计算机技术与人工智能基础十篇

计算机技术与人工智能基础篇1

关键词：智能科学与技术；课程体系；培养管理

1背景

智能科学与技术是当前科学研究和工程实践的理论与技术发展的前沿领域，智能科学与技术专业是一个多学科交叉的跨应用领域专业Ⅲ。智能科学技术的发展将把整个信息科学技术推向“智能化”的高度，这正是当代科学技术发展的大趋势，对于这方面人才的需求也越来越迫切。智能科学与技术培养掌握坚实智能科学与技术基本理论和系统专门知识，具备作为工程师或领导者及公民的良好人文修养，具有从事科学研究、工程设计、教学工作或独立担负本专业技术工作能力，深入了解国内外智能科学与技术领域新技术和发展动向，能结合与本学科有关的实际问题进行创新研究或工程设计的高级专门人才。

高校应稳妥发展与完善智能科学与技术专业的本科生教育，夯实本科教育基础并积极创造条件，大力开展创新教学，努力培养学生的创新意识、创新精神和工程实践能力，使之成为具有系统技术基础理论、专业知识和基本技能，良好科研素质和较强创造能力的智能科学与技术工程师。

2教学计划与教学管理分析

智能科学与技术属于计算机类专业，其必修课程设计原则是使学生具备计算机科学与工程的基础理论知识，尤其是大类专业招生教学的院校，通识课程主要是数学、物理文化基础，强调扎实的自然科学基础。专业教学的特色体现在专业必修和专业选修课程，专业必修课一般分为数学基础和专业课程。计算机类专业数学基础课程一般包括线性代数、微积分、离散数学、微分方程、概率与统计、数值计算等；专业课程一般包括程序设计基础、高等程序设计、数据结构、操作系统、计算机组成与结构、数字电路与逻辑设计等。

2.1学分

本科培养计划的学分中，国内外大学学分总数趋势是逐步减少，追求少而精。国内院校一般在130～190学分之间，如北京大学为150学分，清华大学为1 70学分，东南大学与浙江大学均为160学分，还有16学时为1学分的，也有18学时为1学分的。

中国台湾的大学一般在130学分左右。台湾交通大学最低毕业学分为128学分，其中必修课程须达76学分（共同必修58学分+资工组核心须达分+（资工组副核心课程学分+另2组核心课程学分）），专业选修本系课程须达12学分，其他选修课程须达12学分，通识课程须达28学分（含外语课程必修8学分）。台湾“中央大学”为136学分，台湾“清华大学”为136学分，其中必修和必选学分126，其他与导师商量决定。

美国的大学各校差异较大。美国的学分计算有4学期制、两长一短制及两学期制，其中加州大学伯克利分校为120学分，麻省理工大学为90学分，加州大学洛杉矶分校为186学分，斯坦福大学为180学分。

2.2教学管理

在教学管理上，斯坦福大学给学生提供了非常宽松的自由发展空间。新生入校后不分专业、不分学院。除了医学院和法学院学生需要经过一定的选拔程序外，本科生可以在入学后的前一个学期适当时候随意选择专业，并且选择专业后允许更改，只要毕业时满足专业培养方案即可。

国内的浙江大学是较早实行按大类招生的学校之一，分为大类培养、专业培养和特殊培养3类，前两年不分专业，按学科分类集中培养。

台湾的大学专业也是按大类完成前期的基础课程，再分小专业完成各学程，包括基础课、核心课和进阶课。

教学分组是现在的主流课程架构，也是体现专业方向的主要形式，分组课程是体现专业特色的课程组。国内清华大学采用的是分组教学；台湾的大学基本上采用的是以教学方向分组的方式，台湾的大学教学分为课程与修业、学分学程。

2.3实验与实践教学

计算机类专业各大院校都强调课程实验与实验教学，而目前课程该如何进行教学？这不仅是实验问题，如何以工程教育专业论证为目标，怎样使教学目标达到毕业要求是关键。做中学是主流实验教学方式，尤其是美国的大学，大作业体现的是实验与理论教学的结合，是考查学生是否理解理论知识的重要途径。学生不仅能够学习扎实的数学和计算机专业知识，还进行大量的实践创新训练。麻省理工大学、加州大学伯克利分校、加州大学洛杉矶分校、斯坦福大学都属于实践创新性教学模式。例如，斯坦福大学程序设计范式课程重点比较C、C++、Java的特点和难点，每1～2周有一次大作业，针对不同的任务，要求学生用不同的语言实现，使学生加深理解各类编程语言的应用场合；麻省理工大学的课程计划是必须先修12学分的实验课程，再修3门或4门核心课程，最后选择3门方向学科和1门关于该方向的实验课、2门专业拓展课。

3智能科学与技术课程体系分析

智能科学与技术课程体系在智能基础理论研究的基础上，需要安排基础性、通用性、关键性的智能技术研究，主要包括感知技术和信息融合技术；自然语言处理与理解技术；知识处理（认识）技术，包括知识提炼、知识分类、知识表示技术等；机器学习技术，特别是统计与规则相结合的学习技术；决策技术，即知识演绎技术特别是不确定推理技术等；策略执行技术，即控制与调节技术；智能机器人技术，特别是面向专门领域的智能机器人技术；智能机器人之间的合作技术；基于自然语言理解的智能人机交互与合作技术；智能信息网络技术。

国内最早创办智能科学与技术专业的学校包括北京大学，西安电子科技大学是第2批开始培养智能专业学生的院校。北京大学的本科教学计划中，专业必修课程（2分）包括：①专业数学/理论基础（15学分）：算法分析与设计、集合论与图论、概率统计A、代数结构与组合数学、数理逻辑；②硬件与系统基础（分）：数字逻辑设计、微机原理和信号与系统；③智能基础（5学分）：脑与认知科学与人工智能基础。专业限选课程（15学分）包括信息论基础、计算方法B、数字逻辑设计实验、微机实验、数据结构与算法实习、机器感知和智能处理实验、智能多媒体信息系统实验。选修组合课程（29～32学分）：学生按照自己的兴趣，参考智能的2个专业方向推荐专业课组合，自行选择，至少选修20学分的智能专业课程。公共核心+专业方向+新技术及其他：①公共核心课程（分）：智能科学技术导论、模式识别基础、生物信息处理、智能信息处理；②专业方向课程（11～15学分）：机器感知与智能机器人方向、智能信息处理与机器学习方向、新技术及其他。

西安电子科技大学智能专业主要课程包括电路分析理论、信号与系统、数字信号处理、数字电路及逻辑设计、模拟电子技术基础、微机原理与系统设计、数据结构、软件工程、人工智能概论、算法设计与分析、最优化理论与方法、机器学习、计算智能导论、模式识别、图像理解与计算机视觉、智能传感技术、移动通信与智能技术、智能控制导论、智能数据挖掘、网络信息检索、智能系统平台专业实验等课程及30多门选修课程。

建议各学校可以根据学院教学特色与实际需求，设计专业核心课程。北京大学偏重“信息处理”，湖南大学偏重“智能系统”，但需要强调的一个前提就是智能科学与技术专业属于大计算机类，更需要大EECS专业的基础。编程、电路、数学、数据结构、计算机系统这五大核心基础就是大EECS；其次是专业，计算机以系统结构、操作系统、网络、编译、数据库五大经典专业核心课为主，湖南大学的智能科学与技术专业强调系统，因此信号与系统、操作系统、嵌入式系统、人工智能是最基本的专业核心课，然后再分不同的分支。湖南大学智能科学与技术专业核心课程包括人工智能概论、机器学习、计算智能导论、模式识别、智能控制导论、智能数据挖掘、机器人学等；研究学位课程包括模式识别、人工智能等，主要体现为智能科学与技术基础（人工智能概论、机器学习、计算智能导论、模式识别）、核心（智能控制导论、智能数据挖掘）和应用（机器人学）。

4结语

（1）在课程计划实施过程中，教师需要遵循课程的时序图，即描述课程的进阶关系，从本科直到研究生，同时还可以实行一定的修课限制，如台湾交通大学计算机概论与程式设计和面向对象程式设计两科皆不及格者不得修数据结构与算法概论，若数据结构不及格不能修算法设计课程等。

（2）程序设计类课程用上机程序能力考试来设置合格条件，如台湾交通大学基础程式设计及格条件为通过“程式能力鉴定”，湖南大学则以CCF―CSP软件能力测试作为程序设计课程通过的考核标准。

（3）鼓励学生参与项目、竞赛等课外科技活动，如台湾“清华大学”的综合论文训练是由具有同等水平的项目训练成果或SRT（student research training）计划项目以及其他课外科技活动成果经认定后代替的。

（4）精炼的课程教学。核心课程应该精且必须加强课程实验，只有对方法和理论有正确的认识才能掌握这门课程，而动手完成实验才能真正融会贯通。麻省理工大学、加州大学伯克利分校、加州大学洛杉矶分校的学生具备扎实的数学和计算机专业知识后，都需要进行大量的实践创新训练。

计算机技术与人工智能基础篇2

关键词：智能制造；智能科学与技术；人工智能技术；机器人；实验平台建设

智能制造是基于新一代信息技术，贯穿设计、生产、管理、服务等制造活动各个环节。具有信息深度自感知、智慧优化自决策、精准控制自执行等功能的先进制造过程、系统与模式的总称。是信息技术和智能技术在装备制造过程技术的深度融合与集成。加快推进智能制造，是我国在全球新一轮产业变革竞争背景下出台的《中国制造2025》的主攻方向。广东省作为国内制造大省和全球重要制造基地，也对接印发了《广东省智能制造发展规划（2015-2025年）》。针对广东省制造业的创新能力、产业结构、信息化水平的缺乏竞争力的问题，大力实施创新驱动发展战略，推动智能制造核心技术攻关和关键零部件研发，推进制造过程智能化升级改造，实现“制造大省”向“制造强省”转变。创新驱动，智能化升级改造需要国际领先水平人才的引进和高等院校实战型工程技术人才培养。我院智能科学与技术专业就是面向广东智能产业的深度融合设置的。其专业实验平台的建设需要针对广东省高端装备、制造过程、工业产品智能化等领域的薄弱环节，以“机器智能”为方向，完善实验教学体系、整合实验教学资源，开设综合性、创新性的实验项目，培养学生实践能力和创新意识。紧密联系企业，针对智能制造关键技术协同创新。培养具有智能系统开发与设计、智能装备的应用与工程管理能力；能在智能装备、智能机器人、智能家居等领域从事智能系统的是开发与设计、应用于维护、运营与管理的“厚基础、强应用、能创新”的高素质工程应用型人才。

1专业实验平台建设思路

面向智能制造专业实验平台的建设，依据《广东省智能制造发展规划（2015-2025年）》中发展智能装备与系统，工业产品、制造流程智能化升级改造的任务，从智能科学与技术知识体系中提取专业发展方向的课程，建立完善专业实践教学体系。以“机器智能”为方向建设人工智能与机器人实验室为核心，以项目、科技竞赛、紧密对接企业协同创新为手段，培养学生能够运用工程基础知识和专业理论知识设计工程实验，分析实际问题的能力，培养学生查询检索资料文献获取知识的能力，培养学生能够综合运用自然科学知识、专业理论知识和技术手段设计系统和过程解决实际问题的能力。通过科技竞赛等活动，培养学生在团队里具有工程组织管理能力、表达能力和人际交往能力。通过与企业的合作，掌握基本创新方法，并让学生具有追求创新的态度和意识，以培养学生的综合素质和能力为重点。立足华软学院电子系电子信息工程嵌入式专业、自动化专业、通信工程专业现有的平台优势，按照“整合、集成、共享、提升”的基本思路，完善支撑体系，优化验教学资源配置，建设一个能够与广东智能产业深度融合的阶梯形层次化实验平台。

2实验平台建设内容

智能科学与技术专业实验实践平台的建设要依据实验教学体系的构建，突出面向智能制造工程实践为特色，按照学生的成长需要，建立阶段化、层次化、模块化的实验教学体系。

2.1专业实践课程体系建设

面向智能制造的智能科学与技术专业定位是以工程应用型人才培养为目标的，是在通识教育基础上的特色专业教育。专业课程体系的建设首先还是以培养学生具有扎实自然科学基础知识，人文社会科学知识和外语应用能力为基础，其次是智能科学与技术专业技术基础课程，如数字系统与逻辑设计、数字信号处理基础、信号与系统、电路分析与电子电路；c语言程序设计与算法分析、数据结构、数据库与操作系统、微机原理与接口、传感器与检测技术等。最后是专业方向类课程，也是专业的核心课程，如制造业基础软件中的嵌入式软件、工业控制系统软件，工业机器人中人工智能技术应用和智能控制技术。主要有知识获取模式识别；数据通信与网络；嵌入式系统移植和驱动开发；嵌入式应用开发；人工智能与神经网络；智能控制技术；机器人学等课程。培养学生具备计算机技术、自动控制技术、智能系统方法、传感信息处理等技术，完成系统集成，并配合专业实践课程体系如图1，完成电子工艺实习、技术基础课程、核心课程的课程设计和综合项目实验，并在工程应用中实施的能力。

2.2实践教学体系建设

依据专业实践课程体系，构建主要包括计算机基础、电路基础、信息与控制基础、嵌入式技术、机器智能系统五大模块开展不同学习阶段层次化的实验教学体系。主要包括基础类、专业实训类、综合创新类。

1）基础类实验注重开设与课堂教学中基本理论相结合的精品实验项目，并逐步提升基础实验课时的比例。从实践中启发引导学生牢固掌握基础理论知识。除此之外，还要注重工作方法和学习方法的能力培养，如收集信息查找资料、制定工作计划步骤、从基础理论到解决实际问题的思路以及独立学习新技术的方法和评估工作结果的方法。培养学生厚实的专业基础知识和能力。

2）专业实训类实验主要以项目教学、案例教学、情景教学方式培养学生利用专业知识及方法独立解决行业领域内的任务和问题并能够评价结果的能力。如智能传感应用项目，人工智能技术实验项目，知识表示与推理项目，计算智能项目，专家系统，多智能体系统；机器人项目，如最小机电系统组成，如何完成对电机的控制；利用单轴或双轴控制平台实现基本搬运装配作业。

3）综合创新类实验注重培养学生从理解问题域开始，获取数据和知识、开发原型智能系统、开发完整智能系统、评估并修订智能系统、到整合和维护智能系统六个阶段构建智能系统。如开展人工智能技术在智能制造中的应用包括产品设计加工、智能生产调度、智能工艺规划、智能机器人、智能测量等；直角坐标机器人实现码垛搬运、多关节串联机器人、弧焊机器人实训等。

4）科技竞赛、与企业协同创新，通过观察记录待智能化升级的工厂生产过程，发现定义问题、提出假设、搜集证据检验假设、发表结果、建构理论等实验过程设计的能力。培养学生掌握基本创新的方法，团队协作管理能力、表达沟通能力等。如嵌入式设计大赛、机器人大赛等科技竞赛；以及针对自动化生产线的嵌入式工业控制系统设计；针对原材料制造企业的集散控制、制造绦屑成应用；针对装备制造企业的敏捷制造、虚拟制造应用；工业机器人在汽车、电子电气、机械加工、船舶制造、食品加工、纺织制造、轻工家电、医药制造等行业的应用。

2实验教学保障

智能科学与技术实验平台建设以人工智能与机器人实验室建设为核心，结合目前学院嵌入式系统实验室、自动控制实验室、传感器技术实验室、通信原理实验室资源，仪器设备共享共建的原则，系统化筹备购置。人工智能机器人实验室主要针对智能系统设计开发和机器人应用，基于计算机系统的人工智能技术学习应用包括人工智能技术在智能制造应用和工业机器人仿真软件ABB Robot Studio。基于“探索者”机器人系统控制实训箱Rino-MRZ02（包含履带机器人、双轮自平衡机器人、5自由度机械臂、6自由度机械臂等）

可以开展的项目有：利用启发式算法、遗传算法、蚁群算法等模糊数学理论对工业产品设计进行性能模拟、运动分析、功能仿真与评价；利用人工神经网络自学习、自组织构造产品加工过程新能参数预测模型。利用模式识别、机器学习、专家系统、多智能体系统进行感知、并对环境的改变进行解读、动作进行规划和决策；利用专家系统、遗传算法、模糊逻辑集中式解决生产调度多目标性、不确定性和高度复杂性的问题，寻求最优规则，提高调度的速度；利用蚁群算法、遗传算法分布式多智能体系统进行问题分解、彼此协商、任务指派、解决冲突。

履带机器人可开展电机控制实验；运动控制实验；HD轨迹控制实验；无线通信实验。双轮自平衡机器人呢可开展自平衡模块实验；倒立摆算法实验；双轮载具运动实验。6自由度双足机器人可开展双足运动控制实验；步态规划实验；双足平衡实验；机构改装实验。5自由度机械臂可开展机械臂运动控制实验；颜色分拣实验。可扩展为8自由度双足机器人、轮腿式机器人等技能提高类课程设计。

通过ABB公司的机器人仿真软件RobotStudio进行工业机器人的基本操作、功能设置、二次开发、在线监控与编程、方案设计和验证的学习。

计算机技术与人工智能基础篇3

关键词:智能科学与技术;实验体系;实验平台;特色;创新

中图分类号:G642 文献标识码:B

1引言

被认为是信息科学技术前沿和核心的“智能科学与技术”,自2004年由北京大学自主设立该本科专业以来,不但得到人们的普遍认同,而且得到了较大的发展,全国至今已有15所大学开办该本科专业,其中包含教育部直属高校7所和地方性高校7所,“211”高校就有10所。尽管“智能科学与技术”本科专业在全国已初具规模,但作为本科教育,乃处于起步和探索阶段,一级学科和二级学科还没有完全建立,培养方案的理论体系和实验体系还有待进一步探索和完善。本文主要结合我校在专业实验建设过程中的一些实际和体会,就“智能科学与技术”专业实验平台建设谈一些做法和设想。

