跳转到内容

人工智能

编辑链接
本页使用了标题或全文手工转换
维基百科，自由的百科全书
此条目介绍的是人工智能。关于其他用法，请见“AI”。
人工智能系列内容
主要目标
实现方式
人工智能哲学
历史
人工智能的应用
主题与列表
“人工智能”的各地常用名称
中国大陆人工智能
台湾人工智慧
港澳人工智能
新马人工智能、人工智慧
日本人工知能
越南智慧人造
韩国人工智能

人工智能（英语：artificial intelligence，缩写为AI），是指计算机系统执行通常与人类智能相关任务的能力，例如学习、推理、解决问题、感知和决策。作为工程学、数学和计算机科学交叉的研究领域，人工智能旨在开发和研究相关方法与软件，使机器能够感知环境、运用机器学习和智能采取行动，并提高达成既定目标的可能性。[1]

人工智能应用中较为知名的例子包括高级网络搜索引擎、聊天机器人、虚拟助手、自动驾驶汽车，以及在策略游戏（如国际象棋和围棋）中的对弈和分析。自2020年代以来，生成式人工智能已被广泛用于根据文本提示生成图像、音频和视频。[2]

人工智能研究的传统目标包括学习、推理、知识表示、规划、自然语言处理和感知，以及对机器人学的支持。为实现这些目标，人工智能研究人员使用了包括状态空间搜索和数学优化、形式逻辑、人工神经网络，以及基于统计学、运筹学和经济学的方法在内的技术。人工智能还借鉴了心理学、语言学、哲学、神经科学和其他领域。[3] 一些公司，如OpenAI、Google DeepMind和Meta，旨在创造人工通用智能（AGI），即能够在几乎所有认知任务上至少达到与人类同等水平的AI。[4]

人工智能作为一门学科于1956年成立，[5]该领域在其历史中经历了多次乐观的循环，随后是失望和资金流失的时期，即所谓的AI寒冬。2012年后，随着图形处理器开始被用于加速神经网络，且深度学习超越了以往的人工智能技术，资金和兴趣大幅增加。[6]2017年后，随着Transformer架构的出现，这种增长进一步加速。[7]在2020年代，人工智能热潮与生成式人工智能的进步同步发生，后者使得媒体的创建和修改成为可能。[8]除了人工智能安全以及使用AI所带来的意外后果和危害之外，伦理问题、长期影响以及潜在的存在风险也已引发了对人工智能监管的讨论。[9]

详细定义

[编辑]

通常人工智能是指用普通计算机程序来呈现人类智能的技术。该词也指研究这样的智能系统是否能够实现，以及如何实现。同时，随着医学、神经科学、机器人学及统计学等方面的发展，普遍认为人类的部分职业也逐渐被其取代。[10][11]

人工智能于一般教材中的定义是“智能主体的研究与设计”[12]，智能主体指一个可以观察周遭环境并作出行动以达致目标的系统[13]。约翰·麦卡锡于1955年对人工智能的定义是“制造智能机器的科学与工程”[14][15]。安德烈亚斯·卡普兰和迈克尔·海恩莱因将人工智能定义为“系统正确解释外部数据，从这些数据中学习，并利用这些知识通过灵活适应实现特定目标和任务的能力”。[16]人工智能可以定义为模仿人类与人类思维相关的认知功能（如学习和解决问题）的机器或计算机。它是计算机科学的一个分支：系统感知其环境并采取行动，以最大限度地提高成功机会，也能从过去的经验中学习、做出合理决策并快速回应。人工智能研究人员的科学目标之一，是通过构建能进行符号推理的计算机程序来理解智能。[17]

人工智能的主要基础组成部分是：[18]

人工智能的研究高度技术化和专业化，各分支领域深入且彼此少有交集，因而涉及范围极广[19]。人工智能的研究可以分为几个技术问题。其分支领域主要集中在解决具体问题，其中之一是，如何使用各种不同的工具完成特定的应用程序。[20]

AI的核心问题包括建构能够跟人类相似、甚至超越人类的推理、知识、计划、学习、交流、感知、移动、移物、使用工具和操控机械等能力[21]。通用人工智能（AGI）目前仍然是该领域的长远目标[22]。目前弱人工智能已有初步成果，在影像识别、语言分析、棋类游戏等单一能力上甚至超越了人类。人工智能的通用性意味着同一个AI程序可以解决上述多种问题，无须为每项任务重新开发算法，这与人类的处理方式相似；但要达到具备思考能力的强人工智能还需要时间研究，比较流行的方法包括统计方法、计算智能和传统意义的AI。目前已有大量工具应用人工智能，其中包括搜索和数学优化、逻辑推演；基于仿生学、认知心理学，以及基于概率论和经济学的算法等也仍在逐步探索当中。[23]

概论

[编辑]

人工智能的定义可以分为两部分，即“人工”和“智能”。[24]

人工智能目前在电脑领域内得到越来越广泛的应用，并在机器人、经济政治决策、控制系统、仿真系统等领域中发挥作用。[25]

人工智能也被应用于许多不同领域。机器人可以在餐馆和商店工作，并参与城市基础设施的维护；人工智能用于管理运输系统和自动驾驶车辆，也出现在垃圾收集、空气质量监测等城市服务中。许多城市主动利用大数据和人工智能，通过改善基础设施的能源、计算能力和连接性来提高经济回报[26]。

近年来，人工智能减少了行政成本与处理时间，许多政府开始将其用于各种公共服务。例如，移民流程的自动化减少了处理时间并提高了效率。[27]人工智能代理可以协助城市规划者基于目标导向的蒙特卡罗树搜索进行场景规划，提供土地利用方案；[28]人工智能也利用在线数据监控和调整环境风险政策。在2019年水危机期间，研究人员用潜在狄利克雷分配方法分析Twitter（X）上的讨论，把主题分类为干旱的影响与原因、政府响应和潜在解决方案等。[29]人工智能工具也与司法部门的人类法官配合，用于提供风险评估[30][26]。

发展史

[编辑]
主条目：人工智能史
年代 20世纪
40年代		 20世纪
50年代		 20世纪
60年代		 20世纪
70年代		 20世纪
80年代		 20世纪
90年代		 21世纪
00年代		 21世纪
10年代		 21世纪
20年代
计算机与硬件 ENIAC[31] 晶体管电脑[32] 大型机、时间分时系统[33] 微处理器、早期个人电脑[34] 个人电脑与工作站普及[35] 互联网与集群计算[36] 云计算与数据中心[37] GPU 加速深度学习[38] 专用 AI 加速器、超大规模运算中心[39]
人工智能研究范型 形式神经元模型[40] 图灵测试
1956 达特茅斯会议[41][42] 		符号推理、搜索与规划（如 通用问题求解器）[43] 专家系统、知识工程（第一次“人工智能寒冬”）[44][45] 专家系统热潮、第五代电脑系统项目
几率推理萌芽[46] 		统计机器学习（支持向量机、贝氏网络 等）[47][48] 大规模资料 + 机器学习（搜索、广告、推荐）[49] 深度学习[50] 基础模型与生成式 AI 范式[51]
神经网络与深度学习 1943 McCulloch–Pitts 神经元[52] 1958 感知器[53] 多层感知器研究[54] 反向传播理论[55] LeNet[56] LSTM等递归网络[57] 深层信念网络[58] AlexNet、生成对抗网络、AlphaGo、Transformer[59][60][61][62] Transformer和扩散模型[63][64]
编程语言与工具 FORTRAN、LISP[65][66] ALGOL[67] Prolog[68] Smalltalk、C++[69][70] MATLAB、R[71][72] Python 与 scikit-learn[73][74] TensorFlow、PyTorch[75][76] Hugging Face[77]
知识表示与推理 形式逻辑、早期自动定理证明[78] 语义网络雏形[79] 语义网络、产生式规则[80][81] 框架理论、产生式系统[82] 贝氏网络、模糊逻辑[83][84] 描述逻辑、本体论[85] 语义网、OWL 等标准[86] 知识图谱[87] 检索增强生成[88]
专家系统与应用 DENDRAL[89] MYCIN等医疗专家系统[90] XCON:商用专家系统高峰[91] 专家系统衰退（因为知识获取瓶颈）[92] 行业决策支持系统集成规则与机器学习[93] 规则系统 + 机器学习混合应用[94] 行业知识图谱、规则引擎与大型语言模型结合[95]


2024年，中国和美国的人工智能专利数量占全球人工智能专利总数的四分之三以上。[96]中国拥有的人工智能专利更多，而美国人工智能专利申请公司平均每家拥有的专利数量比中国多35%。[96]

对机器或“形式”的推理研究起源于古代哲学家和数学家。逻辑学的研究直接催生了艾伦·图灵的计算理论，理论提出，一台通过操作简单符号“0”和“1”的机器，能够模拟任意复杂的数学推理过程。[97][98]这一理论，连同在控制论、信息论及神经生物学方面的同期发现，推动研究人员考虑构建一台“电子大脑”的可能性。[a] 此外，他们还开拓了未来成为人工智能领域一部分的多个研究分支，[100]比如1943年沃伦·麦卡洛克与沃尔特·皮茨设计的“人工神经元”，[101]以及图灵于1950年提出了“图灵测试”，展示了“机器智能”的可行性。[98]

人工智能研究领域正式成立于1956年，其标志是达特茅斯学院举行的“达特茅斯会议”。[b][5] 与会者后来在20世纪60年代成为该领域的先驱者。[c] 他们及其学生研发出的程序被媒体誉为“令人惊叹”：[d] 计算机不仅能学会国际跳棋策略，还能解决代数文字难题、证明逻辑定理，甚至能进行英语对话。[e][105]在20世纪50年代末至60年代初，许多英国和美国的大学纷纷建立了人工智能实验室。[98]

20世纪60年代至70年代，研究人员坚信他们的方法最终能够成功创造出具有通用智能的机器，并将此视为他们研究领域的最高目标。[106]赫伯特·西蒙（Herbert Simon）曾预言：“在未来二十年内，机器能够胜任所有人类能够完成的工作。”[107]马文·明斯基（Marvin Minsky）对此表示赞同，他认为：“在一代人的时间内，‘人工智能’这一难题将会得到实质性的解决。”[108]但事实证明他们低估了这个问题所涉及的复杂性。[109]1974年，受到詹姆斯·莱特希尔爵士（Sir James Lighthill）[110]的批评以及美国国会倾向于资助更为有成效项目的趋势，[111]美国和英国政府都中断了探索性研究。明斯基和西摩·佩珀特（Seymour Papert）在其著作《感知器》（Perceptrons）中提出的观点，被误认为已经证明人工神经网络在解决现实世界问题上毫无用处，从而完全否定了这种方法。[112]随后出现了 “人工智能寒冬”，即人工智能项目难以获得资助的时期。[113]

