为社会智能提供了重要的算力算法

⑴ 过来了解下什么是“算力”

      最近接触一个基金名称里面有“算力”二字，本以为只是一个名字而已，不查不知道，一查吓一跳。“算力”竟然已经成为了一个火爆的新概念。

      算力，又称“计算力”，从狭义上看，算力就是数据的处理能力，是设备通过处理数据，实现特定结果输出的计算能力，算力数值越大，代表综合计算能力越强。从广义上看，算力可以表达为算力是数字经济时代新的生产力，是支撑数字经济发展的坚实基础，也将是国民经济发展的重要引擎。它广泛存在于计算机、手机、PC等硬件设备中，如果没有算力，这些软硬件都不能正常使用。算力已经成为了全球战略竞争新的聚焦点，一个国家算力水平的高低基本与经济发展水平呈正相关水平。因为数字经济时代的关键资源是数据、算力和算法，其中数据是新的生产资料，算力是新生产力，算法是新的生产关系，这些构成了数字经济时代最基本的生产基石。

        算力分为算力环境、算力规模和算力应用。其中算力环境是指网络环境和算力投入等因素，这些是为算力的发展提供坚实的支撑。算力规模包含基础算力、智能算力和超算能力，这些又分别提供基础通用计算、人工智能计算和科学工程计算。算力应用是主要包括消费应用和行业应用，消费和行业应用带来了对算力规模、算力能力等需求的快速提升，算力的进步会反向推动了应用。例如当前我们所接触和使用的5G、物联网、云计算、大数据、人工智能和区块链等等。

        算力已成为数字经济的新引擎，主要表现在哪些方面呢？

1、算力直接带动数字产业化的发展。在数字核心企业，例如亚马逊、微软、谷歌等等这些互联网行业，算力是投资最大的，这三个企业每个季度投入的资本支出总额超过250亿美元，基本都是用于布局大规模的数据中心，支撑着互联网技术加速向电商、服务业、支付等领域渗透。还有电子信息制造业、电信业、软件业等等，都是数字产业化发展的重要部分，和算力的发展息息相关。

2、算力直接赋能国民经济发展。随着我国5G覆盖率的不断提升，我国对算力的投资也在不断提升，据悉，2020年我国的IT支出规模是2万亿，直接带动经济总产出1.7万亿，间接带动经济总产出6.3万亿，即在算力中每投入1元。会带动3—4元的经济产出。而且我国消费和应用算力的需求在迅猛增长，单单是互联网对于算力的需求就大概占整体算力的50%的份额，电信和金融领域对算力的应用也处于行业领先水平。

        总之，抓好算力的发展就是抓好数字经济与实体经济融合发展的机会，就是为“一带一路”合作做出贡献。抓好计算机产业链供应链的长板，就是将强了重要产品和核心技术之间的融合发展，增强我国内在的创新能力的发展。

⑵ 戴琼海院士：人工智能几点思考——算力、算法、测试

姓名：韩宜真

学号：17020120095

【嵌牛导读】本文总结了戴琼海院士对于人工智能发展的几点思考。

【嵌牛鼻子】算法 算力 测试

【嵌牛提问】人工智能在技术角度需要发展的三个方向是什么？

【嵌牛正文】

11月14日至15日，由中国人工智能学会、嘉兴市人民政府主办，嘉兴市南湖区人民政府、嘉兴科技城管理委员会、浙江未来技术研究院（嘉兴）共同承办的2020第十届中国智能产业高峰论坛（CIIS 2020）在嘉兴南湖举办。在11月14日的主论坛上， 国务院参事、CAAI 理事长、中国工程院院士、清华大学信息学院院长、CAAI Fellow戴琼海教授 为我们带来了题为《人工智能几点思考——算力、算法、测试》的精彩演讲。

以下是戴琼海院士的演讲实录：

今天我和大家一起讨论关于人工智能本身发展里的几个问题。

首先，从历史发展的长河来看，各种时代的区别不在于生产什么，而在于怎么生产和创造，这是最重要的环节。信息时代计算机技术、微电子技术和互联网技术三大发明的诞生，使得其他学科非常迅速发展起来，包括原子能、空间技术、生物能等。人工智能现在以深度网络为代表的工具应用，使得很多地方又发生了翻天覆地的变化，带来了新的增长点。人工智能迅速地推动行业发展，对人类社会的发展做出了突出贡献。本次大会既然是产业峰会，我们先来对人工智能产业做一个分析。

