發布時間：2023-03-15 15:02:48
序言：寫作是分享個人見解和探索未知領域的橋梁，我們為您精選了8篇的人工智能論文樣本，期待這些樣本能夠為您提供豐富的參考和啟發，請盡情閱讀。
人工智能是近年來隨著計算機技術的不斷發展的一個學科分支，是新興的高科技技術。人工智能與納米科學以及基因工程被人們稱之為二十一世紀的三大尖端科技。人工智能的研究范圍涉及較廣，在諸多不同的領域都有涉及，比如：數學、認識科學、哲學、心理學以及計算機科學等多門學科，不同學科領域以人工智能為信息交流平臺，進行相互的影響滲透，進而形成一門具有綜合性質的科學。因此，人工智能也可以稱之為社會科學與自然科學的交叉科學。人工智能主要是通過對計算機的研究，對人的某些思維以及智能行為進行模擬的學科，其主要被應用在專家系統、語言的理解、智能控制、遺傳編程機器人工廠以及機器人技術等方面。一般而言，對于人工智能的研究的主要目的就是讓機器代替人做一些復雜的工作。電氣工程的研究長久以來都局限在電氣化的方面，隨著現代化科學技術的進步以及信息計算機技術的發展，電氣工程自動化中逐漸向人工智能的趨勢發展，通過引入人工智能進入電氣工程自動化的領域，對人類大腦進行模擬并進行數據與信息的分析、收集、處理以及反饋，經過信息的自動化生產，進而提高電氣工程的生產效益，進而推動電氣工程產業結構的優化與升級。
2.人工智能在電氣工程自動化中的應用
2.1人工智能在電氣產品優化設計中的應用在電氣工程運行過程中，進行電氣設備的設計是十分復雜的，其設計不但對電氣自動化的各個專業學科與內容有所設計，而且要求電氣設備設計人員具有較高的專業文化知識以及豐富的設計經驗，進行電氣設備的設計只有把電氣知識、經驗以及科學進行有機的融合，才能夠對電氣產品的科學性有所保障。人工智能在電氣產品設計中的應用有效的對一些依靠人腦無法迅速解決的復雜計算以及模擬過程進行解決，進而大大的縮短了產品設計的周期，提高電氣工程的工作效率，并且設計出的電氣產品極具科學性與實用性。專家系統對于電氣工程的開發性設計有積極的意義，而遺傳算法主要應用于產品的優化設計，在進行產品設計的過程中，要求設計人員應該具備設計經驗以及較強的智能軟件應用的能力，從而便于依據不同情況的沾邊選擇不同的算法對產品進行高質量的設計。
2.2人工智能在電氣設備故障診斷中的應用在進行電氣設備故障的診斷時，電氣企業通常會使用人工智能中的人工神經網絡、模糊理論以及專家系統的引用，其應用診斷的范圍包含：發電機、電動機、變壓器等的故障診斷。在電氣設備中，電氣工程遇到故障問題時，所呈現的現象是相對復雜的，運用傳統的處理技術很難對問題進行及時準確的查找與判斷，人工智能技術對于這種問題科技進行高效的解決，例如：當發電機的設備出現故障時，故障所呈現的不確定性、復雜性以及非線性的特征都是可以通過人工智能中的專家系統以及模糊理論進行綜合的處理，人工智能技術大大的提升了電氣設備故障診斷的準確性。
2.3電氣工程運行過程中的智能控制目前，在電氣工程的自動化中智能控制的應用已經十分廣泛，逐漸的發展成為電氣工程自動化領域中的未來趨勢。由于電氣設備的控制工作比較復雜且極具綜合性，對控制系統的技術含量以及計算的精確度都有比較高的標準，通過對人工智能中的模糊理論、人工神經網絡以及專家系統的綜合應用，有效的提高了電氣設備的計算精度以及計算速度，不僅有利于節約電氣企業的資源，而且對實現電氣企業資源的優化配置具有積極的意義。
2.4人工智能在電力系統中的應用在電力系統中應用比較普遍的人工智能主要有：啟發式探索、專家系統、人工神經網絡以及模糊理論。其具體的應用主要表現為：一是，專家系統。作為一個十分復雜的程序系統，專家系統集知識、規則以及經驗于一體，主要工作程序是通過運用電氣系統中某領域的專業經驗以及專業知識對所遇問題進行分析與判斷，接著進行專家決策的模擬，對需要專家解決的問題進行處理，而且在專家系統的使用過程中，應該依據現實情況對系統中的知識庫、數據庫以及規則庫的信息與數據進行更新，從而使用電力系統的應用需要。二是，人工神經網絡。其學習的方式十分靈活，存儲方式也是呈現分布式，在大規模的信息處理中得到廣泛的應用，人工神經網絡具有較強的識別與分類能力，對與模型進行合理的分類并進行科學的選擇，同時其與元件進行關聯分析相結合能夠對復雜的電力系統進行故障的診斷，而且能對故障進行識別與定位。三是，模糊理論。模糊理論主要應用于系統規劃、潮流計算以及模糊控制之中。有利于操作界面的優化以及工作流程的簡化，而系統可以進行自動日志與報表的生成與保存，進而提高系統日常操作的效率，對系統的安全運行具有積極的作用。
3.總結
自二十世紀九十年代以來，意識問題受到高度關注，眾多的哲學家、心理學家與神經科學家在此領域開展深入的研究工作。與此同時，人們也開始使用計算方法試圖讓機器裝置擁有意識能力。這類研究逐漸被稱為“機器意識”的研究。早期有關機器意識的研究比較初步，研究工作較少得到學術界的認同，甚至早些年提到“機器意識”還有不合時宜的顧慮。
盡管哲學上關于“機器意識”有著不同觀點的爭論，但隨著研究工作的不斷深入，一些有遠見的專家學者開始充分認識到開展機器意識研究的重要意義，并專門撰文進行了精辟論述。比如，英國皇家學院電子工程系的Aleksander教授根據學術界從上世紀九十年代到本世紀對機器意識態度的轉變，指出機器意識的影響與日俱增，并預計了機器意識對科學與技術發展的潛在影響，特別是在改變人們對意識的理解、改進計算裝置與機器人概念等方面的貢獻尤為重大。
無獨有偶，美國伊利諾伊大學哲學系Haikonen教授則專門撰文強調機器意識是新一代信息技術產業發展的新機遇，他認為新產品與系統的發展機會起因于信息技術的發展，而現有的人工智能基于預先編程算法，機器與程序并不能理解其所執行的內容。顯而易見，不考慮意識就沒有對自身行為的理解，而機器意識技術的涌現可以彌補這一缺失，因此機器意識技術可以為信息技術產業的發展提供新的契機。意大利巴勒莫大學機器人實驗室的Chella教授則指出，開展機器意識不僅是一種技術挑戰，也是科學和理論上開展人工智能和機器人研究的新途徑。最近，土耳其中東技術大學的G?k和Sayan兩位學者進一步認為，開展機器意識的計算建模研究還有助于推進對人類意識現象的理解，推動構建更加合理的意識理論。
上述這些學者的論述，無疑說明，機器意識研究不但對深化人工智能的研究有著重要的推動作用，對從科學上解釋神秘的意識現象也同樣具有非同尋常的意義。正因為機器意識研究有著如此重要的科學意義和推動未來信息技術革新的潛在價值，隨著最近十年的研究發展，該領域已經成為學界廣泛關注的熱點。與此同時，數量相當可觀的研究成果和實驗系統已逐步形成，有些成果已經被運用到實際機器認知系統的開發之中。機器意識研究已經成為了人工智能最為前沿的研究領域。
機器意識研究的現狀分析
2006年之前的有關機器意識的研究狀況，英國皇家學院電子工程系的研究團隊已經做過了比較全面的綜述。因此，我們這里主要就在此之后國際上有關機器意識的研究概況和發展趨勢進行分析。據我們的文獻檢索，截止到2015年底，在機器意識研究領域發表過的學術論文超過350余篇，其中最近十年發表的論文占了一半以上。歸納起來，由于對意識的哲學解釋不同，目前機器意識方面的主流研究往往是以某種意識科學理論為出發點的具體建模研究和實現。由于涉及到的文獻過多，無法一一列舉，我們僅就一些影響較大的典型研究進行分析。
在意識科學研究領域，一種較早的理論觀點是用量子機制來解釋意識現象，這樣的出發點也波及到有關機器意識建模的研究。利用量子理論來描述意識產生機制的有效性并不是說物質的量子活動可以直接產生意識，而是強調意識產生機制與量子機制具有跨越尺度的相似性。近年來，意識的量子模型發展又有了新的動向。比如，作為量子意識理論的進一步發展，中國科學院電子學研究所的高山(Gao Shan)提出了意識的一種量子理論，研究了量子塌縮與意識之間的關系，假定量子塌縮是一種客觀的動態過程。日本Akita國際大學的Schroeder另辟蹊徑，在構建統一意識模型中不涉及量子力學的量子相干性方面做出了全新的探索，主要目標是說明現象意識能夠依據量子力學的物理解釋，用量子力學的形式化代數性質來描述。此外，俄羅斯Lebedev物理研究所的Michael B. Mensky利用意識的量子概念提出了一種主觀選擇的數學模型，說明意識和超意識的特性如何能夠通過簡單的數學模型給出。當然，更多的是有關意識量子機制描述的可能性爭論，正反兩方面的觀點都有。特別是在2012年的Physics of Life Reviews第9卷第3期，以Baars和Edelman所著論文“Consciousness， biology and quantum hypotheses”為核心，10余名相關領域的學者分別撰文對是否能夠通過量子機制來描述意識現象展開了多方位的辯論。最近，Susmit Bagchi從分布式計算的角度，較為全面地討論了生物演化與量子意識之間的關系。遺憾的是，迄今為止，學術界對此問題尚未達成一致的結論。