20世纪80年代初期，人工智能研究因专家系统的商业成功而再次活跃，[114]一种人工智能程序，旨在模拟人类专家的知识和分析技巧。到了1985年，AI市场估值超过10亿美元。与此同时，日本的第五代计算机项目推动英美两国恢复学术研究的资助。[115]但从1987年Lisp机器市场的衰退开始，人工智能再次发展挫折，第二个较长的低迷期开始了。[116]

在此之前，人工智能的主要资金用于高级符号项目，用以表征如计划、目标、信念等概念性对象。20世纪80年代，一些研究人员开始怀疑，这种方法能否模仿人类认知的所有过程，特别是感知、机器人、学习和模式识别，[117]并开始研究“次符号”方法。[118]罗德尼·布鲁克斯（Rodney Brooks）普遍不认同“表征”这一概念，并将研究重心转向了设计能够移动和自持生存的机器工程。[f] 朱迪亚·珀尔、卢特菲·泽德等学者发展了多种方法，这些方法基于合理推断处理不完备或不确定的信息，而非依赖于严格的逻辑。[123][124]但最显著的进展是，杰弗里·辛顿与其他研究者协力，在“联结主义”及其涉及的神经网络研究方面，获取了重要突破。[125]1990年，杨立昆（Yann Le Cun）展示了卷积神经网络能够识别手写数字，这项突破性的研究为神经网络在多个实际应用领域的应用奠定了基础。[126]

20世纪末至21世纪初期，人工智能利用形式化的数学方法，结合针对特定问题制定的策略，逐步在学术界重建了声誉。这种“聚焦”与“规范化”的研究方法让研究者能产出可验证的成果，并促进了与统计学、经济学及数学等其他学科的交叉合作。[127]至2000年，人工智能领域研究的解决方案获得了广泛的应用，尽管在1990年代，这些方案往往不被直接标识为“人工智能”。[128]当前，部分人工智能领域的学者认为，研究重点可能未能全面覆盖“创造具备多功能性和全面智能的机器”这一初始目标。2000年代，通用人工智能（AGI）发展为一个独立的研究领域，2008年举办了首届AGI学术会议。[129]

2012年以来，深度学习开始主导行业标准，并迅速成为该领域内广泛采用的方法。[6]在多种场合，替代性方法被淘汰，深度学习得到优先采用。[g]深度学习的突破性成果，既得力于硬件的显著进步（如计算速度更快的电脑、[131]图形处理单元以及云计算技术[132]），也依赖于广泛的数据可用性[133]（包括精心策划的数据集，[132]譬如ImageNet）。深度学习的成果引发了公众对于人工智能的浓厚兴趣并促使资金投入的大幅度增加。[h]2015年至2019年期间，机器学习领域的出版物数目上升了50%。[134]

2016年，在机器学习会议上，公平性与技术滥用成为突出话题；相关论文发表数量急剧增加，研究经费也随之增加，众多研究人员转而聚焦这些议题。对齐问题逐渐成为学术探讨的重要议题。[135]

2010年代末至2020年代初，AGI公司推出引发广泛关注的程序。2016年，由Google DeepMind研发的“阿尔法狗”战胜了世界围棋冠军。该程序仅被输入了游戏规则并自主形成了策略。GPT-3是OpenAI在2020年推出的一款强大的语言模型，它能生成高质量、类人的文本。[136]这些及其他程序引发了剧烈的AI热潮，主要企业投入数十亿美元于AI研究。[137]AI Impacts预测，到2022年，仅在美国，人工智能领域的年投资就将达到约500亿美元，大约20%的美国新晋计算机科学博士生将专注于AI领域。[137]在2022年，美国预计将有大约80万的人工智能相关职位空缺。[138]

进入2023年，OpenAI推出了GPT-4，其多模态能力和推理性能显著提升，能处理文本和图像输入，并在复杂问题解决方面展现出更强大的能力。隔年（2024年），OpenAI进一步发布GPT-4o，这款模型能够处理文本、图像等多种数据类型，并以更自然的对话能力获得广泛应用。[139]

截至2024年，AI技术的应用范围进一步扩大。例如，Anthropic的Claude模型因其安全性和可解释性受到关注，被广泛用于企业应用。与此同时，xAI于2023年推出Grok，旨在加速人类科学发现，特别是在太空探索和物理学领域。根据市场研究，至2024年，全球AI市场规模已达到约1640亿美元，并预计以年复合增长率（CAGR）36.6%持续增长。[140]

2025年，中小型AI模型开始崛起，这些模型以更低的计算需求提供高效性能，受到广泛关注。深度求索于2024年12月24日推出了DeepSeek-V3，这是一款通用大型语言模型（LLM），并于2025年1月发布DeepSeek-R1，专注于复杂逻辑任务的推理模型，两者均提供开源权重和训练方法。[141]DeepSeek R1拥有6710亿（671B）个参数，被认为在推理能力上与OpenAI的o1模型相当，并因其高效的训练方法引发了全球AI竞争的热潮。2025年3月6日，阿里巴巴集团发布了QwQ-32B，一款320亿(32B)参数的开源推理模型，据称其性能可媲美DeepSeek R1，并在数学、编码和一般问题解决等基准测试中超越OpenAI的o1-mini，且计算需求显著降低。QwQ-32B的发布使阿里巴巴香港上市股票在2025年3月6日上涨超过8%，反映市场对中小型高效模型的看好。[142]

2025年下半年，模型发布依然密集。7月，xAI发布Grok 4，号称“世界最强AI模型”。[143]8月2日，欧盟《人工智能法案》第二阶段义务生效，开始适用于通用人工智能模型等主体。[144]8月7日，OpenAI发布GPT-5，向所有用户开放。[145]9月，深度求索开源DeepSeek-V3.2-Exp，并公开新的稀疏注意力机制，推理速度提升、API成本下降。[146]Anthropic亦于同月发布Claude Sonnet 4.5，主打长时间自主编程。[147]11月，OpenAI发布GPT-5.1；[148]Google发布Gemini 3，强调“智能体”（agent）能力；[149]Anthropic亦于同月发布Claude Opus 4.5，主打智能体与编程任务。[150]据斯坦福大学《AI Index》2025年报告，企业AI采用率在2024年大幅上升，投资与监管也同步增长。[151]

进入2026年，“智能体”成为行业的主要方向，各家厂商竞相发布能自主执行多步任务的智能体产品。2月，Anthropic发布Claude Opus 4.6。[152]3月，OpenAI发布GPT-5.4，面向企业专业任务；[153]Google推出Gemini 3.1 Pro，推理能力大幅提升。[154]5月，Google在I/O开发者大会上宣布Gemini进入“智能体时代”，并推出Gemini Spark等智能体；[155]OpenAI于同月发布GPT-5.5。[156]8月，深度求索发布DeepSeek-V4-Pro，强化智能体能力。[157]与此同时，开放权重模型升温，全球协同治理提速。[158]

研究课题

[编辑]

目前人工智能的研究方向已经被分成几个子领域，研究人员希望一个人工智能系统应该具有某些特定能力，以下将这些能力列出并说明。[21]

演绎、推理和解决问题

[编辑]

早期的人工智能研究人员直接模仿人类进行逐步的推理，就像是玩棋盘游戏或进行逻辑推理时人类的思考模式。[159]到了1980和1990年代，利用概率和经济学上的概念，人工智能研究还发展了非常成功的方法处理不确定或不完整的资讯。[123]

对于困难的问题，有可能需要大量的运算资源，也就是发生了“组合爆炸”：当问题超过一定的规模时，电脑会需要天文数量级的存储器或是运算时间。寻找更有效的算法是优先的人工智能研究项目。[160]

人类解决问题的模式通常是用最快捷、直观的判断，而不是有意识的、一步一步的推导，早期人工智能研究通常使用逐步推导的方式。[161]人工智能研究已经在这种“次符号”的解决问题方法上获取进展：实体化Agent研究强调感知运动的重要性，神经网络研究则试图模拟人类和动物的大脑结构来重现这种技能。[162]

知识表示法

[编辑]
本体论将知识表示为一个领域内的一组概念以及这些概念之间的关系。
主条目：知识表示和常识知识库

知识表示是人工智能领域的核心研究问题之一，它的目标是让机器存储相应的知识，并且能够按照某种规则推理演绎得到新的知识。[163]许多问题需要大量关于世界的知识，这些知识包括事先存储的先验知识和通过智能推理得到的知识。事先存储的先验知识指：人类用某种方式告诉给机器的知识。通过智能推理得到的知识指：结合先验知识和某种特定的推理规则（逻辑推理）得到的知识。首先，先验知识可以指描述目标，特征，种类及对象之间的关系的知识， 也可以描述事件，时间，状态，原因和结果， 以及任何你想要机器存储的知识。比如：今天没有太阳，没有太阳就是阴天。那么以命题逻辑语言，这些知识可以被表示为：今天 → 没有太阳，没有太阳 → 阴天。这些知识是先验知识，那么推理可以得到新知识：今天 → 阴天。由此例子可以看出，先验知识的正确性非常重要，这个例子中没有太阳就是阴天，这个命题是不严谨的、比较笼统的，因为没有太阳可能是下雨，也可能下雪。另外，如果人工智能能判断太阳是否存在，在此前提之下，也应该能判断出阴天与晴天的差异。逻辑命题表示在知识表示中非常重要，逻辑推理规则是目前主要推理规则。可以在机器中用逻辑符号定义每一个逻辑命题，然后再让机器存储相应的逻辑推理规则，那么自然而然机器便可进行推理。目前知识表达有许多困境尚无法解决，比如：建立一个完备的知识库几乎不可能，所以知识库的资源受到限制；先验知识的正确性需要进行检验，而且先验知识有时候不一定是只有对或者错两种选择。[164]

规划

[编辑]

Agent必须能够制定目标和实现这些目标。[165]他们需要一种方法来建立一个可预测的世界模型（将整个世界状态用数学模型表现出来，并能预测它们的行为将如何改变这个世界），这样就可以选择功效最大的行为。[166] 在传统的规划问题中，智能Agent被假定为世界中唯一能影响环境的行动者，因此其行为的结果是确定的。[167]但是，如果事实并非如此，它必须定期检查世界模型的状态是否和自己的预测相符合。如果不符合，它必须改变它的计划。因此智能代理必须具有在不确定结果的状态下推理的能力。[168]在多Agent中，多个Agent规划以合作和竞争的方式去完成一定的目标，使用演化算法和群体智能可以达成一个整体的突现行为目标。[169]

