智能科学与技术导论课件第9章

第9章智能系统与发展前瞻 目录9.1智能系统及其应用 9.2群体智能及其应用 9.3智能家居与智慧城市9.4智能科学与技术产业及发展展望9.1智能系统及其应用 9.1.1诊断专家系统1.病害诊断专家系统

1959年，美国乔治敦大学教授莱德利（RobertS.Ledley）首次应用布尔代数和贝叶斯定理建立了计算机诊断的数学模型，并成功诊断了一组肺癌病例，开创了计算机辅助诊断先河。

1966年，莱德利正式提出了“计算机辅助诊断”的概念（ComputerAidedDiagnosis，CAD）。

1968年，DENDRAL专家系统诞生。不久，MYCIN医学专家系统研制成功，该系统首次采用知识库、推理机系统结构，引入“可信度”概念进行非确定性推理。

其后，医学专家系统逐渐成为医学领域内的一个重要分支领域，并在20世纪80年代达到高潮，出现了大量的综合医学专家系统。

20世纪90年代，医学专家系统逐步发展成为针对某一种或某一类疾病的专项诊断专家系统。

进入21世纪后，专家系统进展缓慢，医学专家系统取得的成果也不多。我国医学专家系统研究始于20世纪70年代末，历经几十年，先后研制出200多个医学专家系统。但是，由于种种原因，真正能够被医生所接受，并且投入临床使用的医学专家系统少之又少。9.1智能系统及其应用 9.1.1诊断专家系统1.病害诊断专家系统医学专家系统通常由知识库、数据库、推理机、知识获取模块，以及解释和输入输出接口组成，如图所示。对应一些具体应用，需要根据相应领域的特点及要求进行必要的调整。

1）知识库。用来存放和管理问题求解所需的专门知识，包含与领域相关的理论知识和专家凭经验得到的启发性知识和经验。

2）数据库。用来存储当前用户提供的初始事实、问题描述和推理过程中得到的各种中间信息和推理结果，其内容不断变化。9.1智能系统及其应用 9.1.1诊断专家系统1.病害诊断专家系统

3）推理机。专家系统的“思维”机构，是一组控制和协调整个系统的程序。其根据用户问题求解要求和所输入的原始数据，利用知识库中知识，按一定推理方法和控制策略解决所提出的问题。

4）知识获取模块。学习模块，用来从人类专家那里获取知识，修改、扩充、完善和维护知识库。主要靠知识工程师（IT专业人员）与领域专家（医生）密切合作，共同完成知识提炼和形式化工作。

5）解释和输入输出接口。是用户与专家系统交互的环节，负责对推理给出合理的解释，必要时给出推理依据和路线的清晰解释，为用户了解推理过程和进行系统维护提供方便。医生根据不同临床资料或不同疾病特点采用相适应的推理方法，而作为模拟医生诊治疾病的医学专家系统，其推理方法也是多种多样的，包括基于规则推理、基于案例推理、基于模糊数学推理、基于模糊证据推理、基于规则的神经网络推理，等等。专家系统作为智能科学与技术最早实用化的技术与系统，也早已在农业领域得到了广泛应用，如花卉病害诊断专家系统、水稻病虫害诊断专家系统、果树病害诊断专家系统、蔬菜作物病害诊断专家系统等。在水产养殖业、在畜牧业也有大量应用，等等。9.1智能系统及其应用 9.1.1诊断专家系统2.故障诊断专家系统

现代装备或系统功能强大，结构复杂，信息化程度高，若能对在实际运行或检修过程中出现的故障做出准确无误的判断并将故障及时排除，确保装备或系统的生存能力和可靠性，是提高其鲁棒性和生产效率的前提和保障。

对于后改造的装备或系统来说，为了减少对原装备或系统的损坏，可采用半嵌入式结构。半嵌入式故障诊断专家系统分为诊断Agent和诊断客户端两部分，如图所示。9.1智能系统及其应用 9.1.1诊断专家系统2.故障诊断专家系统

1）诊断Agent。诊断Agent由数据采集接口电路、微处理单元、存储器和通信接口构成，嵌入到被诊断装备或系统中，对其工作状态进行监测。诊断Agent实时采集被诊断装备或系统的各项参数，其内部存储器中保存了这些参数的正常范围，一旦所采集的参数值超限，说明装备或系统工作不正常，可根据故障征兆列表确定装备或系统故障源。

诊断Agent嵌入到被诊断装备或系统中，没有庞大的知识库和显示装置，当装备或系统发生故障时，诊断Agent通过报警指示灯（LED）发出信息，并将采集的数据发送到通信接口。

2）诊断客户端。诊断客户端由知识库、推理机、知识获取机构、故障征兆数据库、人机接口、解释机构、通信接口等构成，供维修人员在装备或系统维修时使用，能提示故障诊断方法、维修措施等信息。诊断客户端的核心是知识库，其包括故障征兆知识和诊断推理规则两大类。当装备和系统发生故障时，诊断Agent监测到故障，并点亮报警指示灯。此时，诊断客户端接收诊断Agent传来的监测参数值，根据监测参数、故障征兆知识和诊断推理规则进行故障诊断和定位。

9.1智能系统及其应用 9.1.2多Agent系统

广义上，凡具有自主性智能行为，能与外部环境进行交互的分布式实体均可称之为Agent。由此定义可知，Agent指具有智能的任何实体，包括人类、智能硬件（如Robot）和智能软件。

Agent具有环境感知能力，能根据自身资源、状态、行为能力、相关知识、推理规则，通过规划、推理和决策实现问题求解，并做出反应，自主地完成特定的任务，以期达到预定目标。1.Agent特性对于Agent，很多研究者给出了不同定义，而且所使用的术语或观测点也是不同的。其实既然没有达成共识，也就没必要特别关注Agent的准确定义，只要掌握它的概念和特性，并不影响对Agent的研究和应用。Agent的四个主要特性如下：

1）自主性。一个智能Agent应该是一个独立自主的智能实体，应能在无法事先建模、动态变化的信息环境中独立解决实际问题，在用户不参与情况下，独立自主地为用户提供一些服务，如索取信息资源等。

2）代理性。代理性主要体现在代表用户工作，可以对一些资源进行包装，引导或代替用户对这些资源进行访问，成为用户便利通达这些资源的枢纽和中介。9.1智能系统及其应用 9.1.2多Agent系统

3）反应性。反应性是指智能Agent能够感知所处的环境（物理环境或信息环境等），并能对相关事件作出适当的反应。

4）主动性。是指智能Agent能够遵循承诺采取主动行动，表现出面向目标的行为。除上述四种基本特性外，Agent还具有其它特性，见表所示。序号特性释义1自主性对自己的行为或动作有控制权。2代理性代表用户工作，或引导、代替用户访问资源。3反应性及时感知环境的变化，并执行动作以作用于环境。4主动性Agent能够展现出一种导向目标的行为。5可通信与其它Agent（也包括人）进行通信，交换信息。6可推理解释感知信息，或决定执行什么动作。7可移动Agent能够跨平台持续运行。8自学习Agent能够根据以前的经验校正其行为。9.1智能系统及其应用 9.1.2多Agent系统2.Agent结构如图所示为Agent的基本结构。Agent一般包括环境感知、信息处理、知识库/信息库、通信/协作、任务/目标、推理与控制、执行等模块。Agent作为智能主体与环境相互作用，环境状态通过环境感知模块传达给信息处理模块。

