什么是人工智能？

1.定义人工智能

奇怪的是，人工智能缺乏一个精确的、被普遍接受的定义，这或许有助于该领域的加速成长、繁荣以及前进。虽然人工智能的从业者、研究人员和开发人员由一种粗略的方向感和一个“与它相处”的命令所引导，人工智能的定义仍然很重要，而Nils J. Nilsson就提供了一个有用的定义：“人工智能就是致力于让机器变得智能的活动，而智能就是使实体在其环境中有远见地、适当地实现功能性的能力。”

从这个角度来看，对人工智能的表征取决于个人愿意“适当地”并“有远见地”为功能性提供合成软件和硬件的信用。一个简单的电子计算器比人类大脑进行的计算要快得多，而且几乎从来不出错。

电子计算器智能吗？像Nilsson一样，研究小组以一种宽泛的视角来看待此问题，认为智力取决于一个多维频谱。根据这一观点，算术计算器和人脑之间的区别不是某一类，而是规模、速度、自主性和通用性的区别。

同样的因素可以用来评估智能的其他各例——智能语音识别软件、动物大脑、汽车巡航控制系统、围棋程序、自动调温器——并将它们放置在频谱中的适当位置。虽然我们的宽泛解释把计算器列在了智能频谱中，但是如此简单的设备与今天的人工智能相比几乎没有相似之处。

从这个角度看，对人工智能的表征取决于个人愿意“适当地”并“有远见地”为功能提供合成软件和硬件的信用。一个简单的电子计算器比人脑计算快得多而且几乎从不出错。

人工智能的边界已经远远走在前面，而计算器可以实现的功能只是当下的智能手机的百万分之一。目前人工智能开发人员正在改进、推广和扩大从当下的智能手机中所建立起来的智能。事实上人工智能领域是一个不断努力推动机器智能向前发展的过程。

具有讽刺意味的是，人工智能正在遭受失去话语权的长期灾难，最终不可避免地会被拉到边界内，即一个被称为“人工智能效应（AI effect）”或“奇怪悖论（odd paradox）”的重复模式——人工智能将一种新技术带到了普通大众中去，人们习惯了这种技术，它便不再被认为是人工智能，然后更新的技术出现了。

同样的模式将在未来继续下去。人工智能并没有“交付”一个惊雷般改变生活的产品。相反人工智能技术以一个连续的、进步的方式正在继续更好的发展。

2.人工智能研究趋势

直到本世纪初，人工智能的吸引点主要在于它所传递的承诺，但在过去的十五年里，大多这样的承诺已经得到兑现。人工智能技术已经充斥了我们的生活。当它们成为了社会的一股中心力量时，该领域正在从仅仅建立智能系统，转向了建立有人类意识的、值得信赖的智能系统。

几个因素加速了人工智能革命。其中最重要的是机器学习的成熟，部分由云计算资源和广泛普及的、基于Web的数据收集所支持。机器学习已经被“深度学习（deep learning）”急剧地向前推进了，后者是一种利用被称作反向传播的方法所训练的适应性人工神经网络的一种形式。

信息处理算法的这种性能飞跃一直伴随着用于基本操作的硬件技术的显著进步，比如感觉、感知和目标识别。数据驱动型产品的新平台和新市场，以及发现新产品和新市场的经济激励机制，也都促进了人工智能驱动型技术的问世。

所有这些趋势都推动着下文中所描述的“热门”研究领域。这种编辑只是想要通过某个或另一个度量标准来反映目前比其他领域得到更大关注的领域。它们不一定比其他领域更重要或更有价值。事实上目前的一些“热门”领域在过去几年中并不怎么流行，而其他领域可能在未来会以类似的方式重新出现。

大规模机器学习

许多机器学习的基本问题（如监督和非监督学习）是很好理解的。目前努力的一个重点是将现有算法扩展到更庞大的数据集上。例如鉴于传统方法能够负担得起若干遍数据集的处理，现代方法是为单次处理所设计；某些情况只认同非线性方法（那些只关注一部分数据的方法）。

深度学习

成功训练卷积神经网络的能力非常有益于计算机视觉领域，比如目标识别、视频标签、行为识别和几个相关变体的应用。深度学习也在大举进军感知方面的其他领域，如音频、语音和自然语言处理。

强化学习

鉴于传统机器学习主要关注于模式挖掘，强化学习将重点转移到决策中，这种技术将有助于促进人工智能在现实世界中更深入地进入相关研究和实践领域。作为一种经验驱动型的序贯决策框架，强化学习已经存在了几十年，但是这个方法在实践中没有取得很大成功，主要是由于表征和缩放的问题。然而深度学习的出现为强化学习提供了“一贴强心剂”。