机器学习

[编辑]
主条目：机器学习

机器学习的主要目的是为了让机器从用户和输入数据等处获得知识，从而让机器自动地去判断和输出相应的结果。这一方法可以帮助解决更多问题、减少错误，提高解决问题的效率。对于人工智能来说，机器学习从一开始就很重要。[170]

机器学习的方法各种各样，主要分为监督学习和非监督学习两大类。监督学习指事先给定机器一些训练样本并且告诉样本的类别，然后根据这些样本的类别进行训练，提取出这些样本的共同属性或者训练一个分类器，等新来一个样本，则通过训练得到的共同属性或者分类器进行判断该样本的类别。监督学习根据输出结果的离散性和连续性，分为分类和回归两类。非监督学习是不给定训练样本，直接给定一些样本和一些规则，让机器自动根据一些规则进行分类。无论哪种学习方法都会进行误差分析，从而知道所提的方法在理论上是否误差有上限。[171]

自然语言处理

[编辑]
主条目：自然语言处理

自然语言处理探讨如何处理及运用自然语言，自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。[172]

运动和控制

[编辑]
主条目：机器人学

运动和控制研究如何让机器（尤其是机器人）在物理世界中移动和操作物体，涵盖运动规划、动力学与运动控制、机械臂操作与抓取等内容。[173]自动驾驶汽车、无人机和机械臂等系统都依赖这类技术。[174]

机器感知

[编辑]
主条目：机器感知、计算机视觉和语音识别

机器感知[175]是指能够使用传感器所输入的资料（如照相机、麦克风、声纳以及其他的特殊传感器）然后推断世界的状态。电脑视觉[176]能够分析影像输入。另外还有语音识别[177]、人脸识别和物体识别。[178]

社交

[编辑]
主条目：情感计算
Kismet，一个具有表情等社交能力的机器人[179]

情感和社交技能对于一个智能agent很重要。首先，通过了解人类的动机和情感状态，代理可以预测他人的行动，这涉及博弈论、决策理论以及情感感知能力。[180]此外，为了良好的人机交互，智能代理也需要表现出情绪，至少要能礼貌地与人打交道，并具备正常的情绪。[181]

创造力

[编辑]

创造力是人工智能的一个子领域，既研究理论上（从哲学和心理学的角度）定义的创造力，也研究实际的创造力，例如系统产生的输出能否被视为创意，以及系统能否识别和评估创造力。相关领域包括人工直觉和人工想像。[182]

研究方法

[编辑]

目前没有统一的原理或范式指导人工智能研究。许多问题上研究者都存在争论。[183]

其中几个长久以来仍没有结论的问题是：是否应从心理或神经方面模拟人工智能?或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？[184]智能行为能否用简单的原则（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？[185]

智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？[186]约翰·豪格兰德（John Haugeland）提出了GOFAI（出色的老式人工智能）的概念，也提议人工智能应归类为synthetic intelligence，[187]这个概念后来被某些非GOFAI研究者采纳。[188][189]

控制论与大脑模拟

[编辑]
主条目：控制论和计算神经科学

20世纪40年代到50年代，许多研究者探索神经学、信息理论及控制论之间的联系。其中还造出一些使用电子网络构造的初步智能。[190]

这些研究者还经常在普林斯顿大学和英国的Ratio Club举行技术协会会议[191]。到1960年代，大部分人已经放弃这种方法，尽管这些原理在80年代再次被提出。[192]

符号处理

[编辑]
主条目：符号人工智能

当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学，斯坦福大学和麻省理工学院，而各自有独立的研究风格。约翰·豪格兰德（John Haugeland）称这些方法为GOFAI（出色的老式人工智能）[193]。60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。[194]基于控制论或人工神经网络的方法则置于次要[195]。60－70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。[196]

子符号方法

[编辑]

1980年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知、机器人、机器学习和模式识别。很多研究者开始关注子符号方法解决特定的人工智能问题[186]。

  • 自下而上、接口agent、嵌入环境（机器人）、行为主义、新式AI：机器人领域相关的研究者，如罗德尼·布鲁克斯，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。[205]他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征（如移动，感知和形象）。[205]
  • 计算智能：1980年代中David Rumelhart等再次提出神经网络和联结主义[206]。这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴[207]。

统计学方法

[编辑]

1990年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是近期人工智能成功的原因。共享的数学语言也允许已有学科的合作（如数学，经济或运筹学）。斯图亚特·鲁塞尔和彼德·诺米格指出这些进步不亚于“革命”和“neats的成功”[208]。有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标[209]。

集成方法

[编辑]
  • 智能agent范式：智能agent是一个会感知环境并作出行动以达致目标的系统。最简单的智能agent是那些可以解决特定问题的程序。更复杂的agent包括人类和人类组织（如公司）。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。一个解决特定问题的agent可以使用任何可行的方法：一些agent用符号方法和逻辑方法，一些则用子符号神经网络或其他新的方法。范式也给研究者提供一个与其他领域沟通的共同语言，如决策论和经济学（也使用abstract agents的概念）。1990年代智能agent范式被广泛接受。[13]
  • 代理架构和认知架构：研究者设计出一些系统来处理多agent系统中智能agent之间的相互作用。[210]一个系统中包含符号和子符号部分的系统称为混合智能系统，而对这种系统的研究则是人工智能系统集成。分级控制系统则给反应级别的子符号AI和最高级别的传统符号AI提供桥梁，同时放宽了规划和世界建模的时间。[210]

基本应用

[编辑]
主条目：人工智能的应用

人工智能基本的应用（Fundamental Applications）可分为四大部分：[211]

感知能力（Perception）

[编辑]

指的是人类通过感官接收环境的刺激、察觉消息的能力，简单的说就是人类五官的看、听、说、读、写等能力，学习人类的感知能力是AI目前主要的焦点之一，包括：[212]

  • “看”：电脑视觉（Computer Vision）、图像识别（Image Recognition）、人脸识别（Face Recognition）、对象侦测（Object Detection）。
  • “听”：语音识别（Sound Recognition）。
  • “说”：语音生成（Sound Generation）、文本转换语音（Text-to-Speech）。
  • “读”：自然语言处理（Natural Language Processing，NLP）、语音转换文本（Speech-to-Text）。
  • “写”：机器翻译（Machine Translation）、文本生成（Text Generation）[213]

认知能力（Cognition）

[编辑]

指的是人类通过学习、判断、分析等等心理活动来了解消息、获取知识的过程与能力，对人类认知的模仿与学习也是目前AI第二个焦点领域，主要包括：[214]

  • 分析识别能力：例如医学图像分析、产品推荐、垃圾邮件识别、法律案件分析、犯罪侦测、信用风险分析、消费行为分析等。
  • 预测能力：例如AI执行的预防性维修（Predictive Maintenance）、智能天然灾害预测与防治。
  • 判断能力：例如AI下围棋、自动驾驶车、健保诈欺判断、癌症判断等。
  • 学习能力：例如机器学习、深度学习、增强式学习等等各种学习方法。[215]

创造力（Creativity）

[编辑]

指的是人类产生新思想，新发现，新方法，新理论，新设计，创造新事物的能力，它是结合知识、智力、能力、个性及潜意识等各种因素优化而成，这个领域目前人类仍遥遥领先AI，但AI也试着急起直追，主要领域包括：AI作曲、AI作诗、AI小说、AI绘画、AI设计等。[216]

智能（Wisdom）

[编辑]

指的是人类深刻了解人、事、物的真相，能探求真实真理、明辨是非，指导人类可以过着有意义生活的一种能力，这个领域牵涉人类自我意识、自我认知与价值观，是目前AI尚未触及的一部分，也是人类最难以模仿的一个领域[217]。

实际应用

[编辑]
主条目：人工智能的应用

人工智能在机器视觉[218]、指纹识别[219]、人脸识别[220]、视网膜识别[221]、虹膜识别[222]、掌纹识别[223]、专家系统[224]、自动规划[225]、无人载具[226]等上面得到了应用。

应用领域

[编辑]

伦理

[编辑]
主条目：人工智能伦理

伦理管理

[编辑]

史蒂芬·霍金、比尔盖茨、埃隆·马斯克、Jaan Tallinn以及Nick Bostrom等人都对于人工智能技术的未来公开表示忧心[235]，人工智能若在许多方面超越人类智能水平的智能、不断更新、自我提升，进而获取控制管理权，人类是否有足够的能力及时停止人工智能领域的“军备竞赛”，能否保有最高掌控权，现有事实是机器失控导致人员伤亡的事件时有发生，[236]这种情况是否会扩大规模，历史显然无法给出可靠的乐观答案。特斯拉电动车马斯克（Elon Musk）在麻省理工学院（MIT）航空航天部门百年纪念研讨会上称人工智能是“召唤恶魔”行为；[237]盖茨（Bill Gates）也表示同意马斯克的担忧，并称不明白为何有些人不担心这个问题。[238]

Google DeepMind的人工智能（AI）系统在2016年“AlphaGo”对战韩国棋王李世乭获胜，开发商表示在内部设立伦理委员会，针对人工智能的应用制定政策，防范人工智能沦为犯罪开发者。[239]

科技进步，人工智能科技产生“自主武器”军备竞赛已悄悄展开，英国、以色列与挪威，都已部署自主导弹与无人操控的无人机，具“射后不理”（fire-and-forget）能力的导弹，多枚导弹还可互相沟通，分享找到攻击目标。[240]这些武器还未被大量投入，但很快就会出现在战场上，且并非使用人类所设计的程序，而是完全利用机器自行决策。 霍金等人在英国独立报发表文章警告未来人工智能可能会比人类金融市场、科学家、人类领袖更能操纵人心、甚至研发出人们无法理解的武器。专家恐发展到无法控制的局面，援引联合国禁止研发某些特定武器的“特定常规武器公约”加以限制。[241]新南威尔士大学人工智能的托比·沃尔什教授认为这是一种欺骗，因为机器无区别战敌和平民的技术。[242]

经济冲击

[编辑]

CNN财经网数字媒体未来学家Amy Webb、美国在线等纷纷预测一些即将被机器人取代的职业，[243]日本野村综合研究所也与英国牛津大学的研究学者共同调查指出，10至20年后，日本有49%的职业（235种职业）可能会被机械和人工智能取代而消失，直接影响约达2500万人[244]，例如：超市店员、一般事务员、计程车司机、收费站运营商和收银员、市场营销人员、客服人员、制造业工人、金融中间人和分析师、新闻记者、电话公司职员、麻醉师、士兵和保安、律师、医生、软件开发者和操盘手、股票交易员等等高薪酬的脑力职业将最先受到冲击[245]。

