Agent交互层次模型

1 引言 Agent的交互机制是Agent社会性的重要表现,也是Agent区别于传统AI系统的重要属性,更是多Agent系统研究的核心问题。理性、完善的交互机制是多Agent之间进行协调、协作和协商的基础。哲学和社会学的研究表明,人与人之间的沟通和交流是人类社会发展的根本动因。同样,对AI系统来说,构造具有交互能力的分布式AI系统是应对分布、时变、     

大模型道德价值观对齐问题剖析

探讨了以大语言模型（large language model,LLM）为代表的大模型（big model）时代人工智能（artificial intelligence, AI）发展面临的新挑战:道德价值观对齐问题.大模型的崛起极大地提升了AI理解、生成和控制信息与内容的能力，从而赋能了丰富的下游应用.然而，随着大模型成为与人类生活方方面面深度交融的基础，其内在的道德价值观和潜在的价值倾向对人类社会带来不可预测的风险.首先对大模型面临的风险和挑战进行了梳理，介绍了当下主流的AI伦理准则和大模型的局限性对应的道德问题.随后提出从规范伦理学的角度重新审视近年来不断提出的各类规范性准则，并倡导学界共同协作构建统一的普适性AI道德框架.为进一步探究大模型的道德倾向，基于道德基础理论体系，检验了当下主流大语言模型的道德价值倾向，梳理了现有的大模型对齐算法，总结了大模型在道德价值观对齐上所面临的独特挑战.为解决这些挑战，提出了一种新的针对大模型道德价值观对齐的概念范式，从对齐维度、对齐评测和对齐方法 3个方面展望了有潜力的研究方向.最后，倡导以交叉学科为基础，为将来构建符合人类道德观的通用AI迈出了...     

动作识别与行为理解综述

随着“以人为中心计算”的兴起和生活中不断涌现的新应用,动作识别和行为理解逐渐成为计算机视觉领域的研究热点。主要从视觉处理的角度分析了动作识别和行为理解的研究现状,从行为的定义、运动特征提取和动作表示以及行为理解的推理方法3个方面对目前的工作做了分析和比较,并且指出了目前这些工作面临的难题和今后的研究方向。     

协同编辑系统CoEditor的人-人交互界面研究

通过协同编辑系统ＣｏＥｄｉｔｏｒ和传统编辑器的２种交互界面异同对比,论述了提出人－人交互界面的必要性,并指出除继承人－机交互界面的一些功能外,人－人交互界面至少还应具备下列３类新的功能,（１）支持群体协同工作,（２）了解整个协同过程,（３）“人感”的操作感觉。     

特征参数比对法在识别AI合成语音中的研究

目前,各行各业均开始大范围使用人工智能（ArtificialIntelligence,AI）合成语音,给声纹识别鉴定的实战带来了新的挑战。通过提取特征参数,利用参数比对法研究AI合成语音在声纹实战中的鉴别问题,分析AI合成语音与人类语音的差异,提出鉴别AI合成语音的方法,以解决声纹识别领域中与AI合成语音相关的问题,并探讨问题和未来发展,致力于解决声纹识别领域中与AI合成语音相关的问题,并推动声纹识别技术的应用。     

基于云管边端架构的高速AI稽查系统设计与实现

高速省界收费站撤站收费的推出,对高速收费现有模式提出了新的挑战,如何运用大数据和AI等最新信息技术进行一体化的稽核是目前高速收费稽查的重要研究课题.文章以湖南高速为例,对高速AI稽查系统的设计与实现进行研究,在对系统建设现状进行分析的基础上,给出了系统设计思路和原则,提出了基于云管边端的技术架构,并重点介绍了边缘AI一...     

人工智能治理理论及系统的现状与趋势

人工智能(Artificial Intelligence,AI)治理是解决AI挑战的主要手段.AI治理的主要目的是充分发挥人工智能带来的优势和有效降低人工智能导致的风险,并通过整合技术、法律、政策、标准、伦理、道德、安全、经济、社会等多个方面的影响因素,最终建设负责任的人工智能(Responsible Artificial Intelligence,RAI).AI治理可以从智能个体治理、智能群体治理以及人机合作与共生系统的治理等3个方面,分技术层、伦理层、社会及法律层等3个层面进行.AI治理的主要关键技术有4种:可理解性人工智能、防御对抗性攻击技术、建模及仿真技术和实时审计技术.从谷歌、IBM和微软等公司的AI治理实践来看,产业界主要关注的是RAI研发,在AI系统的可解释性、隐私保护和公平性检查等方面已出现一些专用组件工具.目前,AI治理需要研究的科学问题有:软件定义的AI治理、AI治理关键技术、大规模机器学习中的AI治理评价、基于联邦学习的AI治理、AI治理的标准制定、增强人工智能与人在回路型AI训练等.     

