A 什么是人工智能

　　人工智能(Artificial Intelligence，缩写为 AI)并非简单的机器人或编程技术，而是让机器模拟人类思维能力，实现感知、思考与决策的前沿科技。人类能轻易辨识人与物、理解声音含义，但机器接收的信息只是一串无意义的数字，这是AI研发的核心难点。

　　过去，人类需要用编程语言编写固定指令控制机器。而人工智能的核心突破，在于让机器摆脱固定指令依赖，能根据人类需求自主判断行动。其关键思路是让机器代入人类视角，学习人类语言、总结经验、揣测人类行为。

　　为实现这一目标，科学家探索出符号逻辑、概率统计、神经网络、进化仿生等多种方法，教机器从海量信息中总结特征、做出判断。具备这种自主学习与判断能力后，AI则是能替代人类完成诸多复杂任务的伙伴——无论是无疲劳驾驶汽车、无惧危险火场救人，还是作为城市大脑调控电网交通，甚至协助科学家探索未知的物理与生物规律。目前，科学家们还在持续优化方法，让AI更贴近人类智能。

B 人脑智能的实现机制

　　人类智能的诞生离不开强大的大脑。这个仅占人体重量2%的器官，每天消耗的能量却占人体总消耗的20%，高能耗的投入让人类在物种竞争中脱颖而出。

　　大脑的核心功能是通过大量神经元的信息交流实现的。成年人大脑约有860亿个神经元，每个神经元通过近万个神经突触相连，构成复杂的神经网络。人类的记忆储存、问题思考，都是这个神经网络集体活动的结果。外界信息通过感觉神经传入人脑，以生物电和化学信号的形式经神经突触传递，激活对应大脑片区处理，最终形成我们对事物的印象与感受。

　　更奇妙的是，神经元之间的连接并非固定不变。新经验、新技能都会改变连接方式，这正是大脑可塑性的神经基础。人类的推理、计算、创造力等高级智能，都源于信息关联与神经网络协作。比如小孩被火苗灼烧后，会建立“火”与 “烫手”的关联;反复练琴则会强化对应神经元连接，让人的琴技愈发熟练。对人脑智能的探索，也为人工智能的发展提供了重要启示。

C 人工智能如何向人脑靠拢

　　早期语言表达的形式逻辑虽能完成简单推理，却不够严谨。20世纪初，布尔、弗莱德、罗素等人建立的数理逻辑，将人类推理过程用数学符号精准呈现，让思维具备了可计算性。1946年世界第一台通用计算机诞生后，科学家们迅速用其模拟人类思维，在数学定理证明领域取得显著成效。

　　1956年达特茅斯会议正式提出“人工智能”概念，标志着AI正式起步。而判断机器是否具备智能的核心标准，早在1950年就由图灵提出——图灵测试认为，若机器通过键盘与人交流能让测试者误判为人，即具备足够智能。

　　为此，科学家提出机器学习核心思路：无需穷尽规则，让机器自主学习。其中关键方法是模拟人脑学习过程，构建人工神经网络模型。人工神经网络能通过海量数据自主总结规律，将学习成果存储于网络参数中，从僵硬程序升级为具备可塑性的“机器大脑”。如今，人脸识别、语音助手等主流智能系统，均以人工神经网络为核心支撑，现代神经网络的神经元数量已达千万量级，学习能力极强。

D 人工智能的训练方法

　　要让 “机器大脑”具备智能，需通过科学训练引导其从数据中寻找规律，主要有监督学习、无监督学习、强化学习三种核心方法，实际应用中常综合使用。

　　监督学习类似教孩子认动物：给机器大量带“答案”的“题目”(如标注好的动物图片)，数据量足够时，机器就能自主总结特征完成识别，广泛用于人脸识别、车牌识别、肿瘤诊断等精准匹配场景。

　　无监督学习只有“题目”没有“答案”，AI需根据观察到的特征给相似事物归类，虽不知类别名称，却能挖掘数据隐藏规律，比如给不同颜色的积木按形状或颜色分类，应用范围更广泛。

　　强化学习无需“做题”，让AI直接与环境互动，通过奖惩信号调整行为、追求最大奖励，不断优化策略，适用于游戏、无人驾驶、广告推送等场景。

　　近年来兴起的生成对抗网络是极具创新性的训练方法：让两个AI相互对抗，一个负责创作一个负责“找茬”，通过持续博弈，最终训练出高水平的创作AI。它能无中生有地绘制逼真人脸、创作以假乱真的油画、诗歌和乐曲，展现出强大的创造力。

