劉經南院士論述自然智慧與人工智慧的關係

劉經南認為可以從自然智能和時空觀來理解定義人工智慧 （《測繪學報》2020年第四期 劉經南,等:《智能時代泛在測繪的再思考》 ）。

目前,資訊網路正朝著物聯網和泛在網路演進.它由大數據、更強大的運算能力及更智慧的運算方法三者共同驅動,產生了新一代人工智慧, 即電腦具備學習和思考等能力.同時,為實現電腦網路對物理世界的智慧管理和協同控制,資訊物理系統CPS(亦即泛在網)應運而生, 並與人工智慧相融合,使社會生產和消費加速從工業化到自動化、智能化轉變,人類因此進入智能時代. 智能是自然界的生物感知、認知、適應環境的生存能力.生物擁有智能,是因為它可以感知外界變化,通過對變化利弊的認知,做出決策後,進行自身調整,以實現趨利避害.要實現這一目標, 需找到準確的地點、時間、方位、姿態等,來進行自我調整.於是,自然界生物智能的核心就是,在感知、認知外界變化的精準時空位置基礎上,做出趨利避害的選擇和行為。

因此,自然智能可定義為生物感知外界變化,學習、記憶形成經驗,上升為認知,為適應外界變化和自己安全需求進行決策, 並在準確的時間和地點,調控自己或局部地改變外界的狀態,以實現趨利避害的目標. 智能可以解決當前的問題,而智慧則能夠解決未來和未知的問題.智慧需要透過感知和認知所形成的經驗和知識來進行推理,預測未來某個時間、地點上的外界變化,並預先進行自我調控, 改變自己或局部外界的狀態,以實現趨利避害. 這種調控往往是在精準的時空位置基礎上,精準協調多個行為和動作來改變外界.因此,定位、導航、知時節的能力就是生物與生俱來的實現趨利避害的生存能力,屬於自然智能.從此意義上說, 測繪也就是感知、記錄並表達某一時間和地點發生的事件,然後輔助認知、交流和決策的過程和手段,是人類定位、導航和授時等智能行為在技術方法上的延伸.

綜上,智慧與智慧是生物界才有的能力,人工智慧就是將自然界的生物智慧(包括人類自己的智慧、智慧)透過科技與方法賦給機器與環境,使機器與環境能夠感知、認知外界的變化,並進行相應趨利避害的管理與調控。

定義自然智慧的基礎上來定義人工智慧,比目前電腦界用圖靈測試「讓機器像人一樣的感知和思考」等人工智慧的定義更準確、更普適,它體現了自然智能包含的感知、學習、認知、決策、調控甚至情感等６類智能的內涵.而人工智慧至少應包括除情感外的５類智能內涵.其實,動物界的感知智能和群體智能在許多方面遠遠超過了人類，將動物界的感知智能和群體智能賦給機器和環境,就是人工智能的一大研究方向。

根據CSDN作者的定義：

自然智能（Natural Intelligence， NI），指人透過大腦的運算和決策產生有價值的行為。這些行為包括了人的大腦思考及決策、耳朵聽力及判斷、眼睛視覺及判斷、鼻子嗅覺及判斷、皮膚觸覺及判斷等，體現在人行為的各個層面。

人工智慧（Artificial Intelligence， AI），透過機器取代人，實現人擁有的智慧行為。這句話可以這樣重寫：主要指的是電腦、資料和相關軟體，甚至可以涵蓋相關的智慧型終端設備。目前人工智慧應用較成熟的技術方向包括機器博弈（智慧機器人）、聲音辨識、影像圖片辨識（文字、指紋、人臉等）、感測器等提供資料的分析與預測。人工智慧研究的主要學科涵蓋電腦科學、資訊理論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等。

機器學習(Machine Learning， ML),是演算法和統計模型的科學研究，電腦系統使用它來有效地執行特定任務，無須使用明確的指令，而是依賴於模式和推理。它被視為人工智慧的一個子集，也是人工智慧的核心。機器學習必須藉助資料進行「學習」。機器學習可依形式分為監督式學習、半監督式學習、無監督學習和強化學習。

深度學習（Deep Learning， DL）,（也稱為深度結構化學習或分層學習）是基於學習資料表示的機器學習方法系列的一部分，而不是特定於任務的演算法。深度學習受生物神經系統中資訊處理和通訊模式的啟發，但與生物大腦的結構和功能存在差異。目前，深度學習架構，如深度神經網絡、深度置信網絡和遞歸神經網絡， 已應用於計算機視覺、語音識別、自然語言處理、音頻識別、社交網絡過濾、機器翻譯、生物信息學、藥物設計和醫學影像分析等領域。

（以上概念及其關係為CSDN部落客「簡單小苦瓜」的原創，原文連結：https://blog.csdn.net/weixin_44482877/article/details/122273597）

以上文選，是筆者試探將矽基生物與碳基生命做為一個整體，或探討腦機介面的認知方法論，從而理解仿生學、大腦神經網路的一個途徑。

以上是劉經南院士論述自然智慧與人工智慧的關係的詳細內容。更多資訊請關注PHP中文網其他相關文章！