推理与控制模块根据环境感知信息处理结果、任务/目标，以及现有知识和信息，推理得出结论（命令）。

执行模块/效应器接收推理与控制模块发出命令，使智能主体作用于周围的环境。

通信模块用于与其它Agent通信，协同完成一项共同的工作。9.1智能系统及其应用 9.1.2多Agent系统3.多Agent系统

多Agent系统（Multi-AgentSystem，MAS）是指若干个智能Agent通过协作完成某些工作或达到某些目标的系统。MAS中的多个Agent需要相互通信、相互协调、相互协商与相互协作。

1）通信。一个Agent需要和其它Agent或环境进行通信和交互，这些信息可能包括任务规划、部分结果和同步信息等。

2）协调。协调是指具有不同活动目标的多个Agent对其目标、资源等进行合理安排，以协调各自行为，最大限度地实现各自目标。协调包括定时为其它Agent提供必要信息、保证主体之间活动的同步、避免冗余的问题求解等。

3）协商。多个Agent通过通信交换各自目标，直到多Agent目标达成一致或不能达成协议。它是实现协同、协作、冲突消解和矛盾处理的关键环节,关键技术有协商协议、协商策略、协商处理等。

4）协作。协作所采用的基本策略通常就是分解任务，然后把子任务分配或分布到不同Agent上，要求Agent之间必须能够合作求解问题、完成任务。任务分解要考虑子问题的交互性、协调性、数据相关性等，而任务分配通常采用基于合同网机制来分配任务，各Agent对子问题进行求解，最终综合单个子问题的解。9.1智能系统及其应用 9.1.2多Agent系统4.资源服务类多Agent系统

资源服务类多Agent系统由多种具有不同功能的Agent组成，分为3个层次：交互层、管理执行层和资源层，每一层至少含有一个或多个Agent，这些Agent会根据自身能力完成各自承担的任务。

在交互层，交互Agent主要负责与用户进行交互，将用户发送的请求转化为系统可以识别的指令，并将其发送给管理执行层。

在管理执行层，管理协作Agent统一管理和调用所有Agent，将任务分配给不同Agent。当管理协作Agent接收到任务请求后，首先会对其进行逐步分解，然后将分解后的子任务分配给相应的Agent去执行。9.1智能系统及其应用 9.1.2多Agent系统4.资源服务类多Agent系统

在资源层，主要为管理执行层提供相对应的数据服务功能，并对执行过程中产生的新知识、新信息资源进行分类保存，实时更新相应数据库，相当于一个本地知识库。当管理执行层Agent需要某信息资源服务时，可从资源层调用，当执行完某任务后，也可将所产生的新信息资源存储到资源层该资源服务类多Agent系统具有以下特征：1）每一个Agent都呈模块化结构，方便独立开发和设计，可以根据环境变化迅速做出反应，并可以根据需要灵活增减Agent的数量；2）Agent之间相互独立，一个Agent失效不会对其它Agent产生影响；3）信息服务Agent会对新到来的信息资源进行分类和存储，有助于系统学习新的知识并优化自身模型，丰富系统知识库；4）每个Agent都可使用自身的知识库独立解决问题，从而提高整个系统解决问题的能力和效率。9.1智能系统及其应用 9.1.3智能控制系统1.智能控制随着自动控制技术的广泛应用，遇到了传统控制方法难以解决的问题：1）大量实际系统，由于其复杂性、非线性、时变性、不确定性，或者信息不完全性，无法得到精确的数学模型。2）某些复杂的系统可能包含有不确定性的控制过程，无法用传统的数学模型来描述，即无法解决传统建模问题。3）在运用传统控制方法时，针对实际系统经常需要进行一些比较苛刻的线性化假设，而假设往往与实际不相符。4）传统的控制要求相对较低、任务目标单一，而实际控制任务复杂，例如，机器人控制、计算机集成制造系统、社会经济管理系统等复杂的控制任务，传统控制方法就显得无能为力了。

其实，在社会生产实践中，复杂控制问题可通过熟练操作人员的经验和控制理论相结合去解决，完全可以适应被控制对象的复杂性和不确定性。由此，就催生了智能控制。9.1智能系统及其应用 9.1.3智能控制系统近年来，神经网络、模糊数学、专家系统、进化论等各学科的发展给智能控制注入了巨大的活力，由此产生了各种智能控制方法，催生了各种各样的智能控制系统，为解决传统控制无法解决的问题找到了新的途径和手段。2.模糊控制系统在工程实践中，一个复杂的控制系统可由一个操作人员凭着丰富的实践经验得到满意的控制效果，利用模糊数学将其量化转化为模糊控制算法，就形成了模糊控制方法，左图为模糊控制原理框图。9.1智能系统及其应用 9.1.3智能控制系统

模糊控制器（FuzzyController，FC）是模糊控制系统的核心。模糊控制器基于1965年扎德提出的模糊数学理论，将被控制量给定值与采集值之差模糊化处理为模糊量（如“高”、“中”、“低”、“大”、“小”等）。

模糊控制输出量由模糊推理导出，再经非模糊化处理才可作为控制信号输出。在模糊推理中，模糊控制规则是模糊推理的基础和依据。3.神经网络控制系统神经网络所具有的大规模并行性、冗余性、容错性、本质的非线性，以及自组织、自学习、自适应能力，给不断面临挑战的控制理论带来了生机。

神经网络作为控制器，可实现对不确定系统或未知系统进行有效的控制，使控制系统达到所要求的动态特性和静态特性。神经网络（NeuralNetwork，NN）控制器结构多种多样，包括NN学习控制、NN直接逆控制、NN自适应控制、NN内模控制、NN预测控制、CMAC控制、分级NN控制和多层NN控制等。9.1智能系统及其应用 9.1.3智能控制系统下图为基于神经网络的监督式控制系统框图，包括一个导师（监督程序）和一个可训练的神经网络控制器（NeuralNetworkController，NNC）。在控制初期，监督程序作用较大。随着NNC训练成熟，NNC将对控制起到较大作用。实现NN监督式控制的步骤如下：

1）通过传感器和传感器信息的处理，调用必要和有用控制信息；2）构造神经网络，需选择NN类型、结构参数和学习算法等；3）训练NN控制器，实现输入输出之间的映射，以便进行正确的控制。在训练过程中，可以采用线性率、反馈线性化或解耦变换的非线性反馈作为导师（监督程序）来训练控制器。9.1智能系统及其应用 9.1.3智能控制系统4.分层递阶智能控制G.N.Saridis在提出智能控制三元论的同时，还提出了分层递阶智能控制系统，基本结构如图所示。

第一级：组织级。由人工智能起控制作用。负责处理高层次信息，用于机器推理、机器规划、机器决策、学习（反馈）和存储记忆等操作。

第二级：协调级。由人工智能和运筹学起控制作用。每个协调器执行某些特定的任务。各协调器间的通信由分配器来完成，而分配器可变结构由组织级来控制。

第三级：执行级。智能控制系统的最低层级，要求具有较高精度，但只具有较低智能，按传统自动控制理论进行控制。9.2群体智能及其应用 9.2.1群智感知

随着移动互联网和智能终端的不断普及，人们在生活中已经离不开各种各样的移动终端设备，如手机、平板、电子书、智能手表、智能手环和智能眼镜等。

移动设备中集成了大量传感器模块，如光线传感器、加速度传感器、陀螺仪、磁力计、气压计、温度计、距离传感器、屏幕压力传感器和指纹识别等。除此之外，移动设备上的非传感器部件也都具备了感知人类行为和周围环境的能力，如麦克风、摄像头、WiFi、蓝牙和GPS.