在機器意識研究中，第二種有重大影響的理論觀點就是全局工作空間理論。全局工作空間理論(Global workspace theory)是由美國加利福尼亞大學圣地亞哥分校神經科學研究所的Baars研究員1988年提出的意識解釋理論。在該理論的指導下，由Baars、Franklin和Ramamurthy等人組成的研究團隊開展了長達20多年的機器意識研究工作，最終開發完成了LIDA認知系統。
LIDA(Learning Intelligent Distribution Agent)是在該研究團隊等人早期開發的IDA(Intelligent Distribution Agent)基礎上發展起來的，主要依據Baars全局工作空間理論，采用神經網絡與符號規則混合計算方法，通過在每個軟件主體建立內部認知模型來實現諸多方面的意識認知能力，如注意、情感與想象等。該系統可以區分有無意識狀態，是否有效運用有意識狀態，并具備一定的內省反思能力等。從機器意識的終極目標來看，該系統缺乏現象意識的特征，比如意識主觀性、感受性和統一性均不具備。
指導機器意識研究的第三種重要理論觀點是意識的信息整合理論。意識的信息整合理論是美國威斯康星—麥迪遜大學精神病學的Tononi教授1998年提出的。自該理論提出以來，不少研究團隊以信息整合理論為依據，采用神經網絡計算方法來進行機器意識的研究工作。其中，典型代表有英國Aleksander教授的研究團隊和美國Haikonen教授的研究團隊所開展的系統性研究工作。英國皇家學院的Aleksander教授領導的研究團隊長期開展機器意識的研究工作，發表相關論文30余篇。早期的研究主要給出了有關意識的公理系統及其神經表征建模實現，比較強調采用虛擬計算機器來建模意識。最近幾年，Aleksander研究團隊采取仿腦策略，強調信息整合理論的運用，建立了若干仿腦(brain-inspired)意識實現系統，更好地實現了五個意識公理的最小目標。美國伊利諾伊大學哲學系Haikonen教授的研究團隊則主要采用聯想神經網絡來進行機器意識系統的構建工作。自1999年以來，該團隊開展了富有成效的研究工作。Haikonen教授在所提出的認知體系模型的基礎上，構建了一個實驗型認知機器人XCR-1系統。應該說，雖然Haikonen所開展的機器意識研究的出發點是為了揭示意識現象本性，但他的成果卻是目前機器意識研究領域最為典范的工作之一。
在意識科學研究中，也有學者將人類的意識能力看作是一種高階認知能力，提出意識的高階理論。在機器意識研究中，以這樣的高階理論為指導，往往會采用傳統的符號規則方法來建立某種具有自我意識的機器系統。其中，一個比較系統的研究工程就是意大利巴勒莫大學機器人實驗室的Chella教授用10年時間開發的Cicerobot機器人研究項目。該機器人實現了一種自我意識的認知結構機制，該機制主要由三個部分構成：亞概念感知部分、語言處理部分和高階概念部分。通過機器人的高階感知(一階感知是指對外部世界的直接感知，高階是對機器人內部世界的感知)，就形成了具有自我反思能力的機器人。這項研究工作的主要特點是將邏輯形式化方法與概念空間組織相結合，強調對外部事物的一種心理表征能力，并對外部環境進行內部模擬。在高階認知觀點的自我意識建模研究方面，另一個做出突出貢獻的是美國喬治梅森大學的Samsonovich教授率領的研究團隊。該團隊經過10余年的研究，開發了一個仿生認知體系GMU-BICA(George Mason University-Biologically Inspired Cognitive Architecture)。在該系統中定義的心理狀態不但包含內容，還包含主觀觀察者，因此該系統擁有“自我”意識的主觀能力。系統實驗是利用所提出的認知結構模型來控制虛擬機器人完成一些簡單的走迷宮活動，機器人可以表現出具有人類意識所需要的行為。相比而言，與Cicerobot機器人強調自我意識是反思能力的概念不同，GMU-BICA系統則將自我意識理解為“自我”的意識。當然，不管是Cicerobot還是GMU-BICA，這樣的高階認知模型往往對心理掃視、主觀體驗與統一意識等意識本質方面的表現兼顧不足。
除了上述介紹的這些有代表性的研究外，對于機器意識研究而言，還有如何判定機器具有意識能力的檢驗問題，這是目前機器意識研究領域十分重要的一個方面。顯然，要判斷開發的機器意識系統是否真正具備預期的意識能力，就需要開展相應的意識特性分析、評判標準建立以及檢測方法實現等方面的研究工作。在這方面，由于目前對意識現象的認識存在許多爭議，對于意識評測特性分析方面也難以有統一的認識。因此，目前的機器意識特性需求分析也比較零散。倒是在評判標準的建立方面，西班牙卡洛斯三世馬德里大學計算機科學系Arrabales教授的研究團隊做出了比較系統的研究。該團隊自2008年開始就在這方面開展意識特性分析，給出了計算人工意識的一種量化測量方法ConsScale以及對感受質的功能性刻畫。之后，該團隊又進一步提出了ConsScale的修訂版，并討論了在機器中產生感受質和現象意識狀態的可能性。最終，該團隊成功構建了CERA-CRANIUM認知體系(采用意識全局工作空間理論建模)來檢驗產生的視覺感受質以及實現的內部言語。所有的這些成果為機器意識能力的初步檢測提供了一種實用的標準。當然，也有將鏡像認知看作是機器擁有自我意識能力的一種檢測標準，該理論的依據是人類和其他一些動物能夠在鏡子中認出自己，這一能力被看作是擁有自我意識的明證。因此，Haikonen認為在鏡像中的自我識別，即鏡像測驗，也可以用來確認機器潛在的自我意識能力。于是，在意識能力檢測方法的研究中，許多研究工作都是通過鏡像測試來確定意識能力的。但也有研究認為，鏡像測驗并不能證明意識能力的存在，要證明機器具有意識能力還需要通過更加復雜的測驗。比如，Edelman就提出三種意識檢驗的途徑，即意識的語言報告、神經生理信號以及意識行為表現。
總而言之，機器意識的研究主要圍繞量子涌現機制、全局工作空間、信息整合理論、意識高階理論以及意識能力檢測這五個方面展開的。從研究的策略來看，主要分為算法構造策略(Algorithm)與仿腦構造策略(Brain-Inspiration)兩種途徑。從具體的實現方法上，主要可以分為三類：一是采用類神經網絡的方法；二是采用量子計算方法；三是采用規則計算方法。雖然經過20多年的發展，機器意識的研究取得了眾多的研究成果，但相對于人類意識表現方面，目前機器意識能力的表現還是非常局限的。根據筆者以及土耳其中東技術大學的G?k和Sayan發表的論文，目前機器意識系統主要具備的能力都是功能意識方面的，偶爾涉及自我意識和統一性意識(很難說是否真正實現了)。可見，意識計算模型的研究還有很長的路要走，特別是關于內省反思能力、可報告性能力、鏡像認知能力、情感感受能力以及主觀性現象等，這些方面更加需要進一步的研究和探索。
人類意識能力的唯識學分析
人類意識能力的基礎是神經活動，盡管神經活動本身是意識不到的，也不是所有的神經活動都能產生意識，但神經活動卻能夠產生有意識的心理活動，這便形成了人類的意識能力。
根據現有的相關科學與哲學研究成果，人類意識的運行機制大致是這樣的：物質運動變化創生萬物，生物的生理活動支持著神經活動，神經活動涌現意識(有意識的心理活動)，意識感受生理表現并指導意向性心智活動的實現，從而反觀認知萬物之理。除了心理活動所涉及的神經系統外，主要的心理能力包括感覺(身體感受)、感知(對外部事物的感知能力，包括視、聽、味、嗅、觸)、認知(記憶、思考、想象等)、覺知(反思、意識、自我等)、情感(情緒感受)、行為(意志、愿望、等)、返觀(禪觀、悟解)等。
必須強調的是，迄今為止，對有意識的心理能力最為系統解析的學說體系并非是現在的腦科學研究，而是起源于古印度的唯識學。唯識學所研究的對象就是心識問題，相當于本文界定的有意識的心理活動。如圖1所示，其理論體系主要包括五蘊八識的心法體系。
第一，前五識歸為色蘊，對應的心法稱為色法，相當于當代心理學中的感知，其意識的作用稱為五俱意識(所謂“俱”，就是伴隨)。如果這種感知是真實外境的感知，則其伴隨性意識稱為同緣意識；如果是有錯覺的感知，則稱不同緣意識；如果這種感知活動產生后像效應，則稱為五后意識(屬于不相應法)。一般而言，色蘊對應的心理活動都是有意向對象的，因此屬于意向心理活動。
第二，受蘊是一種心所法(具體的心理能力)，主要是指身體與情感狀態的感受。注意這里要區分身識中的身體狀態感受與色蘊是完全不同的心理能力，身識相當于觸覺，是一種感知能力，而身體狀態的感受不是感知能力，而是感受身體疼痛、暖冷等的體驗能力。受蘊的心理活動，雖然具有意識，但不具有意向對象，因此不屬于意向性心理活動。
第三，想蘊是另一種心所法，用現代認知科學的話講，就是狹義的思維能力，如思考、記憶、想象等，屬于認知的高級階段，顯然是屬于意向性心理活動。
