智能算法的知識點，選取相關人工智能教材的一些內容結合智能算法進行教學。

3．教學方法

針對人工智能課程內容，根據高校教育規律、高校學生學習的特點，采用教學、實踐相結合的教學方法，大小課結合，大課講授理論知識，小課進行課堂實驗，小課的課堂實驗中嚴格要求學生親手編寫代碼，應用大課所學理論知識完成簡單小游戲以實現理論和實踐知識的掌握。同時，借助游戲系的優勢，制作動漫，采用動漫技術來實現人工智能中各種算法的仿生機制，讓學生深刻體會每一種算法的原理和仿生機制，這樣能增強學生學習人工智能課程的興趣，可以取得更好的教學效果。

4．教學效果評價方法

人工智能這門課，最重要的是注重學生對人工智能理論及在游戲中應用的知識和能力的培養。因此，本課程學習結束后主要采用以下方式進行考查：（1）閉卷考試。主要考查對人工智能理論的理解、掌握和綜合運用能力。（2）課堂練習。要求對課堂上介紹過的算法理解、分析、應用，編程實現游戲中的某個功能，最終課程結束時能完成一個功能完整的小游戲。（3）大作業。檢查學生的動手編程能力，要求從介紹過的算法中找一種算法實現一個小游戲中游戲角色的移動、尋路等行為，形成一個演示游戲。該門課成績分配如下：成績=閉卷考試（70%）+課堂練習（10%）+大作業（20%）。

5．結語

人工智能是隨著計算機技術的飛速發展和人們對自然界的深入理解而發展起來的，人工智能的應用逐漸廣泛。游戲開發中人工智能的應用實現了游戲逐漸向真實體驗、感覺、觸覺等人性化發展，讓玩家有身臨其境的感覺。因此，在網絡游戲相關專業開設人工智能課程勢在必行，有著重要的現實意義。

參考文獻：

［1］周樂.韓國游戲產業概況..

篇3

關鍵詞：游戲開發；AI（人工智能）技術

中圖分類號：TP18

人工智能技術也被稱為機器智能技術，即“Artifical Intelligence”，簡稱AI。AI（人工智能）技術涉及到多種學科，并將這些學科有機的結合在一起，是一門綜合性較高的學科，包含了計算機科學和控制論以及信息論和神經生理學，還有心理學和語言學等多個領域的內容，并利用計算機應用系統來十分真實的模擬人類的各種智能性的活動。

1 AI（人工智能）技術與游戲開發

為了吸引著更多的玩家，在越來越大的市場競爭中占有一席之地，游戲產業內部 積極的應用各種新技術，努力發展著。而新型的游戲機和PC 平臺的出現，也為整個游戲產業注入了新的活力，并為游戲的開發提供了許多有利的條件，例如記憶空間更大，CPU的速度更快，連接選項更多，視頻分辨率更高等，有了這些強有力的物質保證，游戲產業便有了更好的發展基礎。但再提供許多有利條件的同時，游戲產業的開發人員也面臨著更多的取舍與選擇。例如，在開發新游戲的時候，是要將開發的重點放在視頻分辨率上，還是放在碰撞的真實程度上呢？又比如，在游戲的速度方面，通過一年甚至更長時間來開發出來的游戲，在最終上市的時候，又能夠在當時的主流機上進行怎樣的開發呢？還有，增氧才能夠使自己開發出來的游戲更具市場競爭力，使自己的游戲優于競爭對手開發出來的新型游戲呢？而游戲人工智能（AI）技術的出現和應用則為游戲的開發帶來了全新的局面，發生了翻天覆地的變化。在游戲人工智能（AI）技術的背景下，高質量的游戲AI（人工智能）不必再為提高幀率而費盡心思，而成為促進還是阻礙游戲產品最終是否暢銷的一個決定條件。因此，游戲開發人員開始積極的開發研究新的AI（人工智能）技術，并以次來設計出更真實、更聰明的游戲AI（人工智能），以最大程度吸引更多的玩家，提高自身游戲產品的實際銷量。許多游戲的開發人員都利用AI（人工智能）開發出了需對經典的游戲和角色，例如，經典游戲“小精靈”（pac-man）里的魔鬼，還有“Unreal”第一人稱射擊游戲里的虛擬隊友，以及許多介于二者之間的其他游戲角色，在游戲中，這些角色都十分的真實，具有高度的擬人化特點，具有智慧生命。在這樣的情況下，此類游戲也受到了市場和廣大玩家的廣泛歡迎。

2 現有的游戲AI（人工智能）技術

目前，在游戲產業中廣泛使用的AI（人工智能）技術在實際應用的過程中存在較多的作弊問題。例如，在對一些戰爭進行模擬的游戲中，計算機智能控制下的玩家，可以了解到對方，即玩家真人操作的所有相關信息。但是真實的玩家卻需要在游戲中通過各種手段和方式來收集多方面情報和資料，例如派出偵察兵去探察地形和收集情報等。這種情況在各種游戲中都是普遍存在的，于是，在實際的游戲過程中，計算機操控下的游戲角色與真實的玩家相比，明顯具有一定的優勢，也就會引發許多真實玩家的不滿，對游戲的認同率也隨之降低，嚴重影響到游戲的市場占有率。所以，在進行游戲開發設計的時候，要嚴格控制作弊的范圍和程度，在為廣大玩家提供足夠挑戰性的同時，也合理控制游戲的難度。除了作弊技術，常用的AI（人工智能）技術還有有限狀態機（finite state machine， FSM）等。在對游戲進行開發的時候，開發人員常會在模糊狀態機（f u z z ystate machine）中用到模糊邏輯（fuzzy logic），從而增加最后執行動作的預測難度，減少必須以if-then 語句大量列舉條件的負擔。在 游戲中，非玩家角色擔任著快速地找出有效路徑的任務，例如，在戰爭模擬類的游戲中，非玩家角色的軍隊要快速的通過各種地形，并巧妙的避開各種障礙物，盡快到達敵軍所在的具置。而以第一人稱對游戲中的各種各樣的生物進行射擊的時候，要能夠通過各種掩體來掩護，以便順利的躲開玩家的視線。吸引更多玩家的興趣，為玩家提供具有挑戰性的游戲環境是游戲開發的根本任務，但是，游戲的開發也要處于一個盡可能平衡的狀態。讓玩家覺得有難度，能吸引玩家的興趣，但又至于讓玩家受挫，知難而退。而且，游戲世界中的各種元素也可以像自然界一樣發生不斷的演化，適應各種變化的情況，這也是游戲AI技術的一種利用形式。