多种多样的传感器使移动设备具备了“感知（Sensing）”能力。人们可以利用手中的移动设备随时随地采集不同模态数据，从而出现了基于群体智能的感知计算（群智感知计算）这一新研究领域。

群智感知计算将普通用户的移动设备作为基本感知单元，进行有意识或无意识的协作，实现感知任务分发与感知数据收集，完成大规模的、复杂的社会感知任务，是人类群体智能的一种应用形式。人们使用随身携带的各种智能设备（如手机、手环、平板和眼镜）在物理世界采集不同模态的数据（如图像、文本、轨迹和音频），数据通过智能设备的无线通信网络（如WiFi和3G、4G、5G）上传至云端。

群体贡献的数据具有碎片化、低质冗余等特点，经过清洗、优选和萃取后，对数据进行处理、融合和挖掘来获取有价值的知识，进而服务于大规模的城市和社会感知任务。9.2群体智能及其应用 9.2.1群智感知

群智感知数据可大致分为如下五类：

1）数值。数值是传统传感器的数据形式，移动设备中内嵌的多种传感器已被广泛用于各种感知任务。例如，利用内置的陀螺仪、磁力计和加速度传感器可获取移动终端设备的姿态。

2）文本。文本指由人们输入终端设备的语言内容，如商品评论、微博和影评等。基于文本数据的群智感知应用将每个人视为特殊的传感器，其接触到的各类信息在被吸收和加工后以文本的形式回到信息空间，例如，微博里的情感感知是基于文本的群智感知应用。

3）声音。麦克风让移动设备具备“听”的能力。例如，基于音频数据可感知城市里的噪音分布。

4）照片。摄像头让移动设备具备“看”的能力。利用人们在社交网络中分享的生活、工作、旅游、活动、植物和动物等照片，不但可以构建旅游百科，还可以进行事件感知、动植物研究、水文环境监测等。

5）轨迹。轨迹包括一系列的人或车辆的时空坐标记录，即一系列的时间和定位坐标。常用的空间坐标定位方法包括GPS、北斗、WiFi或CELL定位。时空轨迹可用于研究人群移动规律和人口密度分布，以及开发电子地图导航等。9.2群体智能及其应用 9.2.1群智感知除了便携的移动设备，未来将有更多的智能移动设备具备丰富的感知能力，比如智能汽车和智能自行车等，它们通过蓝牙或WiFi即可与手机等移动通信设备互联，将支持更多的群智感知应用为人类社会服务。群智感知计算由众包（Crowd-sourcing）、参与感知（Participatorysensing）等相关概念发展而来。众包是美国《连线》杂志2006年发明的一个专业术语，用来描述一种新的生产组织形式。具体是指企业/研发机构利用互联网将工作分配出去，利用大量用户的创意和能力解决技术问题。参与感知最早由美国加州大学的研究人员于2006年提出，强调通过用户参与的方式进行数据采集。

2009年2月，AlexPentland教授等在美国《科学》杂志上撰文阐述“计算社会学”概念，认为可利用大规模感知数据理解个体、组织和社会，在计算目标上与群体感知不一而同。以上几个相关研究方向都以大量用户的参与或数据作为基础，但分别强调不同的层次和方面。

2012年，清华大学刘云浩教授首次对以上概念进行融合，提出“群智感知计算”概念。与基于传感网和物联网的感知方式不同，群智感知以大量普通用户作为感知源，强调利用大众的广泛分布性、灵活移动性和机会连接性进行感知，并为城市及社会管理提供智能辅助支持。9.2群体智能及其应用 9.2.1群智感知

群智感知计算是利用群体行为、知识和能力完成大规模感知计算的一种问题解决形式。自然界中存在大量的群体智能，例如经典的蚁群最短路径算法的灵感便是基于群体智能解决寻径问题，但是群智感知计算的基础是人类智能，因此更为强大和复杂。人类与机器智能相结合的研究有着悠久的历史。

早在1950年图灵就曾指出“数字计算机后期的发展可以这样来展望，这些机器将不断具有任何由人类才能完成的工作的能力”。他后来还提出“图灵测试”，对给定程序的智能程度进行评估。美国麻省理工学院的利克莱德教授在1960年发表过一篇开创性的论文，提出“人机共生”思想，即让人和计算机能够共同合作，一起完成复杂任务。

2017年以来，群智融合计算、人机共融智能、群智协同计算和人机混合智能等概念和应用也相继被提出来，这些研究领域与群智感知计算是群体参与概念的不断延伸。

我国于2017年发布了新一代人工智能的国家重大科技战略，其中，群体智能便是核心内容之一。9.2群体智能及其应用 9.2.2群智感知的流程

群智感知计算的三要素是人群、智能设备和无线通信，一般的群智感知过程可描述为：人们携带智能设备在日常的行为活动中通过自动或手动方式采集数据，数据通过无线通信网络传输到数据中心以满足不同应用需求。

群智感知计算依数据来源方式分为机会式感知和参与式感知两种模式。

机会式感知是一种用户无意识的感知模式。以采集照片数据为例，人们在日常生活中拍下自己感兴趣的照片并上传到各种社交网络进行分享，利用这些照片及附带的信息来完成感知任务。分享照片的用户成为无意识地完成感知任务的参与者。

参与式感知通过参与者招募的方式来完成数据采集任务。以照片数据采集为例，参与者必须按任务要求在指定时间和地点给特定对象拍摄照片以完成任务。

机会式感知通常通过收集用户无意识贡献的数据来完成感知任务，成本相对较低。但是，在很多情况下用户间接贡献的数据难以满足特定任务的需求。针对那些不常被大众关注的感知对象，必须使用参与式感知方式才能获得所需数据。9.2群体智能及其应用 9.2.2群智感知的流程

采用参与式感知方式的群智感知应用需要一个用于发布任务和招募工作者的平台，数据需求者（Datarequester）在平台上发布数据采集任务（Task），接受任务的用户成为工作者（Worker），他们使用特定的移动客户端软件采集数据。发布任务的用户被称为任务发布者（Taskprovider）或数据需求者（Datarequester），完成数据采集任务的用户被称为工作者（Worker）或参与者（Participant）。不同的群智感知应用系统的感知对象和感知目的是不同的，它们对数据和数据集的需求亦不同，但是数据采集和汇聚的流程是类似的。为了让不同的群智感知应用能够收集到高质量数据，需要构建一个面向不同群智感知应用的任务管理和数据采集平台。下页图给出了一个通用的参与式群智感知平台示例。

