人工智能的利与弊（优质5篇）

【写作参考】阿拉题库漂亮网友为您精选的“人工智能的利与弊（优质5篇）”文档资料，供您写作参考阅读之用，希望对您有所帮助，喜欢就复制下载吧!

人工智能的利与弊【第一篇】

【摘要】本文以人工智能为研究主体，探究出其在证券投资领域的应用，来分析证券投资领域人工智能对其的影响。并在人工智能的智能投顾、智能交易和智慧经营等几方面做出概述，最后针对完善人工智能在证券市场的发展基础上提出改善对策，为我国证券市场的持续发展指明方向。

【关键词】人工智能;金融;证券投资;应用分析

一、人工智能+金融在证券投资领域应用的意义

（一）提升工作效率

在风控中，利用用户数据积累和人工智能技术，评估贷款人贷前还款意愿和还款能力，贷中的异常行为监控以及贷后信用评分的评定;在征信中，基于大数据和人工智能技术可以实现智能征信审批，极大地提高工作效率。证券市场借助人工智能技术对贷款人的还款能力提前做出评估，进而针对性的作出评估，风控在证券市场的应用可以极大的对工作效率做出提升。具体表现在以下方面。

第一，人工智能加金融更具智能化，借助智能化工具，可以梳理信息流、社会数据以及各个资金流之间的关联，全面分析金融微观维度，借助智能化项工具，也会第一时间找寻潜在的风险，从而通过跨市场关联探究来强化流动管理，明确风险传播路径，对金融风险进行识别，来提高其具备的系统性。

第二更具合规性。例如人工智+金融可以涵盖现有制定的各项条规、法律、流程文件和内部控制制度，利用时下智能和大数据技术来进行分析对比，提升合规以及适用性，在应用程序编程接口向业务流程进行嵌入，通过对合规成本的降低来提高合规能力。

（二）帮助市场做好投资决策

市场投资决策指的是各个投资主体提前作出论证和调查，为最终的活动投资决策提供参考依据。投资决策在市场活动决策中至关重要，直接决定着企业的未来。有效的做出市场决策可以辅助企业预防风险，未雨绸缪，对应的，错误的投资决策会加大企业面临的金融风险，严重还会影响企业的资金周转。

与此同时，人工智能还具备自动投资能力。华夏基金曾指出“现有机器都具备深度学习能力，克服了人性对恐惧和贪婪的弱点，也不会像人类一样受到外部情绪化的影响”。人工智能机器具备自行交易等优势，会总结之前失败的经验，在顺应科技特征基础上提升自主探究学习的深度和广度，也会收集历史数据，拓宽投资者的交易模型，在互相对抗中提出最优质的交易对策。所以人工智能在市场投资决策上属于良好的辅助工具。

（三）降低人力成本

在大规模知识处理基础下，智能客服衍生而来，它属于一项面向各行各业应用的智能客服，不但可以为企业提供各项管理技术，还能连接企业和用户，创建快捷有效的基于自然语言基础上的技术手段，在为企业提供管理技术的同时，统筹各项分析信息。

在金融或商业活动中生成的大量数据，包括结构化和非结构化数据，必须转换为可读、可见和交互式数据，而非人工智能。人工智能为企业转型和产品创新提供了科学的决策，进而推动了金融智能的发展。目前，智慧投资能力是人工智能在金融投资领域的一项重要成就。智能投资是基于投资组合理论，如资本资产定价模型、套利定价模型等。相关算法用于为具有不同风险偏好的用户提供智能化、自动化的投资组合决策或资产配置建议。招商证券市场的“莫杰智能投资”和工商证券市场的“A1投资”都是在人工智能技术的基础上发展起来的，取得了可喜的成绩。中信证券、海通证券、华泰证券等国内大型证券公司也利用人工智能金融技术的东风，在智能投资顾问领域开展了人工智能定量交易，取得了顯著的成就。

二、人工智能在证券投资市场上存在的问题

（一）人工智能在业务运用方面没有得到实质性的突破

现阶段我国证券投资市场工作的主体依旧是传统业务，人工智能的应用被市场看做是“锦上添花”，或者是没有对人工智能做出一定的关注，究其原因是因为第一，在证券市场内部，传统业务依旧属于主要的业务利润来源，很多工作人员因为受到业绩考核以及外部竞争的压力导致在日常经营中无法兼顾其他;第二是因为人工智能的应用还没有基于风险和成本的角度上做出考量，还比较倾向于待同业取得进步之后再继续跟进。因为以上等因素，使得我国证券市场在人工智能创新上没有取得本质性的突破，无法改变传统的生产形式，由此也会对新技术的应用产生一定的影响。