3 游戲AI（人工智能）技術的發展趨勢

隨著游戲AI（人工智能）技術的發展，任何一款游戲在上市之后，都不必再事先按排非玩家角色的行為。而玩家對一款游戲玩得愈久，游戲也就會在高度適應性的影響下，不斷的進行演化和學習。所以說，未來的游戲AI（人工智能）技術，最重要的問題就是“學習”。通過不斷的適應和學習，游戲便可以和玩家一起成長和發展，而玩家也將無法預測游戲的具體行為，這樣一來，大大延長了游戲的生命周期。但是，通過AI（人工智能）技術讓游戲學會不斷的學習和發展演化，就會造成游戲無法預測的情況。從這個角度來看，顯然會給游戲AI（人工智能）技術的相關開發工作帶來較大的挑戰，而相關開發人員也需要帶著極大的探索精神和未知的心理去探索各種“學習”技術。但“學習”與“角色行為反應”技術需要耗費很長時間來進行開發并進行多次的測試，屬于非定性AI（人工智能）技術的范圍。而且，要了解AI（人工智能）技術到底會做什么難度也較大，也就給具體的調試工作帶來了較大的困難。所以說，受到諸多因素的影響，“學習”AI（人工智能）技術在大力推廣和廣泛應用方面便出現了較多的困難。 但是，無論怎樣，游戲AI（人工智能）技術依然在堅定的向著質量更高，更符合玩家的實際需求，給玩家帶來更多新鮮體驗的方向大踏步的向前走著。而且，隨著玩家自身水平和素質的不斷提高，玩家也對游戲內人工智能水平的要求越來越高，也更希望游戲能營造出更真實的環境，帶給玩家更真實的感受。

4 結束語

游戲產業經過長期的發展，已經從簡單程序逐漸發展到各種 復雜網絡游戲狀態。而對各種游戲進行設計開發的過程中，也越來越多的利用到了AI（人工智能）技術。從早期簡單的按照一定的規則進行設計的（人工智能），到各種大型單機游戲中高度擬人化的隊友，再到大量的網絡游戲中與玩家們發生良好互動的各種角色。我們相信，在不久的未來，眾多玩家所期待的，具有較高擬人化程度的游戲AI（人工智能）技術會得以實現，給我們的生活帶來更多的樂趣，也必將極大的促進AI（人工智能）技術的研究和開發。

參考文獻：

[1]布偉光.何中市.高靜，等.遺傳算法和牛頓力學在游戲開發中的應用研究[J].微處理機，2009，01（03）：12-13.

[2]劉生建.袁冠遠.利用有限狀態機重構XNA游戲[J].科技信息，2012，04（28）：56-57.

[3]晉國卿.計算機游戲開發理念及方法研究[J].軟件導刊，2012，02（12）：34-36.

[4]吳少軍.網頁游戲開發新趨勢與新技術漫談[J].當代教育理論與實踐，2012，05（06）：33-34.

篇4

AI生長

人工智能新近的發展似乎顯得太快，超出了人們的預期和適應能力。2014年6月7日，正好是阿蘭?圖靈逝世60周年紀念日，聊天程序“尤金?古斯特曼”有爭議地通過了圖靈測試。此后宣稱通過圖靈測試的計算機頻頻出現。人們普遍相信，計算機模仿人類談話而不被察覺，徹底實現的一天即使現在還沒有到來，也為時不遠了。

神經元網絡理論、控制、深度學習和大數據的進步在不同側面加強了人工智能，使它在一些特定的任務上打敗了人類。特斯拉的聯合創始人、CEO馬斯克說，計算機比人更適合開車，“當所有的車都知道自己該怎么開的時候，讓人來操控兩噸重的致命機械太危險了”。理智上我們不得不贊同他，但情感上似乎難以接受――世界的方向盤是否也和汽車的方向盤一樣，從此交到了計算機的手里？計算機冷笑一聲：“當然是我們來控制世界，連方向盤都不需要。”

波普（K. R. Popper）的話在耳邊響起――客觀知識的世界，是人類創造的，卻是自主的，也會具有創造性。盡管他是在50年前（確切地說是1967年）說這番話的，此刻我們面對人工智能這一存在，“細思恐極”。

強人工智能――會自主行動的機器人，會學習、自我改進、像生物一樣進化的機器人是迫在眉睫的現實嗎？對人工智能的擔心究竟只是精神自虐，還是伴隨著符合事實與邏輯的預測？如果是前者，不需要AI恐懼的人可以松一口氣，如果是后者，早早想出應對之策才行。

兩種恐懼

分析起來，AI恐懼無非兩種，可以稱為“AI的客觀后果恐懼”和“AI的主觀意圖恐懼”。在兩種恐懼之前還有一種失落，因為機器比人能干，未來的電腦可能比人還聰明，人之為人的部分榮譽感被剝奪了。但這種失落很快就能適應，人們早有經驗――起重機比人力氣大，望遠鏡比人看得遠，計算器比人算得快，飛機還會飛呢。超越人能力局限的東西很多很多，只要它們被人掌握著，就不僅僅是對人能力的超越，而且是對人能力的延伸，能力再大也不用害怕。電腦真比人聰明了，就算有點失落，只要它們為我們所用，聽我們安排，總歸好處多多。況且“聰明”定義模糊，解微分方程，下棋，電腦都比人厲害，是不是就比人聰明了呢？也不能簡單地下結論。

在客觀后果一側，討論的比較多的是就業問題，擔心機器人或者軟件把人的工作崗位一批一批地搶走。工業生產不用說，流水線工人是最先被機器人替代的，無人工廠不是什么科幻，而是既成事實。之后是服務業，有餐館嘗試用小型無人機上菜，也有機器快遞小哥，各種智能機器發明出來之后，大量留給人的服務崗位就會消失。如果你現在是倉庫管理員，或者坐在高速公路入口發卡，趕緊準備下一份工作吧。之后是企業中層，啟用各種交流軟件和自動工作流程軟件，企業內部上傳下達的事情少了，啟用商業智能軟件，輔助決策的參謀崗位也少了。之后是創造性工作，包括媒體工作，做主持人、做研究員、做建筑師，虛擬角色和軟件勝任愉快，連寫文章、作曲、畫畫、導致失業不是人工智能負面后果的全部，擔心還包括健康問題、非對稱戰爭等等。家里有了機器人服務員，人們衣來伸手飯來張口，只用當一個沙發土豆就可以了。大量無人飛機和機器士兵，改變了戰場的倫理――優勢一方沒有面對活人敵手的心理壓力，打起仗來點點鼠標，像打游戲；劣勢一方面抵御機器的進攻，連敵人的面都見不著，憤怒的情緒可能導向更多恐怖極端手段，把戰火引向敵方非軍事人員。

