发布时间：2023-03-15 15:02:48
序言：写作是分享个人见解和探索未知领域的桥梁，我们为您精选了8篇的人工智能论文样本，期待这些样本能够为您提供丰富的参考和启发，请尽情阅读。
人工智能是近年来随着计算机技术的不断发展的一个学科分支，是新兴的高科技技术。人工智能与纳米科学以及基因工程被人们称之为二十一世纪的三大尖端科技。人工智能的研究范围涉及较广，在诸多不同的领域都有涉及，比如：数学、认识科学、哲学、心理学以及计算机科学等多门学科，不同学科领域以人工智能为信息交流平台，进行相互的影响渗透，进而形成一门具有综合性质的科学。因此，人工智能也可以称之为社会科学与自然科学的交叉科学。人工智能主要是通过对计算机的研究，对人的某些思维以及智能行为进行模拟的学科，其主要被应用在专家系统、语言的理解、智能控制、遗传编程机器人工厂以及机器人技术等方面。一般而言，对于人工智能的研究的主要目的就是让机器代替人做一些复杂的工作。电气工程的研究长久以来都局限在电气化的方面，随着现代化科学技术的进步以及信息计算机技术的发展，电气工程自动化中逐渐向人工智能的趋势发展，通过引入人工智能进入电气工程自动化的领域，对人类大脑进行模拟并进行数据与信息的分析、收集、处理以及反馈，经过信息的自动化生产，进而提高电气工程的生产效益，进而推动电气工程产业结构的优化与升级。
2.人工智能在电气工程自动化中的应用
2.1人工智能在电气产品优化设计中的应用在电气工程运行过程中，进行电气设备的设计是十分复杂的，其设计不但对电气自动化的各个专业学科与内容有所设计，而且要求电气设备设计人员具有较高的专业文化知识以及丰富的设计经验，进行电气设备的设计只有把电气知识、经验以及科学进行有机的融合，才能够对电气产品的科学性有所保障。人工智能在电气产品设计中的应用有效的对一些依靠人脑无法迅速解决的复杂计算以及模拟过程进行解决，进而大大的缩短了产品设计的周期，提高电气工程的工作效率，并且设计出的电气产品极具科学性与实用性。专家系统对于电气工程的开发性设计有积极的意义，而遗传算法主要应用于产品的优化设计，在进行产品设计的过程中，要求设计人员应该具备设计经验以及较强的智能软件应用的能力，从而便于依据不同情况的沾边选择不同的算法对产品进行高质量的设计。
2.2人工智能在电气设备故障诊断中的应用在进行电气设备故障的诊断时，电气企业通常会使用人工智能中的人工神经网络、模糊理论以及专家系统的引用，其应用诊断的范围包含：发电机、电动机、变压器等的故障诊断。在电气设备中，电气工程遇到故障问题时，所呈现的现象是相对复杂的，运用传统的处理技术很难对问题进行及时准确的查找与判断，人工智能技术对于这种问题科技进行高效的解决，例如：当发电机的设备出现故障时，故障所呈现的不确定性、复杂性以及非线性的特征都是可以通过人工智能中的专家系统以及模糊理论进行综合的处理，人工智能技术大大的提升了电气设备故障诊断的准确性。
2.3电气工程运行过程中的智能控制目前，在电气工程的自动化中智能控制的应用已经十分广泛，逐渐的发展成为电气工程自动化领域中的未来趋势。由于电气设备的控制工作比较复杂且极具综合性，对控制系统的技术含量以及计算的精确度都有比较高的标准，通过对人工智能中的模糊理论、人工神经网络以及专家系统的综合应用，有效的提高了电气设备的计算精度以及计算速度，不仅有利于节约电气企业的资源，而且对实现电气企业资源的优化配置具有积极的意义。
2.4人工智能在电力系统中的应用在电力系统中应用比较普遍的人工智能主要有：启发式探索、专家系统、人工神经网络以及模糊理论。其具体的应用主要表现为：一是，专家系统。作为一个十分复杂的程序系统，专家系统集知识、规则以及经验于一体，主要工作程序是通过运用电气系统中某领域的专业经验以及专业知识对所遇问题进行分析与判断，接着进行专家决策的模拟，对需要专家解决的问题进行处理，而且在专家系统的使用过程中，应该依据现实情况对系统中的知识库、数据库以及规则库的信息与数据进行更新，从而使用电力系统的应用需要。二是，人工神经网络。其学习的方式十分灵活，存储方式也是呈现分布式，在大规模的信息处理中得到广泛的应用，人工神经网络具有较强的识别与分类能力，对与模型进行合理的分类并进行科学的选择，同时其与元件进行关联分析相结合能够对复杂的电力系统进行故障的诊断，而且能对故障进行识别与定位。三是，模糊理论。模糊理论主要应用于系统规划、潮流计算以及模糊控制之中。有利于操作界面的优化以及工作流程的简化，而系统可以进行自动日志与报表的生成与保存，进而提高系统日常操作的效率，对系统的安全运行具有积极的作用。
3.总结
自二十世纪九十年代以来，意识问题受到高度关注，众多的哲学家、心理学家与神经科学家在此领域开展深入的研究工作。与此同时，人们也开始使用计算方法试图让机器装置拥有意识能力。这类研究逐渐被称为“机器意识”的研究。早期有关机器意识的研究比较初步，研究工作较少得到学术界的认同，甚至早些年提到“机器意识”还有不合时宜的顾虑。
尽管哲学上关于“机器意识”有着不同观点的争论，但随着研究工作的不断深入，一些有远见的专家学者开始充分认识到开展机器意识研究的重要意义，并专门撰文进行了精辟论述。比如，英国皇家学院电子工程系的Aleksander教授根据学术界从上世纪九十年代到本世纪对机器意识态度的转变，指出机器意识的影响与日俱增，并预计了机器意识对科学与技术发展的潜在影响，特别是在改变人们对意识的理解、改进计算装置与机器人概念等方面的贡献尤为重大。
无独有偶，美国伊利诺伊大学哲学系Haikonen教授则专门撰文强调机器意识是新一代信息技术产业发展的新机遇，他认为新产品与系统的发展机会起因于信息技术的发展，而现有的人工智能基于预先编程算法，机器与程序并不能理解其所执行的内容。显而易见，不考虑意识就没有对自身行为的理解，而机器意识技术的涌现可以弥补这一缺失，因此机器意识技术可以为信息技术产业的发展提供新的契机。意大利巴勒莫大学机器人实验室的Chella教授则指出，开展机器意识不仅是一种技术挑战，也是科学和理论上开展人工智能和机器人研究的新途径。最近，土耳其中东技术大学的Gök和Sayan两位学者进一步认为，开展机器意识的计算建模研究还有助于推进对人类意识现象的理解，推动构建更加合理的意识理论。
上述这些学者的论述，无疑说明，机器意识研究不但对深化人工智能的研究有着重要的推动作用，对从科学上解释神秘的意识现象也同样具有非同寻常的意义。正因为机器意识研究有着如此重要的科学意义和推动未来信息技术革新的潜在价值，随着最近十年的研究发展，该领域已经成为学界广泛关注的热点。与此同时，数量相当可观的研究成果和实验系统已逐步形成，有些成果已经被运用到实际机器认知系统的开发之中。机器意识研究已经成为了人工智能最为前沿的研究领域。
机器意识研究的现状分析
2006年之前的有关机器意识的研究状况，英国皇家学院电子工程系的研究团队已经做过了比较全面的综述。因此，我们这里主要就在此之后国际上有关机器意识的研究概况和发展趋势进行分析。据我们的文献检索，截止到2015年底，在机器意识研究领域发表过的学术论文超过350余篇，其中最近十年发表的论文占了一半以上。归纳起来，由于对意识的哲学解释不同，目前机器意识方面的主流研究往往是以某种意识科学理论为出发点的具体建模研究和实现。由于涉及到的文献过多，无法一一列举，我们仅就一些影响较大的典型研究进行分析。
在意识科学研究领域，一种较早的理论观点是用量子机制来解释意识现象，这样的出发点也波及到有关机器意识建模的研究。利用量子理论来描述意识产生机制的有效性并不是说物质的量子活动可以直接产生意识，而是强调意识产生机制与量子机制具有跨越尺度的相似性。近年来，意识的量子模型发展又有了新的动向。比如，作为量子意识理论的进一步发展，中国科学院电子学研究所的高山(Gao Shan)提出了意识的一种量子理论，研究了量子塌缩与意识之间的关系，假定量子塌缩是一种客观的动态过程。日本Akita国际大学的Schroeder另辟蹊径，在构建统一意识模型中不涉及量子力学的量子相干性方面做出了全新的探索，主要目标是说明现象意识能够依据量子力学的物理解释，用量子力学的形式化代数性质来描述。此外，俄罗斯Lebedev物理研究所的Michael B. Mensky利用意识的量子概念提出了一种主观选择的数学模型，说明意识和超意识的特性如何能够通过简单的数学模型给出。当然，更多的是有关意识量子机制描述的可能性争论，正反两方面的观点都有。特别是在2012年的Physics of Life Reviews第9卷第3期，以Baars和Edelman所著论文“Consciousness， biology and quantum hypotheses”为核心，10余名相关领域的学者分别撰文对是否能够通过量子机制来描述意识现象展开了多方位的辩论。最近，Susmit Bagchi从分布式计算的角度，较为全面地讨论了生物演化与量子意识之间的关系。遗憾的是，迄今为止，学术界对此问题尚未达成一致的结论。