（二）缺少专业的研发人员

证券市场内部信息技术部门日常的主要职责就是负责内部系统的开发和对人工智能、大数据以及云计算等技术的维护，但是实际发展中这些内部人员缺少对新技术的研发力度，同时内部的信息技术部门人员普遍缺乏对业务的了解，直接导致各大证券市场缺少专业的人工智能改造人员。虽然可以借助技术优势的互联网公司，但是证券市场为了对自身核心内容做出保护，不会将自身业务内容向互联网公司做出告知，一定程度上限制了技术的开发水平。人工智能人才不足，基础层人才储备尤其薄弱，是我国在该领域仍然落后于欧美国家的一个主要原因。

（三）监管体系不完善，存在多种安全隐患

虽然人工智能支撑能力较强，但是也会加大金融局部性风险，例如一些不成熟的人工智能不但会提升系统风险系数，还会对金融市场的稳定和谐造成影响。在证券金融领域，目前对人工智能监管还存在诸多问题，具体体现在：第一，监管的对象过于复杂，无法有效的界定各个责任主体，主要原因是，在人工智能应用阶段中涉及的参与主体较多，不但包含向证券领域提供人工智能技术的部门、应用人工智能机构以及设计人工智能模型以及系统的公司等等。与此同时，人工智能基于深度学习基础上具备自学习的作用，但是因为在技术创建中不够公开透明，所以，我国人工智能证券应用存在问题时，无法第一时间确定各个责任方。虽然在行业中目前已经构建了有效的监管罚则，但是因为没有确定具体的适用条文，基于法律层面也无法界定各个责任方应当承担的责任。

第二，随着近些年金融技术的不断发展，也对目前证券监管队伍提出了更高的标准要求，要求有关监管人员不但要了解人工智能基础知识，明确人工智能系统的运作流程，也要评估人工智能的系统算法，要加深对证券金融领域的认知程度。但是目前我国监管部门有关队伍综合素质还有待加强，在应用中还存在着部分监管人员不清晰人工智能系统算法和基础知识等问题，都对人工智能技术的有效应用造成了危害。

三、完善人工智能在证券领域的应用分析

（一）适当转变经营策略，不断创新适应时代发展

1.开拓新的业务增长点

现阶段证券市场重要的利润增长点就是中间业务，针对我国大部分市场来说，资产负债依旧属于中间业务的重要来源， 证券市场与发达国家的55%相比，我国证券市场中间业务占总收入比较低。基于这一背景，我国证券市场就要提高中间业务的创新力度，借助对托管业务、投资证券市场业务的开展，来进行债卷联合承销模式，更好的对中间业务做出创新。

其次就要实施混业经营。目前混业经营已经成为了世界金融发展下的主要趋势，对于证券市场来说，贷款利息和股权投资收益之间具有较大的差距，这就使得证券市场一定要加快混业经营的开展速率，借助对客户资源渠道优势和证券市场品牌优势的利用，更好的提升证券市场的营业利润。

2.组建大数据库

在当代电子商务市场营销环节，应用大数据已经成为了主要的手段，并且随着信息数据的不断发展，证券市场本身已经构建了资源，规模较大的客户数据信息库。对比于互联网企业具备的优势较多。比如构建大数据库，证券市场的客户在网点进行业务时，大数据库就会将客户有关的职业、身份等信息做出保存，为证券市场预留有效的数据资源，同时也会降低大量的成本。因此，对于证券市场来说，如何总结客户资源、深度挖掘客户信息、在调研客户个性化需求基础上展开产品销售也是未来需要关注的话题。在此背景之下，建议我国证券市场要构建大数据库，来拓宽客户资源，提升业务分析能力，将证券市场具备的服务导向作用充分的发挥出来，融合各项数据信息技术，促进金融市场的不断发展。

（二）加大人工智能专业人才的培养力度

目前，我国还存在着人工智能缺少复合型人才等问题，很多需要的技术人才都需要于外国引进，本国在对高层次人才培养力度有待提升。依据数据显示：全球共计有370所人工智能方向的高校，其中美国有170所，我国仅仅不到30所，而且培养出来的复合型技术人才也无法顺应各个智能企业的需求。