由谷歌DeepMind开发的计算机程序AlphaGo在五次对抗比赛中击败了人类围棋冠军，它最近所取得的成功在很大程度上要归功于强化学习。AlphaGo是通过使用一个人类专家数据库来初始化一个自动代理的方法被训练的，但随后提炼的方法是通过大量地自我对抗游戏以及应用强化学习。

机器人

至少在静态环境中，机器人导航在很大程度上被解决了。目前的努力是在考虑如何训练机器人以泛型的、预测性的方式与周围世界进行交互。互动环境中产生的一个自然要求是操纵，这是当下所感兴趣的另一个话题。

深度学习革命只是刚开始影响机器人，这在很大程度上是因为要获得大的标记数据集还很困难，这些数据集已推动了其他基于学习的人工智能领域。

免去了标记数据需求的强化学习可能会有助于弥合这一差距，但是它要求系统在没有错误地伤害自己或其他系统的情况下能够安全地探索出一个政策空间。在可信赖的机器感知方面的进步，包括计算机视觉、力和触觉感知，其中大部分将由机器学习驱动，它们将继续成为推进机器人能力的关键。

计算机视觉

计算机视觉是目前最突出的机器感知形式。它是受深度学习的兴起影响最大的人工智能子领域。直到几年前，支持向量机还是大多视觉分类任务所选择的方法。但是特别是在GPU中的大规模计算的汇合，使得更大数据集的可获得性（尤其是通过互联网）以及神经网络算法的改进导致了基准任务中能的显著提高（比如ImageNet中的分类器）。计算机首次能够比人类更好地执行一些（狭义定义的）视觉分类任务。目前的研究多是关注于为图像和视频自动添加字幕。

自然语言处理

自然语言处理是另一个通常与自动语音识别一同被当做非常活跃的机器感知领域。它很快成为一种拥有大数据集的主流语言商品。谷歌宣布目前其20%的手机查询都是通过语音进行的，并且最近的演示已经证明了实时翻译的可能性。现在研究正在转向发展精致而能干的系统，这些系统能够通过对话而不只是响应程式化的要求来与人互动。

协同系统

协同系统方面进行的是对模型和算法的研究，用以帮助开发能够与其他系统和人类协同工作的自主系统。该研究依赖于开发正式的协作模型，并学习让系统成为有效合作伙伴所需的能力。能够利用人类和机器的互补优势的应用正吸引到越来越多的兴趣——对人类来说可以帮助人工智能系统克服其局限性，对代理来说可以扩大人类的能力和活动。

众包和人类计算

在完成许多任务方面由于人类的能力是优于自动化方法的，因而在众包和人类计算方面，通过利用人类智力来解决那些计算机无法单独解决好的问题，该领域研究调查了增强计算机系统的方法，这项研究的提出仅仅是在大约15年前，现在它已经在人工智能领域确立了自己的存在。最有名的众包例子是维基百科，它是一个由网络公民维护和更新的知识库，并且在规模上和深度上远远超越了传统编译的信息源，比如百科全书和词典。

众包专注于设计出创新的方式来利用人类智力。Citizen科学平台激发志愿者去解决科学问题，而诸如亚马逊的Mechanical Turk等有偿众包平台，则提供对所需要的人类智力的自动访问。通过短时间内收集大量标记训练数据和/或人机交互数据，该领域的工作促进了人工智能的其它分支学科的进步，包括计算机视觉和自然语言处理。基于人类和机器的不同能力和成本，目前的研究成果探索出了它们之间理想的任务分离。

算法博弈理论与(基于)计算机(统计技术的)社会选择

包括激励结构、人工智能的经济和社会计算维度吸引到了新的关注。自20世纪80年代初以来，分布式人工智能和多代理（multi-agent）系统就已经被研究了，于20世纪90年代末开始有显著起色，并由互联网所加速。一个自然的要求是系统能够处理潜在的不恰当激励，包括自己所感兴趣的人类参加者或公司，以及自动化的、基于人工智能的、代表它们的代理。

备受关注的主题包括计算机制设计（computational mechanism design）（一种激励设计的经济理论，它寻求激励兼容的系统，其中输入会被如实报告）、(基于)计算机(统计技术的)社会选择（computational social choice）（一种有关如何为替代品排列顺序的理论）、激励对齐信息获取（incentive aligned information elicitation）（预测市场、评分规则、同行预测）和算法博弈理论（algorithmic game theory）（市场、网络游戏和室内游戏的平衡，比如poker——它在近几年通过抽象技术和无遗憾学习（no-regret learning）已经取得了显著的进步）。

