摘要：該文探討了多智時代對人工智能發(fā)展的影響，分析了其主要研究方向，包括智能模擬、群體智能、計算智能和類腦智能，并提出了優(yōu)化人工智能科技創(chuàng)新體系的策略，強調了基礎理論創(chuàng)新、核心技術突破和技術融合創(chuàng)新的重要性。多智時代所具備的海量數(shù)據(jù)、強大算力和高度互聯(lián)的網絡基礎設施，為人工智能發(fā)展提供了前所未有的機遇，同時也帶來了新的挑戰(zhàn)。該文深入分析了這些機遇和挑戰(zhàn)，并對人工智能未來的發(fā)展路徑進行了探索。

關鍵詞：人工智能；多智時代；技術融合；創(chuàng)新體系

中圖分類號：TP18" " " " 文獻標識碼：A

文章編號：1009-3044（2025）19-0045-03

開放科學（資源服務） 標識碼（OSID）

0 引言

當前世界正經歷著前所未有的數(shù)字化轉型，海量數(shù)據(jù)、高速網絡和強大的計算能力共同構成了一個全新的“多智時代”。這一時代為人工智能的發(fā)展提供了前所未有的機遇和挑戰(zhàn)。多智時代所具備的強大計算能力、海量數(shù)據(jù)資源和高度互聯(lián)的網絡基礎設施，正在深刻地改變著人工智能的研究范式和應用場景，推動著人工智能技術以指數(shù)級的速度向前發(fā)展。

1 多智時代對人工智能產生的影響

多智時代對人工智能發(fā)展的影響體現(xiàn)在探索、應用和市場轉型三個相互關聯(lián)的方面。強大的算力、海量數(shù)據(jù)和高度互聯(lián)的網絡基礎設施顯著加速了人工智能的探索進程，降低了研究門檻，促進了模型訓練和算法優(yōu)化，并通過國際合作與知識共享加速了技術突破。與此同時，物聯(lián)網、5G通信和移動互聯(lián)網等技術的發(fā)展，極大地擴展了人工智能的應用覆蓋面，提升了應用的精準度和可靠性，支持了實時人工智能應用的普及，拓展了市場空間和用戶群體。深度學習、強化學習等技術的進步，結合大數(shù)據(jù)分析，不僅催生了新的商業(yè)模式和產業(yè)生態(tài)，也推動了傳統(tǒng)產業(yè)的轉型升級，如智能制造和智慧農業(yè)，從而提升了生產效率和產品質量，形成了良性循環(huán)，進一步促進了人工智能技術的持續(xù)發(fā)展和市場規(guī)模的擴張。這種探索、應用和市場轉型的良性互動，構成了多智時代人工智能蓬勃發(fā)展的核心驅動力。

2 多智時代人工智能的主要研究方向

2.1 智能模擬

為了加速人工智能算法的研發(fā)和優(yōu)化，構建高效的AI指令集模擬器至關重要。該模擬器需要提供方便易用的外部配置接口，以便研發(fā)人員進行參數(shù)設置和調用。其核心功能在于精確模擬SIMT（單指令多線程） 架構，包括模擬多線程結構的地址空間和內存管理機制，并實現(xiàn)高密度并行指令流的執(zhí)行。模擬器必須能夠完整地模擬AI指令集中的所有指令，并對每條指令的執(zhí)行結果進行嚴格的正確性驗證，以確保仿真模擬結果的可靠性。此外，為了方便調試，模擬器還需提供查看任意線程內部指令流執(zhí)行信息的機制（如圖1） ，以便研發(fā)人員快速定位和解決問題。

2.2 群體智能

群體智能研究受自然界中群體行為的啟發(fā)，例如鳥群的協(xié)同飛行、魚群的集群游動以及蟻群的覓食路徑規(guī)劃。這些群體中的個體通常具備相對簡單的行為規(guī)則，但通過局部交互和信息共享，能夠涌現(xiàn)出復雜的全局行為，從而高效地解決問題。群體智能的核心在于利用大量簡單個體的集體智慧，實現(xiàn)全局優(yōu)化，其效率往往遠超單個個體。