当前属于知识引领的时代，归根结底，各个企业，各个行业竞争的主要需求依旧是人才和技术。在世界领域上，针对人工智能复合型高端人才的战争已经打响，不论是国际领域、互联网高科技企业还是传统行业以及多个高校之间，目前对人才的争夺都非常激烈。对于我国高校来说，如何在之后提高人才培养力度，构建完善的培育机制至关重要，为了促进人工智能+金融的长足发展，我国要在之后加大创新投入的资金和保障，为培养复合型高端人才奠定基础。

（三）推动政府构建行业标准化规范，加强风险防范力度

作为市场的基石，证券市场在之后也要强化和政府之间的沟通力度，和政府部门一起尽快的构建完善规范的金融体制行业标准，在其中融入it审计、评估机制、数据管理以及开发测试等标准内容，帮助金融统计、金融监管以及风险防控部门有标可依。同时，证券市场也要提前对客户实际需求做出调研，结合现实经营现状来开发产品，也要提前评估客户数据，着重分析客户的投资理念、消费理念以及客户资料等，在了解客户实际需求基础上，发展和优化人工智能技术，来为不同客户提供个性化的需求方案。

四、结论

本文以人工智能为主体，通过对现阶段在证券投资市场应用分析，来分析出存在的问题，最后针对性的提出改善对策，本文的第一部分人工智能在证券市场的应用，介紹了带给市场的积极意义;第二部分找寻出人工智能在市场上存在的问题;第三部分针对存在的问题提出完善对策。通过本文的阐述概述出人工智能在证券投资市场上的应用，进而为有关人员提供发展方向。

人工智能的利与弊【第二篇】

我学习人工智能已经快一年的时间，有许多心得可以和大家分享一下。人工智能，英文是Artificial Intelligence，简称AI。人工智能，最早是由著名计算机科学家图灵在20世纪50年代提出的，就是著名的“图灵测试”。最近几年，随着深度学习发展，人工智能被运用在各行各业，因此有人把人工智能称为第四次科技革命，他将给人们的生活带来翻天覆地的变化。

人工智能怎么学习呢?

的基础是数据，是对数据进行挖掘、训练和应用。所以基础中的基础是数学，你得要先掌握高等数学、线性代数、概率论和数理统计等相关知识。

2.学习Python语言。Python最近几年非常火，学习的人非常多，甚至有些地区小学也开设这门课。为什么Python会迅速传红呢?首先，Python编程的代码量只有Java的1/5不到，简单易学。其次，Python的功能强大，写爬虫、游戏开发、自动化运维、机器学习和人工智能领域。最后，Python拥有丰富强大的库，如前端开发的Flask和Django、图形界面的tkInter、矩阵计算numpy、绘图的matplotlib等等。

3.学习各类机器学习和算法模型。这其中主要包含监督学习和非监督学习，监督学习中有：线性回归、逻辑回归、随机森林、SVM、决策树、等。非监督学习有：聚类、KMeans、DBscan等。

4.深度学习可以说是AI的精髓。深度学习主要流行的框架有：Tensorflow、Caffe、MXNet、Keras、Pytorch等。

我觉得自学，还是非常费劲的，效果不一定好，最好有老师指导，否则进展很慢，可以先跟教学视频学习，看书实操，做一些具体的项目等。

人工智能的利与弊【第三篇】

当前，我国经济发展处于新旧动能转换关键期，人工智能对于我国抢占科技制高点，推动供给侧结构性改革，实现社会生产力新跃升，提高综合国力和国际竞争力具有重要意义。2017年7月，国务院发布了《新一代人工智能发展规划》，提出通过智能金融加快推进金融业智能化升级;通过建立金融大数据系统，提升金融多媒体数据处理与理解能力;创新智能金融产品和服务，发展金融新业态;鼓励金融行业应用智能客服、智能监控等技术和装备，建立金融风险智能预警与防控系统。人工智能将对我国金融业的转型升级、提升竞争力产生深远影响。

人工智能概述

定义

人工智能(ArtificialIntelligence，简称AI)是研究使用计算机模拟、延伸和扩展人的智能的理论、方法和技术的新兴科学。作为计算机科学的重要分支，人工智能发展的主要目标是使计算机能够胜任通常需要人类智能才能完成的复杂工作。