物联网（IoT）

越来越多的研究机构致力于这样一个想法：一系列设备可以相互连接以收集和分享它们的感官信息。这些设备可以包括家电、汽车、建筑、相机和其他东西。虽然这就是一个技术和无线网络连接设备的问题，人工智能可以为了智能的、有用的目的去处理和使用所产生的大量数据。目前这些设备使用的是令人眼花缭乱的各种不兼容的通信协议。人工智能可以帮助克服这个“巴别塔”。

神经形态计算

传统计算机执行计算的冯诺依曼模型，它分离了输入/输出、指令处理和存储器模块。随着深度神经网络在一系列任务中的成功，制造商正在积极追求计算的替代模型——特别是那些受到生物神经网络所启发的——为了提高硬件的效率和计算系统的稳定性的模型。

目前这种“神经形态的（neuromorphic）”计算机尚未清楚地显示出巨大成功，而是刚开始有望实现商业化。但可能它们在不久的将来会变成寻常事物（即使仅作为冯诺依曼所增加的兄弟姐妹们）。深度神经网络在应用景观中已经激起了异常波动。当这些网络可以在专门的神经形态硬件上被训练和被执行，而不是像今天这样在标准的冯诺依曼结构中被模拟时，一个更大的波动可能会到来。

总体趋势以及人工智能研究的未来

数据驱动型范式的巨大成功取代了传统的人工智能范式。诸如定理证明、基于逻辑的知识表征与推理，这些程序获得的关注度在降低，部分原因是与现实世界基础相连接的持续挑战。规划（Planning）在七十和八十年代是人工智能研究的一根支柱，也受到了后期较少的关注，部分原因是它强烈依赖于建模假设，难以在实际的应用中得到满足。

基于模型的方法——比如视觉方面基于物理的方法和机器人技术中的传统控制与制图——已经有很大一部分让位于通过检测手边任务的动作结果来实现闭环的数据驱动型方法。即使最近非常受欢迎的贝叶斯推理和图形模式似乎也正在失宠，被数据和深度学习显著成果的洪流所淹没。

研究小组预计在接下来的十五年中，会有更多关注集中在针对人类意识系统的开发上，这意味着它们是明确按照要与之互动的人类特点来进行建模与设计的。很多人的兴趣点在于试图找到新的、创造性的方法来开发互动和可扩展的方式来教机器人。

此外在考虑社会和经济维度的人工智能时，物联网型的系统——设备和云——正变得越来越受欢迎。在未来的几年中，对人类安全的、新的感知/目标识别能力和机器人平台将会增加，以及数据驱动型产品数量与其市场规模将会变大。

研究小组还预计当从业者意识到纯粹的端到端深度学习方法的不可避免的局限性时，会重新出现一些人工智能的传统形式。我们不鼓励年轻的研究人员重新发明理论，而是在人工智能领域以及相关领域（比如控制理论、认知科学和心理学）的第一个五十年期间，保持对于该领域多方面显著进展的觉察。

人工智能在各领域的应用

虽然人工智能的很多研究和应用会基于一些通用技术，比如说机器学习，但在不同的经济和社会部门还是会有所区别。接下来的这部分将介绍人工智能研究和应用的不同类型，以及影响和挑战。基于这些分析，我们还预测了一个有代表性的北美城市在未来15年的趋势，探讨人工智能是如何开始影响我们日常生活的，以及从现在到2030年，这些影响将如何发展。

1.交通

交通可能会成为首批几个特定应用领域之一，在这些领域，大众需要对人工智能系统在执行危险任务中的可靠性和安全性加以信任。自动化交通会很快司空见惯，大多数人在嵌入人工智能系统的实体交通工具的首次体验将强有力地影响公众对人工智能的感知。

2.家庭服务机器人

未来十五年，在典型的北美城市里，机械和人工智能技术的共同进步将有望增加家用机器人的使用的安全性和可靠性。特定用途的机器人将被用于快递、清洁办公室和强化安全，但在可预见的未来内，技术限制和可靠机械设备的高成本将继续限制狭窄领域内应用的商业机会。

