為社會智能提供了重要的算力演算法

⑴ 過來了解下什麼是「算力」

      最近接觸一個基金名稱裡面有「算力」二字，本以為只是一個名字而已，不查不知道，一查嚇一跳。「算力」竟然已經成為了一個火爆的新概念。

      算力，又稱「計算力」，從狹義上看，算力就是數據的處理能力，是設備通過處理數據，實現特定結果輸出的計算能力，算力數值越大，代表綜合計算能力越強。從廣義上看，算力可以表達為算力是數字經濟時代新的生產力，是支撐數字經濟發展的堅實基礎，也將是國民經濟發展的重要引擎。它廣泛存在於計算機、手機、PC等硬體設備中，如果沒有算力，這些軟硬體都不能正常使用。算力已經成為了全球戰略競爭新的聚焦點，一個國家算力水平的高低基本與經濟發展水平呈正相關水平。因為數字經濟時代的關鍵資源是數據、算力和演算法，其中數據是新的生產資料，算力是新生產力，演算法是新的生產關系，這些構成了數字經濟時代最基本的生產基石。

        算力分為算力環境、算力規模和算力應用。其中算力環境是指網路環境和算力投入等因素，這些是為算力的發展提供堅實的支撐。算力規模包含基礎算力、智能算力和超算能力，這些又分別提供基礎通用計算、人工智慧計算和科學工程計算。算力應用是主要包括消費應用和行業應用，消費和行業應用帶來了對算力規模、算力能力等需求的快速提升，算力的進步會反向推動了應用。例如當前我們所接觸和使用的5G、物聯網、雲計算、大數據、人工智慧和區塊鏈等等。

        算力已成為數字經濟的新引擎，主要表現在哪些方面呢？

1、算力直接帶動數字產業化的發展。在數字核心企業，例如亞馬遜、微軟、谷歌等等這些互聯網行業，算力是投資最大的，這三個企業每個季度投入的資本支出總額超過250億美元，基本都是用於布局大規模的數據中心，支撐著互聯網技術加速向電商、服務業、支付等領域滲透。還有電子信息製造業、電信業、軟體業等等，都是數字產業化發展的重要部分，和算力的發展息息相關。

2、算力直接賦能國民經濟發展。隨著我國5G覆蓋率的不斷提升，我國對算力的投資也在不斷提升，據悉，2020年我國的IT支出規模是2萬億，直接帶動經濟總產出1.7萬億，間接帶動經濟總產出6.3萬億，即在算力中每投入1元。會帶動3—4元的經濟產出。而且我國消費和應用算力的需求在迅猛增長，單單是互聯網對於算力的需求就大概占整體算力的50%的份額，電信和金融領域對算力的應用也處於行業領先水平。

        總之，抓好算力的發展就是抓好數字經濟與實體經濟融合發展的機會，就是為「一帶一路」合作做出貢獻。抓好計算機產業鏈供應鏈的長板，就是將強了重要產品和核心技術之間的融合發展，增強我國內在的創新能力的發展。

⑵ 戴瓊海院士：人工智慧幾點思考——算力、演算法、測試

姓名：韓宜真

學號：17020120095

【嵌牛導讀】本文總結了戴瓊海院士對於人工智慧發展的幾點思考。

【嵌牛鼻子】演算法 算力 測試

【嵌牛提問】人工智慧在技術角度需要發展的三個方向是什麼？

【嵌牛正文】

11月14日至15日，由中國人工智慧學會、嘉興市人民政府主辦，嘉興市南湖區人民政府、嘉興科技城管理委員會、浙江未來技術研究院（嘉興）共同承辦的2020第十屆中國智能產業高峰論壇（CIIS 2020）在嘉興南湖舉辦。在11月14日的主論壇上， 國務院參事、CAAI 理事長、中國工程院院士、清華大學信息學院院長、CAAI Fellow戴瓊海教授 為我們帶來了題為《人工智慧幾點思考——算力、演算法、測試》的精彩演講。

以下是戴瓊海院士的演講實錄：

今天我和大家一起討論關於人工智慧本身發展里的幾個問題。

首先，從歷史發展的長河來看，各種時代的區別不在於生產什麼，而在於怎麼生產和創造，這是最重要的環節。信息時代計算機技術、微電子技術和互聯網技術三大發明的誕生，使得其他學科非常迅速發展起來，包括原子能、空間技術、生物能等。人工智慧現在以深度網路為代表的工具應用，使得很多地方又發生了翻天覆地的變化，帶來了新的增長點。人工智慧迅速地推動行業發展，對人類社會的發展做出了突出貢獻。本次大會既然是產業峰會，我們先來對人工智慧產業做一個分析。