2017年6月份马云在美国底特律举行“链接世界”（Gateway 17）产业大会，会上提出人工智能可能导致第三次世界大战，因为前两次产业革命都导致两次大战，战争原因并非这些创新发明本身，而是发明对社会上许多人的生活方式冲击处理不当，新科技在社会上产生新工作也取代旧工作，产生了新的输家和赢家，若是输家的人数太多将造成一股社会不稳的能量而这股能量被有心人利用可能导致各种事件。他认为各国应该强制订定规定AI机器只能用于人类不能做的工作，避免短时间大量人类被取代的失业大潮，但马云没有提出这种世界性规定将如何实现并确保遵守的细节方案。[246]

数据科学家被哈佛商业评论称为《二十一世纪最Sexy的职业》[247]，人工智能需求量大，促使不少大学，如伯克利大学，专门成立数据科学系。以硅谷和纽约为主要运营范围的The Data Incubator公司于2012年成立，专注于数据科学、大数据和人工智能的企业培训，提供国际大数据培训服务。[248]

AI对人类的威胁

[编辑]
参见：通用人工智能的生存风险、机器人叛变和人工智能对齐

此议题目前分成两个学派：[249]

悲观学派

[编辑]

此学派的代表是天文物理学家史蒂芬·霍金，以及特斯拉首席执行官伊隆·马斯克。霍金认为AI对人类将来有很大的威胁，[250]主要有以下理由：

  1. AI会遵循科技发展的加速度理论。
  2. AI可能会有自我改造创新的能力。
  3. AI进步的速度远远超过人类。
  4. 人类会有被灭绝的危机。[251]

乐观学派

[编辑]

另一方面，部分大型科技公司的AI研究者持较乐观的看法，例如Meta首席AI科学家杨立昆（Yann LeCun）认为AI不会毁灭人类，也不会永远取代人类的工作。[252]他们提出的理由包括：

  1. 人类只要关掉电源就能除掉AI机器人。[253]
  2. 任何的科技都会有瓶颈，摩尔定律到目前也遇到相当的瓶颈，AI科技也不会无限成长，依然存在许多难以克服的瓶颈。[254]
  3. 依目前的研究方向，电脑无法突变、苏醒、产生自我意志，AI也不可能具有创意与智能、同情心与审美等这方面的能力。[255]

AI与管理

[编辑]

AI逐渐普及后，将会在企业管理中扮演很重要的角色，而人类的管理者应如何适度的调整自己的工作职能，有以下几点建议：

  1. 放弃行政工作；
  2. 退守分析预测的领域而强化自己的综合判断力；
  3. 把AI当作同事，形成协同合作的团队；
  4. 多琢磨在创造力以及各种流程架构设计师角色；
  5. 强化自己人际网络、沟通协调、谈判上的能力；
  6. 培养自身领导能力，能有效地带领一个士气高、团结及凝结力高的工作伙伴。[256]

滥用

[编辑]
参见：深伪技术、深伪色情、自主武器和人工智能军备竞赛

2019年6月，基于神经网络技术DeepNude软件面世，该软件可以将人物照片的衣着褪去，显示出裸体。随后，经该软件处理后的色情图片在网络上泛滥并引发争议，此后该软件在批评声中被下架。据美国网络安全公司Sensity统计，DeepNude已经产生了68万以上女性的假裸照，其中70%的原照片来自社交网络中的真实女性[257]，而经DeepFake技术处理的视频在以每6个月翻一番的数量增长。截至2020年12月 (2020-12)，Sensity检测到的相关视频数量超过8.5万个[258]。而恶用该技术则可能涉嫌违反《著作权法》等法律，日本警方便多次处理过使用人工智能技术去除色情影片中的马赛克[259]、替换色情影片中女优容貌[260]等相关案件。

监管

[编辑]
主条目：人工智能监管
AI安全峰会
首届全球人工智能安全峰会（英语：AI Safety Summit 2023）于2023年11月在英国举行，并发表了一项呼吁国际合作的宣言。

人工智能监管是指公共部门为促进和规范人工智能而制定的政策和法律；因此它与更广泛的算法监管相关。[261] 人工智能的监管与政策格局是全球各司法管辖区的一个新兴问题。[262] 根据斯坦福大学的人工智能指数，在127个被调查国家中，每年通过的人工智能相关法律数量从2016年的1项跃升至2022年仅一年就达到37项。[263][264] 在2016年至2020年间，超过30个国家通过了专门的人工智能战略。[134] 大多数欧盟成员国以及加拿大、中国、印度、日本、毛里求斯、俄罗斯联邦、沙特阿拉伯、阿联酋、美国和越南都已发布了国家人工智能战略。其他国家（包括孟加拉国、马来西亚和突尼斯）正在制定自己的人工智能战略。[134] 全球人工智能伙伴关系于2020年6月启动，指出人工智能的发展必须符合人权和民主价值观，以确保公众对该技术的信心和信任。[134] 亨利·基辛格、埃里克·施密特和丹尼尔·胡滕洛赫尔于2021年11月发表联合声明，呼吁成立一个政府委员会来监管人工智能。[265] 2023年，OpenAI领导人发布了关于超级智能治理的建议，他们认为超级智能可能在不到10年内出现。[266] 2023年，联合国还成立了一个咨询机构，为人工智能治理提供建议；该机构由科技公司高管、政府官员和学者组成。[267] 2024年8月1日，欧盟《人工智能法案》生效，建立了首个覆盖整个欧盟的全面人工智能监管框架。[268] 2024年，欧洲委员会制定了首个具有法律约束力的国际人工智能条约，称为“人工智能与人权、民主和法治框架公约”。该条约已由欧盟、美国、英国和其他签署国通过。[269]

在2022年益普索的一项调查中，各国对人工智能的态度差异很大；78%的中国公民同意“使用人工智能的产品和服务利大于弊”，而美国人中这一比例仅为35%。[263] 2023年路透社/益普索的一项民意调查发现，61%的美国人同意人工智能对人类构成风险，22%的人不同意。[270] 在2023年福克斯新闻的一项民意调查中，35%的美国人认为联邦政府监管人工智能“非常重要”，另有41%的人认为“有些重要”，而13%的人回答“不太重要”，8%的人回答“完全不重要”。[271][272]

2023年11月，首届全球人工智能安全峰会在英国布莱切利园举行，讨论人工智能的近期和远期风险，以及强制性和自愿性监管框架的可能性。[273] 包括美国、中国和欧盟在内的28个国家在峰会开始时发表了一项宣言，呼吁国际合作以应对人工智能带来的挑战和风险。[274][275] 2024年5月，在AI首尔峰会上，16家全球人工智能科技公司同意在人工智能发展方面做出安全承诺。[276][277]

2026年3月，联合国召开了独立国际人工智能科学小组的首次会议，该小组是一个由40名专家组成的机构，根据《全球数字契约》设立，旨在就人工智能的社会影响编制年度循证报告。[278]

学科作用域

[编辑]

人工智能是自然科学和社会科学的一门交叉学科。[279]

涉及学科

[编辑]

研究作用域

[编辑]

哲学

[编辑]

强人工智能和弱人工智能

[编辑]

人工智能的一个比较流行的定义，也是该领域较早的定义，是由当时麻省理工学院的约翰·麦卡锡于1956年的达特矛斯会议上提出的：人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性（见下）。另一个定义指人工智能是人造机器所表现出来的智能。总体来讲，目前对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。[306]

强人工智能

[编辑]
主条目：强人工智能

强人工智能观点认为“有可能”制造出“真正”能推理和解决问题的智能机器，并且，这样的机器将被认为是具有知觉、有自我意识的。[307]强人工智能可以有两类：

  • 人类的人工智能，即机器的思考和推理就像人的思维一样。[184]
  • 非人类的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。[184]

弱人工智能

[编辑]
主条目：弱人工智能

弱人工智能观点认为“不可能”制造出能“真正”地推理和解决问题的智能机器，这些机器只不过“看起来”像是智能的，但是并不真正拥有智能，也不会有自主意识。[308]

弱人工智能一词是相对于强人工智能才出现的。人工智能的研究一度停滞不前，直到人工神经网络有了足够的运算能力加以模拟后，才开始改变并大幅超前。不过，研究者不一定同意弱人工智能的观点，也不一定在乎或了解强弱人工智能的区别，对定义一直争论不休。[309]

就当下的人工智能研究领域来看，研究者已大量造出“看起来”像是智能的机器，获取相当丰硕的理论和实质成果。例如2009年康乃尔大学教授Hod Lipson和博士生Michael Schmidt研发的Eureqa计算机程序，只要给予一些资料，就能在几十个小时内推论出牛顿花费多年研究才发现的力学公式，[310]也能用来研究其他领域的科学问题。这些所谓的弱人工智能在神经网络发展下已有巨大进步，但要如何集成成强人工智能，目前还没有明确定论。[311]

对强人工智能的哲学争论

[编辑]
主条目：人工智能哲学、图灵测试、物理符号系统和皇帝新脑

“强人工智能”一词最初是约翰·瑟尔针对电脑和其它信息处理机器创造的，其定义为：[312]

强人工智能观点认为计算机不仅是用来研究人的思维的一种工具；相反，只要运行适当的程序，计算机本身就是有思维的。

——J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980

关于强人工智能的争论，不同于更广义的一元论和二元论的争论。其争论要点是：如果一台机器的唯一工作原理就是转换编码数据，那么这台机器是不是有思维的？希尔勒认为这是不可能的。他举了个中文房间的例子来说明，如果机器仅仅是转换数据，而数据本身是对某些事情的一种编码表现，那么在不理解这一编码和这实际事情之间的对应关系的前提下，机器不可能对其处理的数据有任何理解。基于这一论点，希尔勒认为即使有机器通过了图灵测试，也不一定说明机器就真的像人一样有自我思维和自由意识。[313]

也有哲学家持不同的观点。丹尼尔·丹尼特在其著作《意识的解释》里认为，人也不过是一台有灵魂的机器而已，为什么我们认为：“人可以有智能，而普通机器就不能”呢？他认为像上述的数据转换机器是有可能有思维和意识的。[314]

有的哲学家认为如果弱人工智能是可实现的，那么强人工智能也是可实现的。比如西蒙·布莱克本在其哲学入门教材Think里说道，一个人的看起来是“智能”的行动并不能真正说明这个人就真的是智能的。我永远不可能知道另一个人是否真的像我一样是智能的，还是说她／他仅仅是“看起来”是智能的。基于这个论点，既然弱人工智能认为可以令机器“看起来”像是智能的，那就不能完全否定这机器是真的有智能的。布莱克本认为这是一个主观认定的问题。[315]