3.医疗

基于人工智能的应用在接下来的几年能够为千百万人改善健康状况和生活质量，但这是在它们被医生、护士、病人所信任，政策、条例和商业障碍被移除的情况下。主要的应用包括临床决策支持、病人监控、辅导、在外科手术或者病人看护中的自动化设备、医疗系统的管理。但研究和部署人工智能应用已经被过时的条例和激励机制拉扯后腿。在这样大型的、复杂的系统中，贫乏的人机交互方法和固有的难题以及部署技术的风险也阻碍了人工智能在医疗的实践。

4.教育

如何找到通过人工智能技术来最优化整合人类互动与面对面学习将是一个关键性的挑战，这一点医疗行业也是如此。自然语言处理，尤其是在与机器学习和众包结合以后，有力推进了线上学习，并让教师可以在扩大教室规模的同时，还能做到适应个体学生的学习需求与风格。大型线上学习的系统所得的数据已经为学习分析产生了迅速增长的动力。

但是，学院与大学采用人工智能技术的步伐依然很缓慢，主要是由于资金的缺乏，以及其可以帮助学生达成学习目标的有力证据。一个典型美国北部城市的未来五十年，智能导师与其他人工智能技术帮助教师在课堂或家中工作的规模很有可能会显著扩大，因为意愿学习是基于虚拟现实的应用。但是计算机为基础的学习系统将无法完全替代学校里的教师们。

人民难以获得教育的国家，如果这些群体有可以获取在线教育的工具，那么在线资源将会产生重要的积极影响。在线教育资源的发展能通过提供工具和相对简单的使用培训，让支持国际教育项目的基金会更轻松地提供素质教育。

消极的一面是，现在学生已有把自己的社会接触限制在电子设备上的趋势了，如果教育也越来越多地通过网络进行，那么在学生的社会发展阶段缺乏与同龄人有规律的面对面接触会带来怎样的影响呢？特定的技术已经表明这会产生在神经方面的影响。另一方面，自闭症儿童已经开始从与人工智能系统的互动中受益了。

5.低资源社区

人工智能存在许多机会去改善一个典型北美城市的低资源社区中的人们的生活状况。有了有针对性的激励和资金优先次序，人工智能技术可以帮助解决低资源社区的需求。萌芽中的努力是有希望的。人工智能可能会有助于对抗失业和其他社会问题带来的恐惧，它或许会提供缓解措施和解决方案。

6.公共安全与防护

城市已经为公共安全和防护部署人工智能技术了。到2030年，典型的北美城市将在很大程度上依赖它们。这些措施包括可以检测到指向一个潜在犯罪的异常现象的监控摄像机、无人机和预测警务应用。与大多数问题一样，好处与风险并存。

获得公众信任是至关重要的。虽然会存在一些合理的担心，即与人工智能合作的警务可能会在某些情况下变得霸道或是无处不在，而相反的情况也是可能的。人工智能可能使警务变得更有针对性并只在需要时被使用。而且经过仔细地部署，人工智能也可能有助于消除一些人类决策中固有的偏见。人工智能工具也可能被证明有助于警察管理犯罪现场，或是搜索和救援活动，它可以帮助指挥官排列任务的优先次序以及分配资源。

7.就业与劳资

到目前为止，数字技术已经给中等技能的工作，比如旅行代理，带来了更大的影响。另一方面，数字系统所能完成的任务的范围正随着人工智能的演进而提升，人工智能也正向高端的领域蔓延，包括一些机器之前无法执行的专业服务。

为了获得成功，人工智能创新将需要克服人们对被边缘化的恐惧。在短期内，人工智能很有可能会取代任务，而非工作，同时还将会创造新类型的工作。但新类型的工作比将可能失去的已有工作更难以想象。就业领域的变化通常是渐进的，不会出现剧烈的过渡。

人工智能影响的范围也将扩大，从少量的替代或增强到完全的替代。比如说，尽管大部分律师的工作还没被自动化，但人工智能在法律信息提取和主题建模方面的应用已经自动化了一部分律师新人的工作。在不远的将来，包括放射科医生到卡车司机再到园丁等许多类型的工作都可能会受到影响。

人工智能也可能会影响工作场所的大小和位置。随着人工智能对许多功能的接管，扩展不再意味着会带来大型的组织。人类企业可能存在一个自然的规模大小，在这样的企业中，CEO能够认识公司里的每一个人。通过将一些工作外包给人工智能驱动的劳动力市场，企业会倾向于自然的大小。

人工智能也将创造工作，特别是在某些行业中，通过使某些特定任务更重要，以及通过产生新的交互模型创造新类型的工作。复杂的信息系统可被用于创造新的市场，这往往会带来降低门槛和增加参与的影响。人工智能界有一个活跃的研究社区在研究创造新市场和使已有市场更高效运作的进一步方式。