主要技术及应用

人工智能在技术层面主要包括算法和利用算法开发的相关应用。神经网络、遗传算法和隐马尔柯夫链是目前使用较为广泛的算法，建立在上述算法之上的人工智能核心应用技术主要包括深度学习、自然语言处理和计算机视觉。其中，深度学习是人工智能技术的重要领域，旨在建立可以模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据。自然语言处理是指让计算机能够听懂、理解人类的语言，主要包括语音识别和语义识别。语音识别是让机器能够“听懂、会说”人类的语言，语义识别是让机器能够理解文字后面的真实内涵。计算机视觉识别技术是人工智能核心技术之一，主要有生物特征识别、物体与场景识别。生物特征识别主要包括人脸识别、指纹识别、虹膜识别等，已广泛应用于金融、安防等领域;物体与场景识别是研究人类如何感知和加工复杂的真实环境信息，主要应用于军事上的武器投射、医疗上的影像扫描辅助诊断及工业上的无人驾驶等领域。

发展历程

按照人工智能的发展程度，大致可分为三个阶段：

第一阶段：计算智能。机器具备像人类一样的记忆能力和计算能力，能够存储和处理海量数据，帮助人类完成大量的存储和复杂的计算，这一步是感知和认知的基础。

第二阶段：感知智能。机器具备像人类一样的感知能力，帮助人类完成“看”和“听”的简单工作。目前人工智能发展正处在感知智能阶段，语音识别、理解和图像识别正在快速发展。

第三阶段：认知智能。机器具备像人类一样的学习和思考能力，能够独自做出决策和采取行动，能够部分或全部替代人类的工作。认知智能是目前机器与人差距最大的领域，也是目前各大科技巨头都在迫切寻找突破的领域。

人工智能的产业链

人工智能的产业链包括基础支撑层、技术应用层和方案集成层。基础支撑层是支撑人工智能运行的基础设施，包括数据采集用的传感器，数据处理用的CPU、GPU等硬件，以及实现人工智能算法等软件。技术应用层是在基础支撑层提供的软硬件基础之上，有针对性开发的技术应用，包括语音识别、自然语言处理、图像识别、预测规划和智能控制等。方案集成层是将不同细分领域的技术应用集成、优化、完善，形成更大领域的综合系统解决方案,比如智慧城市、智慧金融、智慧医疗等。完整集成的智能服务是人工智能未来的发展方向。

人工智能产业发展情况

全球人工智能产业发展情况

据赛迪预计，2018年全球人工智能市场规模将达到2700亿元，年复合增长率达17%。2012年至2016年的5年间，全球人工智能企业新增5254家，是2012年的倍;全球人工智能融资规模约达224亿美元，仅2016年的融资规模就达到亿美元。

从全球范围来看，人工智能领先的国家主要有美国、中国及其他发达国家。截至2017年6月，全球人工智能企业总数达到2542家，其中：美国拥有1078家，占42%;中国其次，拥有592家，占23%。其余872家企业分布在瑞典、新加坡、日本、英国、澳大利亚、以色列、印度等国家。美国在AI产业布局方面全面领先其他国家，在基础层、技术层和应用层，尤其是在算法、芯片和数据等产业核心领域，积累了强大的技术创新优势。

国外科技巨头公司包括谷歌、微软、英特尔、FACEBOOK、IBM等均已经提前布局人工智能产业链。国外科技公司主要聚焦于人工智能基础层，重点研究人工智能的核心算法，并在应用层全面推进人工智能商业化。IBM、谷歌在人工智能核心算法、智能搜索、无人驾驶、医疗诊断等领域率先布局且行业领先;FACEBOOK、微软、苹果侧重于社交应用，重点布局语音识别、图像识别、智能机器人等领域;英伟达、英特尔谋求业务转型，重点研发适合深度学习的AI芯片。

我国人工智能产业发展情况

据报道，2016年中国人工智能市场规模快速增长，全年达239亿元，预计2018年将达到381亿元，复合增长率达%。《新一代人工智能发展规划》预计：我国2020年人工智能核心产业规模超过1500亿元，带动相关产业规模超过1万亿元;2025年核心产业规模超过4000亿元，相关产业规模超过5万亿元;2030年核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。

目前，我国起步较早、技术较为成熟的人工智能技术公司主要以百度、阿里巴巴和腾讯三家互联网企业为代表(以下简称“BAT”)。BAT不仅开展人工智能技术的基础性研究工作，而且本身具备强大的智能金融应用场景，因此处于人工智能金融生态服务的顶端。阿里巴巴旗下的蚂蚁金服在人工智能金融领域的应用最为深化。

