多智時(shí)代創(chuàng)新下的人工智能發(fā)展路徑探索

摘要：該文探討了多智時(shí)代對(duì)人工智能發(fā)展的影響，分析了其主要研究方向，包括智能模擬、群體智能、計(jì)算智能和類腦智能，并提出了優(yōu)化人工智能科技創(chuàng)新體系的策略，強(qiáng)調(diào)了基礎(chǔ)理論創(chuàng)新、核心技術(shù)突破和技術(shù)融合創(chuàng)新的重要性。多智時(shí)代所具備的海量數(shù)據(jù)、強(qiáng)大算力和高度互聯(lián)的網(wǎng)絡(luò)基礎(chǔ)設(shè)施，為人工智能發(fā)展提供了前所未有的機(jī)遇，同時(shí)也帶來(lái)了新的挑戰(zhàn)。該文深入分析了這些機(jī)遇和挑戰(zhàn)，并對(duì)人工智能未來(lái)的發(fā)展路徑進(jìn)行了探索。

關(guān)鍵詞：人工智能；多智時(shí)代；技術(shù)融合；創(chuàng)新體系

中圖分類號(hào)：TP18" " " " 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）19-0045-03

開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID）

0 引言

當(dāng)前世界正經(jīng)歷著前所未有的數(shù)字化轉(zhuǎn)型，海量數(shù)據(jù)、高速網(wǎng)絡(luò)和強(qiáng)大的計(jì)算能力共同構(gòu)成了一個(gè)全新的“多智時(shí)代”。這一時(shí)代為人工智能的發(fā)展提供了前所未有的機(jī)遇和挑戰(zhàn)。多智時(shí)代所具備的強(qiáng)大計(jì)算能力、海量數(shù)據(jù)資源和高度互聯(lián)的網(wǎng)絡(luò)基礎(chǔ)設(shè)施，正在深刻地改變著人工智能的研究范式和應(yīng)用場(chǎng)景，推動(dòng)著人工智能技術(shù)以指數(shù)級(jí)的速度向前發(fā)展。

1 多智時(shí)代對(duì)人工智能產(chǎn)生的影響

多智時(shí)代對(duì)人工智能發(fā)展的影響體現(xiàn)在探索、應(yīng)用和市場(chǎng)轉(zhuǎn)型三個(gè)相互關(guān)聯(lián)的方面。強(qiáng)大的算力、海量數(shù)據(jù)和高度互聯(lián)的網(wǎng)絡(luò)基礎(chǔ)設(shè)施顯著加速了人工智能的探索進(jìn)程，降低了研究門檻，促進(jìn)了模型訓(xùn)練和算法優(yōu)化，并通過(guò)國(guó)際合作與知識(shí)共享加速了技術(shù)突破。與此同時(shí)，物聯(lián)網(wǎng)、5G通信和移動(dòng)互聯(lián)網(wǎng)等技術(shù)的發(fā)展，極大地?cái)U(kuò)展了人工智能的應(yīng)用覆蓋面，提升了應(yīng)用的精準(zhǔn)度和可靠性，支持了實(shí)時(shí)人工智能應(yīng)用的普及，拓展了市場(chǎng)空間和用戶群體。深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等技術(shù)的進(jìn)步，結(jié)合大數(shù)據(jù)分析，不僅催生了新的商業(yè)模式和產(chǎn)業(yè)生態(tài)，也推動(dòng)了傳統(tǒng)產(chǎn)業(yè)的轉(zhuǎn)型升級(jí)，如智能制造和智慧農(nóng)業(yè)，從而提升了生產(chǎn)效率和產(chǎn)品質(zhì)量，形成了良性循環(huán)，進(jìn)一步促進(jìn)了人工智能技術(shù)的持續(xù)發(fā)展和市場(chǎng)規(guī)模的擴(kuò)張。這種探索、應(yīng)用和市場(chǎng)轉(zhuǎn)型的良性互動(dòng)，構(gòu)成了多智時(shí)代人工智能蓬勃發(fā)展的核心驅(qū)動(dòng)力。