2明确实验平台建设的目标和思路

专业的实验平台建设是为专业的培养目标服务的。我校“智能科学与技术”专业的培养目标是:学生要具备坚实的数学、电子技术、计算机和智能信息处理、机器学习和控制、计算机集成、智能理论与技术等较宽领域的工程技术基础知识和专业基础知识,能在科研、教育、企事业等部门从事智能理论研究、智能信息处理、智能技术应用等方面的教学、科研和开发应用等工作,成为能掌握智能理论与技术及专业技能的研究与应用的高级工程技术人才。培养要求是:了解信息系统及智能科学与技术领域的学科前沿、最新进展和发展动态;系统地掌握本专业领域宽广的技术基础理论知识,以适应智能信息处理与技术应

用等方面需求;掌握信息获取、处理的基本理论和智能处理的一般方法,具有设计、集成、应用智能系统的基本能力;具有较强的自学能力、文献检索、资料查询动手能力、创新意识和较高的综合素质等。

实验课不但是对相关理论知识的深入理解和综合运用,而且更是对动手动脑能力的综合培养和锻炼。因此,实验平台建设目标和思路是将基础实验、设计性与综合性实验与课程设计、毕业设计等相结合,理论课程的实验教学与智能科学技术相结合,增加学生创新性的实验与实践,培养学生扎实的理论基础和实践与创新的基本技能。

根据最近中国人工智能学会教育工作委员会制定的“智能科学与技术”作为一级学科,“智能理论与方法”、“知识处理技术”、“智能系统与应用”为一级学科下设的三个二级学科的思路,如图1。因此,实验平台建设的思路应是:(1) 能具备研究和探讨自然智能系统的机理和机器智能的模拟方法的实验系统。它主要包括:脑科学基础、认知科学理论、智能的模拟理论与方法、面向智能的信息理论、知识理论、逻辑理论、复杂系统的自组织理论、决策理论、问题求解方法、机器学习、群体智能、人工情感、人工意识等。(2)能进行知识处理技术多的实验设施或软件系统、智能工具。通过这些设施或软件,执行由信息到知识和知识到策略的思维性加工技术、智能检索、以及多媒体信息处理与机器感知、机器学习等。(3)具备智能系统与应用的各种对象,如智能机器人、智能装置、智能信息网络等。总之,实验的设备和环境既可使学生完成某门课程的验证性实验、综合性实验和设计性实验,也可完成多门课的交叉性实验或课程设计。

图1学科结构图

作者简介:陈以(1963-),男,广西玉林人,研究生,副教授,学院副院长,主要研究方向为智能控制、计算机应用技术。

3实验平台建设的主要内容

大学的实验教学不仅涵盖了理论课的内容,而且比理论课更为复杂。通过实验,既能丰富活跃学生的科学思维,又能使学生加深对课堂上学到的理论知识的理解、巩固和提高,并最终达到培养学生对客观世界的观察能力、分析能力和解决能力。为达到这样一个实验培养目的,实验平台建设的内容应从以下几方面入手。

3.1实验体系建设

“智能科学与技术”作为一个新办的专业,其实验教学体系尚处于探索和完善阶段。基于学校和学院现有的实验室基础,特别是学校创新实践教育特色和我院现有学科的实验室基础,我们在“智能科学与技术”专业的实验教学体系上重点考虑以下几方面的建设:

(1) 建立层次化的实验教学体系

层次化的实验就是让学生从验证性的实验开始,逐步到设计性、综合性和带创新性实验或工程项目开发实践等的实验环节,学生最后阶段的毕业设计环节属于综合性或创新性实践实验。实验层次安排主要体现实验教学的层次由简单到复杂、由单一到综合、由学习到创新的科学过程,形成由“验证性实验设计性实验综合性实验课程设计创新实践”的实验层次设置方法。

(2) 实验教学要与生产实际相结合

为增强学生学习的兴趣,培养学生的工程素质、动手能力和综合创新能力,也为提升就业率,我们注重依托CSIP(国家软件与集成电路公共服务平台)广西分中心(该中心设在我校)、学院申报的广西省级自动化实验教学示范中心等,促进服务市场应用与交流,采取请进来、走出去等多种途径实验教学方法将某些专业课实验和生产实习相结合。根据实验教学规划需要,进行仪器设备购置,使实验教学满足社会需求,形成以验证性实验为先导,综合性实验为巩固,设计性或工程性项目实践为提高,以社会需求为导向的实践教学培养体系。

(3) 实验教学与科研有机结合

实验是科研的基础,实验可以带动科研;科研反过来促进教学,并通过成果带动实践教学的改革和发展。参与老师的科研,学生不但能了解学科发展的规律和技术前沿,加深对课程内容的理解,提高学生的实践能力和创新能力,而且能升华学生对实验的内涵的解读,增强对实验学习的兴趣,明确做人、做事的道理,为未来走向社会打下坚实的基础。

(4) 特色建设与创新

特色是一所学校、甚至一个学科或专业赖以生存和发展的基础。我校是以工为主,电子信息类学科优势突出、创新实践教育特色鲜明的多科性大学。学校的前身是1960年成立的桂林机械专科学校,1980年,学校更名为桂林电子工业学院,全面开始本科教育。在原学校计算站的基础上,正式成立计算机系,成为广西最早开办计算机专业本科教育的高校,1995年开始进行研究生教育。2006年,桂林电子工业学院更名为桂林电子科技大学,原计算机系经重新组合,更名为计算机与控制学院。计算机与控制学院目前拥有计算机科学与技术、控制科学与工程两大学科,主要开设有计算机科学与技术、软件工程、信息安全、网络工程和自动化等本科专业,以及两大学科基本有的二级学科硕士点。我校的“智能科学与技术”专业就设在计算机与控制学院,这正是中国人工智能学会当初设立专业的初衷和建设发展的基础条件。

我校经过近50年的发展,目前已具有2个部级实验教学建设示范中心,2个部级特色专业建设点,1个部级教学团队,3个广西省级实验教学示范中心或建设中心,1个部级的大学生创新型实施单位及1个团中央大学生创新实践基地,以及具备创新型的机器人中心、飞思卡尔智能车中心、电子设计训练基地等多个省级或校级中心和基地。我院还有1个信息产业部部级重点实验室,1个ASEA培训中心,6个与华晟、研华、华为3COM、金蝶等知名企业共建的实验室或研究中心。对大学生电子设计大赛,我校自1997年派队参赛以来,每次在广西区和全国都有出色的表现,2001年还获得最高奖“索尼杯”;对飞思卡尔智能车比赛,我院代表队(代表学校)近年还连续获得华南赛区和全国赛一等奖等。学校还特设有创新学分,学生课外创新活动取得成果可以给予适当的学分来代替选修课学分。

我校的“电子信息类学科优势突出、创新实践教育鲜明”的特色在广西和华南地区具有较大的影响力,甚至在全国也有一定知名度。因此,我们在“智能科学与技术”专业实验体系建设中,紧紧结合现有的资源和条件,在智能机器人(车)、智能信息处理和智能技术与应用等方向,立足和发挥这一传统的优势和特色。在“夯实基础,独立实践,创新提高”的实验教学理念下,培养基础扎实、知识面宽、具有创新精神和工程实践能力的高素质的综合型人才。

3.2实验管理平台建设

实验管理平台建设主要是针对实验老师与学生建立一个集网络化、开放式于一体的实验教学与管理体系。

网络化、开放式的实验教学体系是实验教学平台建设成熟的重要标志。学生通过这样一个完善和规范的实验教学与管理体系,可以自主预约想做的实验,自主选择实验内容、实验时间,并通过网络与实验教师的互动与交流。这种全开放的网络化实验教学体系,不但能充分调动学生的积极性、主动性,而且还能充分利用有效的资源,提高利用率,如图2所示。

我校实验选课系统充分考虑了“以学生为主”的实验教学模式和开放式教学的特点,学生可以根据各自的学习计划灵活选择实验项目以及开设的时间。实验教师、实验管理员可以方便地通过留言与学生交流,学生的问题也可以通过“一对一”的形式即时解决。教师则通过实验选课系统查阅学生选课情况、登录学生实验成绩、回答学生提问。通过近年的建设,我院的网络化的开放式实验教学体系已初具规模,再铺之于学校完善的网络实验选课系统,从而为学生提供了个性化学习的实验环境,提高他们独立自主的实践与创新能力。

3.3实验师资队伍建设

实验教学队伍的稳定和提高是实验教学发展、提高与创新的保证。我校有一系列相关的政策和措施稳定实验教

师队伍,鼓励青年实验人员在职攻读学位、外出进修、培训等,激励实验人员在搞好实验教学的同时,积极参加科研实践。总之,稳定和提高现有教师实验教学技能,积极引进高素质人才,是推动、加强和提高实验教学质量的需要。

我院目前实验队伍(含研究人员)共20人,其中正高职称人员6名,副高职称人员9名,中级职称人员5名,具有博士学位人员5名,取得硕士学位的有16人,拥有一支以中青年为主体,以博士为骨干的较高层次的教学科研队伍。实验队伍具有较优良的素质,年龄、知识及职称结构比较合理,他们相对稳定、富有活力,是我们具备高质量、高水平实验教学体系的保证。

4结束语

实验不仅是理论的基础和源泉,而且实验环节作为整个教学体系的主要环节之一,在培养学生的实际动手能力和创新能力中起着无法替代的重要作用。因此,实验平台建设除了要帮助学生巩固和加深理解所学的理论知识,树立严谨科学的研究方法,掌握基本的科学实验技能外,还要充分调动他们的主观能动性,进行动手动脑与创新的实践,形成特色。

本文只是结合我校与我院自身的实际,就已有的专业实验体系和“智能科学与技术”新专业实验建设情况进行了探讨,还有待实践中继续完善与提高。

参考文献:

[1] 钟义信.设置“智能科学与技术”博士学位一级学科:必要性、可行性、紧迫性[J].计算机教育,2009(11):5-9.

[2] 王万森,钟义信,韩力群,等.我国智能科学技术教育的现状与思考[J].计算机教育,2009(11):10-14.

计算机技术与人工智能基础篇4

关键词：大学计算机基础；教学改革；人工智能；智慧课堂

云计算、大数据、人工智能新兴领域的崛起，推动信息技术全面渗透于人们的生产生活中。信息技术的核心在于计算机技术和通信技术。然而，虽然目前各个高校都开设了计算机基础课程，但是其教学却存在着诸多问题，导致该课程无法达到预期的教学效果。教育部在2012年《教育信息化十年发展规划（2011-2020年）》，其中指明“以教育信息化带动教育现代化，促进教育的创新与变革”[2]。因此，本文以华中师范大学计算机基础课程教学为例，深入阐述了传统计算机基础课程教学的弊端，提出了在当前人工智能如火如荼的时代背景下，如何应用人工智能相关技术对传统的计算机基础教学进行改革的具体方案。该方案以创建网络智慧课堂教学模式改革为主体，辅以教学观念、知识体系和课程考核方式改革，以期对高校的计算机基础课程教学有所裨益。

1传统教学的缺陷

⑴课程的教学地位没有引起足够的重视一些高校为计算机基础课程分配较少的学时（少于48学时），甚至有的专业将此课程设置为选修课。这种设置降低了该课程在教师和学生心目中的位置，导致了对该课程的忽视。同时，不少老师因为学时不够，时间紧迫，仅仅讲述与考试相关的内容，不考的一概不讲。这导致学生的眼界受限，知识和能力受限，无法培养其全面综合的计算机素质。还有的专业没有将这门课给专业的计算机学院的老师讲授，而是随意安排授课人员。没有经过系统专业训练的教师缺乏足够的知识储备，很难讲好这一门看似简单的课程。⑵课程教学内容的制定与当今时代对于信息化人才的需求脱节一些高校的现状是计算机基础的课程教材知识陈旧[3]、质量堪忧，教材总是无法跟上知识更新的步伐，例如都2019年了还在讲Office2010。有的高校由于缺乏对课程的重视，没有对教材优中选优，而是基于利益的考虑，优先选择自己院系编写的教材。其教材内容是七拼八凑，没有整体性、逻辑性和连贯性，更不用说前瞻性。这样的教材，无疑对学生的学习设置了巨大的屏障。除此以外，一些院校的课程教学知识体系不够明确和完善，教学大纲的制定不够科学。从教学大纲中制定的学时分配来说，常常偏重实用性[4]，常用计算机软件操作占据了大部分的课时。这会让教师在授课时轻理论而重操作，如此培养学生，非常不利于其计算思维的形成，对后续其他计算机相关课程的学习也是很大的伤害。⑶教学模式过于传统，信息化水平较低从教学方式上来说，传统的教学模式以教师课堂授课为中心，是以教师为主体的教学模式[5]。在这种模式下，教师仍然主要以填鸭式教学为主[6]，无法通过课堂教学发现学生的个性化特点，并进行有针对性的教学。另外，虽然计算机基础课程一般都配备了实验课时，但是实验课常常是采用教师布置上机任务、学生做完抽样检查的模式。这对于大课堂来说，教师的任务繁重，无法搜集到每一个学生的任务完成情况，无法清晰地掌握学生学习的实际情况和薄弱环节。而且，该课程缺乏相应的研讨课时，很难让学生对其所学知识进行深入思考和探究，以增强思辨能力和对课程的学习兴趣。⑷课程考核方式不够公平合理从考核方式上来说，该课程普遍采用“平时成绩”+“期末考试”的加权方式对学生成绩进行评定。平时成绩多由考勤分所得，期末考试多采用机考模式。这种考核方式过于单一化、机械化，无法对学生进行全方位的评价。很多学生来到教室打考勤，但可能根本没听讲，而是在睡觉或者玩手机。期末机考的公平合理性也是存在着很多的漏洞。例如机考的试题库可以十年不变，分值的分配和难度的掌握都没有经过系统的考量。甚至有的考试系统不够稳定和安全，频频爆出Bug，严重影响了考试结果的真实性。

2新人工智能环境下对计算机基础课程改革的具体方案

2012年开始，在随着卷积神经网络技术在视觉处理方面的应用取得巨大的成功之后，人工智能到达了有史以来的第三个爆发期。目前，深度学习技术在AlphaGo、无人驾驶汽车、机器翻译、智能助理、机器人、推荐系统等领域的发展如火如荼。与此同时，人工智能技术在教育领域方面的应用已经兴起。人工智能的教学产品也已有先例，例如基于MOOC平台研发的教学机器人MOOCBuddy等等。基于人工智能的教育是融合云计算、物联网、大数据、VR、区块链等新兴技术的增强型数字教育[2].在当前人工智能的大时代背景下，针对传统计算机基础的种种弊端，我们提出了如下教学改革方案。⑴改变教学理念，确立计算机基础课程的重要地位计算机基础作为高校的一门公共课，实则应当作为各个专业的学生后续的学习、科研的必修之课程。因此，高等学校应从源头上确立该课程的重要地位，将该课程纳入必修课范畴，并给与更充分合理的课时分配。除教学课时、实验课时之外，需要为该课程增加一定的研讨课时。任课老师必须是来自于计算机专业的人才。同时，定时举办关于该课程的教学培训、教学研讨会和教学比赛，改变教师的教学理念，从源头上给予该课程足够的重视。⑵优化教学内容，重新制定课程的教学知识体系教材是教师教学的主要依据，也是学生获得系统性知识的主要来源。因此，教材对于教学的重要性不言而喻。教材的选取需要优中择优，必要的时候可以根据自身院校的情况自己编写，力求使用好的教材使教学事半功倍。在选定优质教材的基础上，制定更加合理的教学大纲，优化计算机基础课程的教学知识体系，突出计算机学科入门相关基础理论知识的重要地位。对现有的过时内容进行更新，例如操作系统以Windows10的操作取代Windows7，Office这部分使用Office2019版本取代2010的版本，同时增加关于算法入门知识、程序设计入门知识以及人工智能、区块链等前沿知识单元的介绍。以华中师范大学为例，我们在图1中给出了该校计算机基础课程的教学知识体系结构图。⑶充分利用现代化的教学工具和人工智能技术，构建智慧课堂，改变传统教学模式现代化的教学应当转变以教师为核心的教学模式，更加突出学生的主体性地位。因此，在人工智能、物联网、大数据等技术和蓬勃发展的情形下，应当改变传统的课堂教学形式，充分利用现代化信息技术，将传统课堂教学和网络课堂教学模式相结合，构建智慧课堂。融合课堂教学身临其境的效果与网络课堂自主性强且方便师生交流的特点，通过师生之间多层次、立体化的互动，达到提升教学效果的目的。同时，建立功能强大、完善的学生实验平台，基于不同专业学生的不同特点和不同需求，进行个性化的作业设置。针对教师布置的实验任务和学生的完成情况，结合在线网络教学系统，通过传感器及网络数据，搜集学生的学习行为数据，并且使用人工智能算法进行智能分析，使教师对当前的学生的学习情况一目了然，并能引导学生对重点、难点的巩固和掌握。研讨课以学生为主体，按照所选课题进行分组调研、分组讨论，刺激学生的学习兴趣，培养其思辨能力。研讨内容最终可以课程论文的形式上交至课程共享平台，由教师和同学共同给出评分。这里，仍以华中师范大学为例，我们将在线教学系统、实验课平台、研讨课共享平台等集成为一个基于人工智能技术的网络智慧教学综合平台系统。该系统主要包括用户管理、在线教学、课堂互动、作业管理、考试管理、BBS系统、智能分析和平台管理8个模块，其主要功能如图2所示。该系统采用C/S模式，系统的服务器选用Linux服务器，同时开发基于PC机的和手机端的客户端系统，方便学生和教师随时选用、更加灵活。在线教学模块中的智能学习助理功能，能够根据历史用户的学习行为和当前用户的学习行为，自动地识别学习内容中的难点以及当前学生的难点内容，有针对性地对学生进行知识点强化。课堂互动模块中，通过可穿戴式传感器搜集学生的学习行为，用于后续智能分析模块中对学生的学习态度和学习行为进行智能分析。在线作业评价模块包括机器评价和教师评价两个功能。机器评价是系统为学生作业（客观题、主观题）自动评分，其中主观题的评分也是使用人工智能技术来实现。教师评分时可以参考机器评分，减少教师工作量。同时，教师评分为机器评分提供机器学习的经验数据，促进机器评分更加智能。智能分析模块能够依据学生的在线课程学习模块、课堂学习模块、作业管理模块等搜集到的学习行为数据进行综合分析，促使教师深入了解学生的学习情况和个性化特点，提升教学的针对性，并且有助于后续对学生进行全面、综合的分析和成绩评定。所有系统模块中使用到的智能分析技术包括基本的统计分析、以及各类机器学习算法（k-means,NaveBayes,SupportVectorMachine,DeepLearning等等）。⑷改变传统成绩考核的方式在“教学”+“实验”+“研讨课”课程结构以及网络智慧教学综合平台的辅助之下，学生的成绩评定更加全面化、多元化、公平化、自动化[7]。平时成绩中，除了教学综合平台的“课堂签到”次数之外，还增加更多丰富多元化的考察信息，如：学生的课堂讨论、在线课程学习和考核结果、平时作业完成情况，以及智能分析模块中辅助分析的学习态度、学习能力、平时成绩预测。期末上机考试系统也是智慧课堂综合平台的一个子模块，是精心设计的稳定、安全、功能强大的子系统，方便教师每一年更新试题库，修改bug。试题库中的每一套试卷都应当经过科学的考卷质量分析，使其难度、覆盖范围在一个均衡、合理的范围。最后，教师通过对各类平时成绩指标以及期末考试成绩加权，给出最终的学习成绩。通过规范、合理、公平、全面的考核体系，获得对学生公平、完善的评价机制，激励学生并刺激教学良性运转。