我们经过了几次产业革命，来到了人工智能时代，就是数字经济的后时代。在人工智能的发展历程中，美国人工智能企业、欧洲人工智能企业和中国很多公司起到了非常重要的作用。我们分析一下人工智能在国家战略中的地位。美国非常重视人工智能，在科研经费投入方面，诸多科研方向中对人工智能领域始终保持着非常大的投入；从 2018 年国防战略，一直到 2020 白皮书的发布，人工智能在美国掀起了很大的浪潮，希望在全世界把握高科技发展的动力。从美国人工智能产业布局来看主要有几个方面，从智能搜索，包括自然语言处理、智能语音助手和智能机器人，以及无人驾驶方面形成了完整的行业生态，使得人工智能企业蓬勃发展。典型 AI 技术应用包括智能机器人、无人驾驶，代表了两个硬方向的产业智能，推动非常快；还有在无人机方面，这是他们的杀手锏，也是未来军事智能里最重要的组成部分。

人工智能在欧洲国家战略中定位与发展， 2018 年 25 个国家签署了加强《人工智能合作宣言》。欧洲人工智能整个产业布局，系统深入分析有智能芯片，包括网络安全和医疗健康作为人工智能最重要的应用领域；欧洲人工智能产业布局在工业物联网、未来交通和智能健康，这是三个重大的产业布局。

人工智能在我国战略中的定位也非常深入。2016—2020 年，中共中央五中全会专门提到人工智能、量子科学、脑科学等前沿领域，定位非常重要。习主席在九次讲话中提到人工智能对科技创新的重要作用。从人工智能产业上，我国从2019 年开始提出了新基建，最重要的环节是人工智能，而且人工智能也作为新基建的基础问题和基础设施科技创新的题目展开。所以，2020 年我国人工智能市场规模远超全球市场规模增速的水平，尤其疫情时代不减反增，这是我国人工智能发展最重要的趋势。

人工智能产业布局从基础、技术和应用，以及硬件、软件方面有很多公司开展了非常大的创新，比如智能医疗、智能金融、智慧教育、智慧交通、智能家居、智能零售等。人工智能在螺旋式上升，产业发展非常快时，学术界和产业界也一直在讨论人工智能应该怎么往更加科学、更加透明、更加理性的方向发展。我们怎么做到强人工智能，怎么提升人工智能的算力，怎么开展测试，判断未来人工智能应该具有哪些法则、规则，这是大家要考虑的事情。通过上面的产业分析，回过头来从技术角度要讨论一下我们应该做的三件事。

人工智能发展非常快，算力伴随着人工智能出现一直都在提升和发展，相辅相成。1956 年感知机的诞生，这时候就提到算力问题；1965 年摩尔提出了摩尔定律，算力与人工智能也是相辅相成发展；1980 年专家系统；一直到 2012 年， GPU 的加速，如果没有这个加速很难为产业服务；到 2016 年，围棋 AI 在 170 个 GPU 上运行。流媒体视频占全球互联网下行流量的 58%。2019 年8 月国内互联网终端数突破了 20 亿，每月超过 20亿的注册访问量，人工智能的蓬勃发展带来了算力需求的指数增长。