“以人为中心”带动网络新发展

互联网的发展是一个重要的趋势,它的衍生品带来了很多新的机会。对互联网而言,“以人为中心”的理念带动了网络新的发展,也带来了新的空间。随着获取信息的手段和能力的增强,人们对于信息的理解逐步延伸。在这个发展过程中,信息成为网络应用中更重要的内容,如何把信息、数字化的世界、物理的世界,以及人类生活有效结合起来,     

智能的限定说

“什么是智能”已成为哲学家、脑科学家、心理学家、计算机人工智能(AI)专家所共同面临的挑战。面对这一挑战,AI科学家除了应战别无选择,因为AI发展的历史和现状都已证明,对这一问题的正确回答,关系着AI的方向、成败乃至存亡。本文正是试图从AI的立场出发,借鉴AI的成果、方法,提出关于智能的一种假设,从而深刻揭示人类智能的本质及实现计算机智能模拟和智能化的可能途径。     

基于人工智能和人工生命的计算机动画

基于人工智能（AI）和人工生命（AL）的计算机动画是将AI和AL应用于计算机动画，从而实现动画的自动生成，减少动画师的参与，让动画角色具备自主性和智能性的计算机动画新方法。本文首先对国内外在这一领域的主要研究内容和成果进行了总结分类，评价了基于AI和AL的计算机动画较传统动画的特色和优势，继而指出基于AI／AL相结合的计算机动画方法是必然发展方向。最后对未来研究趋势作了展望。     

机制主义人工智能理论——一种通用的人工智能理论

现行人工智能研究取得了许多进展,但存在“深度上浅层化、广度上碎片化和体系上封闭化”的重要缺陷。这不是改进算法或者提高硬件性能所能解决的问题,而是要在科学观方法论上寻找根源。本文依据“科学观→方法论→研究模型→研究途径→基本概念→基本原理”这个顶天立地的研究纲领,总结了信息科学的科学观,提炼了信息生态方法论;在新的科学观和方法论指导下构筑了体现智能生长全过程的研究模型,发现了智能生长的共性机制,确立了机制主义研究途径,进而澄清和匡正了信息（特别是语义信息）、感知、知识、认知、基础意识、情感、理智、综合决策等一系列基础概念,总结了实现信息－知识－智能转换的一组基本原理,创建了机制主义人工智能理论。而且证明了:长期三分而立的结构主义（人工神经网络）、功能主义（专家系统）、行为主义（感知动作系统）三大人工智能理论可在机制主义人工智能理论框架内实现和谐统一;机制主义是生成基础意识、情感、理智三位一体高等人工智能的科学途径;机制主义人工智能理论是通用型的人工智能理论。     

“范式变革”引领与“信息转换”担纲:机制主义通用人工智能的理论精髓

世界人工智能研究至今一直沿用着物质科学的科学范式(科学观和方法论),因此被分解为结构主义人工智能(人工神经网络)、功能主义人工智能(物理符号系统/专家系统)和行为主义人工智能(感知动作系统/智能机器人) 3个各自为战互不相容的学派。虽然各个学派都获得了一些精彩的局部性专用性成果,却没有通用性整体性的人工智能应用,更无法形成通用的人工智能整体理论,这成为人工智能研究与发展的最大痛点。目前,通用性整体性的人工智能理论越来越成为社会的紧迫需求。为此,本文依据作者四十多年研究的积累,总结和提出了“机制主义通用人工智能理论”,特别强调了“范式变革”和“信息转换”,希望引起学界的研讨和批评。     

多媒体智能：当多媒体遇到人工智能

过去10年中涌现出大量新兴的多媒体应用和服务,带来了很多可以用于多媒体前沿研究的多媒体数据。多媒体研究在图像/视频内容分析、多媒体搜索和推荐、流媒体服务和多媒体内容分发等方向均取得了重要进展。与此同时,由于在深度学习领域所取得的重大突破,人工智能(artificial intelligence,AI)在20世纪50年代被正式视为一门学科之后,迎来了一次“新”的发展浪潮。因此,一个问题就自然而然地出现了：当多媒体遇到人工智能时会带来什么？为了回答这个问题,本文通过研究多媒体和人工智能之间的相互影响引入了多媒体智能的概念。从两个方面探讨多媒体与人工智能之间的相互影响：一是多媒体促使人工智能向着更具可解释性的方向发展;二是人工智能反过来为多媒体研究注入了新的思维方式。这两个方面形成了一个良性循环,多媒体和人工智能在其中不断促进彼此发展。本文对相关研究及进展进行了讨论,并围绕值得进一步探索的研究方向分享见解。希望可以对多媒体智能的未来发展带来新的研究思路。     

Conversational artificial intelligence in the AEC industry: A review of present status,challenges and opportunities

The idea of developing a system that can converse and understand human languages has been around since the 1200 s. With the advancement in artificial intelligence (AI), Conversational AI came of age in 2010 with the launch of Apple’s Siri. Conversational AI systems leveraged Natural Language Processing (NLP) to understand and converse with humans via speech and text. These systems have been deployed in sectors such as aviation, tourism, and healthcare. However, the application of Conversational AI in the architecture engineering and construction (AEC) industry is lagging, and little is known about the state of research on Conversational AI. Thus, this study presents a systematic review of Conversational AI in the AEC industry to provide insights into the current development and conducted a Focus Group Discussion to highlight challenges and validate areas of opportunities. The findings reveal that Conversational AI applications hold immense benefits for the AEC industry, but it is currently underexplored. The major challenges for the under exploration were highlighted and discusses for intervention. Lastly, opportunities and future research directions of Conversational AI are projected and validated which would improve the productivity and efficiency of the industry. This study presents the status quo of a fast-emerging research area and serves as the first attempt in the AEC field. Its findings would provide insights into the new field which be of benefit to researchers and stakeholders in the AEC industry.     