我們經過了幾次產業革命，來到了人工智慧時代，就是數字經濟的後時代。在人工智慧的發展歷程中，美國人工智慧企業、歐洲人工智慧企業和中國很多公司起到了非常重要的作用。我們分析一下人工智慧在國家戰略中的地位。美國非常重視人工智慧，在科研經費投入方面，諸多科研方向中對人工智慧領域始終保持著非常大的投入；從 2018 年國防戰略，一直到 2020 白皮書的發布，人工智慧在美國掀起了很大的浪潮，希望在全世界把握高科技發展的動力。從美國人工智慧產業布局來看主要有幾個方面，從智能搜索，包括自然語言處理、智能語音助手和智能機器人，以及無人駕駛方面形成了完整的行業生態，使得人工智慧企業蓬勃發展。典型 AI 技術應用包括智能機器人、無人駕駛，代表了兩個硬方向的產業智能，推動非常快；還有在無人機方面，這是他們的殺手鐧，也是未來軍事智能里最重要的組成部分。

人工智慧在歐洲國家戰略中定位與發展， 2018 年 25 個國家簽署了加強《人工智慧合作宣言》。歐洲人工智慧整個產業布局，系統深入分析有智能晶元，包括網路安全和醫療健康作為人工智慧最重要的應用領域；歐洲人工智慧產業布局在工業物聯網、未來交通和智能健康，這是三個重大的產業布局。

人工智慧在我國戰略中的定位也非常深入。2016—2020 年，中共中央五中全會專門提到人工智慧、量子科學、腦科學等前沿領域，定位非常重要。習主席在九次講話中提到人工智慧對科技創新的重要作用。從人工智慧產業上，我國從2019 年開始提出了新基建，最重要的環節是人工智慧，而且人工智慧也作為新基建的基礎問題和基礎設施科技創新的題目展開。所以，2020 年我國人工智慧市場規模遠超全球市場規模增速的水平，尤其疫情時代不減反增，這是我國人工智慧發展最重要的趨勢。

人工智慧產業布局從基礎、技術和應用，以及硬體、軟體方面有很多公司開展了非常大的創新，比如智能醫療、智能金融、智慧教育、智慧交通、智能家居、智能零售等。人工智慧在螺旋式上升，產業發展非常快時，學術界和產業界也一直在討論人工智慧應該怎麼往更加科學、更加透明、更加理性的方向發展。我們怎麼做到強人工智慧，怎麼提升人工智慧的算力，怎麼開展測試，判斷未來人工智慧應該具有哪些法則、規則，這是大家要考慮的事情。通過上面的產業分析，回過頭來從技術角度要討論一下我們應該做的三件事。

人工智慧發展非常快，算力伴隨著人工智慧出現一直都在提升和發展，相輔相成。1956 年感知機的誕生，這時候就提到算力問題；1965 年摩爾提出了摩爾定律，算力與人工智慧也是相輔相成發展；1980 年專家系統；一直到 2012 年， GPU 的加速，如果沒有這個加速很難為產業服務；到 2016 年，圍棋 AI 在 170 個 GPU 上運行。流媒體視頻佔全球互聯網下行流量的 58%。2019 年8 月國內互聯網終端數突破了 20 億，每月超過 20億的注冊訪問量，人工智慧的蓬勃發展帶來了算力需求的指數增長。