一项任务在该平台上的生命周期分为四个阶段，分别是任务发布、执行任务、数据汇聚和结果移交。这样的多任务群智感知平台服务于两种用户：数据需求者（或任务发布者）和工作者。9.2群体智能及其应用 9.2.2群智感知的流程9.2群体智能及其应用 9.2.2群智感知的流程任务生命周期的四个阶段及工作流程如下：

1）任务发布。数据需求者在平台上发布任务，任务可以描述为4W1H，即何时（When）何地（Where）以何种方式（How）针对哪个感知目标（What）采集数据，哪些数据（Which）应该被上传。任务分配方式包括两种：用户认领（Pull-based）和系统推送（Push-based）。

2）任务执行。工作者按照任务要求，到达指定地点完成相关数据采集。对于实时感知任务，工作者必须立即上传数据；如果是非实时感知任务，则允许工作者在任务截止时间之前选择适当通信方式上传数据。

3）数据汇聚。受分布式感知方式影响，群智感知原始数据集存在大量冗余数据，在数据汇聚阶段，平台根据任务要求对数据进行过滤和优选，挑选出满足任务要求的高质量数据集。

4）结果移交。数据需求者可在任务结束前或结束后从平台下载数据汇聚结果。多数群智感知任务很难在一开始就准确定义任务的数据采集约束。所以，平台允许数据需求者在任务结束前查看数据汇聚结果，使数据需求者有机会在任务结束前调整任务要求。9.2群体智能及其应用 9.2.3群体智能的核心问题

群智感知计算需要解决的核心问题分为四个方面，分别是感知任务分配与激励机制、感知数据的优选、感知数据的移交和群智感知应用。

1）感知任务分配与激励机制。群智感知计算通过分配任务雇佣参与者采集数据，参与者根据任务要求采集数据是群智感知计算的数据来源。很多任务还需要参与者前往特定的地点，然而发布任务的数据需求方仅能够提供有限的报酬，因此，群智感知的激励机制研究工作的目标通常是为了提高任务的分配率和完成率，而任务分配的目标往往是降低感知成本。例如，群智感知拍照任务的工作者需要到达现场（即任务要求的特定地点和场景）才能采集照片（即采集数据），有时需要从感知对象的不同侧面采集数据，所以，感知任务分配需要满足严苛的时空约束。因此，当前面向群智感知的任务分配算法也都只主要考虑时空约束。

2）感知数据的优选。感知数据优选研究主要研究如何通过数据优选提高数据集的质量。原始群智感知数据中存在大量的噪声和冗余数据，数据需求者希望得到的数据集是低冗余且高覆盖的高质量数据集，因此，在数据收集过程中，必需通过数据优选操作来滤除低质数据，从而仅将高质量数据交付数据需求者。9.2群体智能及其应用 9.2.3群体智能的核心问题

3）感知数据的移交。感知数据移交研究主要研究如何通过合理的数据收集流程降低数据收集成本。例如，数据需求者购买参与工作者提供的照片，参与工作者完成任务的成本主要包括：①理解任务需求付出的脑力劳动；②到达任务地点付出的体力劳动；③根据任务要求拍照片时付出的体力劳动；④拍照和上传数据付出的移动设备能量；⑤传输数据的流量费用。参与工作者完成任务的成本直接影响了数据需求者购买数据时需要支付的费用（即数据收集成本），因此，除了通过优化任务分配，还可以通过优化数据收集流程降低参与者完成任务的成本，从而降低数据收集成本。9.2群体智能及其应用 9.2.3群体智能的核心问题

4）群智感知应用。群智感知应用研究主要研究群智感知计算能够为民众提供何种服务以及如何利用群智感知计算的理论、方法和技术搭建应用软件系统提供服务。在人们日常生活使用的软件中经常能够见到群智感知技术的应用，例如，智慧交通、电子地图、商品推荐、舆情分析等。群智感知应用还出现了一些跨领域应用，例如，利用社交网络数据定位物理世界正在发生的事件，将出租车派单数据用于外卖派单服务，等等。随着群智感知计算的发展、新型传感器的出现和数据汇聚规模的增长，群智感知应用研究的重点仍然是设计基于群智感知计算的应用系统，以及根据群智感知应用需求提出新的群智感知计算研究问题。下面以激励机制为例介绍现有的问题解决方法。

有些软件通过给人们提供服务，间接收集数据，即，采用了双赢的合作模式，服务提供商通过向用户提供免费服务换取用户的数据，而用户无需提供额外的劳动就可以享受到免费的服务。例如，形色是一款帮助人们识别植物的App，人们随时随地拍照上传植物图片，形色快速给出花名和比对图，那么，形色App一方面给人们提供服务，同时，收集到大量由用户主动上传的带有时空标签的植物照片，然后向用户提供植物地理分布的服务。再如，用户在使用高德、百度等电子地图时，也会把GPS轨迹序列上传，电子地图服务提供商根据轨迹可以精确校准路况，并协助司机规划出行路线。9.2群体智能及其应用 9.2.4群智感知应用

群智感知可应用在很多重要领域，例如，水文环境监测、智能交通、公共交通、旅游百科、室内定位、信息传播、新闻报道和事件感知等，这些应用有些使用特殊的App采集照片，有些直接使用设备的电子相册或下载社交网络上的照片。这里简要介绍一些近年来基于照片的群智感知应用案例。

Gazitiki（2008年）：Gazitiki利用维基百科（Wikipedia）、Panoramio和Web搜索构建地理百科的应用。Gazitiki首先通过维基百科识别出所有的地名和它们的坐标，并对地名进行分类和排序，当用户检索地理信息时，Gazitiki向用户展示详细的地理信息和相关照片。

MobiShop（2008年）：MobiShop收集人们的商店购物小票照片，通过OCR字符识别技术提取商品价格，并将收集到的商品价格信息推送给不同的客户，使人们可以共享商品价格信息。

Lostladybug（2010年）：Lostladybug收集瓢虫照片，用于研究瓢虫的种类、生存状况和习性，截止2017年3月，已收集3.8万份来自世界各地的数据。

CreekWatch（2011年）：CreekWatch是IBM开发的iPhone应用程序，用于监测河流水质。人们（无论是在岸边还是桥上）路过小溪或河流时，使用CreekWatchApp提交河流在当前位置的状态，包括水量、垃圾量和一些照片。CreekWatch通过Web网站向人们展示世界各地河流的健康状况。9.2群体智能及其应用 9.2.4群智感知应用

WreckWatch（2011年）：WreckWatch能够通过车内手机的传感器检测到车祸，然后寻找路过的行人拍摄车祸现场的照片发送给救援中心，使救援人员能够及时准确判断车祸位置和救援的紧急程度。

