正文
第三次浪潮与前两次浪潮最为不同的是IBM、谷歌等科技巨头的加入，它们以雄厚资源和大兵团作战能力，雄踞龙头，通过推出沃森（Watson）系统、AlphaGo系统等智能产品，持续推高第三次浪潮。这意味着针对超级复杂大系统的智能研究已从学者们个人的沙盘推演转变为大规模团体作战，这个转变是必然的。
对于我国人工智能的发展境遇，笔者有三点管见 [2]：首先，研究的龙头应是大科技公司或综合体系，而非高校或事业单位的研究院所。龙头企业的兴起才是评判国家人工智能发展水平的重要因素。第二，国家规划有助于扶持这类综合体系的产生，但关键是领导整合能力。第三，事业型研究单位和小的高科技公司应专注薄弱及重要环节的新方法、新技术，这样会有效加快我国人工智能前进的步伐。
智能研究各分支的这番大整合，产生了不少新术语，并出现了若干可能会引起误解的新提法。为避免混淆，需要对它们进行系统梳理。
类脑计算（brain-inspired computing）最早在美国流行，是指受大脑神经元结构和机制启发而研制的计算芯片，以及由这种计算芯片组建的计算系统。类脑计算主要包括神经形态芯片和脉冲神经元芯片，它的功耗远低于CMOS芯片。2017年年初，《自然材料》（Nature Materials）报道了一种更接近大脑神经元机制的新型忆阻器芯片，或许由它组建的计算系统会更接近人类大脑智能。
类脑智能 （brain-like intelligence）在20多年前就经常出现在亚太神经网络学会的会议上。日本理化学研究所（RIKEN）前脑科学研究院院长甘利俊一（S. Amari）教授在建议用信息几何理论对脑的学习建模时，也常使用这个词。其实，它与大脑内在没有直接关系，只是人工智能的同义词。它还有另外一层意思，指模拟智能的系统至少有一些与大脑内在类似的东西（brain-like system）[3]。现今该词的用法多为后者，卷积神经网络和深度学习嵌入了维塞尔和休伯尔特征检测结构，也算一例。由此可见，可以认为类脑计算是类脑智能研究的一部分。但是，从神经科学得到的关于大脑内在的已有知识甚少，制约了类脑智能研究的发展，算得上是类脑智能的事例至今不多。
增强智能（augmented intelligence）又称脑机智能或脑机合一，源于拓展大脑对外信息输出的通道（语言、动作、表情、文字等）。先由机器如可穿戴设备直接获取大脑的信息（目前主要是脑电信号），接着对其进行不同程度的处理。增强智能可以用于控制各种伺服机构，如假肢、轮椅、各种装置、人造器官等，也可以实现机器的高水平智能活动，形成人脑—机器接续合一，甚至完成机器的信息输出，通过人的自然感官或人工通道（如附加电极）反馈，从而影响大脑的智能。增强智能不同于模拟大脑能力的人工智能，也非耸动视听的“对抗人工智能”，而是指“大脑智能+新的信息通道+人工智能”以增强或延拓大脑的智能。
群体智能 （crowd intelligence）又称群智计算，是指大量个体通过交流合作实现超越个体的智能。这个名词源于30多年前对蚁群、蜂群等行为的研究，该研究主要是观察没有中心控制的分布式初级个体如何发生自组织。如今，群体智能关注的是高级智能个体，严格地说，大脑智能就是人类群体智能在每一个体大脑上的不同体现，现实中很难看到一个孤立大脑的智能。人类智能实质就是以大量个体大脑通过通信交流和储存积累两个基本要素，再由第三个要素——某些核心人物或团体进一步归纳提炼，逐步形成的；反之，它又会影响、教育、提升每一个体的大脑智能。当今超级互联网和强大的服务器大大提升了前两个要素，而第三个要素也有人工智能、类脑智能和增强智能为帮手，人类智能的后续发展非常令人期待。
认知计算（cognitive computing）这是IBM倡导的名词，即其推出的超级计算机沃森的主题词。它是近几年IBM力推的发展方向。从概念上看，认知活动涵盖感知、识别、推理、评估、决策、理解等，构成了大脑智能的主要部分。用机器实现这一部分的计算，当然属于图灵测试认可的人工智能。IBM强调，与通常计算机的数据分析所面对的人工编程和人工制表的结构化数据不同，认知计算可以处理非结构化的大数据。其实，非结构化的数据处理也是人工智能的原有目标之一，只不过之前符号人工智能实现不了，而今可以用大数据驱动的深度学习来实现。从认知科学角度来看，认知计算是联结主义和符号主义联姻的成功案例，可大致视其为人工智能1.5。
AlphaGo是谷歌 DeepMind研制的人工智能围棋系统。2016年3月，它4∶1战胜李世石；2016年末和2017年初，它又在中国棋类网站与中日韩数十位围棋高手进行快棋对决，连续60局无一败绩。该系统也是以代表联结主义的深度学习作为驱动引擎。它利用大数据通过深度网络学习得出对当前棋局好坏的经验评估和下一步各种落子的经验概率分布；还利用大数据通过浅层网络学习得出快速走子策略，驱动蒙特卡洛树搜索进行前瞻性侦察，获得关于获胜机会的前瞻评估。此外，代表行为主义的Q学习进一步综合落子概率、经验评估和前瞻评估后，系统才真正落子。不仅如此，它还要与过去的自己对弈，反复内省之前所学，巩固赢面。从认知科学角度来看，AlphaGo是成功整合联结主义、行为主义、符号主义，甚至还有内省主义的经典案例，可以将其看作人工智能1.8。
“人工智能2.0”是中国“科技创新2030重大项目”的几个专项之一，由潘云鹤院士牵头提出，旨在发展新一代人工智能，最近已获国务院批准，将在2017年下半年进入实施。该计划提及的新方法和新技术，囊括了大数据智能、人机混合增强智能和群体智能等，敦促分类型处理多媒体数据（如视觉、听觉、文字等）迈向认知、学习和推理的跨媒体智能，将研究的理念从机器人转向更加广阔的智能自主系统。“人工智能2.0”在应用落地方面，致力于满足智能城市、智能经济、智能制造、智能医疗、智能家居、智能驾驶等从宏观到微观的智能化新需求。它的实施有望使我国的科研与产业从“跟跑”，转变成“并跑”甚至“领跑”。
多层最小平方自组织学习 图(a)是一个监督和自组织双向学习的模型，类似现今深度神经网络学习的典型方法[4,5]。为了便于理解，将图(a)类比为图(b)。图(b)中，数据x类似光线，从输入层传入，在到达第一个层间界面时，一部分穿过进入下一层，另一部分反射回来，视为x的一个重建。可以通过改变媒介性质，使得重建误差最小。对于穿入第二层的信息，情况相似，不过要注意的是，第二层的反射也可以穿过第一层并与第一层的反射叠加。逐层类似，最后直到监督层。需要指出的是，这个类比是粗糙的，实际情况更为复杂。