主要研究方向包括粒子群優(yōu)化（PSO） 算法和蟻群算法（ACO） 。PSO算法模擬鳥群覓食行為，通過個體間的速度和位置信息更新，迭代尋找到全局最優(yōu)解。它在工程優(yōu)化、數(shù)據(jù)分析和機器學習領域得到廣泛應用，例如用于優(yōu)化電力系統(tǒng)調度、設計高效的航空發(fā)動機以及訓練深度學習模型的超參數(shù)。近年來，改進型PSO算法，如自適應PSO和多群體PSO，不斷涌現(xiàn)，進一步提升了算法的效率和魯棒性。

蟻群算法（ACO） 則模擬蟻群尋找食物的過程，通過信息素的積累和更新，最終找到最優(yōu)路徑。ACO算法在路徑規(guī)劃、車輛調度和網絡路由等方面展現(xiàn)出強大的優(yōu)勢。例如，它被應用于城市交通流量優(yōu)化、物流配送路徑規(guī)劃以及網絡安全中的入侵檢測[1]。目前，ACO算法的研究重點在于解決其易陷入局部最優(yōu)解的問題，并提高算法的收斂速度和適應性。

2.3 計算智能

計算智能旨在模擬人類智能的某些方面，例如學習、推理和決策能力，并將其應用于解決實際問題。它并非試圖完全復制人腦，而是借鑒人類智能的某些特征，構建能夠處理復雜問題的計算模型。

主要研究方向包括模糊邏輯和進化計算。模糊邏輯處理不確定性和模糊信息，它不同于傳統(tǒng)的二元邏輯，允許變量取值范圍在0到1之間[2]，從而更好地模擬現(xiàn)實世界中的模糊性和不確定性。模糊邏輯廣泛應用于控制系統(tǒng)，例如洗衣機、空調等家用電器的模糊控制，以及醫(yī)療診斷、模式識別等領域。近年來，模糊邏輯與深度學習的結合成為研究熱點，例如模糊神經網絡的應用。

2.4 類腦智能

類腦智能主要研究方向包括神經形態(tài)計算、腦機接口和認知架構。腦機接口技術連接人腦和計算機，實現(xiàn)人腦與外部設備的直接交互。它可以用于輔助殘疾人恢復功能，例如控制假肢或義肢，也可以用于增強人類能力，例如提高認知能力或進行更精細的操作。腦機接口技術目前正處于快速發(fā)展階段，其應用場景不斷拓展。

認知架構研究模擬人腦的認知過程，構建能夠學習、推理、規(guī)劃和決策的智能系統(tǒng)。它試圖構建一個完整的智能系統(tǒng)框架，而非僅僅關注單個認知功能。認知架構的研究對人工智能的整體發(fā)展具有重要的指導意義。目前的研究重點在于構建更通用、更魯棒的認知架構，并將其應用于更廣泛的領域。

3 優(yōu)化人工智能科技創(chuàng)新體系

3.1 基礎理論創(chuàng)新

現(xiàn)階段的人工智能大多是專用人工智能，只能在特定任務上表現(xiàn)出色，缺乏泛化能力和自主學習能力。通用人工智能的目標是創(chuàng)造能夠像人類一樣進行學習、推理和解決問題的智能系統(tǒng)。實現(xiàn)通用人工智能需要在多個方面取得突破，包括：發(fā)展更強大的學習算法，使其能夠從少量數(shù)據(jù)中學習并快速適應新環(huán)境；構建能夠處理多種信息類型（例如文本、圖像、語音） 的混合智能系統(tǒng)；設計能夠進行自主規(guī)劃和決策的智能體。這需要對人工智能的基本理論進行深入研究，例如認知架構、知識表示和推理等，并探索新的計算范式，例如脈沖神經網絡[3]；同時，研究神經元間的學習機制和信息編碼方式，如公式（1） 所示，該公式描述了神經元膜電位的變化。通過對神經元膜電位動態(tài)變化的建模，可以理解神經元的信息處理機制，并將其應用于神經形態(tài)芯片的設計和神經網絡模型的構建。