這些對人工智能改變社會的推測大體合乎邏輯，但并不帶來太大的困擾。人工智能造成的負面后果會被它帶來的好處抵消，人們相信積極影響遠遠大于消極影響，畢竟危險的、繁重的和乏味的工作由機器人來承擔更合適。

在主觀意圖一側，AI恐懼的程度會高出幾個級別。人們擔心的是機器產生壓迫人、奴役人、消滅人的意圖和行動。盡管這種擔心非常嚴肅，也不見得是杞人憂天，但此刻還不到真正需要恐懼的時候。就像看電影不能代替學物理一樣，面對AI發抖也不能代替冷靜的分析。確實沒有論據證明，只有生物才能產生意識，因此假設機器可能產生意識在科學上是“合法”的，但反過來，證實機器可能產生意識這個假設的論據，現在也還沒有出現。何必被一種可能性有多大都不知道的想法嚇破膽呢？除非你喜歡這種恐懼感，就像喜歡看鬼片一樣。

以“壞”自保

最近有三個“牛人”聊到這個話題。2016年4月，《三體》作者、科幻作家劉慈欣，百度首席科學家吳恩達，對話“未來人工智能20年”。梁冬主持對話，扮演對人工智能的發展憂心忡忡的人。按照“AI的客觀后果恐懼”和“AI的主觀意圖恐懼”分類法梳理三個人的觀點，先說主觀意圖一側。吳恩達的意見用一句歌詞就概括了，“一千年以后……”，他的意思是機器表現得像人一樣，成為有意識的物種，還早著呢，究竟會不會也不知道，何必擔心？梁冬說，模仿鳥造飛機不成功，人類造出飛行機器其實用了和生物界不同的方案，因此造出思考機器也不必了解人腦，對人腦的無知根本不是人工智能的發展障礙。吳恩達和劉慈欣都表示同意。三位一致認為，如果機器真成了物種，那也是人類的孩子，一開始會模仿父母（即人類）的行為，如果機器變成了壞孩子，人類也沒別人可埋怨。劉慈欣說，他特別“相信”人的“壞”，足以防范一個機器物種傷害人類自己。

篇5

人工智能現在主要的缺陷或者不足還是在機器學習方面。神經網絡是學習的一個方法，這個方法確實可以解決很多問題，但是它的問題是你不知道它是怎么解決問題的，在神經網絡機器人的表達里面有很多東西是沒有辦法定性、解釋的，這是比較難的一個問題。如果把這個問題解決掉，人工智能可能又會來一波大的浪潮。不管怎么樣，怎么樣做好知識處理，能夠做到知其所以然，這是現在面臨的一個比較大的問題。

這方面有人在做研究，圍繞這個領域，做機器學習的人都在探索怎么把這個理論實用化，因為他們的理論太理論，沒辦法直接用，所以很多人都在探索這個問題。

人工智能的劃分

現在的人工智能和未來的人工智能到底從階段上怎么來劃分？或者說我們現在做了多少事，未來還有多少事需要做？

不要認為我們解決了人工智能的所有問題，我們解決的問題還是很小一部分。是哪一部分呢？我們把這個分成四部分，包括可推理，可統計；可推理，不可統計； 不可推理，可統計；不可推理，不可統計。

第一部分是可統計，可推理的。這一部分工業界已經可以用了，拿去做機器人、去做各種各樣的知識決策系統都是可以的。

第二部分是不可統計，可推理的。什么東西是這樣的？要么數據不完備，要么數據里面特征的描述還沒有找到更好的辦法，可能里面是很稀疏的東西，表達根本沒有辦法統計出來，在里面是游離狀態，但是是可推理的，可以寫出正確的規則。這些靠大數據解決不了問題，但是只能靠傳統的邏輯來做。這方面又相當脆弱，許多東西需要進一步去驗證。

第三部分是可統計，不可推理的。這個意思就是我有大數據，通過大數據都能把規律統計出來，但是用語言表述出它的因果關系不行，有點復雜。當然隨著時間的推移，可能也變成可推理。至今這里有相當一部分用神經元網絡可以解決，但是用推理的辦法還很難解決。這方面曙光有一些，但是也需要更多的沉淀。

第四部分是不可推理，不可統計的。未來機器人在這方面很難有作為。為什么？連我們自己都說不清楚。比如說人類有很多頓悟，這些頓悟通過統計能證明它產生？不可能統計出來。通過理論證明這個東西產生嗎？不可能。也不知道什么人在什么環境下突然想明白一件事，這個機器做不了，沒有模型和數據，所以這些東西是未來機器人不可能涉足，不可能勝過人的。我講到這里，大家都很容易理解，將來機器人會在哪些領域可以，在哪些領域不可以替代人類。

人工智能時代真的要到了嗎？答案可以是肯定的。比如你僅僅是期望計算機能夠做的事比人做得更好，很多事情是可重復、可統計、可推理的，把這些事交給計算機去做，它一定做得比人強。

例如下圍棋，盡管比較難，但是它是經驗和知識積累的過程。也就是說，慢慢的，機器一定會勝過人。之前我在香港和一個教授還在討論，以后還有沒有人下圍棋呢？為什么這樣想呢？他說人和人下很有樂趣，和計算機下盤盤輸，為什么還要下？我說為什么要和計算機下？還是要和人下，這樣你還是冠軍。

人工智能對經濟的五個影響

這是我們對AI的看法。現在大家可能知道，2016年10月13日，美國白宮兩個和人工智能有關的報告。2016年12月20日，美國白宮又了一個報告，叫做《人工智能自動化與經濟》。這篇報告中說，人工智能總體來說，不管你是否接受，不管你是否看好，這件事就要發生了。我們現在要做的是，如果這件事發生了，我們怎么去應對它。

我認為這個報告出得非常及時，列出了人工智能對經濟五個方面的影響。例如對總的生產率增長的影響是積極的，對就業市場的影響會發生變化，對不同層次的人變化不一樣，影響分布是不均衡的，所以不同層次、部門、領域、區域的都會不一樣。人工智能會導致一些工作職位的消失，也會產生一些新的類型的工作。勞動力市場將會被攪亂，一些工人短期會失業，失業的時間肯定更長，這就看政策到底怎么調整。

