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）指让计算机完成那些以往需要人类智能才能应付的任务，比如学习、推理、解决问题、感知和决策。它横跨工程学、数学和计算机科学，目标是研究并开发相关方法和软件，让机器能感知环境、运用学习和智能采取行动，从而更可能达成既定目标。[1]

人工智能的常见应用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，以及国际象棋、围棋等策略游戏中的对弈与分析。进入2020年代以来，生成式人工智能被广泛用来按文字提示生成图像、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，也为机器人学提供支撑。实现这些目标时，研究人员会用到状态空间搜索、数学优化、形式逻辑、人工神经网络等技术，也常借力统计学、运筹学和经济学的方法。此外，人工智能还借鉴心理学、语言学、哲学、神经科学等学科的方法。[3] 有些公司，比如OpenAI、Google DeepMind和Meta，正在尝试打造人工通用智能（AGI）——通常指能跨广泛任务与领域学习、推理和运用知识的人工智能，但目前对其精确定义及判定标准尚无普遍共识。[4]

人工智能作为一门学科诞生于1956年，[5]其历史上曾多次经历乐观期，随后又陷入失望和资金流失的AI寒冬。2012年后，图形处理器被用于加速神经网络，深度学习在影像辨识等多个重要任务上获取突破性成果，资金和关注度随之大增。[6]2017年Transformer架构出现后，这股势头进一步加快。[7]进入2020年代，人工智能热潮与生成式人工智能的进步几乎同步到来，后者让创作和修改媒体内容成为可能。[2]除了人工智能安全以及使用AI可能带来的意外后果和危害，伦理问题、长期影响和潜在的存在风险也促使人们讨论如何监管人工智能。[8]

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能否实现、又如何实现。随着医学、神经科学、机器人学及统计学等方面的发展，有报道认为，人类的部分职业也正逐渐被其取代。[9][10]

人工智能的定义可以分为两部分，即“人工”和“智能”。[2]

一般教材把人工智能定义为“智能主体的研究与设计”[11]，智能主体指能观察周遭环境并采取行动以达成目标的系统[12]。约翰·麦卡锡1955年将其定义为“制造智能机器的科学与工程”[13][14]。安德烈亚斯·卡普兰和迈克尔·海恩莱因则把人工智能说成是“系统正确解释外部数据、从中学习，并利用这些知识通过灵活适应，以实现特定目标和任务的能力”。[15]人工智能也可定义为模仿人类认知功能（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：系统感知环境并采取行动，以最大限度地提高成功机会，部分人工智能系统亦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。[16]

人工智能的主要基础组成部分是：[17]

人工智能的研究高度技术化、专业化，各分支深入且彼此少有交集，因而涉及范围极广[18]。它的研究可以分成几个技术问题，各分支主要围绕具体问题展开，其中一个便是如何用不同工具完成特定应用。[19]

人工智能的主要研究课题包括推理、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[20]。通用人工智能（AGI）仍是部分人工智能研究者与研究机构所追求的长期目标。[21]

眼下弱人工智能已有初步成果，在影像识别、语言分析、棋类游戏等单一任务上，系统的表现已能达到甚至超越人类的水平。人工智能的通用性，意味着同一个AI程序能解决上述多种问题，不必为每项任务重新开发算法，这与人类的处理方式相似；但要做到具备思考能力的强人工智能还需时日，比较流行的路线包括统计方法、计算智能和传统意义上的AI。如今已有大量工具用到人工智能，包括搜索和数学优化、逻辑推演。基于仿生学、认知心理学以及概率论、经济学的算法等，也还在逐步探索之中。[22]

发展史

[编辑]
主条目：人工智能史
人工智能发展大事记
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[23] 晶体管电脑[24] 大型机、时间分时系统[25] 微处理器、早期个人电脑[26] 个人电脑与工作站普及[27] 互联网与集群计算[28] 云计算与数据中心[29] GPU 加速深度学习[30] 专用 AI 加速器、超大规模运算中心[31]
人工智能研究范型 形式神经元模型[32] 图灵测试
1956 达特茅斯会议[33][34] 		符号推理、搜索与规划（如 通用问题求解器）[35] 专家系统、知识工程（第一次“人工智能寒冬”）[36][37] 专家系统热潮、第五代电脑系统项目
几率推理萌芽[38] 		统计机器学习（支持向量机、贝氏网络 等）[39][40] 大规模资料 + 机器学习（搜索、广告、推荐）[41] 深度学习[42] 基础模型与生成式 AI 范式[43]
神经网络与深度学习 1943 McCulloch–Pitts 神经元[44] 1958 感知器[45] 多层感知器研究[46] 反向传播理论[46] LeNet[47] LSTM等递归网络[48] 深层信念网络[49] AlexNet、生成对抗网络、AlphaGo、Transformer[50][51][52][7] Transformer和扩散模型[7][53]
编程语言与工具 FORTRAN、LISP[54][55] ALGOL[56] Prolog[57] Smalltalk、C++[58][59] MATLAB、R[60][61] Python 与 scikit-learn[62][63] TensorFlow、PyTorch[64][65] Hugging Face[66]
知识表示与推理 形式逻辑、早期自动定理证明[67] 语义网络雏形[68] 语义网络、产生式规则[69][70] 框架理论、产生式系统[71] 贝氏网络、模糊逻辑[72][73] 描述逻辑、本体论[74] 语义网、OWL 等标准[75] 知识图谱[76] 检索增强生成[77]
专家系统与应用 DENDRAL[78] MYCIN等医疗专家系统[79] XCON:商用专家系统高峰[80] 专家系统衰退（因为知识获取瓶颈）[81] 行业决策支持系统集成规则与机器学习[82] 规则系统 + 机器学习混合应用[83] 行业知识图谱、规则引擎与大型语言模型结合[84]


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。[85]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%。[85]

对机器或“形式”推理的研究，起源于古代的哲学家和数学家。逻辑学的研究直接催生了艾伦·图灵的计算理论，他提出，一台只要操作简单符号“0”和“1”的机器，就能模拟任意复杂的数学推理过程。[86][87]这一理论，连同控制论、信息论及神经生物学方面的同期发现，让研究人员开始考虑能不能造一台“电子大脑”。[a] 此外，他们还开辟了日后成为人工智能一部分的多个研究分支，[89]比如1943年沃伦·麦卡洛克与沃尔特·皮茨设计了“人工神经元”，[90]图灵则在1950年提出了“图灵测试”，说明“机器智能”是可能的。[87]

人工智能研究领域正式成立于1956年，标志是达特茅斯学院举行的“达特茅斯会议”。[b][5] 与会者在20世纪60年代成了该领域的先驱。[c] 他们和学生开发的程序被媒体誉为“令人惊叹”：[d] 计算机不仅能学会国际跳棋策略，还能解代数文字题、证明逻辑定理，甚至能用英语对话。[e][94]20世纪50年代末到60年代初，英美许多大学纷纷建立了人工智能实验室。[87]

20世纪60到70年代，研究人员坚信自己的方法终能造出通用智能的机器，并把这一点当作领域的最高目标。[95]赫伯特·西蒙（Herbert Simon）曾预言：“未来二十年内，机器能胜任所有人类能完成的工作。”[96]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。”[97]但事实证明，他们低估了这个问题的复杂度。[98]1974年，受到詹姆斯·莱特希尔爵士（Sir James Lighthill）[99]的批评，加上美国国会更倾向于资助更有成效的项目，[100]美英政府都中止了探索性研究。明斯基和西摩·佩珀特（Seymour Papert）在《感知器》（Perceptrons）中提出的观点，被误读为“人工神经网络对解决现实问题毫无用处”，这一方法就此被否定。[101]随后便是“人工智能寒冬”，人工智能项目一度很难拿到资助。[102]

20世纪80年代初，专家系统的商业成功让人工智能研究再度活跃，[103]这是一种旨在模拟人类专家知识与分析技巧的AI程序。到1985年，AI市场估值已超过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。[104]但从1987年Lisp机器市场衰退开始，人工智能再次受挫，进入第二个较长的低迷期。[105]