從硬體的角度來看，摩爾定律在最近幾年已經放緩，算力需求每三到四個月翻一番。從算力需求快速增長，到算力提升放緩，怎麼去解決這個矛盾，國際上也做了各種探索。這是谷歌的TPU，神經網路專用晶元，希望用它提升算力。包括中國的地平線、寒武紀等都開展了人工智慧專用晶元的研究，這已經和 CPU、GPU 不在一個量級了。還包括量子計算，可不可以存算一體架構，類腦計算怎麼提升，還有光電智能計算，從自然到科學都在討論這個問題，算力如何提升。對算力提升在國際上也是一個極具需求和發展的路徑。普林斯頓大學教授提到了全光計算，算力能提升3 個數量級，如果用上，功耗下降 6 個數量級。我們在提供算力的同時，功耗也在下降。其實光電計算並不是什麼新東西，它和人工智慧發展一樣是三起三落。光計算起來時，硅基的算力就夠了，後來貝爾實驗室做了人工智慧、做了光電計算，但是沒有辦法用。一直到今年光電計算才提到議事日程。以三維受控衍射傳播實現全並行光速計算為例，這是一個顛覆，採集與計算無縫銜接，突破了存算分離速度制約，速度提升至少千倍，計算頻次 1 THz，遠超 GHz 電子計算。國際上目前有三個架構，一個是麻省理工的干涉神經網路，一個是明斯特大學和劍橋做的相變脈沖神經網路，還有清華大學做的衍射神經網路，都出現了不少研究和成果。如果光電計算實現，在無人系統中能夠體現非常大的能力，尤其是光電計算的自動駕駛，因為計算量非常快，導致力度特別大；在軍事武器，尤其導彈上，光電計算會使得現有的導彈速度再提升一個數量級，從而使無人系統更快、更小、更智能。現在也在研究雲上的光電晶元、端側的光電晶元，如果光電智能的晶元能研究出來，對新基建、工業互聯網、計算機視覺、光通信和納米級目標感知與識別這方面都能帶來非常大的作用，也是算力提升的一個最重要的方向。

演算法牽扯到我們的核心。要讓電腦像成人般下棋比較容易 , 讓它把一個東西放在一個桌子上也非常簡單。但是莫拉維克悖論指出，要讓電腦有如1歲小孩般的感知和行動能力卻是相當困難，甚至是不可能的。因此，如何實現高效，而且這個演算法還能解釋清楚，包括魯棒的新一代智能，現在國內外都在研究。

腦科學對人工智慧演算法的啟示。人工智慧演算法的進步都離不開腦科學的積累和呈現，包括演算法層次的解釋、啟發卷積神經網路。Hubel 從1958 年發現簡單和復雜的細胞，發現視覺系統的卷積特性。還有一類，類腦計算、腦啟發、腦科學怎麼做的。上面是 1907 年脈沖神經元的認知問題；1981 年美國加州提出了單板模擬百萬神經元的計算，IBM 公司做了這方面的工作；直到現在，清華大學的專家都在類腦和存算一體上做了非常重要的工作。人工智慧演算法怎麼考慮，下面這些做人工智慧演算法的很多科學家都是認知科學家，而不是人工智慧的信息科學家；上面腦觀測成果，腦科學為人工智慧啟示和認知科學家對人工智慧的理解搭建了橋梁。

整體分析可以看到，腦科學家對信息傳遞機制、信息解釋機制有一批獲諾貝爾獎；人工智慧方面，尤其是心理學家、認知科學家提出了一系列人工智慧的演算法，他們獲得了圖靈獎。所以人類如何思考和機器如何思考是有關系的，怎麼建立這樣一個恰當關系，是要研究的重要環節。大腦工作機理、信息的傳遞，工作的功耗非常低，只有 20 瓦，怎樣找到新機制，找到新一代人工智慧演算法非常重要。從大機制來看，我們對神經細胞的理解，這時候是感知的智能。現在大部分都通過核磁共振對宏觀圖像理解，也就是現在提出的弱人工智慧，如果把這三個打通，從微觀、介觀到宏觀結合起來，對全腦的認知能不能做一個強認知智能。這是整體的腦科學和機理建立起來，構建一個認知橋，多模態的觀測，通過先進神經技術，揭示腦結構、腦功能與智能產生的多層次關聯與多模態影射機制，建立認知模型和類腦智能體系。

美國 2016 年就啟動了一個阿波羅項目，1 億美金，3 個課題組共同聯合，有做機器學習，有做腦科學的，有做腦成像，有做腦機理，要做 1個立方毫米、10 萬神經元的解析，把它們的連接打通。上面是神經元模型，下面是機器學習模型，能不能揭秘映射關系。盡管斑馬魚、小鼠神經元都不同，斑馬魚才有 1 千神經元，果蠅不到 10 萬神經元，人類最多 8 百多億神經元，但是它們都具有通用智能。所以通用智能怎樣看待它對環節的理解，人對復雜環境的理解，斑馬魚對復雜環境的理解，生存的環境它們都能理解，因此都具備通用智能。但是完全靠它很難解釋一個通用智能的誕生。最近 IBM 用果蠅通用智能方法研製了一套武器裝備系統。果蠅 10 萬神經元有 8 萬是視覺系統。研究符合人腦進化過程的新一代人工智慧理論體系能不能構建起來，這是大家要思考的問題。因此，我們對腦科學里，尤其是機理做了分析，既有記憶痕跡假設，也有海馬體和記憶，一直到記憶與腦區的關系。通過記憶能不能構建起一個新的人工智慧演算法，這是另外一條通路，我們在做試驗。