3结束语

计算机技术与人工智能基础篇5

电气信息化技术分为三个层次：第一，信息基础技术，包括光子、微电子等相关元器件的制作技术等，为集成电路、计算机等技术的应用提供了前提与基础。第二，信息系统技术，指的是获取、处理、传输与控制信息的系统或者设备在实现的过程中所需的技术，其中信息获取技术包括遥感技术、传感技术等，信息处理技术包括优化与仿真技术、数据库技术等，信息传输技术包括多媒体技术、网络通信技术等，信息控制技术包括人工智能等。第三，信息应用技术。信息技术在社会的各个领域中都有着广泛的应用，例如工程控制技术、信息管理系统等。

2电气工程信息化应用系统的优势

2.1确保电气工程各个环节的一致性

在电力系统的运行过程中，检测、监控、管理等各个环节之间的相互协调与配合是电力系统有序运行的前提与基础。通过电器工程信息化应用系统，能够实现电力运行系统检测水平与控制水平的提高，进而实现电力系统运行效率与质量的提高，更好地改善运行系统的服务效率。

2.2实现电气工程监测模型的简化

实现电气工程信息化，能够对传统的电电气工程信息化应用系统的设计要点分析文/苑少军在信息时代背景下，电气信息化技术在电气工程中得到了广泛的应用。本文首先对电气信息化技术进行了分析，在此基础上提出了电器工程信息化应用系统中的信息技术及其设计要点，为实现电气工程信息化奠定坚实的基础。摘要器工程检测模型进行有效的简化，更好地确保电气工程控制的时效性。利用控制器进行控制的过程中，如果被控制对象比较复杂，将导致无法对其进行准确的把握，出现无法估量、无法预测等情况。因此，在电力系统的管理与控制的过程中，会由于电气工程出现的问题而面临困境。

3电气工程信息化应用系统的设计要点

3.1优化与仿真系统的设计要点

首先，计算机辅助电机电器优化设计。CAD在飞机制造、汽车制造与电机电器工业中最早得到应用，主要依靠的是计算机非常强大的计算功能，将传统经验转变成为计算机软件，从而实现了工作效率与质量的有效提高。其次，电力系统的优化与仿真。计算机在电力系统的可靠性、安全性等仿真系统中得到了广泛的应用。当前，优化与仿真技术主要在计算机辅助电力系统潮流计算、网络规划、可靠性分析、系统计划分析等方面得到了充分的利用。随着电力工业中模拟技术的应用，计算机的图形处理功能与逻辑分析功能得到了广泛的应用。在计算机屏幕上实现了实际电网的再现。无图板设计标志着电力工程计算机辅助设计发展到了新的阶段。

3.2人工智能技术的设计要点

3.2.1人工智能技术在电力系统中的设计

在电力系统的规划、监视、控制、分析等领域中，人工智能技术已经得到了广泛的应用。人工智能系统应用较为成功的包括电力调动操作管理系统、短期电力负荷智能预报系统、分布式电力网络故障模拟分析系统等。

3.2.2人工智能技术在电机中的设计

人工智能技术在各个领域得到了广泛的应用，电机控制领域的专家学者也开始关注与重视人工智能思想与方法，开始在控制系统的研究与应用中引入人工智能技术，解决各种传统控制方法无法解决的问题，完成各种传统控制技术无法胜任的任务。如电机智能控制器，水力发电机微机采样多参数新型控制装置，异步电动机微机矢量控制智能调速系统，转矩控制和电流跟踪的高性能智能变频高速系统，异步电动机矢量控制调速系统以及应用自适应神经元控制技术的电机PWM调速系统。

3.3网络技术的应用与设计

3.3.1管理信息系统

电力专用通信网在建设与管理方面都取得了一定的发展与成就，实现了电力调度系统计算机网络规划大纲的制定与完善。当前，已经逐步形成了包含多种通信方式的通信网络，一方面更好地满足了电力生产调度的需求，另一方面为全国电力信息网络的建立奠定了物质基础。

3.3.2过程控制自动化

在过程控制自动化指的是通过计算机监控系统实现自动化控制。很多电厂还建立了以计算机为基础的机炉协调控制系统、锅炉炉膛安全监视系统、汽轮机数字电液调节系统及各种辅助控制系统。并在单元机组分布控制的基础上，建立了值长系统、生产管理系统，实现了机组计算机监控实时信息进入管理信息系统网络，大大提高了机组的安全和经济运行。

3.4故障诊断技术的应用

电力设备在电气系统运行的过程中常常会出边各种故障。电气设备出现故障之前都存在一定的预兆，依据故障预兆能够对设备故障进行判断。随着信息化及时的不断发展与完善，利用信息化技术能够更好地对故障预兆进行判断，从而确保系统能够正常的运行。研究人员针对电气工程信息化系统中的变压器进行了科学、合理的维护，实现这一重要电力设备寿命的延长，但是并不能够对设备故障的出现实现完全的避免。

4总结

计算机技术与人工智能基础篇6

1前言

1.1研究背景

人工智能概念诞生于1956年，在半个多世纪的发展历程中，由于受到智能算法、计算速度、存储水平等多方面因素的影响，人工智能技术和应用发展经历了多次高潮和低谷。2006年以来，以深度学习为代表的机器学习算法在机器视觉和语音识别等领域取得了极大的成功，识别准确性大幅提升，使人工智能再次受到学术界和产业界的广泛关注。云计算、大数据等技术在提升运算速度，降低计算成本的同时，也为人工智能发展提供了丰富的数据资源，协助训练出更加智能化的算法模型。人工智能的发展模式也从过去追求“用计算机模拟人工智能”，逐步转向以机器与人结合而成的增强型混合智能系统，用机器、人、网络结合成新的群智系统，以及用机器、人、网络和物结合成的更加复杂的智能系统。

作为新一轮产业变革的核心驱动力，人工智能在催生新技术、新产品的同时，对传统行业也具备较强的赋能作用，能够引发经济结构的重大变革，实现社会生产力的整体跃升。人工智能将人从枯燥的劳动中解放出来，越来越多的简单性、重复性、危险性任务由人工智能系统完成，在减少人力投入，提高工作效率的同时，还能够比人类做得更快、更准确；人工智能还可以在教育、医疗、养老、环境保护、城市运行、司法服务等领域得到广泛应用，能够极大提高公共服务精准化水平，全面提升人民生活品质；同时，人工智能可帮助人类准确感知、预测、预警基础设施和社会安全运行的重大态势，及时把握群体认知及心理变化，主动作出决策反应，显著提高社会治理能力和水平，同时保障公共安全。

人工智能作为一项引领未来的战略技术，世界发达国家纷纷在新一轮国际竞争中争取掌握主导权，围绕人工智能出台规划和政策，对人工智能核心技术、顶尖人才、标准规范等进行部署，加快促进人工智能技术和产业发展。主要科技企业不断加大资金和人力投入，抢占人工智能发展制高点。2017年，我国出台了《新一代人工智能发展规划》(国发〔2017〕35号)、《促进新一代人工智能产业发展三年行动计划(2018-2020年)》(工信部科〔2017〕315号)等政策文件，推动人工智能技术研发和产业化发展。目前，国内人工智能发展已具备一定的技术和产业基础，在芯片、数据、平台、应用等领域集聚了一批人工智能企业，在部分方向取得阶段性成果并向市场化发展。例如，人工智能在金融、安防、客服等行业领域已实现应用，在特定任务中语义识别、语音识别、人脸识别、图像识别技术的精度和效率已远超人工。

标准化工作对人工智能及其产业发展具有基础性、支撑性、引领性的作用，既是推动产业创新发展的关键抓手，也是产业竞争的制高点。当前，在我国人工智能相关产品和服务不断丰富的同时，也出现了标准化程度不足的问题。人工智能涉及众多领域，虽然某些领域已具备一定的标准化基础，但是这些分散的标准化工作并不足以完全支撑整个人工智能领域。另一方面，人工智能属于新兴领域，发展方兴未艾，从世界范围来看，标准化工作仍在起步过程中，尚未形成完善的标准体系，我国基本与国外处于同一起跑线，存在快速突破的机会窗口。只要瞄准机会，快速布局，完全有可能抢占标准创新的制高点，反之，则有可能丧失良机。因此，迫切需要把握机遇，加快对人工智能技术及产业发展的研究，系统梳理、加快研制人工智能各领域的标准体系，明确标准之间的依存性与制约关系，建立统一完善的标准体系，以标准的手段促进我国人工智能技术、产业蓬勃发展。

1.2研究目标及意义

本白皮书前期在国标委工业二部和工信部科技司的指导下，通过梳理人工智能技术、应用和产业演进情况，分析人工智能的技术热点、行业动态和未来趋势，从支撑人工智能产业整体发展的角度出发，研究制定了能够适应和引导人工智能产业发展的标准体系，进而提出近期急需研制的基础和关键标准项目。

本白皮书并不预期成为人工智能领域的全面技术和产业综述，不求面面俱到，仅针对目前人工智能领域涵盖的技术热点和产业情况进行分析，研究提出人工智能标准体系。人工智能标准化工作尚处于起步阶段，本白皮书只作为人工智能领域技术、产业和标准化之间初始的连接纽带，并将在今后不断根据技术、产业和标准化的发展需求进行修订。本白皮书不过多地给出人工智能领域观点性的陈述，力求以较为浅显易懂的语言和方式进行阐述。

本白皮书的意义在于与业界分享人工智能领域的研究成果和实践经验，呼吁社会各界共同加强人工智能领域的技术研究、产业投入、标准建设与服务应用，共同推动人工智能及其产业发展。

2人工智能概述

2.1人工智能的历史及概念

2.1.1人工智能的起源与历史

人工智能始于20世纪50年代，至今大致分为三个发展阶段：第一阶段(20世纪50年代——80年代)。这一阶段人工智能刚诞生，基于抽象数学推理的可编程数字计算机已经出现，符号主义(Symbolism)快速发展，但由于很多事物不能形式化表达，建立的模型存在一定的局限性。此外，随着计算任务的复杂性不断加大，人工智能发展一度遇到瓶颈；第二阶段(20世纪80年代——90年代末)。在这一阶段，专家系统得到快速发展，数学模型有重大突破，但由于专家系统在知识获取、推理能力等方面的不足，以及开发成本高等原因，人工智能的发展又一次进入低谷期；第三阶段(21世纪初——至今)。随着大数据的积聚、理论算法的革新、计算能力的提升，人工智能在很多应用领域取得了突破性进展，迎来了又一个繁荣时期。人工智能具体的发展历程如图1所示。

长期以来，制造具有智能的机器一直是人类的重大梦想。早在1950年，Alan Turing在《计算机器与智能》中就阐述了对人工智能的思考。他提出的图灵测试是机器智能的重要测量手段，后来还衍生出了视觉图灵测试等测量方法。1956年，“人工智能”这个词首次出现在达特茅斯会议上，标志着其作为一个研究领域的正式诞生。六十年来，人工智能发展潮起潮落的同时，基本思想可大致划分为四个流派：符号主义(Symbolism)、连接主义(Connectionism)、行为主义(Behaviourism)和统计主义(Statisticsism)(注：由于篇幅原因，本白皮书不对四个流派进行详细阐述)。这四个流派从不同侧面抓住了智能的部分特征，在“制造”人工智能方面都取得了里程碑式的成就。

1959年，Arthur Samuel提出了机器学习，机器学习将传统的制造智能演化为通过学习能力来获取智能，推动人工智能进入了第一次繁荣期。20世纪70年代末期专家系统的出现，实现了人工智能从理论研究走向实际应用，从一般思维规律探索走向专门知识应用的重大突破，将人工智能的研究推向了新高潮。然而，机器学习的模型仍然是“人工”的，也有很大的局限性。随着专家系统应用的不断深入，专家系统自身存在的知识获取难、知识领域窄、推理能力弱、实用性差等问题逐步暴露。从1976年开始，人工智能的研究进入长达6年的萧瑟期。

在80年代中期，随着美国、日本立项支持人工智能研究，以及以知识工程为主导的机器学习方法的发展，出现了具有更强可视化效果的决策树模型和突破早期感知机局限的多层人工神经网络，由此带来了人工智能的又一次繁荣期。然而，当时的计算机难以模拟复杂度高及规模大的神经网络，仍有一定的局限性。1987年由于LISP机市场崩塌，美国取消了人工智能预算，日本第五代计算机项目失败并退出市场，专家系统进展缓慢，人工智能又进入了萧瑟期。

1997年，IBM深蓝(Deep Blue)战胜国际象棋世界冠军Garry Kasparov。这是一次具有里程碑意义的成功，它代表了基于规则的人工智能的胜利。2006年，在Hinton和他的学生的推动下，深度学习开始备受关注，为后来人工智能的发展带来了重大影响。从2010年开始，人工智能进入爆发式的发展阶段，其最主要的驱动力是大数据时代的到来，运算能力及机器学习算法得到提高。人工智能快速发展，产业界也开始不断涌现出新的研发成果：2011年，IBM Waston在综艺节目《危险边缘》中战胜了最高奖金得主和连胜纪录保持者；2012年，谷歌大脑通过模仿人类大脑在没有人类指导的情况下，利用非监督深度学习方法从大量视频中成功学习到识别出一只猫的能力；2014年，微软公司推出了一款实时口译系统，可以模仿说话者的声音并保留其口音；2014年，微软公司全球第一款个人智能助理微软小娜；2014年，亚马逊至今为止最成功的智能音箱产品Echo和个人助手Alexa；2016年，谷歌AlphaGo机器人在围棋比赛中击败了世界冠军李世石；2017年，苹果公司在原来个人助理Siri的基础上推出了智能私人助理Siri和智能音响HomePod。

目前，世界各国都开始重视人工智能的发展。2017年6月29日，首届世界智能大会在天津召开。中国工程院院士潘云鹤在大会主论坛作了题为“中国新一代人工智能”的主题演讲，报告中概括了世界各国在人工智能研究方面的战略：2016年5月，美国白宫发表了《为人工智能的未来做好准备》；英国2016年12月《人工智能：未来决策制定的机遇和影响》；法国在2017年4月制定了《国家人工智能战略》；德国在2017年5月颁布全国第一部自动驾驶的法律；在中国，据不完全统计，2017年运营的人工智能公司接近400家，行业巨头百度、腾讯、阿里巴巴等都不断在人工智能领域发力。从数量、投资等角度来看，自然语言处理、机器人、计算机视觉成为了人工智能最为热门的三个产业方向。

2.1.2人工智能的概念

人工智能作为一门前沿交叉学科，其定义一直存有不同的观点：《人工智能——一种现代方法》中将已有的一些人工智能定义分为四类：像人一样思考的系统、像人一样行动的系统、理性地思考的系统、理性地行动的系统。维基百科上定义“人工智能就是机器展现出的智能”，即只要是某种机器，具有某种或某些“智能”的特征或表现，都应该算作“人工智能”。大英百科全书则限定人工智能是数字计算机或者数字计算机控制的机器人在执行智能生物体才有的一些任务上的能力。百度百科定义人工智能是“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”，将其视为计算机科学的一个分支，指出其研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

本白皮书认为，人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能的定义对人工智能学科的基本思想和内容作出了解释，即围绕智能活动而构造的人工系统。人工智能是知识的工程，是机器模仿人类利用知识完成一定行为的过程。根据人工智能是否能真正实现推理、思考和解决问题，可以将人工智能分为弱人工智能和强人工智能。

弱人工智能是指不能真正实现推理和解决问题的智能机器，这些机器表面看像是智能的，但是并不真正拥有智能，也不会有自主意识。迄今为止的人工智能系统都还是实现特定功能的专用智能，而不是像人类智能那样能够不断适应复杂的新环境并不断涌现出新的功能，因此都还是弱人工智能。目前的主流研究仍然集中于弱人工智能，并取得了显著进步，如语音识别、图像处理和物体分割、机器翻译等方面取得了重大突破，甚至可以接近或超越人类水平。

强人工智能是指真正能思维的智能机器，并且认为这样的机器是有知觉的和自我意识的，这类机器可分为类人(机器的思考和推理类似人的思维)与非类人(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)两大类。从一般意义来说，达到人类水平的、能够自适应地应对外界环境挑战的、具有自我意识的人工智能称为“通用人工智能”、“强人工智能”或“类人智能”。强人工智能不仅在哲学上存在巨大争论(涉及到思维与意识等根本问题的讨论)，在技术上的研究也具有极大的挑战性。强人工智能当前鲜有进展，美国私营部门的专家及国家科技委员会比较支持的观点是，至少在未来几十年内难以实现。

靠符号主义、连接主义、行为主义和统计主义这四个流派的经典路线就能设计制造出强人工智能吗？其中一个主流看法是：即使有更高性能的计算平台和更大规模的大数据助力，也还只是量变，不是质变，人类对自身智能的认识还处在初级阶段，在人类真正理解智能机理之前，不可能制造出强人工智能。理解大脑产生智能的机理是脑科学的终极性问题，绝大多数脑科学专家都认为这是一个数百年乃至数千年甚至永远都解决不了的问题。