蚂蚁金服已将人工智能运用于互联网小贷、保险、征信、智能投顾、客户服务等多个领域。根据蚂蚁金服公布的数据，网商银行在“花呗”与“微贷”业务上，使用机器学习把虚假交易率降低了近10倍;基于深度学习的OCR系统使支付宝证件校核时间从1天缩短到1秒，同时提升了30%的通过率。此外，蚂蚁金服联合华为、三星等共同发起了互联网金融身份认证联盟(IFAA)，现已成为国内市场上支持设备与用户最多的互联网金融身份认证行业标准。

除BAT等金融智能生态企业外，一些传统金融机构、金融科技公司在人工智能领域加大投入，在人工智能的垂直细分领域得到了快速发展。

人工智能在金融领域的应用情况

目前，人工智能技术在金融领域应用的范围主要集中在身份识别、量化交易、投资顾问、客服服务、风险管理等方面。

客户身份识别

客户身份识别主要是通过人脸识别、虹膜识别、指纹识别等生物识别技术快速提取客户特征进行高效身份验证的人工智能应用。技术的进步使生物识别技术可广泛应用于银行柜台联网核查、VTM机自助开卡、远程开户、支付结算、反欺诈管理等业务领域中，可提高银行柜台人员约30%的工作效率，缩短客户约40%的平均等待时间。互联网银行已将人脸识别技术视为通过互联网拓展客户的决定性手段;传统金融机构也开始重视人脸识别技术的应用。

智能量化交易

量化交易是指通过对财务数据、交易数据和市场数据进行建模，分析显著特征，利用回归分析等算法制定交易策略。传统的量化交易方法严格遵循基本假设条件，模型是静态的，不适应瞬息万变的市场。人工智能量化交易能够使用机器学习技术进行回测，自动优化模型，自动调整投资策略，在规避市场波动下的非理性选择、防范非系统性风险和获取确定性收益方面更具比较优势，因此在证券投资领域得到快速发展。

智能投顾

智能投顾又称机器人投顾(Robo-Advisor),主要是根据投资者的风险偏好、财务状况与理财目标，运用智能算法及投资组合理论，为用户提供智能化的投资管理服务。智能投顾主要服务于长尾客户，它的应用价值在于可代替或部分替代昂贵的财务顾问人工服务，将投资顾问服务标准化、批量化，降低服务成本，降低财富管理的费率和投资门槛，实现普惠金融。

智能客服

智能客服主要是以语音识别、自然语言理解、知识图谱为技术基础，通过电话、网上、APP、短信、微信等渠道与客户进行语音或文本上的互动交流，理解客户需求，语音回复客户提出的业务咨询，并能根据客户语音导航至指定业务模块。智能客服为广大长尾客户提供了更为便捷和个性化的服务，在降低人工服务压力和运营成本的同时进一步增强了用户体验。

征信反欺诈

知识图谱、深度学习等技术应用于征信反欺诈领域，其模式是将不同来源的结构化和非结构化大数据整合在一起，分析诸如企业上下游、合作对手、竞争对手、母子公司、投资等关系数据，使用知识图谱等技术可大规模监测其中存在的不一致性，发现可能存在的欺诈疑点。

信贷决策

在信用风险管理方面，利用“大数据+人工智能技术”建立的信用评估模型，关联知识图谱可以建立精准的用户画像，支持信贷审批人员在履约能力和履约意愿等方面对用户进行综合评定，提高风险管控能力。

主要问题和政策建议

主要问题

智能金融的应用领域有限。目前人工智能已在身份识别、智能客服、量化分析等金融领域取得了一定进展，但除人脸识别技术成熟度较高，具备大范围推广使用条件之外，其他应用还比较单一、行业大规模应用尚需时日。德勤发布的《银行业的AI数字化银行报告》显示，只有15%的金融机构在使用AI与同行竞争，银行业对AI的部署远远落后于其他行业。

计算机处理能力不足。金融行业是智力密集型行业，人工智能在金融行业的模型算法非常复杂，数据训练工作量很大。主流的深度神经网络算法要求计算机具备先进的半导体、微处理器和高性能计算技术，能够并发处理超大规模数据，目前的计算机处理能力虽有长足进步，但应付复杂人工智能应用仍有待提高。尤其是我国人工智能的硬件GPU依赖进口，不仅成本高，还面临着发达国家的贸易壁垒。