从硬件的角度来看，摩尔定律在最近几年已经放缓，算力需求每三到四个月翻一番。从算力需求快速增长，到算力提升放缓，怎么去解决这个矛盾，国际上也做了各种探索。这是谷歌的TPU，神经网络专用芯片，希望用它提升算力。包括中国的地平线、寒武纪等都开展了人工智能专用芯片的研究，这已经和 CPU、GPU 不在一个量级了。还包括量子计算，可不可以存算一体架构，类脑计算怎么提升，还有光电智能计算，从自然到科学都在讨论这个问题，算力如何提升。对算力提升在国际上也是一个极具需求和发展的路径。普林斯顿大学教授提到了全光计算，算力能提升3 个数量级，如果用上，功耗下降 6 个数量级。我们在提供算力的同时，功耗也在下降。其实光电计算并不是什么新东西，它和人工智能发展一样是三起三落。光计算起来时，硅基的算力就够了，后来贝尔实验室做了人工智能、做了光电计算，但是没有办法用。一直到今年光电计算才提到议事日程。以三维受控衍射传播实现全并行光速计算为例，这是一个颠覆，采集与计算无缝衔接，突破了存算分离速度制约，速度提升至少千倍，计算频次 1 THz，远超 GHz 电子计算。国际上目前有三个架构，一个是麻省理工的干涉神经网络，一个是明斯特大学和剑桥做的相变脉冲神经网络，还有清华大学做的衍射神经网络，都出现了不少研究和成果。如果光电计算实现，在无人系统中能够体现非常大的能力，尤其是光电计算的自动驾驶，因为计算量非常快，导致力度特别大；在军事武器，尤其导弹上，光电计算会使得现有的导弹速度再提升一个数量级，从而使无人系统更快、更小、更智能。现在也在研究云上的光电芯片、端侧的光电芯片，如果光电智能的芯片能研究出来，对新基建、工业互联网、计算机视觉、光通信和纳米级目标感知与识别这方面都能带来非常大的作用，也是算力提升的一个最重要的方向。

算法牵扯到我们的核心。要让电脑像成人般下棋比较容易 , 让它把一个东西放在一个桌子上也非常简单。但是莫拉维克悖论指出，要让电脑有如1岁小孩般的感知和行动能力却是相当困难，甚至是不可能的。因此，如何实现高效，而且这个算法还能解释清楚，包括鲁棒的新一代智能，现在国内外都在研究。

脑科学对人工智能算法的启示。人工智能算法的进步都离不开脑科学的积累和呈现，包括算法层次的解释、启发卷积神经网络。Hubel 从1958 年发现简单和复杂的细胞，发现视觉系统的卷积特性。还有一类，类脑计算、脑启发、脑科学怎么做的。上面是 1907 年脉冲神经元的认知问题；1981 年美国加州提出了单板模拟百万神经元的计算，IBM 公司做了这方面的工作；直到现在，清华大学的专家都在类脑和存算一体上做了非常重要的工作。人工智能算法怎么考虑，下面这些做人工智能算法的很多科学家都是认知科学家，而不是人工智能的信息科学家；上面脑观测成果，脑科学为人工智能启示和认知科学家对人工智能的理解搭建了桥梁。

整体分析可以看到，脑科学家对信息传递机制、信息解释机制有一批获诺贝尔奖；人工智能方面，尤其是心理学家、认知科学家提出了一系列人工智能的算法，他们获得了图灵奖。所以人类如何思考和机器如何思考是有关系的，怎么建立这样一个恰当关系，是要研究的重要环节。大脑工作机理、信息的传递，工作的功耗非常低，只有 20 瓦，怎样找到新机制，找到新一代人工智能算法非常重要。从大机制来看，我们对神经细胞的理解，这时候是感知的智能。现在大部分都通过核磁共振对宏观图像理解，也就是现在提出的弱人工智能，如果把这三个打通，从微观、介观到宏观结合起来，对全脑的认知能不能做一个强认知智能。这是整体的脑科学和机理建立起来，构建一个认知桥，多模态的观测，通过先进神经技术，揭示脑结构、脑功能与智能产生的多层次关联与多模态影射机制，建立认知模型和类脑智能体系。