2 多智時(shí)代人工智能的主要研究方向

2.1 智能模擬

為了加速人工智能算法的研發(fā)和優(yōu)化，構(gòu)建高效的AI指令集模擬器至關(guān)重要。該模擬器需要提供方便易用的外部配置接口，以便研發(fā)人員進(jìn)行參數(shù)設(shè)置和調(diào)用。其核心功能在于精確模擬SIMT（單指令多線程） 架構(gòu)，包括模擬多線程結(jié)構(gòu)的地址空間和內(nèi)存管理機(jī)制，并實(shí)現(xiàn)高密度并行指令流的執(zhí)行。模擬器必須能夠完整地模擬AI指令集中的所有指令，并對(duì)每條指令的執(zhí)行結(jié)果進(jìn)行嚴(yán)格的正確性驗(yàn)證，以確保仿真模擬結(jié)果的可靠性。此外，為了方便調(diào)試，模擬器還需提供查看任意線程內(nèi)部指令流執(zhí)行信息的機(jī)制（如圖1） ，以便研發(fā)人員快速定位和解決問(wèn)題。

2.2 群體智能

群體智能研究受自然界中群體行為的啟發(fā)，例如鳥群的協(xié)同飛行、魚群的集群游動(dòng)以及蟻群的覓食路徑規(guī)劃。這些群體中的個(gè)體通常具備相對(duì)簡(jiǎn)單的行為規(guī)則，但通過(guò)局部交互和信息共享，能夠涌現(xiàn)出復(fù)雜的全局行為，從而高效地解決問(wèn)題。群體智能的核心在于利用大量簡(jiǎn)單個(gè)體的集體智慧，實(shí)現(xiàn)全局優(yōu)化，其效率往往遠(yuǎn)超單個(gè)個(gè)體。

主要研究方向包括粒子群優(yōu)化（PSO） 算法和蟻群算法（ACO） 。PSO算法模擬鳥群覓食行為，通過(guò)個(gè)體間的速度和位置信息更新，迭代尋找到全局最優(yōu)解。它在工程優(yōu)化、數(shù)據(jù)分析和機(jī)器學(xué)習(xí)領(lǐng)域得到廣泛應(yīng)用，例如用于優(yōu)化電力系統(tǒng)調(diào)度、設(shè)計(jì)高效的航空發(fā)動(dòng)機(jī)以及訓(xùn)練深度學(xué)習(xí)模型的超參數(shù)。近年來(lái)，改進(jìn)型PSO算法，如自適應(yīng)PSO和多群體PSO，不斷涌現(xiàn)，進(jìn)一步提升了算法的效率和魯棒性。

蟻群算法（ACO） 則模擬蟻群尋找食物的過(guò)程，通過(guò)信息素的積累和更新，最終找到最優(yōu)路徑。ACO算法在路徑規(guī)劃、車輛調(diào)度和網(wǎng)絡(luò)路由等方面展現(xiàn)出強(qiáng)大的優(yōu)勢(shì)。例如，它被應(yīng)用于城市交通流量?jī)?yōu)化、物流配送路徑規(guī)劃以及網(wǎng)絡(luò)安全中的入侵檢測(cè)[1]。目前，ACO算法的研究重點(diǎn)在于解決其易陷入局部最優(yōu)解的問(wèn)題，并提高算法的收斂速度和適應(yīng)性。

2.3 計(jì)算智能

計(jì)算智能旨在模擬人類智能的某些方面，例如學(xué)習(xí)、推理和決策能力，并將其應(yīng)用于解決實(shí)際問(wèn)題。它并非試圖完全復(fù)制人腦，而是借鑒人類智能的某些特征，構(gòu)建能夠處理復(fù)雜問(wèn)題的計(jì)算模型。

主要研究方向包括模糊邏輯和進(jìn)化計(jì)算。模糊邏輯處理不確定性和模糊信息，它不同于傳統(tǒng)的二元邏輯，允許變量取值范圍在0到1之間[2]，從而更好地模擬現(xiàn)實(shí)世界中的模糊性和不確定性。模糊邏輯廣泛應(yīng)用于控制系統(tǒng)，例如洗衣機(jī)、空調(diào)等家用電器的模糊控制，以及醫(yī)療診斷、模式識(shí)別等領(lǐng)域。近年來(lái)，模糊邏輯與深度學(xué)習(xí)的結(jié)合成為研究熱點(diǎn)，例如模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用。