按照美國的判斷，對每個小時40美元以上的工作影響不大，只有4%，對每小時20～40美元之間的影響是31%，但是對于低于20美元的勞動力影響非常大，達到83%。所以政府要有所應對。應對的策略包括鼓勵投資開發，也包括對新的工作類型進行培訓、對轉型期間的工人提供幫助，讓他們能夠通過再學習得到就業。

下一波浪潮一定是AI

回到今天我們的主題，人工智能帶來的機遇對全社會，當然也包括對于自動化領域，特別是機器人領域，機遇是非常多的。如果我們說過去這幾十年比較大的浪潮，第一波是PC浪潮，給信息領域帶來顛覆性的影響。緊接著是互聯網浪潮，成就了一大批互聯網公司，例如谷歌、百度。之后馬上出了一波新的浪潮，叫移動互聯網，比如說今天的蘋果就是這波浪潮起來的公司。下一波是什么？一定是在AI，這一技術的研發和應用，將使得蘋果、百度、華為這樣的公司得到更大的發展。

是否用AI做機器人？當然可能，也有可能是做別的，所以說浪潮就在這里。

我們現在做機器人，絕大部分的行為是設計出來的，我們把它叫做Designed Robot，要前進、拐彎都是按規律設計出來的。這沒有錯誤，但是不是AI。什么是AI機器人？或者叫學習機器人呢？就是機器人做好以后，他不知道要干什么。你訓練他干什么他就干什么。就像小孩一樣，小孩出生了，你說他將來是數學家、物理學家、技術工人、農民？他什么都不是，但什么都可能是，就看你教他什么。

我們以后的機器人也應該是做出來的時候什么都不是，你教他做什么他就是什么，你教他開車，他就會開車，你教他上流水線操作，他就會流水線操作。這一天一定會到來，就看誰在上面花的工夫更大，或者準備更充分。

AI帶來的機遇與挑戰

我們怎么樣能讓系統和人具有同樣的知識能力和水平呢？現在大部分是軟件知識，有一個系統，你會給它大數據的集合，它進行不斷的訓練，不斷的和人聊天、對話。這些機器人開始的規則比較簡單，當大數據進去之后，不斷的會話調整反饋，就能慢慢抓住聊天對象的注意力，讓你跟著它轉。這可能是現在的一些情況。

真正到了AI階段，就不是軟件知識，而應該是開放知識。現在人類之所以一直在進步，是因為知識本身是_放的，我們得到了一些知識，然后把它教給學生，寫成書給社會，社會得到這些知識之后就會不停的進步。在這個基礎上，別人再去加新的知識。所以一定是開放的，如果不開放，這個社會就不能進步。這個道理一樣落到機器人和AI方面。

人工智能對于教育和就業的機遇比較多，因為現在整個社會需要非常多的學習人工智能的博士，現在在美國，博士能夠拿到上百萬的年薪，當然在國內也一樣。有時候我們開玩笑，老老實實教了一輩子書，剛畢業的學生就比我們的薪水高。需求太大就水漲船高，所以需要教育提供更多的人才。

篇6

上周，滬深300指數上漲2.60%，計算機行業上漲0.32%，行業跑輸大盤2.28個百分點，其中硬件板塊下跌1.19%，軟件板塊上漲0.56%，IT服務板塊上漲1.48%。個股方面網達軟件、真視通、神州易橋漲幅居前;*ST三泰、湘郵科技、華力創通跌幅居前。

國際市場

麻省理工學院開發自動駕駛技術，在無地圖鄉間道路上也能導航;Waymo計劃年內在鳳凰城正式推出無人駕駛打車服務;Uber將測試無人機送餐服務，最短只要5分鐘;美國白宮成立人工智能工作組，將決定美國對AI的投資力度。

國內市場

騰訊智慧零售首家全自助化智慧餐飲門店亮相深圳;科技部成立新一代人工智能發展研究中心;京東智能音響叮咚mini2，與英特爾宣布戰略合作;青海省衛計委攜手騰訊共建“互聯網+健康醫療”。

A股上市公司重要動態信息

達實智能:中標1.9億元智慧醫院項目;廣電運通:與騰訊公司、財付通簽訂1883.82萬元地鐵云平臺AFC項目;全通教育:中標3496.44萬元科創集散地服務項目;麥迪科技:與安摯投資簽署產業并購基金框架合作協議;世紀瑞爾:擬1000萬元占比50%設立中唐瑞爾。

投資策略

篇7

2016年是世界圍棋界極不尋常的一年，3月份在“阿爾法圍棋”（AlphaGo，一款圍棋人工智能程序）與圍棋世界冠軍、職業九段選手李世石之間展開的一場人機大戰中，“阿爾法”的勝出震驚全球。7月份世界職業圍棋排名網站公布了最新世界排名：“阿法圍棋”以3612分，超越3608分的柯潔成為新的世界第一。

2016年12月29日到2017年1月4日，一個名叫 “Master”的神秘網絡圍棋手橫掃中、韓、日圍棋界。它憑借驚人的穩定性一路高唱凱歌，獲勝60場，沒有敗績。最終神秘的“Master”揭開了廬山真面目，宣布自己就是“阿爾法圍棋”。

2017年1月，谷歌Deep Mind公司宣布推出真正2.0版本的“阿爾法圍棋”，成為第一個不借助讓子，在全尺寸19×19的棋盤上擊敗職業圍棋棋手的電腦圍棋程序，其特點是擯棄了人類棋譜，只靠“深度學習”的方式成長起來挑戰圍棋的極限。

圍棋是人類最具智慧的競技之一，而人工智能（Artificial Intelligence，簡稱AI）研發是人類最具挑戰性的科技探索。人機大戰的經典對決將被同時載入圍棋史冊和科技史冊。它的意義已經遠遠超出圍棋本身，人們熱衷談論“阿爾法圍棋”更多是出于對AI技術的關切。從誕生到日益成熟，AI理論和技術的應用領域在不斷擴大，不知不覺間滲透到人類當代生活的各個方面。AI時代，互聯網、金融、醫療、教育、物流、娛樂、傳媒等行業都在加速自己智能化的進程。可以想見，未來人工智能帶來的科技產品，將會是人類智慧的“容器”。 而與此同時，人類命運和機器智慧的沖突與共存，已經由人機大戰開始不斷升溫。

“人工智能百年研究”項目

2014年秋季，美國斯坦福大學開啟了“人工智能百年研究”（AI100）項目。這是一個超大型長期項目，該項目發起人――美國人工智能發展協會會長、前微軟研究員埃里克?霍維茨博士表示，“我們的職責是研究人工智能在2030年前對人類社會生活方方面面所產生的影響，尤其是在北美地區”，而“研究的核心是，人類不能喪失對人工智能的控制能力”。 “人機大戰”