美国 2016 年就启动了一个阿波罗项目，1 亿美金，3 个课题组共同联合，有做机器学习，有做脑科学的，有做脑成像，有做脑机理，要做 1个立方毫米、10 万神经元的解析，把它们的连接打通。上面是神经元模型，下面是机器学习模型，能不能揭秘映射关系。尽管斑马鱼、小鼠神经元都不同，斑马鱼才有 1 千神经元，果蝇不到 10 万神经元，人类最多 8 百多亿神经元，但是它们都具有通用智能。所以通用智能怎样看待它对环节的理解，人对复杂环境的理解，斑马鱼对复杂环境的理解，生存的环境它们都能理解，因此都具备通用智能。但是完全靠它很难解释一个通用智能的诞生。最近 IBM 用果蝇通用智能方法研制了一套武器装备系统。果蝇 10 万神经元有 8 万是视觉系统。研究符合人脑进化过程的新一代人工智能理论体系能不能构建起来，这是大家要思考的问题。因此，我们对脑科学里，尤其是机理做了分析，既有记忆痕迹假设，也有海马体和记忆，一直到记忆与脑区的关系。通过记忆能不能构建起一个新的人工智能算法，这是另外一条通路，我们在做试验。

于是提出了生物机制，包括记忆环路。如果记忆环路超出界限，我们用物理的熵平衡把这个机理建模，最后能不能提出一个新的人工智能算法，这是清华提出的人工智能算法框架。这里需要反馈验证，所以提出了生物科学机制的发掘，包括数学物理机制的约束，一直到新一代神经网络，这样一个自学习的作用。这里给出一个框架，科学家希望能在这个框架下研究算法和工作。我们要做人工智能新的算法，一定要去打通脑科学机理；第二通过知识驱动和数据趋同共同构架一个架构，这是人工智能算法的初步分析。

既然人工智能算法这样做了，现在我们一直要想到，算法好、算法坏是不是应该测试一下。所以，人工智能从 2016 年到未来这一段时间发展非常快，各种游戏、工具，以及各种与人类相关的这种工作都被人工智能取代。但是，这些东西能不能做的更好，是不是已经完结，需要做一套测试。图灵首先给出了一个测试判断人工智能的水平。第一代图灵测试进行过分析，图灵测试的提出，包括到 1986 年早期自然语言处理，到现在程序首次通过了图灵测试，人工智能终于能像人类一样学习并通过了图灵测试。第二代有很多科学家都在研究图灵测试，对深度网络怎么测试，现在已经从通用测试到专用测试，具有了测试机器常识推理的能力，通过标准考试的能力。以前是给一个通用测试，70%，现在通用智能测试不能起作用，专用测试神经网络抽象推理能力。这是第二代，专用测试。

新一代图灵测试，现在讲新一代的认知智能，从专用智能要走向通用智能，以前我们所提到的图灵测试还能够测试认知智能吗？这又提出了一个新问题，也是一个新方向。我们从脑、认知、智能，人工智能理论从局部发展到全局发展，怎么做这样的测试，这是需要挖掘和发展的。如何实现具有功能识别、逻辑还能推理、认识还能决策的新一代认知智能，要达到这三个要素，我们称为新一代人工智能特征。

我们测试什么，按照功能识别、逻辑推理和认知决策这三方面测试，可以分布测试也可以整体测试，这是对新一代人工智能提出的目标和要求，给出新的测试方向。我们以前做认知智能时，微观、宏观和全脑的介观尺度观测，类脑计算技术起到很大作用，也对测试带来了新挑战。大脑的信息 80% 来自视觉，包括人类独有的语言功能，感知外界环境，理解建模外界环境，与外界环境交互，怎样做决策、记忆与学习，感知世界、理解世界是人工智能最重要的目标。从这里大家可以看到，多模态回路观测技术揭示了脑结构、脑功能与智能产生的多层次关系，所以认知测试应该是未来一个新方向。新一代图灵测试逻辑推理，功能识别到认知决策，目前部分方面国际上已经做了很多贡献，也在初步发展这条路径。希望在座的，包括科学家、包括产业界都能够在图灵测试上发掘一些力量。

最后总结一下。在算力上包括光电计算在这里起到很大作用，从算法上我们更希望能不能更接近、更逼近本原的认知计算理论与方法；第二，脑科学启发人工智能；第三，认知测试层面，能不能提出新一代图灵测试，功能识别、逻辑推理、认知决策这方面给出一个新方向。