2.4 類腦智能

類腦智能主要研究方向包括神經(jīng)形態(tài)計(jì)算、腦機(jī)接口和認(rèn)知架構(gòu)。腦機(jī)接口技術(shù)連接人腦和計(jì)算機(jī)，實(shí)現(xiàn)人腦與外部設(shè)備的直接交互。它可以用于輔助殘疾人恢復(fù)功能，例如控制假肢或義肢，也可以用于增強(qiáng)人類能力，例如提高認(rèn)知能力或進(jìn)行更精細(xì)的操作。腦機(jī)接口技術(shù)目前正處于快速發(fā)展階段，其應(yīng)用場(chǎng)景不斷拓展。

認(rèn)知架構(gòu)研究模擬人腦的認(rèn)知過(guò)程，構(gòu)建能夠?qū)W習(xí)、推理、規(guī)劃和決策的智能系統(tǒng)。它試圖構(gòu)建一個(gè)完整的智能系統(tǒng)框架，而非僅僅關(guān)注單個(gè)認(rèn)知功能。認(rèn)知架構(gòu)的研究對(duì)人工智能的整體發(fā)展具有重要的指導(dǎo)意義。目前的研究重點(diǎn)在于構(gòu)建更通用、更魯棒的認(rèn)知架構(gòu)，并將其應(yīng)用于更廣泛的領(lǐng)域。

3 優(yōu)化人工智能科技創(chuàng)新體系

3.1 基礎(chǔ)理論創(chuàng)新

現(xiàn)階段的人工智能大多是專用人工智能，只能在特定任務(wù)上表現(xiàn)出色，缺乏泛化能力和自主學(xué)習(xí)能力。通用人工智能的目標(biāo)是創(chuàng)造能夠像人類一樣進(jìn)行學(xué)習(xí)、推理和解決問(wèn)題的智能系統(tǒng)。實(shí)現(xiàn)通用人工智能需要在多個(gè)方面取得突破，包括：發(fā)展更強(qiáng)大的學(xué)習(xí)算法，使其能夠從少量數(shù)據(jù)中學(xué)習(xí)并快速適應(yīng)新環(huán)境；構(gòu)建能夠處理多種信息類型（例如文本、圖像、語(yǔ)音） 的混合智能系統(tǒng)；設(shè)計(jì)能夠進(jìn)行自主規(guī)劃和決策的智能體。這需要對(duì)人工智能的基本理論進(jìn)行深入研究，例如認(rèn)知架構(gòu)、知識(shí)表示和推理等，并探索新的計(jì)算范式，例如脈沖神經(jīng)網(wǎng)絡(luò)[3]；同時(shí)，研究神經(jīng)元間的學(xué)習(xí)機(jī)制和信息編碼方式，如公式（1） 所示，該公式描述了神經(jīng)元膜電位的變化。通過(guò)對(duì)神經(jīng)元膜電位動(dòng)態(tài)變化的建模，可以理解神經(jīng)元的信息處理機(jī)制，并將其應(yīng)用于神經(jīng)形態(tài)芯片的設(shè)計(jì)和神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建。

為了評(píng)估神經(jīng)形態(tài)芯片的性能，可以通過(guò)向所有神經(jīng)元發(fā)送脈沖輸入，使其產(chǎn)生脈沖，并統(tǒng)計(jì)輸出的脈沖幀總數(shù)來(lái)確定芯片實(shí)際支持的神經(jīng)元數(shù)目。這需要考慮神經(jīng)形態(tài)算法的具體組成部分（神經(jīng)元和突觸） 以及芯片的網(wǎng)絡(luò)結(jié)構(gòu)。這種方法可以有效地評(píng)估神經(jīng)形態(tài)芯片的規(guī)模和計(jì)算能力。

[Vjt=Vjt-1+i=1NAit·Wi，j-λj]" " "（1）

式中：[Vjt]為時(shí)刻t第j個(gè)神經(jīng)元的膜電位，N為軸突總數(shù)，[Ait]為t時(shí)刻第i個(gè)軸突的脈沖輸入，[Wi，j]為連接第i個(gè)軸突和第j個(gè)神經(jīng)元的突觸權(quán)重，[λj] ?為神經(jīng)元j的泄露值。