在机器意识研究中，第二种有重大影响的理论观点就是全局工作空间理论。全局工作空间理论(Global workspace theory)是由美国加利福尼亚大学圣地亚哥分校神经科学研究所的Baars研究员1988年提出的意识解释理论。在该理论的指导下，由Baars、Franklin和Ramamurthy等人组成的研究团队开展了长达20多年的机器意识研究工作，最终开发完成了LIDA认知系统。
LIDA(Learning Intelligent Distribution Agent)是在该研究团队等人早期开发的IDA(Intelligent Distribution Agent)基础上发展起来的，主要依据Baars全局工作空间理论，采用神经网络与符号规则混合计算方法，通过在每个软件主体建立内部认知模型来实现诸多方面的意识认知能力，如注意、情感与想象等。该系统可以区分有无意识状态，是否有效运用有意识状态，并具备一定的内省反思能力等。从机器意识的终极目标来看，该系统缺乏现象意识的特征，比如意识主观性、感受性和统一性均不具备。
指导机器意识研究的第三种重要理论观点是意识的信息整合理论。意识的信息整合理论是美国威斯康星—麦迪逊大学精神病学的Tononi教授1998年提出的。自该理论提出以来，不少研究团队以信息整合理论为依据，采用神经网络计算方法来进行机器意识的研究工作。其中，典型代表有英国Aleksander教授的研究团队和美国Haikonen教授的研究团队所开展的系统性研究工作。英国皇家学院的Aleksander教授领导的研究团队长期开展机器意识的研究工作，发表相关论文30余篇。早期的研究主要给出了有关意识的公理系统及其神经表征建模实现，比较强调采用虚拟计算机器来建模意识。最近几年，Aleksander研究团队采取仿脑策略，强调信息整合理论的运用，建立了若干仿脑(brain-inspired)意识实现系统，更好地实现了五个意识公理的最小目标。美国伊利诺伊大学哲学系Haikonen教授的研究团队则主要采用联想神经网络来进行机器意识系统的构建工作。自1999年以来，该团队开展了富有成效的研究工作。Haikonen教授在所提出的认知体系模型的基础上，构建了一个实验型认知机器人XCR-1系统。应该说，虽然Haikonen所开展的机器意识研究的出发点是为了揭示意识现象本性，但他的成果却是目前机器意识研究领域最为典范的工作之一。
在意识科学研究中，也有学者将人类的意识能力看作是一种高阶认知能力，提出意识的高阶理论。在机器意识研究中，以这样的高阶理论为指导，往往会采用传统的符号规则方法来建立某种具有自我意识的机器系统。其中，一个比较系统的研究工程就是意大利巴勒莫大学机器人实验室的Chella教授用10年时间开发的Cicerobot机器人研究项目。该机器人实现了一种自我意识的认知结构机制，该机制主要由三个部分构成：亚概念感知部分、语言处理部分和高阶概念部分。通过机器人的高阶感知(一阶感知是指对外部世界的直接感知，高阶是对机器人内部世界的感知)，就形成了具有自我反思能力的机器人。这项研究工作的主要特点是将逻辑形式化方法与概念空间组织相结合，强调对外部事物的一种心理表征能力，并对外部环境进行内部模拟。在高阶认知观点的自我意识建模研究方面，另一个做出突出贡献的是美国乔治梅森大学的Samsonovich教授率领的研究团队。该团队经过10余年的研究，开发了一个仿生认知体系GMU-BICA(George Mason University-Biologically Inspired Cognitive Architecture)。在该系统中定义的心理状态不但包含内容，还包含主观观察者，因此该系统拥有“自我”意识的主观能力。系统实验是利用所提出的认知结构模型来控制虚拟机器人完成一些简单的走迷宫活动，机器人可以表现出具有人类意识所需要的行为。相比而言，与Cicerobot机器人强调自我意识是反思能力的概念不同，GMU-BICA系统则将自我意识理解为“自我”的意识。当然，不管是Cicerobot还是GMU-BICA，这样的高阶认知模型往往对心理扫视、主观体验与统一意识等意识本质方面的表现兼顾不足。
除了上述介绍的这些有代表性的研究外，对于机器意识研究而言，还有如何判定机器具有意识能力的检验问题，这是目前机器意识研究领域十分重要的一个方面。显然，要判断开发的机器意识系统是否真正具备预期的意识能力，就需要开展相应的意识特性分析、评判标准建立以及检测方法实现等方面的研究工作。在这方面，由于目前对意识现象的认识存在许多争议，对于意识评测特性分析方面也难以有统一的认识。因此，目前的机器意识特性需求分析也比较零散。倒是在评判标准的建立方面，西班牙卡洛斯三世马德里大学计算机科学系Arrabales教授的研究团队做出了比较系统的研究。该团队自2008年开始就在这方面开展意识特性分析，给出了计算人工意识的一种量化测量方法ConsScale以及对感受质的功能性刻画。之后，该团队又进一步提出了ConsScale的修订版，并讨论了在机器中产生感受质和现象意识状态的可能性。最终，该团队成功构建了CERA-CRANIUM认知体系(采用意识全局工作空间理论建模)来检验产生的视觉感受质以及实现的内部言语。所有的这些成果为机器意识能力的初步检测提供了一种实用的标准。当然，也有将镜像认知看作是机器拥有自我意识能力的一种检测标准，该理论的依据是人类和其他一些动物能够在镜子中认出自己，这一能力被看作是拥有自我意识的明证。因此，Haikonen认为在镜像中的自我识别，即镜像测验，也可以用来确认机器潜在的自我意识能力。于是，在意识能力检测方法的研究中，许多研究工作都是通过镜像测试来确定意识能力的。但也有研究认为，镜像测验并不能证明意识能力的存在，要证明机器具有意识能力还需要通过更加复杂的测验。比如，Edelman就提出三种意识检验的途径，即意识的语言报告、神经生理信号以及意识行为表现。
总而言之，机器意识的研究主要围绕量子涌现机制、全局工作空间、信息整合理论、意识高阶理论以及意识能力检测这五个方面展开的。从研究的策略来看，主要分为算法构造策略(Algorithm)与仿脑构造策略(Brain-Inspiration)两种途径。从具体的实现方法上，主要可以分为三类：一是采用类神经网络的方法；二是采用量子计算方法；三是采用规则计算方法。虽然经过20多年的发展，机器意识的研究取得了众多的研究成果，但相对于人类意识表现方面，目前机器意识能力的表现还是非常局限的。根据笔者以及土耳其中东技术大学的Gök和Sayan发表的论文，目前机器意识系统主要具备的能力都是功能意识方面的，偶尔涉及自我意识和统一性意识(很难说是否真正实现了)。可见，意识计算模型的研究还有很长的路要走，特别是关于内省反思能力、可报告性能力、镜像认知能力、情感感受能力以及主观性现象等，这些方面更加需要进一步的研究和探索。
人类意识能力的唯识学分析
人类意识能力的基础是神经活动，尽管神经活动本身是意识不到的，也不是所有的神经活动都能产生意识，但神经活动却能够产生有意识的心理活动，这便形成了人类的意识能力。
根据现有的相关科学与哲学研究成果，人类意识的运行机制大致是这样的：物质运动变化创生万物，生物的生理活动支持着神经活动，神经活动涌现意识(有意识的心理活动)，意识感受生理表现并指导意向性心智活动的实现，从而反观认知万物之理。除了心理活动所涉及的神经系统外，主要的心理能力包括感觉(身体感受)、感知(对外部事物的感知能力，包括视、听、味、嗅、触)、认知(记忆、思考、想象等)、觉知(反思、意识、自我等)、情感(情绪感受)、行为(意志、愿望、等)、返观(禅观、悟解)等。
必须强调的是，迄今为止，对有意识的心理能力最为系统解析的学说体系并非是现在的脑科学研究，而是起源于古印度的唯识学。唯识学所研究的对象就是心识问题，相当于本文界定的有意识的心理活动。如图1所示，其理论体系主要包括五蕴八识的心法体系。
第一，前五识归为色蕴，对应的心法称为色法，相当于当代心理学中的感知，其意识的作用称为五俱意识(所谓“俱”，就是伴随)。如果这种感知是真实外境的感知，则其伴随性意识称为同缘意识；如果是有错觉的感知，则称不同缘意识；如果这种感知活动产生后像效应，则称为五后意识(属于不相应法)。一般而言，色蕴对应的心理活动都是有意向对象的，因此属于意向心理活动。
第二，受蕴是一种心所法(具体的心理能力)，主要是指身体与情感状态的感受。注意这里要区分身识中的身体状态感受与色蕴是完全不同的心理能力，身识相当于触觉，是一种感知能力，而身体状态的感受不是感知能力，而是感受身体疼痛、暖冷等的体验能力。受蕴的心理活动，虽然具有意识，但不具有意向对象，因此不属于意向性心理活动。
第三，想蕴是另一种心所法，用现代认知科学的话讲，就是狭义的思维能力，如思考、记忆、想象等，属于认知的高级阶段，显然是属于意向性心理活动。