第四，行蘊也是一種心所法，主要指一切造作之心，用現代認知科學的話講，如動機、欲望、意愿、行為等。唯識學中的“行”，與“業”的概念相互關聯，一般分為三種，即身業(行動)、語業(說話)和意業(意想)，但都強調有意作為的方面，因此行蘊也屬于意向性心理活動。
第五，識蘊是整體統一的心法，更加強調的是后兩識(第七末那識、第八阿賴耶識)的心法，現代西方的認知科學尚無對應的概念。主要強調的是自我意識，特別是返觀能力，即對根本心識的悟解能力。
總之，色蘊是色法(感知能力)，受蘊、想蘊、行蘊都是心所法(具體的心理能力)，它們本身就是具有意識的心理活動(統歸于心法)，其中色法的意識作用是伴隨性的五俱意識，其他三蘊的意識作用與伴隨性的意識則又有不同，稱為獨散意識(受蘊、想蘊、行蘊所涉及的意識，是一種周遍性意識活動)。
當然，如果所有意識作用出現在夢中，唯識學中則另外稱之為夢中意識(做夢時的意識活動，屬于不相應法)。在唯識學的五蘊學說中，識蘊比較復雜，它是唯識理論特別單列的一種根本心法，除了強調自我意識的末那識“我執”外，更是強調達到定中意識的阿賴耶識“解脫”，屬于去意向性心理活動。
總之，從意向性的角度看，我們的心理能力可以分為無意向性的受蘊，意向性的色蘊(前五識)、想蘊、行蘊，元意向性的意識以及去意向性的識蘊。其中，識蘊是一種特定的禪悟能力，對其性質的認識與禪宗的心法觀有關。
機器意識研究面臨的困境
對于目前的人工智能研究而言，我們涉及到的心智能力，如果按照五蘊分類體系來分析，那么大致只有色蘊、想蘊與行蘊中的部分能力。如果考慮目前有關機器意識的研究，也僅僅涉及到五俱同緣的伴隨性意識、想蘊與行蘊中的獨散意識、識蘊中的自我意識以及意識活動本身的機制問題，其他意識比如不相應法的夢中意識、五后意識、定中意識、五俱不同緣意識等都沒有涉及。
根據上述有關心識能力的唯識學分析，對于機器而言，真正困難的機器意識實現問題是受蘊性獨散心識(體驗性意識能力)與識蘊性心識兩個方面，一個涉及無意向心理活動的表征問題，一個涉及去意向性心理活動的表征問題，這兩方面都是目前計算理論與方法無法解決的問題。反過來講，機器最有可能實現的心智能力部分應當是那些具有意向性的心識能力(色蘊、想蘊與行蘊)，即唯識學心法中的色法與若干心所法。
很明顯，意向性心理活動一定伴隨有意向對象，于是就有可能對此進行計算表證，并完成相關的某種計算任務。因此，反過來說，我們認為意向性心理能力是人工智能的理論限度(是上界，但并非是上確界)，機器實現的人類意識能力不可能超越意向性心識的范圍。這也就是本文觀點討論的基點，并具體給出如下方面論據的分析。
首先，我們來分析心智機器的成功標準。從我們的立場看，如果要構建具有人類心智能力的機器，成功的標準起碼應該通過圖靈測驗。主要理由是，由于“他心知”問題的存在，行為表現可能是唯一的判斷標準，此時圖靈測驗不失為一種可行的測試途徑，關鍵是“巧問”的設計。原則上，圖靈測驗通過言行交流，這是人類之間默認具有心智能力的唯一途徑。再者，根據摩根準則，在沒有把握的情況下，寧肯選擇比較簡單的解釋。因而，對圖靈測驗的解釋中，也必須注意摩根準則，諸如機器思維或者機器經過思考的行動這類有關心智能力的假設在大多數情況下應該丟棄。
現在我們就來一場圖靈測驗，看看機器到底會遭遇什么樣的困境。為了看清本質，我們的提問異常簡單，就是進行如下提問(所謂“多大年紀”思想實驗，參見筆者以前的文章“重新發現圖靈測驗的意義”)：你多大年紀？此時會發生怎樣復雜的情形呢？當提問者一而再、再而三不斷重復這一問題時，機器很快就會暴露出其致命的缺陷，就是缺乏不可預見性反應能力。那么，面對這么簡單的提問，機器為什么會無所適從呢？其實這跟機器形式系統的局限性有關。眾所周知，圖靈機是個形式系統，而哥德爾不完全性說明足夠復雜的形式系統不能證明某些真命題。這是否說明人的某些知識是計算機器永遠不能得到的？或者反過來說，是否說明不是所有的知識都能形式化呢？這樣就引出了如下第二個論據的討論。
從形式系統角度看，確實存在不可計算(證明)的問題，而且是大量的，但這些問題對于人類同樣也是不可計算(證明)的。比如圖靈停機問題，如果換成了人，結果是一樣的。至于知識，可能首先要分清知識的含義與性質，知識是動詞還是名詞，要不要考慮元知識？如果這樣看待知識，那么肯定不是所有知識都可以形式化的。因此，我們可以發現，問題不在于形式系統是否有局限性，而在于對于意識現象能不能給出一致性的形式描述。
那么，我們可以對人類的意識現象給出一致性描述嗎？回答顯然是否定的。因為在人類的意識現象中，存在著意識的自反映心理現象：我們的意識活動是自明性的。從邏輯上講，如果一個系統允許自涉，那么該系統一定是不一致的，也就是說無法對該系統給出一致性的形式化描述。其實，人類的心理活動本來就是建立在神經集群活動的自組織涌現機制之上的。因此，出現意識的自明性現象是必然的。這也就是美國哲學家普特南給出“缽中之腦”思想實驗所要說明的道理。比如，對于“我們都是缽中之腦”命題，在事先并不知曉這一事實的前提下，使用知道邏輯的反證法，可以明確加以否定。因此，我們人類的意識能力，顯然不可能為機器所操縱。這樣，由于計算機器形式化能力的局限性，靠邏輯機器是不可能擁有人類全部意識能力的，起碼意識的自明性能力不可能為機器所擁有。
進一步，作為第三個論據討論，我們再來看人類的意義指稱能力問題。我們需要明確的問題是：機器能處理符號，但它能真正理解符號所代表的意義嗎？如果人的概念依賴于人類的軀體和動機(涉身性認知)，那機器怎么可能掌握它們呢？這個問題主要是指機器是否能夠擁有指稱能力。塞爾的“中文之屋”提出了反對意見。其實這個問題的關鍵還是要弄清什么是“意義”？如果意義是指所謂抽象的“概念”內涵而非表征形式，那么就必然存在一條語義鴻溝，因為機器內部能夠處理或變換的只是不同的形式語言而已。但如果意義是指“行為表現”，那么這個問題就回到了上面圖靈測驗的第一個論據上去了。
人類語言表達意義不在語言形式本身，而在于意識能力。正因為這樣，才會有許多超出常規的意義表達方式。從根本上講，我們也不必一一列舉機器難以擁有的指稱能力，諸如矛盾性言辭、元語言表述以及整體性語境等難以一致性描述的狀況；而只需指出，機器不可能擁有人類的終極指稱能力即可。那么什么是終極指稱能力呢？宋代臨濟宗禪師惠洪在《臨濟宗旨》中指出：“心之妙不可以語言傳，而可以語言見。蓋語言者，心之源、道之標幟也。標幟審則心契，故學者每以語言為得道淺深之候。”其中所謂的“心之妙”者，就是終極指稱。由于超越了概念分別，是難以用語言來描述的，這就為形式化描述帶來了根本的困境。
第四個論據的討論涉及到所謂預先設定程序的問題。我們知道，目前的機器只能遵循給定的程序運行(預先設定的程序)，這樣的話，機器又怎么可能擁有真正的創造性和靈活性？也許人工智能的目的就是要讓機器的“計算”更加“聰明”，但目前預先設定程序的機器不可能是靈活的，更不用說創造性能力了。顯然，事情越有規則，機器就越能掌控，這就是預先設定程序的界限。比如對于表面復雜結構的分形圖案，由于可以靠簡單規則加以迭代產生，機器就可以靠預先編程規則自如產生。但是對于人類常常出現的出錯性，由于毫無規律可言，機器便不可能預先加以編程，機器也就不可能擁有出錯性了。人是易于犯錯誤的，而機器按照設定的程序運行，永遠不會出錯，這就是預先編程的一個致命弱點，這也是第一個論據討論中機器無法通過圖靈測驗的根本原因。
要知道出錯性表面上似乎是一個負面品質，但其實質上則包含著靈活性和創造性，是一切新事物涌現機制的基礎。如果沒有生物基因的出錯性，自然選擇就沒有了作用的對象，繁復的生物多樣性也就無從談起。同樣，如果沒有了思想模因的出錯性，文化選擇也同樣沒有了作用的對象，博大的思想多樣性同樣無從談起。可見，出錯性是機器難以企及人類心智能力的一個分界線，而這一切都歸結為機器的預先編程的局限性。
同樣的道理，由于預先編程問題，也帶來了機器不可能真正擁有情感能力的新問題，這也構成了機器難以擁有人類心識能力的第五個論據。我們知道，情感從某種意義上講就是常規理性活動過程中的“出錯性”，是非理性的，但基于邏輯的機器是理性的。也許人們會說，非理性的情感在心理表現中是不重要的，甚至是不起作用的。但我們要強調，即使是理性思維，情感和其他非理性因素也在其中扮演重要角色(傾向性指導作用)。如果說理性的認知能力是前進的方向，那么非理性的情感能力就是前進的動力，人類的心理活動中豈可或缺情感能力？！而對于機器而言，缺少了情感能力，機器怎么能夠像人類一樣思維？！
機器是邏輯的，難以體現情感本性，目前有關情感的計算只是實現了情感的理性成份。筆者比較贊同這樣的觀點：理智是方向性的舵手，情感是驅動性的馬達，在航行中情感與理智相互依存。因此，如果情感不能計算，那么也談不上實現人類意識的計算，因為情感難以計算的本質就是意識的感受問題。
機器能擁有意識能力嗎