金融数据共享性不足。机器学习是人工智能的核心技术，需要依靠大量数据训练，训练的准确性与数据量成正比。金融行业的数据积累量较大，但除公开的金融市场交易数据外，各家金融机构出于金融数据安全考虑，很难主动向金融科技公司开放其内部海量数据，在一定程度上制约了人工智能在金融领域的创新应用。

政策建议

加强智能金融产业创新体系建设，加快推动应用创新。未来可考虑设立一些国家级智能金融创新中心和重点实验室，加强智能金融标准化工作，研究专利合作授权机制和风险防控机制;推动智能感知、模式识别、智能分析、智能控制等智能技术在智能金融领域的深入应用;促进传统金融机构加大对智能金融的投入，提升人工智能技术创新和应用水平。

加快智能金融关键技术研发，夯实基础产业能力。加快研发深度学习、增强学习、迁移学习等基础算法;加强计算机视听觉、生物特征识别、自然语言理解、机器翻译、智能决策控制等共性技术的研发;加快发展面向智能金融的计算芯片、智能传感器、操作系统、存储系统、中间件、重点设备等基础软硬件、开发平台;研发下一代通信网络、物联网、网络安全等关键网络支撑技术。

加快智能金融大数据基础设施建设。可考虑由监管部门牵头，协调各方利益，逐步推动建立智能金融大数据系统，为将来人工智能在金融领域的应用推广夯实数据基础。

加强智能金融领域的法规政策研究。与其他新技术一样，人工智能技术也是一把“双刃剑”，在促进经济社会发展的同时，也可能带来改变就业结构、冲击法律与社会伦理、侵犯个人隐私、挑战国际关系准则等问题。在大力发展智能金融的同时，必须高度重视可能带来的安全风险挑战，加强前瞻预防与约束引导，最大限度地降低风险，确保智能金融走上安全、可靠、可控的发展轨道。未来须围绕人工智能在金融领域的应用可能遇到的法律法规问题开展前瞻性研究，为新技术的快速应用奠定法律基础。加强人工智能在金融领域的应用带来的合法合规性问题的研究。

人工智能的利与弊【第四篇】

一、人工智能的定义解读

人工智能(Artificial Intelligence),英文缩写为AI，也称机器智能。“人工智能”一词最初是在1956年的Dartmouth学会上提出的。它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。从计算机应用系统的角度出发，人工智能是研究如何制造智能机器或智能系统来模拟人类智能活动的能力，以延伸人们智能的科学。

人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能与人类智能相似的方式做出反应的智能机器。人工智能的发展史是和计算机科学与技术的发展史联系在一起的，目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机,人工智能在21世纪必将为发展国民经济和改善人类生活做出更大的贡献。

二、人工智能的发展历程

事物的发展都是曲折的，人工智能的发展也是如此。人工智能的发展历程大致可以划分为以下五个阶段：

第一阶段:20世纪50年代，人工智能的兴起和冷落。人工智能概念在1956年首次提出后，相继出现了一批显著的成果，如机器定理证明、跳棋程序、通用问题s求解程序、LISP表处理语言等。但是由于消解法推理能力有限以及机器翻译等的失败，使人工智能走入了低谷。这一阶段的特点是重视问题求解的方法，而忽视了知识的重要性。

第二阶段:60年代末到70年代，专家系统出现，使人工智能研究出现新高潮。DENDRAL化学质谱分析系统、MYCIN疾病诊断和治疗系统、PROSPECTIOR探矿系统、Hearsay-II语音理解系统等专家系统的研究和开发，将人工智能引向了实用化。并且，1969年成立了国际人工智能联合会议(International Joint Conferences onArtificial Intelligence 即IJCAI)。

第三阶段:80年代，随着第五代计算机的研制，人工智能得到了飞速的发展。日本在1982年开始了“第五代计算机研制计划”，即“知识信息处理计算机系统KIPS”，其目的是使逻辑推理达到数值运算那么快。虽然此计划最终失败，但它的开展形成了一股研究人工智能的热潮。

第四阶段:80年代末，神经网络飞速发展,。1987年，美国召开第一次神经网络国际会议，宣告了这一新学科的诞生。此后，各国在神经网络方面的投资逐渐增加，神经网络迅速发展起来。

