人工智能分為強人工智能和弱人工智能。強人工智能，也稱通用人工智能，是指達到或超越人類水平的、能夠自適應地應對外界環境挑戰的、具有自我意識的人工智能。弱人工智能，也稱狹義人工智能，是指人工系統實現專用或特定技能的智能，如人臉識別、機器翻譯等。迄今為止大家熟悉的各種人工智能系統，都只實現了特定或專用的人類智能，屬于弱人工智能系統。弱人工智能可以在單項上挑戰人類，比如下圍棋，人類已經不是人工智能的對手了。

　　人工智能發展的基本思想和技術路徑有三種

　　人工智能研究工作肇始于20世紀40年代，但其完整概念在1956年才正式登上歷史舞臺，在美國達特茅斯學院舉行的“人工智能夏季研討會”上提出。這個研討會的主題就是用機器來模仿人類學習以及其他方面的智能，推進了人工智能起起伏伏、螺旋發展的歷程。

　　第一個階段，1956—1976年，基于符號邏輯的推理證明階段。這一階段的主要成果是利用布爾代數作為邏輯演算的數學工具，利用演繹推理作為推理工具，發展了邏輯編程語言，實現了包括代數機器定理證明等機器推理決策系統。但在人工智能理論與方法工具尚不完備的初期階段，以攻克認知作為目標顯然不切實際，人工智能研究逐步從高潮進入低谷。

　　第二個階段，1976—2006年，基于人工規則的專家系統階段。這個階段的主要進展是打開了知識工程的新研究領地，研制出專家系統工具與相關語言，開發出多種專家系統，比如故障診斷專家系統、農業專家系統、疾病診斷專家系統、郵件自動分揀系統等等。專家系統主要由知識庫、推理機以及交互界面構成，其中，知識庫的知識主要由各領域專家人工構建。然而，知識僅靠專家的手工表達實現，終不免掛一漏萬，使得專家系統無法與人類專家與時俱進的學習能力相匹配，人工智能研究第二次進入瓶頸期。

　　第三個階段，2006年至今，大數據驅動的深度神經網絡階段，也是深度學習大行其道的時期。人工神經網絡的發展，隨著人工智能的發展起起伏伏。初期人們對其可以模擬生物神經系統的某些功能十分關注，但是對復雜網絡的學習收斂性、健壯性和快速學習能力一直難以把握，直到上世紀80年代反向傳播算法的發明和90年代卷積網絡的發明，神經網絡研究取得重要突破。深度神經網絡方法走到前臺，開啟了人工智能新階段。

　　自誕生以來，人工智能發展的基本思想和技術路徑總的來說有三種。

　　第一種路徑是符號主義或者說邏輯學派，形式邏輯是其理論基礎，主張人工智能應從智能的功能模擬入手，認為符號是智能的基本元素，智能是符號的表征和運算過程。前述第一個階段和第二個階段中，符號主義都是主導思想。

　　第二種路徑是連接主義或者說神經網絡學派，發源于上世紀40年代，強調智能活動是由大量簡單(神經)單元通過復雜連接后并行運行的結果。其基本思想是：既然人腦智能是由神經網絡產生的，那就通過人工方式構造神經網絡，再通過訓練產生智能。人工神經網絡是對生物神經網絡的抽象和簡化。80年代神經網絡的興盛和近年來興起的深度學習網絡，都是包含多層神經元的人工神經網絡。

　　第三種路徑是行為主義或者說控制學派，又稱進化主義。這個學派在上世紀80年代末、90年代初興起，思想源頭是上世紀40年代的控制論。控制論認為，智能來自智能主體與環境以及其他智能主體相互作用的成功經驗，是優勝劣汰、適者生存的結果。

　　機器學習是未來方向，將人類從重復性勞動中解放出來

　　機器學習是上世紀80年代中期發展起來的人工智能新方向。機器學習研究機器怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，或者根據環境自適應地調整對策。機器學習可以讓機器通過對經驗進行“歸納”和“推理”而實現自動改進。

　　目前，機器學習仍然是人工智能研究的熱點之一，包括深度學習的可解釋性和可信性，增強智能系統的自學習和自適應能力，以及無監督學習、多模態協同學習、強化學習、終生學習等新的機器學習方法。另外，考慮到數據安全和隱私保護，在數據加密或者部分加密的情況下如何學習，也是重要研究方向之一。在深度學習浪潮推動下，人工智能其他研究方向也在加速發展，包括機器感知、模式識別與數據挖掘、自然語言處理、知識表示與處理、智能芯片與系統、認知與神經科學啟發的人工智能、人工智能和其他學科的交叉等。

　　中國是世界上人工智能研發和產業規模最大的國家之一。雖然我們在人工智能基礎理論與算法、核心芯片與元器件、機器學習算法開源框架等方面起步較晚，但在國家人工智能優先發展策略、大數據規模、人工智能應用場景與產業規模、青年人才數量等方面具有優勢。

　　中國的人工智能發展，挑戰與機遇同在，機遇大于挑戰。盡管是后來者，但我們市場規模大，青年人多，奮斗精神強，長期來看更有優勢。如果說18世紀中葉蒸汽機帶來第一次工業革命，持續了100年；19世紀中葉電力帶來第二次工業革命，持續了100年；20世紀中葉計算機與通信帶來第三次工業革命，到現在持續了70多年；我們可以預見，本世紀中葉前后人工智能可能會帶來下一次工業革命，影響百年。當然，現在人工智能技術的儲備還遠沒有達到開啟智能時代的量級，還需要持續積累和創新。現在的計算機體系結構，還無法滿足實現強人工智能的需求。未來可能的突破方向包括人工智能基礎理論與算法、類腦計算、生物計算、量子計算等。

　　其影響不僅關系國家發展，而且關系億萬勞動者日常生活。以深度學習為代表的人工智能技術高速發展并廣泛應用，正在深刻改變人類社會生活的方方面面。產業界從提高效率、降低成本等角度，積極采用人工智能技術解決各種應用問題，包括智能機器人、智能制造、智能監控、無人駕駛、自動問答、醫療診斷、智能家居、政務法務等，為人類帶來福祉。

　　從就業角度來看，越來越多的超市、銀行、餐館開始使用機器服務，甚至律師、證券分析師等高知識含量工作也可能被機器人取代，這給勞動者就業帶來挑戰。人工智能的應用必然會提高勞動生產率，正如第一次工業革命期間，機器的應用雖然減少了傳統輕工業就業崗位，但是也創造了更多新興產業就業崗位。人工智能也一樣，隨著它的發展，將會產生很多新的工作崗位，只是對技能的要求與傳統崗位不同。因此，隨著人工智能的推進，教育培訓體系也應該根據就業結構變化而積極調整，加快推進產業升級中的職業轉崗培訓。

　　人工智能把我們從簡單重復的勞動中解放出來，更有利于人類充分挖掘自己的智能潛力。面對即將到來的智能社會，我們應該以積極態度擁抱變化。與其擔憂工作被搶走，不如與機器“共勉”，機器尚在持續學習，我們人類難道不應該更加努力學習、終身學習嗎?　(作者：高文，北京大學教授、中國工程院院士，黃鐵軍為北京大學教授)