PhotoCity（2011年）：PhotoCity为了收集到满足构建3D城市需求的高质量照片，采用了一种游戏的方式，训练“玩家”成为采集照片“专家”，使“专家”们能够从不同角度高密度地采集城市中建筑物的照片。

JamEyes（2012年）：在发生交通拥堵时，JamEyes计算被堵车辆数目并估算拥堵可能持续的时间，同时将拥堵源头位置车辆拍摄的视频分享给其它车辆，使处于拥堵中的司机及时了解拥堵原因和拥堵情况。JamEyes通过手机的3D加速度计和WiFi信号检测每一辆车周围的其它被堵车辆，并检测车辆之间的位置关系，从而得出拥堵车辆的数目，并找到处于拥堵源头的车辆。

GBUS（2012年）：GBUS使用GPS轨迹收集公交车的行驶数据，参与者还可以同时提供公交站点周围的照片用于提高公交车站的辨识度。

MediaScope（2013年）：当有事件发生时，MediaScope以新闻报道为目的，从现场目击者共享的手机相册中检索各种照片，检索条件包括图像相似度和地理信息等。9.2群体智能及其应用 9.2.4群智感知应用

SmartPhoto（2014年）：SmartPhoto根据照片拍照方向、拍照位置和摄像头的一些参数评估照片的价值，采用贪心算法选择k张拍照方向不同的照片，使这些照片能够最大程度全方位覆盖拍摄对象。

FlierMeet（2015年）：FlierMeet收集城市中的公共张贴物（如海报和通知）的照片，计算人、张贴物和地点之间的关联关系，构建不同个体对不同类别张贴物的喜好关系，向不同的人群推送他们喜欢或需要的张贴物，提高城市信息传播效率。

SmartEye（2015年）：为了从人们在灾后共享在云端的照片中检索低冗余、多样化高质量数据，SmartEye解决基于照片的实时数据分析问题。

SakuraSensor（2015年）：在樱花开放的季节，SakuraSensor通过人们在车内拍摄的视频片段判断樱花的开放情况，并根据人们的行车轨迹计算游览樱花美景的最优路线。

iMoon（2015年）：iMoon收集大量室内的2D图像，然后构建成室内环境的3D模型用于室内导航。

SentiStory（2017）：提出了一种基于粗粒度情感分析的微博事件脉络总结方法，检测微博重大变化，并挖掘这些变化背后的原因。

LuckyPhoto（2018年）：LuckyPhoto是一个基于群智的室外照片收集平台。

CrowdTracking（2019年）：CrowdTracking通过路边行人的手机拍摄路面的移动目标（如车辆、巡游花车等），实现对移动目标的持续跟踪。9.3智能家居与智慧城市 9.3.1智能家居

“智慧生活”、“智能家居”、“智慧城市”、“智能社会”是近几年日渐流行的词语，无论是在网络上，还是在人们日常交谈中，“智能”、“智慧”都越来越多地与“家居”、“城市”、“社会”、“生活”、“工作”连在了一起。这从一个侧面说明，智能科学与技术的应用已经渗透到了人们社会生产生活的方方面面，不仅体现在智能家居、智慧城市的兴建之中，也体现在了不断成长的智能社会的构建当中。1.智能家居定义

智能家居（SmartHome/IntelligentHome），从技术层面上讲，智能家居以住宅为平台，利用综合布线技术、网络通信技术、安全防范技术、自动控制技术、物联网技术、音视频技术、人工智能技术等技术将家居生活有关的设备设施集成，构建高效的住宅设施与家庭日常事务的管理系统，提升家居的安全性、便利性、舒适性、艺术性，并实现环保节能的目标。智能家居系统主要包括家居布线子系统、家庭网络子系统、中央控制子系统、家庭安防子系统、家庭娱乐子系统、健康咨询子系统以及家政服务子系统等。下面重点介绍智能化程度较高的几个子系统的功能。9.3智能家居与智慧城市 9.3.1智能家居

1）家居布线子系统。为了实现智能家居的各种智能化服务，首先需要在家居住宅中进行综合布线，以便支撑语音/数据通信、多媒体、家电自动化、安防等多种应用。

2）家庭安防子系统。主要目的是确保住宅的财产与人员安全，基础设施包括门磁开关、紧急求助、烟雾检测报警、燃气泄露报警、碎玻探测报警、红外微波探测报警等。也可根据需要配置视频实时监控系统，即使远离住宅也能够通过移动智能终端（如智能手机），实时监视住宅内外的情况。

3）家庭娱乐子系统。充分利用音视频技术、多媒体技术、VR/AR等技术丰富家庭业余生活。例如，背景音乐、人机互动娱乐、智能点歌，甚至机器填词谱曲等。

4）健康咨询子系统。利用智能检测分析技术，根据住户的生活习惯，提供健康咨询、饮食指南等服务，甚至，根据采集的呼吸、心率、血压、体温等体征数据，对疾病提供基本的辅助诊断、治疗建议，并协助完成康复训练等任务。

5）家政服务子系统。除家庭日常事务管理外，还包括家电、灯光、窗帘、马桶、衣柜控制，例如，扫地、洗衣、做饭、调节室内温湿度、马桶开启与关闭等，甚至还可配置各种家政服务机器人。9.3智能家居与智慧城市 9.3.1智能家居2.智能家居服务1）通过家庭网关与互联网相连，提供全天候网络信息服务。2）实时监控非法闯入、火灾、煤气泄露，以及紧急呼救。一旦出现险情，智能家居系统自动发出报警信息，同时启动设备进入应急联动状态，实现主动防范，避免不必要的财产损失或人身伤害。3）利用人机会话技术，实现家电智能控制或远程交互性控制，提高使用效率，减少待机时间。4）提供全方位的家庭娱乐服务，不仅仅是家庭影院、背景音乐这些基本的娱乐服务，而且还可利用人工智能技术，提供声控点歌、辅助作词谱曲、歌舞动漫仿真等娱乐服务。5）提供全面的家庭信息服务，包括健康咨询、理财管理、日常事务管理的信息化，以及健康饮食、天气气象、小区物业对接、缴费信息提醒等服务。目前，智能家居技术尚在不断完善之中，随着智能家居产业的迅猛发展，越来越多的家庭开始引入智能化系统和设备。相信在不久的将来，智能家居将成为人们的普遍需求。9.3智能家居与智慧城市 9.3.2智慧城市1.智慧城市概念对于智慧城市的概念与内涵，国外很早就展开了研究，尤其以维也纳理工技术大学区域科学中心（CentreofRegionalScience,ViennaUT）的智慧城市研究项目（EuropeanSmartCities）最具代表性。2007年10月，该中心发布了对欧盟中等城市（人口20万以下）的可持续发展能力与竞争力的评估报告《欧盟中等城市智慧城市排名》，首次系统性地提出了智慧城市的内涵：“当一个城市将对人和社会资本、传统（交通）和现代（ICT）的交通基础设施的投入作为支撑经济持续增长的动力，实现高质量的人民生活，并通过参与性管理达到生态和谐时，那么它就是一个智慧城市”。该评估报告从智慧经济、智慧民众、智慧治理、智慧交通与ICT、智慧环境和智慧生活六个维度阐述了智慧城市的特征，分别代表了城市的区域竞争力、交通和ICT、自然资源、人力和社会成本、生活质量和公众参与社会的状况。9.3智能家居与智慧城市 9.3.2智慧城市2.典型的见解