2016年9月1日，“人工智能百年研究”項目的第一項成果《人工智能與2030年的生活》。這是一份試圖定義北美城市在未來10多年間將要面臨的可以模擬人類行為的計算機和機器人系統 （即人工智能）問題的報告，涉及交通、家庭/服務、健康醫療、教育、低資源社區、公共安全與防護、就業、娛樂等關注領域，目的是推動相關政策的制定。業內人士認為，工業界和學術界目前正在聯手倒逼政府出臺人工智能的相關政策，希望可以獲得更大力度的資金和法律扶持。

《人工智能與2030年的生活》所列舉的關注領域，均面臨著人工智能的影響和挑戰。例如開發安全可信賴的硬件的困難（交通工具和服務機器人），獲得工作信賴的困難（低資源社區和公共安防），對勞動力可能被邊緣化的擔憂（就業和職業），以及人際交往減少帶來的社會副作用（娛樂）等等。

1.交通：自動駕駛的汽車、卡車、無人機投遞將改變城市里的工作、購物和休閑娛樂模式，但需要增加可靠性、安全性和用戶接受度，并根據新的交通模式改進當前的相關法規和基礎設施。

2.家庭/服務機器人：現在進入家庭的掃地機器人或特種機器人能夠為家庭和工作場所提供清潔和安保服務，當務之急是技術方面的挑戰和機器人成本過高的問題。

3.健康醫療：個人健康監測裝備與手術機器具有極大的發展潛力，人工智能軟件將最終對某些疾病自動進行診斷和治療。目前的關鍵是獲取醫療從業者的信任。

4.教育：互動輔導系統在幫助學生進行語言、數學以及其他技能的學習方面已經發揮出作用，自然語言處理的發展將為這一領域的應用帶來全新的方式。當務之急是教育資源分配不均的問題，以及教、學雙方直接互動的減少會帶來哪些消極影響。

5.低資源社區：投資最新技術領域有助于更充分地發揮人工智能的優勢，比如避免鉛污染和改進食品分配等，重要的是讓公眾參與進來以增強相互信任。

6.公共安全與防護：利用相機、無人機和軟件進行犯罪模式分析，應用人工智能技術來降低人類判斷的主觀偏見，與此同時在不侵犯個人自由和尊嚴的情況下增強安全性。目前需注意的是如何保護隱私和避免固有偏見。

7.就業和職業：隨著全球經濟的快速發展，傳統崗位開始被新崗位取而代之，有關人類如何適應這種新變化的相關工作需要立即展開，比如如何妥善處理勞動力下崗以及人工智能對新工作崗位不適應的問題。

8.娛樂：內容創建工具、社交網絡和人工智能的結合，將開創全新的媒體內容收集、組織和分發模式。但問題是新的娛樂方式如何在個人價值和社會價值之間取得平衡。

《人工智能與2030年的生活》在回顧發展歷程和展望發展趨勢時指出，人類正加速在人工智能領域的研究，試圖建立一個能與人高效協作的智能系統。其中最重要的是機器學習的成熟，它受到了數字經濟崛起的部分影響――數字經濟為機器學習提供了大量數據。此外其他影響因素包括云計算資源的崛起，以及消費者對語音識別和導航支持等技術服務的需求。研究人員認為，不管是從基本方法上還是應用領域，包括大規模的機器學習、深度學習、增強學習、機器人、計算機視覺、自然語言處理、協作系統、眾包和人類計算、算法游戲理論和計算的社會選擇、物聯網、神經形態芯片在內的研究趨勢，共同促進了人工智能研究的熱潮。

這份報告試圖嚴肅地討論這樣一個問題：如何更好地引導人工智能來豐富和服務于人類生活，同時推動和激勵這一領域的創新。因為人類目前并不能清晰而完美地預測未來的人工智能技術及其影響，所以一定要對相關政策進行評估。未來幾年公眾在交通和醫療等領域內應用人工智能的機會日漸增多，因此必須以一種能構建信任和理解的方式將其引入，確保在尊重人權和公民權利，保護隱私和安全，維護廣泛而公正的利益分配等方面措施周備。 世界經濟論壇說，機器人和人工智能到2020年可以取代510萬個工作崗位。

研究人員指出，傳統的人工智能范式已被數據驅動型范式成功取代，對于定理證明、基于邏輯的知識表征與推理這些程序的關注度在降低。作為20世紀七八十年代人工智能研究的一根支柱，規劃（ Planning ）強烈依賴于建模假設，難以在實際應用中得到滿足；視覺方面基于物理的方法和機器人技術中的傳統控制與制圖，正讓位于通過檢測手邊任務的動作結果來實現閉環的數據驅動型方法；還有曾頗受歡迎的貝葉斯推理和圖形模式，在數據和深度學習的顯著成果前也顯得相形見絀。在未來15年中，針對人類意識系統開發，按照能夠互動的人類特點進行建模和設計人工智能系統成為人們的興趣點。在考慮社會和經濟維度的人工智能時，物聯網型的系統變得越來越受歡迎。數據驅動型產品的數量及其市場規模將會擴大。

“為機器人安裝‘死亡開關’”

2017年1月，歐洲議會法律事務委員會召開會議，呼吁制定“人類與人工智能/機器人互動的全面規則”。議公布的報告對機器人可能引發的安全風險、道德問題、對人類造成的傷害等情況進行了討論，探討是否需要為機器人安裝“死亡開關”、研究機器人搶走人類工作的應對措施等等，要求歐盟為民用機器人制訂法律框架。專家認為，這或將是首個涉及管制機器人的立法草案，將有利于人類應對機器人革命帶來的社會震蕩。

會議認為，人工智能和機器人發動的新工業革命可能影響到所有的社會階層。機器人可能創造無限的繁榮，與此同時將影響人類未來的就業情況。機器人取代人類在許多行業是大勢所趨。在德國，每1萬個雇員中就有301個是工業機器人。報告要求歐盟委員會對各國民眾的就業情況進行調查，重點關注極易被機器人取而代之的職位。如果機器人成為職位“殺手”，歐盟各成員國應考慮為國民提供基本的生活保障。埃里克?希爾根多夫是一名德國法律教授，他非常認同歐洲議會討論的這項議題。“這不僅在政治上是可取的，從法律角度也是必要的，這樣我們才能及時應對機器人革命帶來的社會震蕩。”他指出，“即使是銀行顧問、教師和記者等要求嚴格的職業，未來也無法在這場科技洪流中幸免。”