3.2 核心技術(shù)突破

人工智能領(lǐng)域的快速發(fā)展，尤其體現(xiàn)在大規(guī)模預(yù)訓(xùn)練模型在自然語(yǔ)言處理和圖像識(shí)別等領(lǐng)域的顯著突破上[4]。近年來(lái)，這一趨勢(shì)深刻地改變了處理和理解信息的方式。自然語(yǔ)言處理，作為人工智能的核心分支，其進(jìn)步很大程度上依賴于對(duì)知識(shí)的有效利用?？梢詫⒆匀徽Z(yǔ)言處理中所使用的狹義知識(shí)劃分為三大類：語(yǔ)言知識(shí)、常識(shí)知識(shí)和世界知識(shí)。語(yǔ)言知識(shí)，例如詞典和規(guī)則庫(kù)（如WordNet） ，包含了語(yǔ)言本身的結(jié)構(gòu)和規(guī)則，為自然語(yǔ)言理解提供基礎(chǔ)框架。常識(shí)知識(shí)則更為復(fù)雜，它代表著人類普遍認(rèn)知的常識(shí)性信息。這類知識(shí)通常難以直接從文本數(shù)據(jù)中挖掘，需要借助如Cyc項(xiàng)目等龐大的知識(shí)庫(kù)進(jìn)行人工構(gòu)建和維護(hù)（表1） 。與之相對(duì)，世界知識(shí)則更容易從文本數(shù)據(jù)中提取。

在算法層面，早期自然語(yǔ)言處理主要依賴淺層機(jī)器學(xué)習(xí)方法，例如支持向量機(jī)（SVM）和條件隨機(jī)場(chǎng)（CRF），這些方法需要人工提取特征，工作量大且效率有限。深度學(xué)習(xí)的興起徹底改變了這一局面，多層感知機(jī)（MLP）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）等模型能夠自動(dòng)學(xué)習(xí)并歸納特征，極大地提高了模型的性能和泛化能力。此外，一些專門針對(duì)自然語(yǔ)言處理任務(wù)設(shè)計(jì)的算法，例如CKY算法和MST算法（表1） ，利用語(yǔ)言知識(shí)來(lái)提高解析效率和準(zhǔn)確性。

數(shù)據(jù)的質(zhì)量和數(shù)量同樣至關(guān)重要。高質(zhì)量地標(biāo)注數(shù)據(jù)，例如通過(guò)專家標(biāo)注或眾包獲得的Penn TreeBank語(yǔ)料庫(kù)，能夠有效地訓(xùn)練監(jiān)督學(xué)習(xí)模型。然而，標(biāo)注數(shù)據(jù)的獲取成本高昂且耗時(shí)，因此，大量的無(wú)標(biāo)注數(shù)據(jù)，例如互聯(lián)網(wǎng)上的海量文本，以及通過(guò)數(shù)據(jù)增廣技術(shù)生成的偽數(shù)據(jù)，也成為預(yù)訓(xùn)練模型的重要訓(xùn)練資源。預(yù)訓(xùn)練語(yǔ)言模型正是充分利用了這些無(wú)標(biāo)注數(shù)據(jù)，通過(guò)自監(jiān)督學(xué)習(xí)的方式，學(xué)習(xí)到豐富的語(yǔ)言知識(shí)和世界知識(shí)，并最終在各種下游任務(wù)中取得了優(yōu)異的成果。

3.3 技術(shù)融合創(chuàng)新

實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)下的智能決策，大數(shù)據(jù)為人工智能算法提供了豐富的訓(xùn)練數(shù)據(jù)，而人工智能則為大數(shù)據(jù)的分析和利用提供了強(qiáng)大的工具。這種融合的核心在于構(gòu)建高效的數(shù)據(jù)處理和分析框架，能夠從海量、異構(gòu)的數(shù)據(jù)中提取有價(jià)值的信息，并將其用于智能決策。例如，人工智能算法能夠處理海量交易數(shù)據(jù)和用戶行為數(shù)據(jù)，例如股票交易記錄、信用卡消費(fèi)記錄、貸款申請(qǐng)信息等，并從中提取有價(jià)值的模式和信息[5]。這些數(shù)據(jù)涵蓋了交易時(shí)間、交易金額、交易頻率、用戶地理位置、消費(fèi)偏好等多個(gè)維度。通過(guò)先進(jìn)的機(jī)器學(xué)習(xí)算法，如支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林等，系統(tǒng)可以識(shí)別異常交易行為，預(yù)測(cè)潛在的市場(chǎng)風(fēng)險(xiǎn)，例如信用違約風(fēng)險(xiǎn)、市場(chǎng)波動(dòng)風(fēng)險(xiǎn)和欺詐風(fēng)險(xiǎn)等。為了實(shí)現(xiàn)上述目標(biāo)，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。