於是提出了生物機制，包括記憶環路。如果記憶環路超出界限，我們用物理的熵平衡把這個機理建模，最後能不能提出一個新的人工智慧演算法，這是清華提出的人工智慧演算法框架。這里需要反饋驗證，所以提出了生物科學機制的發掘，包括數學物理機制的約束，一直到新一代神經網路，這樣一個自學習的作用。這里給出一個框架，科學家希望能在這個框架下研究演算法和工作。我們要做人工智慧新的演算法，一定要去打通腦科學機理；第二通過知識驅動和數據趨同共同構架一個架構，這是人工智慧演算法的初步分析。

既然人工智慧演算法這樣做了，現在我們一直要想到，演算法好、演算法壞是不是應該測試一下。所以，人工智慧從 2016 年到未來這一段時間發展非常快，各種游戲、工具，以及各種與人類相關的這種工作都被人工智慧取代。但是，這些東西能不能做的更好，是不是已經完結，需要做一套測試。圖靈首先給出了一個測試判斷人工智慧的水平。第一代圖靈測試進行過分析，圖靈測試的提出，包括到 1986 年早期自然語言處理，到現在程序首次通過了圖靈測試，人工智慧終於能像人類一樣學習並通過了圖靈測試。第二代有很多科學家都在研究圖靈測試，對深度網路怎麼測試，現在已經從通用測試到專用測試，具有了測試機器常識推理的能力，通過標准考試的能力。以前是給一個通用測試，70%，現在通用智能測試不能起作用，專用測試神經網路抽象推理能力。這是第二代，專用測試。

新一代圖靈測試，現在講新一代的認知智能，從專用智能要走向通用智能，以前我們所提到的圖靈測試還能夠測試認知智能嗎？這又提出了一個新問題，也是一個新方向。我們從腦、認知、智能，人工智慧理論從局部發展到全局發展，怎麼做這樣的測試，這是需要挖掘和發展的。如何實現具有功能識別、邏輯還能推理、認識還能決策的新一代認知智能，要達到這三個要素，我們稱為新一代人工智慧特徵。

我們測試什麼，按照功能識別、邏輯推理和認知決策這三方面測試，可以分布測試也可以整體測試，這是對新一代人工智慧提出的目標和要求，給出新的測試方向。我們以前做認知智能時，微觀、宏觀和全腦的介觀尺度觀測，類腦計算技術起到很大作用，也對測試帶來了新挑戰。大腦的信息 80% 來自視覺，包括人類獨有的語言功能，感知外界環境，理解建模外界環境，與外界環境交互，怎樣做決策、記憶與學習，感知世界、理解世界是人工智慧最重要的目標。從這里大家可以看到，多模態迴路觀測技術揭示了腦結構、腦功能與智能產生的多層次關系，所以認知測試應該是未來一個新方向。新一代圖靈測試邏輯推理，功能識別到認知決策，目前部分方面國際上已經做了很多貢獻，也在初步發展這條路徑。希望在座的，包括科學家、包括產業界都能夠在圖靈測試上發掘一些力量。

最後總結一下。在算力上包括光電計算在這里起到很大作用，從演算法上我們更希望能不能更接近、更逼近本原的認知計算理論與方法；第二，腦科學啟發人工智慧；第三，認知測試層面，能不能提出新一代圖靈測試，功能識別、邏輯推理、認知決策這方面給出一個新方向。