第四，行蕴也是一种心所法，主要指一切造作之心，用现代认知科学的话讲，如动机、欲望、意愿、行为等。唯识学中的“行”，与“业”的概念相互关联，一般分为三种，即身业(行动)、语业(说话)和意业(意想)，但都强调有意作为的方面，因此行蕴也属于意向性心理活动。
第五，识蕴是整体统一的心法，更加强调的是后两识(第七末那识、第八阿赖耶识)的心法，现代西方的认知科学尚无对应的概念。主要强调的是自我意识，特别是返观能力，即对根本心识的悟解能力。
总之，色蕴是色法(感知能力)，受蕴、想蕴、行蕴都是心所法(具体的心理能力)，它们本身就是具有意识的心理活动(统归于心法)，其中色法的意识作用是伴随性的五俱意识，其他三蕴的意识作用与伴随性的意识则又有不同，称为独散意识(受蕴、想蕴、行蕴所涉及的意识，是一种周遍性意识活动)。
当然，如果所有意识作用出现在梦中，唯识学中则另外称之为梦中意识(做梦时的意识活动，属于不相应法)。在唯识学的五蕴学说中，识蕴比较复杂，它是唯识理论特别单列的一种根本心法，除了强调自我意识的末那识“我执”外，更是强调达到定中意识的阿赖耶识“解脱”，属于去意向性心理活动。
总之，从意向性的角度看，我们的心理能力可以分为无意向性的受蕴，意向性的色蕴(前五识)、想蕴、行蕴，元意向性的意识以及去意向性的识蕴。其中，识蕴是一种特定的禅悟能力，对其性质的认识与禅宗的心法观有关。
机器意识研究面临的困境
对于目前的人工智能研究而言，我们涉及到的心智能力，如果按照五蕴分类体系来分析，那么大致只有色蕴、想蕴与行蕴中的部分能力。如果考虑目前有关机器意识的研究，也仅仅涉及到五俱同缘的伴随性意识、想蕴与行蕴中的独散意识、识蕴中的自我意识以及意识活动本身的机制问题，其他意识比如不相应法的梦中意识、五后意识、定中意识、五俱不同缘意识等都没有涉及。
根据上述有关心识能力的唯识学分析，对于机器而言，真正困难的机器意识实现问题是受蕴性独散心识(体验性意识能力)与识蕴性心识两个方面，一个涉及无意向心理活动的表征问题，一个涉及去意向性心理活动的表征问题，这两方面都是目前计算理论与方法无法解决的问题。反过来讲，机器最有可能实现的心智能力部分应当是那些具有意向性的心识能力(色蕴、想蕴与行蕴)，即唯识学心法中的色法与若干心所法。
很明显，意向性心理活动一定伴随有意向对象，于是就有可能对此进行计算表证，并完成相关的某种计算任务。因此，反过来说，我们认为意向性心理能力是人工智能的理论限度(是上界，但并非是上确界)，机器实现的人类意识能力不可能超越意向性心识的范围。这也就是本文观点讨论的基点，并具体给出如下方面论据的分析。
首先，我们来分析心智机器的成功标准。从我们的立场看，如果要构建具有人类心智能力的机器，成功的标准起码应该通过图灵测验。主要理由是，由于“他心知”问题的存在，行为表现可能是唯一的判断标准，此时图灵测验不失为一种可行的测试途径，关键是“巧问”的设计。原则上，图灵测验通过言行交流，这是人类之间默认具有心智能力的唯一途径。再者，根据摩根准则，在没有把握的情况下，宁肯选择比较简单的解释。因而，对图灵测验的解释中，也必须注意摩根准则，诸如机器思维或者机器经过思考的行动这类有关心智能力的假设在大多数情况下应该丢弃。
现在我们就来一场图灵测验，看看机器到底会遭遇什么样的困境。为了看清本质，我们的提问异常简单，就是进行如下提问(所谓“多大年纪”思想实验，参见笔者以前的文章“重新发现图灵测验的意义”)：你多大年纪？此时会发生怎样复杂的情形呢？当提问者一而再、再而三不断重复这一问题时，机器很快就会暴露出其致命的缺陷，就是缺乏不可预见性反应能力。那么，面对这么简单的提问，机器为什么会无所适从呢？其实这跟机器形式系统的局限性有关。众所周知，图灵机是个形式系统，而哥德尔不完全性说明足够复杂的形式系统不能证明某些真命题。这是否说明人的某些知识是计算机器永远不能得到的？或者反过来说，是否说明不是所有的知识都能形式化呢？这样就引出了如下第二个论据的讨论。
从形式系统角度看，确实存在不可计算(证明)的问题，而且是大量的，但这些问题对于人类同样也是不可计算(证明)的。比如图灵停机问题，如果换成了人，结果是一样的。至于知识，可能首先要分清知识的含义与性质，知识是动词还是名词，要不要考虑元知识？如果这样看待知识，那么肯定不是所有知识都可以形式化的。因此，我们可以发现，问题不在于形式系统是否有局限性，而在于对于意识现象能不能给出一致性的形式描述。
那么，我们可以对人类的意识现象给出一致性描述吗？回答显然是否定的。因为在人类的意识现象中，存在着意识的自反映心理现象：我们的意识活动是自明性的。从逻辑上讲，如果一个系统允许自涉，那么该系统一定是不一致的，也就是说无法对该系统给出一致性的形式化描述。其实，人类的心理活动本来就是建立在神经集群活动的自组织涌现机制之上的。因此，出现意识的自明性现象是必然的。这也就是美国哲学家普特南给出“钵中之脑”思想实验所要说明的道理。比如，对于“我们都是钵中之脑”命题，在事先并不知晓这一事实的前提下，使用知道逻辑的反证法，可以明确加以否定。因此，我们人类的意识能力，显然不可能为机器所操纵。这样，由于计算机器形式化能力的局限性，靠逻辑机器是不可能拥有人类全部意识能力的，起码意识的自明性能力不可能为机器所拥有。
进一步，作为第三个论据讨论，我们再来看人类的意义指称能力问题。我们需要明确的问题是：机器能处理符号，但它能真正理解符号所代表的意义吗？如果人的概念依赖于人类的躯体和动机(涉身性认知)，那机器怎么可能掌握它们呢？这个问题主要是指机器是否能够拥有指称能力。塞尔的“中文之屋”提出了反对意见。其实这个问题的关键还是要弄清什么是“意义”？如果意义是指所谓抽象的“概念”内涵而非表征形式，那么就必然存在一条语义鸿沟，因为机器内部能够处理或变换的只是不同的形式语言而已。但如果意义是指“行为表现”，那么这个问题就回到了上面图灵测验的第一个论据上去了。
人类语言表达意义不在语言形式本身，而在于意识能力。正因为这样，才会有许多超出常规的意义表达方式。从根本上讲，我们也不必一一列举机器难以拥有的指称能力，诸如矛盾性言辞、元语言表述以及整体性语境等难以一致性描述的状况；而只需指出，机器不可能拥有人类的终极指称能力即可。那么什么是终极指称能力呢？宋代临济宗禅师惠洪在《临济宗旨》中指出：“心之妙不可以语言传，而可以语言见。盖语言者，心之源、道之标帜也。标帜审则心契，故学者每以语言为得道浅深之候。”其中所谓的“心之妙”者，就是终极指称。由于超越了概念分别，是难以用语言来描述的，这就为形式化描述带来了根本的困境。
第四个论据的讨论涉及到所谓预先设定程序的问题。我们知道，目前的机器只能遵循给定的程序运行(预先设定的程序)，这样的话，机器又怎么可能拥有真正的创造性和灵活性？也许人工智能的目的就是要让机器的“计算”更加“聪明”，但目前预先设定程序的机器不可能是灵活的，更不用说创造性能力了。显然，事情越有规则，机器就越能掌控，这就是预先设定程序的界限。比如对于表面复杂结构的分形图案，由于可以靠简单规则加以迭代产生，机器就可以靠预先编程规则自如产生。但是对于人类常常出现的出错性，由于毫无规律可言，机器便不可能预先加以编程，机器也就不可能拥有出错性了。人是易于犯错误的，而机器按照设定的程序运行，永远不会出错，这就是预先编程的一个致命弱点，这也是第一个论据讨论中机器无法通过图灵测验的根本原因。
要知道出错性表面上似乎是一个负面品质，但其实质上则包含着灵活性和创造性，是一切新事物涌现机制的基础。如果没有生物基因的出错性，自然选择就没有了作用的对象，繁复的生物多样性也就无从谈起。同样，如果没有了思想模因的出错性，文化选择也同样没有了作用的对象，博大的思想多样性同样无从谈起。可见，出错性是机器难以企及人类心智能力的一个分界线，而这一切都归结为机器的预先编程的局限性。
同样的道理，由于预先编程问题，也带来了机器不可能真正拥有情感能力的新问题，这也构成了机器难以拥有人类心识能力的第五个论据。我们知道，情感从某种意义上讲就是常规理性活动过程中的“出错性”，是非理性的，但基于逻辑的机器是理性的。也许人们会说，非理性的情感在心理表现中是不重要的，甚至是不起作用的。但我们要强调，即使是理性思维，情感和其他非理性因素也在其中扮演重要角色(倾向性指导作用)。如果说理性的认知能力是前进的方向，那么非理性的情感能力就是前进的动力，人类的心理活动中岂可或缺情感能力？！而对于机器而言，缺少了情感能力，机器怎么能够像人类一样思维？！
机器是逻辑的，难以体现情感本性，目前有关情感的计算只是实现了情感的理性成份。笔者比较赞同这样的观点：理智是方向性的舵手，情感是驱动性的马达，在航行中情感与理智相互依存。因此，如果情感不能计算，那么也谈不上实现人类意识的计算，因为情感难以计算的本质就是意识的感受问题。
机器能拥有意识能力吗