需要指出的是，弱人工智能并非和强人工智能完全对立，也就是说，即使强人工智能是可能的，弱人工智能仍然是有意义的。至少，今日的计算机能做的事，像算术运算等，在一百多年前是被认为很需要智能的。并且，即使强人工智能被证明为可能的，也不代表强人工智能必定能被研制出来。[316]

参看

[编辑]

参考文献

[编辑]

引用

[编辑]
  1. ^ Russell, Stuart J.; Norvig, Peter. Artificial Intelligence: A Modern Approach 4th. Hoboken: Pearson. 2021. ISBN 978-0-1346-1099-3. LCCN 20190474. 
  2. ^ What is artificial intelligence (AI)?. IBM. [2026-08-15] （英语）. 
  3. ^ Russell & Norvig (2021，§1.2).
  4. ^ Tech companies want to build artificial general intelligence. But who decides when AGI is attained?. AP News. 2024-04-04 [2025-05-20] （英语）. 
  5. ^ 5.0 5.1 Dartmouth workshop: The proposal:
  6. ^ 6.0 6.1 Deep learning revolution, AlexNet:
  7. ^ Vaswani, Ashish; Shazeer, Noam; Parmar, Niki; Uszkoreit, Jakob; Jones, Llion; Gomez, Aidan N.; Kaiser, Łukasz; Polosukhin, Illia. Attention Is All You Need. Advances in Neural Information Processing Systems 30 (NeurIPS 2017). 2017. 
  8. ^ What is artificial intelligence (AI)?. IBM. [2026-08-15] （英语）. 
  9. ^ Floridi, Luciano; Cowls, Josh; Beltrametti, Monica; et al. AI4People—An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations. Minds and Machines. 2018, 28 (4): 689–707. doi:10.1007/s11023-018-9482-5. 
  10. ^ 人工智能（AI）造福社會 同時也帶來威脅. [2021-02-17]. （原始内容存档于2020-11-27）. 
  11. ^ 人工智能「搶飯碗」 2020年會計師將被AI取代. [2021-02-17]. （原始内容存档于2020-11-27）. 
  12. ^ 针对研究智能代理的人工智能定义：
  13. ^ 13.0 13.1 智能代理范式： 此处使用的定义--目的，动作，感知与环境出自Russell & Norvig (2003).
  14. ^ 尽管这点上存在争论（见Crevier (1993，第50页)）, McCarthy在一个访谈中明确的说"我想出了这个词" . (Skillings 2006)
  15. ^ McCarthy对人工智能的定义：
  16. ^ Kaplan, Andreas; Haenlein, Michael. Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons. 2019-01-01, 62 (1): 15-25 [2025-01-12]. ISSN 0007-6813. doi:10.1016/j.bushor.2018.08.004. （原始内容存档于2025-02-17）. 
  17. ^ Russell & Norvig 2003，chpt. 1
  18. ^ The Basic Components and Branches of AI. 2025-05-14 [2025-07-07]. （原始内容存档于2026-02-13）. 
  19. ^ Pamela McCorduck (2004，第424页) writes of "the rough shattering of AI in subfields—vision, natural language, decision theory, genetic algorithms, robotics ... and these with own sub-subfield—that would hardly have anything to say to each other."
  20. ^ Russell & Norvig 2003，chpt. 1
  21. ^ 21.0 21.1 这些智能的特征出自以下教材：
  22. ^ 强人工智能常出现在人工智能的导论中：
  23. ^ Russell & Norvig 2003，chpt. 1
  24. ^ What is artificial intelligence (AI)?. IBM. [2026-08-15] （英语）. 
  25. ^ What is artificial intelligence (AI)?. IBM. [2026-08-15] （英语）. 
  26. ^ 26.0 26.1 (2023) Artificial Intelligence in Local Government Services: Public Perceptions from Australia and Hong Kong, Government Information Quarterly, 40(3), 101833
  27. ^ Revisiting 'who gets in': borders and migration management in the era of automation and AI in Canada. AI & Society. 2025. doi:10.1007/s00146-025-02602-5. 
  28. ^ Systematizing heterogeneous expert knowledge, scenarios and goals via a goal-reasoning artificial intelligence agent for democratic urban land use planning. Cities. 2019. 
  29. ^ Digital Surveillance for Monitoring Environmental Health Threats: A Case Study Capturing Public Opinion from Twitter about the 2019 Chennai Water Crisis. International Journal of Environmental Research and Public Health. 2020, 17 (14). doi:10.3390/ijerph17145077. 
  30. ^ Learning to predict violence: Deep learning approaches to violent crime prediction during pretrial release. Criminology & Public Policy. 2025. doi:10.1111/1745-9133.70022. 
  31. ^ Hartree, Douglas R. The ENIAC, an Electronic Computing Machine. Nature. 1946, 157 (3990): 527. 
  32. ^ Logic Circuits for a Transistor Digital Computer. Proceedings of the IRE. 1956. 
  33. ^ Corbató, Fernando J.; Daggett, Marjorie Merwin; Daley, Robert C. An Experimental Time-Sharing System. Proceedings of the Spring Joint Computer Conference (AFIPS). 1962. 
  34. ^ Microprocessor at 50: Looking Back and Looking Forward. IEEE Micro. 2021. 
  35. ^ 30th anniversary of the PC and the post-PC era. IEEE Computer. 2011. 
  36. ^ Sterling, Thomas; Becker, Donald J.; Savarese, Daniel; et al. Beowulf: A Parallel Workstation for Scientific Computation. Proceedings of the International Conference on Parallel Processing (ICPP). 1995. 
  37. ^ Armbrust, Michael; Fox, Armando; Griffith, Rean; et al. A View of Cloud Computing. Communications of the ACM. 2010, 53 (4): 50–58. doi:10.1145/1721654.1721672. 
  38. ^ Nickolls, John; Dally, William J. The GPU Computing Era. IEEE Micro. 2010, 30 (2): 56–69. doi:10.1109/MM.2010.41. 
  39. ^ A Survey on Machine Learning Accelerators and Evolutionary Hardware Platforms. IEEE Design & Test. 2022. 
  40. ^ Russell & Norvig 2003，chpt. 1
  41. ^ Turing 1950
  42. ^ McCarthy et al. 1955
  43. ^ Newell & Simon 1963
  44. ^ Russell & Norvig 2003，chpt. 1
  45. ^ Crevier 1993
  46. ^ McCorduck 2004
  47. ^ Cortes, Corinna; Vapnik, Vladimir. Support-vector networks. Machine Learning. 1995, 20 (3): 273–297. doi:10.1007/BF00994018. 
  48. ^ Pearl, Judea. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann. 1988. 
  49. ^ A survey of machine learning for big data processing. EURASIP Journal on Advances in Signal Processing. 2016. doi:10.1186/s13634-016-0355-x. 
  50. ^ LeCun, Yann; Bengio, Yoshua; Hinton, Geoffrey. Deep learning. Nature. 2015, 521: 436–444. doi:10.1038/nature14539. 
  51. ^ Zhou, Ce; et al. A comprehensive survey on pretrained foundation models: A history from BERT to ChatGPT. International Journal of Machine Learning and Cybernetics. 2024. 
  52. ^ McCulloch, Warren S.; Pitts, Walter. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics. 1943, 5 (4): 115–133. doi:10.1007/BF02478259. 
  53. ^ Rosenblatt, Frank. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review. 1958, 65 (6): 386–408. doi:10.1037/h0042519. 
  54. ^ Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J. Learning representations by back-propagating errors. Nature. 1986, 323: 533–536. doi:10.1038/323533a0. 
  55. ^ Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J. Learning representations by back-propagating errors. Nature. 1986, 323: 533–536. doi:10.1038/323533a0. 
  56. ^ LeCun, Yann; Bottou, Léon; Bengio, Yoshua; Haffner, Patrick. Gradient-based learning applied to document recognition. Proceedings of the IEEE. 1998, 86 (11): 2278–2324. doi:10.1109/5.726791. 
  57. ^ Hochreiter, Sepp; Schmidhuber, Jürgen. Long short-term memory. Neural Computation. 1997, 9 (8): 1735–1780. doi:10.1162/neco.1997.9.8.1735. 
  58. ^ Hinton, Geoffrey E.; Osindero, Simon; Teh, Yee-Whye. A fast learning algorithm for deep belief nets. Neural Computation. 2006, 18 (7): 1527–1554. doi:10.1162/neco.2006.18.7.1527. 
  59. ^ Krizhevsky, Alex; Sutskever, Ilya; Hinton, Geoffrey E. ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems 25 (NeurIPS 2012). 2012. 
  60. ^ Goodfellow, Ian; Pouget-Abadie, Jean; Mirza, Mehdi; et al. Generative adversarial nets. Advances in Neural Information Processing Systems 27 (NeurIPS 2014). 2014. 
  61. ^ Silver, David; Huang, Aja; Maddison, Chris J.; et al. Mastering the game of Go with deep neural networks and tree search. Nature. 2016, 529: 484–489. doi:10.1038/nature16961. 
  62. ^ Vaswani, Ashish; Shazeer, Noam; Parmar, Niki; Uszkoreit, Jakob; Jones, Llion; Gomez, Aidan N.; Kaiser, Łukasz; Polosukhin, Illia. Attention Is All You Need. Advances in Neural Information Processing Systems 30 (NeurIPS 2017). 2017. 
  63. ^ Vaswani, Ashish; Shazeer, Noam; Parmar, Niki; Uszkoreit, Jakob; Jones, Llion; Gomez, Aidan N.; Kaiser, Łukasz; Polosukhin, Illia. Attention Is All You Need. Advances in Neural Information Processing Systems 30 (NeurIPS 2017). 2017. 
  64. ^ Ho, Jonathan; Jain, Ajay; Abbeel, Pieter. Denoising diffusion probabilistic models. Advances in Neural Information Processing Systems 33 (NeurIPS 2020). 2020. 
  65. ^ Backus, J. W.; et al. The FORTRAN automatic coding system. Proceedings of the Western Joint Computer Conference. 1957. doi:10.1145/1455567.1455599. 
  66. ^ McCarthy, John. Recursive functions of symbolic expressions and their computation by machine, Part I. Communications of the ACM. 1960, 3 (4): 184–195. doi:10.1145/367177.367199. 
  67. ^ Naur, Peter; et al. Revised report on the algorithmic language ALGOL 60. Communications of the ACM. 1963, 6 (1): 1–17. doi:10.1145/366193.366201. 
  68. ^ A tribute to Alain Colmerauer. Theory and Practice of Logic Programming. 
  69. ^ Kay, Alan C. The Early History of Smalltalk. History of Programming Languages Conference II (HOPL-II). 1993. doi:10.1145/154766.155364. 
  70. ^ Stroustrup, Bjarne. The C++ Programming Language. Addison-Wesley. 1985. ISBN 0-201-12078-X. 
  71. ^ Moler, Cleve; Little, Jack. A history of MATLAB. Proceedings of the ACM on Programming Languages. 2020, 4 (HOPL). doi:10.1145/3386331. 
  72. ^ Ihaka, Ross; Gentleman, Robert. R: A language for data analysis and graphics. Journal of Computational and Graphical Statistics. 1996, 5 (3): 299–314. doi:10.1080/10618600.1996.10474713. 
  73. ^ LJ Interviews Guido van Rossum. Linux Journal. 1998. 
  74. ^ Pedregosa, Fabian; et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research. 2011, 12: 2825–2830. 
  75. ^ Abadi, Martín; et al. TensorFlow: A system for large-scale machine learning. Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI 16). 2016. 
  76. ^ Paszke, Adam; et al. PyTorch: An imperative style, high-performance deep learning library. Advances in Neural Information Processing Systems 32 (NeurIPS 2019). 2019. 
  77. ^ Wolf, Thomas; et al. Transformers: State-of-the-Art Natural Language Processing. Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations. 2020. doi:10.18653/v1/2020.emnlp-demos.6. 
  78. ^ Robinson, J. A. A machine-oriented logic based on the resolution principle. Journal of the ACM. 1965, 12 (1): 23–41. doi:10.1145/321250.321253. 
  79. ^ Quillian, M. Ross. Semantic memory. Minsky, Marvin (编). Semantic Information Processing. MIT Press. 1968: 227–270. 
  80. ^ Quillian, M. Ross. Semantic memory. Minsky, Marvin (编). Semantic Information Processing. MIT Press. 1968: 227–270. 
  81. ^ Russell & Norvig 2003，chpt. 10
  82. ^ Minsky, Marvin. A framework for representing knowledge. Winston, Patrick Henry (编). The Psychology of Computer Vision. McGraw-Hill. 1975: 211–277. 
  83. ^ Pearl, Judea. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann. 1988. 
  84. ^ Zadeh, Lotfi A. Fuzzy sets. Information and Control. 1965, 8 (3): 338–353. doi:10.1016/S0019-9958(65)90241-X. 