⑶ 人工智慧需要什麼基礎

人工智慧需要什麼基礎？
人工智慧是一個包含很多學科的交叉學科，你需要了解計算機的知識、資訊理論、控制論、圖論、心理學、生物學、熱力學，你要有一定的哲學基礎，有科學方法論作保障。這些學科的每一門都是博大精深的，但同時很多事物都是相通的，你學了很多知識有了一定的基礎的時候再看相關知識就會觸類旁通，很容易。在這中間關鍵是要有自己的思考，不能人雲亦雲，畢竟人工智慧是一個正在發展並具有無窮挑戰和樂趣的學科，如果你對人工智慧感興趣，那歡迎到網路的人工智慧吧做客，那裡有對人工智慧豐富而深刻的討論。
需要必備的知識有: 1、線性代數：如何將研究對象形式化？ 2、概率論：如何描述統計規律？ 3、數理統計：如何以小見大？ 4、最優化理論： 如何找到最優解？ 5、資訊理論：如何定量度量不確定性？ 6、形式邏輯：如何實現抽象推理？ 7、線性代數：如何將研究對象形式化？人工智慧簡介: 1、人工智慧（Artificial Intelligence），英文縮寫為AI。 2、它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。 人工智慧涉及的學科: 哲學和認知科學，數學，神經生理學，心理學，計算機科學，資訊理論，控制論，不定性論，仿生學，社會結構學與科學發展觀。

1.人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。
2. 人工智慧是包括十分廣泛的科學，它由不同的領域組成。入門最基本的的知識是:機器學習、機械原理、計算機原理、計算機視覺等等。總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種「復雜工作」的理解是不同的。

⑷ 給人工智慧提供算力的晶元有哪些類型

給人工智慧提供算力的晶元類型有gpu、fpga和ASIC等。

GPU，是一種專門在個人電腦、工作站、游戲機和一些移動設備（如平板電腦、智能手機等）上圖像運算工作的微處理器，與CU類似，只不過GPU是專為執行復雜的數學和幾何計算而設計的，這些計算是圖形渲染所必需的。

FPGA能完成任何數字器件的功能的晶元，甚至是高性能CPU都可以用FPGA來實現。 Intel在2015年以161億美元收購了FPGA龍 Alter頭，其目的之一也是看中FPGA的專用計算能力在未來人工智慧領域的發展。

ASIC是指應特定用戶要求或特定電子系統的需要而設計、製造的集成電路。嚴格意義上來講，ASIC是一種專用晶元，與傳統的通用晶元有一定的差異。是為了某種特定的需求而專門定製的晶元。谷歌最近曝光的專用於人工智慧深度學習計算的TPU其實也是一款ASIC。

(4)為社會智能提供了重要的算力演算法擴展閱讀：

晶元又叫集成電路，按照功能不同可分為很多種，有負責電源電壓輸出控制的，有負責音頻視頻處理的，還有負責復雜運算處理的。演算法必須藉助晶元才能夠運行，而由於各個晶元在不同場景的計算能力不同，演算法的處理速度、能耗也就不同在人工智慧市場高速發展的今天，人們都在尋找更能讓深度學習演算法更快速、更低能耗執行的晶元。

⑸ 人工智慧需要什麼基礎

人工智慧（AI）基礎：
1、核心三要素——算力、演算法、數據（三大基石）：
演算法、算力、數據作為人工智慧（AI）核心三要素，相互影響，相互支撐，在不同行業中形成了不一樣的產業形態。隨著演算法的創新、算力的增強、數據資源的累積，傳統基礎設施將藉此東風實現智能化升級，並有望推動經濟發展全要素的智能化革新。讓人類社會從信息化進入智能化。
1）算力：

在AI技術當中，算力是演算法和數據的基礎設施，支撐著演算法和數據，進而影響著AI的發展，算力的大小代表著對數據處理能力的強弱。
（2）演算法：
演算法是AI的背後「推手」。

AI演算法是數據驅動型演算法，是AI的推動力量。
（3）數據：
在AI技術當中，數據相當於AI演算法的「飼料」。

機器學習中的監督學習和半監督學習都要用標注好的數據進行訓練，由此催生了大量數據標注公司，它們將處於未經處理的初級數據，轉換為機器可識別信息。只有經過大量的訓練，覆蓋盡可能多的各種場景才能得到一個良好的模型。
2、技術基礎：
（1）文藝復興後的人工神經網路。
人工神經網路是一種仿造神經元運作的函數演算，能接受外界資訊輸入的刺激，且根據不同刺激影響的權重轉換成輸出的反應，或用以改變內部函數的權重結構，以適應不同環境的數學模型。