⑶ 人工智能需要什么基础

人工智能需要什么基础？
人工智能是一个包含很多学科的交叉学科，你需要了解计算机的知识、信息论、控制论、图论、心理学、生物学、热力学，你要有一定的哲学基础，有科学方法论作保障。这些学科的每一门都是博大精深的，但同时很多事物都是相通的，你学了很多知识有了一定的基础的时候再看相关知识就会触类旁通，很容易。在这中间关键是要有自己的思考，不能人云亦云，毕竟人工智能是一个正在发展并具有无穷挑战和乐趣的学科，如果你对人工智能感兴趣，那欢迎到网络的人工智能吧做客，那里有对人工智能丰富而深刻的讨论。
需要必备的知识有: 1、线性代数：如何将研究对象形式化？ 2、概率论：如何描述统计规律？ 3、数理统计：如何以小见大？ 4、最优化理论： 如何找到最优解？ 5、信息论：如何定量度量不确定性？ 6、形式逻辑：如何实现抽象推理？ 7、线性代数：如何将研究对象形式化？人工智能简介: 1、人工智能（Artificial Intelligence），英文缩写为AI。 2、它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能涉及的学科: 哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。

1.人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。
2. 人工智能是包括十分广泛的科学，它由不同的领域组成。入门最基本的的知识是:机器学习、机械原理、计算机原理、计算机视觉等等。总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。

⑷ 给人工智能提供算力的芯片有哪些类型

给人工智能提供算力的芯片类型有gpu、fpga和ASIC等。

GPU，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器，与CU类似，只不过GPU是专为执行复杂的数学和几何计算而设计的，这些计算是图形渲染所必需的。

FPGA能完成任何数字器件的功能的芯片，甚至是高性能CPU都可以用FPGA来实现。 Intel在2015年以161亿美元收购了FPGA龙 Alter头，其目的之一也是看中FPGA的专用计算能力在未来人工智能领域的发展。

ASIC是指应特定用户要求或特定电子系统的需要而设计、制造的集成电路。严格意义上来讲，ASIC是一种专用芯片，与传统的通用芯片有一定的差异。是为了某种特定的需求而专门定制的芯片。谷歌最近曝光的专用于人工智能深度学习计算的TPU其实也是一款ASIC。

(4)为社会智能提供了重要的算力算法扩展阅读：

芯片又叫集成电路，按照功能不同可分为很多种，有负责电源电压输出控制的，有负责音频视频处理的，还有负责复杂运算处理的。算法必须借助芯片才能够运行，而由于各个芯片在不同场景的计算能力不同，算法的处理速度、能耗也就不同在人工智能市场高速发展的今天，人们都在寻找更能让深度学习算法更快速、更低能耗执行的芯片。

⑸ 人工智能需要什么基础

人工智能（AI）基础：
1、核心三要素——算力、算法、数据（三大基石）：
算法、算力、数据作为人工智能（AI）核心三要素，相互影响，相互支撑，在不同行业中形成了不一样的产业形态。随着算法的创新、算力的增强、数据资源的累积，传统基础设施将借此东风实现智能化升级，并有望推动经济发展全要素的智能化革新。让人类社会从信息化进入智能化。
1）算力：

在AI技术当中，算力是算法和数据的基础设施，支撑着算法和数据，进而影响着AI的发展，算力的大小代表着对数据处理能力的强弱。
（2）算法：
算法是AI的背后“推手”。

AI算法是数据驱动型算法，是AI的推动力量。
（3）数据：
在AI技术当中，数据相当于AI算法的“饲料”。

机器学习中的监督学习和半监督学习都要用标注好的数据进行训练，由此催生了大量数据标注公司，它们将处于未经处理的初级数据，转换为机器可识别信息。只有经过大量的训练，覆盖尽可能多的各种场景才能得到一个良好的模型。
2、技术基础：
（1）文艺复兴后的人工神经网络。
人工神经网络是一种仿造神经元运作的函数演算，能接受外界资讯输入的刺激，且根据不同刺激影响的权重转换成输出的反应，或用以改变内部函数的权重结构，以适应不同环境的数学模型。