通向强人工智能还有一条“新”路线，这里称为“仿真主义”。这条新路线通过制造先进的大脑探测工具从结构上解析大脑，再利用工程技术手段构造出模仿大脑神经网络基元及结构的仿脑装置，最后通过环境刺激和交互训练仿真大脑实现类人智能，简言之，“先结构，后功能”。虽然这项工程也十分困难，但都是有可能在数十年内解决的工程技术问题，而不像“理解大脑”这个科学问题那样遥不可及。

仿真主义可以说是符号主义、连接主义、行为主义和统计主义之后的第五个流派，和前四个流派有着千丝万缕的联系，也是前四个流派通向强人工智能的关键一环。经典计算机是数理逻辑的开关电路实现，采用冯诺依曼体系结构，可以作为逻辑推理等专用智能的实现载体。但要靠经典计算机不可能实现强人工智能。要按仿真主义的路线“仿脑”，就必须设计制造全新的软硬件系统，这就是“类脑计算机”，或者更准确地称为“仿脑机”。“仿脑机”是“仿真工程”的标志性成果，也是“仿脑工程”通向强人工智能之路的重要里程碑。

2.2人工智能的特征

(1)由人类设计，为人类服务，本质为计算，基础为数据。从根本上说，人工智能系统必须以人为本，这些系统是人类设计出的机器，按照人类设定的程序逻辑或软件算法通过人类发明的芯片等硬件载体来运行或工作，其本质体现为计算，通过对数据的采集、加工、处理、分析和挖掘，形成有价值的信息流和知识模型，来为人类提供延伸人类能力的服务，来实现对人类期望的一些“智能行为”的模拟，在理想情况下必须体现服务人类的特点，而不应该伤害人类，特别是不应该有目的性地做出伤害人类的行为。

(2)能感知环境，能产生反应，能与人交互，能与人互补。人工智能系统应能借助传感器等器件产生对外界环境(包括人类)进行感知的能力，可以像人一样通过听觉、视觉、嗅觉、触觉等接收来自环境的各种信息，对外界输入产生文字、语音、表情、动作(控制执行机构)等必要的反应，甚至影响到环境或人类。借助于按钮、键盘、鼠标、屏幕、手势、体态、表情、力反馈、虚拟现实/增强现实等方式，人与机器间可以产生交互与互动，使机器设备越来越“理解”人类乃至与人类共同协作、优势互补。这样，人工智能系统能够帮助人类做人类不擅长、不喜欢但机器能够完成的工作，而人类则适合于去做更需要创造性、洞察力、想象力、灵活性、多变性乃至用心领悟或需要感情的一些工作。

(3)有适应特性，有学习能力，有演化迭代，有连接扩展。人工智能系统在理想情况下应具有一定的自适应特性和学习能力，即具有一定的随环境、数据或任务变化而自适应调节参数或更新优化模型的能力；并且，能够在此基础上通过与云、端、人、物越来越广泛深入数字化连接扩展，实现机器客体乃至人类主体的演化迭代，以使系统具有适应性、鲁棒性、灵活性、扩展性，来应对不断变化的现实环境，从而使人工智能系统在各行各业产生丰富的应用。

2.3人工智能参考框架

目前，人工智能领域尚未形成完善的参考框架。因此，本章基于人工智能的发展状况和应用特征，从人工智能信息流动的角度出发，提出一种人工智能参考框架(如图2所示)，力图搭建较为完整的人工智能主体框架，描述人工智能系统总体工作流程，不受具体应用所限，适用于通用的人工智能领域需求。

人工智能参考框架提供了基于“角色—活动—功能”的层级分类体系，从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度阐述了人工智能系统框架。“智能信息链”反映从智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，智能信息是流动的载体，经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人工智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。此外，人工智能系统还有其它非常重要的框架构件：安全、隐私、伦理和管理。人工智能系统主要由基础设施提供者、信息提供者、信息处理者和系统协调者4个角色组成。

(1)基础设施提供者

基础设施提供者为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。计算能力由智能芯片(CPU、GPU、ASIC、FPGA等硬件加速芯片以及其它智能芯片)等硬件系统开发商提供；与外部世界的沟通通过新型传感器制造商提供；基础平台包括分布式计算框架提供商及网络提供商提供平台保障和支持，即包括云存储和计算、互联互通网络等。

(2)信息提供者

信息提供者在人工智能领域是智能信息的来源。通过知识信息感知过程由数据提供商提供智能感知信息，包括原始数据资源和数据集。原始数据资源的感知涉及到图形、图像、语音、文本的识别，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。

(3)信息处理者

信息处理者是指人工智能领域中技术和服务提供商。信息处理者的主要活动包括智能信息表示与形成、智能推理、智能决策及智能执行与输出。智能信息处理者通常是算法工程师及技术服务提供商，通过计算框架、模型及通用技术，例如一些深度学习框架和机器学习算法模型等功能进行支撑。

智能信息表示与形成是指为描述世界所作的一组约定，分阶段对智能信息进行符号化和形式化的智能信息建模、抽取、预处理、训练数据等。

智能信息推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。

智能信息决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。

智能执行与输出作为智能信息输出的环节，是对输入作出的响应，输出整个智能信息流动过程的结果，包括运动、显示、发声、交互、合成等功能。

(4)系统协调者

系统协调者提供人工智能系统必须满足的整体要求，包括政策、法律、资源和业务需求，以及为确保系统符合这些需求而进行的监控和审计活动。由于人工智能是多学科交叉领域，需要系统协调者定义和整合所需的应用活动，使其在人工智能领域的垂直系统中运行。系统协调者的功能之一是配置和管理人工智能参考框架中的其他角色来执行一个或多个功能，并维持人工智能系统的运行。

(5)安全、隐私、伦理安全、隐私、伦理覆盖了人工智能领域的其他4个主要角色，对每个角色都有重要的影响作用。同时，安全、隐私、伦理处于管理角色的覆盖范围之内，与全部角色和活动都建立了相关联系。在安全、隐私、伦理模块，需要通过不同的技术手段和安全措施，构筑全方位、立体的安全防护体系，保护人工智能领域参与者的安全和隐私。

(6)管理管理角色承担系统管理活动，包括软件调配、资源管理等内容，管理的功能是监视各种资源的运行状况，应对出现的性能或故障事件，使得各系统组件透明且可观。

(7)智能产品及行业应用智能产品及行业应用指人工智能系统的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能制造、智能交通、智能家居、智能医疗、智能安防等。

3人工智能发展现状及趋势

依据参考框架中所涉及到的人工智能相关技术，本节重点介绍近二十年来人工智能领域关键技术的发展状况，包括机器学习、知识图谱、自然语言处理、计算机视觉、人机交互、生物特征识别、虚拟现实/增强现实等关键技术。

3.1人工智能关键技术

3.1.1机器学习

机器学习(Machine Learning)是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据(样本)出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。根据学习模式、学习方法以及算法的不同，机器学习存在不同的分类方法。

(1)根据学习模式将机器学习分类为监督学习、无监督学习和强化学习等。

监督学习

监督学习是利用已标记的有限训练数据集，通过某种学习策略/方法建立一个模型，实现对新数据/实例的标记(分类)/映射，最典型的监督学习算法包括回归和分类。监督学习要求训练样本的分类标签已知，分类标签精确度越高，样本越具有代表性，学习模型的准确度越高。监督学习在自然语言处理、信息检索、文本挖掘、手写体辨识、垃圾邮件侦测等领域获得了广泛应用。

无监督学习

无监督学习是利用无标记的有限数据描述隐藏在未标记数据中的结构/规律，最典型的非监督学习算法包括单类密度估计、单类数据降维、聚类等。无监督学习不需要训练样本和人工标注数据，便于压缩数据存储、减少计算量、提升算法速度，还可以避免正、负样本偏移引起的分类错误问题。主要用于经济预测、异常检测、数据挖掘、图像处理、模式识别等领域，例如组织大型计算机集群、社交网络分析、市场分割、天文数据分析等。

强化学习

强化学习是智能系统从环境到行为映射的学习，以使强化信号函数值最大。由于外部环境提供的信息很少，强化学习系统必须靠自身的经历进行学习。强化学习的目标是学习从环境状态到行为的映射，使得智能体选择的行为能够获得环境最大的奖赏，使得外部环境对学习系统在某种意义下的评价为最佳。其在机器人控制、无人驾驶、下棋、工业控制等领域获得成功应用。

(2)根据学习方法可以将机器学习分为传统机器学习和深度学习。

传统机器学习

传统机器学习从一些观测(训练)样本出发，试图发现不能通过原理分析获得的规律，实现对未来数据行为或趋势的准确预测。相关算法包括逻辑回归、隐马尔科夫方法、支持向量机方法、K近邻方法、三层人工神经网络方法、Adaboost算法、贝叶斯方法以及决策树方法等。传统机器学习平衡了学习结果的有效性与学习模型的可解释性，为解决有限样本的学习问题提供了一种框架，主要用于有限样本情况下的模式分类、回归分析、概率密度估计等。传统机器学习方法共同的重要理论基础之一是统计学，在自然语言处理、语音识别、图像识别、信息检索和生物信息等许多计算机领域获得了广泛应用。

深度学习

深度学习是建立深层结构模型的学习方法，典型的深度学习算法包括深度置信网络、卷积神经网络、受限玻尔兹曼机和循环神经网络等。深度学习又称为深度神经网络(指层数超过3层的神经网络)。深度学习作为机器学习研究中的一个新兴领域，由Hinton等人于2006年提出。深度学习源于多层神经网络，其实质是给出了一种将特征表示和学习合二为一的方式。深度学习的特点是放弃了可解释性，单纯追求学习的有效性。经过多年的摸索尝试和研究，已经产生了诸多深度神经网络的模型，其中卷积神经网络、循环神经网络是两类典型的模型。卷积神经网络常被应用于空间性分布数据；循环神经网络在神经网络中引入了记忆和反馈，常被应用于时间性分布数据。深度学习框架是进行深度学习的基础底层框架，一般包含主流的神经网络算法模型，提供稳定的深度学习API，支持训练模型在服务器和GPU、TPU间的分布式学习，部分框架还具备在包括移动设备、云平台在内的多种平台上运行的移植能力，从而为深度学习算法带来前所未有的运行速度和实用性。目前主流的开源算法框架有TensorFlow、Caffe/Caffe2、CNTK、MXNet、Paddle-paddle、Torch/PyTorch、Theano等。

(3)此外，机器学习的常见算法还包括迁移学习、主动学习和演化学习等。

迁移学习

迁移学习是指当在某些领域无法取得足够多的数据进行模型训练时，利用另一领域数据获得的关系进行的学习。迁移学习可以把已训练好的模型参数迁移到新的模型指导新模型训练，可以更有效的学习底层规则、减少数据量。目前的迁移学习技术主要在变量有限的小规模应用中使用，如基于传感器网络的定位，文字分类和图像分类等。未来迁移学习将被广泛应用于解决更有挑战性的问题，如视频分类、社交网络分析、逻辑推理等。

主动学习

主动学习通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精度。主动学习能够选择性地获取知识，通过较少的训练样本获得高性能的模型，最常用的策略是通过不确定性准则和差异性准则选取有效的样本。

演化学习

演化学习对优化问题性质要求极少，只需能够评估解的好坏即可，适用于求解复杂的优化问题，也能直接用于多目标优化。演化算法包括粒子群优化算法、多目标演化算法等。目前针对演化学习的研究主要集中在演化数据聚类、对演化数据更有效的分类，以及提供某种自适应机制以确定演化机制的影响等。

3.1.2知识图谱

知识图谱本质上是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体—关系—实体”三元组，以及实体及其相关“属性—值”对。不同实体之间通过关系相互联结，构成网状的知识结构。在知识图谱中，每个节点表示现实世界的“实体”，每条边为实体与实体之间的“关系”。通俗地讲，知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络，提供了从“关系”的角度去分析问题的能力。

知识图谱可用于反欺诈、不一致性验证、组团欺诈等公共安全保障领域，需要用到异常分析、静态分析、动态分析等数据挖掘方法。特别地，知识图谱在搜索引擎、可视化展示和精准营销方面有很大的优势，已成为业界的热门工具。但是，知识图谱的发展还有很大的挑战，如数据的噪声问题，即数据本身有错误或者数据存在冗余。随着知识图谱应用的不断深入，还有一系列关键技术需要突破。

3.1.3自然语言处理

自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，涉及的领域较多，主要包括机器翻译、机器阅读理解和问答系统等。

(1)机器翻译

机器翻译技术是指利用计算机技术实现从一种自然语言到另外一种自然语言的翻译过程。基于统计的机器翻译方法突破了之前基于规则和实例翻译方法的局限性，翻译性能取得巨大提升。基于深度神经网络的机器翻译在日常口语等一些场景的成功应用已经显现出了巨大的潜力。随着上下文的语境表征和知识逻辑推理能力的发展，自然语言知识图谱不断扩充，机器翻译将会在多轮对话翻译及篇章翻译等领域取得更大进展。

目前非限定领域机器翻译中性能较佳的一种是统计机器翻译，包括训练及解码两个阶段。训练阶段的目标是获得模型参数，解码阶段的目标是利用所估计的参数和给定的优化目标，获取待翻译语句的最佳翻译结果。统计机器翻译主要包括语料预处理、词对齐、短语抽取、短语概率计算、最大熵调序等步骤。基于神经网络的端到端翻译方法不需要针对双语句子专门设计特征模型，而是直接把源语言句子的词串送入神经网络模型，经过神经网络的运算，得到目标语言句子的翻译结果。在基于端到端的机器翻译系统中，通常采用递归神经网络或卷积神经网络对句子进行表征建模，从海量训练数据中抽取语义信息，与基于短语的统计翻译相比，其翻译结果更加流畅自然，在实际应用中取得了较好的效果。

(2)语义理解

语义理解技术是指利用计算机技术实现对文本篇章的理解，并且回答与篇章相关问题的过程。语义理解更注重于对上下文的理解以及对答案精准程度的把控。随着MCTest数据集的，语义理解受到更多关注，取得了快速发展，相关数据集和对应的神经网络模型层出不穷。语义理解技术将在智能客服、产品自动问答等相关领域发挥重要作用，进一步提高问答与对话系统的精度。

在数据采集方面，语义理解通过自动构造数据方法和自动构造填空型问题的方法来有效扩充数据资源。为了解决填充型问题，一些基于深度学习的方法相继提出，如基于注意力的神经网络方法。当前主流的模型是利用神经网络技术对篇章、问题建模，对答案的开始和终止位置进行预测，抽取出篇章片段。对于进一步泛化的答案，处理难度进一步提升，目前的语义理解技术仍有较大的提升空间。

(3)问答系统

问答系统分为开放领域的对话系统和特定领域的问答系统。问答系统技术是指让计算机像人类一样用自然语言与人交流的技术。人们可以向问答系统提交用自然语言表达的问题，系统会返回关联性较高的答案。尽管问答系统目前已经有了不少应用产品出现，但大多是在实际信息服务系统和智能手机助手等领域中的应用，在问答系统鲁棒性方面仍然存在着问题和挑战。

自然语言处理面临四大挑战：一是在词法、句法、语义、语用和语音等不同层面存在不确定性；二是新的词汇、术语、语义和语法导致未知语言现象的不可预测性；三是数据资源的不充分使其难以覆盖复杂的语言现象；四是语义知识的模糊性和错综复杂的关联性难以用简单的数学模型描述，语义计算需要参数庞大的非线性计算。

3.1.4人机交互

人机交互主要研究人和计算机之间的信息交换，主要包括人到计算机和计算机到人的两部分信息交换，是人工智能领域的重要的技术。人机交互是与认知心理学、人机工程学、多媒体技术、虚拟现实技术等密切相关的综合学科。传统的人与计算机之间的信息交换主要依靠交互设备进行，主要包括键盘、鼠标、操纵杆、数据服装、眼动跟踪器、位置跟踪器、数据手套、压力笔等输入设备，以及打印机、绘图仪、显示器、头盔式显示器、音箱等输出设备。人机交互技术除了传统的基本交互和图形交互外，还包括语音交互、情感交互、体感交互及脑机交互等技术，以下对后四种与人工智能关联密切的典型交互手段进行介绍。

(1)语音交互

语音交互是一种高效的交互方式，是人以自然语音或机器合成语音同计算机进行交互的综合性技术，结合了语言学、心理学、工程和计算机技术等领域的知识。语音交互不仅要对语音识别和语音合成进行研究，还要对人在语音通道下的交互机理、行为方式等进行研究。语音交互过程包括四部分：语音采集、语音识别、语义理解和语音合成。语音采集完成音频的录入、采样及编码；语音识别完成语音信息到机器可识别的文本信息的转化；语义理解根据语音识别转换后的文本字符或命令完成相应的操作；语音合成完成文本信息到声音信息的转换。作为人类沟通和获取信息最自然便捷的手段，语音交互比其他交互方式具备更多优势，能为人机交互带来根本性变革，是大数据和认知计算时代未来发展的制高点，具有广阔的发展前景和应用前景。

(2)情感交互

情感是一种高层次的信息传递，而情感交互是一种交互状态，它在表达功能和信息时传递情感，勾起人们的记忆或内心的情愫。传统的人机交互无法理解和适应人的情绪或心境，缺乏情感理解和表达能力，计算机难以具有类似人一样的智能，也难以通过人机交互做到真正的和谐与自然。情感交互就是要赋予计算机类似于人一样的观察、理解和生成各种情感的能力，最终使计算机像人一样能进行自然、亲切和生动的交互。情感交互已经成为人工智能领域中的热点方向，旨在让人机交互变得更加自然。目前，在情感交互信息的处理方式、情感描述方式、情感数据获取和处理过程、情感表达方式等方面还有诸多技术挑战。

(3)体感交互

体感交互是个体不需要借助任何复杂的控制系统，以体感技术为基础，直接通过肢体动作与周边数字设备装置和环境进行自然的交互。依照体感方式与原理的不同，体感技术主要分为三类：惯性感测、光学感测以及光学联合感测。体感交互通常由运动追踪、手势识别、运动捕捉、面部表情识别等一系列技术支撑。与其他交互手段相比，体感交互技术无论是硬件还是软件方面都有了较大的提升，交互设备向小型化、便携化、使用方便化等方面发展，大大降低了对用户的约束，使得交互过程更加自然。目前，体感交互在游戏娱乐、医疗辅助与康复、全自动三维建模、辅助购物、眼动仪等领域有了较为广泛的应用。