通過上述對機器實現人類心智能力所面臨的困境的討論，就可以進一步引申出機器是否能夠跟人類一樣擁有意識能力的問題。為了避免陷入不必要的信念之爭，筆者認為學術辯論主要應對事實或可能事實開展分析討論。由于計算機器的概念相對明確，爭論的焦點多半會聚焦到有關人類“意識能力”的界定之上。所以，下面先給出筆者所理解的人類“意識能力”的分析描述，然后再圍繞著我們討論的主題，展開觀點的陳述。
意識包括功能意識、自我意識和現象意識，其中功能意識大體上涉及到意向性的心理能力，除了前面已經討論過的五個論據外，似乎并不存在特別的新困難。但自我意識和現象意識則不同，由于涉及到去意向性和非意向性的表征問題，這便構成了機器心識的最大困擾。首先，我們要清楚“自我意識”不是關于“自我”的意識，而是一種自身內省反思能力。因此，自我意識是意識的核心功能。其次，我們必須澄清所謂的“體驗意識(qualia)”到底指什么？是精神的本性，還是虛構的對象？這涉及到哲學基本問題，非常復雜，觀點紛呈。機器能否擁有意識能力的核心問題，其實就在于此。
由于涉及到心靈的一些本質問題，機器意識研究一開始就引起了哲學領域的廣泛關注，有專家專門討論機器意識研究的哲學基礎，也有學者討論機器意識會面臨的困難，包括像意識(consciousness)、感受質(qualia)和自我覺知(self-awareness)這些回避不了的、顯而易見的困難問題，以及一些與意識相關的認知加工，如感知、想象、動機和內部言語等方面的技術挑戰。除此之外，更多的則是延續早期對人工智能的哲學反思，對機器意識的可能性提出質疑。涉及到強弱人工智能之爭、人工通用智能問題、意識的難問題、“中文之屋”悖論的新應用、人工算法在實現意識能力方面的局限性、蛇神機器人不可能擁有主觀性、現象意識等眾多方面的爭論。
那么機器能夠擁有這種現象意識狀態嗎？對于現象意識的存在性問題，有截然相左的兩種觀點。一種是神秘論的觀點，認為我們神經生物系統唯一共有的就是主觀體驗，這種現象意識是不可還原為物理機制或邏輯描述的，靠人類心智是無法把握的。另一種是取消論的觀點，認為機器僅僅是一個蛇神(zombie)而已，除了機器還是機器，不可能具有任何主觀體驗的東西。在這兩種極端觀點之間，還存在各種不同偏向的觀點，如還原論、涌現論、唯心論、二元論，等等。其實，依筆者看來，無需做上述復雜的討論，只須從意向性的角度來看，便可以澄清機器意識的可能性問題。筆者觀點是，凡是具有意向性的心理能力，理論上機器均有可能實現，反之則肯定不能實現。因為一旦缺少了意向對象，機器連可表征的內容都不存在，又如何形式化并進行計算呢！
通過上述分析討論，可以發現，機器意識難以達成的主要困境可以歸納為這樣三個方面。第一個是形式化要求，特別是一致性要求導致的局限性，使得機器智能局限于具有意向性的心識能力，如色蘊、想蘊、行蘊。第二個則是機器缺乏不預見性的反應能力，只能通過預先設定的程序來應對環境。第三個就是無法擁有終極指稱能力，無法實現去意向性的識蘊能力。最后補充一點則是，對于涉及到現象意識的感受性能力(受蘊)，由于沒有意向對象可以作為形式化的載體，因而對其進行的計算完全無從入手。
于是，我們可以很清楚地看到，意向性就是實現機器意識能力的一條不可逾越之界線。用數學的術語說，機器能夠擁有的意識能力的上界就是意向性心識能力。當然這并非是上確界，因為不可預見性的反應能力也屬于意向性能力，但從前面的分析中可以看出，目前基于預先編程的機器仍然無法擁有不可預見的反應能力。或許我們可以期待更為先進的量子計算機器來突破預先編程能力，但意向性心識能力的邊界，依然是無法突破的。
因此，當我們把目前有關機器意識的研究分為面向感知能力實現的、面向具體特定意識能力實現的、面向意識機制實現的、面向自我意識實現的以及面向受蘊能力實現的這五個類別時，就可以同唯識學中意識的五蘊學說相對比，從而更加清楚地認識其中的本質問題所在。我們的結論是，對于機器意識的研究與開發，應當擱置有爭論的主觀體驗方面(身心感受)的實現研究，圍繞意向性心識能力(環境感知、認知推理、語言交流、想象思維、情感發生、行為控制)，采用仿腦與量子計算思想相結合的策略，來開發具有一定意向能力的機器人，并應用到社會服務領域。
機器意識研究未來展望
圍繞著上述分析所得出的主要結論，我們認為，未來機器意識的研究，主要應該開展如下5個方面的研究工作。
首先，構建面向機器實現的意識解釋理論。由于意識問題本身的復雜性，目前存在眾多不同的意識解釋理論，其中只有部分理論用于指導機器意識的研究。為了更好地開展機器意識研究工作，取得更加理想的機器意識表現效果，必須直接面向機器意識實現問題本身，綜合并兼顧已有意識解釋理論，提出一種更加有利于機器意識研究的、有針對性的、全新的意識解釋理論。提出的新理論應該不但能夠清晰地刻畫各種意識特性及其關系，而且應該符合機器意識實現的要求，更好地用以指導機器意識的開展。為此，具體需要開展現有意識解釋理論的梳理研究、機器意識限度與范圍的分析研究、意識特性刻畫標準規范的構建研究等方面的研究工作。
其次，探索機器意識的計算策略與方法。過去的研究表明，要想讓機器擁有意識能力，傳統的人工智能方法是無能為力的，我們必須尋找全新的計算方法。因此，機器意識的深入展開，需要有不同于傳統人工智能的計算策略和方法。就目前機器意識研究中所遇到的問題而言，在計算方法方面起碼需要開展亞符號(神經信號)表征到符號(邏輯規則)表征之間的相互轉換計算方法、在非量子體系中實現類量子糾纏性的計算方法，以及神經聯結與符號規則相互融合的計算方法等方面的研究。而在計算策略方面則需要開展仿腦與算法相結合策略的研究。只有確定了行之有效的計算策略和方法，才能真正推動機器意識進一步深入發展。
第三，構建機器意識的綜合認知體系。作為機器意識研究的主要任務，就是要構建具有(部分)意識現象表現的機器認知體系。給出的意識機器認知體系應該滿足一些基本需求，起碼應該包括：實現具有感受質和外部感知對象的感知過程；實現過程內容的內省反思；允許各模塊無縫整合的可報告性以及配備本體感知系統的基本自我概念。因此，這部分的研究內容應該結合機器意識計算策略與方法的探索，參照已有各種機器意識認知體系的優點，有針對性地進行構建工作，以期滿足基本的意識特性需求。
第四，開發實驗性的意識機器人系統。在已有智能機器人開發平臺的基礎上，嵌入構建好的機器意識綜合認知體系，形成具體的意識機器人系統，并開展具體的系統實驗分析研究。通過各種意識特性的實驗，檢驗機器意識綜合認知體系的性能是否滿足基本的意識特性需求，最終給出一種實驗性意識機器人系統的范例。
一、機械電子工程的發展與特征
(一)發展歷程
在機械電子工程發展初期，主要體現為手工制作，生產力水平較低，資源技術等對其發展產生制約。為了提升生產效率，逐漸朝著機械工業方向發展。在生產線階段，機械工程己逐漸發展到流水線生產，實現標準化大批量生產，.這一生產模式使勞動力得到解放，生產力水平大大提升，同時生產效率也得到提高。但是仍然存在一些不足，比如，部分生產仍就以進口為主，生產成本較大，在市場方面缺少適應力舀靈活性較差，難以滿足不斷變化的市場需求。
在機械電子產業發展階段中，產品生產能夠適應市場的需求，對于不斷變化的產品需求產業化發展能夠滿足。
(二)機械電子工程主要特征
機械電子工程是復雜綜合性學科，同各類學科之間都有著密切的聯系。機械電子工程發展要以計算機、電子以及機械為基礎，結合其他學科做出合理、科學的設計。在設計的過程中，要求每一個模塊都能夠實現有機結合，進而使得各個模塊都能將其最大優勢發揮出來。機械電子產品內部結構簡單明了，并不復雜，無需復雜原件的投入，這樣能在一定程度上使產品性能得到提升，進而擴大消費市場，
二、人工智能簡述
人工智能是一門復雜，并且綜合性較強的學科，所涉及到的學科比較多。也可以說，21世紀人工智能是最偉大學科之一。人工智能實現了對人的智能模擬，并且能通過計算機使認得智能化得到進一步的延伸，人工智能這門學科有著較好的發展潛力。人工智能在發展的過程中主要經歷下列幾個階段。
初步階段。人工智能在17世紀開始發生萌芽，法國在這一階段成功誕生世界上的第一部計算機，這一計算器只是單純的能進行加法簡單運算，但是仍就轟動世界，進而在世界范圍內，對這項技術開始進一步研究。在最初階段，人工智能并沒有明顯的進展，主要是在實踐的過程中積累與總結知識，這為今后人工智能發展奠定堅實的基礎。
發展初始階段。美國人在二十世紀首次提出人工智能專業用語。在這個發展階段，人工智能主要以證明與闡釋為主要體現，在這一時期對于人工智能的研究就是首要任務。
發展起伏階段。隨著人們對于人工智能的不斷深入研究，人工智能也處于持續的發展階段，但是在實踐過程中發現，要想使人工智能模仿和人類思維同步是非常困難的。大部分對于人工智能的科學研究僅僅是停留于簡單映射層面，.對于邏輯思維的研究仍就沒有突破性進展。不論怎么說，在發展的起伏階段，人功能智能也在發展中得到了技術創新，特別是在系統方面、計算機機器人以及語言掌握方面取得了較大的成就.