為了評估神經形態(tài)芯片的性能，可以通過向所有神經元發(fā)送脈沖輸入，使其產生脈沖，并統(tǒng)計輸出的脈沖幀總數(shù)來確定芯片實際支持的神經元數(shù)目。這需要考慮神經形態(tài)算法的具體組成部分（神經元和突觸） 以及芯片的網絡結構。這種方法可以有效地評估神經形態(tài)芯片的規(guī)模和計算能力。

[Vjt=Vjt-1+i=1NAit·Wi，j-λj]" " "（1）

式中：[Vjt]為時刻t第j個神經元的膜電位，N為軸突總數(shù)，[Ait]為t時刻第i個軸突的脈沖輸入，[Wi，j]為連接第i個軸突和第j個神經元的突觸權重，[λj] ?為神經元j的泄露值。

3.2 核心技術突破

人工智能領域的快速發(fā)展，尤其體現(xiàn)在大規(guī)模預訓練模型在自然語言處理和圖像識別等領域的顯著突破上[4]。近年來，這一趨勢深刻地改變了處理和理解信息的方式。自然語言處理，作為人工智能的核心分支，其進步很大程度上依賴于對知識的有效利用?？梢詫⒆匀徽Z言處理中所使用的狹義知識劃分為三大類：語言知識、常識知識和世界知識。語言知識，例如詞典和規(guī)則庫（如WordNet） ，包含了語言本身的結構和規(guī)則，為自然語言理解提供基礎框架。常識知識則更為復雜，它代表著人類普遍認知的常識性信息。這類知識通常難以直接從文本數(shù)據(jù)中挖掘，需要借助如Cyc項目等龐大的知識庫進行人工構建和維護（表1） 。與之相對，世界知識則更容易從文本數(shù)據(jù)中提取。

在算法層面，早期自然語言處理主要依賴淺層機器學習方法，例如支持向量機（SVM）和條件隨機場（CRF），這些方法需要人工提取特征，工作量大且效率有限。深度學習的興起徹底改變了這一局面，多層感知機（MLP）、循環(huán)神經網絡（RNN）和卷積神經網絡（CNN）等模型能夠自動學習并歸納特征，極大地提高了模型的性能和泛化能力。此外，一些專門針對自然語言處理任務設計的算法，例如CKY算法和MST算法（表1） ，利用語言知識來提高解析效率和準確性。

數(shù)據(jù)的質量和數(shù)量同樣至關重要。高質量地標注數(shù)據(jù)，例如通過專家標注或眾包獲得的Penn TreeBank語料庫，能夠有效地訓練監(jiān)督學習模型。然而，標注數(shù)據(jù)的獲取成本高昂且耗時，因此，大量的無標注數(shù)據(jù)，例如互聯(lián)網上的海量文本，以及通過數(shù)據(jù)增廣技術生成的偽數(shù)據(jù)，也成為預訓練模型的重要訓練資源。預訓練語言模型正是充分利用了這些無標注數(shù)據(jù)，通過自監(jiān)督學習的方式，學習到豐富的語言知識和世界知識，并最終在各種下游任務中取得了優(yōu)異的成果。