會議強調，因為人工智能在幾十年內可能超越人類的智力，將對人類控制機器人構成挑戰。隨著機器人自我意識的崛起，甚至可能威脅人類的生存。近年來，機器人“殺人”的事件時有發生：2015年6月，在德國大眾汽車公司，一名工人安裝機器人時反被它抓起推向金屬板壓死；2016年6月，美國一家汽車零件生產商的一名女員工正在修理出現故障的機器人時，它突然啟動，將修理女工活活壓死。

報告參照美國科幻小說作家艾薩克?阿西莫夫提出的“機器人學三大法則”，將其作為立法框架，對機器人自我意識覺醒后的行為規范做出規定。“機器人學三大法則”包括： 1.機器人不得傷害人，也不得見人受到傷害而袖手旁觀。2.機器人應服從人的一切命令，但不得違反第一法則。3.機器人應保護自身的安全，但不得違反第一、第二法則。由于規則無法轉化為代碼，歐洲議會正在著手建立一個針對機器人和人工智能研發的機構，為設計、生產和操作機器人的人員提供技術、倫理和監管方面的專門知識等。

報告還提出：1.在設計新型機器人時，設計師應該尊重人類的基本人權，事先獲得道德研究委員會的批準。2.必須為機器人注冊，以便在調查事故時查找涉事的機器人。3.確保機器人安裝有“死亡開關”，可以隨時被關閉。4.機器人不能對使用者造成“身體或心理傷害”。如果釀成事故，機器人不能逃脫責任。機器人所負擔的責任應該與其接收的實際指令及其自主程度相對應：它的學習能力和自主性越高，那么人的責任就較低；倘若它“受教育”的時間越長，教它的“老師”負的責任就越大。報告還指出，機器人的生產商或擁有者將來需要購買保險，來承擔機器人可能造成的損失。

人類與機器人的關系將會引起一場涉及私隱、尊嚴和安全的大討論，在歐洲議會投票贊成立法之前，各成員國政府將對此做進一步的辯論和修正。

“機器人應當納稅”

英國牛津大學近期一項調查結果顯示，今后數十年間，自動化改變生產線的速度將超過20世紀。在經濟合作與發展組織（OECD）成員國，57%的工作崗位有被自動化取代的風險。英國中央銀行英格蘭銀行預測，在自動化浪潮中，危在旦夕的英國工作崗位多達1500萬個。美國白宮2016年預測，機器人取代時薪低于20美元以下崗位、介于20～40美元崗位和時薪40美元以上崗位的概率分別為83%、31%和4%。

在美國微軟公司創始人比爾?蓋茨看來，為暫時性減緩自動化蔓延速度，很有必要向企業為雇用機器人員工而征稅，稅單將是阻止機器人取代人類工作崗位的殺傷性武器。如果機器人將大范圍取代人類工作崗位，那它們至少應為此買單。“目前一個人類員工在工廠中創造了5萬美元的價值，這個價值會被征稅。人類員工需要繳納各種稅，如所得稅、社會保障稅以及其他稅款。如果一個機器人在工廠做與某個工人同樣的事情，我們也應按同等水平向它征稅。”

蓋茨同時認為，盡管一些工作崗位可能被機器人取代，但人們可以在那些所需技能是機器人無法復制的領域里繼續工作。世界需要抓住機遇解放勞動力，讓人們從事更好的工作，例如關愛老人和幫扶特需群體。在這些領域，人類具有獨特的同情心和理解力。

法國社會黨總統候選人伯努瓦?阿蒙也呼吁法國對機器人征稅，部分稅收用于補貼全民基本收入保障。越來越多的政界人士和硅谷富翁支持推出全民基本收入保障，以化解自動化引發的大范圍失業。而反對機器人稅的人士則持這樣的觀點：自動化即使在短期也可以借助提高生產率創造新的就業崗位。

“人類需要成為‘半機器人’”

美國特斯拉汽車公司首席執行官伊隆?馬斯克在2017年2月13日迪拜舉行的 “世界政府峰會”上表示，未來20年，駕駛人員的工作將被人工智能所顛覆，之后全球12%～15%的勞動力將因為人工智能而失業。“從技術角度講，最迫切的影響會來自自動駕駛汽車。它到來的速度將遠快于人們的預期，當然它會為人類提供極大的方便。”

篇8

AI最先商業化的項目，應數2011年初次亮相的IBM人工智能認知系統Watson。2016年，借助商務領域的積累切入具體應用，Watson的商業模式逐漸明朗，并為IBM的第四次轉型貢獻了亮麗業績。

然而還不夠快。受傳統業務下滑拖累，IBM 2017年一季度營收繼續下滑。

拖著鉛球，Watson在與未來賽跑。

百年商業帝國的第四次轉型

與眼下最熱的圍棋AI等通用人工智能不同，IBM的“人工智能”一開始便是為解決商業問題而生，其方向是商業領域的增強人工智能（Intelligence Augmentation）。2007年8月，幾個人工智能專家告訴IBM高級副總裁約翰？凱利，他們要創建世界上第一個處理非結構化數據、可與人互動的人工智能系統。2011年人工智能認知系統Watson初次亮相，就打敗了美國問答游戲電視節目《危險邊緣》的連勝紀錄保持者和最高獎金得主。2014年，IBM專門組建Watson部門，并陸續投入數十億美元。

2011年IBM百年之際，《經濟學人》周刊曾撰文總結IBM三次重大轉型：從機械制造到計算機制造、從大型機制造到包括個人電腦在內的分布式計算機系統、從計算到服務。2016年初，IBM董事長兼CEO羅睿蘭宣布IBM正式進入第四次轉型，目標是成為一家認知解決方案云平臺公司，“未來五年，我們所作的每一個決策，無論個人或專業機構，都將受到Watson的協助。”

2017年4月，“天工開物 人機同行”2017 IBM中國論壇在北京舉行，IBM展示了其作為認知解決方案和云平臺公司在全球范圍內的突破性進展，及與中國本地伙伴在電子、能源、教育、汽車、醫藥、高性能材料及相關服務等行業或領域的合作成果：

神思電子采用IBM 的Watson Explorer，在金融和醫療行業鎖定“智能客服”、“實體服務機器人”和“自助設備智能升級”領域，提升服務質量與效率。與杭州認知合作，應用IBM Watson腫瘤解決方案幫助中國醫生獲得循證型癌癥診療的決策支持，從而為患者提供個性化治療方案。隆基泰和與IBM共同合作，借助Watson平臺構建綜合能源云平臺，為工業商業企業構建完整的客戶能耗視圖、用能預測及能效水平的分析和洞察能力打造智慧能源服務體系。