(4)脑机交互

脑机交互又称为脑机接口，指不依赖于神经和肌肉等神经通道，直接实现大脑与外界信息传递的通路。脑机接口系统检测中枢神经系统活动，并将其转化为人工输出指令，能够替代、修复、增强、补充或者改善中枢神经系统的正常输出，从而改变中枢神经系统与内外环境之间的交互作用。脑机交互通过对神经信号解码，实现脑信号到机器指令的转化，一般包括信号采集、特征提取和命令输出三个模块。从脑电信号采集的角度，一般将脑机接口分为侵入式和非侵入式两大类。除此之外，脑机接口还有其他常见的分类方式：按照信号传输方向可以分为脑到机、机到脑和脑机双向接口；按照信号生成的类型，可分为自发式脑机接口和诱发式脑机接口；按照信号源的不同还可分为基于脑电的脑机接口、基于功能性核磁共振的脑机接口以及基于近红外光谱分析的脑机接口。

3.1.5计算机视觉

计算机视觉是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力。自动驾驶、机器人、智能医疗等领域均需要通过计算机视觉技术从视觉信号中提取并处理信息。近来随着深度学习的发展，预处理、特征提取与算法处理渐渐融合，形成端到端的人工智能算法技术。根据解决的问题，计算机视觉可分为计算成像学、图像理解、三维视觉、动态视觉和视频编解码五大类。

(1)计算成像学

计算成像学是探索人眼结构、相机成像原理以及其延伸应用的科学。在相机成像原理方面，计算成像学不断促进现有可见光相机的完善，使得现代相机更加轻便，可以适用于不同场景。同时计算成像学也推动着新型相机的产生，使相机超出可见光的限制。在相机应用科学方面，计算成像学可以提升相机的能力，从而通过后续的算法处理使得在受限条件下拍摄的图像更加完善，例如图像去噪、去模糊、暗光增强、去雾霾等，以及实现新的功能，例如全景图、软件虚化、超分辨率等。

(2)图像理解

图像理解是通过用计算机系统解释图像，实现类似人类视觉系统理解外部世界的一门科学。通常根据理解信息的抽象程度可分为三个层次：浅层理解，包括图像边缘、图像特征点、纹理元素等；中层理解，包括物体边界、区域与平面等；高层理解，根据需要抽取的高层语义信息，可大致分为识别、检测、分割、姿态估计、图像文字说明等。目前高层图像理解算法已逐渐广泛应用于人工智能系统，如刷脸支付、智慧安防、图像搜索等。

(3)三维视觉

三维视觉即研究如何通过视觉获取三维信息(三维重建)以及如何理解所获取的三维信息的科学。三维重建可以根据重建的信息来源，分为单目图像重建、多目图像重建和深度图像重建等。三维信息理解，即使用三维信息辅助图像理解或者直接理解三维信息。三维信息理解可分为，浅层：角点、边缘、法向量等；中层：平面、立方体等；高层：物体检测、识别、分割等。三维视觉技术可以广泛应用于机器人、无人驾驶、智慧工厂、虚拟/增强现实等方向。

(4)动态视觉

动态视觉即分析视频或图像序列，模拟人处理时序图像的科学。通常动态视觉问题可以定义为寻找图像元素，如像素、区域、物体在时序上的对应，以及提取其语义信息的问题。动态视觉研究被广泛应用在视频分析以及人机交互等方面。

(5)视频编解码

视频编解码是指通过特定的压缩技术，将视频流进行压缩。视频流传输中最为重要的编解码标准有国际电联的H.261、H.263、H.264、H.265、M-JPEG和MPEG系列标准。视频压缩编码主要分为两大类：无损压缩和有损压缩。无损压缩指使用压缩后的数据进行重构时，重构后的数据与原来的数据完全相同，例如磁盘文件的压缩。有损压缩也称为不可逆编码，指使用压缩后的数据进行重构时，重构后的数据与原来的数据有差异，但不会影响人们对原始资料所表达的信息产生误解。有损压缩的应用范围广泛，例如视频会议、可视电话、视频广播、视频监控等。

目前，计算机视觉技术发展迅速，已具备初步的产业规模。未来计算机视觉技术的发展主要面临以下挑战：一是如何在不同的应用领域和其他技术更好的结合，计算机视觉在解决某些问题时可以广泛利用大数据，已经逐渐成熟并且可以超过人类，而在某些问题上却无法达到很高的精度；二是如何降低计算机视觉算法的开发时间和人力成本，目前计算机视觉算法需要大量的数据与人工标注，需要较长的研发周期以达到应用领域所要求的精度与耗时；三是如何加快新型算法的设计开发，随着新的成像硬件与人工智能芯片的出现，针对不同芯片与数据采集设备的计算机视觉算法的设计与开发也是挑战之一。

3.1.6生物特征识别

生物特征识别技术是指通过个体生理特征或行为特征对个体身份进行识别认证的技术。从应用流程看，生物特征识别通常分为注册和识别两个阶段。注册阶段通过传感器对人体的生物表征信息进行采集，如利用图像传感器对指纹和人脸等光学信息、麦克风对说话声等声学信息进行采集，利用数据预处理以及特征提取技术对采集的数据进行处理，得到相应的特征进行存储。识别过程采用与注册过程一致的信息采集方式对待识别人进行信息采集、数据预处理和特征提取，然后将提取的特征与存储的特征进行比对分析，完成识别。从应用任务看，生物特征识别一般分为辨认与确认两种任务，辨认是指从存储库中确定待识别人身份的过程，是一对多的问题；确认是指将待识别人信息与存储库中特定单人信息进行比对，确定身份的过程，是一对一的问题。

生物特征识别技术涉及的内容十分广泛，包括指纹、掌纹、人脸、虹膜、指静脉、声纹、步态等多种生物特征，其识别过程涉及到图像处理、计算机视觉、语音识别、机器学习等多项技术。目前生物特征识别作为重要的智能化身份认证技术，在金融、公共安全、教育、交通等领域得到广泛的应用。下面将对指纹识别、人脸识别、虹膜识别、指静脉识别、声纹识别以及步态识别等技术进行介绍。

(1)指纹识别指纹识别过程通常包括数据采集、数据处理、分析判别三个过程。数据采集通过光、电、力、热等物理传感器获取指纹图像；数据处理包括预处理、畸变校正、特征提取三个过程；分析判别是对提取的特征进行分析判别的过程。

(2)人脸识别人脸识别是典型的计算机视觉应用，从应用过程来看，可将人脸识别技术划分为检测定位、面部特征提取以及人脸确认三个过程。人脸识别技术的应用主要受到光照、拍摄角度、图像遮挡、年龄等多个因素的影响，在约束条件下人脸识别技术相对成熟，在自由条件下人脸识别技术还在不断改进。

(3)虹膜识别虹膜识别的理论框架主要包括虹膜图像分割、虹膜区域归一化、特征提取和识别四个部分，研究工作大多是基于此理论框架发展而来。虹膜识别技术应用的主要难题包含传感器和光照影响两个方面：一方面，由于虹膜尺寸小且受黑色素遮挡，需在近红外光源下采用高分辨图像传感器才可清晰成像，对传感器质量和稳定性要求比较高；另一方面，光照的强弱变化会引起瞳孔缩放，导致虹膜纹理产生复杂形变，增加了匹配的难度。

(4)指静脉识别指静脉识别是利用了人体静脉血管中的脱氧血红蛋白对特定波长范围内的近红外线有很好的吸收作用这一特性，采用近红外光对指静脉进行成像与识别的技术。由于指静脉血管分布随机性很强，其网络特征具有很好的唯一性，且属于人体内部特征，不受到外界影响，因此模态特性十分稳定。指静脉识别技术应用面临的主要难题来自于成像单元。

(5)声纹识别声纹识别是指根据待识别语音的声纹特征识别说话人的技术。声纹识别技术通常可以分为前端处理和建模分析两个阶段。声纹识别的过程是将某段来自某个人的语音经过特征提取后与多复合声纹模型库中的声纹模型进行匹配，常用的识别方法可以分为模板匹配法、概率模型法等。

(6)步态识别步态是远距离复杂场景下唯一可清晰成像的生物特征，步态识别是指通过身体体型和行走姿态来识别人的身份。相比上述几种生物特征识别，步态识别的技术难度更大，体现在其需要从视频中提取运动特征，以及需要更高要求的预处理算法，但步态识别具有远距离、跨角度、光照不敏感等优势。

3.1.7虚拟现实/增强现实

虚拟现实(VR)/增强现实(AR)是以计算机为核心的新型视听技术。结合相关科学技术，在一定范围内生成与真实环境在视觉、听觉、触感等方面高度近似的数字化环境。用户借助必要的装备与数字化环境中的对象进行交互，相互影响，获得近似真实环境的感受和体验，通过显示设备、跟踪定位设备、触力觉交互设备、数据获取设备、专用芯片等实现。

虚拟现实/增强现实从技术特征角度，按照不同处理阶段，可以分为获取与建模技术、分析与利用技术、交换与分发技术、展示与交互技术以及技术标准与评价体系五个方面。获取与建模技术研究如何把物理世界或者人类的创意进行数字化和模型化，难点是三维物理世界的数字化和模型化技术；分析与利用技术重点研究对数字内容进行分析、理解、搜索和知识化方法，其难点是在于内容的语义表示和分析；交换与分发技术主要强调各种网络环境下大规模的数字化内容流通、转换、集成和面向不同终端用户的个性化服务等，其核心是开放的内容交换和版权管理技术；展示与交换技术重点研究符合人类习惯数字内容的各种显示技术及交互方法，以期提高人对复杂信息的认知能力，其难点在于建立自然和谐的人机交互环境；标准与评价体系重点研究虚拟现实/增强现实基础资源、内容编目、信源编码等的规范标准以及相应的评估技术。

目前虚拟现实/增强现实面临的挑战主要体现在智能获取、普适设备、自由交互和感知融合四个方面。在硬件平台与装置、核心芯片与器件、软件平台与工具、相关标准与规范等方面存在一系列科学技术问题。总体来说虚拟现实/增强现实呈现虚拟现实系统智能化、虚实环境对象无缝融合、自然交互全方位与舒适化的发展趋势。

3.1.8人工智能技术发展趋势

综上所述，人工智能技术在以下方面的发展有显著的特点，是进一步研究人工智能趋势的重点。

(1)技术平台开源化开源的学习框架在人工智能领域的研发成绩斐然，对深度学习领域影响巨大。开源的深度学习框架使得开发者可以直接使用已经研发成功的深度学习工具，减少二次开发，提高效率，促进业界紧密合作和交流。国内外产业巨头也纷纷意识到通过开源技术建立产业生态，是抢占产业制高点的重要手段。通过技术平台的开源化，可以扩大技术规模，整合技术和应用，有效布局人工智能全产业链。谷歌、百度等国内外龙头企业纷纷布局开源人工智能生态，未来将有更多的软硬件企业参与开源生态。

(2)专用智能向通用智能发展目前的人工智能发展主要集中在专用智能方面，具有领域局限性。随着科技的发展，各领域之间相互融合、相互影响，需要一种范围广、集成度高、适应能力强的通用智能，提供从辅助性决策工具到专业性解决方案的升级。通用人工智能具备执行一般智慧行为的能力，可以将人工智能与感知、知识、意识和直觉等人类的特征互相连接，减少对领域知识的依赖性、提高处理任务的普适性，这将是人工智能未来的发展方向。未来的人工智能将广泛的涵盖各个领域，消除各领域之间的应用壁垒。

(3)智能感知向智能认知方向迈进人工智能的主要发展阶段包括：运算智能、感知智能、认知智能，这一观点得到业界的广泛认可。早期阶段的人工智能是运算智能，机器具有快速计算和记忆存储能力。当前大数据时代的人工智能是感知智能，机器具有视觉、听觉、触觉等感知能力。随着类脑科技的发展，人工智能必然向认知智能时代迈进，即让机器能理解会思考。

3.2人工智能产业现状及趋势

人工智能作为新一轮产业变革的核心驱动力，将催生新的技术、产品、产业、业态、模式，从而引发经济结构的重大变革，实现社会生产力的整体提升。麦肯锡预计，到2025年全球人工智能应用市场规模总值将达到1270亿美元，人工智能将是众多智能产业发展的突破点。

通过对人工智能产业分布进行梳理，提出了人工智能产业生态图，主要分为核心业态、关联业态、衍生业态三个层次，如图3所示。

下面将重点对核心业态包含的智能基础设施建设、智能信息及数据、智能技术服务、智能产品四个方面展开介绍，并总结人工智能行业应用及产业发展趋势。

3.2.1智能基础设施

智能基础设施为人工智能产业提供计算能力支撑，其范围包括智能传感器、智能芯片、分布式计算框架等，是人工智能产业发展的重要保障。

(1)智能芯片

智能芯片从应用角度可以分为训练和推理两种类型。从部署场景来看，可以分为云端和设备端两步大类。训练过程由于涉及海量的训练数据和复杂的深度神经网络结构，需要庞大的计算规模，主要使用智能芯片集群来完成。与训练的计算量相比，推理的计算量较少，但仍然涉及大量的矩阵运算。目前，训练和推理通常都在云端实现，只有对实时性要求很高的设备会交由设备端进行处理。

按技术架构来看，智能芯片可以分为通用类芯片(CPU、GPU、FPGA)、基于FPGA的半定制化芯片、全定制化ASIC芯片、类脑计算芯片(IBM TrueNorth)。另外，主要的人工智能处理器还有DPU、BPU、NPU、EPU等适用于不同场景和功能的人工智能芯片。

随着互联网用户量和数据规模的急剧膨胀，人工智能发展对计算性能的要求迫切增长，对CPU计算性能提升的需求超过了摩尔定律的增长速度。同时，受限于技术原因，传统处理器性能也无法按照摩尔定律继续增长，发展下一代智能芯片势在必行。未来的智能芯片主要是在两个方向发展：一是模仿人类大脑结构的芯片，二是量子芯片。智能芯片是人工智能时代的战略制高点，预计到2020年人工智能芯片全球市场规模将突破百亿美元。

(2)智能传感器

智能传感器是具有信息处理功能的传感器。智能传感器带有微处理机，具备采集、处理、交换信息等功能，是传感器集成化与微处理机相结合的产物。智能传感器属于人工智能的神经末梢，用于全面感知外界环境。各类传感器的大规模部署和应用为实现人工智能创造了不可或缺的条件。不同应用场景，如智能安防、智能家居、智能医疗等对传感器应用提出了不同的要求。未来，随着人工智能应用领域的不断拓展，市场对传感器的需求将不断增多，2020年市场规模有望突破4600亿美元。未来，高敏度、高精度、高可靠性、微型化、集成化将成为智能传感器发展的重要趋势。

(3)分布式计算框架

面对海量的数据处理、复杂的知识推理，常规的单机计算模式已经不能支撑。所以，计算模式必须将巨大的计算任务分成小的单机可以承受的计算任务，即云计算、边缘计算、大数据技术提供了基础的计算框架。目前流行的分布式计算框架如OpenStack、Hadoop、Storm、Spark、Samza、Bigflow等。各种开源深度学习框架也层出不穷，其中包括TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4、Lasagne、Neon等等。

3.2.2智能信息及数据

信息数据是人工智能创造价值的关键要素之一。我国庞大的人口和产业基数带来了数据方面的天生优势。随着算法、算力技术水平的提升，围绕数据的采集、分析、处理产生了众多的企业。目前，在人工智能数据采集、分析、处理方面的企业主要有两种：一种是数据集提供商，以提供数据为自身主要业务，为需求方提供机器学习等技术所需要的不同领域的数据集；另一种是数据采集、分析、处理综合性厂商，自身拥有获取数据的途径，并对采集到的数据进行分析处理，最终将处理后的结果提供给需求方进行使用。对于一些大型企业，企业本身也是数据分析处理结果的需求方。

3.2.3智能技术服务

智能技术服务主要关注如何构建人工智能的技术平台，并对外提供人工智能相关的服务。此类厂商在人工智能产业链中处于关键位置，依托基础设施和大量的数据，为各类人工智能的应用提供关键性的技术平台、解决方案和服务。目前，从提供服务的类型来看，提供技术服务厂商包括以下几类：

(1)提供人工智能的技术平台和算法模型。此类厂商主要针对用户或者行业需求，提供人工智能技术平台以及算法模型。用户可以在人工智能平台之上，通过一系列的算法模型来进行人工智能的应用开发。此类厂商主要关注人工智能的通用计算框架、算法模型、通用技术等关键领域。

(2)提供人工智能的整体解决方案。此类厂商主要针对用户或者行业需求，设计和提供包括软、硬件一体的行业人工智能解决方案，整体方案中集成多种人工智能算法模型以及软、硬件环境，帮助用户或行业解决特定的问题。此类厂商重点关注人工智能在特定领域或者特定行业的应用。

(3)提供人工智能在线服务。此类厂商一般为传统的云服务提供厂商，主要依托其已有的云计算和大数据应用的用户资源，聚集用户的需求和行业属性，为客户提供多类型的人工智能服务；从各类模型算法和计算框架的API等特定应用平台到特定行业的整体解决方案等，进一步吸引大量的用户使用，从而进一步完善其提供的人工智能服务。此类厂商主要提供相对通用的人工智能服务，同时也会关注一些重点行业和领域。

需要指出的是，上述三类角色并不是严格区分开的，很多情况下会出现重叠，随着技术的发展成熟，在人工智能产业链中已有大量的厂商同时具备上述两类或者三类角色的特征。

3.2.4智能产品

随着制造强国、网络强国、数字中国建设进程的加快，在制造、家居、金融、教育、交通、安防、医疗、物流等领域对人工智能技术和产品的需求将进一步释放，相关智能产品的种类和形态也将越来越丰富。

3.2.5人工智能行业应用

人工智能与行业领域的深度融合将改变甚至重新塑造传统行业，本节重点介绍人工智能在制造、家居、金融、交通、安防、医疗、物流行业的应用，由于篇幅有限，其它很多重要的行业应用在这里不展开论述。