（2）靠巨量數據運作的機器學習。
科學家發現，要讓機器有智慧，並不一定要真正賦予它思辯能力，可以大量閱讀、儲存資料並具有分辨的能力，就足以幫助人類工作。

（3）人工智慧的重要應用：自然語言處理。
自然語言處理的研究，是要讓機器「理解」人類的語言，是人工智慧領域里的其中一項重要分支。
自然語言處理可先簡單理解分為進、出計算機等兩種：
其一是從人類到電腦──讓電腦把人類的語言轉換成程式可以處理的型式；
其二是從電腦回饋到人──把電腦所演算的成果轉換成人類可以理解的語言表達出來。

⑹ 人工智慧需要什麼基礎

人工智慧（AI）基礎：

1、核心三要素——算力、演算法、數據（三大基石）：

演算法、算力、數據作為人工智慧（AI）核心三要素，相互影響，相互支撐，在不同行業中形成了不一樣的產業形態。隨著演算法的創新、算力的增強、數據資源的累積，傳統基礎設施將藉此東風實現智能化升級，並有望推動經濟發展全要素的智能化革新。讓人類社會從信息化進入智能化。

2、技術基礎：

（1）文藝復興後的人工神經網路。

人工神經網路是一種仿造神經元運作的函數演算，能接受外界資訊輸入的刺激，且根據不同刺激影響的權重轉換成輸出的反應，或用以改變內部函數的權重結構，以適應不同環境的數學模型。

（2）靠巨量數據運作的機器學習。

科學家發現，要讓機器有智慧，並不一定要真正賦予它思辯能力，可以大量閱讀、儲存資料並具有分辨的能力，就足以幫助人類工作。

（3）人工智慧的重要應用：自然語言處理。

自然語言處理的研究，是要讓機器「理解」人類的語言，是人工智慧領域里的其中一項重要分支。

自然語言處理可先簡單理解分為進、出計算機等兩種：

其一是從人類到電腦──讓電腦把人類的語言轉換成程式可以處理的型式；

其二是從電腦回饋到人──把電腦所演算的成果轉換成人類可以理解的語言表達出來。

⑺ 知識+數據+算力：演算法進化升級的路徑是什麼|德外獨家

演算法融入信息傳播，帶來了傳播的深刻變革。推薦演算法基於大數據和人工智慧技術，通過演算法模型，進行信息與用戶的匹配，成為智能傳播中的主導力量。

然而，經過演算法過濾選擇後，匹配給用戶的信息對個人認知、判斷以及 社會 性的負面影響，引起了廣泛的關注和擔憂。

作者從智能傳播中演算法的缺陷入手，圍繞演算法優化和升級，與人工智慧行業專家、國家廣播電視總局廣播電視科學研究信息與安全技術研究所王磊博士，展開探討，以期為演算法進化找到可行路徑。

以下為兩人對談的詳細內容。

推薦演算法只能依從用戶

個人的偏好、需求嗎？

於烜： 演算法融入信息傳播，改變了信息採集、生產、分發和反饋等過程，帶來了傳播的深刻變革。在移動互聯網時代，演算法主導信息分發，演算法的個性化推薦（簡稱推薦演算法），有效應對了信息超載帶來的分發危機，解決了海量信息與用戶間的供需匹配問題，優化了生產和消費的資源配置效率，無疑是一種先進的技術和生產力。

但是， 推薦演算法存在一個明顯的缺陷。 我們知道在現代 社會 中，傳播的一個重要功能是實現 社會 整合，以傳統媒體為代表的大眾傳播發揮了 社會 整合的作用，傳媒能夠把不同階層、人群、族群凝聚起來，形成 社會 共識，這就是媒體公共性的體現。

然而，個性化演算法推薦，依據的是網路中用戶本人或相似人群的個人興趣、愛好、習慣、需求，只體現了個性，缺少公共性， 公共性缺席是演算法主導信息傳播的一個明顯的缺陷。推薦演算法只能依從用戶個人的偏好、需求嗎？

王磊：從技術上說，演算法是一種中介， 通過演算法模型，將信息與用戶進行匹配，本質是要解決信息和用戶的精準匹配問題。無論是傳統的機器學習演算法，還是近年來興起的深度學習演算法，通過用戶個人屬性和網路應用使用過程中的數據記錄，挖掘用戶個人興趣、需求， 最終達成個人信息需求的精準匹配，這就是演算法的使命。

當演算法融入傳播，演算法主導的短視頻平台、資訊平台成為了媒體，作為媒體，需要傳播主流價值觀，需要承擔媒體公共性責任， 除了個性化的推薦，在演算法中應該體現出公共性，這是從媒體角度、傳播角度，對演算法的要求。