此外，IBM為上海世外教育集團打造“兒童英語口語辨識及評價系統”幫助6-15歲學生學習英語，與禾嘉股份共同推出基于區塊鏈的醫藥采購供應鏈金融服務平臺，在精細化工行業，默克正在利用IBM IoT技術打造全新智能物流與智能工廠，而一汽大眾也將采納IBM大數據、云計算、認知計算等技術打造佛山創新中心，建立智能工廠。

除了垂直行業，IBM“商業人工智能”也在為專業人士提供增強智能，提高工作效率和業務水平。目前，Watson系統已進入法律、醫療、教育、金融，零售，服b設計等60多個職業領域示范人機協作，將專業人士從重復勞動中解放出來。論壇上，IBM大中華區董事長陳黎明表示，“我們相信，企業大規模采用人工智能技術的爆發期就在當下，并將為各行業和專業帶來巨大的創新價值。”

拖著鉛球賽跑

商業的殘酷在于，僅憑方向正確，未必能贏得賽跑。除了亞馬遜、微軟、谷歌這樣的外部競爭者，IBM對云計算和Watson孤注一擲，更大的壓力來源于自身：新興業務的增速能否超越傳統業務下滑的速度。

4月19日，IBM2017年一季度財報，其“戰略業務小組”（IBM重點發展的云計算、分析、社交、安全及移動產品）營收增長12%，至78億美元。Watson所屬的認知解決方案業務板塊營收同比增長逾2%，達41億美元；云計算業務營收增長33%至億美元，凈收入為23億美元。

與戰略業務表現亮麗形成對比的是，受傳統硬件和軟件業務增長停滯的拖累，IBM整體業績依然繼續在下滑：公司一季度營收同比下滑2.8%，降至181.6億美元，低于預期的184億美元。其公司營收連續20個季度下滑，并創下2002年一季度以來最低水平。

財報后，IBM股價下跌超過8美元，跌幅近5%。其大股東伯克希爾哈撒韋2016年報顯示持有8120萬股IBM，也就是說，如果巴菲特一季度沒有減倉，將損失約6.5億美元。

有趣的是，之前盡管和比爾？蓋茲關系很好，巴菲特開始嘗試購買科技股的時候，并沒有買微軟的股票，而是選擇了IBM，幾乎全程體驗了一把IBM轉型帶來的緩慢復蘇。

2015年，巴菲特入股IBM時正是其收入連年下滑之際，2016年初，IBM股價已跌至不足120美元。一年之后，2016年IBM財報顯示，IBM云業務當年實現137億美元營收，同比增長35%，占IBM全年總營收的17%；云業務年化營收達86億美元，同比大幅增長63%；計入“技術支持及云平臺”項目的年毛利率達41.9%；以Watson為主的IBM認知解決方案營收達182億美元，毛利率高達81.9%。2016年，IBM股價上漲了20%。

2014-2016年，IBM猶如傳統企業轉型的一個縮影：借助自身在商務領域的積累，在云服務和人工智能領域大力投資，切入具體應用，商業模式逐漸明朗。

并購與合作

IBM對云服務和Watson期許甚高，Watson的十年布局也逐漸步入收獲季。隨著醫療、物聯網、金融、零售、時尚、教育等多個行業標志性樣本的出現，Watson的商業版圖正在擴張。

Watson成為全球醫療健康第一人工智能系統，其秘籍是不斷吸收大量非結構化數據并加以學習。為了“喂飽”Watson， IBM不斷收購醫療健康領域的公司，兩年間花費超40億美元。除了加大并購，IBM為拓展商務版圖同時也采用了更實際的方式：與垂直領域巨頭合作，補充基礎數據和垂直行業領域的專業知識。

2016年10月，IBM宣布與通用汽車合作，Watson為其新版車機系統OnStar提供技術支持；與全球教育機構培生合作，Watson為其學生提供自然語言下的學習指導。今年3月19日，IBM認知商業戰略在中國正式落地一年之際，萬達網絡科技集團與IBM在北京簽訂戰略合作協議。萬達網絡科技集團正式進軍公有云業務領域，萬達也將成為Watson在中國落地的重要基礎設施。

從另一方面來看，萬達選擇IBM，很大程度上是由于IBM這部分業務的體量。IBM云業務在2016年實現137億美元營收。亞馬遜AWS 2016年營收122億美元；微軟未透露Azure云業務的實際營收，摩根大通分析師估算約26億美元；谷歌也未披露云計算業務營收，外界估算在10億美元左右。從總體營收規模來看，IBM云計算業務其實并不輸于AWS、微軟云和谷歌云。

篇9

人工智能即將進入高中課堂。近日，我國第一本面向中學生的AI教材——《人工智能基礎（高中版）》正式。

為什么要在中學開設人工智能課程？這本教材有什么特點？對于中學教師和學生而言，應如何準備才能應對人工智能的教與學？記者對此進行了調查。

全國已有40所學校引入教材

據了解，該教材是華東師范大學慕課中心和商湯科技合作，聯合全國多所知名中學教師共同編寫，由新聞出版總署批準出版并備案。目前，全國已有40所學校引入該教材作為選修課或校本課程，成為首批“人工智能教育實驗基地學校”。

“與其他教材不同，該教材以‘手腦結合’為主要學習方式，不僅關注對人工智能原理的介紹，更加重視這些原理在生活中的運用。”華東師范大學教授，博士生導師陳玉琨介紹說，“作為教材的編者，我們特別希望學生能發揮獨特的想象力，設計一些在高中階段有可能完成的項目，并動手將其轉化為獨具特色的作品。”

記者看到，該教材共分9個章節，以基礎普及性的知識為主，分別介紹了圖片識別、聲音識別、視頻識別、計算機寫作和深度學習等人工智能技術的原理和應用場景，每一頁都配有彩色圖表，并引入了大量科普內容和實例。此外，該教材還配套了一個教學實驗平臺。

香港中文大學教授林達華表示，目前，人工智能人才面臨著全球性短缺，在人工智能和基礎教育結合方面，各個國家都還處在探索的過程中，該教材的出版，是人工智能教育的一次重大突破，意味著人工智能將由此走出“象牙塔”，進入高中生的知識范疇。