起伏階段發展以后。在這一階段，人工智能的相關研究得到了發展，尤其是第五屆國際人工智能聯合會議的召開，人工智能逐漸朝著知識層面的方向發展，大部分的人工智能研都會結合相應的知識工程，在這個階段中，人工智能發展的高度是前所未有的，在一定程度上促進了人工智能應用于實際工程中。
穩步發展階段。隨著互聯網技術的快速發展，對于人工智能研究方向發生重大轉變，由原本的單一主體朝著集中統一主體的方向發展。關于人工智能在實際中的運用以及研究，受到了互聯網技術的影響。網絡的普及與快速發展，在一定程度上促進了信息化的發展，信息在傳送方面發生率重大性變革。在人們逐漸進入信息化社會后，在信息有效處理方面人工智能的發展起到了重要的作用，在模擬設計方面，機械電子工程的發展需要人工智能的大力支持。
三、機械電子工程與人工智能之間的關系
隨著我國社會經濟的持續發展，社會不斷的進步，對于信息人們越來越重視。在21世紀，互聯網技術得到快速發展，同時信息的傳遞也逐漸注入新鮮血液。互聯網應用的普及說明人們正朝著信息時代的方向邁進，在社會逐步信息化以后，更加需要有人工智能這一技術的支持，特別是機械電子工程發展中有著重要作用，機械電子系統本身缺少一定的穩定性，這樣在機械電子工程設計方面就有著較大阻礙存在。在現代社會中，信息的處理量持續增大，并且較為復雜，有些時候需要同時對不同類型的信息進行處理，所以需要采取人工智能的支持才能完成信息處理。人工智能主要包含模糊推理系統、神經網絡系統這種兩種方法。神經網絡系統傾向于對人腦結構的綜合分析，模糊推理系統更加重視對于語言信號的分析與理解。隨著現代社會的發展，僅僅采取單一的人工智能方法，明顯己經無法適應目前社會中不斷變化的市場需求，所以，對于人工智能相關問題的研究正逐漸朝著多方位、全面的人工智能方向轉變。多方位全面人工智能系統通過模糊推理系統和神經網絡系統相互統一的方式，揚長補短，將二者有效的結合起來，使得二者的優勢得到最大程度的發揮。
總結
--------------------------------------------------------------------------------
一 本體論語義學的動因、方法與基本范疇
本體論語義學的倡導者尼倫伯格（S. Nirenburg）和拉斯金（V. Raskin）說：“本體論語義學是一種關于自然語言意義的理論，一種關于自然語言加工的方案，它把經構造而成的世界模型或本體論作為提取和表述自然語言文本意義的基本框架，作為從文本中推出知識的前提。這種方案也想根據自然語言的意義形成自然語言的文本。”[1] 這就是說，本體語義學有著雙重動機。一是應用或工程學層面的動機，二是基礎理論層面的動機，而前者就其現實的需要來說更為迫切。尼倫伯格等人認識到：已有的機器智能的最大問題是只能完成句法加工或符號轉換，由此所決定，它即使快捷、方便、“多才多藝”，也無法改變其工具角色。因為它離人類智能還差關鍵的一點，那就是它沒有意向性。所謂有意向性，就是有對外在事態的關于性（aboutness）或指向性，就是有對它物的知道和意識，有對自身的超越性，而不致停留于純符號的形式轉換。從語義學的角度來看，有意向性就是有語義性。所謂有語義性，就是人類智能所涉及到的符號有意義、指稱和真值條件等特征。很顯然，意向性、語義性和意義等詞在本質上是一致的，正因為如此，當今的意向性理論、意義理論、語義學有合流的趨勢。但是，迄今為止的機器都沒有表現出上述屬性。美國著名哲學家、認知科學家塞爾（John R.Searle）一針見血地指出：已有計算機所實現的所謂智能“本身所做的”只是“形式符號處理”，它們“沒有任何意向性；它們是全然無意義的。……用語言學的行話來說，它們只是句法，而沒有意義。那種看來似乎是計算機所具有的意向性，只不過存在于為計算機編程和使用計算機的那些人心里，和那些送進輸入和解釋輸出的人的心里。”[2]如果從意義的角度理解信息，甚至不能說計算機有加工信息的功能。他說，“計算機所做的事不是‘信息加工’，而是處理形式符號。程序編制者和計算機輸出解釋者使用符號來替代現實中的物體，這個事實完全是在計算機范圍之外的事。”[3]尼倫伯格等人不僅認識到了這一點，而且進一步強調：“意義是未來的高端自然語言加工的關鍵因素，”“有根據說，沒有這種利用文本意義的能力，人們就不可能在自然語言加工中取得真正的突破，……而過去在這個領域中的大多數工作都未注意到意義。”[4]他們提出本體論語義學的研究目的就是要改變這一狀況，就是要從技術的層面研究計算機如何利用和處理文本意義，如何讓機器智能也有意向性。
要完成上述任務，必不可少的一項工作就是研究人類智能及其運作機理，研究人類意向性的根據和條件，尤其是揭示人類自然語言的加工機制，闡釋其根本原則和方法，構建人類語義加工的基本模型。要模擬這樣的智能，及其意義接受、理解、完成、輸出機制，就必須進到說者與聽者或語言的生產者與消費者相互交流的語境，探討怎樣將我們關于語言描述的觀念系統化，將計算程序處理意義的觀念系統化，怎樣形成更符合實際的、更有應用價值的系統的表征理論。由這一任務所決定，本體論語義學提出了自己的方法論原則。既然它要完成的是應用方面的任務，它當然會設法形成這樣的假設，即重構人類加工語言的能力及其所需的知識與過程，也就是要弄清人類的自然語言加工是如何可能的。為此，它有這樣的理論預設，即承諾弱人智能觀，而非強人工智能觀。后者認為，計算機程序不僅應在功能上模擬人腦，而且還應從結構上、物理執行的過程與細節上去模擬。而前者則主張，在模擬人腦的語義能力時只需從功能上加以模擬就行了。判斷模擬是否成功，主要看機器處理語義的能力是否與人類的語義能力在功能上等值。其次，本體論語義學的方法論獨特之處還在于強調：要讓機器對自然語言的加工有語義性，必須以本體論為基礎。因為人類之所以能理解和產生意義，根本條件就是人類有一種本體論的圖式。正是借助這種本體論圖式，任何一個符號語詞一旦進入人類視域，都會被歸類進入特定的意義域，獲得特定的語義值。不過，這里所說的本體論有其獨特的含義。
尼倫伯格等人注意到：“本體論”一詞具有歧義性。盡管“本體論”用法五花八門，但可歸結為兩大類，一是純哲學的用法，二是具體科學和工程學中的用法。尼倫伯格贊成瓜里羅（N. Guarino）對“本體論”的觀點，把前一用法稱作“大寫的本體論”，把后一用法稱作“小寫的本體論”。小寫的本體論又有形式本體論和工程學本體論兩種形式。瓜里羅指出：所謂“形式本體論……是關于先驗劃分的理論，如在世界的實在（物理對象、事件、區域、物質的量……）之中，在用來模擬世界的元層次范疇（概念、屬性、質、狀態、作用、部分……）之間作出劃分”。[5]工程學的本體論與哲學中的本體論有很大的區別。它既不關心形而上學的“是”的意義，又沒有關于實在的本體論分類。它關心的是信息系統中的整合因素，同時還涉及到有關概念分析之結果的本體論判定，因此它是名副其實的工程學本體論。[6]本體論語義學中的“本體論”既不同于形式本體論，又不同于哲學本體論，但從它們那里吸取了有用的東西。尼倫伯格等人說：他們的“本體論建構試圖從形式本體論和哲學本體論中得到幫助”[7]在借鑒的基礎上，他們對“本體論”提出了新的理解，建立了一種極有個性的本體論。“在本體論語義學中的每種語言的詞匯都用相同的本體論來說明意義，因為它一定包含了那個本體論中的所有意義。”[8]尼倫伯格等人認為，“一個人要承認表征和處理意義的可能性，就必須找到這樣的具體的意義因素，它們是外部世界實在的替代。而本體論語義學中的本體論就是能直接指示外部世界的最合適的東西。它實際上是世界的模型，是據此而建構的”[9]總之，本體語義學所說的本體論不過是語言加工系統中的一種概念框架，其作用是對輸入的語詞做本體論定位，為其有語義性創造條件。
二 本體論語義學關于語義加工系統的構想
要回答機器的語義加工何以可能，完成機器對人類自然語言加工的模擬，首先必須解決的問題是：人的自然語言加工何以可能？根據本體論語義學家的研究，所以可能的條件不外是：人類有將它與語言關聯起來的能力，有別的技能，有情感和意志之類的非理性方面，因為人們賦予語詞的意義常帶有情感色彩。另外，就是活動的目的、計劃及程序，最后就是各種知識資源。