  85. ^ Baader, Franz; et al (编). The Description Logic Handbook: Theory, Implementation and Applications. Cambridge University Press. 2003. ISBN 978-0-521-78176-3. 
  86. ^ Berners-Lee, Tim; Hendler, James; Lassila, Ora. The Semantic Web. Scientific American. Vol. 284 no. 5. 2001: 34–43. 
  87. ^ Hogan, Aidan; et al. Knowledge graphs. ACM Computing Surveys. 2021, 54 (4). doi:10.1145/3447772.  已忽略未知参数|article-number= (帮助)
  88. ^ Lewis, Patrick; et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems 33 (NeurIPS 2020). 2020. 
  89. ^ Buchanan, Bruce G.; Feigenbaum, Edward A. DENDRAL and Meta-DENDRAL: Roots of knowledge systems and expert system applications. Artificial Intelligence. 1993, 59 (1–2): 233–240. doi:10.1016/0004-3702(93)90171-D. 
  90. ^ Shortliffe, Edward H. Computer-Based Medical Consultations: MYCIN. Elsevier. 1976. ISBN 978-0-444-00179-5. 
  91. ^ McDermott, John. R1: A rule-based configurer of computer systems. Artificial Intelligence. 1982, 19 (1): 39–88. doi:10.1016/0004-3702(82)90021-2. 
  92. ^ Russell & Norvig 2003，chpt. 1
  93. ^ Advancing Decision-Making through AI-Human Collaboration: A Systematic Review and Conceptual Framework. 2025. 
  94. ^ Trends in expert system development: A longitudinal content analysis of over thirty years of expert system case studies. Expert Systems with Applications. 2017. doi:10.1016/j.eswa.2017.01.028. 
  95. ^ Pan, Shirui; et al. Unifying large language models and knowledge graphs: A roadmap. IEEE Transactions on Knowledge and Data Engineering. 2024, 36 (7): 3580–3599. doi:10.1109/TKDE.2024.3352100. 
  96. ^ 96.0 96.1 Buntz, Brian. Quality vs. quantity: US and China chart different paths in global AI patent race in 2024 / Geographical breakdown of AI patents in 2024. R&D World. 2024-11-03. （原始内容存档于2024-12-09）. 
  97. ^ 97.0 97.1 Russell & Norvig 2021，第9页.
  98. ^ 98.0 98.1 98.2 Copeland, J. (编). The Essential Turing: the ideas that gave birth to the computer age. Oxford, England: Clarendon Press. 2004. ISBN 0-19-825079-7 （英语）. 
  99. ^ Google books ngram. [2024-05-20]. （原始内容存档于2023-07-27）. 
  100. ^ AI's immediate precursors:
  101. ^ 101.0 101.1 Russell & Norvig (2021)，第17页.
  102. ^ Crevier (1993)，第47–49页.
  103. ^ Russell & Norvig (2003)，第17页.
  104. ^ Russell & Norvig (2003)，第18页.
  105. ^ Successful programs the 1960s:
  106. ^ Newquist (1994)，第86–86页.
  107. ^ Simon (1965，第96页) quoted in Crevier (1993，第109页)
  108. ^ Minsky (1967，第2页) quoted in Crevier (1993，第109页)
  109. ^ Russell & Norvig (2021)，第21页.
  110. ^ Lighthill (1973).
  111. ^ NRC 1999，第212-213页.
  112. ^ Russell & Norvig (2021)，第22页.
  113. ^ First AI Winter, Lighthill report, Mansfield Amendment
  114. ^ Expert systems:
  115. ^ Funding initiatives in the early 1980s: Fifth Generation Project (Japan), Alvey (UK), Microelectronics and Computer Technology Corporation (US), Strategic Computing Initiative (US):
  116. ^ Second AI Winter:
  117. ^ Russell & Norvig (2021)，第24页.
  118. ^ Nilsson (1998)，第7页.
  119. ^ McCorduck (2004)，第454–462页.
  120. ^ Moravec (1988).
  121. ^ 121.0 121.1 Brooks (1990).
  122. ^ Developmental robotics:
  123. ^ 123.0 123.1 Uncertain reasoning:
  124. ^ Russell & Norvig (2021)，第25页.
  125. ^
  126. ^ Russell & Norvig (2021)，第26页.
  127. ^ Formal and narrow methods adopted in the 1990s:
  128. ^ AI widely used in the late 1990s:
  129. ^ Wang 2008
  130. ^ Wong (2023).
  131. ^ Moore's Law and AI:
  132. ^ 132.0 132.1 132.2 Clark (2015b).
  133. ^ Big data:
  134. ^ 134.0 134.1 134.2 134.3 UNESCO (2021).
  135. ^ Christian (2020)，第67, 73页.
  136. ^ Sagar, Ram. OpenAI Releases GPT-3, The Largest Model So Far. Analytics India Magazine. 2020-06-03 [2023-03-15]. （原始内容存档于2020-08-04） （美国英语）. 
  137. ^ 137.0 137.1 DiFeliciantonio (2023).
  138. ^ Goswami (2023).
  139. ^ Wiggers, Kyle. OpenAI 的新 GPT-4o 可以處理文本、圖像等. NBC News. 2024-05-13 [2025-03-07]. （原始内容存档于2025-09-20） （美国英语）. 
  140. ^ Artificial Intelligence Market Size to Reach USD 1,811.8 Billion by 2030. Precedence Research. Precedence Research. 2024-01-15 [2025-03-07]. （原始内容存档于2026-02-07） （美国英语）. 
  141. ^ Lee, Kangwook. Deepseek Introduces New Technologies to the AI World. The Daily Cardinal. 2025-03-06 [2025-03-07]. （原始内容存档于2025-11-11） （美国英语）. 
  142. ^ 经济日报. DeepSeek有勁敵！阿里發布新開源模型 家用顯卡就能跑. 经济日报. 2025-03-06 [2025-03-07]. （原始内容存档于2025-08-25） （中文（台湾））. 
  143. ^ 马斯克旗下xAI发布Grok 4，号称“世界上最强AI模型”. 证券时报. 2025-07 [2026-08-15] （中文）. 
  144. ^ The Second Wave of EU AI Act Requirements are In Force: Five Things Business Should Know. Debevoise & Plimpton. 2025-08-05 [2026-08-15] （英语）. 
  145. ^ OpenAI releases new flagship AI model GPT-5. 新华社. 2025-08-08 [2026-08-15] （英语）. 
  146. ^ DeepSeek新模型上线！引入DSA新稀疏注意力，还又狙了CUDA一枪. 澎湃新闻. 2025-09-29 [2026-08-15] （中文）. 
  147. ^ Introducing Claude Sonnet 4.5. Anthropic. 2025-09-29 [2026-08-15] （英语）. 
  148. ^ GPT-5.1: A smarter, more conversational ChatGPT. OpenAI. 2025-11-12 [2026-08-15] （英语）. 
  149. ^ 谷歌发布最新AI模型Gemini 3. 新华网. 2025-11-20 [2026-08-15] （中文）. 
  150. ^ Introducing Claude Opus 4.5. Anthropic. 2025-11-24 [2026-08-15] （英语）. 
  151. ^ Stanford 2025 AI Index Reports Surge in Adoption, Investment, and Global Impact as Trust and Regulation Lag Behind. THE Journal. 2025-04-09 [2026-08-15] （英语）. 
  152. ^ Claude Opus 4.6. Anthropic. 2026-02 [2026-08-15] （英语）. 
  153. ^ OpenAI launches GPT-5.4, its most powerful model for enterprise work. Fortune. 2026-03-05 [2026-08-15] （英语）. 
  154. ^ 谷歌Gemini 3.1 Pro发布：推理能力翻倍，专为复杂任务而生. IT之家. 2026-03-06 [2026-08-15] （中文）. 
  155. ^ Google I/O 2026炸场：世界模型、AI数字水印来了！Gemini正式进入“Agent时代. 澎湃新闻. 2026-05-21 [2026-08-15] （中文）. 
  156. ^ Introducing GPT-5.5. OpenAI. 2026-05 [2026-08-15] （中文（繁体））. 
  157. ^ DeepSeek-V4-Pro 正式版上线. 深度求索. 
  158. ^ 7月全球人工智能发展盘点：开放权重模型升温，全球协同治理提速. 北京日报. 2026-08-03 [2026-08-15] （中文）. 
  159. ^ Problem solving, puzzle solving, game playing and deduction:
  160. ^ Intractability and efficiency and the combinatorial explosion（英语：combinatorial explosion）:
  161. ^ Psychological evidence of sub-symbolic reasoning:
  162. ^ Brooks 1990
  163. ^ Russell & Norvig 2003，chpt. 10
  164. ^ Davis, Randall; Shrobe, Howard; Szolovits, Peter. What is a knowledge representation?. AI Magazine. 1993, 14 (1): 17–33. doi:10.1609/aimag.v14i1.1029. 
  165. ^ Planning（英语：automated planning and scheduling）:
  166. ^ Information value theory（英语：Applied information economics）:
  167. ^ Classical planning:
  168. ^ Planning and acting in non-deterministic domains: conditional planning, execution monitoring, replanning and continuous planning:
  169. ^ Multi-agent planning and emergent behavior:
  170. ^ What is machine learning?. IBM. [2026-08-15] （英语）. 
  171. ^ What is machine learning?. IBM. [2026-08-15] （英语）. 
  172. ^ What is natural language processing?. IBM. [2026-08-15] （英语）. 
  173. ^ Russell & Norvig 2003，chpt. 25
  174. ^ Artificial Intelligence In Robotics. Socratica. [2026-08-15] （英语）. 
  175. ^ Machine perception:
  176. ^ Computer vision:
  177. ^ Speech recognition:
  178. ^ Object recognition（英语：Object recognition）:
  179. ^ Kismet. MIT Artificial Intelligence Laboratory, Humanoid Robotics Group. [2012-10-12]. （原始内容存档于2014-10-17）. 
  180. ^ Russell & Norvig 2003，chpt. 17
  181. ^ Emotion AI, explained. MIT Media Lab. [2026-08-15] （英语）. 
  182. ^ Computational Creativity. VUB Artificial Intelligence Lab. [2026-08-15] （英语）. 
  183. ^ Nils Nilsson（英语：Nils Nilsson (researcher)）写道："Simply put, there is wide disagreement in the field about what AI is all about" (Nilsson 1983，第10页).
  184. ^ 184.0 184.1 184.2 184.3 Biological intelligence vs. intelligence in general:
    • Russell & Norvig 2003，第2–3页, who make the analogy with aeronautical engineering.
    • McCorduck 2004，第100–101页, who writes that there are "two major branches of artificial intelligence: one aimed at producing intelligent behavior regardless of how it was accomplioshed, and the other aimed at modeling intelligent processes found in nature, particularly human ones."
    • Kolata 1982, a paper in Science, which describes McCathy's indifference to biological models. Kolata quotes McCarthy as writing: "This is AI, so we don't care if it's psychologically real"[1] （页面存档备份，存于互联网档案馆）. McCarthy recently reiterated his position at the AI@50（英语：AI@50） conference where he said "Artificial intelligence is not, by definition, simulation of human intelligence" (Maker 2006).
  185. ^ 185.0 185.1 Neats vs. scruffies（英语：Neats vs. scruffies）:
  186. ^ 186.0 186.1 Symbolic vs. sub-symbolic AI:
  187. ^ Haugeland 1985，第255页.
  188. ^ 存档副本. [2012-10-13]. （原始内容存档于2017-11-05）. 
  189. ^ Pei Wang. Artificial general intelligence, 2008: proceedings of the First AGI Conference. IOS Press. 2008: 63 [2011-10-31]. ISBN 978-1-58603-833-5. （原始内容存档于2020-08-21）. 
  190. ^ Russell & Norvig 2003，chpt. 1
  191. ^ AI's immediate precursors: See also Template:See section. Among the researchers who laid the foundations of AI were Alan Turing, John Von Neumann, Norbert Wiener, Claude Shannon, Warren McCullough, Walter Pitts and Donald Hebb.
  192. ^ Russell & Norvig 2003，chpt. 1
  193. ^ Haugeland 1985，第112–117页
  194. ^ Russell & Norvig 2003，chpt. 1
  195. ^ The most dramatic case of sub-symbolic AI being pushed into the background was the devastating critique of perceptrons by Marvin Minsky and Seymour Papert in 1969. See History of AI, AI winter, or Frank Rosenblatt（英语：Frank Rosenblatt）.
  196. ^ Russell & Norvig 2003，chpt. 1
  197. ^ Cognitive simulation, Newell and Simon, AI at CMU (then called Carnegie Tech):
  198. ^ Soar (history):
  199. ^ McCarthy and AI research at SAIL（英语：Stanford Artificial Intelligence Laboratory） and SRI International:
  200. ^ AI research at Edinburgh and in France, birth of Prolog:
  201. ^ AI at MIT under Marvin Minsky in the 1960s :
  202. ^ Cyc:
  203. ^ 203.0 203.1 Knowledge revolution:
  204. ^ Expert systems:
  205. ^ 205.0 205.1 Embodied approaches to AI:
  206. ^ Revival of connectionism:
  207. ^ Computational intelligence（英语：Computational intelligence）
  208. ^ 形式方法是当前首选的（"简约派的胜利"）:
  209. ^ Langley, Pat. The changing science of machine learning. Machine Learning. 2011-03, 82 (3): 275-279. ISSN 0885-6125. doi:10.1007/s10994-011-5242-y （英语）. 
  210. ^ 210.0 210.1 Agent architecture（英语：Agent architecture）s, hybrid intelligent system（英语：hybrid intelligent system）s:
  211. ^ What is artificial intelligence (AI)?. IBM. [2026-08-15] （英语）. 
  212. ^ Russell & Norvig 2003，chpt. 24
  213. ^ Russell & Norvig 2003，chpt. 22
  214. ^ What is artificial intelligence (AI)?. IBM. [2026-08-15] （英语）. 
  215. ^ Russell & Norvig 2003，chpt. 18
  216. ^ What is artificial intelligence (AI)?. IBM. [2026-08-15] （英语）. 
  217. ^ 林, 东清. 資訊管理：e化企業的核心競爭力. 台北: 元照. 2019: 93. ISBN 978-957-511-112-0. 
  218. ^ Davies, E. R. Computer and Machine Vision: Theory, Algorithms, Practicalities. Academic Press. 2012. ISBN 978-0-12-386908-1. 
  219. ^ Maltoni, Davide; Maio, Dario; Jain, Anil K.; Prabhakar, Salil. Handbook of Fingerprint Recognition 2nd. Springer. 2009. ISBN 978-1-84882-253-5. 
  220. ^ Zhao, Wenyi; Chellappa, Rama; Phillips, P. Jonathon; Rosenfeld, Azriel. Face recognition: A literature survey. ACM Computing Surveys. 2003, 35 (4): 399–458. doi:10.1145/954339.954342. 
  221. ^ A novel approach of retina-based biometric authentication using multifractal analysis and wavelet fusion. Multimedia Tools and Applications. 2025. doi:10.1007/s11042-025-20976-y. 
  222. ^ Daugman, John. How iris recognition works. IEEE Transactions on Circuits and Systems for Video Technology. 2004, 14 (1): 21–30. doi:10.1109/TCSVT.2003.818350. 
  223. ^ Zhang, David; Kong, Adams Wai-Kin; You, Jane; Wong, Michael. Online palmprint identification. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2003, 25 (9): 1041–1050. doi:10.1109/TPAMI.2003.1227981. 
  224. ^ Liao, Shu-Hsien. Expert system methodologies and applications—a decade review from 1995 to 2004. Expert Systems with Applications. 2005, 28 (1): 93–103. doi:10.1016/j.eswa.2004.08.003. 
  225. ^ Ghallab, Malik; Nau, Dana; Traverso, Paolo. Automated Planning: Theory and Practice. Morgan Kaufmann. 2004. ISBN 978-1-55860-856-6. 
  226. ^ Hassanalian, M.; Abdelkefi, A. Classifications, applications, and design challenges of drones: A review. Progress in Aerospace Sciences. 2017, 91: 99–131. doi:10.1016/j.paerosci.2017.04.003. 
  227. ^ Control theory in the era of intelligent systems: Applications, trends, and future directions. Annual Reviews in Control. 2026. 
  228. ^ Humanoid Robots and Humanoid AI: Review, Perspectives and Directions. ACM Computing Surveys. 2025. doi:10.1145/3770574. 
  229. ^ Autonomous mobile robots in intelligent warehousing: Workflow-centric integration for Industry 5.0 logistics. Advanced Engineering Informatics. 2026. 
  230. ^ What is natural language processing?. IBM. [2026-08-15] （英语）. 
  231. ^ Koza, John R. Survey of genetic algorithms and genetic programming. Proceedings of the WESCON '95 Conference. 1995. 
  232. ^ Artificial Intelligence Applied in Legal Information: A Systematic Mapping Study. Journal of Computer Science & Technology. 2022. 
  233. ^ Campbell, Murray; Hoane, A. Joseph; Hsu, Feng-hsiung. Deep Blue. Artificial Intelligence. 2002, 134 (1–2): 57–83. doi:10.1016/S0004-3702(01)00129-1. 
  234. ^ Global physician perspectives on artificial intelligence in healthcare across 50 countries and territories. npj Digital Medicine. 2026. doi:10.1038/s41746-026-02726-y. 
  235. ^ 人工智慧有多恐怖？聽聽「天才」Demis Hassabis 怎麼說！the guardian《The superhero of artificial intelligence: can this genius keep it in check?》. inside / tech2ipo.com. [2016-04-15]. （原始内容存档于2018-09-03） （中文（台湾））. 
  236. ^ 美國無人的士事故不斷. 大公报. 2026-02-22 [2026-08-15] （中文（繁体））. 
  237. ^ Elon Musk says artificial intelligence is like "summoning the demon". CBS News. 2014-10-27 [2026-08-15] （英语）. 
  238. ^ Microsoft's Bill Gates insists AI is a threat. BBC News. 2015-01-29 [2026-08-15] （英语）. 
  239. ^ AlphaGo贏棋王 靠兩大密技. 2016-03-19 04:01 经济日报 记者彭慧明. [2016-04-15]. （原始内容存档于2016-04-26） （中文（台湾））. 
  240. ^ Docherty, Bonnie. Losing Humanity: The Case Against Killer Robots. Human Rights Watch. 2012. 
  241. ^ 專家憂人工智慧武器成「殺人機器」 多國研商限制規範. 2014/11/13 The News Lens关键评论 Sid Weng. [2016-04-15]. （原始内容存档于2016-04-27） （中文（台湾））. 
  242. ^ 別再讓機器人殺人！反對團體呼籲勿用人工智慧參與戰爭. 风传媒 萧乔云 2015年10月22日. [2016-04-15]. （原始内容存档于2021-02-13） （中文（台湾））. 
  243. ^ Transcript of Amy Webb Interview on Peter McCormack Show: Work Is About to Break. SingjuPost. [2026-08-15] （英语）. 
  244. ^ 日近半職業 將被人工智慧取代. 中国时报. [2016-04-15]. （原始内容存档于2021-02-13） （中文（台湾））. 
  245. ^ 人工智慧：提前到來的職業殺手. Evans Data调查 April. [2016-04-15]. （原始内容存档于2019-05-11） （中文（台湾））. 
  246. ^ 中時-馬雲談AI的風險. [2017-06-23]. （原始内容存档于2017-06-22）. 
  247. ^ 数据科学：二十一世纪最Sexy的职业. 哈佛商业评论. [2017-09-22]. （原始内容存档于2017-06-14）. 
  248. ^ The Data Incubator. [2026-08-15] （英语）. 
  249. ^ Meta scientist Yann LeCun says AI won't destroy jobs forever. BBC News. 2023-05-26 [2026-08-15] （英语）. 
  250. ^ Stephen Hawking warns artificial intelligence could end mankind. BBC News. 2014-12-02 [2026-08-15] （英语）. 
  251. ^ Stephen Hawking warns artificial intelligence could end mankind. BBC News. 2014-12-02 [2026-08-15] （英语）. 
  252. ^ Meta scientist Yann LeCun says AI won't destroy jobs forever. BBC News. 2023-05-26 [2026-08-15] （英语）. 
  253. ^ 面对AI抗命，该不该“如临大敌”. 北京日报客户端. 2025-05-27 [2026-08-15] （中文）. 
  254. ^ Intelligent Computing: The Latest Advances, Challenges, and Future. Intelligent Computing. 2023 [2026-08-15] （英语）. 
  255. ^ Searle 1980
  256. ^ 林东清. 資訊管理 e化企業的核心競爭能力 七版. 台北市: 智胜. 2019-06: 187. ISBN 978-957-511-112-0. 
  257. ^ 陈根. 人工智能“脱衣”再现，技术与道德的撕裂对立. 澎湃. 2020-11-02 [2022-05-07]. （原始内容存档于2025-08-25） （中文）. 
  258. ^ Reports. Sensity. [2022-05-07]. （原始内容存档于2022-05-19） （美国英语）. 
  259. ^ 「モザイク破壊」AIでアダルト動画を加工 著作権法など違反疑いの男逮捕｜社会｜地域のニュース｜京都新聞. 京都新闻. [2022-05-07]. （原始内容存档于2022-05-25） （日语）. 
  260. ^ IPPA | 宮城県警察本部サイバー犯罪対策課による『フェイク動画』ＤＶＤ販売摘発に関するお知らせ. www.ippa.jp. [2022-05-07]. （原始内容存档于2025-01-25）. 
  261. ^ 减轻风险的人工智能监管：Berryhill et al. (2019)、Barfield & Pagallo (2018)、Iphofen & Kritikos (2019)、Wirtz, Weyerer & Geyer (2018)、Buiten (2019)
  262. ^ 263.0 263.1 Vincent (2023).
  263. ^ Stanford University (2023).
  264. ^ Kissinger (2021).
  265. ^ Altman, Brockman & Sutskever (2023).
  266. ^ n.a. UN Announces Advisory Body on Artificial Intelligence. Voice of America. 2023-10-25 [2024-10-05]. （原始内容存档于2024-09-18）. 
  267. ^ AI Act enters into force. European Commission. [2025-08-11] （英语）. 
  268. ^ Council of Europe opens first ever global treaty on AI for signature. Council of Europe. 2024-09-05 [2024-09-17]. （原始内容存档于2024-09-17）. 
  269. ^ Edwards (2023).
  270. ^ Kasperowicz (2023).
  271. ^ Fox News (2023).
  272. ^ Milmo, Dan. Hope or Horror? The great AI debate dividing its pioneers. The Guardian Weekly. 2023-11-03: 10–12. 
  273. ^ The Bletchley Declaration by Countries Attending the AI Safety Summit, 1–2 November 2023. GOV.UK. 2023-11-01 [2023-11-02]. （原始内容存档于2023-11-01）. 
  274. ^ Countries agree to safe and responsible development of frontier AI in landmark Bletchley Declaration. GOV.UK (新闻稿). [2023-11-01]. （原始内容存档于2023-11-01）. 
  275. ^ Second global AI summit secures safety commitments from companies. Reuters. 2024-05-21 [2024-05-23]. 
  276. ^ Frontier AI Safety Commitments, AI Seoul Summit 2024. gov.uk. 2024-05-21 [2024-05-23]. （原始内容存档于2024-05-23）. 
  277. ^ UN launches independent scientific panel on artificial intelligence. UN News. 2026-03-03 [2026-03-07]. 
  278. ^ Russell & Norvig 2003，chpt. 1
  279. ^ Reclaiming AI as a Theoretical Tool for Cognitive Science. Computational Brain & Behavior. 2024. doi:10.1007/s42113-024-00217-5. 
  280. ^ Russell & Norvig 2003，chpt. 1
  281. ^ Carleo, Giuseppe; et al. Machine learning and the physical sciences. Reviews of Modern Physics. 2019, 91 (4). doi:10.1103/RevModPhys.91.045002. 
  282. ^ Russell & Norvig 2003，chpt. 1
  283. ^ Russell & Norvig 2003，chpt. 1
  284. ^ Sociological Perspectives on AI, Intelligence and Communication. Systems Research and Behavioral Science. 2025. doi:10.1002/sres.3123. 
  285. ^ Learning to predict violence: Deep learning approaches to violent crime prediction during pretrial release. Criminology & Public Policy. 2025. doi:10.1111/1745-9133.70022. 
  286. ^ Russell & Norvig 2003，chpt. 22
  287. ^ Davis, Randall; Shrobe, Howard; Szolovits, Peter. What is a knowledge representation?. AI Magazine. 1993, 14 (1): 17–33. doi:10.1609/aimag.v14i1.1029. 
  288. ^ Russell & Norvig 2003，chpt. 3
  289. ^ Russell & Norvig 2003，chpt. 7
  290. ^ Russell & Norvig 2003，chpt. 11
  291. ^ Russell & Norvig 2003，chpt. 18
  292. ^ Russell & Norvig 2003，chpt. 21
  293. ^ Trends in expert system development: A longitudinal content analysis of over thirty years of expert system case studies. Expert Systems with Applications. 2017. doi:10.1016/j.eswa.2017.01.028. 
  294. ^ Russell & Norvig 2003，chpt. 24
  295. ^ Deep Learning Architectures for Pattern Recognition: A Comparative Review of Challenges, Applications, and the Path Toward XAI. Electronics. 2026, 15 (11). doi:10.3390/electronics15112402.  已忽略未知参数|article-number= (帮助)
  296. ^ A tribute to Alain Colmerauer. Theory and Practice of Logic Programming. 
  297. ^ Mitra, Sushmita; Pal, Sankar K.; Mitra, Pabitra. Data mining in soft computing framework: A survey. IEEE Transactions on Neural Networks. 2002, 13 (1): 3–14. doi:10.1109/72.977258. 
  298. ^ Zadeh, Lotfi A. Fuzzy sets. Information and Control. 1965, 8 (3): 338–353. doi:10.1016/S0019-9958(65)90241-X. 
  299. ^ Langton, Christopher G. (编). Artificial Life. Addison-Wesley. 1989. ISBN 978-0-201-09346-9. 
  300. ^ Russell & Norvig 2003，chpt. 1
  301. ^ Complex & Intelligent Systems. Complex & Intelligent Systems (Springer). 
  302. ^ Holland, John H. Adaptation in Natural and Artificial Systems. University of Michigan Press. 1975. ISBN 978-0-472-08460-9. 
  303. ^ Fayyad, Usama; Piatetsky-Shapiro, Gregory; Smyth, Padhraic. From data mining to knowledge discovery in databases. AI Magazine. 1996, 17 (3): 37–54. doi:10.1609/aimag.v17i3.1230. 
  304. ^ Zadeh, Lotfi A. Fuzzy sets. Information and Control. 1965, 8 (3): 338–353. doi:10.1016/S0019-9958(65)90241-X. 
  305. ^ Russell & Norvig 2003，chpt. 1
  306. ^ Searle 1980
  307. ^ Searle 1980
  308. ^ Russell & Norvig 2003，chpt. 26
  309. ^ Schmidt, Michael; Lipson, Hod. Distilling Free-Form Natural Laws from Experimental Data. Science. 2009-04-03, 324 (5923): 81–85. doi:10.1126/science.1165893. 
  310. ^ Russell & Norvig 2003，chpt. 26
  311. ^ Searle 1980
  312. ^ Searle 1980
  313. ^ Dennett 1991
  314. ^ Blackburn, Simon. Think: A Compelling Introduction to Philosophy. Oxford University Press. 1999. ISBN 978-0-19-210024-5. 
  315. ^ Russell & Norvig 2003，chpt. 26