(1)智能制造

智能制造是基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。智能制造对人工智能的需求主要表现在以下三个方面：一是智能装备，包括自动识别设备、人机交互系统、工业机器人以及数控机床等具体设备，涉及到跨媒体分析推理、自然语言处理、虚拟现实智能建模及自主无人系统等关键技术。二是智能工厂，包括智能设计、智能生产、智能管理以及集成优化等具体内容，涉及到跨媒体分析推理、大数据智能、机器学习等关键技术。三是智能服务，包括大规模个性化定制、远程运维以及预测性维护等具体服务模式，涉及到跨媒体分析推理、自然语言处理、大数据智能、高级机器学习等关键技术。例如，现有涉及智能装备故障问题的纸质化文件，可通过自然语言处理，形成数字化资料，再通过非结构化数据向结构化数据的转换，形成深度学习所需的训练数据，从而构建设备故障分析的神经网络，为下一步故障诊断、优化参数设置提供决策依据。

(2)智能家居

参照工业和信息化部印发的《智慧家庭综合标准化体系建设指南》，智能家居是智慧家庭八大应用场景之一。受产业环境、价格、消费者认可度等因素影响，我国智能家居行业经历了漫长的探索期。至2010年，随着物联网技术的发展以及智慧城市概念的出现，智能家居概念逐步有了清晰的定义并随之涌现出各类产品，软件系统也经历了若干轮升级。

智能家居以住宅为平台，基于物联网技术，由硬件(智能家电、智能硬件、安防控制设备、家具等)、软件系统、云计算平台构成的家居生态圈，实现人远程控制设备、设备间互联互通、设备自我学习等功能，并通过收集、分析用户行为数据为用户提供个性化生活服务，使家居生活安全、节能、便捷等。例如，借助智能语音技术，用户应用自然语言实现对家居系统各设备的操控，如开关窗帘(窗户)、操控家用电器和照明系统、打扫卫生等操作；借助机器学习技术，智能电视可以从用户看电视的历史数据中分析其兴趣和爱好，并将相关的节目推荐给用户。通过应用声纹识别、脸部识别、指纹识别等技术进行开锁等；通过大数据技术可以使智能家电实现对自身状态及环境的自我感知，具有故障诊断能力。通过收集产品运行数据，发现产品异常，主动提供服务，降低故障率。还可以通过大数据分析、远程监控和诊断，快速发现问题、解决问题及提高效率。

(3)智能金融

人工智能的飞速发展将对身处服务价值链高端的金融业带来深刻影响，人工智能逐步成为决定金融业沟通客户、发现客户金融需求的重要因素。人工智能技术在金融业中可以用于服务客户，支持授信、各类金融交易和金融分析中的决策，并用于风险防控和监督，将大幅改变金融现有格局，金融服务将会更加地个性化与智能化。智能金融对于金融机构的业务部门来说，可以帮助获客，精准服务客户，提高效率；对于金融机构的风控部门来说，可以提高风险控制，增加安全性；对于用户来说，可以实现资产优化配置，体验到金融机构更加完美地服务。人工智能在金融领域的应用主要包括：智能获客，依托大数据，对金融用户进行画像，通过需求响应模型，极大地提升获客效率；身份识别，以人工智能为内核，通过人脸识别、声纹识别、指静脉识别等生物识别手段，再加上各类票据、身份证、银行卡等证件票据的OCR识别等技术手段，对用户身份进行验证，大幅降低核验成本，有助于提高安全性；大数据风控，通过大数据、算力、算法的结合，搭建反欺诈、信用风险等模型，多维度控制金融机构的信用风险和操作风险，同时避免资产损失；智能投顾，基于大数据和算法能力，对用户与资产信息进行标签化，精准匹配用户与资产；智能客服，基于自然语言处理能力和语音识别能力，拓展客服领域的深度和广度，大幅降低服务成本，提升服务体验；金融云，依托云计算能力的金融科技，为金融机构提供更安全高效的全套金融解决方案。

(4)智能交通

智能交通系统(Intelligent Traffic System，ITS)是通信、信息和控制技术在交通系统中集成应用的产物。ITS借助现代科技手段和设备，将各核心交通元素联通，实现信息互通与共享以及各交通元素的彼此协调、优化配置和高效使用，形成人、车和交通的一个高效协同环境，建立安全、高效、便捷和低碳的交通。例如通过交通信息采集系统采集道路中的车辆流量、行车速度等信息，信息分析处理系统处理后形成实时路况，决策系统据此调整道路红绿灯时长，调整可变车道或潮汐车道的通行方向等，通过信息系统将路况推送到导航软件和广播中，让人们合理规划行驶路线。通过不停车收费系统(ETC)，实现对通过ETC入口站的车辆身份及信息自动采集、处理、收费和放行，有效提高通行能力、简化收费管理、降低环境污染。

ITS应用最广泛的地区是日本，其次是美国、欧洲等地区。中国的智能交通系统近几年也发展迅速，在北京、上海、广州、杭州等大城市已经建设了先进的智能交通系统；其中，北京建立了道路交通控制、公共交通指挥与调度、高速公路管理和紧急事件管理等四大ITS系统；广州建立了交通信息共用主平台、物流信息平台和静态交通管理系统等三大ITS系统。

(5)智能安防

智能安防技术是一种利用人工智能对视频、图像进行存储和分析，从中识别安全隐患并对其进行处理的技术。智能安防与传统安防的最大区别在于智能化，传统安防对人的依赖性比较强，非常耗费人力，而智能安防能够通过机器实现智能判断，从而尽可能实现实时地安全防范和处理。

当前，高清视频、智能分析等技术的发展，使得安防从传统的被动防御向主动判断和预警发展，行业也从单一的安全领域向多行业应用发展，进而提升生产效率并提高生活智能化程度，为更多的行业和人群提供可视化及智能化方案。用户面对海量的视频数据，已无法简单利用人海战术进行检索和分析，需要采用人工智能技术作专家系统或辅助手段，实时分析视频内容，探测异常信息，进行风险预测。从技术方面来讲，目前国内智能安防分析技术主要集中在两大类：一类是采用画面分割前景提取等方法对视频画面中的目标进行提取检测，通过不同的规则来区分不同的事件，从而实现不同的判断并产生相应的报警联动等，例如：区域入侵分析、打架检测、人员聚集分析、交通事件检测等；另一类是利用模式识别技术，对画面中特定的物体进行建模，并通过大量样本进行训练，从而达到对视频画面中的特定物体进行识别，如车辆检测、人脸检测、人头检测(人流统计)等应用。

智能安防目前涵盖众多的领域，如街道社区、道路、楼宇建筑、机动车辆的监控，移动物体监测等。今后智能安防还要解决海量视频数据分析、存储控制及传输问题，将智能视频分析技术、云计算及云存储技术结合起来，构建智慧城市下的安防体系。

(6)智能医疗

人工智能的快速发展，为医疗健康领域向更高的智能化方向发展提供了非常有利的技术条件。近几年，智能医疗在辅助诊疗、疾病预测、医疗影像辅助诊断、药物开发等方面发挥重要作用。

在辅助诊疗方面，通过人工智能技术可以有效提高医护人员工作效率，提升一线全科医生的诊断治疗水平。如利用智能语音技术可以实现电子病历的智能语音录入；利用智能影像识别技术，可以实现医学图像自动读片；利用智能技术和大数据平台，构建辅助诊疗系统。

在疾病预测方面，人工智能借助大数据技术可以进行疫情监测，及时有效地预测并防止疫情的进一步扩散和发展。以流感为例，很多国家都有规定，当医生发现新型流感病例时需告知疾病控制与预防中心。但由于人们可能患病不及时就医，同时信息传达回疾控中心也需要时间，因此，通告新流感病例时往往会有一定的延迟，人工智能通过疫情监测能够有效缩短响应时间。

在医疗影像辅助诊断方面，影像判读系统的发展是人工智能技术的产物。早期的影像判读系统主要靠人手工编写判定规则，存在耗时长、临床应用难度大等问题，从而未能得到广泛推广。影像组学是通过医学影像对特征进行提取和分析，为患者预前和预后的诊断和治疗提供评估方法和精准诊疗决策。这在很大程度上简化了人工智能技术的应用流程，节约了人力成本。

(7)智能物流

传统物流企业在利用条形码、射频识别技术、传感器、全球定位系统等方面优化改善运输、仓储、配送装卸等物流业基本活动，同时也在尝试使用智能搜索、推理规划、计算机视觉以及智能机器人等技术，实现货物运输过程的自动化运作和高效率优化管理，提高物流效率。例如，在仓储环节，利用大数据智能通过分析大量历史库存数据，建立相关预测模型，实现物流库存商品的动态调整。大数据智能也可以支撑商品配送规划，进而实现物流供给与需求匹配、物流资源优化与配置等。在货物搬运环节，加载计算机视觉、动态路径规划等技术的智能搬运机器人(如搬运机器人、货架穿梭车、分拣机器人等)得到广泛应用，大大减少了订单出库时间，使物流仓库的存储密度、搬运的速度、拣选的精度均有大幅度提升。

3.2.6人工智能产业发展趋势

从人工智能产业进程来看，技术突破是推动产业升级的核心驱动力。数据资源、运算能力、核心算法共同发展，掀起人工智能第三次新浪潮。人工智能产业正处于从感知智能向认知智能的进阶阶段，前者涉及的智能语音、计算机视觉及自然语言处理等技术，已具有大规模应用基础，但后者要求的“机器要像人一样去思考及主动行动”仍尚待突破，诸如无人驾驶、全自动智能机器人等仍处于开发中，与大规模应用仍有一定距离。

(1)智能服务呈现线下和线上的无缝结合

分布式计算平台的广泛部署和应用，增大了线上服务的应用范围。同时人工智能技术的发展和产品不断涌现，如智能家居、智能机器人、自动驾驶汽车等，为智能服务带来新的渠道或新的传播模式，使得线上服务与线下服务的融合进程加快，促进多产业升级。

(2)智能化应用场景从单一向多元发展

目前人工智能的应用领域还多处于专用阶段，如人脸识别、视频监控、语音识别等都主要用于完成具体任务，覆盖范围有限，产业化程度有待提高。随着智能家居、智慧物流等产品的推出，人工智能的应用终将进入面向复杂场景，处理复杂问题，提高社会生产效率和生活质量的新阶段。

(3)人工智能和实体经济深度融合进程将进一步加快

党的报告提出“推动互联网、大数据、人工智能和实体经济深度融合”，一方面，随着制造强国建设的加快将促进人工智能等新一代信息技术产品发展和应用，助推传统产业转型升级，推动战略性新兴产业实现整体性突破。另一方面，随着人工智能底层技术的开源化，传统行业将有望加快掌握人工智能基础技术并依托其积累的行业数据资源实现人工智能与实体经济的深度融合创新。

3.3安全、伦理、隐私问题

历史经验表明新技术常常能够提高生产效率，促进社会进步。但与此同时，由于人工智能尚处于初期发展阶段，该领域的安全、伦理、隐私的政策、法律和标准问题值得关注。就人工智能技术而言，安全、伦理和隐私问题直接影响人们与人工智能工具交互经验中对人工智能技术的信任。社会公众必须信任人工智能技术能够给人类带来的安全利益远大于伤害，才有可能发展人工智能。要保障安全，人工智能技术本身及在各个领域的应用应遵循人类社会所认同的伦理原则，其中应特别关注的是隐私问题，因为人工智能的发展伴随着越来越多的个人数据被记录和分析，而在这个过程中保障个人隐私则是社会信任能够增加的重要条件。总之，建立一个令人工智能技术造福于社会、保护公众利益的政策、法律和标准化环境，是人工智能技术持续、健康发展的重要前提。为此，本章集中讨论与人工智能技术相关的安全、伦理、隐私的政策和法律问题。

3.3.1人工智能的安全问题

人工智能最大的特征是能够实现无人类干预的，基于知识并能够自我修正地自动化运行。在开启人工智能系统后，人工智能系统的决策不再需要操控者进一步的指令，这种决策可能会产生人类预料不到的结果。设计者和生产者在开发人工智能产品的过程中可能并不能准确预知某一产品会存在的可能风险。因此，对于人工智能的安全问题不容忽视。

与传统的公共安全(例如核技术)需要强大的基础设施作为支撑不同，人工智能以计算机和互联网为依托，无需昂贵的基础设施就能造成安全威胁。掌握相关技术的人员可以在任何时间、地点且没有昂贵基础设施的情况下做出人工智能产品。人工智能的程序运行并非公开可追踪，其扩散途径和速度也难以精确控制。在无法利用已有传统管制技术的条件下，对人工智能技术的管制必须另辟蹊径。换言之，管制者必须考虑更为深层的伦理问题，保证人工智能技术及其应用均应符合伦理要求，才能真正实现保障公共安全的目的。

由于人工智能技术的目标实现受其初始设定的影响，必须能够保障人工智能设计的目标与大多数人类的利益和伦理道德一致，即使在决策过程中面对不同的环境，人工智能也能做出相对安全的决定。从人工智能的技术应用方面看，要充分考虑到人工智能开发和部署过程中的责任和过错问题，通过为人工智能技术开发者、产品生产者或者服务提供者、最终使用者设定权利和义务的具体内容，来达到落实安全保障要求的目的。

此外，考虑到目前世界各国关于人工智能管理的规定尚不统一，相关标准也处于空白状态，同一人工智能技术的参与者可能来自不同国家，而这些国家尚未签署针对人工智能的共有合约。为此，我国应加强国际合作，推动制定一套世界通用的管制原则和标准来保障人工智能技术的安全性。

3.3.2人工智能的伦理问题

人工智能是人类智能的延伸，也是人类价值系统的延伸。在其发展的过程中，应当包含对人类伦理价值的正确考量。设定人工智能技术的伦理要求，要依托于社会和公众对人工智能伦理的深入思考和广泛共识，并遵循一些共识原则：

一是人类利益原则，即人工智能应以实现人类利益为终极目标。这一原则体现对人权的尊重、对人类和自然环境利益最大化以及降低技术风险和对社会的负面影响。在此原则下，政策和法律应致力于人工智能发展的外部社会环境的构建，推动对社会个体的人工智能伦理和安全意识教育，让社会警惕人工智能技术被滥用的风险。此外，还应该警惕人工智能系统作出与伦理道德偏差的决策。例如，大学利用机器学习算法来评估入学申请，假如用于训练算法的历史入学数据(有意或无意)反映出之前的录取程序的某些偏差(如性别歧视)，那么机器学习可能会在重复累计的运算过程中恶化这些偏差，造成恶性循环。如果没有纠正，偏差会以这种方式在社会中永久存在。

二是责任原则，即在技术开发和应用两方面都建立明确的责任体系，以便在技术层面可以对人工智能技术开发人员或部门问责，在应用层面可以建立合理的责任和赔偿体系。在责任原则下，在技术开发方面应遵循透明度原则；在技术应用方面则应当遵循权责一致原则。

其中，透明度原则要求了解系统的工作原理从而预测未来发展，即人类应当知道人工智能如何以及为何做出特定决定，这对于责任分配至关重要。例如，在神经网络这个人工智能的重要议题中，人们需要知道为什么会产生特定的输出结果。另外，数据来源透明度也同样非常重要。即便是在处理没有问题的数据集时，也有可能面临数据中隐含的偏见问题。透明度原则还要求开发技术时注意多个人工智能系统协作产生的危害。

权责一致原则，指的是未来政策和法律应该做出明确规定：一方面必要的商业数据应被合理记录、相应算法应受到监督、商业应用应受到合理审查；另一方面商业主体仍可利用合理的知识产权或者商业秘密来保护本企业的核心参数。在人工智能的应用领域，权利和责任一致的原则尚未在商界、政府对伦理的实践中完全实现。主要是由于在人工智能产品和服务的开发和生产过程中，工程师和设计团队往往忽视伦理问题，此外人工智能的整个行业尚未习惯于综合考量各个利益相关者需求的工作流程，人工智能相关企业对商业秘密的保护也未与透明度相平衡。

3.3.3人工智能的隐私问题

人工智能的近期发展是建立在大量数据的信息技术应用之上，不可避免地涉及到个人信息的合理使用问题，因此对于隐私应该有明确且可操作的定义。人工智能技术的发展也让侵犯个人隐私(的行为)更为便利，因此相关法律和标准应该为个人隐私提供更强有力的保护。已有的对隐私信息的管制包括对使用者未明示同意的收集，以及使用者明示同意条件下的个人信息收集两种类型的处理。人工智能技术的发展对原有的管制框架带来了新的挑战，原因是使用者所同意的个人信息收集范围不再有确定的界限。利用人工智能技术很容易推导出公民不愿意泄露的隐私，例如从公共数据中推导出私人信息，从个人信息中推导出和个人有关的其他人员(如朋友、亲人、同事)信息(在线行为、人际关系等)。这类信息超出了最初个人同意披露的个人信息范围。

此外，人工智能技术的发展使得政府对于公民个人数据信息的收集和使用更加便利。大量个人数据信息能够帮助政府各个部门更好地了解所服务的人群状态，确保个性化服务的机会和质量。但随之而来的是，政府部门和政府工作人员个人不恰当使用个人数据信息的风险和潜在的危害应当得到足够的重视。

人工智能语境下的个人数据的获取和知情同意应该重新进行定义。首先，相关政策、法律和标准应直接对数据的收集和使用进行规制，而不能仅仅征得数据所有者的同意；其次，应当建立实用、可执行的、适应于不同使用场景的标准流程以供设计者和开发者保护数据来源的隐私；再次，对于利用人工智能可能推导出超过公民最初同意披露的信息的行为应该进行规制。最后，政策、法律和标准对于个人数据管理应该采取延伸式保护，鼓励发展相关技术，探索将算法工具作为个体在数字和现实世界中的人。这种方式使得控制和使用两者得以共存，因为算法人可以根据不同的情况，设定不同的使用权限，同时管理个人同意与拒绝分享的信息。

本章节所涉及的安全、伦理和隐私问题是人工智能发展面临的挑战。安全问题是让技术能够持续发展的前提。技术的发展给社会信任带来了风险，如何增加社会信任，让技术发展遵循伦理要求，特别是保障隐私不会被侵犯是亟需解决的问题。为此，需要(制订)合理的政策、法律、标准基础，并与国际社会协作。在制订政策、法律和标准时，应当摆脱肤浅的新闻炒作和广告式的热点宣传，必须促进对人工智能技术产品更深层地理解，聚焦这一新技术给社会产生重大利益的同时也带来的巨大挑战。作为国际社会的重要成员，中国对保障人工智能技术应用在正确的道路上、基于正确的理由得到健康发展担负重要的责任。