本體論語義學認為，人類之所以能理解和產生意義，最重要的條件就是人類有一種本體論圖式。正是借助它，任何語言一進到心靈之中就有了自己的歸屬，被安放進所屬的類別之中，如聽到了“紅”一詞，人們馬上有這樣的歸類：它指的是屬性，與“綠”“藍”等屬一類，為物體所具有，因而不是物體，等等而是基本概念與范疇。尼倫伯格等人說：“本體論語義學試圖探討的是人們在內省式和反思式地看待概念時對這些概念的運用。人們常常談論屬性。虛構的實在（獨角獸或赫爾墨斯）和抽象的實質，把它們當作存在的。不過對于我們來說，決定把它們放在本體論之中不是根源于這樣的事實，即這些實在是用自然的語言指稱的，而是因為我們相信：由于人們在他們的宇宙中有這些概念因而語言才指稱它們。”[10]因此，在語義機模型中，我們首先要建立的就是這種本體論圖式。根據他們的看法，“本體論提供的是描述一種語言的詞匯單元的意義所需的原語言，以及說明編碼在自然語言表征中的意義所需的原語言。而要提供這些東西，本體論必須包含有對概念的定義，這些概念可理解為世界上的事物和事件類別的反映。從結構上說，本體論是一系列的構架，或一系列被命令的屬性-價值對子。”[11]它為要表征的詞項的意義作本體論的定位，即說明它屬于哪一類存在，其特點、性質、邊界條件是什么。例如當有一詞“pay”輸入進來，首先就要經過本體論這一環節，換言之，該詞首先要被表征為一個本體論概念，要被放進本體論的概念體系之中，一當這樣做了，它的屬性、值便被規定了。有了本體論概念框架，在這種靜態知識資源上就可以不斷生成各種含有意義表征的動態知識資源。動態的知識資源是在應用所提出的任務、要求的基礎上所產生的知識。
有了關于人類加工自然語言所需條件比較清楚和量化的認識，就有可能通過建立相應的網絡讓計算機也獲得這樣的條件，進而讓機器表現出對意義的敏感，最終具有語義加工能力。本體論語義學相信：這不是沒有可能的，至少有巨大的開發前景。對此，本體語義學進行大膽地嘗試，并建構出典型的語義加工模型。其具體操作就是：先讓加工器具備靜態和動態的知識知源，然后讓其有相應的加工能力。在實踐的基礎上，尼倫伯格等人通過分析公認的自然語言加工Stratified模型，詳細說明了機器進行語義加工的基本原理與過程。
在尼倫伯格等人看來，智能主體要理解文本意義離不開至少六個基本環節的加工。第一步是文本分析，即要對輸入的文本產生一個表征了文本的意義的正式表達式。由這任務所決定，它必須有分析器和生成器。從文本分析過程來說，文本要輸入到系統之中，首先要經過“前加工”將文本加以重新標記，并區別分析不同語言、不同體裁和風格的不同文本，以便讓文本能為系統所分析。第二步是對標記過的文本動用生態學、形態學、語法學、詞匯學的靜態知識資源作形態學分析，形成關于文本單詞的引用形式分辨。例如碰到“書”這個詞的輸入，形態學分析會這樣來分析：“book，名詞，復數”，“book，動詞，現在時，第三人稱，單數”等。第三步就會把它們送給詞匯學分析器，并激活這一分析器的入口。這個入口包含有許多類型的知識和信息，如關于句法的信息，關于詞匯語義學的信息，其作用是檢查、凈化形態學分析的結果。例如英文文本中可能夾雜有法、德、意等語言的單詞，還有一些模棱兩可的單詞，更麻煩的是，有些詞在詞匯分析器中沒有出現過，因此無法予以檢查。在這些情況下，就要予以查檢、甄別，如對不熟悉的詞，它有一些處理的步驟和辦法。第四步是句法分析。第五步是決定基本的語義從屬關系，例如建立未來的意義表征的命題結構，確定哪些因素將成為這些命題的主題，并決定該命題的屬性位置。
在此基礎上，本體論語義學提出了語義加工機的完整構想。尼倫伯格認為，機器要完成文本意義表征，必須有加工器和靜態知識資源。首先第一步，借助靜態知識資源（生態學、句法、形態學、詞匯學、詞源和本體論及事實材料）對輸入文本作出分析，然后又借助這些知識資源產生文本意義表征。分析模塊和語義生成器都離不開靜態知識資源。知識資源是如何得到的呢？要靠學習。“本體論語義學必須涉及到學習：它們越起作用，它們儲存的關于世界的知識就越多，它們可望達到的結果就越好。”[12]除了靜態知識之外，計算機要完成語義表征，還必須有動態的知識，它們是關于意義表征的程序方面的知識以及推理類型的知識。另外，加工器還要有這樣的動態能力，即把所儲存的知識動態地提取出來，運用于知識表征。尼倫伯格等人說“在本體論語義學中，這些目的是通過把文本意義表征、詞匯和本體論關聯起來而實現的。”[13]“我們關于表征文本意義的方案動用了兩種手段，一是本體論概念的例示，二是與本體論無關的參數的例示。前者提供了與任何可能的文本意義表征例示相一致的、抽象的、非索引的命題。這些例示是這樣得到的，即提供了基本的本體論陳述，它們有具體的情境的、包含有參數的值，如方面、方式、共指等。”[14]在這里，本體論的概念之所以抽象但又必要，主要是因為它提供了對存在和語詞的分類，如對于要表征的意義，它首先要借助這種本體論范疇確定它是屬于物體、屬性、方面、方式、過程、活動、數量中的哪一種。簡言之，對于任一詞的意義或所指，首先要借助本體論概念確定它應包含在哪一類存在范疇之中。在此基礎上，再用非本體論參數分析它的具體的、情境方面的值。
三 特點與問題
本體論語義學與其他人工智能理論、自然語言加工系統相比有自己的一些鮮明特點。其一，它強調對意義的處理無需通過句法分析，至少主要不是通過句法分析。在它看來，機器對意義的接受、表征、加工、生成和輸出，或者說，讓機器的句法加工具有語義性或意向性，靠的主要不是原先的關鍵詞匹配，句法轉換，而依賴的是對人類智能的全方位模擬。其二，本體論語義學認識到了人類心理狀態具有意向性、自然語言具有語義性依賴于復雜的因素，并在這種認識的基礎上形成了研究意義的一種綜合性方案。在具體的工程學實踐中，它關注到了意義處理中的多方面因素，即不僅僅注意到了知識性因素，而且還重視潛藏在人類智能中的非知識因素，并通過特定的方式將它們“內化”到他們所建構的人工智能系統之中。第三，本體語義學非常重視本體論圖式在人類心理狀態意向性、自然語言語義性中的作用，并在將這一認識成果向工程技術領域轉化，進而讓自然語言加工系統獲得這一語義生成的重要樞紐、機制方面做了大膽探索，取得了富有啟發意義的初步成果。第四，本體論語義學的確有重要的實踐意義和廣闊的應用前景，最重要的應用價值是它能產生文本意義表征。因為它的語義處理系統可以借助靜態知識資源對輸入文本作出分析，借助加工器的動態能力將所儲存的知識動態地提取出來，并運用于知識表征， 然后借助這些知識資源產生文本意義表征，并由特定輸出設備完成在意義交流層次的人機對話。
可以說，本體論語義學面對當前人工智能發展的瓶頸問題，基于工程學實踐和哲學反思，不僅在構建現實的語義機方面做出了極富價值的探索，也為揭示人類自然語言處理的基本原理提供了可資借鑒和進一步反思的研究成果。因此本體論語義學對于人工智能的發展來說是必不可少的選擇之一。但是，這并不意味著本體語義學就是完備的、無懈可擊的人工智能理論，非但如此，它盡管是為了回應塞爾中文屋論證和其他關于人工智能責難而提出的一種方案，但仍會受到這樣的責難：它的自然語言系統所處理的意義、所生成的意義，好像仍離不開設計操作人員的解釋，如果是這樣，那么它充其量只有派生的意向性、語義性。其次，最大的問題是：這種理論建立的系統仍沒有主動性、自覺性、意識性、目的性，而這些性質恰恰是人類固有的意向性的特征。因此要讓機器成為像人類那樣的有意向性的自主系統看來還有很長的路要走。
注 釋
[1][4][6][7][8][9][10][11][12][13][14] S. Nuremburg and V. Raskin， Ontological Semantics， Cambridge， MA: The MIT Press， 2004， xiii， xiii， pp.138-139， p.154， p.111， p.88， p.135，p191， p160， p160，p174.