（2）靠巨量数据运作的机器学习。
科学家发现，要让机器有智慧，并不一定要真正赋予它思辩能力，可以大量阅读、储存资料并具有分辨的能力，就足以帮助人类工作。

（3）人工智慧的重要应用：自然语言处理。
自然语言处理的研究，是要让机器“理解”人类的语言，是人工智慧领域里的其中一项重要分支。
自然语言处理可先简单理解分为进、出计算机等两种：
其一是从人类到电脑──让电脑把人类的语言转换成程式可以处理的型式；
其二是从电脑回馈到人──把电脑所演算的成果转换成人类可以理解的语言表达出来。

⑹ 人工智能需要什么基础

人工智能（AI）基础：

1、核心三要素——算力、算法、数据（三大基石）：

算法、算力、数据作为人工智能（AI）核心三要素，相互影响，相互支撑，在不同行业中形成了不一样的产业形态。随着算法的创新、算力的增强、数据资源的累积，传统基础设施将借此东风实现智能化升级，并有望推动经济发展全要素的智能化革新。让人类社会从信息化进入智能化。

2、技术基础：

（1）文艺复兴后的人工神经网络。

人工神经网络是一种仿造神经元运作的函数演算，能接受外界资讯输入的刺激，且根据不同刺激影响的权重转换成输出的反应，或用以改变内部函数的权重结构，以适应不同环境的数学模型。

（2）靠巨量数据运作的机器学习。

科学家发现，要让机器有智慧，并不一定要真正赋予它思辩能力，可以大量阅读、储存资料并具有分辨的能力，就足以帮助人类工作。

（3）人工智慧的重要应用：自然语言处理。

自然语言处理的研究，是要让机器“理解”人类的语言，是人工智慧领域里的其中一项重要分支。

自然语言处理可先简单理解分为进、出计算机等两种：

其一是从人类到电脑──让电脑把人类的语言转换成程式可以处理的型式；

其二是从电脑回馈到人──把电脑所演算的成果转换成人类可以理解的语言表达出来。

⑺ 知识+数据+算力：算法进化升级的路径是什么|德外独家

算法融入信息传播，带来了传播的深刻变革。推荐算法基于大数据和人工智能技术，通过算法模型，进行信息与用户的匹配，成为智能传播中的主导力量。

然而，经过算法过滤选择后，匹配给用户的信息对个人认知、判断以及 社会 性的负面影响，引起了广泛的关注和担忧。

作者从智能传播中算法的缺陷入手，围绕算法优化和升级，与人工智能行业专家、国家广播电视总局广播电视科学研究信息与安全技术研究所王磊博士，展开探讨，以期为算法进化找到可行路径。

以下为两人对谈的详细内容。

推荐算法只能依从用户

个人的偏好、需求吗？

于烜： 算法融入信息传播，改变了信息采集、生产、分发和反馈等过程，带来了传播的深刻变革。在移动互联网时代，算法主导信息分发，算法的个性化推荐（简称推荐算法），有效应对了信息超载带来的分发危机，解决了海量信息与用户间的供需匹配问题，优化了生产和消费的资源配置效率，无疑是一种先进的技术和生产力。

但是， 推荐算法存在一个明显的缺陷。 我们知道在现代 社会 中，传播的一个重要功能是实现 社会 整合，以传统媒体为代表的大众传播发挥了 社会 整合的作用，传媒能够把不同阶层、人群、族群凝聚起来，形成 社会 共识，这就是媒体公共性的体现。

然而，个性化算法推荐，依据的是网络中用户本人或相似人群的个人兴趣、爱好、习惯、需求，只体现了个性，缺少公共性， 公共性缺席是算法主导信息传播的一个明显的缺陷。推荐算法只能依从用户个人的偏好、需求吗？

王磊：从技术上说，算法是一种中介， 通过算法模型，将信息与用户进行匹配，本质是要解决信息和用户的精准匹配问题。无论是传统的机器学习算法，还是近年来兴起的深度学习算法，通过用户个人属性和网络应用使用过程中的数据记录，挖掘用户个人兴趣、需求， 最终达成个人信息需求的精准匹配，这就是算法的使命。

当算法融入传播，算法主导的短视频平台、资讯平台成为了媒体，作为媒体，需要传播主流价值观，需要承担媒体公共性责任， 除了个性化的推荐，在算法中应该体现出公共性，这是从媒体角度、传播角度，对算法的要求。