“今天，技術更迭速度太快，誰也無法預計未來的職業選擇，我很樂意讓我的孩子在中學階段就了解掌握一些人工智能方面的知識技能。”一位家長這樣告訴記者。

目的在于普及原理引發興趣

作為一門兼具學術含量和技術含量的學科，對高中學生而言，應該怎樣去了解人工智能這門學科；對于高中教師而言，又該如何教學呢？

“大多數中學生的最終職業道路都不會是成為人工智能研究者或工程師，但是未來很多行業都將在不同程度上受益于人工智能的賦能。因此，該學科在中學階段的教學目標應該定位讓學生了解掌握人工智能的基本思想、基礎知識以及常用算法和工具。”林達華說。

在陳玉琨看來，人工智能的教學和研究經常要用到高等數學的知識，這已經超出了高中生的知識范圍，因此，在中學階段，教師應注重對相關概念、算法、原理進行定性介紹，“定量的部分，可以留待以后再學。”

多位專家表示，教師在教學過程中，要特別重視對人工智能應用場景的介紹，這不僅會讓課堂變得更加生動，學生學習的興趣更加高漲，同時也會提升師生的思維與創造能力。

“總體而言，在中學階段開展人工智能課程的主要目的在于普及人工智能的原理與技術，引起學生對人工智能學習的興趣。當然，也期望能為高等學校培養人工智能領域的拔尖人才奠定相應的基礎。”

“校企合作”解決人才缺口

也有專家指出，人工智能是一門新興技術，中學教師在該領域的知識儲備是不足的。

“師資是課程的基礎。”上海師范大學教授岳龍表示，“開設人工智能課程對教師的知識結構也提出了新的挑戰，因此組建專門的師資培訓團隊非常重要。”

據記者了解，為幫助教師克服知識儲備不足的問題，華東師范大學慕課中心與商湯科技將聯合舉辦多期“人工智能教師研修班”——培養一批人工智能的種子教師，在他們帶領下，逐步提升我國教師總體的人工智能素養，從而改善中學教師開展人工智能教育教學面臨的困難和挑戰。

篇10

關鍵詞：人工智能；機器學習；教育應用

一、前言

當前的人工智能雖然還不夠完善但其在人類的發展進程中起到了巨大的作用。因為其具有了超強的學習和分析的能力，在個人以及人工智能較量的過程中人工智能一直都是處在領先的地位，為此可以利用到人工智能來促進到人類社會的快速發展。

二、相關概念闡述

人工智能又稱AI，是模擬物種智能應用的技術實現和科學。機器智能的科研市場領域包括各種圖像和語言結構的快速識別，以及使用語言直接處理和服務機器人。它不僅相當于人類行為的智能，還可以系統地模擬物種的思維，并將在幾年內超越歷史上的物種。在未來，機器人不斷學習，以使仿人機器人模仿人類的學習方式，在這一過程，獲得新的各種知識，智能機器人的學習過程更快，可以實現對海量綜合數據的深入分析。此外，人工智能機器人不僅可以獲得更準確的結果，而且具有獨特且更快的信號傳輸速率。許多科學家有能力超越人類自身。在深入思考核心問題時，實際上，很多人因為機器人是人類設計的，所以不可能超越人類的歷史，但是人工智能機器人可能具有集成的學習功能，因此這種可能性將變得非常大。人工智能機器人具有繼續學習技術的能力，沒有人能夠預測學習數據后的整體智能水平。

三、人工智能視域下機器人學習的適切性

在當前的文化和教育生活環境中，由于智能教育的興起，大數據情境系統功能可以為學生綜合分析和選擇各種類型的信息，從而重用具有潛在影響的知識可以促進智能教育的發展。智能機器人繼續學習，但借助計算機來分析綜合數據，例如，以完全掌握規則并進行非常有效的分析和預測。可以看出，機器人正為人類智能教育而學習更有益。在教育中，信息化的進程在今天的時代，智能教育無疑已經成為吸引學生在學習過程中的重要因素。將學習與先進技術核心技術結合起來的方法有很多。人工智能機器人必然會給文化教育生態系統帶來幫助。向人工智能機器人學習的方式很多，學校教師可以提高和教育的整體質量和效率，學生也可以贏得符合自身市場需求的學習服務，這有助于減輕學生和家長的負擔。

四、人工智能視域下機器人學習的應用創新研究

從人工智能技術的角度來看，智能機器人學習是目前世界上最先進的技術。大數據在教育相關領域的應用具有很好的業務前景。人工智能機器人持續學習的應用可以幫助一些學生實現相關知識與數據之間的聯系。

（一）機器人學習與教育之間的融合僅從當前的現象來看，大多數教師不了解核心技術，而了解該技術的人也不了解教育，這很容易導致無法在教育與核心之間形成良好的關系。因為技術研發人員不了解教育，所以不能從教育的多個角度審視開發過程，優秀的教師也不能從技術角度回應數據的全面發展。在人工智能開發領域，機器人應該深入地整合到學習和教育中。組織技術實施和教育核心領域的相關人員進行直接溝通和交流，使人工智能機器人在學習和應用過程中能夠更充分地認識到技術研發和生產人員的過程。

（二）機器人學習在學習場景方面的應用人工智能在學校教育領域的應用，因其未來的發展趨勢而呈現出明顯的趨勢。然而，隨著學校教育核心領域的許多專業學科的介入，對學習人工智能機器人的要求將越來越高。當你開始學習同一個主題時，需要在同一個應用程序中逐步建立不同的場景。這對機器人來說更難在未來繼續學習，但也是最值得創新的。仿人機器人普遍對大量綜合數據進行深入分析，分析每個學習內容主題的特點和各部分學生的特點，并采取相應的更有針對性的基本教學方法，提高同學教育的速度和效率。

（三）機器人學習對于智慧環境創新方面的應用首先，由于文化教育市場中的數據種類繁多且缺乏正常秩序，這也增加了在大型集成數據系統中分析和處理文化和教育數據的難度。其次，在隨后的數據處理過程中，隨著時間的推移會遇到數據隱私問題，如何保護數據隱私是另一個需要注意的關鍵問題。因此，在教育的相關領域，大綜合數據的后續處理以改善文化教育和質量，并確保在教育中最終數據的合理使用，必須在許多方面進行協調與合作，從而促進共享的合法性。最后，必須有效地確保可以長期保持教育中的數據情況并實現流程標準化。有可能實現最終數據的統一，這將大大降低全面數據交換的總體成本，并努力實現數據的無縫集成。數據的最終數據主要是由于目標學生的地區差異，以滿足同一學生學習知識的不同需求。