9.3智能家居与智慧城市 9.3.2智慧城市2.典型的见解

9.3智能家居与智慧城市 9.3.2智慧城市2.典型的见解

智慧城市是当今和未来城市发展的新理念和新模式，是推动政府职能转变、推动社会管理创新的新手段和新方法，是城市走向绿色、低碳、可持续发展的本质需求，是新一代信息技术、智能科学技术的创新应用与城市转型发展深度融合的必然结果。9.3智能家居与智慧城市 9.3.2智慧城市2.典型的见解

值得强调的是，智慧城市是一个动态发展的过程，而不是一个确定的结果，不可能一蹴而就的建设完成。

因此，不断涌现的新理念、新理论、新技术、新工艺也会被应用到智慧城市的建设中，包括近几年快速发展新的智能科学与技术（人工智能），以及区块链技术。9.3智能家居与智慧城市 9.3.3智慧城市建设目标与核心特征1.智慧城市建设目标

智慧城市的规划与建设，就是要充分运用智能信息处理技术来感知、识别、分析、融合城市运行核心系统的关键信息，提升民生、环保、安全、服务、商务等质量，为市民创造更加美好城市生活。9.3智能家居与智慧城市 9.3.3智慧城市建设目标与核心特征2.智慧城市的表现特征

1）物理虚拟、空间一体。通过物联网、移动互联网、大数据、云计算等新一代信息技术的深入应用，促进城市实体物理空间和网络虚拟空间一体化发展，实现物理空间和虚拟空间状态的智能感知、市民和企业需求的快速响应，保障城市安全和高效运转。

2）资源共享、协同服务。通过信息资源的有效整合和共享，以及多系统的融合和互通，促进城市从分散独立的生产制造和商务活动、部门孤岛式的社会管理，迈向协同网络化的生产经营和全方位的精细化管理，实现管理和服务的精确性和人性化，推动城市管理和服务模式改革。

3）知识驱动、发展转型。通过知识创新和应用促进经济发展高端化，以及信息基础设施建设和传统基础设施的智能化提升，拉动高端产业发展，创造更多知识型就业岗位，促进城市知识经济增长，驱动城市经济发展方式从资源获取、粗放发展向高端创新、精细发展转型。

4）互动参与、智力集聚。通过无处不在的智能手段实施参与互动、城市各领域的建设和发展，以满足公民的需求为导向，而非以政府行政管理为中心，支撑城市提供双向交互和个性化的公共服务，丰富城市幸福生活体验。通过构建高质量的居民终身学习、人才聚集和创新创业环境，不断提升居民现代文明素质，为城市持续繁荣发展提供不竭的智力资源。

9.3智能家居与智慧城市 9.3.3智慧城市建设目标与核心特征3.智慧城市的技术特征从技术的维度看，智慧城市具有如下四个技术特征：

1）状态更加全面感知。通过物联网的感知技术，结合视频监控、网络舆情监控等方式，全面采集城市中人流、物流、信息流状态，形成城市智慧的丰富的信息源。

2）信息更加泛在互联。通过发展下一代互联网、新一代移动通信网，融合通信网、互联网和移动通信网，实现信息的实时传递和广泛互通。

3）系统更加高效协同。利用各种信息资源库和公共服务平台，结合高度集成、智能化的智能城市运行智慧中心，加强行业、部门间的资源整合、信息共享，使城市各个系统和参与者能够进行高效协作，最终达到城市运行的最佳状态。

4）决策更加科学智能。利用云计算、大数据、人工智能等技术，结合领域知识和模型的构建，对城市海量信息资源和数据进行智能分析和处理，为科学决策提供支持。9.3智能家居与智慧城市 9.3.4智慧城市应用与核心技术1.主要应用服务

1）智慧公共服务。通过加强就业、医疗、文化、安居等应用系统建设，提升城市建设与管理的规范化、精准化和智能化水平，有效促进城市公共资源在全市范围内共享，促进城市人流、物流、信息流、资金流的协调高效运行，在提升城市运行效率和公共服务水平的同时，推动城市发展转型升级。

2）智慧社会管理。建设市民呼叫中心，拓展服务形式和覆盖面，采用语音、传真、电子邮件、智能自助和人工服务等多种咨询服务方式，提供生产、生活、政策和法律法规等多方面咨询服务。开展司法行政法律帮扶、职工维权帮扶等公共服务平台建设，打造覆盖全面、及时有效、群众满意的公共服务载体。

3）智慧企业服务。完善政府门户网站群、网上审批、信息公开等公共服务平台建设，推进“网上一站式”行政审批及其它公共行政服务，增强信息公开水平，提高网上服务能力。着力推进中小企业公共服务平台建设，提高中小企业在产品研发、生产、销售、物流等多个环节的工作效率。

4）智慧安居服务。充分考虑公共区、商务区、居住区的不同需求，融合应用物联网、互联网、移动通信等各种信息技术，发展智慧社区政务、智慧家居系统、智慧楼宇管理、智慧社区服务、社区远程监控、安全管理、智慧商务办公等智慧社区应用系统，使居民可就近获得所需服务。9.3智能家居与智慧城市 9.3.4智慧城市应用与核心技术1.主要应用服务

5）智慧教育服务。完善城市教育城域网和校园网工程，重点建设教育综合信息网、网络学校、数字化课件、教学资源库、虚拟图书馆、教学综合管理系统、远程教育系统等智慧教育资源及共享应用平台。大力推进再教育工程，提供多渠道的教育培训就业服务，建设终身学习型智慧社会。

6）智慧文化服务。推进先进网络文化发展，加强信息资源整合，完善公共文化信息资源服务体系建设。构建旅游公共信息服务平台，提供更加方便快捷的旅游服务，提升旅游文化品牌。

7）智慧服务管理。通过示范带动和信息化深入应用，推进传统服务企业经营、管理和服务模式创新，实现智慧物流、智慧贸易、智慧服务，加快向现代智慧服务产业转型。

8）智慧医疗服务。构建区域化卫生信息管理为核心的信息平台，建立居民电子健康档案，推进远程挂号、数字远程医疗、图文体检诊断系统等智慧医疗系统建设，有效提升医疗健康服务水平，增强突发公共卫生事件的应急处理能力。9.3智能家居与智慧城市 9.3.4智慧城市应用与核心技术1.主要应用服务

9）智慧交通服务。建立以交通引导、应急指挥、智能出行、出租车和公交车管理等为重点的、统一的智能化城市交通综合管理和服务系统，实现交通信息的充分共享、交通状况的实时监控及动态管理，确保交通运输安全、畅通。

10）智慧农村服务。建立面向新农村公共信息服务平台，整合各类信息资源，为广大农民提供政策咨询、技术辅导、气象发布、卫生保健、村务公开等综合信息，提升三农智慧服务水平。