于烜： 目前的智能传播中，算法并没有回应这样的要求。也就是说，从传播角度看，目前普遍应用的个性化推荐算法技术自身是有缺憾的，换句话说， 仅仅依靠推荐算法技术进行的传播，是有缺陷的，需要进化。

王磊： 对，可以这样理解。

于烜： 近年来，智能传播中，经过算法过滤选择后匹配给用户的信息，对个人认知、判断以及 社会 性的负面影响，引起了传播学研究的关注，比如信息茧房、算法囚徒、圈层化，这些研究都提示了算法带来的风险。所以无论是从算法技术自身的缺憾，还是算法在现实传播中带来的问题两个层面看，算法需要升级。

王磊： 确实如此， 推荐类算法需要从算法技术路线和网络架构上进一步升级， 以尝试解决上述问题。

算法是否能够发现用户更全面多样的内容？

于烜： 大众传播时代的信息也是要过经过媒体过滤选择的，但是在新闻专业主义的准则下，信息选择有明确的标准，要求客观、平衡，以尽可能反映 社会 现实。

但是，算法的根本逻辑是流量，以流量为目的进行信息匹配。研究表明，流量偏向情绪性、故事性、戏剧性内容，客观、平衡这一新闻传播大厦的基石已经被流量冲垮了。

100年后的今天，被算法选择的信息失衡、失真，拟态环境和现实世界不是越来越接近，相反却是越来越偏离了。

算法模型中，是否可以将客观、平衡等专业价值观要素导入进去？也就是说不仅仅找到迎合用户表面的喜好，也能发现他潜在的需要，或者是他愿意了解、也应该了解的更全面的这样一些内容？在实现过程中面临的困难和挑战又是什么？

王磊： 我想可以尝试突破信息传播失衡、失真的现状，但是实现起来难度很大。 一种办法是算法+规则，即以现有深度学习算法模型为基础，将专业价值观理念设定为相应规则，两者结合形成新的计算模型，进行相应信息匹配。 但是，现实中难度很大。

还有一个办法，需要通过技术演进来实现。从人工智能发展历程看， 现在正处于弱人工智能时代， 即“数据+算法”的时代，这一时期通过大量投喂数据，算法精度较过去提高了很多，但是 存在一个难以破解的核心问题——无法解决海量数据之间的深层次语义层面的关联关系，算法的泛化能力比较差， 简单说就是在一个数据集中的模型，运用在另一个相似数据集中，其效果会变差。

只有当技术演进到 “知识图谱+算法” 阶段，能够在数据间找到并建立起相应的关联关系，破解数据语义层面的联系，才有可能挖掘出用户潜在的、多层次的需要，改变目前简单迎合的状况。

清华大学张钹院士提出的第三代人工智能，即 知识+数据+算法+算力， 或许未来可以从这个方面突破，一定程度上弥补当前信息传播中推荐类算法的缺陷。

第二代人工智能阶段，

如何推动综合评价体系建立？

于烜： 算法驱动的内容平台通过组织生产和算法分发，已然成为了智能传播时代的主体，因此说需要通过规则导入，促使算法进化。

目前个性化推荐算法，强调的是迎合用户个人个性化的精度，是不是可以从内容端的广度进行考量， 比如说，内容的多样性，让观点多样、信源多样、品类多样的内容达到用户？也就说是否可以通过内容的广度，来体现新闻传播客观、平衡。

王磊： 是的， 除了精度，算法的广度应该成为一个评价指标，如对内容的非歧视性关联推荐等。现阶段综合评价指标的合理设计将引导算法不断地优化升级。 当然，这些评价标准的制定也需要传播学的专家加入，共同探讨。

于烜： 如果要对今天的对话做一简短小结，我想说，面对算法技术的缺憾及引发的问题，算法无疑需要进化。而算法进化有赖于算法技术自身的演进，有赖于算法掌控者的伦理培养，有赖于监管部门的标准规范。同时，这需要学界、业界、政府共同努力。