在此之前，人工智能的主要资金投给了高级符号项目，用来表征计划、目标、信念这类概念性对象。20世纪80年代，一些研究人员开始怀疑：这种方法真能模仿人类认知的全部过程吗？特别是感知、机器人、学习和模式识别，[106]于是转向“次符号”方法。[107]罗德尼·布鲁克斯（Rodney Brooks）干脆不认同“表征”这套概念，转而专注于设计能移动、能自持生存的机器工程。[f] 朱迪亚·珀尔、卢特菲·泽德等学者发展出一批方法，在信息不完备或不确定时靠合理推断来处理，而非死守严格逻辑。[112][113]不过最显著的进展来自杰弗里·辛顿和伙伴们在“联结主义”及其神经网络研究上的突破。[114]1990年，杨立昆（Yann LeCun）证明卷积神经网络能识别手写数字。这项突破为神经网络在众多实际应用领域打下了基础。[115]

20世纪末到21世纪初，人工智能用形式化的数学方法，结合针对特定问题设计的策略，逐步在学术界重建声誉。这种聚焦于特定问题、规范化的路线让研究者能产出可验证的成果，也促进了与统计学、经济学及数学等学科的交叉合作。[116]到2000年，人工智能领域的解决方案已获得广泛应用，只不过在1990年代，这些方案往往不直接冠以“人工智能”之名。[117]如今，部分人工智能领域的学者认为，研究重点可能没能全面覆盖“造出多功能、全面智能的机器”这个最初目标。2000年代，通用人工智能（AGI）发展为独立的研究领域，2008年举办了首届AGI学术会议。[118]

2012年以来，深度学习开始主导行业标准，并迅速成为该领域广泛采用的方法。[6]不少场合下，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，既得益于硬件进步（如更快的电脑、[120]图形处理单元与云计算技术[121]），也离不开广泛的数据[122]（包括ImageNet这类精心策划的数据集，[121]）。深度学习的成果让公众对人工智能兴趣大增，也促使资金大幅涌入。[h]2015到2019年，机器学习领域的出版物数量上升了50%。[123]

2016年，机器学习会议上，公平性与技术滥用成了突出话题；相关论文数量急剧增加，研究经费也随之上升，众多研究人员转而聚焦这些议题。对齐问题逐渐成为学界讨论的重点。[124]

2010年代末至2020年代初，AGI公司推出了一批广受关注的产品。2016年，Google DeepMind研发的AlphaGo（阿尔法狗）战胜了围棋世界冠军李世乭。GPT-3是OpenAI于2020年推出的大型语言模型，能生成高质量、类人的文本。[125]这些以及其他程序引发了剧烈的AI热潮，主要企业向AI研究投入了数十亿美元。[126]AI Impacts预测，到2022年，仅美国一地的AI年投资就会达到约500亿美元，约20%的新晋美国计算机科学博士生将专攻AI。[126]2022年，美国预计有约80万个人工智能相关职位空缺。[127]

进入2023年，OpenAI推出了GPT-4，其多模态能力和推理性能明显提升，既能处理文本和图像输入，在复杂问题解决上也更强大。隔年（2024年），OpenAI又发布GPT-4o，能处理文本、图像等多种数据，并以更自然的对话能力获得广泛应用。[128]

截至2024年，AI技术的应用范围进一步扩大。例如，Anthropic的Claude模型因安全性和可解释性受到关注，被广泛用于企业。与此同时，xAI于2023年推出Grok，旨在加速人类科学发现，尤其是在太空探索和物理学领域。根据市场研究，到2024年，全球AI市场规模已达约1640亿美元，并以年复合增长率（CAGR）36.6%持续增长。[129]

2025年，中小型AI模型开始崛起，这类模型以更低的计算需求换取高效性能，广受关注。深度求索于2024年12月24日推出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。[130]DeepSeek R1拥有6710亿（671B）个参数，被认为推理能力与OpenAI的o1模型相当，其高效的训练方法也引发了全球AI竞争的热潮。2025年3月6日，阿里巴巴集团发布QwQ-32B，一款320亿（32B）参数的开源推理模型，据称性能可媲美DeepSeek R1，在数学、编码和一般问题解决等基准测试中超越OpenAI的o1-mini，且计算需求明显降低。QwQ-32B的发布令阿里巴巴在香港上市的股票当天上涨超过8%，反映市场对中小型高效模型的看好。[131]

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”。[132]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。[133]8月7日，OpenAI发布GPT-5，向所有用户开放。[134]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。[135]Anthropic亦于同月发布Claude Sonnet 4.5，主打长时间自主编程。[136]11月，OpenAI发布GPT-5.1；[137]Google发布Gemini 3，强调“智能体”（agent）能力；[138]Anthropic亦于同月发布Claude Opus 4.5，主打智能体与编程任务。[139]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。[140]

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。[141]3月，OpenAI发布GPT-5.4，面向企业专业任务；[142]Google推出Gemini 3.1 Pro，推理能力大幅提升。[143]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；[144]OpenAI于同月发布GPT-5.5。[145]8月，深度求索发布DeepSeek-V4-Pro，强化智能体能力。[146]与此同时，开放权重模型升温，全球协同治理提速。[147]9月，OpenAI发布GPT-6系列模型[148]，Anthropic发布Claude Opus 5.5[149]。

研究课题

[编辑]

目前人工智能的研究方向已分成几个子领域，研究人员希望一个人工智能系统能具备某些特定能力，以下逐一列出并说明。[20]

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一步步的推理，就像下棋或做逻辑推理时那样。[150]到了1980和1990年代，借助概率和经济学上的概念，人工智能研究还发展出一套很成功的方法，来应对不确定或不完整的信息。[112]

困难的问题可能需要大量运算资源，也就是“组合爆炸”：一旦问题超过一定规模，电脑会需要天文数字级的存储器或运算时间。寻找更有效的算法，是人工智能研究的重要课题。[151]

人类解决问题，通常靠最快捷、直观的判断，而不是有意识的、一步一步的推导；早期人工智能研究却多半采用逐步推导。[152]人工智能研究已在这种“次符号”的解决方法上获取进展：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。[153]

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，目的是让机器存储知识，并按某种规则推理出新的知识。[154]许多问题需要大量关于世界的知识，其中既有事先存好的先验知识，也有通过智能推理得到的知识。先验知识由人类以某种方式告诉机器，推理知识则是先验知识结合特定推理规则（逻辑推理）得到的。先验知识可以描述目标、特征、种类及对象之间的关系，也能描述事件、时间、状态、原因和结果，甚至任何想让机器存储的内容。比如“今天没有太阳，没有太阳就是阴天”，用命题逻辑语言可写成：今天 → 没有太阳，没有太阳 → 阴天。这是先验知识，据此推理就能得到新知识：今天 → 阴天。从这个例子能看出，先验知识的正确性很重要——这个例子里“没有太阳就是阴天”并不严谨，因为没太阳也可能是下雨或下雪。另外，如果人工智能能判断太阳是否存在，在此前提下，也应该能判断出阴天与晴天的差别。逻辑命题表示在知识表示中占有重要地位，逻辑推理规则是当前主要的推理规则。可以在机器中用逻辑符号定义每个逻辑命题，再让机器存好相应的推理规则，机器自然就能推理。目前知识表达还有许多难题没解决，比如：建立一个完备的知识库几乎不可能，资源因此受限；先验知识的正确性需要检验，而且它有时并不只有对错两种可能。[155]

规划

[编辑]

智能代理必须能够制定目标并实现这些目标。[156]为此，它需要建立一个可预测的世界模型（把整个世界状态用数学模型表示出来，并能预测自己的行为会怎样改变世界），这样才能选出功效最大的行为。[157] 在传统的规划问题中，智能代理被假定为世界上唯一能影响环境的行动者，因此其行为的结果是确定的。[158]但如果事实并非如此，它就得定期检查世界模型的状态是否和自己的预测相符；若不符，就必须修改计划。所以智能代理必须具备在结果不确定时推理的能力。[159]在多Agent情境下，多个Agent以合作或竞争的方式去完成目标，用演化算法和群体智能可以达成一种整体的突现行为目标。[160]