尽管工作本身有内在的价值，但大部分人工作是为了购买他们看重的商品和服务。因为人工智能系统可以执行之前需要人力的工作，因此它们可以使许多商品和服务的成本下降，实实在在地让每个人都更富有。

人们害怕人工智能会在短短一代人的时间内迅速取代所有的人类工作，包括那些需要认知和涉及到判断的工作。这种突变是不太可能发生的，但人工智能会逐渐侵入几乎所有就业领域，这需要在计算机可以接管的工作上替换掉人力。人工智能对认知型人类工作的经济影响将类似于自动化和机器人在制造业工作上对人类的影响。许多中年工人失去了工厂里的高薪工作以及伴随这个工作的家庭和社会中的社会经济地位。长期来看，一个对劳动力的更大影响是失去高薪的“认知型”工作。

随着劳动力在生产部门的重要性的下降，大多数市民可能会发现他们的工作价值不足以为一种社会可以接受的生活标准买单。这些变化将需要政治上的，而非单纯经济上的响应，需要考虑应该配置怎样的社会安全网来保护人们免受经济大规模、结构性转变的影响。如果缺少了缓解政策，这些转变的一小群受益者将成为社会的上层。短期来看，教育、再训练和发明新的商品和服务可以减轻这些影响。更长期来看，目前的社会安全网可能需要进化成更好的、服务于每个人的社会服务。

人工智能可能会被认为是一种财富创造的完全不同的机制，每个人都应该从全世界人工智能所生产的财富中分得一部分。对于人工智能技术所创造的经济成果的分配方式，相信不久之后就会开始出现社会争议了。

8.娱乐

在人工智能的驱动下，互联网已经将用户生成的内容作为了信息和娱乐的一个可行的来源。现在我们有了共享和浏览博客、视频、照片和专题讨论的可信平台，此外还有各种各样用户生成的内容。为了继续运行，这些平台必须依赖现在正被积极开发的技术，其中包括自然语言处理、信息检索、图像处理、众包和机器学习。比如，现在已经开发出了协同过滤这样的算法，它可以基于用户的人口统计学细节和浏览历史推荐相关的电影、歌曲或文章。

为了跟上时代的步伐，传统的娱乐资源也已经开始拥抱人工智能。正如书和电影《点球成金》中给出的例子，职业运动现在已经转向了密集的量化分析。除了总体表现统计，赛场上的信号也可以使用先进的传感器和相机进行监控。用于谱曲和识别音轨的软件已经面世。

人类对人工智能所驱动的娱乐的热情是很令人惊讶的，但也有人担心这会导致人与人之间的人际交互减少。少数人预言说人们会因为在屏幕上花费了太多时间而不再与人互动。孩子们常常更愿意在家里快乐地玩他们的设备，而不愿意出去和他们的朋友玩耍。人工智能会使娱乐更加交互、更加个性化和更有参与感，但也应该引导一些研究来理解如何利用这些性质为个人和社会利益服务。

如今以及未来的人工智能政策

人工智能应用的目标必须是对社会有价值。我们的政策建议也会遵循这个目标。在增强和提升人类能力和互动时需要小心，要避免对不同社会阶层的歧视，要多鼓励这个方向上公共政策的探讨。

政策不需要更多也不要更严，而是应该鼓励有用的创新，生成并转化专业知识，并广泛促进企业与公民对解决这些技术带来的关键社会问题的责任感。长期来看，人工智能将会带来新财富，整个社会也要探讨如何分配人工智能技术带来的经济成果的分配问题。

为了帮助解决个人和社会对快速发展的人工智能技术产生的忧虑，该研究小组提供了三个一般性政策建议。

1.在所有层级的政府内，制定一个积累人工智能技术专业知识的机制。有效的监管需要更多的能理解并能分析人工智能技术、程序目标以及整体社会价值之间互动的专家。缺少足够的安全或其他指标方面的专业技术知识，政府官员或许会拒绝批准一个非常有前途的应用。或者缺少足够训练的政府官员可能只会简单采纳行业技术专家的说法，批准一个未经充分审查的敏感应用进入市场。不理解人工智能系统如何与人工行为和社会价值互动，官员们会从错误的角度来评估人工智能对项目目标的影响。