於烜： 目前的智能傳播中，演算法並沒有回應這樣的要求。也就是說，從傳播角度看，目前普遍應用的個性化推薦演算法技術自身是有缺憾的，換句話說， 僅僅依靠推薦演算法技術進行的傳播，是有缺陷的，需要進化。

王磊： 對，可以這樣理解。

於烜： 近年來，智能傳播中，經過演算法過濾選擇後匹配給用戶的信息，對個人認知、判斷以及 社會 性的負面影響，引起了傳播學研究的關注，比如信息繭房、演算法囚徒、圈層化，這些研究都提示了演算法帶來的風險。所以無論是從演算法技術自身的缺憾，還是演算法在現實傳播中帶來的問題兩個層面看，演算法需要升級。

王磊： 確實如此， 推薦類演算法需要從演算法技術路線和網路架構上進一步升級， 以嘗試解決上述問題。

演算法是否能夠發現用戶更全面多樣的內容？

於烜： 大眾傳播時代的信息也是要過經過媒體過濾選擇的，但是在新聞專業主義的准則下，信息選擇有明確的標准，要求客觀、平衡，以盡可能反映 社會 現實。

但是，演算法的根本邏輯是流量，以流量為目的進行信息匹配。研究表明，流量偏向情緒性、故事性、戲劇性內容，客觀、平衡這一新聞傳播大廈的基石已經被流量沖垮了。

100年後的今天，被演算法選擇的信息失衡、失真，擬態環境和現實世界不是越來越接近，相反卻是越來越偏離了。

演算法模型中，是否可以將客觀、平衡等專業價值觀要素導入進去？也就是說不僅僅找到迎合用戶表面的喜好，也能發現他潛在的需要，或者是他願意了解、也應該了解的更全面的這樣一些內容？在實現過程中面臨的困難和挑戰又是什麼？

王磊： 我想可以嘗試突破信息傳播失衡、失真的現狀，但是實現起來難度很大。 一種辦法是演算法+規則，即以現有深度學習演算法模型為基礎，將專業價值觀理念設定為相應規則，兩者結合形成新的計算模型，進行相應信息匹配。 但是，現實中難度很大。

還有一個辦法，需要通過技術演進來實現。從人工智慧發展歷程看， 現在正處於弱人工智慧時代， 即「數據+演算法」的時代，這一時期通過大量投喂數據，演算法精度較過去提高了很多，但是 存在一個難以破解的核心問題——無法解決海量數據之間的深層次語義層面的關聯關系，演算法的泛化能力比較差， 簡單說就是在一個數據集中的模型，運用在另一個相似數據集中，其效果會變差。

只有當技術演進到 「知識圖譜+演算法」 階段，能夠在數據間找到並建立起相應的關聯關系，破解數據語義層面的聯系，才有可能挖掘出用戶潛在的、多層次的需要，改變目前簡單迎合的狀況。

清華大學張鈸院士提出的第三代人工智慧，即 知識+數據+演算法+算力， 或許未來可以從這個方面突破，一定程度上彌補當前信息傳播中推薦類演算法的缺陷。

第二代人工智慧階段，

如何推動綜合評價體系建立？

於烜： 演算法驅動的內容平台通過組織生產和演算法分發，已然成為了智能傳播時代的主體，因此說需要通過規則導入，促使演算法進化。

目前個性化推薦演算法，強調的是迎合用戶個人個性化的精度，是不是可以從內容端的廣度進行考量， 比如說，內容的多樣性，讓觀點多樣、信源多樣、品類多樣的內容達到用戶？也就說是否可以通過內容的廣度，來體現新聞傳播客觀、平衡。

王磊： 是的， 除了精度，演算法的廣度應該成為一個評價指標，如對內容的非歧視性關聯推薦等。現階段綜合評價指標的合理設計將引導演算法不斷地優化升級。 當然，這些評價標準的制定也需要傳播學的專家加入，共同探討。

於烜： 如果要對今天的對話做一簡短小結，我想說，面對演算法技術的缺憾及引發的問題，演算法無疑需要進化。而演算法進化有賴於演算法技術自身的演進，有賴於演算法掌控者的倫理培養，有賴於監管部門的標准規范。同時，這需要學界、業界、政府共同努力。