11）智慧安防服务。整合公安监控和社会监控资源，建立基层社会治安综合治理管理信息平台，完善公共安全应急处置机制，提高对各类事故、灾害、疫情、案件和突发事件防范和应急处理能力。

12）智慧政务服务。推进政府智能办公、智能监管、智能服务和智能决策四大电子政务系统建设，深化“互联网+”政务服务改革，提高政府部门工作效率，提升服务水平和公众的满意度。

上面所述只是智慧城市12个主要应用服务，或者说涉及了智慧城市主要智慧服务体系建设。9.3智能家居与智慧城市 9.3.4智慧城市应用与核心技术2.主要核心技术

1）智能感知识别技术。通过物联网采集的信息均需解决智能识别问题，这就需要提供各种智能识别技术，如射频识别技术、条码识别技术、各种专用传感器识别技术、视频分析识别技术、无线定位识别技术等。

2）智能移动计算技术。智慧城市首先是无线城市，无线移动计算的智能化代表着下一代移动计算的发展方向，这其中存在着众多智能化的难题需要解决，比如各种移动智能终端的开发，以及身份识别、远程支付、移动监控等智能软件的开发等。

3）智能信息融合技术。智慧城市建设中涉及到大量不同类型的信息处理，需要将不同来源、不同格式、不同时态、不同尺度、不同专业的数据在统一的框架下进行处理，这就需要智能信息融合技术来实现，包括底层原始数据融合、中层特征数据融合以及高层的决策数据融合多个层次。另外，由于数据处理规模庞大、关系复杂、交流频繁，需要构成庞大的智慧城市数据处理支撑体系，以保障诸功能系统的有效运行。

可以预见，随着智能科学与技术和其它科技的加速融合与发展，人类社会正在日益逼近新一轮变革的临界点，继农业社会、工业社会、信息社会之后的高级的社会形态—智能社会—正在加速到来。9.4智能科学与技术产业及发展展望 9.4.1智能科学与技术产业1.智能科学与技术产业有赖于近几年我国互联网行业的迅猛发展，一大批互联网科技公司积累了一定的用户数据和研究资本，而且吸引了大量专业技术人才为其进行人工智能方面的研发。虽然较于美国等发达国家，中国高校在人工智能领域的课程较为分散，智能科学与技术相关专业人才培养格局也是在近几年才逐步布局完善。但在国家政策的激励和引导下，国内大批企业和创新领军人才都在争相进军智能科学与技术领域。而且《中国制造2025》的发布，更是促使国内众多大企业凭借自身的资金实力和科研能力，加速布局智能科学与技术产业链，以获取巨大的经济和社会效益。

通常情况下，产业之间联系主要以核心技术和工艺为依据划分产业层次，即以核心技术划分产业。因此，智能科学与技术产业的核心是基于其技术本身，由使用核心技术的产品和服务所构成的产业，包含对外提供的产品、以平台的方式对外提供的服务、解决方案或集成服务三种类型。

智能科学与技术产业包括数字资源、计算引擎、算法、技术、基于智能原理与算法和技术进行研究及拓展应用的企业以及应用领域。9.4智能科学与技术产业及发展展望 9.4.1智能科学与技术产业2.智能科学与技术产业生态

从产业生态角度，将智能科学与技术产业分为三个层次，即核心业态、关联业态、衍生业态。其中，核心业态主要包括基础设施、信息及数据、技术服务、产品。关联业态主要涉及软件开发、信息技术、电子材料、系统集成等。衍生业态主要涉及智能制造、智能家居、智能金融、智能交通、智能医疗等行业应用。

从技术结合角度，智能科学与技术产业外延是指相关核心技术集成的产业，或与其它技术相结合的研究与应用的相关产业，既包括机器人产业与智能系统产业，也涵盖智能科学与技术在物联网、大数据、云计算、区块链，以及其它科技领域的研究与应用产业。

从行业交叉角度，是指智能科学与技术和其它行业交叉结合发展，例如工业、农业、教育、金融、医疗、物流、社会治理、城市建设等，反映了大数据背景下，智能科学与技术产业发展和其它领域相互融入、相互结合，形成了多元化的产业生态。9.4智能科学与技术产业及发展展望 9.4.1智能科学与技术产业3.智能科学与技术产业链

产业链是各个产业主体（部门）之间基于一定的技术经济关联，依据特定的逻辑关系和时空布局关系客观形成的链条式关联形态。纵观智能科学与技术产业发展情况，可将产业链自下而上划分成三层：基础层产业、技术层产业和应用层产业9.4智能科学与技术产业及发展展望 9.4.1智能科学与技术产业

1）基础层产业。是推动智能科学与技术发展的基石，提供算力（感知智能、计算智能、认知智能）。主要包括传感器、芯片、泛在网络、云计算、存储、普适计算、脑科学、大数据、分析挖掘平台等相关产业。虽然集成电路芯片等相关技术掌握在IBM、英伟达、英特尔、谷歌等国外巨头手中，但近几年国内企业发展迅猛，尤其在网络通信、云计算、大数据等细分产业进展与国外并驾齐驱。

2）技术层产业。解决技术支撑问题，主要提供算法、模型、技术架构和通用技术。这一层主要依托技术架构、算法模型和数据资源进行海量识别训练和机器学习建模，开发面向不同领域的通用技术，该层的细分领域竞争激烈。

技术架构平台包括TensorFlow、Caffe2、PyTorch、Torchnet以及百度的PADDLE等。算法模型包括神经网络、聚类、决策树、支持向量机、卷积神经网络等。通用技术包括机器视觉、机器听觉、自然语言处理、机器学习、知识图谱、深度学习等。国内外科技巨头，如谷歌、IBM、亚马逊、苹果、阿里巴巴、百度、腾讯都在该层深度布局。国内企业近年来发展迅速，主要聚焦在计算机视觉、语音识别和自然语言处理等领域，如BAT（百度、阿里巴巴、腾讯）、商汤、旷视、科大讯飞等。

9.4智能科学与技术产业及发展展望 9.4.1智能科学与技术产业

3）应用层产业。解决实践问题，主要提供应用场景（应用智能科学与技术促使传统产业升级改造、培育新兴产业）。应用层运用智能科学与技术针对行业提供产品、服务和解决方案，其核心是商业化应用。应用层企业将智能科学与技术集成到自己的产品和服务中，从特定行业或应用场景切入（工业、农业、教育、金融、医疗、物流、社会治理、城市建设等）。应用层市场空间巨大，参与企业众多，通过整合各种资源，发展垂直应用，最终达到解决行业痛点、实现场景落地的目的。从全球来看，应用层的中国企业规模和数量占比最大，而且取得的成就也是最为耀眼的。

基础层产业、技术层产业、应用层产业形成了一个完整的产业链，分别提供智能科学与技术所需的算力、算法和应用场景，并且相互促进。9.4智能科学与技术产业及发展展望 9.4.1智能科学与技术产业4.智能科学与技术产业发展未来，智能科学与技术产业有望持续快速扩张，成为全球经济发展的新引擎，同时带来全球产业结构和产业生态的重塑。目前，我国智能科学与技术产业的发展态势可以简单总结为以下三点：