3.4人工智能标准化的重要作用

当今，经济全球化和市场国际化深入发展，标准作为经济和社会活动的主要技术依据，已成为衡量国家或地区技术发展水平的重要标志、产品进入市场的基本准则、企业市场竞争力的具体体现。标准化工作对人工智能及其产业发展具有基础性、支撑性、引领性的作用，既是推动产业创新发展的关键抓手，也是产业竞争的制高点。人工智能标准的先进与完善与否，关系到产业的健康发展、以及产品国际市场竞争力的强弱。

美国、欧盟、日本等发达国家高度重视人工智能标准化工作。美国的《国家人工智能研究与发展策略规划》，欧盟的“人脑计划”，日本实施的“人工智能/大数据/物联网/网络安全综合项目”，均提出围绕核心技术、顶尖人才、标准规范等强化部署，力图抢占新一轮科技主导权。我国高度重视人工智能标准化工作。在国务院《新一代人工智能发展规划》中将人工智能标准化作为重要支撑保障，提出要“加强人工智能标准框架体系研究。坚持安全性、可用性、互操作性、可追溯性原则，逐步建立并完善人工智能基础共性、互联互通、行业应用、网络安全、隐私保护等技术标准。加快推动无人驾驶、服务机器人等细分应用领域的行业协会和联盟制定相关标准”。工信部在《促进新一代人工智能产业发展三年行动计划(2018-2020年)》中指出，要建设人工智能产业标准规范体系，建立并完善基础共性、互联互通、安全隐私、行业应用等技术标准；同时构建人工智能产品评估评测体系。

我国虽然在人工智能领域虽然具备了良好基础，语音识别、视觉识别、中文信息处理等核心技术实现了突破，也具有巨大的应用市场环境，但整体发展水平仍落后于发达国家，在核心算法、关键设备、高端芯片、重大产品与系统等方面差距较大，适应人工智能发展的基础设施、政策法规、标准体系亟待完善。

综上分析，更应重视人工智能标准化工作对于促进技术创新、支撑产业发展具有的重要引领作用：

(一)标准化工作有利于加快人工智能技术创新和成果转化。现阶段人工智能技术发展迅速，市场上逐步出现了可规模化、可商业化的产品和应用，需要以标准化的手段固化技术成果，实现快速创新推广；

(二)标准化工作有助于提升人工智能产品和服务质量。如市场上出现的人脸识别系统、智能音箱、服务机器人等产品，质量残次不齐，需要标准的统一规范，并配合以开展符合性测试评估的方式，提升产品和服务质量；

(三)标准化工作有助于切实保障用户安全。例如自动驾驶领域的“电车难题”伦理难题、苹果手机指纹泄露用户隐私等问题，引起了人们的广泛关注。如何保护用户权益是难点也是重点，这需要通过建立以人为本的原则，制定相关安全标准规范，确保智能系统遵从并服务于人类伦理，并确保信息安全；

计算机技术与人工智能基础篇7

关键词：物联网；高职院校；课程体系；专业方向

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2013）32-7368-03

物联网（The Internet of things）的概念是1999年提出的，是将所有物品通过射频识别（RFID）、全球定位系统、红外感应器和激光扫描器等信息传感设备与互联网连接起来[1]，进行通讯和信息交换，实现智能识别、定位、跟踪和管控的一种新兴信息技术。它有两层意思：第一，互联网仍是物联网的核心和基础，是互联网的延伸和扩展；第二，引入了人与物之间的交流，实现相互之间的信息交换和通信。作为新一代信息技术，物联网是继计算机、移动互联网之后又一次信息产业发展的浪潮。2009年11月，总理发表了《让科技引领中国可持续发展》的讲话，指示要突破物联网、传感网关键技术，物联网产业随机被列入国家五大新兴产业之一。2012年2月，我国工信部了《物联网“十二五”发展规划》。

截止2010年3月，已有近700所高校向教育部提交了设立物联网相关专业的申请。其中37所院校获准开设物联网相关专业，并从2011年起开始招生。从目前的发展趋势来看，物联网涉及到国民经济的各行各业和社会生活的各个领域，它不仅是技术问题，还包括社会和企业管理等多方面，因此，该领域需要大量既懂技术又会管理的人才。作为培养高级技术应用型人才的高职院校，应适应时代和科技发展，探索物联网相关课程的教学设置，重点培养物联网应用的相关人才。

1 高职物联网专业人才培养目标

通过调查、专家座谈和查阅资料等多种途径，对物联网技术应用领域的市场需求、岗位设置、工作任务性质及职能要求等进行调研，确定了高职物联网技术应用专业人才的就业岗位，明确了人才培养目标。物联网技术应用专业主要面向物联网感知设备应用、物联网通讯设备应用、物联网开发和集成、物联网管理和服务等就业岗位[2]，培养物联网建设技术人员、物联网产品应用技术人员、物联网应用软件开发技术人员、物联网应用系统集成、管理和维护人员等。因此，面向技术应用的高职物联网专业人才培养的目标是：具有扎实的专业基础知识、良好的团队合作精神、较强的分析和解决实际问题能力，并且掌握物联网相关知识，具备物联网建设、应用、管理和维护等能力的高级技能型人才。

2 高职物联网专业人才的知识和能力要求

物联网的产业链主要涉及对物的感知、对数据的传输和处理三个环节。每个环节需要不同的技能和知识，对学生的能力要求也都不同。其中，对物的感知主要是通过传感器等设备来获取对物的感知信息，涉及到物联网中的硬件系统[3]，需要硬件电路设计和制造人员以及电子设备技术人员。获取物的感知信息后，通过网络进行数据传输，这个环节主要涉及通讯和计算机网络技术，需要计算机网络通信人员。最后的数据处理环节对数据进行整合、分析，进而实现应用，主要涉及系统分析，需要系统设计、应用和管理人员。因此，高职物联网专业人才的培养工作，应根据物联网产业链的不同环节对人才的不同需求而有针对性的进行。

3 高职物联网专业课程体系建设

课程体系的建设关系到人才培养目标的实现，是专业建设和发展的关键环节。高职院校在构建课程体系时要对物联网技术应用人才的岗位进行调研与分析，以市场需求为导向，从物联网技术架构出发，考虑应用方向与应用领域，与典型企业合作，根据企业实际的物联网工程项目的实施来构建相应的课程体系。

高职物联网课程体系建设由三大课程模块组成，即公共基础课程、专业基础课程和专业核心课程，三大课程模块是相互依存的有机整体。下面以物联网的三层技术架构，即感知层、网络层和应用层为主线，以各种公共课程为基础，结合当前高职院校实际，分析高职物联网课程设置，如图1所示。

1） 感知层：是物联网识别物体、获取信息的来源。由各种感知设备构成，包括二维码标签、温湿度传感器、RFID标签和读写器、GPS、摄像头等传感器设备。在该层课程设置方面，应与硬件技术相关的学科作为专业基础课，如：电子线路基础、计算机操作系统等，与传感器技术、信息获取等软件技术相关的学科作为专业核心课，如：传感器技术、RFID技术及应用、嵌入式应用系统开发等。

2） 网络层：是整个物联网的中枢部分，负责传递和处理感知层获取的信息[4]。由各种网络组成，包括互联网、云计算平台、网络管理系统、广电网等。高职物联网专业在该层的课程设置要以计算机网络和通信等基础知识作为专业基础课程，如：通信原理、计算机网络基础等，以网络应用与管理等技术作为专业核心课程，如：无线网络技术、物联网组网技术、网络设备配置与管理等。

3） 应用层：是用户和物联网进行交互的接口，与行业需求紧密结合，实现物联网技术的智能应用。与之对应的课程设置应以各种面向对象的编程语言和工具为专业基础课程，如：C语言程序基础、数据库原理与应用等，以面向智能应用的相关技术作为专业核心课程，如：智能家居应用技术、制造业ERP技术应用、物联网系统集成与管理等。

4 高职物联网专业方向设置

物联网涉及领域广泛，包括大量学科和技术，如：计算机科学与工程、电子信息与通讯、自动控制、遥感与遥测、精密仪器、电子与电气工程、电子商务等。根据高职院校专业招生情况，现将高职物联网专业方向设置如下：

4.1 物联网自动控制

培养目标：面向机械电子行业，培养具有扎实的机械及电子理论知识、较强的实践能力、良好的团队协作能力，熟练掌握传感器技术、单片机技术、电子电工技术、嵌入式系统开发技术等，具备在物联网相关机械和电子类企业工作的高素质技能人才。

专业基础课程：电子线路基础、计算机操作系统、单片机原理等。

专业核心课程：射频识别技术及应用、传感器技术、单片机技术及应用、嵌入式系统开发技术、无线传感网络、微波与天线技术等。

4.2 物联网网络信息系统

培养目标：面向计算机网络和信息系统行业，培养具有扎实的计算机网络和信息管理系统理论知识，较强的实际动手能力、可持续发展的创新精神，熟练掌握物联网信息系统的设计、开发、使用、维护和系统集成等知识，并且能完成物联网信息系统集成及相关技术与产品的应用推广[5]，能在各种物联网开发、应用领域工作的应用技能型人才和管理人才。

专业基础课程：计算机网络基础、软件工程、通信原理、数据结构、管理信息系统、数据库原理及应用、物联网网络安全技术等。

专业核心课程：C语言程序基础及设计、Java程序设计、数据库开发及应用、管理信息系统应用等。

4.3 智能车联网

培养目标：面向未来智能汽车行业，培养具有扎实的专业理论知识、良好团队协作能力、较强的实践能力，掌握智能车联网基础知识和原理，具备车联网组建、管理、应用和维护，车联网设备营销与技术支持等能力的高素质技能型人才[6]。

专业基础课程：车载技术、网络通信技术、蓝牙技术、无线网络技术、交通导航与信息服务、智能交通管理等。

专业核心课程：RFID技术与高频技术、传感器网络与检测技术、GPS定位技术、网络设备配置与调试、短距离无线通信技术、移动互联网通信技术等。

4.4 智能农业管理

培养目标：面向未来智能农业生产和管理行业，培养具有扎实的智能农业管理理论知识、良好的团队合作能力、较强的分析和解决问题能力，掌握智能农业管理相关知识和原理，具备农业管理信息采集及处理、农业生产经营管理、智能粮库管理、农业生态智能监测等能力的高素质应用型人才。

专业基础课程：农业设施智能化管理、生态环境监测与治理、灌溉技术应用、地理地质信息应用技术、智能粮库管理技术等。

专业核心课程： RFID技术与高频技术、传感器网络与检测技术、无线网络技术、网络设备配置调试与管理、短距离无线通信技术、数据库原理及应用、大数据处理和存储技术等。

4.5 智能医疗服务

培养目标：面向未来智能医疗系统行业，培养具有扎实的智能医疗服务基础知识、优良的医德医风、良好的协作能力和心理素质，掌握智能医疗设备和信息系统的使用和维护、智能医疗档案管理等能力的新型高素质技能人才。

专业基础课程：基础医学、预防医学、管理学、卫生统计学、流行病学等。

专业核心课程：RFID技术与高频技术、无线网络技术、传感器网络与检测技术、智能医疗档案管理系统等。

5 结束语

本文在分析物联网发展形势的基础上，首先明确了高职物联网专业人才培养的目标，从物联网产业链的三个环节出发，分析了高职物联网专业人才的知识和能力要求。结合当前高职院校实际，以物联网的三层技术架构为主线，研究了高职物联网专业课程体系建设，最后设置了五个专业方向和相关课程。

参考文献：

[1] 李春杰，李丹，陆璐.信息技术专题研究[M].吉林：吉林大学出版社，2012.

[2] 周观民，王东霞.高职物联网应用技术专业建设探索[J].济源职业技术学院学报，2012（6）.

[3] 杨从亚.高职物联网专业建设探索[J].职业技术教育，2010（10）.

[4] 朱平，顾卫杰.基于技术框架的高职物联网专业课程体系的构建[J].教育与职业，2012（5）.

计算机技术与人工智能基础篇8

关键词：计算机技术；高校；实验室管理

计算机技术在管理工作中的应用，已经成为新时期各项管理工作开展的基础性条件，成为有效解决传统管理问题的技术支撑。尤其是技术信息化技术应用，构建完善的管理平台，对管理工作水平提升起着不可替代的作用。将计算机技术应用于高校实验室管理的各个层面，对于完善现有管理体系，提升管理水平具有重要的现实意义。

1计算机技术与实验室管理概述

1.1计算机应用技术概述

计算机技术是以计算机硬件和对应软件为应用基础，实现各种分析计算或管理工作的技术类型。计算机应用技术产生数十年来，不仅高效地解决社会生产生活中的各种问题，更是与信息技术、网络技术相结合，推动人类社会第三次科技革命朝向纵深化方向发展，也使得人类社会生活方式和思维方式发生根本性变革。新时代背景下，计算机应用技术已经广泛覆盖社会运行的各个方面，成为日常生活和生产管理不可或缺的基础条件。

1.2实验室信息化管理概述

实验室是高等教育体系运行的基础性硬件条件，开展不同形式的实验，是各门学科教学活动的重要组成部分，尤其是在当前学生核心素养培养体系不断深化背景下，实验室教学更是满足学生实践能力培养的重要支撑条件[1]。基于计算机技术构建新型实验室信息化管理体系，推动实验室管理朝向智能化、网络化方向发展，将实验成绩考核纳入学生综合评价体系，已经成为教学改革的基本要求。

1.3计算机技术在实验室管理中应用的重要性

在当前高校实验室管理体系中，多数实验室还是采用传统模式，设备管理、实验品管理等效率较为低下，整体管理工作与教学管理衔接不足，以此对实验室使用效率造成较为明显的影响。利用计算机技术构建完善的信息化管理体系，不仅能够有效革新传统管理体系存在不足，提升整体管理工作水平，还能够推动实验室管理朝向现代教育体系方向发展，为高等教育发展奠定良好基础[2]。基于不同数据采集和传输方式，通过对应的管理软件，全面采集学生实验操作过程中的数据信息，并通过数据分析，明确实验室管理薄弱环节，采用对应措施推动实验室整体管理模式优化，是新时期实验室管理工作开展的重要内容。

2基于计算机技术的实验室管理软件设计

2.1管理系统框架设计

实验室管理软件的框架设计，主要是确定管理系统设计的程序、系统运行类型和数据库建设类型。就设计程序而言，实验室管理运行主要内容较为复杂，但是流程较为简单，因此可以选择NETFramework4.5或者VisualStudio作为开发工具。前者技术较为成熟，应用较为广泛，并且配套技术文档较为完善，能够与windows平台深度结合，提升系统运行效率。后者功能较为完善，具有良好的集成开发环境。在具体选择中，可以根据技术人员优势，选择较为合适的平台。在系统运行类型选择时，根据当前高校实验室管理特征，可以选择客户机/服务器模式，为具体管理工作开展提供新型信息化管理工具。采用客户机的纯浏览器，可以在不按照任何客户端的情形下，就直接完成对应的管理操作，更加节约管理时间和系统运行空间。数据库多是选择SQLServer2012企业版，其具有应用方便、分布合理、伸缩性强等特征，能够较好地与其他服务器相连接。在设计过程中，可以根据管理工作需求，选择对应的实用模块，有效提升系统运行性能。

2.2管理系统的关键技术

在高校实验室管理系统设计中，需要注意三个方面的关键技术应用：B/S下的模块层级设计；自定义表单模块和数据持久层设计。B/S下的模块层级，通常包括表示层，也就是客户端与终端的接口服务功能；业务逻辑层，也就是内外部功能的代码转换；数据访问层，也就是人机交互功能。自定义表单模块是基于数据库MIS功能服务基础上，通过字段自定义、字段类型自定义和排序自定义，快速设计一些非关联表单，满足不同场景管理需要。数据持久层主要是满足数据保存安全需要，也就是要能够实现数据内容的储存和备份，减少数据丢失或外部入侵带来的风险。

3计算机技术在高校实验室管理中的具体应用

3.1开放管理方面的应用

高校实验室是教师和学生进行各类实验的重要场所，因此在实验室管理系统中，必须要结合计算机技术应用，依照实验室规章制度办法，完善对应的开放管理功能。硬件设备方面，主要是包括门禁、智能语音系统和智能视频系统等。软件管理功能则包括使用预约、项目开放、成绩管理及信息查询等，以此为全校师生和特定群体使用实验室做好科学管理。这些功能的实现，都离不开计算机软件技术的支撑，需要在设计过程中，综合考虑学校师生实验要求，采用优化方式进行设计。

3.2仪器设备的管理应用

在当前高校教育现代化、技术化水平不断提升背景下，高精度和高技术含量的仪器设备数量占比不断增加。这些仪器设备不仅采购成本高，并且运行和维护成本也比较高，因此对管理工作提出更高要求。通过计算机系统对仪器设备进行管理，能够根据实际使用情况设定维护周期，确保工作人员能够及时进行维护工作。同时，通过系统管理，还能够准确分析设备的运行状况，对使用频率进行优化，引导师生在预约环节选择对应的设备，以此有效避免设备长期闲置，利用率不高，资源浪费等方面问题，提升实验室整体管理水平。

3.3实验室建设项目管理应用

在当前高校管理体系改革不断深入背景下，实验室项目建设以及设备采购管理工作也更加规范，但是由此带来流程更加复杂，审批困难，建设周期拉长等现实问题，给实验室管理工作开展带来较大困难。依托校园网络构建实验室项目管理平台，能够将申请、审核、任务书、进度管理、申购信息管理及验收管理等纳入统一管理平台，通过项目运行信息的实时传输，缩减传统管理环节，优化审批模式，更好地提升审批效率，为提升实验室建设水平奠定良好基础。