[Xi=Xi-1-Xi+12Δt]" " " " " " " （2）

[X=Xi-Xσ，i=1，2，...，N]" " " " "（3）

[Xi=Xi-minxmax-xmin，i=1，2，...，N]" " （4）

公式（2） 表示一種中心差分法，用于計(jì)算數(shù)據(jù)序列中每個(gè)點(diǎn)的斜率[Xi]。具體而言，對(duì)于一個(gè)數(shù)據(jù)序列xi，其第i個(gè)點(diǎn)的斜率近似計(jì)算，其中：Δt表示時(shí)間間隔。該方法可以有效地反映數(shù)據(jù)的局部變化趨勢(shì)，例如識(shí)別股票價(jià)格的短期波動(dòng)。

公式（3） 表示對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。式中，X?表示數(shù)據(jù)的均值，σ表示數(shù)據(jù)的標(biāo)準(zhǔn)差。標(biāo)準(zhǔn)化后的數(shù)據(jù)[X]具有零均值和單位方差，這消除了不同變量之間量綱差異的影響，便于不同量綱數(shù)據(jù)的比較和分析，例如將股票價(jià)格與交易量進(jìn)行比較。

公式（4） 表示對(duì)數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)映射到[0，1]區(qū)間內(nèi)，這通過(guò)公式實(shí)現(xiàn)，其中：xmin 和xmax 分別表示數(shù)據(jù)的最小值和最大值。歸一化處理在某些機(jī)器學(xué)習(xí)算法中是必要的，例如神經(jīng)網(wǎng)絡(luò)，因?yàn)樗梢蕴岣咚惴ǖ氖諗克俣群头€(wěn)定性。這些預(yù)處理步驟對(duì)于提高模型的準(zhǔn)確性和穩(wěn)定性至關(guān)重要。進(jìn)一步的研究可以探索更先進(jìn)的數(shù)據(jù)預(yù)處理方法，例如小波變換和主成分分析等，以進(jìn)一步提升模型的性能。

這些數(shù)據(jù)預(yù)處理方法是人工智能在金融領(lǐng)域應(yīng)用的基礎(chǔ)，確保了模型能夠有效地學(xué)習(xí)和利用數(shù)據(jù)，從而提高預(yù)測(cè)精度和決策效率。

4 結(jié)束語(yǔ)

多智時(shí)代為人工智能發(fā)展提供了前所未有的機(jī)遇，同時(shí)也帶來(lái)了新的挑戰(zhàn)。本文分析了多智時(shí)代對(duì)人工智能的影響，探討了其主要研究方向以及優(yōu)化人工智能科技創(chuàng)新體系的策略。未來(lái)，需要加強(qiáng)基礎(chǔ)理論研究，突破核心技術(shù)瓶頸，促進(jìn)技術(shù)融合創(chuàng)新，才能更好地推動(dòng)人工智能技術(shù)發(fā)展。此外，可以進(jìn)一步研究提升人工智能模型的可解釋性和魯棒性，發(fā)展更具通用性和自主學(xué)習(xí)能力的智能系統(tǒng)，以及解決人工智能倫理和安全等問(wèn)題。

參考文獻(xiàn)：

[1] 王濤.多智時(shí)代創(chuàng)新下的人工智能發(fā)展路徑探索[J].數(shù)字化用戶，2023（33）：13-14.

[2] 李世龍.基于預(yù)訓(xùn)練語(yǔ)言模型的知識(shí)表示學(xué)習(xí)[D].北京：北京交通大學(xué)，2023.

[3] 車萬(wàn)翔，劉挺.自然語(yǔ)言處理新范式：基于預(yù)訓(xùn)練模型的方法[J].中興通訊技術(shù)，2022，28（2）：3-9.

[4] 耿浩昆.人工智能（AI）指令集模擬器關(guān)鍵技術(shù)研究[D].西安：西安電子科技大學(xué)，2021.

[5] 白裕彤，程輝，葉貞成.基于RNN補(bǔ)償器的欠驅(qū)動(dòng)過(guò)程控制方法應(yīng)用[J].控制工程，2024，31（10）：1768-1776.

【通聯(lián)編輯：代影】