第五阶段:90年代，人工智能出现新的研究高潮。由于网络技术特别是国际互连网技术的发展，人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研究。不仅研究基于同一目标的分布式问题求解，而且研究多个智能主体的多目标问题求解，将人工智能更面向实用。另外，由于Hopfield多层神经网络模型的提出，使人工神经网络研究与应用出现了欣欣向荣的景象。

三、人工智能的多元应用

1、人工智能在管理系统中的应用

人工智能应用于企业管理的意义主要不在于提高效率,而是用计算机实现人们非常需要做,但工业工程信息技术是靠人工却做不了或是很难做到的事情。把人工智能应用于企业管理中,以数据管理和处理为中心,围绕企业的核心业务和主导流程建立若干个主题数据库,而所有的应用系统应该围绕主题数据库来建立和运行。也就是说，将企业各部门的数据进行统一集成管理,搭建人工智能的应用平台,使之成为企业管理与决策中的关键因子，这些正体现了人工智能在企业管理中的巨大价值。

2、人工智能在工程领域中的应用

人工智能在地质勘探、石油化工等工程领域也发挥着非常重要的作用。早在1978年，美国斯坦福国际研究所就研发制成矿藏勘探和评价专家系统“PROSPECTOR”,该系统用于勘探评价、区域资源估值和钻井井位选择等,是工程领域的首个人工智能专家系统,其发现了一个钼矿沉积,价值超过1亿美元。

3、人工智能在技术研究中的应用

人工智能在电子技术领域的应用可谓由来已久。随着网络的迅速发展,网络技术的安全已经成了人们关心的重点,因此必须在传统技术的基础上进行网络安全技术的改进和变更,大力发展数据挖掘技术、人工免疫技术等高效的AI技术,开发更高级的AI通用与专用语言和应用环境以及开发专用机器,而人工智能技术则为其提供了一定的可能。

四、人工智能的未来思考

人工智能的近期研究目标在于建造智能计算机，用以代替人类去从事各种复杂的脑力劳动。正是根据这一近期研究目标，人们才把人工智能理解为计算机科学的一个分支。当然，人工智能还有它的远期研究目标，即探究人类智能和机器智能的基本原理，研究用自动机(automata)模拟人类的思维过程和智能行为。这个长期目标远远超出计算机科学的范畴，几乎涉及自然科学和社会科学的所有学科。如今，人工智能已经进入了21世纪，其必将为发展国民经济和改善人类生活做出更大的贡献。但是，从人工智能目前的发展现状来看，其研究也存在一定的问题，这些主要表现在以下三个方面：

1、宏观与微观隔离

一方面是 哲学、认知科学、思维科学和 心理学等学科所研究的智能层次太高、太抽象;另一方面是人工智能逻辑符号、神经 网络和行为主义所研究的智能层次太低。这两方面之间相距太远，中间还有许多层次尚待研究，目前还无法把宏观与微观有机地结合起来和相互渗透。

2、全局与局部割裂

人工智能是脑系统的整体效应，有着丰富的层次和多个侧面。但是，符号主义只抓住人脑的抽象思维特性;连接主义只模仿人的形象思维特性;行为主义则着眼于人类智能行为特性及其进化过程。这就导致了三者之间存在着明显的局限性。因此，必须从多层次、多因素、多维和全局观点来研究人工智能，才能克服上述局限。

3、理论与实际脱节

大脑的实际 工作，在宏观上已知道不少;但是智能的千姿百态，变幻莫测，复杂的难以理出头绪。在微观上，我们对大脑的工作机制知之甚少，似是而非，这也使我们难以找出规律。在这种背景下提出的各种人工智能理论，只 是部分人的主观猜想，能在某些方面表现出“智能”就已经算是相当的成功。

五、结语

人工智能一直处于 计算机技术的前沿，其研究的理论和发现在很大程度上将决定计算机技术的 发展方向。人工智能研究与 应用虽取得了不少成果，但离全面推广应用还有很大的距离，还有许多问题有待解决，且需要多学科的研究专家共同合作。因此，要想从根本上了解人脑的结构和功能，完成人工智能的研究任务，就必须去寻找和建立更新的人工智能框架和理论体系，进而为人工智能的进一步发展奠定坚实的理论基础。我们坚信在不久的将来，人工智能技术的应用与发展必将会给人们的生活、工作和 教育等带来更大的影响。