AI Index在新舊年份交替之際公布了團隊成立以來第一份報告，其中具有代表性的八張圖可以幫助我們快速、全面了解AI這一行業高速發展的啟發和見解。
1、AI學術研究論文激增9倍以上
自1996年以來，每年發表的計算機科學的學術論文和研究的數量猛增了9倍以上。學術論文和研究通常能產生新的知識產權和專利。整個Scopus數據庫中，含有“Artificial Intelligence”這個關鍵詞的計算機科學領域的論文有超過200，000（200237）篇。Scopus數據庫中“計算機科學”領域的論文總共有近500萬（4868421）篇。
2、AI風險投資激增6倍
自2000年以來，在美國，風險投資者（VC）每年投入AI創業公司的投資額增加了6倍。Crunchbase，VentureSource和Sand Hill Econometrics被用于確定VC每年投給初創公司的資金額，這些初創公司在某些關鍵領域起著重要作用。上圖顯示了VC在美國所有融資階段對AI創業公司年度投資總額。
3、AI創業公司激增14倍
自2000年以來，在美國，有資本支持的AI創業公司數量增加了14倍。Crunchbase，VentureSource和Sand Hill Econometrics也用于這一分析。這個數字包括VentureSource數據庫中Crunchbase列表中的任何有VC支持的公司。
4、要求AI技能崗位激增4.5倍
自2013年以來，要求有AI技能的工作崗位增長了4.5倍。在Indeed.com平臺上，需要AI技能的工作崗位所占份額的計算方法是通過職業描述中的標題和關鍵字來確定是否與人工智能相關。AI Index研究還計算了在Indeed.com平臺上，要求人工智能技術的工作崗位份額在不同國家的增長情況。盡管加拿大和英國增長迅速，但對于人才招聘市場，Indeed.com的報告顯示加拿大和英國分別只占美國AI招聘市場絕對規模的5%和27%。
5、機器學習、深度學習以及NLP成為核心技能
在線求職平臺Monster.com上數據顯示，機器學習，深度學習和自然語言處理（NLP）是最重要的三項技能。兩年前NLP已經被預測會成為應用程序開發人員創建新的AI應用程序最需要的技能。除了創建AI應用程序，最受歡迎的技能還包括機器學習技術，Python，Java，C++，開源開發環境的經驗，Spark，MATLAB和Hadoop。根據對Monster.com的分析，在美國，數據科學家，高級數據科學家，人工智能顧問和機器學習主管的薪水中位數為$127000。
6、圖像標注錯誤率巨幅下滑至2.5%以下
自2010年以來，圖像標注的錯誤率從28.5%下降到2.5%以下。大規模視覺識別挑戰賽（LSVRC）的對象檢測任務的AI拐點發生在2014年。在這項特定任務中，AI已經表現得比人類更準確。這些發現來自于ImageNet網站上LSVRC競賽排行榜的競賽數據。
7、機器人進口量激增至25萬
從國際上看，機器人的進口量已經從2000年的10萬臺左右增長到了2015年的25萬臺左右。數據來源是每年進口到北美以及國際整體的工業機器人的數量。工業機器人由ISO 8373：2012標準定義。國際數據公司（IDC）預測對機器人的消費將在五年內加快，到2021年達到2307億美元，復合年增長率（CAGR）為22.8%。
一、網站的構建
1.網站框架設計
我國高中階段人工智能教育還處于起步階段，據調查，全國已開設人工智能課程的中學不超過十所。事實上，對于人工智能這一前沿學科，大部分信息技術教師還缺乏足夠的了解，因此對于該課程的開設也一直處于觀望狀態。考慮到人工智能教育的實際情況以及網站的主要對象，我們以高中信息技術選修課教材《人工智能初步》為基礎，按教學內容設置和劃分欄目，同時又圍繞“學人工智能、教人工智能、用人工智能、機器人專題”四大專題進行內容重組。當然，網站的基本架構并非一成不變，它需要在實際應用中進行檢驗與修正，最終實現網站的完美架構。依據上述思路建構的網站基本框架如圖1所示。
2.網站的欄目設計
新聞欄目以圖文的形式人工智能發展的最新情況，這是激發并維持廣大師生關注人工智能的基礎，也是師生獲取最新信息的窗口。子欄目“中國動態”“歐美動態”等分別介紹了各地區最新的人工智能信息，尤其是機器人產品的新聞。子欄目“會議論壇”，“比賽通知”為師生、參與比賽提供服務。
論文欄目是作為資源型網站的基礎。子欄目“教學研究”主要面向從事人工智能教育的研究者和教師，探討教學方法、分析教學案例、推薦教材和參考書，為更好的開展人工智能教學提供理論依據。子欄目“學習樂園”主要面向學生，展示活動實錄、闡述學習感受，聆聽專家意見，為更好的學習人工智能提供事實參考，教師也通過“學習樂園”來了解學生的所思所感所想。子欄目“賽事規則”介紹了各個地區和各級機器人比賽的一些規則，有利于師生更好的進行人工智能的教與學。
資源、視頻、圖庫、酷站：這四個欄目是資源型網站的核心。尤其是資源模塊中的子欄目“電子書刊”“教學課件”“人工智能軟件”分別以不同的文件格式向師生提供教與學的資源，使其能快速準確地獲取符合需求的資源，免去了在因特網上盲目搜索出現大量冗余信息的麻煩。網站整合了文本、視頻、圖片等多媒體信息，以豐富多彩的形式呈現資源，增強了網站的吸引力和信息的可閱讀性。
愛問欄目是作為學習型網站的基礎，也是本網站的一大特色。“愛問”是采用了模仿“百度知道系統”的程序設計，更注重知識的答疑解惑。我們將此欄目劃分為“學人工智能”“教人工智能”“用人工智能”“機器人問題”四個子欄目，師生可根據各自的需要進行提問、回答問題、搜索問題等操作。同時，設立了積分制，激發師生提問和回答問題的熱情。
用戶中心欄目是學習型網站的核心。作為一個專題網站，必然要十分強調學習的功能。子欄目“網絡書簽”的功能可以使學習者記錄自己所瀏覽過的或所感興趣的網頁，便于在下次登陸后繼續學習。在子欄目“信息”功能中，學習者可以新聞、論文、資源、愛問等信息，待管理員審核通過后即可在網站中顯示出來。另外，教師也可在教學過程中通過此模塊要求學生提交作業，便于教師隨時隨地的批改作業。
二、網站的訪問數據分析
人工智能教育專題網站從開設至今將近8個月的時間，已經有超過1萬的獨立訪客訪問了本站，我們選取了最近訪問的2000位獨立訪客進行研究。通過對地域、被檢索方式、受訪頁面及回頭率的分析，可為網站下一步的改進與完善提供依據，為其他人工智能教育類網站的建設，在網站的用戶類型，網站的內容選擇與更新，網站的推介宣傳等方面提供參考與借鑒。
1.地域分析
在統計到的訪問該網站的地域中，國外共有12個國家訪問了本網站。國內除西藏、澳門之外，其他省份、直轄市、特別行政區都有訪問過本網站，這為我們今后在高中普及人工智能教育提供了有力的依據。但是，通過圖2的數據我們也可看到，各個地區間的訪問量差距較大，并且訪問量靠前的幾個省份基本上是沿海地區，而中部和西部地區的訪問量比較少，所以在今后的工作中不僅要加強網站本身的建設和宣傳，更要把人工智能教育的理念推廣到中部和西部地區，使那里的中小學師生也接觸人工智能的知識，激發他們對信息技術美好前景的向往。
2.被檢索方式分析
搜索引擎是網絡上最常用的獲取資源的方式。掌握用戶使用搜索引擎的情況，有助于了解網站的被檢索方式。統計搜索關鍵字的次數，有助于了解網站被檢索訪問的原因。在專題網站建設完成后，向“百度”、“Google”等大型搜索引擎系統提交收錄網頁申請是極其必要的，它有利于提高網站的知名度和訪問量。而在網站中增加“人工智能”，“prolog 源程序”等文字內容，將會有利于用戶在盲目搜索時能訪問到該專題網站。
3.受訪頁面分析