通过上述对机器实现人类心智能力所面临的困境的讨论，就可以进一步引申出机器是否能够跟人类一样拥有意识能力的问题。为了避免陷入不必要的信念之争，笔者认为学术辩论主要应对事实或可能事实开展分析讨论。由于计算机器的概念相对明确，争论的焦点多半会聚焦到有关人类“意识能力”的界定之上。所以，下面先给出笔者所理解的人类“意识能力”的分析描述，然后再围绕着我们讨论的主题，展开观点的陈述。
意识包括功能意识、自我意识和现象意识，其中功能意识大体上涉及到意向性的心理能力，除了前面已经讨论过的五个论据外，似乎并不存在特别的新困难。但自我意识和现象意识则不同，由于涉及到去意向性和非意向性的表征问题，这便构成了机器心识的最大困扰。首先，我们要清楚“自我意识”不是关于“自我”的意识，而是一种自身内省反思能力。因此，自我意识是意识的核心功能。其次，我们必须澄清所谓的“体验意识(qualia)”到底指什么？是精神的本性，还是虚构的对象？这涉及到哲学基本问题，非常复杂，观点纷呈。机器能否拥有意识能力的核心问题，其实就在于此。
由于涉及到心灵的一些本质问题，机器意识研究一开始就引起了哲学领域的广泛关注，有专家专门讨论机器意识研究的哲学基础，也有学者讨论机器意识会面临的困难，包括像意识(consciousness)、感受质(qualia)和自我觉知(self-awareness)这些回避不了的、显而易见的困难问题，以及一些与意识相关的认知加工，如感知、想象、动机和内部言语等方面的技术挑战。除此之外，更多的则是延续早期对人工智能的哲学反思，对机器意识的可能性提出质疑。涉及到强弱人工智能之争、人工通用智能问题、意识的难问题、“中文之屋”悖论的新应用、人工算法在实现意识能力方面的局限性、蛇神机器人不可能拥有主观性、现象意识等众多方面的争论。
那么机器能够拥有这种现象意识状态吗？对于现象意识的存在性问题，有截然相左的两种观点。一种是神秘论的观点，认为我们神经生物系统唯一共有的就是主观体验，这种现象意识是不可还原为物理机制或逻辑描述的，靠人类心智是无法把握的。另一种是取消论的观点，认为机器仅仅是一个蛇神(zombie)而已，除了机器还是机器，不可能具有任何主观体验的东西。在这两种极端观点之间，还存在各种不同偏向的观点，如还原论、涌现论、唯心论、二元论，等等。其实，依笔者看来，无需做上述复杂的讨论，只须从意向性的角度来看，便可以澄清机器意识的可能性问题。笔者观点是，凡是具有意向性的心理能力，理论上机器均有可能实现，反之则肯定不能实现。因为一旦缺少了意向对象，机器连可表征的内容都不存在，又如何形式化并进行计算呢！
通过上述分析讨论，可以发现，机器意识难以达成的主要困境可以归纳为这样三个方面。第一个是形式化要求，特别是一致性要求导致的局限性，使得机器智能局限于具有意向性的心识能力，如色蕴、想蕴、行蕴。第二个则是机器缺乏不预见性的反应能力，只能通过预先设定的程序来应对环境。第三个就是无法拥有终极指称能力，无法实现去意向性的识蕴能力。最后补充一点则是，对于涉及到现象意识的感受性能力(受蕴)，由于没有意向对象可以作为形式化的载体，因而对其进行的计算完全无从入手。
于是，我们可以很清楚地看到，意向性就是实现机器意识能力的一条不可逾越之界线。用数学的术语说，机器能够拥有的意识能力的上界就是意向性心识能力。当然这并非是上确界，因为不可预见性的反应能力也属于意向性能力，但从前面的分析中可以看出，目前基于预先编程的机器仍然无法拥有不可预见的反应能力。或许我们可以期待更为先进的量子计算机器来突破预先编程能力，但意向性心识能力的边界，依然是无法突破的。
因此，当我们把目前有关机器意识的研究分为面向感知能力实现的、面向具体特定意识能力实现的、面向意识机制实现的、面向自我意识实现的以及面向受蕴能力实现的这五个类别时，就可以同唯识学中意识的五蕴学说相对比，从而更加清楚地认识其中的本质问题所在。我们的结论是，对于机器意识的研究与开发，应当搁置有争论的主观体验方面(身心感受)的实现研究，围绕意向性心识能力(环境感知、认知推理、语言交流、想象思维、情感发生、行为控制)，采用仿脑与量子计算思想相结合的策略，来开发具有一定意向能力的机器人，并应用到社会服务领域。
机器意识研究未来展望
围绕着上述分析所得出的主要结论，我们认为，未来机器意识的研究，主要应该开展如下5个方面的研究工作。
首先，构建面向机器实现的意识解释理论。由于意识问题本身的复杂性，目前存在众多不同的意识解释理论，其中只有部分理论用于指导机器意识的研究。为了更好地开展机器意识研究工作，取得更加理想的机器意识表现效果，必须直接面向机器意识实现问题本身，综合并兼顾已有意识解释理论，提出一种更加有利于机器意识研究的、有针对性的、全新的意识解释理论。提出的新理论应该不但能够清晰地刻画各种意识特性及其关系，而且应该符合机器意识实现的要求，更好地用以指导机器意识的开展。为此，具体需要开展现有意识解释理论的梳理研究、机器意识限度与范围的分析研究、意识特性刻画标准规范的构建研究等方面的研究工作。
其次，探索机器意识的计算策略与方法。过去的研究表明，要想让机器拥有意识能力，传统的人工智能方法是无能为力的，我们必须寻找全新的计算方法。因此，机器意识的深入展开，需要有不同于传统人工智能的计算策略和方法。就目前机器意识研究中所遇到的问题而言，在计算方法方面起码需要开展亚符号(神经信号)表征到符号(逻辑规则)表征之间的相互转换计算方法、在非量子体系中实现类量子纠缠性的计算方法，以及神经联结与符号规则相互融合的计算方法等方面的研究。而在计算策略方面则需要开展仿脑与算法相结合策略的研究。只有确定了行之有效的计算策略和方法，才能真正推动机器意识进一步深入发展。
第三，构建机器意识的综合认知体系。作为机器意识研究的主要任务，就是要构建具有(部分)意识现象表现的机器认知体系。给出的意识机器认知体系应该满足一些基本需求，起码应该包括：实现具有感受质和外部感知对象的感知过程；实现过程内容的内省反思；允许各模块无缝整合的可报告性以及配备本体感知系统的基本自我概念。因此，这部分的研究内容应该结合机器意识计算策略与方法的探索，参照已有各种机器意识认知体系的优点，有针对性地进行构建工作，以期满足基本的意识特性需求。
第四，开发实验性的意识机器人系统。在已有智能机器人开发平台的基础上，嵌入构建好的机器意识综合认知体系，形成具体的意识机器人系统，并开展具体的系统实验分析研究。通过各种意识特性的实验，检验机器意识综合认知体系的性能是否满足基本的意识特性需求，最终给出一种实验性意识机器人系统的范例。
一、机械电子工程的发展与特征
(一)发展历程
在机械电子工程发展初期，主要体现为手工制作，生产力水平较低，资源技术等对其发展产生制约。为了提升生产效率，逐渐朝着机械工业方向发展。在生产线阶段，机械工程己逐渐发展到流水线生产，实现标准化大批量生产，.这一生产模式使劳动力得到解放，生产力水平大大提升，同时生产效率也得到提高。但是仍然存在一些不足，比如，部分生产仍就以进口为主，生产成本较大，在市场方面缺少适应力舀灵活性较差，难以满足不断变化的市场需求。
在机械电子产业发展阶段中，产品生产能够适应市场的需求，对于不断变化的产品需求产业化发展能够满足。
(二)机械电子工程主要特征
机械电子工程是复杂综合性学科，同各类学科之间都有着密切的联系。机械电子工程发展要以计算机、电子以及机械为基础，结合其他学科做出合理、科学的设计。在设计的过程中，要求每一个模块都能够实现有机结合，进而使得各个模块都能将其最大优势发挥出来。机械电子产品内部结构简单明了，并不复杂，无需复杂原件的投入，这样能在一定程度上使产品性能得到提升，进而扩大消费市场，
二、人工智能简述
人工智能是一门复杂，并且综合性较强的学科，所涉及到的学科比较多。也可以说，21世纪人工智能是最伟大学科之一。人工智能实现了对人的智能模拟，并且能通过计算机使认得智能化得到进一步的延伸，人工智能这门学科有着较好的发展潜力。人工智能在发展的过程中主要经历下列几个阶段。
初步阶段。人工智能在17世纪开始发生萌芽，法国在这一阶段成功诞生世界上的第一部计算机，这一计算器只是单纯的能进行加法简单运算，但是仍就轰动世界，进而在世界范围内，对这项技术开始进一步研究。在最初阶段，人工智能并没有明显的进展，主要是在实践的过程中积累与总结知识，这为今后人工智能发展奠定坚实的基础。
发展初始阶段。美国人在二十世纪首次提出人工智能专业用语。在这个发展阶段，人工智能主要以证明与阐释为主要体现，在这一时期对于人工智能的研究就是首要任务。
发展起伏阶段。随着人们对于人工智能的不断深入研究，人工智能也处于持续的发展阶段，但是在实践过程中发现，要想使人工智能模仿和人类思维同步是非常困难的。大部分对于人工智能的科学研究仅仅是停留于简单映射层面，.对于逻辑思维的研究仍就没有突破性进展。不论怎么说，在发展的起伏阶段，人功能智能也在发展中得到了技术创新，特别是在系统方面、计算机机器人以及语言掌握方面取得了较大的成就.