机器学习

[编辑]
主条目：机器学习

机器学习的主要目的，是让机器从用户和输入数据等处获得知识，从而自动判断并输出相应的结果。这一方法能帮我们解决更多问题、减少错误、提高效率。对人工智能来说，机器学习从一开始就很重要。[161]

机器学习的方法多种多样，常见机器学习范型包括监督学习、非监督学习、自监督学习、半监督学习及强化学习等。监督学习先给机器一些训练样本并告诉它每类的标签，然后据此训练，提取出这些样本的共同属性，或训练一个分类器；等新样本来了，再用学到的属性或分类器判断它的类别。按输出结果是离散还是连续，监督学习又分为分类和回归两类。非监督学习则不给标签，只给一些样本和规则，让机器自己按规则分类。无论哪种方法，都要做误差分析，才能确认它在理论上是否有误差上限。[161]

自然语言处理

[编辑]
主条目：自然语言处理

自然语言处理研究的是如何处理及运用自然语言；自然语言认知则是让电脑“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，自然语言理解系统则把自然语言转化为计算机程序更易处理的形式。[162]

运动和控制

[编辑]
主条目：机器人学

运动和控制研究的是如何让机器（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。[163]自动驾驶汽车、无人机和机械臂等系统都依赖这类技术。[164]

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[165]是指用传感器输入的资料（如照相机、麦克风、声纳以及其他特殊传感器）来推断世界的状态。电脑视觉[166]能分析影像输入；此外还有语音识别[167]、人脸识别和物体识别。[168]

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[169]

情感和社交技能对智能agent来说很重要。首先，通过了解人类的动机和情感状态，代理就能预测他人的行动，这涉及博弈论、决策理论以及情感感知能力。[170]此外，为了良好的人机交互，智能代理也需要表现出情绪——至少能礼貌地与人打交道，并具备正常的情绪。[171]

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。[172]

研究方法

[编辑]

目前还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。[173]

其中几个长久没有结论的问题是：是否应从心理或神经方面模拟人工智能？还是像鸟类生物学之于航空工程那样，人类生物学与人工智能研究其实无关？[174]智能行为能否用简单的原则（如逻辑或优化）描述？还是必须解决一大堆互不相干的问题？[175]

智能能不能用词、想法这类高级符号来表达？还是需要“子符号”层面的处理？[176]约翰·豪格兰德（John Haugeland）提出GOFAI（出色的老式人工智能）这一概念，也提议把人工智能归为synthetic intelligence，[177]这个概念后来被一些非GOFAI研究者采纳。[178][179]

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到50年代，许多研究者探索神经学、信息理论与控制论之间的联系，还造出了一些用电子网络构造的初步智能。[180]

这些研究者还常在普林斯顿大学和英国的Ratio Club举行技术协会会议[181]。到1960年代，大部分人已放弃这种方法，尽管这些原理在80年代又被重新提起。[182]

符号处理

[编辑]
主条目：符号人工智能

20世纪50年代，数字计算机研制成功后，研究者开始探索人类智能能否简化成符号处理。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，各自都有独立的研究风格。约翰·豪格兰德（John Haugeland）把这些方法统称为GOFAI（出色的老式人工智能）[183]。20世纪60年代，符号方法在小型证明程序上模拟高级思考获取了很大成就。[184]基于控制论或人工神经网络的方法则退居次要地位[185]。60到70年代的研究者确信，符号方法终能造出强人工智能的机器，这也正是他们的目标。[186]

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，尤其是感知、机器人、机器学习和模式识别。许多研究者开始转向子符号方法，来解决特定的人工智能问题[176]。

  • 自下而上、接口agent、嵌入环境（机器人）、行为主义、新式AI：机器人领域的研究者，如罗德尼·布鲁克斯，否定符号人工智能，转而专注于机器人移动和求生这类基本工程问题。[195]他们的工作再次呼应早期控制论研究者的观点，并提出了在人工智能中运用控制理论。这与认知科学中的表征感知论点一致：更高的智能需要个体层面的表征（如移动、感知和形象）。[195]
  • 计算智能：1980年代中期，David Rumelhart等人重新提出神经网络和联结主义[196]。这与其他子符号方法（如模糊控制和进化计算）同属计算智能学科的研究范畴[197]。

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——其结果可测量、可验证，也正是近年来人工智能成功的原因。共享的数学语言还促成了与既有学科（如数学、经济或运筹学）的合作。斯图亚特·罗素和彼得·诺维格（Peter Norvig）认为这些进步不亚于一场“革命”，是“neats的成功”[198]。也有人批评这些技术太专注特定问题，而没考虑长远的强人工智能目标[199]。

集成方法

[编辑]
  • 智能代理范式：智能代理是一个会感知环境并采取行动以达成目标的系统。最简单的智能代理是那些能解决特定问题的程序，更复杂的代理还包括人类和人类组织（如公司）。这个范式让研究者能研究单独的问题、找出有用且可验证的方案，而不必拘泥于单一方法。一个解决特定问题的智能代理可以用任何可行的方法：有的用符号方法和逻辑方法，有的用子符号神经网络或其他新方法。这个范式还给研究者提供了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，智能代理范式被广泛接受。[12]
  • 代理架构和认知架构：研究者设计出一些系统来处理多智能代理系统中智能代理之间的相互作用。[200]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。[200]

应用

[编辑]
主条目：人工智能的应用

人工智能目前在电脑领域的应用越来越广，并在机器人、经济政治决策、控制系统、仿真系统等领域发挥作用。[2]

基本应用

[编辑]

台湾学者林东清在《信息管理：e化企业的核心竞争力》一书中，将人工智能的基本应用（Fundamental Applications）分为感知、认知、创造力与智能四个层面：[201]

感知能力（Perception）

[编辑]

指的是人类通过感官接收环境刺激、察觉消息的能力，简单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目前的主要焦点之一，包括：[202]

  • “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）[203]

认知能力（Cognition）

[编辑]

指的是人类通过学习、判断、分析等心理活动来理解消息、获取知识的过程与能力。对人类认知的模仿与学习，是AI目前的第二个焦点领域，主要包括：[2]

  • 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。[204]

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。它由知识、智力、能力、个性及潜意识等各种因素共同作用而成。这个领域人类目前仍遥遥领先AI，但AI也在急起直追，主要方向包括AI作曲、AI作诗、AI小说、AI绘画、AI设计等。[2]

智能（Wisdom）

[编辑]

智能指的是人类深刻了解人、事、物的真相，能探求真理、明辨是非，进而过上有意义的生活的能力。这个领域牵涉人类的自我意识、自我认知与价值观，是目前AI尚未触及、也最难模仿的部分[201]。

实际应用

[编辑]

人工智能在机器视觉[205]、指纹识别[206]、人脸识别[207]、视网膜识别[208]、虹膜识别[209]、掌纹识别[210]、专家系统[211]、自动规划[212]、无人载具[213]等上面得到了应用。

政府与城市服务

[编辑]

人工智能也被用于许多不同领域。机器人可以在餐馆和商店工作，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换取更高的经济回报。[214]

人工智能降低了行政成本、缩短了处理时间，许多政府开始把它用于各种公共服务。例如，移民流程的自动化减少了处理时间并提高了效率。[215]人工智能代理还能协助城市规划者，基于目标导向的蒙特卡罗树搜索进行场景规划，提出土地利用方案；[216]人工智能还被用于通过在线数据监控来调整环境风险政策。2019年金奈水危机期间，研究人员用潜在狄利克雷分配方法分析Twitter（X）上的讨论，把主题归为干旱的影响与原因、政府响应和潜在解决方案等几类。[217]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[218][214]。

