文/王儒敬 中國科學(xué)院合肥智能機械研究所

人工智能是一門融合了計算機科學(xué)、統(tǒng)計學(xué)、腦神經(jīng)學(xué)和社會科學(xué)的前沿綜合性學(xué)科。

人工智能最早的奠基人是圖靈，他提出了著名的圖靈測試。圖靈認(rèn)為，一個人和一個計算機對話的時候，在這個人不清楚對方是計算機的情況下，如果這個人感覺不到是在跟機器說話，而是跟人對話一樣，那么就可以認(rèn)為這個機器就具備智能，否則的話就不具備人工智能。

目前，人工智能領(lǐng)域有三大學(xué)派。一是符號主義，這一學(xué)派認(rèn)為人的智能行為是邏輯的推理，邏輯推理是基礎(chǔ)是符號；二是行為主義，又稱進化主義或控制論學(xué)派，是一種基于“感知-行動”的行為智能模擬方法；三是連接主義，從神經(jīng)網(wǎng)絡(luò)啟發(fā)、模擬人腦，其特點是通過系統(tǒng)學(xué)習(xí)進行樣本突破，可以把小樣本基于神經(jīng)網(wǎng)絡(luò)、建模的思路改變成大樣本。

當(dāng)前，符號主義從事研究的人員是最多的，主要成就是構(gòu)建知識圖庫，把知識節(jié)點和知識超圖關(guān)聯(lián)起來。這一學(xué)派認(rèn)為，智能的程度取決于兩方面，一方面取決于知識庫的大小，就是擁有多少知識，另一方面取決于對這個知識的推理利用效率和能力。這一學(xué)派不足之處是計算機不能自行構(gòu)建知識庫，所以該學(xué)派到現(xiàn)在為止沒有重大的建樹和突破。這一學(xué)派的生長點在知識圖庫，最大的弱點在推理的爆炸。這一學(xué)派最致命的弱點，也是即將需要解決的最大的問題是，當(dāng)知識庫擴大到了一定的程度，會產(chǎn)生組合爆炸。

連接主義起源于20世紀(jì)40年代。皮茨和麥卡洛是最早的連接主義奠基人。皮茨從小就喜歡數(shù)學(xué)和哲學(xué)，在讀過《數(shù)學(xué)原理》后曾給羅素寫信并得到羅素的回信及邀請。他的家庭條件不好，十五歲時被家庭強行要他退學(xué)上班，于是他只身前往芝加哥，羅素把他推薦給同在芝加哥任教的卡爾納普。麥卡洛擅長神經(jīng)科學(xué)，他和皮茨合作后，在1943年發(fā)表模擬神經(jīng)網(wǎng)絡(luò)的原創(chuàng)文章：《神經(jīng)活動中思想內(nèi)在性的邏輯演算》,這篇文章也成了連接主義的思想源泉之一。

連接主義是依靠樣本判斷，通過大規(guī)模樣本、通過深度網(wǎng)絡(luò)訓(xùn)練，可以構(gòu)建一系列的識別模型。連接主義目前的突破有深度學(xué)習(xí)、強化學(xué)習(xí)、遷移學(xué)習(xí)。深度學(xué)習(xí)被用于對復(fù)雜結(jié)構(gòu)和大樣本的高維數(shù)據(jù)進行學(xué)習(xí)，按研究領(lǐng)域包括計算機視覺、自然語言處理、生物信息學(xué)、自動控制等，且在人像識別、機器翻譯、自動駕駛等現(xiàn)實問題中取得了成功。深度學(xué)習(xí)在博弈方面的突破引起廣泛關(guān)注，阿爾法圍棋（AlphaGo）棋力已經(jīng)超過人類職業(yè)圍棋頂尖水平。深度學(xué)習(xí)在農(nóng)業(yè)方面最典型的應(yīng)用是病蟲害識別。深度學(xué)習(xí)的優(yōu)勢是基于數(shù)據(jù)，模型泛化能力提升，從而把計算能力轉(zhuǎn)化成了生產(chǎn)力。通過深度學(xué)習(xí)表現(xiàn)出的識別能力、預(yù)測能力等能力取決于兩個因素：樣本量和范例。所以，深度學(xué)習(xí)也存在在問題，其最大的問題是黑箱模型，決策結(jié)果難以解釋、需要大規(guī)模樣本。

我認(rèn)為，人工智能的突破點是深度學(xué)習(xí)，深度學(xué)習(xí)以后一定會引領(lǐng)人工智能的發(fā)展。一個機器如果能適應(yīng)環(huán)境，在不同的環(huán)境下可以調(diào)整自己的決策和策略，這就是智慧本身。隨著研究深入，未來能解決現(xiàn)在無法解釋的問題。目前，圖靈提出的測試有了突破進展，中國科技大學(xué)研究的機器人，在人和它對話的時候，假如人不看到對話的是個機器人的前提下，人應(yīng)該感覺不到對方是機器人。同樣，深度學(xué)習(xí)出現(xiàn)的黑箱模型目前無法解釋，但終究會變得可以解釋。