来源

[编辑]
中文书
教材
人工智能历史
其他

注解

[编辑]
  1. ^ "Electronic brain" was the term used by the press around this time.[97][99]
  2. ^ Daniel Crevier wrote, "the conference is generally recognized as the official birthdate of the new science."[102] Russell and Norvig called the conference "the inception of artificial intelligence."[101]
  3. ^ Russell and Norvig wrote "for the next 20 years the field would be dominated by these people and their students."[103]
  4. ^ Russell and Norvig wrote "it was astonishing whenever a computer did anything kind of smartish".[104]
  5. ^ The programs described are Arthur Samuel's checkers program for the IBM 701, Daniel Bobrow's STUDENT, Newell and Simon's Logic Theorist and Terry Winograd's SHRDLU.
  6. ^ Embodied approaches to AI[119] were championed by Hans Moravec[120] and Rodney Brooks[121] and went by many names: Nouvelle AI.[121] Developmental robotics,[122]
  7. ^ Matteo Wong wrote in The Atlantic: "Whereas for decades, computer-science fields such as natural-language processing, computer vision, and robotics used extremely different methods, now they all use a programming method called "deep learning." As a result, their code and approaches have become more similar, and their models are easier to integrate into one another."[130]
  8. ^ Jack Clark wrote in Bloomberg: "After a half-decade of quiet breakthroughs in artificial intelligence, 2015 has been a landmark year. Computers are smarter and learning faster than ever", and noted that the number of software projects that use machine learning at Google increased from a "sporadic usage" in 2012 to more than 2,700 projects in 2015.[132]

扩展阅读

[编辑]
Scholia上有关人工智能（Q11660）的信息

外部链接

[编辑]
检索自“https://zh.wikipedia.org/w/index.php?title=人工智能&oldid=93902918”