人工智能范式的革命与通用智能理论的创生

人工智能的研究取得了不少可喜的进展,也面临着许多严峻的挑战。为了应对这些挑战,学术界提出了各种各样的研究思路。笔者相信,每种思路都有其合理之处,都有可能获得一定的成效。不过,根据笔者的理解,人工智能面临的最深刻最严峻的挑战,是学科和时代的大转变所带来的大阵痛:人工智能范式的张冠李戴。因此,必须对人工智能的范式实施“正冠”:颠覆传统学科范式对人工智能研究的束缚,确立信息学科范式对人工智能研究的规范和引领。实施人工智能范式革命的结果,创生了本文要介绍的“通用智能理论”。     

轩辕:AI原生数据库系统

大数据时代下,数据库系统主要面临3个方面的挑战:首先,基于专家经验的传统优化技术(如代价估计、连接顺序选择、参数调优)已经不能满足异构数据、海量应用和大规模用户对性能的需求,可以设计基于学习的数据库优化技术,使数据库更智能;其次,AI时代,很多数据库应用需要使用人工智能算法,如数据库中的图像搜索,可以将人工智能算法嵌入到数据库,利用数据库技术加速人工智能算法,并在数据库中提供基于人工智能的服务;再者,传统数据库侧重于使用通用硬件(如CPU),不能充分发挥新硬件(如ARM、AI芯片)的优势.此外,除了关系模型,数据库需要支持张量模型来加速人工智能操作.为了解决这些挑战,提出了原生支持人工智能(AI)的数据库系统,将各种人工智能技术集成到数据库中,以提供自监控、自配置、自优化、自诊断、自愈、自安全和自组装功能;另一方面,通过使用声明性语言,让数据库提供人工智能功能,以降低人工智能的使用门槛.介绍了实现人工智能原生数据库的5个阶段,并给出了设计人工智能原生数据库的挑战.以自主数据库调优、基于深度强化学习的查询优化、基于机器学习的基数估计和自主索引/视图推荐为例,展示了人工智能原生数据库的优势.     

网络时代人工智能研究与发展

50多年来,人工智能在模式识别、知识工程、机器人等领域已经取得重大成就,但是离真正的人类智能还相差甚远.当今网络时代,人工智能科学要在学科交叉研究中实现人工智能的发展与创新,会更加关注认知科学、脑科学、生物智能、物理学、网络科学、计算机科学与人工智能之间的交叉渗透,重视认知物理学的研究;自然语言是人工智能研究知识表示无法回避的直接对象,要对语言中的概念建立起能够定量表示的不确定性转换模型,发展不确定性人工智能;要利用现实生活中复杂网络的小世界模型和无标度特性,把网络拓扑作为知识表示的一种新方法,研究网络拓扑的演化与网络动力学行为,研究网络智能.对这3个重要方向进行了阐述,并提出了具体建议.     

Current status,opportunities and challenges of augmented reality in education

Although augmented reality (AR) has gained much research attention in recent years, the term AR was given different meanings by varying researchers. In this article, we first provide an overview of definitions, taxonomies, and technologies of AR. We argue that viewing AR as a concept rather than a type of technology would be more productive for educators, researchers, and designers. Then we identify certain features and affordances of AR systems and applications. Yet, these compelling features may not be unique to AR applications and can be found in other technological systems or learning environments (e.g., ubiquitous and mobile learning environments). The instructional approach adopted by an AR system and the alignment among technology design, instructional approach, and learning experiences may be more important. Thus, we classify three categories of instructional approaches that emphasize the “roles,” “tasks,” and “locations,” and discuss what and how different categories of AR approaches may help students learn. While AR offers new learning opportunities, it also creates new challenges for educators. We outline technological, pedagogical, learning issues related to the implementation of AR in education. For example, students in AR environments may be cognitively overloaded by the large amount of information they encounter, the multiple technological devices they are required to use, and the complex tasks they have to complete. This article provides possible solutions for some of the challenges and suggests topics and issues for future research.     

面向AI的数据管理技术综述

人工智能技术因其强大的学习和泛化能力已被广泛应用于各种真实场景中.然而,现有的人工智能技术仍然面临着三大挑战:第一,现有的AI技术使用门槛高,依赖于AI从业者选择合适模型、设计合理参数、编写程序,因此很难被广泛应用到非计算机领域;第二,现有的AI算法训练效率低,造成了大量计算资源的浪费,甚至延误决策时机;第三,现有的A...