起伏阶段发展以后。在这一阶段，人工智能的相关研究得到了发展，尤其是第五届国际人工智能联合会议的召开，人工智能逐渐朝着知识层面的方向发展，大部分的人工智能研都会结合相应的知识工程，在这个阶段中，人工智能发展的高度是前所未有的，在一定程度上促进了人工智能应用于实际工程中。
稳步发展阶段。随着互联网技术的快速发展，对于人工智能研究方向发生重大转变，由原本的单一主体朝着集中统一主体的方向发展。关于人工智能在实际中的运用以及研究，受到了互联网技术的影响。网络的普及与快速发展，在一定程度上促进了信息化的发展，信息在传送方面发生率重大性变革。在人们逐渐进入信息化社会后，在信息有效处理方面人工智能的发展起到了重要的作用，在模拟设计方面，机械电子工程的发展需要人工智能的大力支持。
三、机械电子工程与人工智能之间的关系
随着我国社会经济的持续发展，社会不断的进步，对于信息人们越来越重视。在21世纪，互联网技术得到快速发展，同时信息的传递也逐渐注入新鲜血液。互联网应用的普及说明人们正朝着信息时代的方向迈进，在社会逐步信息化以后，更加需要有人工智能这一技术的支持，特别是机械电子工程发展中有着重要作用，机械电子系统本身缺少一定的稳定性，这样在机械电子工程设计方面就有着较大阻碍存在。在现代社会中，信息的处理量持续增大，并且较为复杂，有些时候需要同时对不同类型的信息进行处理，所以需要采取人工智能的支持才能完成信息处理。人工智能主要包含模糊推理系统、神经网络系统这种两种方法。神经网络系统倾向于对人脑结构的综合分析，模糊推理系统更加重视对于语言信号的分析与理解。随着现代社会的发展，仅仅采取单一的人工智能方法，明显己经无法适应目前社会中不断变化的市场需求，所以，对于人工智能相关问题的研究正逐渐朝着多方位、全面的人工智能方向转变。多方位全面人工智能系统通过模糊推理系统和神经网络系统相互统一的方式，扬长补短，将二者有效的结合起来，使得二者的优势得到最大程度的发挥。
总结
--------------------------------------------------------------------------------
一 本体论语义学的动因、方法与基本范畴
本体论语义学的倡导者尼伦伯格（S. Nirenburg）和拉斯金（V. Raskin）说：“本体论语义学是一种关于自然语言意义的理论，一种关于自然语言加工的方案，它把经构造而成的世界模型或本体论作为提取和表述自然语言文本意义的基本框架，作为从文本中推出知识的前提。这种方案也想根据自然语言的意义形成自然语言的文本。”[1] 这就是说，本体语义学有着双重动机。一是应用或工程学层面的动机，二是基础理论层面的动机，而前者就其现实的需要来说更为迫切。尼伦伯格等人认识到：已有的机器智能的最大问题是只能完成句法加工或符号转换，由此所决定，它即使快捷、方便、“多才多艺”，也无法改变其工具角色。因为它离人类智能还差关键的一点，那就是它没有意向性。所谓有意向性，就是有对外在事态的关于性（aboutness）或指向性，就是有对它物的知道和意识，有对自身的超越性，而不致停留于纯符号的形式转换。从语义学的角度来看，有意向性就是有语义性。所谓有语义性，就是人类智能所涉及到的符号有意义、指称和真值条件等特征。很显然，意向性、语义性和意义等词在本质上是一致的，正因为如此，当今的意向性理论、意义理论、语义学有合流的趋势。但是，迄今为止的机器都没有表现出上述属性。美国著名哲学家、认知科学家塞尔（John R.Searle）一针见血地指出：已有计算机所实现的所谓智能“本身所做的”只是“形式符号处理”，它们“没有任何意向性；它们是全然无意义的。……用语言学的行话来说，它们只是句法，而没有意义。那种看来似乎是计算机所具有的意向性，只不过存在于为计算机编程和使用计算机的那些人心里，和那些送进输入和解释输出的人的心里。”[2]如果从意义的角度理解信息，甚至不能说计算机有加工信息的功能。他说，“计算机所做的事不是‘信息加工’，而是处理形式符号。程序编制者和计算机输出解释者使用符号来替代现实中的物体，这个事实完全是在计算机范围之外的事。”[3]尼伦伯格等人不仅认识到了这一点，而且进一步强调：“意义是未来的高端自然语言加工的关键因素，”“有根据说，没有这种利用文本意义的能力，人们就不可能在自然语言加工中取得真正的突破，……而过去在这个领域中的大多数工作都未注意到意义。”[4]他们提出本体论语义学的研究目的就是要改变这一状况，就是要从技术的层面研究计算机如何利用和处理文本意义，如何让机器智能也有意向性。
要完成上述任务，必不可少的一项工作就是研究人类智能及其运作机理，研究人类意向性的根据和条件，尤其是揭示人类自然语言的加工机制，阐释其根本原则和方法，构建人类语义加工的基本模型。要模拟这样的智能，及其意义接受、理解、完成、输出机制，就必须进到说者与听者或语言的生产者与消费者相互交流的语境，探讨怎样将我们关于语言描述的观念系统化，将计算程序处理意义的观念系统化，怎样形成更符合实际的、更有应用价值的系统的表征理论。由这一任务所决定，本体论语义学提出了自己的方法论原则。既然它要完成的是应用方面的任务，它当然会设法形成这样的假设，即重构人类加工语言的能力及其所需的知识与过程，也就是要弄清人类的自然语言加工是如何可能的。为此，它有这样的理论预设，即承诺弱人智能观，而非强人工智能观。后者认为，计算机程序不仅应在功能上模拟人脑，而且还应从结构上、物理执行的过程与细节上去模拟。而前者则主张，在模拟人脑的语义能力时只需从功能上加以模拟就行了。判断模拟是否成功，主要看机器处理语义的能力是否与人类的语义能力在功能上等值。其次，本体论语义学的方法论独特之处还在于强调：要让机器对自然语言的加工有语义性，必须以本体论为基础。因为人类之所以能理解和产生意义，根本条件就是人类有一种本体论的图式。正是借助这种本体论图式，任何一个符号语词一旦进入人类视域，都会被归类进入特定的意义域，获得特定的语义值。不过，这里所说的本体论有其独特的含义。
尼伦伯格等人注意到：“本体论”一词具有歧义性。尽管“本体论”用法五花八门，但可归结为两大类，一是纯哲学的用法，二是具体科学和工程学中的用法。尼伦伯格赞成瓜里罗（N. Guarino）对“本体论”的观点，把前一用法称作“大写的本体论”，把后一用法称作“小写的本体论”。小写的本体论又有形式本体论和工程学本体论两种形式。瓜里罗指出：所谓“形式本体论……是关于先验划分的理论，如在世界的实在（物理对象、事件、区域、物质的量……）之中，在用来模拟世界的元层次范畴（概念、属性、质、状态、作用、部分……）之间作出划分”。[5]工程学的本体论与哲学中的本体论有很大的区别。它既不关心形而上学的“是”的意义，又没有关于实在的本体论分类。它关心的是信息系统中的整合因素，同时还涉及到有关概念分析之结果的本体论判定，因此它是名副其实的工程学本体论。[6]本体论语义学中的“本体论”既不同于形式本体论，又不同于哲学本体论，但从它们那里吸取了有用的东西。尼伦伯格等人说：他们的“本体论建构试图从形式本体论和哲学本体论中得到帮助”[7]在借鉴的基础上，他们对“本体论”提出了新的理解，建立了一种极有个性的本体论。“在本体论语义学中的每种语言的词汇都用相同的本体论来说明意义，因为它一定包含了那个本体论中的所有意义。”[8]尼伦伯格等人认为，“一个人要承认表征和处理意义的可能性，就必须找到这样的具体的意义因素，它们是外部世界实在的替代。而本体论语义学中的本体论就是能直接指示外部世界的最合适的东西。它实际上是世界的模型，是据此而建构的”[9]总之，本体语义学所说的本体论不过是语言加工系统中的一种概念框架，其作用是对输入的语词做本体论定位，为其有语义性创造条件。
二 本体论语义学关于语义加工系统的构想