E AI的语音识别与语言理解

　　(一)语音识别

　　自然界声音繁杂，AI能精准区分人类语音与风声、雨声等，核心在于提取和分析声音特征。声音以声波形式传播，计算机只能处理数字，因此录音设备会把空气振动转化为数字波形图，波形图上的每个点代表特定时刻的空气压力，这是计算机“听到”的原始声音。

　　在此基础上，计算机还会将波形图转化为频谱图，直观呈现声音高、中、低音的分布，让声音以 “特殊图片”的形式被分析。不同声音的频谱图差异显著，即使是人类发音，“a”和 “e”的频谱图也截然不同，这构成了语音识别的基础。

　　现代语音识别系统借助复杂统计模型，从海量语音数据中总结规律，既能识别单个音素，还能将其组合成词语和句子。为保证准确率，系统需应对发音变异、处理发音关联，还得依靠语言知识解决同音字问题，比如优先判定“我被鱼刺卡了”是合理表达。如今，语音识别技术已广泛用于语音指令控制，人们无需动手就能操控手机、智能家居、车载设备，既便捷又降低操作风险。此外，AI还能通过声音验证身份、判断说话人的位置和情绪，结合语音合成技术，实现模仿人类发音的功能。

　　(二)自然语言理解

　　自然语言理解与语音识别有本质区别：语音识别是对外界的感知，类似在语音与正确答案间建立匹配;而自然语言理解属于认知层面，核心是把握语言背后的含义。比如听到 “布里渊区是倒空间中由道格式的中垂面所围成的区域”，即便能识别每个字，也未必理解其含义，这正是语言理解的难点。

　　人类语言十分复杂，断句、上下文、场景的差异以及专业知识的加持，都会改变句子含义。为此，科学家让机器从海量语言数据中自主学习语言逻辑，词向量是广泛应用的工具。它可以通俗理解为“单词地图”：在AI的“思维空间”里，词义相近或使用场景相关的词语会处于相近区域。例如苹果、菠萝、香蕉因同为水果且频繁一同出现，距离较近;巧克力虽非水果，但常与“好吃”关联，也会靠近这类词语;而鼠标、皮搋子等与它们关联性低，距离则较远。

　　在词向量基础上，又衍生出句向量、文章向量乃至语义空间向量，将语言转化为机器擅长处理的数学概念。借助这项技术，AI实现了写小说、翻译、搜索引擎等诸多以往难以想象的应用，结合语音识别与合成技术，仿佛真正具备了“能听会说”的能力。

（本报综合）

A 什么是人工智能

　　人工智能(Artificial Intelligence，缩写为 AI)并非简单的机器人或编程技术，而是让机器模拟人类思维能力，实现感知、思考与决策的前沿科技。人类能轻易辨识人与物、理解声音含义，但机器接收的信息只是一串无意义的数字，这是AI研发的核心难点。

　　过去，人类需要用编程语言编写固定指令控制机器。而人工智能的核心突破，在于让机器摆脱固定指令依赖，能根据人类需求自主判断行动。其关键思路是让机器代入人类视角，学习人类语言、总结经验、揣测人类行为。

　　为实现这一目标，科学家探索出符号逻辑、概率统计、神经网络、进化仿生等多种方法，教机器从海量信息中总结特征、做出判断。具备这种自主学习与判断能力后，AI则是能替代人类完成诸多复杂任务的伙伴——无论是无疲劳驾驶汽车、无惧危险火场救人，还是作为城市大脑调控电网交通，甚至协助科学家探索未知的物理与生物规律。目前，科学家们还在持续优化方法，让AI更贴近人类智能。

B 人脑智能的实现机制

　　人类智能的诞生离不开强大的大脑。这个仅占人体重量2%的器官，每天消耗的能量却占人体总消耗的20%，高能耗的投入让人类在物种竞争中脱颖而出。

　　大脑的核心功能是通过大量神经元的信息交流实现的。成年人大脑约有860亿个神经元，每个神经元通过近万个神经突触相连，构成复杂的神经网络。人类的记忆储存、问题思考，都是这个神经网络集体活动的结果。外界信息通过感觉神经传入人脑，以生物电和化学信号的形式经神经突触传递，激活对应大脑片区处理，最终形成我们对事物的印象与感受。

　　更奇妙的是，神经元之间的连接并非固定不变。新经验、新技能都会改变连接方式，这正是大脑可塑性的神经基础。人类的推理、计算、创造力等高级智能，都源于信息关联与神经网络协作。比如小孩被火苗灼烧后，会建立“火”与 “烫手”的关联;反复练琴则会强化对应神经元连接，让人的琴技愈发熟练。对人脑智能的探索，也为人工智能的发展提供了重要启示。