1）地方产业布局加速完善。在国家政策的激励和指引下，各地的智能科学与技术产业区域布局日趋完善。目前，我国已形成以北京、上海、深圳为核心，京津冀地区、长三角地区和粤港澳大湾区协同发展的智能科学与技术产业区域布局。

2）逐步迈入大规模商用阶段。随着智能科学与技术不断发展，越来越多成熟的产品和服务涌入消费市场，以及智能科学与技术应用所带来的社会、经济、产业、企业和人力资源的变革，都喻示智能科学与技术已经逐步迈入大规模商业化应用阶段。

3）改变产业组织和就业结构。智能科学与技术的大规模商业化应用带来了产业组织和就业结构的冲击和重构，虽然目前受影响较大的是人类不愿从事或难以招聘的工种，如恶劣环境下的工作，但未来，对产业组织和就业结构的影响面将逐渐扩大。9.4智能科学与技术产业及发展展望 9.4.2智能科学与技术发展展望1.挑战与机遇长期来看，人类智能的发掘还有待进一步深入，人工（机器）智能的发展任重而道远。

第一，区块链技术能否打破“数据壁垒”、解决信任危机，最终实现数据共享流通，帮助各个领域、行业合作研发出更加综合全面的人工智能产品。

第二，近年来人工智能只是在部分领域小规模应用取得初步成功，为了使人工智能更好地给各行各业赋能，探索出各行各业、各领域可规模化应用的方案将是一大挑战。

第三，人工智能关键技术的研发和突破离不开智能科学与技术及相关专业人才的努力，未来的智能科学与技术及相关专业人才培养将是无法回避的重大问题。

第四，很多人仍然对未来的人工智能发展持有威胁论的看法，未来能否研发出具有自主学习和生物特性的超级人工智能？以及从伦理上来说，当人工智能足够发达，人类智能与人工智能界限模糊的时候，又该如何平衡两者关系？这些可能都是未来需要思考的问题。9.4智能科学与技术产业及发展展望 9.4.2智能科学与技术发展展望1.挑战与机遇

智能技术与历史上其它任何新兴技术应用一样，在给人类活动带来巨大进步的同时，也必然会对人类社会原有秩序带来一定的冲击。比如人工智能在工业上的大规模应用可能会造成部分人失业，在军事领域应用可能会加剧军备竞赛，人机结合技术甚至会对人类传统社会伦理道德带来挑战。上述问题必须引起我们的高度重视和戒备，在大力研究和发展智能科学与技术的同时，把其可能产生的副作用控制在最小范围之内。综合智能科学与技术的发展历史和脉络，未来的发展趋势必将是人机智能的不断融合促进，这种认知得到了业界的普遍认可。人机融合智能，简单地说就是充分利用人和机器的长处形成一种新的智能形式。未来，人机结合技术的实现将会变得尤为重要。下面仅介绍脑与认知科学、类脑智能和人工智能芯片三项关键理论与技术的发展展望。9.4智能科学与技术产业及发展展望 9.4.2智能科学与技术发展展望2.脑与认知科学发展展望美国、日本、欧盟等主要国家都有脑研究计划，虽然各有侧重，但研究方向、研究内容都与我国脑计划的“一体”、“两翼”大致相同。

1）“一体”，理解脑。阐明脑认知功能的神经基础和工作原理。大脑认知功能包括基本认知功能和高级认知功能，基本的脑认知功能是指感知觉、学习和记忆、情绪和情感、注意和抉择，果蝇、小鼠、猴子等很多动物都有这种基本认知功能。高级的脑认知功能只有灵长类以上比较高等的动物才有，包括共情心与同情心、社会认知、合作行为、各种意识和语言。鉴于涉及伦理问题，需要通过动物研究大脑神经元的信息处理机制，绘制出人类大脑神经网络（细胞层面）全景式图谱，包括结构图谱和活动图谱。

2）“第一翼”，保护脑。促进智力发展，防治脑疾病和创伤。幼年期的自闭症或者孤独症与智障，中年期的抑郁症和成瘾，以及老年期的阿尔茨海默症与帕金森病等退行性脑疾病等，都属于重大脑疾病。对于这些重大脑疾病，只有充分了解机理，才能找到最有效的解决方法。因此，研究脑疾病的诊断与治疗，保护好大脑，维持大脑的正常功能，延缓大脑退化，防止脑疾病的产生等都是健康生活所必需的。9.4智能科学与技术产业及发展展望 9.4.2智能科学与技术发展展望2.脑与认知科学发展展望

3）“第二翼”，模拟脑。研发类脑计算方法和人工智能系统。人工智能技术近年来受到越来越多的关注，脑科学和类脑智能技术二者相互借鉴、相互融合的发展是近年来国际科学界涌现的新趋势。主要包括：脑机接口和脑机融合新模型、新方法；脑活动（电、磁、超声等）调控技术；新一代人工网络计算模型和类脑计算系统；类神经元的处理器、存储器和类脑计算机；类脑智能体和新型智能机器人；大数据信息处理和计算新理论，等等。进入21世纪，一些认知科学家将脑科学与心理学、计算机科学等研究的高度结合看作是第三代认知科学的发展契机。第三代认知科学运用新技术研究大脑活动，并利用计算机进行人脑模拟，揭秘人类语言、情绪、思维、决策等高级功能的认知过程。在第三代认知科学中，认知神经学和计算机科学是当之无愧的核心，语言学、心理学、人类学、教育学为认知研究提供有价值的研究问题和研究对象。由此可看出，智能科学与技术发展所面临的新瓶颈需要从脑科学、神经科学、认知科学等获得启发，而智能科学与技术发展也可以帮助脑科学、神经科学、认知科学等取得进一步的突破。9.4智能科学与技术产业及发展展望 9.4.2智能科学与技术发展展望2.类脑智能发展展望类脑智能是以计算建模为手段，受脑神经机制和认知行为机制启发，并通过软硬件协同实现的机器智能。类脑智能系统在信息处理机制上类脑，认知行为和智能水平上类人，其目标是使机器以类脑的方式实现各种人类具有的认知能力及其协同机制，最终达到或超越人类的智能水平。在未来，类脑智能研究将重点聚焦在如下5个重要研究方向：

1）认知脑计算模型的构建。在未来认知脑计算模型的研究中，需要基于多尺度脑神经系统数据分析结果对脑信息处理系统进行计算建模，构建类脑多尺度神经网络计算模型，在多尺度模拟脑的多模态感知、自主学习与记忆、抉择等智能行为能力。

2）类脑信息处理。类脑信息处理的研究目标是构建高度协同视觉、听觉、触觉、语言处理、知识推理等认知能力的多模态认知机。具体而言，就是借鉴脑科学、神经科学、认知脑计算模型的研究结果，研究类脑神经机理和认知行为的视听触觉等多模态感知信息处理、多模态协同自主学习、自然语言处理