2.为研究人工智能的平等、安全、隐私和对社会的影响扫清感知到的和实际的障碍。在一些相关的联邦法律中，涉及专有的人工智能系统被如何评价的内容还很模糊。当人工智能系统带来了一些实质性后果需要被审查和追究责任时，这些法律的研究就非常重要了。

3.为人工智能社会影响的跨学科研究提供公共和私人资金支持。资金要投给那些能够从多角度分析人工智能的跨学科团队，研究范围从智能的基础研究到评估安全、隐私和其他人工智能影响的方法。比如当一辆自动驾驶汽车或智能医疗设备出现失误时，应该由谁来负责？如何防止人工智能应用产生非法歧视？谁来享有人工智能技术带来的效率提升的成果？以及对于那些技能被淘汰的人应该采取什么样的保护？随着人工智能被越来越广泛和深入地整合到工业和消费产品中，一些领域中需要调整现有的监管制度以适应人工智能创新，或者在某些情况下，根据广泛接受的目标和原则，从根本上重新配置监管制度。短期内制定出全面的人工智能政策法规似乎不太可能。但是，可以根据人工智能在各种情境中可能出现的法律和政策问题，广泛列出多个类别。

未来的指导原则

面对人工智能技术将带来的深刻变化，要求更强硬监管的压力是不可避免的。对人工智能是什么和不是什么的误解可能引发对有益于所有人的技术的反对。那将会是一个悲剧性的错误。扼杀创新或将创新转移到它处的监管方法同样也只会适得其反。

一项最近公布的研究表明，西班牙和法国这样的有严格、详细法规的国家，在企业内部孕育出了一种“合规心态”，其影响是抑制创新和强大的隐私保护。这些公司并不将隐私保护看作是内部责任，也不会拿出专门的员工来促进其业务或制造流程中的隐私保护，也不会参与必需范围之外的隐私倡议或学术研究；这些公司只是将隐私看作是一项要满足规范的行为。他们关注的重点是避免罚款或惩罚，而非主动设计技术和采纳实际技术来保护隐私。

相对地，美国和德国的监管环境是模糊的目标、强硬的透明度要求和有意义的执法相结合，从而在促进公司将隐私看作是他们的责任上做得更加成功。广泛的法律授权鼓励企业发展执行隐私控制的专业人员和流程，他们会参与到外部的利益相关者中并采用他人建议以实现技术进步。对更大的透明度的要求，使民间社会团队和媒体可以变成公共舆论中的可靠执法者，从而使得隐私问题在公司董事会上更加突出，这又能让他们进一步投资隐私保护。

在人工智能领域也是一样，监管者可以强化涉及内部和外部责任、透明度和专业化的良性循环，而不是定义狭窄的法规。随着人工智能与城市的整合，它将继续挑战对隐私和责任等价值的已有保护。和其它技术一样，人工智能也可以被用于好的或恶意的目的。

【人工智能技术将深度结合未来网络】

　　随着各项信息通信新技术的突破发展和全面应用，人类社会正在快速进入智能社会。作为智能社会的重要支撑，人工智能的应用前景无限。人工智能为人类社会的持续创新提供了强大的驱动力，并为创新开辟了广阔的应用空间。人工智能不仅可以面向政府提供智慧城市等解决方案，也可面向企业，让工业机器人替代人工多快好省地完成各项工作，更可以进入千家万户，以教育小孩、陪护老人等实际应用，使人们更多更好地享受智能新生活。

　　人工智能的快速发展和逐渐普及也将对未来网络的发展产生积极影响。人工智能时代将出现更丰富的智能化信息通信业务，要求信息通信网络与时俱进，以适应新的时代需求。同时，信息通信领域也会掀起人工智能革命，形成自己能随时学习、与整个时代一起不断快速更新迭代的智能化体系。

　　在人工智能的强力助推下，化身智能化体系的未来网络将逐步演进为连接、感知、计算三位一体的高维度软件化新型网络。未来网络具有超级智能，能主动感知各类连接设备，分析了解网络运行的各种数据，知晓如何适应外界变化。通过经验的积累和不断的学习，将自身能力升华为自身的知识体系，具备智能思考的能力，可以进行策略选择和推演，在未来出现变化时可主动判断和行动并进化更新。未来网络也会为不断进化的各种智能设备提供超级安全、自主优化和进化更新等新能力。

    未来网络不是网络的简单升级，而是网络的一次巨大变革和全面颠覆。未来网络可方便地按需提升网络技术，完善预测、预警、预处理机制，以不同的方式处理各种情况，快速解决各种复杂问题，提供全新的产品和更高的服务质量，提高网络的效能。