要回答机器的语义加工何以可能，完成机器对人类自然语言加工的模拟，首先必须解决的问题是：人的自然语言加工何以可能？根据本体论语义学家的研究，所以可能的条件不外是：人类有将它与语言关联起来的能力，有别的技能，有情感和意志之类的非理性方面，因为人们赋予语词的意义常带有情感色彩。另外，就是活动的目的、计划及程序，最后就是各种知识资源。
本体论语义学认为，人类之所以能理解和产生意义，最重要的条件就是人类有一种本体论图式。正是借助它，任何语言一进到心灵之中就有了自己的归属，被安放进所属的类别之中，如听到了“红”一词，人们马上有这样的归类：它指的是属性，与“绿”“蓝”等属一类，为物体所具有，因而不是物体，等等而是基本概念与范畴。尼伦伯格等人说：“本体论语义学试图探讨的是人们在内省式和反思式地看待概念时对这些概念的运用。人们常常谈论属性。虚构的实在（独角兽或赫尔墨斯）和抽象的实质，把它们当作存在的。不过对于我们来说，决定把它们放在本体论之中不是根源于这样的事实，即这些实在是用自然的语言指称的，而是因为我们相信：由于人们在他们的宇宙中有这些概念因而语言才指称它们。”[10]因此，在语义机模型中，我们首先要建立的就是这种本体论图式。根据他们的看法，“本体论提供的是描述一种语言的词汇单元的意义所需的原语言，以及说明编码在自然语言表征中的意义所需的原语言。而要提供这些东西，本体论必须包含有对概念的定义，这些概念可理解为世界上的事物和事件类别的反映。从结构上说，本体论是一系列的构架，或一系列被命令的属性-价值对子。”[11]它为要表征的词项的意义作本体论的定位，即说明它属于哪一类存在，其特点、性质、边界条件是什么。例如当有一词“pay”输入进来，首先就要经过本体论这一环节，换言之，该词首先要被表征为一个本体论概念，要被放进本体论的概念体系之中，一当这样做了，它的属性、值便被规定了。有了本体论概念框架，在这种静态知识资源上就可以不断生成各种含有意义表征的动态知识资源。动态的知识资源是在应用所提出的任务、要求的基础上所产生的知识。
有了关于人类加工自然语言所需条件比较清楚和量化的认识，就有可能通过建立相应的网络让计算机也获得这样的条件，进而让机器表现出对意义的敏感，最终具有语义加工能力。本体论语义学相信：这不是没有可能的，至少有巨大的开发前景。对此，本体语义学进行大胆地尝试，并建构出典型的语义加工模型。其具体操作就是：先让加工器具备静态和动态的知识知源，然后让其有相应的加工能力。在实践的基础上，尼伦伯格等人通过分析公认的自然语言加工Stratified模型，详细说明了机器进行语义加工的基本原理与过程。
在尼伦伯格等人看来，智能主体要理解文本意义离不开至少六个基本环节的加工。第一步是文本分析，即要对输入的文本产生一个表征了文本的意义的正式表达式。由这任务所决定，它必须有分析器和生成器。从文本分析过程来说，文本要输入到系统之中，首先要经过“前加工”将文本加以重新标记，并区别分析不同语言、不同体裁和风格的不同文本，以便让文本能为系统所分析。第二步是对标记过的文本动用生态学、形态学、语法学、词汇学的静态知识资源作形态学分析，形成关于文本单词的引用形式分辨。例如碰到“书”这个词的输入，形态学分析会这样来分析：“book，名词，复数”，“book，动词，现在时，第三人称，单数”等。第三步就会把它们送给词汇学分析器，并激活这一分析器的入口。这个入口包含有许多类型的知识和信息，如关于句法的信息，关于词汇语义学的信息，其作用是检查、净化形态学分析的结果。例如英文文本中可能夹杂有法、德、意等语言的单词，还有一些模棱两可的单词，更麻烦的是，有些词在词汇分析器中没有出现过，因此无法予以检查。在这些情况下，就要予以查检、甄别，如对不熟悉的词，它有一些处理的步骤和办法。第四步是句法分析。第五步是决定基本的语义从属关系，例如建立未来的意义表征的命题结构，确定哪些因素将成为这些命题的主题，并决定该命题的属性位置。
在此基础上，本体论语义学提出了语义加工机的完整构想。尼伦伯格认为，机器要完成文本意义表征，必须有加工器和静态知识资源。首先第一步，借助静态知识资源（生态学、句法、形态学、词汇学、词源和本体论及事实材料）对输入文本作出分析，然后又借助这些知识资源产生文本意义表征。分析模块和语义生成器都离不开静态知识资源。知识资源是如何得到的呢？要靠学习。“本体论语义学必须涉及到学习：它们越起作用，它们储存的关于世界的知识就越多，它们可望达到的结果就越好。”[12]除了静态知识之外，计算机要完成语义表征，还必须有动态的知识，它们是关于意义表征的程序方面的知识以及推理类型的知识。另外，加工器还要有这样的动态能力，即把所储存的知识动态地提取出来，运用于知识表征。尼伦伯格等人说“在本体论语义学中，这些目的是通过把文本意义表征、词汇和本体论关联起来而实现的。”[13]“我们关于表征文本意义的方案动用了两种手段，一是本体论概念的例示，二是与本体论无关的参数的例示。前者提供了与任何可能的文本意义表征例示相一致的、抽象的、非索引的命题。这些例示是这样得到的，即提供了基本的本体论陈述，它们有具体的情境的、包含有参数的值，如方面、方式、共指等。”[14]在这里，本体论的概念之所以抽象但又必要，主要是因为它提供了对存在和语词的分类，如对于要表征的意义，它首先要借助这种本体论范畴确定它是属于物体、属性、方面、方式、过程、活动、数量中的哪一种。简言之，对于任一词的意义或所指，首先要借助本体论概念确定它应包含在哪一类存在范畴之中。在此基础上，再用非本体论参数分析它的具体的、情境方面的值。
三 特点与问题
本体论语义学与其他人工智能理论、自然语言加工系统相比有自己的一些鲜明特点。其一，它强调对意义的处理无需通过句法分析，至少主要不是通过句法分析。在它看来，机器对意义的接受、表征、加工、生成和输出，或者说，让机器的句法加工具有语义性或意向性，靠的主要不是原先的关键词匹配，句法转换，而依赖的是对人类智能的全方位模拟。其二，本体论语义学认识到了人类心理状态具有意向性、自然语言具有语义性依赖于复杂的因素，并在这种认识的基础上形成了研究意义的一种综合性方案。在具体的工程学实践中，它关注到了意义处理中的多方面因素，即不仅仅注意到了知识性因素，而且还重视潜藏在人类智能中的非知识因素，并通过特定的方式将它们“内化”到他们所建构的人工智能系统之中。第三，本体语义学非常重视本体论图式在人类心理状态意向性、自然语言语义性中的作用，并在将这一认识成果向工程技术领域转化，进而让自然语言加工系统获得这一语义生成的重要枢纽、机制方面做了大胆探索，取得了富有启发意义的初步成果。第四，本体论语义学的确有重要的实践意义和广阔的应用前景，最重要的应用价值是它能产生文本意义表征。因为它的语义处理系统可以借助静态知识资源对输入文本作出分析，借助加工器的动态能力将所储存的知识动态地提取出来，并运用于知识表征， 然后借助这些知识资源产生文本意义表征，并由特定输出设备完成在意义交流层次的人机对话。
可以说，本体论语义学面对当前人工智能发展的瓶颈问题，基于工程学实践和哲学反思，不仅在构建现实的语义机方面做出了极富价值的探索，也为揭示人类自然语言处理的基本原理提供了可资借鉴和进一步反思的研究成果。因此本体论语义学对于人工智能的发展来说是必不可少的选择之一。但是，这并不意味着本体语义学就是完备的、无懈可击的人工智能理论，非但如此，它尽管是为了回应塞尔中文屋论证和其他关于人工智能责难而提出的一种方案，但仍会受到这样的责难：它的自然语言系统所处理的意义、所生成的意义，好像仍离不开设计操作人员的解释，如果是这样，那么它充其量只有派生的意向性、语义性。其次，最大的问题是：这种理论建立的系统仍没有主动性、自觉性、意识性、目的性，而这些性质恰恰是人类固有的意向性的特征。因此要让机器成为像人类那样的有意向性的自主系统看来还有很长的路要走。