C 人工智能如何向人脑靠拢

　　早期语言表达的形式逻辑虽能完成简单推理，却不够严谨。20世纪初，布尔、弗莱德、罗素等人建立的数理逻辑，将人类推理过程用数学符号精准呈现，让思维具备了可计算性。1946年世界第一台通用计算机诞生后，科学家们迅速用其模拟人类思维，在数学定理证明领域取得显著成效。

　　1956年达特茅斯会议正式提出“人工智能”概念，标志着AI正式起步。而判断机器是否具备智能的核心标准，早在1950年就由图灵提出——图灵测试认为，若机器通过键盘与人交流能让测试者误判为人，即具备足够智能。

　　为此，科学家提出机器学习核心思路：无需穷尽规则，让机器自主学习。其中关键方法是模拟人脑学习过程，构建人工神经网络模型。人工神经网络能通过海量数据自主总结规律，将学习成果存储于网络参数中，从僵硬程序升级为具备可塑性的“机器大脑”。如今，人脸识别、语音助手等主流智能系统，均以人工神经网络为核心支撑，现代神经网络的神经元数量已达千万量级，学习能力极强。

D 人工智能的训练方法

　　要让 “机器大脑”具备智能，需通过科学训练引导其从数据中寻找规律，主要有监督学习、无监督学习、强化学习三种核心方法，实际应用中常综合使用。

　　监督学习类似教孩子认动物：给机器大量带“答案”的“题目”(如标注好的动物图片)，数据量足够时，机器就能自主总结特征完成识别，广泛用于人脸识别、车牌识别、肿瘤诊断等精准匹配场景。

　　无监督学习只有“题目”没有“答案”，AI需根据观察到的特征给相似事物归类，虽不知类别名称，却能挖掘数据隐藏规律，比如给不同颜色的积木按形状或颜色分类，应用范围更广泛。

　　强化学习无需“做题”，让AI直接与环境互动，通过奖惩信号调整行为、追求最大奖励，不断优化策略，适用于游戏、无人驾驶、广告推送等场景。

　　近年来兴起的生成对抗网络是极具创新性的训练方法：让两个AI相互对抗，一个负责创作一个负责“找茬”，通过持续博弈，最终训练出高水平的创作AI。它能无中生有地绘制逼真人脸、创作以假乱真的油画、诗歌和乐曲，展现出强大的创造力。

E AI的语音识别与语言理解

　　(一)语音识别

　　自然界声音繁杂，AI能精准区分人类语音与风声、雨声等，核心在于提取和分析声音特征。声音以声波形式传播，计算机只能处理数字，因此录音设备会把空气振动转化为数字波形图，波形图上的每个点代表特定时刻的空气压力，这是计算机“听到”的原始声音。

　　在此基础上，计算机还会将波形图转化为频谱图，直观呈现声音高、中、低音的分布，让声音以 “特殊图片”的形式被分析。不同声音的频谱图差异显著，即使是人类发音，“a”和 “e”的频谱图也截然不同，这构成了语音识别的基础。

　　现代语音识别系统借助复杂统计模型，从海量语音数据中总结规律，既能识别单个音素，还能将其组合成词语和句子。为保证准确率，系统需应对发音变异、处理发音关联，还得依靠语言知识解决同音字问题，比如优先判定“我被鱼刺卡了”是合理表达。如今，语音识别技术已广泛用于语音指令控制，人们无需动手就能操控手机、智能家居、车载设备，既便捷又降低操作风险。此外，AI还能通过声音验证身份、判断说话人的位置和情绪，结合语音合成技术，实现模仿人类发音的功能。

　　(二)自然语言理解

　　自然语言理解与语音识别有本质区别：语音识别是对外界的感知，类似在语音与正确答案间建立匹配;而自然语言理解属于认知层面，核心是把握语言背后的含义。比如听到 “布里渊区是倒空间中由道格式的中垂面所围成的区域”，即便能识别每个字，也未必理解其含义，这正是语言理解的难点。

　　人类语言十分复杂，断句、上下文、场景的差异以及专业知识的加持，都会改变句子含义。为此，科学家让机器从海量语言数据中自主学习语言逻辑，词向量是广泛应用的工具。它可以通俗理解为“单词地图”：在AI的“思维空间”里，词义相近或使用场景相关的词语会处于相近区域。例如苹果、菠萝、香蕉因同为水果且频繁一同出现，距离较近;巧克力虽非水果，但常与“好吃”关联，也会靠近这类词语;而鼠标、皮搋子等与它们关联性低，距离则较远。

　　在词向量基础上，又衍生出句向量、文章向量乃至语义空间向量，将语言转化为机器擅长处理的数学概念。借助这项技术，AI实现了写小说、翻译、搜索引擎等诸多以往难以想象的应用，结合语音识别与合成技术，仿佛真正具备了“能听会说”的能力。

（本报综合）