　　未来网络的发展将以渐进方式来实现。首先，网络硬件能力与软件控制分离，实现更灵活的“软件+硬件”升级，以软件定义方式提升网络的敏捷性，实现更强的可控可管，以快捷提供标准化服务。随着能力的提升，网络将具备一定智能，逐步实现网络机器人化：通过各种认知计算服务和自动化技术，网络实时感受当前的流量，配合过去人工操作的经验，自动完成网络的调度、配置，甚至整个网络的规划和建设都会由机器人自动完成。网络服务对象由人类向“人+机器人”转变。通过“人机协同”方式，人只需定义一些规则和标准，网络就能实现个性化应用。随着智能化程度的不断提高，网络将实现智能化决策，可连接泛在的智能设备，提供人性化服务。随着人工智能与未来网络的深度结合，泛在环境将成为网络的重要服务对象，人工智能将与环境融为一体，网络将与人或应用融为一体。网络能够自愈合、自修复，主动学习和思考，真正成为其他行业的基础。

　　信息通信网络是人工智能未来发展不可或缺的组成部分，而人工智能也会对信息通信网络产生影响，使之获得新的能力。人工智能时代即将到来，未来网络的发展将远远超出人们目前的想象。人工智能对网络的影响将越来越大，网络能力也会越来越强。人工智能与未来网络的深度结合，正在加速前行。

【智慧城市锁定创新 智能AI助力智慧健康】

    近日，上海中医药大学的校园里出现了一台智能机器人，而在学校创新中心，这台名叫“大医”的智能机器人现场演示了健康咨询及判断结果显示等功能，则让师生产生了极大的兴趣。 

    上海中医药大学副校长季光教授表示，具备医疗思维的机器人将会在未来成为医学研究的诊断客观化有力突破，基于医疗机构多年积累的大数据库与智能机器人有机结合，可以在医院或社区的日常健康管理、慢病管理，病历建库、数据采集等方面提供巨大的便利，

    健康机器人的出现将有望从传统的诊断方式从“体感”迈向真正的“大数据”，从而有效的实现了医生问诊看病的物理化、定量化，在传统技术的基础上上实现诊疗系统的客观化、精细化，有助于提高医疗诊断的准确性以及提升问诊效率，同时也可在一定程度上改善医疗资源匮乏的现状，这尤其对于三四线城市具有极大的现实意义。

    “大医”的研发者派毅智能负责人就本次现场成功演示表示：随着我们对市场的不断深入了解，发现在智能机器人领域，真正面向垂直行业深度研发的系统集成机器人的成熟度非常低，而医疗作为影响民生的实事项目，如果能在未来帮助广大患者进行有效的健康管理，同时又能利用医疗大数据来提升医院或社区健康中心的效率，这将会是非常有意义的事情，而本次推出的“大医”机器人，也是派毅智能和中医药大学各自利用自己的强项，充分发挥产学研的优势，希望为中国医疗事业的智能化发展提供有益的助力。“

    据悉，为加快人工智能产业发展，由国家发改委、科技部、工信部、中央网信办制定的《“互联网+”人工智能三年行动实施方案》计划到2018年，基本建立人工智能的产业、服务和标准化体系，形成千亿级的人工智能市场应用规模。方案提出将加快行业级无人系统的商用化进程。支持智能无人系统的研发与应用，突破高性能无人系统的各项等技术，推动在重要行业领域的创新应用。

    随着本次会议的结束，欣喜地看到，”智慧健康“、”智慧医疗“的理念正逐渐从纸上走向现实生活，也许在不久的将来我们就医或者在社区中心进行健康管理的时候，就可以看到智能机器人服务于市民，为市民健康服务的全新模式提供助力。

【人工智能将从这5大方面改变企业IT】

    美国科技博客网站Venturebeat近日发文，指出人工智能（AI）将从5个方面改变企业IT。以下就是这篇文章的主要内容。

　　在刚刚过去的这个夏季，人工智能领域显得异常繁忙，不过，最令人关注的人工智能机遇并非来自那些规模最大的企业。

　　你们或许已经听到特斯拉无人驾驶汽车两次登上新闻头条，每次原因各不相同。一次是因为发生在佛罗里达州的致命车祸，在这次车祸中，司机开启了Autopilot软件，结果此软件未能准确识别路况导致车祸发生；另一次是一名密苏里州的特斯拉车主在驾驶ModelX时突发肺栓塞，幸好他开启了自动驾驶功能，并成功导航至最近医院，因及时就医，这位车主与死神擦肩而过，成功获救。