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等人都对人工智能技术的未来公开表达过忧虑[226]。人工智能若在许多方面超越人类的智能水平，不断更新、自我提升，进而获取控制管理权，人类能否及时叫停这场“军备竞赛”、保住最高掌控权，已成为公众关注的问题。就现有事实看，机器失控导致人员伤亡的事件时有发生，[227]这种情况是否会扩大规模，历史经验尚不足以给出可靠答案。特斯拉首席执行官马斯克（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”；[228]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。[229]

Google DeepMind的人工智能（AI）系统2016年在“AlphaGo”对战韩国棋王李世乭时获胜，开发商表示已在内部设立伦理委员会，针对人工智能的应用制定政策，防范人工智能被犯罪者滥用。[230]

科技进步的同时，人工智能催生的“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和无人操控的无人机，这些导弹具“射后不理”（fire-and-forget）能力，多枚导弹还能互相沟通、分享找到的攻击目标。[231]这些武器尚未大量投入使用，但其打击决策由机器自行完成，无需人类逐次确认；专家担心它们将很快被投入战场。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更能操纵金融市场、影响科学家和人类领袖，甚至研发出人们无法理解的武器。专家们担心发展会失控，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。[232]新南威尔士大学研究人工智能的托比·沃尔什教授认为，这是一种欺骗，因为机器没有区别对待士兵和平民的技术。[233]

经济冲击

[编辑]

CNN财经网的数字媒体未来学家Amy Webb、美国在线等机构纷纷预测一些即将被机器人取代的职业。[234]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）可能被机械和人工智能取代而消失，直接影响约2500万人[235]受影响的行业涵盖超市店员、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、操盘手、股票交易员等；其中薪酬较高的脑力职业被认为将最先受到冲击[236]。

2017年6月，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。他的理由是，前两次产业革命都导致了两次大战，战争原因并非创新发明本身，而是发明对社会上许多人生活方式的冲击被处理不当；新科技在社会上既创造新工作也取代旧工作，产生新的输家和赢家。若是输家太多，就会累积成一股不稳定的社会能量，这股能量一旦被有心人利用，可能导致各种事件。他认为各国应强制规定AI机器只能用于人类做不了的工作，避免短时间大量人类被取代的失业大潮；但对于这类规定应如何在国际层面落实并确保遵守，马云并未提出具体方案。[237]

数据科学家被哈佛商业评论称为“二十一世纪最性感的职业”[238]，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。The Data Incubator是一家2012年成立的数据科学培训机构，主要在硅谷和纽约运营，专注于大数据和人工智能领域的企业培训。[239]

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：[240]

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，[241]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。[241]

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。[240]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。[242]
  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。[243]
  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。[244]

AI与管理

[编辑]

有学者认为，AI逐渐普及后，将在企业管理中扮演重要角色；对于人类管理者应如何调整自身的工作职能，林东清提出了以下建议：

  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，能有效地带领一支士气高、团结、凝聚力强的工作团队。[245]

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，基于神经网络技术的DeepNude软件面世，可以把人物照片中的衣着褪去、显现裸体。随后，经该软件处理的色情图片在网络上泛滥并引发争议，软件最终在批评声中被下架。据美国网络安全公司Sensity统计，DeepNude已产生68万张以上女性的假裸照，其中70%的原照片来自社交网络上的真实女性[246]，而经DeepFake技术处理的视频以每6个月翻一番的速度增长。截至2020年12月 (2020-12)，Sensity检测到的相关视频超过8.5万个[247]。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[248]、替换色情影片中女优容貌[249]等相关案件。

监管

[编辑]
主条目：人工智能监管
2023年人工智能安全峰会的与会者合影
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。[250] 全球各司法管辖区的人工智能监管与政策格局，仍是一个新兴问题。[251] 根据斯坦福大学的人工智能指数，在127个受调查国家中，每年通过的人工智能相关法律数量，从2016年的1项跃升到2022年一年的37项。[252] 2016到2020年间，超过30个国家通过了专门的人工智能战略。[123] 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）正在制定自己的战略。[123] 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，以确保公众对这项技术的信心和信任。[123] 亨利·基辛格、埃里克·施密特和丹尼尔·胡滕洛赫尔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。[253] 2023年，OpenAI领导人就超级智能治理提出建议，认为超级智能可能在不到10年内出现。[254] 同年，联合国还成立了一个由科技公司高管、政府官员和学者组成的咨询机构，为人工智能治理提供建议。[255] 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。[256] 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。[257]

2022年益普索的一项调查显示，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只有35%。[252] 2023年路透社/益普索的民意调查发现，61%的美国人认为人工智能对人类构成风险，22%的人不这样认为。[258] 在2023年福克斯新闻的一项调查中，35%的美国人觉得联邦政府监管人工智能“非常重要”，41%认为“有些重要”，13%回答“不太重要”，8%回答“完全不重要”。[259][260]

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。[261] 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。[262][263] 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。[264][265]

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。[266]

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。[267]

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]

人工智能一个比较流行的定义、也是该领域较早的定义，来自当时麻省理工学院的约翰·麦卡锡。他在1956年的达特茅斯会议上提出：人工智能就是要让机器的行为看起来就像是人表现出的智能行为。不过这个定义似乎忽略了强人工智能的可能性（见下）。另一个定义则指，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”。这里的“行动”应广义理解为采取行动、或制定行动的决策，而不是肢体动作。[288]

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，而且这样的机器将被认为是有知觉、有自我意识的。[289]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。[174]
  • 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。[174]

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”推理和解决问题的智能机器；这些机器只是“看起来”智能，但并不真正拥有智能，也不会有自主意识。[290]

弱人工智能一词是相对于强人工智能才出现的。人工智能的研究曾一度停滞不前，直到人工神经网络有了足够的运算能力加以模拟，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，一直对定义争论不休。[291]

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，[292]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，但如何集成成强人工智能，目前还没有明确定论。[293]

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·希尔勒针对电脑和其它信息处理机器创造的，其定义为：[294]

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。

——John Searle，Minds, Brains and Programs，Behavioral and Brain Sciences第3卷，1980年

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。核心问题是：如果一台机器唯一的工作原理就是转换编码数据，那这台机器有没有思维？希尔勒认为不可能。他举了中文房间的例子来说明：如果机器只是转换数据，而数据本身是对某些事情的编码表现，那么在不理解编码与实际事情的对应关系的前提下，机器不可能对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，也不一定就真的像人一样有自我思维和自由意识。[295]

也有哲学家持不同看法。丹尼尔·丹尼特在《意识的解释》里认为，人也不过是一台有灵魂的机器，那为什么我们觉得“人可以有智能，普通机器就不能”呢？他认为，像上述那种数据转换机器，是有可能有思维和意识的。[296]

有的哲学家认为，如果弱人工智能是可实现的，强人工智能也是可实现的。比如西蒙·布莱克本在哲学入门教材Think里说，一个人“看起来”智能的行动，并不能真正说明这个人就是智能的；我们永远不可能知道另一个人是否真的像自己一样智能，还是她／他仅仅是“看起来”智能。基于这个论点，既然弱人工智能能让机器“看起来”智能，那就不能完全否定这机器真的有智能。布莱克本认为，这是个主观认定的问题。[297]

需要指出的是，弱人工智能并非和强人工智能完全对立：即使强人工智能是可能的，弱人工智能仍然有意义。至少，今天计算机能做的事，像算术运算等，在一百多年前是被认为很需要智能的。而且，就算强人工智能被证明是可能的，也不代表它一定能被研制出来。[298]

参看

[编辑]

参考文献

[编辑]

注解

[编辑]
  1. ^ "Electronic brain" was the term used by the press around this time.[86][88]
  2. ^ Daniel Crevier wrote, "the conference is generally recognized as the official birthdate of the new science."[91] Russell and Norvig called the conference "the inception of artificial intelligence."[90]
  3. ^ Russell and Norvig wrote "for the next 20 years the field would be dominated by these people and their students."[92]
  4. ^ Russell and Norvig wrote "it was astonishing whenever a computer did anything kind of smartish".[93]
  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[108] were championed by Hans Moravec[109] and Rodney Brooks[110] and went by many names: Nouvelle AI.[110] Developmental robotics,[111]
  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."[119]
  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.[121]