注 释
[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在新旧年份交替之际公布了团队成立以来第一份报告，其中具有代表性的八张图可以帮助我们快速、全面了解AI这一行业高速发展的启发和见解。
1、AI学术研究论文激增9倍以上
自1996年以来，每年发表的计算机科学的学术论文和研究的数量猛增了9倍以上。学术论文和研究通常能产生新的知识产权和专利。整个Scopus数据库中，含有“Artificial Intelligence”这个关键词的计算机科学领域的论文有超过200，000（200237）篇。Scopus数据库中“计算机科学”领域的论文总共有近500万（4868421）篇。
2、AI风险投资激增6倍
自2000年以来，在美国，风险投资者（VC）每年投入AI创业公司的投资额增加了6倍。Crunchbase，VentureSource和Sand Hill Econometrics被用于确定VC每年投给初创公司的资金额，这些初创公司在某些关键领域起着重要作用。上图显示了VC在美国所有融资阶段对AI创业公司年度投资总额。
3、AI创业公司激增14倍
自2000年以来，在美国，有资本支持的AI创业公司数量增加了14倍。Crunchbase，VentureSource和Sand Hill Econometrics也用于这一分析。这个数字包括VentureSource数据库中Crunchbase列表中的任何有VC支持的公司。
4、要求AI技能岗位激增4.5倍
自2013年以来，要求有AI技能的工作岗位增长了4.5倍。在Indeed.com平台上，需要AI技能的工作岗位所占份额的计算方法是通过职业描述中的标题和关键字来确定是否与人工智能相关。AI Index研究还计算了在Indeed.com平台上，要求人工智能技术的工作岗位份额在不同国家的增长情况。尽管加拿大和英国增长迅速，但对于人才招聘市场，Indeed.com的报告显示加拿大和英国分别只占美国AI招聘市场绝对规模的5%和27%。
5、机器学习、深度学习以及NLP成为核心技能
在线求职平台Monster.com上数据显示，机器学习，深度学习和自然语言处理（NLP）是最重要的三项技能。两年前NLP已经被预测会成为应用程序开发人员创建新的AI应用程序最需要的技能。除了创建AI应用程序，最受欢迎的技能还包括机器学习技术，Python，Java，C++，开源开发环境的经验，Spark，MATLAB和Hadoop。根据对Monster.com的分析，在美国，数据科学家，高级数据科学家，人工智能顾问和机器学习主管的薪水中位数为$127000。
6、图像标注错误率巨幅下滑至2.5%以下
自2010年以来，图像标注的错误率从28.5%下降到2.5%以下。大规模视觉识别挑战赛（LSVRC）的对象检测任务的AI拐点发生在2014年。在这项特定任务中，AI已经表现得比人类更准确。这些发现来自于ImageNet网站上LSVRC竞赛排行榜的竞赛数据。
7、机器人进口量激增至25万
从国际上看，机器人的进口量已经从2000年的10万台左右增长到了2015年的25万台左右。数据来源是每年进口到北美以及国际整体的工业机器人的数量。工业机器人由ISO 8373：2012标准定义。国际数据公司（IDC）预测对机器人的消费将在五年内加快，到2021年达到2307亿美元，复合年增长率（CAGR）为22.8%。
一、网站的构建
1.网站框架设计
我国高中阶段人工智能教育还处于起步阶段，据调查，全国已开设人工智能课程的中学不超过十所。事实上，对于人工智能这一前沿学科，大部分信息技术教师还缺乏足够的了解，因此对于该课程的开设也一直处于观望状态。考虑到人工智能教育的实际情况以及网站的主要对象，我们以高中信息技术选修课教材《人工智能初步》为基础，按教学内容设置和划分栏目，同时又围绕“学人工智能、教人工智能、用人工智能、机器人专题”四大专题进行内容重组。当然，网站的基本架构并非一成不变，它需要在实际应用中进行检验与修正，最终实现网站的完美架构。依据上述思路建构的网站基本框架如图1所示。
2.网站的栏目设计
新闻栏目以图文的形式人工智能发展的最新情况，这是激发并维持广大师生关注人工智能的基础，也是师生获取最新信息的窗口。子栏目“中国动态”“欧美动态”等分别介绍了各地区最新的人工智能信息，尤其是机器人产品的新闻。子栏目“会议论坛”，“比赛通知”为师生、参与比赛提供服务。
论文栏目是作为资源型网站的基础。子栏目“教学研究”主要面向从事人工智能教育的研究者和教师，探讨教学方法、分析教学案例、推荐教材和参考书，为更好的开展人工智能教学提供理论依据。子栏目“学习乐园”主要面向学生，展示活动实录、阐述学习感受，聆听专家意见，为更好的学习人工智能提供事实参考，教师也通过“学习乐园”来了解学生的所思所感所想。子栏目“赛事规则”介绍了各个地区和各级机器人比赛的一些规则，有利于师生更好的进行人工智能的教与学。
资源、视频、图库、酷站：这四个栏目是资源型网站的核心。尤其是资源模块中的子栏目“电子书刊”“教学课件”“人工智能软件”分别以不同的文件格式向师生提供教与学的资源，使其能快速准确地获取符合需求的资源，免去了在因特网上盲目搜索出现大量冗余信息的麻烦。网站整合了文本、视频、图片等多媒体信息，以丰富多彩的形式呈现资源，增强了网站的吸引力和信息的可阅读性。
爱问栏目是作为学习型网站的基础，也是本网站的一大特色。“爱问”是采用了模仿“百度知道系统”的程序设计，更注重知识的答疑解惑。我们将此栏目划分为“学人工智能”“教人工智能”“用人工智能”“机器人问题”四个子栏目，师生可根据各自的需要进行提问、回答问题、搜索问题等操作。同时，设立了积分制，激发师生提问和回答问题的热情。
用户中心栏目是学习型网站的核心。作为一个专题网站，必然要十分强调学习的功能。子栏目“网络书签”的功能可以使学习者记录自己所浏览过的或所感兴趣的网页，便于在下次登陆后继续学习。在子栏目“信息”功能中，学习者可以新闻、论文、资源、爱问等信息，待管理员审核通过后即可在网站中显示出来。另外，教师也可在教学过程中通过此模块要求学生提交作业，便于教师随时随地的批改作业。
二、网站的访问数据分析
人工智能教育专题网站从开设至今将近8个月的时间，已经有超过1万的独立访客访问了本站，我们选取了最近访问的2000位独立访客进行研究。通过对地域、被检索方式、受访页面及回头率的分析，可为网站下一步的改进与完善提供依据，为其他人工智能教育类网站的建设，在网站的用户类型，网站的内容选择与更新，网站的推介宣传等方面提供参考与借鉴。
1.地域分析
在统计到的访问该网站的地域中，国外共有12个国家访问了本网站。国内除西藏、澳门之外，其他省份、直辖市、特别行政区都有访问过本网站，这为我们今后在高中普及人工智能教育提供了有力的依据。但是，通过图2的数据我们也可看到，各个地区间的访问量差距较大，并且访问量靠前的几个省份基本上是沿海地区，而中部和西部地区的访问量比较少，所以在今后的工作中不仅要加强网站本身的建设和宣传，更要把人工智能教育的理念推广到中部和西部地区，使那里的中小学师生也接触人工智能的知识，激发他们对信息技术美好前景的向往。
2.被检索方式分析
搜索引擎是网络上最常用的获取资源的方式。掌握用户使用搜索引擎的情况，有助于了解网站的被检索方式。统计搜索关键字的次数，有助于了解网站被检索访问的原因。在专题网站建设完成后，向“百度”、“Google”等大型搜索引擎系统提交收录网页申请是极其必要的，它有利于提高网站的知名度和访问量。而在网站中增加“人工智能”，“prolog 源程序”等文字内容，将会有利于用户在盲目搜索时能访问到该专题网站。
3.受访页面分析