3.3 技術融合創(chuàng)新

實現(xiàn)數(shù)據(jù)驅動下的智能決策，大數(shù)據(jù)為人工智能算法提供了豐富的訓練數(shù)據(jù)，而人工智能則為大數(shù)據(jù)的分析和利用提供了強大的工具。這種融合的核心在于構建高效的數(shù)據(jù)處理和分析框架，能夠從海量、異構的數(shù)據(jù)中提取有價值的信息，并將其用于智能決策。例如，人工智能算法能夠處理海量交易數(shù)據(jù)和用戶行為數(shù)據(jù)，例如股票交易記錄、信用卡消費記錄、貸款申請信息等，并從中提取有價值的模式和信息[5]。這些數(shù)據(jù)涵蓋了交易時間、交易金額、交易頻率、用戶地理位置、消費偏好等多個維度。通過先進的機器學習算法，如支持向量機、神經網絡和隨機森林等，系統(tǒng)可以識別異常交易行為，預測潛在的市場風險，例如信用違約風險、市場波動風險和欺詐風險等。為了實現(xiàn)上述目標，需要對數(shù)據(jù)進行預處理。

[Xi=Xi-1-Xi+12Δt]" " " " " " " （2）

[X=Xi-Xσ，i=1，2，...，N]" " " " "（3）

[Xi=Xi-minxmax-xmin，i=1，2，...，N]" " （4）

公式（2） 表示一種中心差分法，用于計算數(shù)據(jù)序列中每個點的斜率[Xi]。具體而言，對于一個數(shù)據(jù)序列xi，其第i個點的斜率近似計算，其中：Δt表示時間間隔。該方法可以有效地反映數(shù)據(jù)的局部變化趨勢，例如識別股票價格的短期波動。

公式（3） 表示對數(shù)據(jù)進行標準化處理。式中，X?表示數(shù)據(jù)的均值，σ表示數(shù)據(jù)的標準差。標準化后的數(shù)據(jù)[X]具有零均值和單位方差，這消除了不同變量之間量綱差異的影響，便于不同量綱數(shù)據(jù)的比較和分析，例如將股票價格與交易量進行比較。

公式（4） 表示對數(shù)據(jù)進行歸一化處理，將數(shù)據(jù)映射到[0，1]區(qū)間內，這通過公式實現(xiàn)，其中：xmin 和xmax 分別表示數(shù)據(jù)的最小值和最大值。歸一化處理在某些機器學習算法中是必要的，例如神經網絡，因為它可以提高算法的收斂速度和穩(wěn)定性。這些預處理步驟對于提高模型的準確性和穩(wěn)定性至關重要。進一步的研究可以探索更先進的數(shù)據(jù)預處理方法，例如小波變換和主成分分析等，以進一步提升模型的性能。

這些數(shù)據(jù)預處理方法是人工智能在金融領域應用的基礎，確保了模型能夠有效地學習和利用數(shù)據(jù)，從而提高預測精度和決策效率。

4 結束語

多智時代為人工智能發(fā)展提供了前所未有的機遇，同時也帶來了新的挑戰(zhàn)。本文分析了多智時代對人工智能的影響，探討了其主要研究方向以及優(yōu)化人工智能科技創(chuàng)新體系的策略。未來，需要加強基礎理論研究，突破核心技術瓶頸，促進技術融合創(chuàng)新，才能更好地推動人工智能技術發(fā)展。此外，可以進一步研究提升人工智能模型的可解釋性和魯棒性，發(fā)展更具通用性和自主學習能力的智能系統(tǒng)，以及解決人工智能倫理和安全等問題。

參考文獻：

[1] 王濤.多智時代創(chuàng)新下的人工智能發(fā)展路徑探索[J].數(shù)字化用戶，2023（33）：13-14.

[2] 李世龍.基于預訓練語言模型的知識表示學習[D].北京：北京交通大學，2023.

[3] 車萬翔，劉挺.自然語言處理新范式：基于預訓練模型的方法[J].中興通訊技術，2022，28（2）：3-9.

[4] 耿浩昆.人工智能（AI）指令集模擬器關鍵技術研究[D].西安：西安電子科技大學，2021.

[5] 白裕彤，程輝，葉貞成.基于RNN補償器的欠驅動過程控制方法應用[J].控制工程，2024，31（10）：1768-1776.

【通聯(lián)編輯：代影】