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. ^ 2.0 2.1 2.2 2.3 2.4 2.5 What is artificial intelligence (AI)?. IBM. [2026-08-15]. （原始内容存档于2026-08-11） （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]. （原始内容存档于2026-08-06） （英语）. 
  5. ^ 5.0 5.1 Dartmouth workshop: The proposal:
  6. ^ 6.0 6.1 Deep learning revolution, AlexNet:
  7. ^ 7.0 7.1 7.2 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 [2026-08-15]. （原始内容存档于2026-07-30）. 
  8. ^ 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. 
  9. ^ 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）. 
  10. ^ 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）. 
  11. ^ 针对研究智能代理的人工智能定义：
  12. ^ 12.0 12.1 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).
  13. ^ 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)
  14. ^ McCarthy对人工智能的定义：
  15. ^ 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）. 
  16. ^ Russell & Norvig 2003，chpt. 1
  17. ^ The Basic Components and Branches of AI. 2025-05-14 [2025-07-07]. （原始内容存档于2026-02-13）. 
  18. ^ 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."
  19. ^ Russell & Norvig 2003，chpt. 1
  20. ^ 20.0 20.1 这些智能的特征出自以下教材：
  21. ^ 强人工智能常出现在人工智能的导论中：
  22. ^ Russell & Norvig 2003，chpt. 1
  23. ^ Hartree, Douglas R. The ENIAC, an Electronic Computing Machine. Nature. 1946, 157 (3990): 527. 
  24. ^ Logic Circuits for a Transistor Digital Computer. Proceedings of the IRE. 1956. 
  25. ^ Corbató, Fernando J.; Daggett, Marjorie Merwin; Daley, Robert C. An Experimental Time-Sharing System. Proceedings of the Spring Joint Computer Conference (AFIPS). 1962. 
  26. ^ Microprocessor at 50: Looking Back and Looking Forward. IEEE Micro. 2021. 
  27. ^ 30th anniversary of the PC and the post-PC era. IEEE Computer. 2011 [2026-08-15]. （原始内容存档于2025-04-23）. 
  28. ^ 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. 
  29. ^ 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. 
  30. ^ Nickolls, John; Dally, William J. The GPU Computing Era. IEEE Micro. 2010, 30 (2): 56–69. doi:10.1109/MM.2010.41. 
  31. ^ A Survey on Machine Learning Accelerators and Evolutionary Hardware Platforms. IEEE Design & Test. 2022 [2026-08-15]. （原始内容存档于2026-03-14）. 
  32. ^ Russell & Norvig 2003，chpt. 1
  33. ^ Turing 1950
  34. ^ McCarthy et al. 1955
  35. ^ Newell & Simon 1963
  36. ^ Russell & Norvig 2003，chpt. 1
  37. ^ Crevier 1993
  38. ^ McCorduck 2004
  39. ^ Cortes, Corinna; Vapnik, Vladimir. Support-vector networks. Machine Learning. 1995, 20 (3): 273–297. doi:10.1007/BF00994018. 
  40. ^ Pearl, Judea. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann. 1988. 
  41. ^ A survey of machine learning for big data processing. EURASIP Journal on Advances in Signal Processing. 2016. doi:10.1186/s13634-016-0355-x. 
  42. ^ LeCun, Yann; Bengio, Yoshua; Hinton, Geoffrey. Deep learning. Nature. 2015, 521: 436–444. doi:10.1038/nature14539. 
  43. ^ 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. 
  44. ^ 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. 
  45. ^ 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. 
  46. ^ 46.0 46.1 Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J. Learning representations by back-propagating errors. Nature. 1986, 323: 533–536. doi:10.1038/323533a0. 
  47. ^ 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. 
  48. ^ Hochreiter, Sepp; Schmidhuber, Jürgen. Long short-term memory. Neural Computation. 1997, 9 (8): 1735–1780. doi:10.1162/neco.1997.9.8.1735. 
  49. ^ 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. 
  50. ^ Krizhevsky, Alex; Sutskever, Ilya; Hinton, Geoffrey E. ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems 25 (NeurIPS 2012). 2012 [2026-08-15]. （原始内容存档于2026-08-08）. 
  51. ^ Goodfellow, Ian; Pouget-Abadie, Jean; Mirza, Mehdi; et al. Generative adversarial nets. Advances in Neural Information Processing Systems 27 (NeurIPS 2014). 2014 [2026-08-15]. （原始内容存档于2025-02-22）. 
  52. ^ 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. 
  53. ^ Ho, Jonathan; Jain, Ajay; Abbeel, Pieter. Denoising diffusion probabilistic models. Advances in Neural Information Processing Systems 33 (NeurIPS 2020). 2020 [2026-08-15]. （原始内容存档于2026-07-14）. 
  54. ^ Backus, J. W.; et al. The FORTRAN automatic coding system. Proceedings of the Western Joint Computer Conference. 1957. doi:10.1145/1455567.1455599. 
  55. ^ 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. 
  56. ^ 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. 
  57. ^ 57.0 57.1 Cohen, Jacques. A tribute to Alain Colmerauer. Theory and Practice of Logic Programming. 2001-11, 1 (6) [2026-08-15]. ISSN 1475-3081. doi:10.1017/S1471068401001119. （原始内容存档于2025-11-24） （英语）. 
  58. ^ Kay, Alan C. The Early History of Smalltalk. History of Programming Languages Conference II (HOPL-II). 1993. doi:10.1145/154766.155364. 
  59. ^ Stroustrup, Bjarne. The C++ Programming Language. Addison-Wesley. 1985. ISBN 0-201-12078-X. 
  60. ^ Moler, Cleve; Little, Jack. A history of MATLAB. Proceedings of the ACM on Programming Languages. 2020, 4 (HOPL). doi:10.1145/3386331. 
  61. ^ 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. 
  62. ^ LJ Interviews Guido van Rossum. Linux Journal. 1998 [2026-08-15]. （原始内容存档于2023-03-30）. 
  63. ^ Pedregosa, Fabian; et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research. 2011, 12: 2825–2830 [2026-08-15]. （原始内容存档于2026-08-13）. 
  64. ^ 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 [2026-08-15]. （原始内容存档于2026-08-07）. 
  65. ^ Paszke, Adam; et al. PyTorch: An imperative style, high-performance deep learning library. Advances in Neural Information Processing Systems 32 (NeurIPS 2019). 2019 [2026-08-15]. （原始内容存档于2026-07-22）. 
  66. ^ 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. 
  67. ^ 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. 
  68. ^ Quillian, M. Ross. Semantic memory. Minsky, Marvin (编). Semantic Information Processing. MIT Press. 1968: 227–270. 
  69. ^ Quillian, M. Ross. Semantic memory. Minsky, Marvin (编). Semantic Information Processing. MIT Press. 1968: 227–270. 
  70. ^ Russell & Norvig 2003，chpt. 10
  71. ^ Minsky, Marvin. A framework for representing knowledge. Winston, Patrick Henry (编). The Psychology of Computer Vision. McGraw-Hill. 1975: 211–277. 
  72. ^ Pearl, Judea. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann. 1988. 
  73. ^ 73.0 73.1 73.2 Zadeh, Lotfi A. Fuzzy sets. Information and Control. 1965, 8 (3): 338–353. doi:10.1016/S0019-9958(65)90241-X. 
  74. ^ Baader, Franz; et al (编). The Description Logic Handbook: Theory, Implementation and Applications. Cambridge University Press. 2003. ISBN 978-0-521-78176-3. 
  75. ^ Berners-Lee, Tim; Hendler, James; Lassila, Ora. The Semantic Web. Scientific American. Vol. 284 no. 5. 2001: 34–43. 
  76. ^ 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)
  77. ^ Lewis, Patrick; et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems 33 (NeurIPS 2020). 2020 [2026-08-15]. （原始内容存档于2026-07-27）. 
  78. ^ 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. 
  79. ^ Shortliffe, Edward H. Computer-Based Medical Consultations: MYCIN. Elsevier. 1976. ISBN 978-0-444-00179-5. 
  80. ^ 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. 
  81. ^ Russell & Norvig 2003，chpt. 1
  82. ^ Advancing Decision-Making through AI-Human Collaboration: A Systematic Review and Conceptual Framework. 2025. 
  83. ^ 83.0 83.1 Wagner, William P. Trends in expert system development: A longitudinal content analysis of over thirty years of expert system case studies. Expert Systems with Applications. 2017-06-15, 76. ISSN 0957-4174. doi:10.1016/j.eswa.2017.01.028. 
  84. ^ 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. 