我國農(nóng)業(yè)傳感器現(xiàn)狀與瓶頸

根據(jù)1991年到2017年全世界農(nóng)業(yè)傳感器的論文分析（如圖1所示），農(nóng)業(yè)傳感器在國際上屬于研究熱點，在農(nóng)業(yè)傳感器在排名前十的國家里面，我們國家排名第二位。

但是通過對專利分析，我們可以發(fā)現(xiàn)，我國的農(nóng)業(yè)傳感器專利普遍質(zhì)量不高。我國農(nóng)業(yè)傳感器專利普遍存在的問題是，專利不在整個農(nóng)業(yè)智能中做底部支撐，很難見到傳感器專利的引用，即新專利里面不包括已有傳感器專利作為支撐。所以，我國的農(nóng)業(yè)傳感器的競爭力在國際上相對較弱。目前，需要我們聚集力量，有意識地去布局，針對傳感器的某一個方法和途徑形成一系列的專利群。

圖1 1991年—2017年全世界農(nóng)業(yè)傳感器的論文分析

圖2 全球傳感器市場分布情況

圖3 1991年—2017年全世界農(nóng)業(yè)傳感器專利分析

圖4 大數(shù)據(jù)、深度學(xué)習(xí)使得人工智能在廣泛的領(lǐng)域都獲得了突破性的進展

圖5 實驗室研制的測土機器人

我國農(nóng)業(yè)傳感器目前沒有形成產(chǎn)業(yè)，核心創(chuàng)新點不足。國際上對我國農(nóng)業(yè)傳感器專利引用不足，說明我國在農(nóng)業(yè)傳感器的技術(shù)研究是不足的，我們的農(nóng)業(yè)傳感器在知識產(chǎn)權(quán)構(gòu)筑的核心知識點不夠。

通過對傳感器產(chǎn)業(yè)分析（如圖3所示），全球傳感器市場分布情況，排名靠前的是美國、日本、德國，我國排名靠后。這是我國傳感器產(chǎn)業(yè)的現(xiàn)狀，是整個智能農(nóng)業(yè)、大信息農(nóng)業(yè)系統(tǒng)布局存在的問題。目前，智能農(nóng)業(yè)存在“前端難、后端難”的問題，前端難在低成本、大規(guī)模信息獲取，后端難在農(nóng)業(yè)設(shè)備感知。

農(nóng)業(yè)傳感器發(fā)展的科學(xué)與技術(shù)問題，我認(rèn)為有三個：一是特異性感知問題—新型敏感材料發(fā)現(xiàn)，面向農(nóng)業(yè)生產(chǎn)過程中的復(fù)雜變異性，圍繞光敏、氣敏、力敏、離子敏及納米材料制備及其元器件制造等問題，開展關(guān)鍵性技術(shù)研究，以解決傳感器件的特異性感知性能問題；二是敏感增強及封裝技術(shù)—新型微納工藝制備，利用我國大科學(xué)裝置、大科學(xué)中心已有裝備；三是低成本、高可靠、適用性研究—協(xié)同創(chuàng)新2.0模式。

傳感器技術(shù)和人工智能技術(shù)結(jié)合

目前，我們所有的人工智能技術(shù)都分布在頂層。

一是大數(shù)據(jù)智能分析：分類、聚類、關(guān)聯(lián)、時序數(shù)據(jù)挖掘與知識發(fā)現(xiàn)，深度學(xué)習(xí)、遷移學(xué)習(xí)、強化學(xué)習(xí)等智能決策。

二是無線傳感網(wǎng)絡(luò)：大量微型、低成本、低功耗傳感器節(jié)點多跳無線網(wǎng)絡(luò)。

三是傳感器與智能感知：熱敏、光敏、氣敏、力敏、磁敏、濕敏、聲敏、放射線敏、色敏和味敏等信息感知。

大數(shù)據(jù)促進了深度學(xué)習(xí)的發(fā)展革新，深度學(xué)習(xí)實現(xiàn)大數(shù)據(jù)建模與廣泛應(yīng)用。深度學(xué)習(xí)和光譜建模結(jié)合，提高感知泛化能力，其中最典型的應(yīng)用是全世界都在此領(lǐng)域進行大規(guī)模地試驗，實現(xiàn)裸譜對光土的光譜感知。核心原理是在近紅外領(lǐng)域，目前我們已經(jīng)有大量的樣本，通過深度學(xué)習(xí)建模，以后完全有可能做到對土壤的直接感知。

同時，我認(rèn)為，應(yīng)當(dāng)把自動化技術(shù)和機器人技術(shù)結(jié)合起來。圖5是我們研制的測土機器人，完全是機器人組合，可以把人的動作拆成機械可以完成的動作，最終來實現(xiàn)土壤的快速檢測。