3.4教学管理方面的应用

实验室教学管理是整体管理工作的难点问题，也是在实验室管理体系中导入计算机技术的根本诉求。在传统管理模式中，实验室管理不仅需要耗费大量的人力资源，并且具体管理工作还会受到人为因素干扰，影响某些教学工作的正常开展。基于计算机技术的信息化管理平台，能够对现有实验室资源进行整合分析，能够结合学校整体课程组织，进行实验课程项目的智能化设计，并构建对应的管理模块[3]。这些模块类型包括教学资源管理模块、课时安排模块、成绩统计模块、设备使用管理模块、项目实施进度人数统计模块、实验提醒模块等，通过这些模块的优化，就能够为实验项目教学管理提供坚实保障，确保实验课程与理论课程教学进度保持一致。

3.5低值易耗品管理的应用

低值易耗品管理在当前高校实验管理中，主要是存在管理不够规范，管理力度薄弱，采购不及时或使用浪费等方面问题，给教学工作开展带来负面影响。通过计算机平台的全面管理，能够更加准确地分析低值易耗品使用特征，制定更加合理的采购计划、库存计划，保障实验教学的基本要求。将低值易耗品纳入软件管理平台，实现采购申请、库存管理、出入库、统计与查询和预警值的信息化管理，能够提升整体管理工作的动态性，为低值易耗品正规化管理奠定良好基础。

3.6实验室智能化管理应用

高校实验室智能化管理是将计算机技术与人工智能技术相结合，实现实验室各个系统的智能化管理。例如在门禁管理系统中，可以设置出入口考勤门禁设备，通过指纹或视频验证方式，实现对师生考勤的精准管理。在电源管理方面，可以设定开门开电、人走关灯，或实验设备24时状态管理等。利用视频监控设备，可以通过回放方式，查看实验室运行状况和学生实验过程，方便师生分析实验过程中的问题，更好地提升实验水平。

4计算机技术在高校实验室管理中的应用要点

计算机技术在高校实验室管理中，已经成为基础性的技术类型，成为实验室管理体系的基本组成部分。因此在实际应用中，管理人员必须要强化对实验室管理计算机技术应用的重视程度，加强新型技术投入水平，尤其是在新时期背景下所出现的人工智能技术、大数据技术等，更好地完善计算机管理平台，在有效提升管理工作水平基础上，为师生实验教学奠定更加坚实的基础[4-5]。同时，对于技术人员而言，还要适应技术应用要求，不断加强自身专业技能学习，更加熟练地把握计算机平台运行要求，严格依照学校实验室管理工作要求，对计算机软件平台进行优化，尽量做好设备管理，做好数据采集和分析，把握师生实验室使用特征，对模块设置进行优化，以此才能够不断提升自身管理工作水平，推动整体管理工作有序开展。

5结语

新时期背景下，计算机技术在高校实验室管理工作中的重要性不断提升，学校管理部门在加大硬件设施投入的同时，结合智能化技术应用，对软件系统进行优化，推动整体管理体系朝向智能化方向发展。以此才能够在确保实验室管理工作不断规范的同时，有效节约实验室运行成本，提升实验室资源利用效率，为教学工作开展提供强有力的辅助作用。

参考文献

[1]潘德龙.计算机应用技术在高校实验室管理中的应用[J].数字通信世界,2021(5):192-195.

[2]梁伟杰.云桌面技术在高校计算机实验室中的应用研究[J].信息技术与信息化,2020(11):194-196.

[3]刘杰.高校实验室计算机网络故障诊断技术研究[J].无线互联科技,2020,17(8):25-26.

[4]刘玲.计算机技术在高校实验室管理中的应用分析[J].计算机产品与流通,2019(2):4.

计算机技术与人工智能基础篇9

【关键词】数字城市；智慧城市；信息化

1.智慧城市的概念

智慧城市建设是一场由技术创新引导的城市生产、生活方式变革，反映了城市既要在技术上实现透彻感知、移动互联和全面智能，更要在经济、生活和管理上实现全面“智慧”的发展理念[1]。智慧城市是数字城市的更高发展阶段，推动了数字城市的发展、完善，是信息化、工业化和城镇化的深度融合。数字城市和智慧城市通过信息化实现城市的经济转型，既是建设两型社会的必经之路，也是提高城市核心竞争力与整个经济社会可持续发展的必要保障。

2.智慧城市关键技术

从数字城市到智慧城市的演进是人类对城市信息化认知和技术发展的必然结果，其中的关键技术主要包括：网络通信技术、物联网技术、云计算技术、3S一体化数据采集技术、数据挖掘技术、三维可视化与虚拟现实技术等，这些技术为智慧城市建设奠定了基础，同时也赢来新的挑战。

2.1 网络通信技术

数字城市的大量数据分布在不同数据库中，由不同部门构建、管理与维护。进行数据共享、无缝互操作必须通过计算机宽带网络技术和万维网络技术，有机融合分布于不同领域的信息，形成一个规模巨大、形式统一的网络数据库。数字城市作为一个空间信息基础框架，可整合网络环境下与地球空间信息相关的各种社会经济信息，并通过WebService技术向专业部门和社会公众提供服务[2]。随着Internet不断壮大，网络发展趋于宽带化、无线化、综合化，为数字城市建设提供了强有力的技术支持。移动通信可理解为物联网的一种物与物连接方式，是支撑智慧城市物联网的核心基础设施。网络通信技术的发展将促进IT架构向消息驱动模式迁移，为数字或智慧城市的数字模型的动态驱动机制奠定基础。

2.2 物联网技术

感知性、互联性和智能性是智慧城市的核心特性。从数字城市向智慧城市发展最显著的特征是引入了物联网。物联网是通过信息识别、感知的技术与设备（RFID、定位、传感器、图像、条码等）按约定通信协议，连接特定物体与信息网络及存储集控系统，进行信息交换和自动控制，实现智能化识别、感知、定位、跟踪、监控和管理的一种“人物互联、物物互联、人人互联”的高效能、智能化网络。物联网技术为智慧城市中实现人、机、物三元合一的世界提供最重要的基础使能技术与新运行模式，实现了数据的跨领域、跨行业、跨系统、跨应用的共享、互通，其发展从根本上提高了城市由宏观至微观的信息采集能力，促进了宏、微观调控力及环境智能化。

2.3 云计算技术

随着数字城市和智慧城市的发展，多源海量数据的存储、管理及分析处理、共享、整合和应用，对于计算资源提出了巨大挑战，云计算为该挑战提供了解决方案。云计算是网格计算、并行计算、分布式计算、效用计算、网络存储、虚拟化、负载均衡等传统计算机技术和网络技术发展融合的产物[3]。其核心思想是计算、信息等资源的有效分配，特点是数据安全可靠、客户端需求低、轻松共享数据且无限扩展。应用云计算平台可对智慧城市发展过程中出现的多种状况、产生的多种数据、要求的多种处理功能合理解决与分配，充分满足城市建设需求。

2.4 “3S”一体化数据采集技术

全球定位系统（GPS）、地理信息系统（GIS）和遥感技术（RS）是建立数字城市的三大支柱技术。3S集成了空间技术、传感器技术、卫星定位与导航技术、计算机技术和通讯技术，是多学科高度融合的对空间信息进行采集、处理、管理、分析、表达、传播和应用的现代信息技术。GPS实时定位速度快、抗干扰性好，极大改善了传统测量的不便。GIS是“数字城市”数据库管理的基础技术，其空间信息表达和直观表现能力有助于更好地模拟直接感受，建立大局观。RS是构筑“数字城市”最基本的空间数据来源，也是其他非空间数据的框架和载体。运用现代光学、电子学探测仪器，无需与目标物接触，即可远距离记录目标物的电磁波特性，分析、解译、揭示其变化规律。

2.5 数据挖掘技术

智慧城市中的数据大多包含空间数据，存储在空间数据库中，比一般的关系数据库和事务数据库具有更丰富、复杂的语义信息。利用空间数据挖掘可从空间数据库中提取出用户感兴趣的空间模式与特征，空间与非空间的普遍关系及其他一些隐含在数据库中的普遍的数据特征，可提高智慧城市的智能化水平，使智慧城市真正成为智能化的空间咨询和决策支持系统，从而更加智能和科学地为社会管理、企业决策和个人生活服务。

2.6 三维可视化与虚拟现实技术

三维可视化与虚拟现实技术是实现智慧城市人机交互的窗口和工具，可再现逼真的城市地理景观，为分析和查询数据库中的数据，拓宽了视野。其综合集成计算机图形学、人机交互技术、传感与测量技术、仿真、人工智能、微电子等科学技术，生成逼真、具有视、听、触觉效果的可交互动态世界，利于用户观察和操作生成的虚拟实体，极大提高数据处理、利用能力，发现隐含信息，为决策支持、宏观管理提供更加有力的依据[4]。

3.智慧城市系统架构

智慧城市让城市管理及服务更富预见性、创造性、协作性，更加高效、科学。智慧城市需打造一个统一平台，设立城市数据中心，构建三张基础网络，通过分层建设，达到平台能力及应用的可成长、可扩充，创造面向未来的智慧城市系统框架。基于技术视角的智慧城市空间框架公共服务平台，作为一种分布式的服务提供形式，其目的是使分布在网络上不同地理位置和不同平台的用户获得服务。总体架构可分为感知层、网络层、数据层、服务层和应用层五大层次，同时包含信息安全保障体系、标准管理运维体系和地理信息公共服务平台标准三大体系，如图1所示。

图1 智慧城市系统框架

3.1 感知层

感知层作为整个框架的基础，是获取数据的主要途径。通过传感技术、物联网相关技术、智能测量、RFID等技术，及时感知、测量、捕获、传递和分析城市运行中的各类资源的静、动态属性数据，便于立即采取应对措施和制订长期规划。

3.2 网络层

网络层作为广泛的互联互通信息通道、公共服务平台载体，基于互联网、物联网、电信网、广电网、无线宽带网及通信传输技术，承担着传输采集数据信息、知识交换和通信的重要任务。网络层依托现有基础设施软硬件环境建设，包括网络系统、服务器集群系统、存储备份系统等物理环境及专用计算机机房环境等，通过各种形式的高速高带宽通信网络工具，将个人电子设备、组织和政府信息系统中收集和储存的分散数据，连接、交互和多方共享，进行环境和业务状况的实时监控，从全局角度分析形势并实时解决问题，多方协作完成任务，改变整个城市运作方式[5]。

3.3 数据层

数据层依据统一规范与技术标准，面向信息网络化服务需求，其数据库中的数据可通过服务层提供给应用层，形成一体化的信息资源体系。

3.4 服务层

服务层依托用户对数据应用的通用性需求，提供系列标准服务接口，以实现在线服务和运维管理。通过在线服务系统向应用层提供所需的各种应用服务，如数据服务、表现服务、目录服务、处理服务、信息交换服务、业务访问、业务集成、安全可信和可管理等通用性的服务[6]。数据层和服务层是核心，能存储、分析海量数据，作出智能决策，实现数据高度融合与实时共享。在深度感知、互通互联的新一代信息平台下，城市管理要更趋于人性化，充分考虑公众适应性、满意度，力求以人为本的智慧决策。

3.5 应用层

应用层智能处理系统，利用智能信息处理技术，深入分析收集到的数据，获取更加新颖、系统而全面的洞察以解决特定问题，实现人、机、物更深层的智能化管理、控制，更好地支持城市发展决策与行动。在应用平台基础上需创新服务模式，实现政府管理、资源配置、产业、金融、物流等一体化运营，融合创新驱动，推动智慧产业快速发展。

3.6 标准管理运维体系

标准管理运维体系能为信息采集、传输、存储等提供标准模式，利于各种系统的互通互联。

3.7 信息安全保障体系

信息安全保障体系包括信息安全保障框架、等级保护、信息安全测评、安全应急与容灾等，是保证智慧城市安全运行的重要体系。

3.8 地理信息公共服务平台标准体系

地理信息资源是基本国情的重要反映，是国土资源规划、管理、保护和合理利用的基础。在地理信息数据基础上，搭建地理信息公共平台，依托计算机、数据库和网络等技术，提供地理信息服务，数字化反演过去、表达现状、预测未来，更精确直观地辅助政府科学决策和突发事件应急。

4.结论

在探索城市特色的发展新模式基础上，无论是数字城市还是智慧城市的建设都必须落于实处，与具体城市运营管理业务紧密结合，实现政府、企业、个人的和谐、无缝隙协作。

参考文献

[1]王敏.我国城市智慧化发展现状、问题与对策[J].工科技进步与对策，2013（6）：1.

[2]李德仁，姚远，等.智慧城市的概念、支撑技术及应用[J].工程研究——跨学科视野中的工程，2012（4）：315.

[3]艾明.面向海量数据的云存储系统实现与应用研究[D].南京：南京理工大学，2012.

[4]张永民.“智慧中国”关键技术的研究[J].中国信息界.2012（1）：10.

[5]杨再高.智慧城市发展策略研究[J].科技管理研究， 2012（7）：21.

[6]李蕊，邵进达，等.“数字日照”地理空间框架公共服务平台构想与实现[J].城市勘测，2013（1）：68.

计算机技术与人工智能基础篇10

关键词：机械 电子工程 电子技术 电子信息

一、 机械电子工程的发展史

20世纪是科学发展最辉煌的时期，各类学科相互渗透、相辅相成，机械电子工程学科也在这一时期应运而生，它是由机械工程与电子工程、信息工程、智能技术、管理技术相结合而成的新的理论体系和发展领域。随着科学技术的不断发展，机械电子工程也变的日益复杂。

机械电子工程的发展可以分为3个阶段：第一阶段是以手工加工为主要生产力的萌芽阶段，这一时期生产力低下，人力资源的匮乏严重制约了生产力的发展，科学家们不得不穷极思变，引导了机械工业的发展。第二阶段则是以流水线生产为标志的标准件生产阶段，这种生产模式极大程度上提高了生产力，大批量的生产开始涌现，但是由于对标准件的要求较高，导致生产缺乏灵活性，不能适应不断变化的社会需求。第三阶段就是现在我们常见的现代机械电子产业阶段，现代社会生活节奏快，亟需灵活性强、适应性强、转产周期短、产品质量高的高科技生产方式，而以机械电子工程为核心的柔性制造系统正是这一阶段的产物。柔性制造系统由加工、物流、信息流三大系统组合而成，可以在加工自动化的基础之上实现物料流和信息流的自动化。

二、机械电子工程的特点

机械电子工程是机械工程与电子技术的有效结合，两者之间不仅有物理上的动力连结，还有功能上的信息连结，并且还包含了能够智能化的处理所有机械电子信息的计算机系统。机械电子工程与传统的机械工程相比具有其独特的特点：

（1）设计上的不同。机械电子工程并非是一门独立学科，而是一种包含有各类学科精华的综合性学科。在设计时，以机械工程、电子工程和计算机技术为核心的机械电子工程会依据系统配置和目标的不同结合其他技术，如：管理技术、生产加工技术、制造技术等。工程师在设计时将利用自顶向下的策略使得各模块紧密结合，以完成设计；

（2）产品特征不同。机械电子产品的结构相对简单，没有过多的运动部件或元件。它的内部结构极为复杂，但却缩小了物理体积，抛弃了传统的笨重型机械面貌，但却提高了产品性能。

机械电子工程的未来属于那些懂得运用各种先进的科学技术优化机械工程与电子技术之间联系的人，在实际应用当中，优化两者之间的联系代表了生产力的革新，人工智能的发展使得这一想法变成可能。

三、人工智能

人工智能是一门综合了控制论、信息论、计算机科学、神经生理学、心理学、语言学、哲学等多门学科的交叉学科，是21世纪最伟大的三大学科之一。尼尔逊教授将人工智能定义为：人工智能是关于怎样表示知识和怎样获得知识并使用知识的科学。温斯顿教授则认为：人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。至今为止，人工智能仍没有一个统一的定义，笔者认为，人工智能是研究通过计算机延伸、扩展、模拟人的智能的一门科学技术。

四、人工智能的发展史

1 萌芽阶段

17世纪的法国科学家B.Pascal发明了世界上第一部能进行机械加法的计算器轰动世界，从此之后，世界各国的科学家们开始热衷于完善这一计算器，直到冯诺依曼发明第一台计算机。人工智能在这一时期发展缓慢，但是却积累了丰富的实践经验，为下一阶段的发展奠定了坚实的基础。

2 第一个发展阶段

在1956年举办的“侃谈会”上，美国人第一次使用了“人工智能”这一术语，从而引领了人工智能第一个兴旺发展时期。这一阶段的人工智能主要以翻译、证明、博弈等为主要研究任务，取得了一系列的科技成就，LISP语言就是这一阶段的佼整理佼者。人工智能在这一阶段的飞速发展使人们相信只要通过科学研究就可以总结人类的逻辑思维方式并创造一个万能的机器进行模仿。

3 挫折阶段

60年代中至70年代初期，当人们深入研究人工智能的工作机理后却发现，用机器模仿人类的思维是一件非常困难的事，许多科学发现并未逃离出简单映射的方法，更无逻辑思维可言。但是，仍有许多科学家前赴后继的进行着科学创新，在自然语言理解、计算机视觉、机器人、专家系统等方面取得了卓尔有效的成就。1972年，法国科学家发现了Prolog语言，成为继LISP语言之后的最主要的人工智能语言。

4 第二个发展阶段

以1977年第五届国际人工智能联合会议为转折点，人工智能进入到以知识为基础的发展阶段，知识工程很快渗透于人工智能的各个领域，并促使人工智能走向实际应用。不久之后，人工智能在商业化道路上取得了卓越的成就，展示出了顽强的生命力与广阔的应用前景，在不确定推理、分布式人工智能、常识性知识表示方式等关键性技术问题和专家系统、计算机视觉、自然语言理解、智能机器人等实际应用问题上取得了长足的发展。

5 平稳发展阶段

由于国际互联网技术的普及，人工智能逐渐由单个主体向分布式主体方向发展，直到今天，人工智能已经演变的复杂而实用，可以面向多个智能主体的多个目标进行求解。

五、人工智能在机械电子工程中的应用

物质和信息是人类社会发展的最根源的两大因素，在人类社会初期，由于生产力水平低，人类社会以物质为首要基础，仅靠“结绳记事”的方法传递信息，但随着社会生产力的不断发展，信息的重要性不断被人们发现，文字成为传递信息最理想的途径，最近五十年间，网络的普及给信息传递带来了新的生命，人类进入到了信息社会，而信息社会的发展离不开人工智能技术的发展。不论是模型的建立与控制，还是故障诊断，人工智能在机械电子工程当中都起着处理信息的作用。