  85. ^ 85.0 85.1 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）. 
  86. ^ 86.0 86.1 Russell & Norvig 2021，第9页.
  87. ^ 87.0 87.1 87.2 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）. 
  88. ^ Google books ngram. [2024-05-20]. （原始内容存档于2023-07-27）. 
  89. ^ AI's immediate precursors:
  90. ^ 90.0 90.1 Russell & Norvig (2021)，第17页.
  91. ^ Crevier (1993)，第47–49页.
  92. ^ Russell & Norvig (2003)，第17页.
  93. ^ Russell & Norvig (2003)，第18页.
  94. ^ Successful programs the 1960s:
  95. ^ Newquist (1994)，第86页.
  96. ^ Simon (1965，第96页) quoted in Crevier (1993，第109页)
  97. ^ Minsky (1967，第2页) quoted in Crevier (1993，第109页)
  98. ^ Russell & Norvig (2021)，第21页.
  99. ^ Lighthill (1973).
  100. ^ NRC 1999，第212-213页.
  101. ^ Russell & Norvig (2021)，第22页.
  102. ^ First AI Winter, Lighthill report, Mansfield Amendment
  103. ^ Expert systems:
  104. ^ Funding initiatives in the early 1980s: Fifth Generation Project (Japan), Alvey (UK), Microelectronics and Computer Technology Corporation (US), Strategic Computing Initiative (US):
  105. ^ Second AI Winter:
  106. ^ Russell & Norvig (2021)，第24页.
  107. ^ Nilsson (1998)，第7页.
  108. ^ McCorduck (2004)，第454–462页.
  109. ^ Moravec (1988).
  110. ^ 110.0 110.1 Brooks (1990).
  111. ^ Developmental robotics:
  112. ^ 112.0 112.1 Uncertain reasoning:
  113. ^ Russell & Norvig (2021)，第25页.
  114. ^
  115. ^ Russell & Norvig (2021)，第26页.
  116. ^ Formal and narrow methods adopted in the 1990s:
  117. ^ AI widely used in the late 1990s:
  118. ^ Wang 2008
  119. ^ Wong (2023).
  120. ^ Moore's Law and AI:
  121. ^ 121.0 121.1 121.2 Clark (2015b).
  122. ^ Big data:
  123. ^ 123.0 123.1 123.2 123.3 UNESCO (2021).
  124. ^ Christian (2020)，第67, 73页.
  125. ^ 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）. 
  126. ^ 126.0 126.1 DiFeliciantonio (2023).
  127. ^ Here's where the A.I. jobs are. CNBC. 2023-04-05 [2026-08-15] （英语）. 
  128. ^ 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）. 
  129. ^ 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）. 
  130. ^ 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）. 
  131. ^ 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））. 
  132. ^ 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]. （原始内容存档于2026-08-15） （中文）. 
  133. ^ The Second Wave of EU AI Act Requirements are In Force: Five Things Business Should Know. Debevoise & Plimpton. 2025-08-05 [2026-08-15]. （原始内容存档于2026-08-15） （英语）. 
  134. ^ OpenAI releases new flagship AI model GPT-5. 新华社. 2025-08-08 [2026-08-15]. （原始内容存档于2026-08-15） （英语）. 
  135. ^ 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]. （原始内容存档于2026-08-15） （中文）. 
  136. ^ Introducing Claude Sonnet 4.5. Anthropic. 2025-09-29 [2026-08-15] （英语）. 
  137. ^ GPT-5.1: A smarter, more conversational ChatGPT. OpenAI. 2025-11-12 [2026-08-15]. （原始内容存档于2026-08-16） （英语）. 
  138. ^ 谷歌发布最新AI模型Gemini 3. 新华网. 2025-11-20 [2026-08-15]. （原始内容存档于2026-08-15） （中文）. 
  139. ^ Introducing Claude Opus 4.5. Anthropic. 2025-11-24 [2026-08-15]. （原始内容存档于2026-01-16） （英语）. 
  140. ^ 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]. （原始内容存档于2026-08-15） （英语）. 
  141. ^ Claude Opus 4.6. Anthropic. 2026-02 [2026-08-15]. （原始内容存档于2026-07-05） （英语）. 
  142. ^ OpenAI launches GPT-5.4, its most powerful model for enterprise work. Fortune. 2026-03-05 [2026-08-15]. （原始内容存档于2026-07-18） （英语）. 
  143. ^ 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]. （原始内容存档于2026-08-15） （中文）. 
  144. ^ 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]. （原始内容存档于2026-08-15） （中文）. 
  145. ^ Introducing GPT-5.5. OpenAI. 2026-05 [2026-08-15]. （原始内容存档于2026-08-15） （中文（繁体））. 
  146. ^ DeepSeek-V4-Pro 正式版上线. 深度求索. [2026-08-15]. （原始内容存档于2026-08-13）. 
  147. ^ 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]. （原始内容存档于2026-08-15） （中文）. 
  148. ^ GPT-6 系列模型指南. OpenAI. 2026-09-29 [2026-10-03] （中文（中国大陆））. 
  149. ^ Introducing Claude Opus 5.5. www.anthropic.com. [2026-10-03] （英语）. 
  150. ^ Problem solving, puzzle solving, game playing and deduction:
  151. ^ Intractability and efficiency and the combinatorial explosion（英语：combinatorial explosion）:
  152. ^ Psychological evidence of sub-symbolic reasoning:
  153. ^ Brooks 1990
  154. ^ Russell & Norvig 2003，chpt. 10
  155. ^ 155.0 155.1 Davis, Randall; Shrobe, Howard; Szolovits, Peter. What is a knowledge representation?. AI Magazine. 1993, 14 (1): 17–33. doi:10.1609/aimag.v14i1.1029. 
  156. ^ Planning（英语：automated planning and scheduling）:
  157. ^ Information value theory（英语：Applied information economics）:
  158. ^ Classical planning:
  159. ^ Planning and acting in non-deterministic domains: conditional planning, execution monitoring, replanning and continuous planning:
  160. ^ Multi-agent planning and emergent behavior:
  161. ^ 161.0 161.1 What is machine learning?. IBM. [2026-08-15]. （原始内容存档于2026-08-06） （英语）. 
  162. ^ 162.0 162.1 What is natural language processing?. IBM. [2026-08-15]. （原始内容存档于2024-12-14） （英语）. 
  163. ^ Russell & Norvig 2003，chpt. 25
  164. ^ Artificial Intelligence In Robotics. Socratica. [2026-08-15] （英语）. 
  165. ^ Machine perception:
  166. ^ Computer vision:
  167. ^ Speech recognition:
  168. ^ Object recognition（英语：Object recognition）:
  169. ^ Kismet. MIT Artificial Intelligence Laboratory, Humanoid Robotics Group. [2012-10-12]. （原始内容存档于2014-10-17）. 
  170. ^ Russell & Norvig 2003，chpt. 17
  171. ^ Emotion AI, explained. MIT Media Lab. [2026-08-15]. （原始内容存档于2026-08-15） （英语）. 
  172. ^ Computational Creativity. VUB Artificial Intelligence Lab. [2026-08-15]. （原始内容存档于2026-08-15） （英语）. 
  173. ^ Nils Nilsson（英语：Nils Nilsson (researcher)）写道："Simply put, there is wide disagreement in the field about what AI is all about"（简而言之，对于人工智能的核心究竟是什么，学界存在广泛分歧）(Nilsson 1983，第10页)。
  174. ^ 174.0 174.1 174.2 174.3 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).
  175. ^ 175.0 175.1 Neats vs. scruffies（英语：Neats vs. scruffies）:
  176. ^ 176.0 176.1 Symbolic vs. sub-symbolic AI:
  177. ^ Haugeland 1985，第255页.
  178. ^ 存档副本. [2012-10-13]. （原始内容存档于2017-11-05）. 
  179. ^ Wang, Pei. 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）. 
  180. ^ Russell & Norvig 2003，chpt. 1
  181. ^ 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.
  182. ^ Russell & Norvig 2003，chpt. 1
  183. ^ Haugeland 1985，第112–117页
  184. ^ Russell & Norvig 2003，chpt. 1
  185. ^ 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）.
  186. ^ Russell & Norvig 2003，chpt. 1
  187. ^ Cognitive simulation, Newell and Simon, AI at CMU (then called Carnegie Tech):
  188. ^ Soar (history):
  189. ^ McCarthy and AI research at SAIL（英语：Stanford Artificial Intelligence Laboratory） and SRI International:
  190. ^ AI research at Edinburgh and in France, birth of Prolog:
  191. ^ AI at MIT under Marvin Minsky in the 1960s :
  192. ^ Cyc:
  193. ^ 193.0 193.1 Knowledge revolution:
  194. ^ Expert systems:
  195. ^ 195.0 195.1 Embodied approaches to AI:
  196. ^ Revival of connectionism:
  197. ^ Computational intelligence（英语：Computational intelligence）
  198. ^ 形式方法是当前首选的（"简约派的胜利"）:
  199. ^ 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）. 
  200. ^ 200.0 200.1 Agent architecture（英语：Agent architecture）s, hybrid intelligent system（英语：hybrid intelligent system）s:
  201. ^ 201.0 201.1 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. 
  202. ^ Russell & Norvig 2003，chpt. 24
  203. ^ Russell & Norvig 2003，chpt. 22
  204. ^ Russell & Norvig 2003，chpt. 18
  205. ^ Davies, E. R. Computer and Machine Vision: Theory, Algorithms, Practicalities. Academic Press. 2012. ISBN 978-0-12-386908-1. 
  206. ^ Maltoni, Davide; Maio, Dario; Jain, Anil K.; Prabhakar, Salil. Handbook of Fingerprint Recognition 2nd. Springer. 2009. ISBN 978-1-84882-253-5. 