编者按：

作者：于烜，北京广播电视台高级编辑、新闻传播学博士，德外5号特约作者。

⑻ 人工智能三要素包括

人工智能的三要素：数据、算力和算法。这三要素缺一不可，都是人工智能取得成就的必备条件。
人工智能英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

⑼ 大数据和人工智能有什么关系呀

人工智能和大数据的关系是非常紧密的，实际上大数据的发展在很大程度上推动了人工智能技术的发展，因为数据是人工智能技术的三大基础之一（另两个基础是算法和算力）。从当前人工智能的技术体系结构来看，当前的人工智能对于数据的依赖程度还是非常高的，也可以说没有数据就没有智能。

要想理解人工智能和大数据之间的关系，可以通过机器学习来进行描述，一方面机器学习是人工智能技术的重要组成部分，另一方面机器学习在大数据领域也有广泛的应用，所以机器学习可以看成是人工智能和大数据之间的桥梁。

机器学习有五个大的步骤，包括数据收集、算法设计、算法实现、算法训练和算法验证，完成验证的机器学习算法就可以在实际场景中应用了。通过机器学习的步骤可以发现，数据收集是机器学习的基础，没有数据收集就无法完成算法训练和算法验证，实际上数据对于算法设计也有非常直接的影响。从这个角度来看，在进行人工智能研发之前，首先就要有数据。

目前机器学习不仅在人工智能领域有广泛的应用，机器学习也是大数据分析的两种常见方式之一，所以很多大数据行业的从业者，通过机器学习也可以比较顺利地转向人工智能领域，这也在一定程度上模糊了大数据和人工智能之间的技术边界。实际上，目前很多从事人工智能研发的企业都有一定的大数据基础，这也是为什么很多互联网企业能够走在人工智能研发前列的原因之一。

最后，大数据和人工智能的发展还需要两个重要的基础，分别是物联网和云计算，物联网不仅为大数据提供了主要的数据来源渠道，同时也为人工智能产品的落地应用提供了场景支撑，而云计算则为大数据和人工智能提供了算力支撑。所以，从事大数据和人工智能领域的研发，也需要掌握一定的物联网和云计算知识。

⑽ 人工智能需要什么基础

1、核心三要素——算力、算法、数据（三大基石）：

算法、算力、数据作为人工智能（AI）核心三要素，相互影响，相互支撑，在不同行业中形成了不一样的产业形态。随着算法的创新、算力的增强、数据资源的累积，传统基础设施将借此东风实现智能化升级，并有望推动经济发展全要素的智能化革新。让人类社会从信息化进入智能化。

（1）算力：

在AI技术当中，算力是算法和数据的基础设施，支撑着算法和数据，进而影响着AI的发展，算力的大小代表着对数据处理能力的强弱。

（2）算法：

算法是AI的背后“推手”。

AI算法是数据驱动型算法，是AI的推动力量。

（3）数据：

在AI技术当中，数据相当于AI算法的“饲料”。

机器学习中的监督学习和半监督学习都要用标注好的数据进行训练，由此催生了大量数据标注公司，它们将处于未经处理的初级数据，转换为机器可识别信息。只有经过大量的训练，覆盖尽可能多的各种场景才能得到一个良好的模型。

2、技术基础：

（1）文艺复兴后的人工神经网络。

人工神经网络是一种仿造神经元运作的函数演算，能接受外界资讯输入的刺激，且根据不同刺激影响的权重转换成输出的反应，或用以改变内部函数的权重结构，以适应不同环境的数学模型。

（2）靠巨量数据运作的机器学习。

科学家发现，要让机器有智慧，并不一定要真正赋予它思辩能力，可以大量阅读、储存资料并具有分辨的能力，就足以帮助人类工作。

（3）人工智慧的重要应用：自然语言处理。

自然语言处理的研究，是要让机器“理解”人类的语言，是人工智慧领域里的其中一项重要分支。

自然语言处理可先简单理解分为进、出计算机等两种：

其一是从人类到电脑──让电脑把人类的语言转换成程式可以处理的型式；

其二是从电脑回馈到人──把电脑所演算的成果转换成人类可以理解的语言表达出来。