受访页面是指用户访问该专题网站时所停留的页面。通过对受访页面的统计，使我们能够掌握用户相对较为关注网站的哪些内容。表1数据中“学人工智能”占23.82%，“资源下载”占了16.32%，表明用户对人工智能的知识还不是很了解，对人工智能的认识还停留在“学”的层面，远未达到“教”的程度。人工智能教育类网站在建设中，如果能提供大量的人工智能的基础知识以及丰富的可下载资源，将会显著提高网站的受欢迎度以及用户的认可度。
4.回头率分析
在网站访问统计中，通常将距离上次访问超过12小时的再次访问记录为一次回头。通过对回头率的统计（表略）看出该专题网站的粘性不是很高，尤其是3次回访以上的用户还不多。通过对部分用户访谈后了解到，网站的更新速度慢，资源较少，内容偏难是其不愿进行多次回访的主要原因。所以，人工智能教育类网站在维护期间要注意内容的时效性、丰富性、通俗性才能保证网站访问的可持续性。
三、网站建设的若干思考
目前国内外有关人工智能的专题网站不多，针对人工智能教育的网站更少。在可供借鉴的成熟案例较少、研究又处于刚起步阶段的情况下，有必要对我们的工作进行反思总结。通过上述访问数据的分析，以及在人工智能教育专题网站建设的准备阶段，实施阶段及运行阶段的实践，我们认为在建设人工智能教育类网站时应当注意以下几个问题。
1. 充分关注用户信息
访问量是综合类或门户类网站的生命线，应当尽可能地拓宽访问者的类型与层次。但人工智能作为一门新兴学科，其专题网站的学科性特点甚至比普通的专题学习网站还要突出，因此单从访问量上来说，它是无法和门户类网站相比的。所以在建设的初期首先就要考虑的网站的对象问题，也就是要关注哪类人访问了网站。只有准确的掌握了用户的信息才能更好提供用户需要的资源。
在这里，人工智能教育专题网站是通过以下三种手段来获取用户信息的。
第一，用户必须注册才能访问网站，注册的内容包括年龄、身份、学历，电子邮件等内容。
第二，在网站中设立“网站调查”栏目，可以对“你是如何知道本站的”，“你觉得本站建设的如何”等内容教学在线调查。
第三，通过“中国站长站”等专业的数据收集程序来获取用户基本信息，可收集到用户地域、受访问页面、用户回头率等信息。只有掌握了准确的用户信息，才能更好的为用户提供服务。
2.与用户携手共建网上资源
人工智能的子学科门类众多，仅高中教材《人工智能初步》中就有知识及其表达、推理与专家系统、人工智能语言与问题求解等多个主题。而且我国的人工智能研究相对薄弱，很多资料都是外文的。任何一个人要很熟练的掌握人工智能的各个内容是很困难也是不现实的。我们通过一年多的实践也体会到，仅仅依靠课题组成员很难保证网站资源库内容的全面性和针对性。所以在网站最新一次改版中，我们增加了用户的信息功能，使得用户自己可以新闻、添加文章，上传资源，只要经过管理员审核即可在网站中显示。
另外，在人工智能教学过程中，我们也充分利用学生的优势，要求学生以作业的形式提交文本和视频资源，并将作业的数量和质量作为考察学生学习效果的一个指标。这些举措保证了网站内容更新的时效性和内容的针对性。用户所的就是用户所关注的，用户所关注的就是网站所要收集的。
3.通过多种形式充分发挥网站作用
目前，全国高中开设了“人工智能初步”选修课的学校极少，教师手头上可供选择的教材也只有5套。从专题网站上统计的数据来看，虽然网站目前的用户主要是教师，但“学人工智能”页面访问量却远多于“教人工智能”。从这些情况看，单靠几个人工智能教育类的专题网站无法从根本上解决高中人工智能教育现阶段所面临的窘境。所以，在条件允许的情况下，可以通过研修班、会议论坛等形式组织教师进行面对面的交流。
例如，我们就在2007年5月25日至27日在浙江师范大学举办了全国首届“高中人工智能课程研修班”，来自全国十个省市的70余位信息技术教师及教研员参加了研修班的学习。在研修活动中，教师不仅学习了人工智能的知识，也对人工智能教育的现状及发展过程中遇到的问题做了充分了探讨和交流。本次研修活动结束后，人工智能教育专题网站则成了学员们交换信息、交流体会、共享资源的有效平台。
四、结束语
总之，借助专题网站的平台作用开展各种活动，不仅弥补了人工智能教育网站缺乏面对面交流和互动的缺点，也为把网站资源建设的更具针对性提供了有效帮助。
参考文献：
[1]张剑平. 关于人工智能教育的思考[J] .电化教育研究.2003，（1）.
[2]曹瑞敏. “中国海”学生专题学习网站应用[J] .中国电化教育.2005，（5）.
《新闻周刊》5月24日
几十年来，技术不断地让手机、笔记本电脑、应用程序等整个行业的产品变得
>> 美国医疗保障制度评估 人工智能将统治地球？ 人工智能将改变什么 人工智能将重塑商业生态 美国改善双重参保者的医疗保障 人工智能与医疗 美国医疗保障体系改革及其对中国的启示 美国医疗保障制度的嬗变及启示 美国医疗保障体系现代化进程分析 美国医疗保障制度改革与发展的政治维度 人工智能将使人类更强大 人工智能将再造互联网 人工智能将促进制造业升级 人工智能将取代50%的工作 人工智能将重新定义人类 人工智能将改变经济等3则 人工智能将如何威胁人类文明？ 人机大战：人工智能将带来什么 美国的养老保障系统 完善我国医疗保障制度 常见问题解答 当前所在位置：中国 > 政治 > 人工智能将大大改善美国医疗保障系统 人工智能将大大改善美国医疗保障系统 杂志之家、写作服务和杂志订阅支持对公帐户付款！安全又可靠！ document.write("作者：未知 如您是作者，请告知我们")
申明:本网站内容仅用于学术交流，如有侵犯您的权益，请及时告知我们，本站将立即删除有关内容。 《新闻周刊》5月24日
几十年来，技术不断地让手机、笔记本电脑、应用程序等整个行业的产品变得越来越便宜，而医疗保健却在另一个世界里顽固地徘徊，在这个世界里，科技让一切变得更加昂贵和复杂。现在，许多美国创业公司正在利用人工智能和海量的数据以及自动化的方法，有望在提高医疗效率的同时降低医疗成本。比如有些公司正在试图利用人工智能实现一些医生的工作自动化。IBM的沃森利用机器强大的计算能力来解决问题，目前正在成为世界上最好的诊断专家。它的软件可以吸收所有可用的病人稻荩以及每年发表的成千上万的医学研究论文（远远超出了任何人的阅读能力）。该系统甚至可以跟上新闻的步伐，例如，了解哪些地区会受到某种传染性疾病的影响，这可能有助于诊断最近去过这些地区的人。
那未来是不是基金经理和交易员就没有用武之地了，大量人工智能的运用将改变股市的交易模式和策略。我觉得，人工智能作为一种投资方法和途径，的确可以投资股市，并且获得一种风险和收益相对可预期的模式。但是人工智能的“股市狗”不可能百战百胜，甚至有可能导致某个公司倾家荡产。
人工智能首先我想起了长期资本（LTCM）的故事。套利之父、债券之王、诺贝尔奖获得者一群精英的梦幻组合，于1994年创立了美国长期资本管理公司，主要活跃于国际债券和外汇市场，利用私人客户的巨额投资和金融机构的大量贷款，专门从事金融市场炒作。它与量子基金、老虎基金、欧米伽基金一起被称为国际四大对冲基金，一度取得骄人业绩。它以“不同市场证券间不合理价差生灭自然性”为基础，制定了“通过电脑精密计算，发现不正常市场价格差，资金杠杆放大，入市图利”的投资策略。最后因为俄罗斯金融风暴、公债违约导致公司几乎濒临破产。有人分析，它的问题出在历史数据统计的模型不能代替未来方向。实际上，我觉得，从更高层面来说，这是一种对社会现象能否进行数理分析的根本哲学问题。
社会现象能否用公式去穷尽各种因子，从而成功推测出未来的方向？简单说，遵循数理逻辑的人认为可以，而认为社会现象中的研究者无法做到数理现象的纯粹观测者来研究，因此无法得到答案。德州扑克非常像股市二级市场，不同位置、不同对手风格、不同筹码量都会导致同样牌面不同的决策。另外，运气成分占很大比重。