編者按：

作者：於烜，北京廣播電視台高級編輯、新聞傳播學博士，德外5號特約作者。

⑻ 人工智慧三要素包括

人工智慧的三要素：數據、算力和演算法。這三要素缺一不可，都是人工智慧取得成就的必備條件。
人工智慧英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」。人工智慧可以對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。

⑼ 大數據和人工智慧有什麼關系呀

人工智慧和大數據的關系是非常緊密的，實際上大數據的發展在很大程度上推動了人工智慧技術的發展，因為數據是人工智慧技術的三大基礎之一（另兩個基礎是演算法和算力）。從當前人工智慧的技術體系結構來看，當前的人工智慧對於數據的依賴程度還是非常高的，也可以說沒有數據就沒有智能。

要想理解人工智慧和大數據之間的關系，可以通過機器學習來進行描述，一方面機器學習是人工智慧技術的重要組成部分，另一方面機器學習在大數據領域也有廣泛的應用，所以機器學習可以看成是人工智慧和大數據之間的橋梁。

機器學習有五個大的步驟，包括數據收集、演算法設計、演算法實現、演算法訓練和演算法驗證，完成驗證的機器學習演算法就可以在實際場景中應用了。通過機器學習的步驟可以發現，數據收集是機器學習的基礎，沒有數據收集就無法完成演算法訓練和演算法驗證，實際上數據對於演算法設計也有非常直接的影響。從這個角度來看，在進行人工智慧研發之前，首先就要有數據。

目前機器學習不僅在人工智慧領域有廣泛的應用，機器學習也是大數據分析的兩種常見方式之一，所以很多大數據行業的從業者，通過機器學習也可以比較順利地轉向人工智慧領域，這也在一定程度上模糊了大數據和人工智慧之間的技術邊界。實際上，目前很多從事人工智慧研發的企業都有一定的大數據基礎，這也是為什麼很多互聯網企業能夠走在人工智慧研發前列的原因之一。

最後，大數據和人工智慧的發展還需要兩個重要的基礎，分別是物聯網和雲計算，物聯網不僅為大數據提供了主要的數據來源渠道，同時也為人工智慧產品的落地應用提供了場景支撐，而雲計算則為大數據和人工智慧提供了算力支撐。所以，從事大數據和人工智慧領域的研發，也需要掌握一定的物聯網和雲計算知識。

⑽ 人工智慧需要什麼基礎

1、核心三要素——算力、演算法、數據（三大基石）：

演算法、算力、數據作為人工智慧（AI）核心三要素，相互影響，相互支撐，在不同行業中形成了不一樣的產業形態。隨著演算法的創新、算力的增強、數據資源的累積，傳統基礎設施將藉此東風實現智能化升級，並有望推動經濟發展全要素的智能化革新。讓人類社會從信息化進入智能化。

（1）算力：

在AI技術當中，算力是演算法和數據的基礎設施，支撐著演算法和數據，進而影響著AI的發展，算力的大小代表著對數據處理能力的強弱。

（2）演算法：

演算法是AI的背後「推手」。

AI演算法是數據驅動型演算法，是AI的推動力量。

（3）數據：

在AI技術當中，數據相當於AI演算法的「飼料」。

機器學習中的監督學習和半監督學習都要用標注好的數據進行訓練，由此催生了大量數據標注公司，它們將處於未經處理的初級數據，轉換為機器可識別信息。只有經過大量的訓練，覆蓋盡可能多的各種場景才能得到一個良好的模型。

2、技術基礎：

（1）文藝復興後的人工神經網路。

人工神經網路是一種仿造神經元運作的函數演算，能接受外界資訊輸入的刺激，且根據不同刺激影響的權重轉換成輸出的反應，或用以改變內部函數的權重結構，以適應不同環境的數學模型。

（2）靠巨量數據運作的機器學習。

科學家發現，要讓機器有智慧，並不一定要真正賦予它思辯能力，可以大量閱讀、儲存資料並具有分辨的能力，就足以幫助人類工作。

（3）人工智慧的重要應用：自然語言處理。

自然語言處理的研究，是要讓機器「理解」人類的語言，是人工智慧領域里的其中一項重要分支。

自然語言處理可先簡單理解分為進、出計算機等兩種：

其一是從人類到電腦──讓電腦把人類的語言轉換成程式可以處理的型式；

其二是從電腦回饋到人──把電腦所演算的成果轉換成人類可以理解的語言表達出來。