  207. ^ 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. 
  208. ^ 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. 
  209. ^ 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. 
  210. ^ 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. 
  211. ^ 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. 
  212. ^ Ghallab, Malik; Nau, Dana; Traverso, Paolo. Automated Planning: Theory and Practice. Morgan Kaufmann. 2004. ISBN 978-1-55860-856-6. 
  213. ^ 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. 
  214. ^ 214.0 214.1 Artificial intelligence in local government services: Public perceptions from Australia and Hong Kong. Government Information Quarterly. 2023, 40 (3): 101833. doi:10.1016/j.giq.2023.101833 （英语）. 
  215. ^ 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. 
  216. ^ Systematizing heterogeneous expert knowledge, scenarios and goals via a goal-reasoning artificial intelligence agent for democratic urban land use planning. Cities. 2019 [2026-08-15]. （原始内容存档于2024-04-21）. 
  217. ^ 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. 
  218. ^ 218.0 218.1 DeMichele, Matthew; Silver, Ian A.; Parkin, William. Learning to predict violence: Deep learning approaches to violent crime prediction during pretrial release. Criminology & Public Policy. 2026, 25 (3). ISSN 1745-9133. doi:10.1111/1745-9133.70022 （英语）. 
  219. ^ Control theory in the era of intelligent systems: Applications, trends, and future directions. Annual Reviews in Control. 2026. 
  220. ^ Humanoid Robots and Humanoid AI: Review, Perspectives and Directions. ACM Computing Surveys. 2025. doi:10.1145/3770574. 
  221. ^ Autonomous mobile robots in intelligent warehousing: Workflow-centric integration for Industry 5.0 logistics. Advanced Engineering Informatics. 2026. 
  222. ^ Koza, John R. Survey of genetic algorithms and genetic programming. Proceedings of the WESCON '95 Conference. 1995 [2026-08-15]. （原始内容存档于2026-05-15）. 
  223. ^ Artificial Intelligence Applied in Legal Information: A Systematic Mapping Study. Journal of Computer Science & Technology. 2022 [2026-08-15]. （原始内容存档于2026-05-16）. 
  224. ^ 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. 
  225. ^ Global physician perspectives on artificial intelligence in healthcare across 50 countries and territories. npj Digital Medicine. 2026. doi:10.1038/s41746-026-02726-y. 
  226. ^ 人工智慧有多恐怖？聽聽「天才」Demis Hassabis 怎麼說！. INSIDE 硬塞的网络趋势观察. [2016-04-15]. （原始内容存档于2018-09-03） （中文（台湾））. 
  227. ^ 美國無人的士事故不斷. 大公报. 2026-02-22 [2026-08-15]. （原始内容存档于2026-08-15） （中文（繁体））. 
  228. ^ Elon Musk says artificial intelligence is like "summoning the demon". CBS News. 2014-10-27 [2026-08-15]. （原始内容存档于2026-08-15） （英语）. 
  229. ^ Microsoft's Bill Gates insists AI is a threat. BBC News. 2015-01-29 [2026-08-15]. （原始内容存档于2015-01-29） （英语）. 
  230. ^ 彭慧明. AlphaGo贏棋王 靠兩大密技. 经济日报. 2016-03-19 [2016-04-15]. （原始内容存档于2016-04-26） （中文（台湾））. 
  231. ^ Docherty, Bonnie. Losing Humanity: The Case Against Killer Robots. Human Rights Watch. 2012 [2026-08-15]. （原始内容存档于2016-02-04）. 
  232. ^ Sid Weng. 專家憂人工智慧武器成「殺人機器」 多國研商限制規範. 关键评论网. 2014-11-13 [2016-04-15]. （原始内容存档于2016-04-27） （中文（台湾））. 
  233. ^ 萧乔云. 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. 2015-10-22 [2016-04-15]. （原始内容存档于2021-02-13） （中文（台湾））. 
  234. ^ Transcript of Amy Webb Interview on Peter McCormack Show: Work Is About to Break. SingjuPost. [2026-08-15]. （原始内容存档于2026-07-12） （英语）. 
  235. ^ 日近半職業 將被人工智慧取代. 中国时报. 2015-12-03 [2016-04-15]. （原始内容存档于2021-02-13） （中文（台湾））. 
  236. ^ 人工智慧：提前到來的職業殺手. Evans Data. [2016-04-15]. （原始内容存档于2019-05-11） （中文（台湾））. 
  237. ^ 中時-馬雲談AI的風險. [2017-06-23]. （原始内容存档于2017-06-22）. 
  238. ^ 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）. 
  239. ^ The Data Incubator. [2026-08-15]. （原始内容存档于2024-01-24） （英语）. 
  240. ^ 240.0 240.1 Meta scientist Yann LeCun says AI won't destroy jobs forever. BBC News. 2023-05-26 [2026-08-15]. （原始内容存档于2026-08-15） （英语）. 
  241. ^ 241.0 241.1 Stephen Hawking warns artificial intelligence could end mankind. BBC News. 2014-12-02 [2026-08-15]. （原始内容存档于2015-10-30） （英语）. 
  242. ^ 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]. （原始内容存档于2026-08-15） （中文）. 
  243. ^ Intelligent Computing: The Latest Advances, Challenges, and Future. Intelligent Computing. 2023 [2026-08-15] （英语）. 
  244. ^ Searle 1980
  245. ^ 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. 
  246. ^ 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）. 
  247. ^ Reports. Sensity. [2022-05-07]. （原始内容存档于2022-05-19） （美国英语）. 
  248. ^ 「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）. 
  249. ^ 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）. 
  250. ^ 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)
  251. ^ 252.0 252.1 Stanford University (2023).
  252. ^ Kissinger (2021).
  253. ^ Altman, Brockman & Sutskever (2023).
  254. ^ 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）. 
  255. ^ AI Act enters into force. European Commission. [2025-08-11]. （原始内容存档于2026-08-14） （英语）. 
  256. ^ 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）. 
  257. ^ Edwards (2023).
  258. ^ Kasperowicz (2023).
  259. ^ Fox News (2023).
  260. ^ Milmo, Dan. Hope or Horror? The great AI debate dividing its pioneers. The Guardian Weekly. 2023-11-03: 10–12. 
  261. ^ 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）. 
  262. ^ 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）. 
  263. ^ Second global AI summit secures safety commitments from companies. Reuters. 2024-05-21 [2024-05-23]. （原始内容存档于2026-08-19）. 
  264. ^ 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）. 
  265. ^ UN launches independent scientific panel on artificial intelligence. UN News. 2026-03-03 [2026-03-07]. （原始内容存档于2026-08-01）. 
  266. ^ Russell & Norvig 2003，chpt. 1
  267. ^ Reclaiming AI as a Theoretical Tool for Cognitive Science. Computational Brain & Behavior. 2024. doi:10.1007/s42113-024-00217-5. 
  268. ^ Russell & Norvig 2003，chpt. 1
  269. ^ Carleo, Giuseppe; et al. Machine learning and the physical sciences. Reviews of Modern Physics. 2019, 91 (4). doi:10.1103/RevModPhys.91.045002. 
  270. ^ Russell & Norvig 2003，chpt. 1
  271. ^ Russell & Norvig 2003，chpt. 1
  272. ^ Sociological Perspectives on AI, Intelligence and Communication. Systems Research and Behavioral Science. 2025. doi:10.1002/sres.3123. 
  273. ^ Russell & Norvig 2003，chpt. 22
  274. ^ Russell & Norvig 2003，chpt. 3
  275. ^ Russell & Norvig 2003，chpt. 7
  276. ^ Russell & Norvig 2003，chpt. 11
  277. ^ Russell & Norvig 2003，chpt. 18
  278. ^ Russell & Norvig 2003，chpt. 21
  279. ^ Russell & Norvig 2003，chpt. 24
  280. ^ 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)
  281. ^ 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. 
  282. ^ Langton, Christopher G. (编). Artificial Life. Addison-Wesley. 1989. ISBN 978-0-201-09346-9. 
  283. ^ Russell & Norvig 2003，chpt. 1
  284. ^ Complex & Intelligent Systems. Complex & Intelligent Systems (Springer). [2026-08-15]. （原始内容存档于2026-08-07）. 
  285. ^ Holland, John H. Adaptation in Natural and Artificial Systems. University of Michigan Press. 1975. ISBN 978-0-472-08460-9. 
  286. ^ 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. 
  287. ^ Russell & Norvig 2003，chpt. 1
  288. ^ Searle 1980
  289. ^ Searle 1980
  290. ^ Russell & Norvig 2003，chpt. 26
  291. ^ 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. 
  292. ^ Russell & Norvig 2003，chpt. 26
  293. ^ Searle 1980
  294. ^ Searle 1980
  295. ^ Dennett 1991
  296. ^ Blackburn, Simon. Think: A Compelling Introduction to Philosophy. Oxford University Press. 1999. ISBN 978-0-19-210024-5. 
  297. ^ Russell & Norvig 2003，chpt. 26