受訪頁面是指用戶訪問該專題網站時所停留的頁面。通過對受訪頁面的統計，使我們能夠掌握用戶相對較為關注網站的哪些內容。表1數據中“學人工智能”占23.82%，“資源下載”占了16.32%，表明用戶對人工智能的知識還不是很了解，對人工智能的認識還停留在“學”的層面，遠未達到“教”的程度。人工智能教育類網站在建設中，如果能提供大量的人工智能的基礎知識以及豐富的可下載資源，將會顯著提高網站的受歡迎度以及用戶的認可度。
4.回頭率分析
在網站訪問統計中，通常將距離上次訪問超過12小時的再次訪問記錄為一次回頭。通過對回頭率的統計（表略）看出該專題網站的粘性不是很高，尤其是3次回訪以上的用戶還不多。通過對部分用戶訪談后了解到，網站的更新速度慢，資源較少，內容偏難是其不愿進行多次回訪的主要原因。所以，人工智能教育類網站在維護期間要注意內容的時效性、豐富性、通俗性才能保證網站訪問的可持續性。
三、網站建設的若干思考
目前國內外有關人工智能的專題網站不多，針對人工智能教育的網站更少。在可供借鑒的成熟案例較少、研究又處于剛起步階段的情況下，有必要對我們的工作進行反思總結。通過上述訪問數據的分析，以及在人工智能教育專題網站建設的準備階段，實施階段及運行階段的實踐，我們認為在建設人工智能教育類網站時應當注意以下幾個問題。
1. 充分關注用戶信息
訪問量是綜合類或門戶類網站的生命線，應當盡可能地拓寬訪問者的類型與層次。但人工智能作為一門新興學科，其專題網站的學科性特點甚至比普通的專題學習網站還要突出，因此單從訪問量上來說，它是無法和門戶類網站相比的。所以在建設的初期首先就要考慮的網站的對象問題，也就是要關注哪類人訪問了網站。只有準確的掌握了用戶的信息才能更好提供用戶需要的資源。
在這里，人工智能教育專題網站是通過以下三種手段來獲取用戶信息的。
第一，用戶必須注冊才能訪問網站，注冊的內容包括年齡、身份、學歷，電子郵件等內容。
第二，在網站中設立“網站調查”欄目，可以對“你是如何知道本站的”，“你覺得本站建設的如何”等內容教學在線調查。
第三，通過“中國站長站”等專業的數據收集程序來獲取用戶基本信息，可收集到用戶地域、受訪問頁面、用戶回頭率等信息。只有掌握了準確的用戶信息，才能更好的為用戶提供服務。
2.與用戶攜手共建網上資源
人工智能的子學科門類眾多，僅高中教材《人工智能初步》中就有知識及其表達、推理與專家系統、人工智能語言與問題求解等多個主題。而且我國的人工智能研究相對薄弱，很多資料都是外文的。任何一個人要很熟練的掌握人工智能的各個內容是很困難也是不現實的。我們通過一年多的實踐也體會到，僅僅依靠課題組成員很難保證網站資源庫內容的全面性和針對性。所以在網站最新一次改版中，我們增加了用戶的信息功能，使得用戶自己可以新聞、添加文章，上傳資源，只要經過管理員審核即可在網站中顯示。
另外，在人工智能教學過程中，我們也充分利用學生的優勢，要求學生以作業的形式提交文本和視頻資源，并將作業的數量和質量作為考察學生學習效果的一個指標。這些舉措保證了網站內容更新的時效性和內容的針對性。用戶所的就是用戶所關注的，用戶所關注的就是網站所要收集的。
3.通過多種形式充分發揮網站作用
目前，全國高中開設了“人工智能初步”選修課的學校極少，教師手頭上可供選擇的教材也只有5套。從專題網站上統計的數據來看，雖然網站目前的用戶主要是教師，但“學人工智能”頁面訪問量卻遠多于“教人工智能”。從這些情況看，單靠幾個人工智能教育類的專題網站無法從根本上解決高中人工智能教育現階段所面臨的窘境。所以，在條件允許的情況下，可以通過研修班、會議論壇等形式組織教師進行面對面的交流。
例如，我們就在2007年5月25日至27日在浙江師范大學舉辦了全國首屆“高中人工智能課程研修班”，來自全國十個省市的70余位信息技術教師及教研員參加了研修班的學習。在研修活動中，教師不僅學習了人工智能的知識，也對人工智能教育的現狀及發展過程中遇到的問題做了充分了探討和交流。本次研修活動結束后，人工智能教育專題網站則成了學員們交換信息、交流體會、共享資源的有效平臺。
四、結束語
總之，借助專題網站的平臺作用開展各種活動，不僅彌補了人工智能教育網站缺乏面對面交流和互動的缺點，也為把網站資源建設的更具針對性提供了有效幫助。
參考文獻：
[1]張劍平. 關于人工智能教育的思考[J] .電化教育研究.2003，（1）.
[2]曹瑞敏. “中國海”學生專題學習網站應用[J] .中國電化教育.2005，（5）.
《新聞周刊》5月24日
幾十年來，技術不斷地讓手機、筆記本電腦、應用程序等整個行業的產品變得
>> 美國醫療保障制度評估 人工智能將統治地球？ 人工智能將改變什么 人工智能將重塑商業生態 美國改善雙重參保者的醫療保障 人工智能與醫療 美國醫療保障體系改革及其對中國的啟示 美國醫療保障制度的嬗變及啟示 美國醫療保障體系現代化進程分析 美國醫療保障制度改革與發展的政治維度 人工智能將使人類更強大 人工智能將再造互聯網 人工智能將促進制造業升級 人工智能將取代50%的工作 人工智能將重新定義人類 人工智能將改變經濟等3則 人工智能將如何威脅人類文明？ 人機大戰：人工智能將帶來什么 美國的養老保障系統 完善我國醫療保障制度 常見問題解答 當前所在位置：中國 > 政治 > 人工智能將大大改善美國醫療保障系統 人工智能將大大改善美國醫療保障系統 雜志之家、寫作服務和雜志訂閱支持對公帳戶付款！安全又可靠！ document.write("作者：未知 如您是作者，請告知我們")
申明:本網站內容僅用于學術交流，如有侵犯您的權益，請及時告知我們，本站將立即刪除有關內容。 《新聞周刊》5月24日
幾十年來，技術不斷地讓手機、筆記本電腦、應用程序等整個行業的產品變得越來越便宜，而醫療保健卻在另一個世界里頑固地徘徊，在這個世界里，科技讓一切變得更加昂貴和復雜。現在，許多美國創業公司正在利用人工智能和海量的數據以及自動化的方法，有望在提高醫療效率的同時降低醫療成本。比如有些公司正在試圖利用人工智能實現一些醫生的工作自動化。IBM的沃森利用機器強大的計算能力來解決問題，目前正在成為世界上最好的診斷專家。它的軟件可以吸收所有可用的病人稻藎以及每年發表的成千上萬的醫學研究論文（遠遠超出了任何人的閱讀能力）。該系統甚至可以跟上新聞的步伐，例如，了解哪些地區會受到某種傳染性疾病的影響，這可能有助于診斷最近去過這些地區的人。
那未來是不是基金經理和交易員就沒有用武之地了，大量人工智能的運用將改變股市的交易模式和策略。我覺得，人工智能作為一種投資方法和途徑，的確可以投資股市，并且獲得一種風險和收益相對可預期的模式。但是人工智能的“股市狗”不可能百戰百勝，甚至有可能導致某個公司傾家蕩產。
人工智能首先我想起了長期資本（LTCM）的故事。套利之父、債券之王、諾貝爾獎獲得者一群精英的夢幻組合，于1994年創立了美國長期資本管理公司，主要活躍于國際債券和外匯市場，利用私人客戶的巨額投資和金融機構的大量貸款，專門從事金融市場炒作。它與量子基金、老虎基金、歐米伽基金一起被稱為國際四大對沖基金，一度取得驕人業績。它以“不同市場證券間不合理價差生滅自然性”為基礎，制定了“通過電腦精密計算，發現不正常市場價格差，資金杠桿放大，入市圖利”的投資策略。最后因為俄羅斯金融風暴、公債違約導致公司幾乎瀕臨破產。有人分析，它的問題出在歷史數據統計的模型不能代替未來方向。實際上，我覺得，從更高層面來說，這是一種對社會現象能否進行數理分析的根本哲學問題。
社會現象能否用公式去窮盡各種因子，從而成功推測出未來的方向？簡單說，遵循數理邏輯的人認為可以，而認為社會現象中的研究者無法做到數理現象的純粹觀測者來研究，因此無法得到答案。德州撲克非常像股市二級市場，不同位置、不同對手風格、不同籌碼量都會導致同樣牌面不同的決策。另外，運氣成分占很大比重。