　　当然，你们可能也听说了苹果公司花费了两亿美元收购了机器学习和人工智能初创企业Turi、人工智能Alpha模拟空战击败空战专家、IBM的Watson在10分钟内诊断出一位60岁的老妪患上了罕见的白血病等事件。

　　事实上，企业IT领域也能为人工智能的发展提供肥沃土壤，信不信由你。一些最紧急和最具影响力的人工智能使用案例日益出现，而企业同时也越来越多地将人工智能融入到他们的数据中心和发展机构之中，以帮助数十年来一直依赖手工完成的程序实现自动化。

    以下就是人工智能从5大方面改变企业IT的事例。

　　1、预测软件失败

　　哈佛大学陈曾熙公共卫生学院的研究表明，有朝一日，人们可能会使用人工智能算法来评估一个人患心血管病的风险。这项研究正在测试这些算法能否勾画出病人描述他们症状方式与他们患有疾病的可能性之间的联系。这些算法最终可能会催促人们汇编出专门的医药词典，来更好地解释病人的症状，并帮助人们更加快速地做出精确诊断。

　　在类似的方式中，人工智能算法将能够评估和理解IT基础架构中的所有日志文件，这种作业是人类通过传统方法根本无法完成的。除此之外，人工智能算法还将能够在人可能发现一些错误之前的几分钟和或几小时，就预测出系统崩溃的问题。

    2、检测网络攻击问题

　　在过去的几年中，一些广为人知的网络攻击事件层出不穷，而且数量日益增多，其中包括在2015年假期销售旺季期间数千个Target客户的秘密资料被盗、美国人事管理办公室的服务遭到攻击导致约2150万人的个人敏感信息被严重破、以及近期美国民主党全国委员会的计算机网络遭遇黑客攻击等。

　　人工智能在掌握网络、设备与系统方式，以及破译黑客攻击密码等方面具有较强的潜力。大量的初创企业都以这些方法为重点，例如由创业企业家朗斯·克洛斯比（LanceCrosby）成立的StackPath公司等。克洛斯比曾于2013年将自己此前的公司——云基础架构初创企业SoftLayer以20亿美元的价格卖给了IBM。

　　美国防高级研究计划局(DARPA，帮助创建互联网的机构)近期主办了一场竞赛，在这场竞赛中，7个完全自动化的人工智能机器人各自搜寻隐藏在大量代码中的安全漏洞。第二天，获胜的机器人受邀与全球最优秀的黑客进行竞赛。在此竞争中，机器人多次打败了自然人组成的黑客团队。

　　当然，人工智能在帮助机器人最终击败自然人组成的黑客团队中发挥了关键作用。

　　3、打造超级程序员

　　《钢铁侠》影片中虚构的超级英雄托尼·斯塔克（TonyStark）主要依赖一套非常强大的盔甲来保护全世界。人工智能也能够为那些刚刚从大学校园毕业的软件开发者提供这样的能力。

　　我们都知道Siri。事实上，Siri就是一个人工智能神经元网络，经过了大量的人类语言培训而来。当我们向她问路时，她可能就已经“掌握”到我说话的背后意图。

　　正如托尼·斯塔克依赖科技来完成工作一样，普通的程序员也将能够求助人工智能来帮助他们更好地完成工作，其效果当然超过他们依赖自己。

　　4、让互联网更有意义

　　近期的一些研究预测，到2021年时，大数据和物联网中的人工智能和机器学习规模将达到185亿美元，这一点不足为奇。那种将设备、建筑和日常物体连接起来以让它们更智能和更灵敏的创意也带来了前所未有的复杂性。

　　这是一个数据问题。随着物联网的进步，非结构化的机器数据量已经让我们的传统处理方法显得不知所措。

　　机构将不得不求助人工智能的帮助来解决这些问题，以便将数十亿的数据片断整合起来，加以处理，最终从中挖掘有价值的情报信息。

　　5、数据中心中的机器人

　　你们看到过机器人在亚马逊发货中心工作的视频吗？事实上，同样的场景也将出现在大企业的数据中心。没错，实体机器人将能够处理诸如更换服务器机架之类的维护任务。

　　根据最新的新闻报道，像IBM和EMC等之类的大公司都已经在使用定制化的机器人Roomba，将这些机器人部署到数据中心，负责追踪温度、温度和气流等环境数据。

　　目前来看，无人驾驶汽车并非是人工智能高速发展的唯一领域。企业IT领域的创新，正在悄无声息的进行，但发展速度却毫不逊色。