来源

[编辑]
中文书
教材
人工智能历史
报道与报告
  • Clark, Jack. Why 2015 Was a Breakthrough Year in Artificial Intelligence. Bloomberg News. 2015-12-08 （英语）. 
  • Goldman, Sharon. 10 years later, deep learning 'revolution' rages on, say AI pioneers. CNET. 2022-09-14 （英语）. 
  • Notes from the AI frontier: Applications and value of deep learning. McKinsey Global Institute. 2018-04 [2026-08-15] （英语）. 
  • Wong, Matteo. Deep Learning's Diminishing Returns. The Atlantic. 2023 （英语）. 
  • DiFeliciantonio, Chelsea. AI has been in a 'boom.' Will it end in a 'bust'?. San Francisco Chronicle. 2023-04-01 （英语）. 
  • Edwards, Benj. Poll: 61% of Americans say AI threatens humanity's future. Ars Technica. 2023 （英语）. 
  • Kasperowicz, Peter. Regulate AI? GOP much more skeptical than Dems that government can do it right: poll. Fox News. 2023 （英语）. 
  • Fox News. Fox News Poll: More see bad than good in AI. 2023 [2026-08-15] （英语）. 
  • Kissinger, Henry A.; Schmidt, Eric; Huttenlocher, Daniel. The Challenge of Being Human in the Age of AI. The Wall Street Journal. 2021-11 （英语）. 
  • Altman, Sam; Brockman, Greg; Sutskever, Ilya. Governance of Superintelligence. OpenAI. 2023-05-22 [2026-08-15] （英语）. 
  • Stanford University HAI. Artificial Intelligence Index Report 2023. 斯坦福大学以人为本人工智能研究院. 2023-04 [2026-08-15] （英语）. 
  • UNESCO. UNESCO Science Report: The Race Against Time for Smarter Development. Paris: UNESCO Publishing. 2021-06 （英语）. 
  • The Law Library of Congress, Global Legal Research Directorate. Regulation of Artificial Intelligence in Selected Jurisdictions. Library of Congress. 2019-01 （英语）. 
政策与机器人学文献
  • Berryhill, Jamie; Kok Heang, Kévin; Clogher, Rob; McBride, Keegan. Hello, World: Artificial Intelligence and its Use in the Public Sector. OECD Working Papers on Public Governance (Paris: OECD Publishing). 2019-04, (36) （英语）. 
  • Barfield, Woodrow; Pagallo, Ugo (编). Research Handbook on the Law of Artificial Intelligence. Cheltenham: Edward Elgar Publishing. 2018 （英语）. 
  • Iphofen, Ronal; Kritikos, Mihalis. Regulating artificial intelligence and robotics: ethics by design in a digital society. Contemporary Social Science. 2019 （英语）. 
  • Wirtz, Bertram W.; Weyerer, Jan C.; Geyer, Charlotte. Artificial Intelligence and the Public Sector—Applications and Challenges. International Journal of Public Administration. 2018 （英语）. 
  • Buiten, Miriam C. Towards Intelligent Regulation of Artificial Intelligence. European Journal of Risk Regulation. 2019, 10 (1): 41–59 （英语）. 
  • Weng, Juyang; McClelland, James; Pentland, Alex; Sporns, Olaf; et al. Autonomous mental development by robots and animals. Science. 2001, 291 (5504): 599–600. doi:10.1126/science.291.5504.599 （英语）. 
  • Lungarella, Max; Metta, Giorgio; Pfeifer, Rolf; Sandini, Giulio. Developmental robotics: a survey. Connection Science. 2003, 15 (4): 151–190 （英语）. 
  • Asada, Minoru; Hosoda, Koh; Kuniyoshi, Yasuo; Ishiguro, Hiroshi; et al. Cognitive developmental robotics: a survey. IEEE Transactions on Autonomous Mental Development. 2009, 1 (1): 12–34 （英语）. 
  • Oudeyer, Pierre-Yves; Baranes, Adrien; Kaplan, Frédéric. Intrinsically motivated exploration for developmental and active sensorimotor learning. From Motor Learning to Interaction Learning in Robots. Berlin: Springer. 2010 （英语）. 
其他

扩展阅读

[编辑]
Scholia上有关人工智能（Q11660）的信息

外部链接

[编辑]
取自“https://zh.wikipedia.org/w/index.php?title=人工智能&oldid=94730569”