人工智能的利与弊【第五篇】

人工智能现状和发展

摘要：人工智能属于一门综合性的边缘学科。诞生时间为 20 世纪 50 年代左右，大概历经了四个时代，第一个时代为神经网络时代，第二个时代为弱方法时代，第三个时代为知识工程时代第四个时代为知识工业时代。它在发展过程中包含的基础有计算机科学，信息论，神经心理学，哲学，统计学等多种学科。至今为止，人工神经网络技术和遗传算法都已经应用于工业，军事等领域。

关键词：人工智能发展;识别率;人脸识别;遗传算法

1 智能计算机的发展

人工智能简述

人工智能[1](Artificial Intelligence，简称AI)是计算机学科的一个分支，属于为世界三大尖端技术空间技术、能源技术、人工智能其中之一，最近几十年来，人工智能的发展非常的迅速， 在很多的地方都得到了应用，尤其是在科学领域。

人工智能源自于对人的模仿，其最终目的是服务于人类，但是，就像世界上没有相同的两片叶子，也没有完全相同的两个人，也就像没有一家服务企业可以满足一个国家人的所有要求一样，人工智能产业中也会涌现许多实力强大的企业，一些企业也会在某个领域内形成自己的竞争优势，甚至会出现垄断型企业。人工智能产业在国内外都还是处于刚刚发展阶段，人工智能产业的竞争也会伴随不断增长变化的需求而演化，企业也会为了满足并提升社会大众越来的生活品质而不断进步，不断完善自身。

人工智能研究的发展概况

未来，随着计算机和其他科学技术的不断进步，人工智能的发展也将要不断面对越来越多的艰难挑战。在我们的日常生活中，人们对人工智能技术的期望一直都拥有着很高的热情和期盼，但是，在客观事实上，人工智能技术进步不但要考虑软件、硬件技术的限制，也还要考虑人们对自身能力理解程度的制约，因此未来人工智能技术将在不断限制的过程中不断突破不断成长，从而保持着逐步的发展。比如人脸识别技术，当该技术以一次问世时，人们对人工智能充满了信心，但当大多数人亲自使用时，却发现它对人脸的识别率还是不够高;

近年来，人脸识别技术得益于机器学习与大数据，又有了非常令人欣喜的进步，拥有足够的多的人力模型数据，计算机对具体提供的数量足够多的人脸模型数据进行针对性训练，就可以达到一个极高的识别正确率。但是对一个具体的个例可以做到百分百识别，并不能就此完全肯定对人群大众使用就都能达到同样级别的水平，对于大量的人脸数据依然需要不断地整理系统的统计，所以，距离完美的识别率人类还有很长的路要走。不仅是人脸识别，OCR、语音识别、机器翻译等人工智能技术在现实的应用中都会面临准确率的标准。也希望无论是企业还是社会群体大众，用一份积极包容的心态，为人工智能产业的发展营造一个优良的可持续发展环境。

人工智能应用研究有许许多多的可行性。专家系统内部含有大量的某个领域的专家水平的知识与经验，经过运用人类的知识和解决问题的途径进行推理、汇总、判断、解决，来处理某个领域的疑难棘手问题。人工智能系统在很多领域的应用也都在促进着人工智能的理论和技术的不断发展。专家系统也是人工智能应用研究最活跃和最广泛的应用领域之一，涉及社会各个方面，各种专家系统已遍布各个专业领域，取得很大的成功。人工智能在计算机领域内，得到了原来越多的重视。并在机器人等中得到了很多的实际应用。

人工智能是研究人类智能活动的可循规律，创建具有一定人类智能的电子系统，它主要是通过让计算机去完成原本是需要人类智慧才能去解决的问题，换而言之，就是研究如何应用计算机的软硬件来模拟人类智慧行为的基本理论、方法和技术。例如：繁重的科学工程和数学计算本来是要人脑来承担的，但是，现今，计算机不但能高效准确的完成这种计算，而且还能够比人脑做得更加的完美，因此，当今社会也不再把这种程度的计算看成是“需要人类智慧高强度才能完成的复杂任务”，由此可见，高强度复杂工作的定义随着人类社会时代的发展和科学技术的不断进步而不断变化，人工智能这门科学的具体目标也自然随着社会科学的变化而发展。它一方面不断地通过科学技术获得新的进展，另一方面又勇敢的转向更有意义、更加困难的目标。

2 人工智能的前沿

智能信息检索技术

现今社会，智能信息检索技术的发展日新月异。而人工智能在信息检索技术中的应用，主要集中表现在网络信息的检索。网络信息检索，也即网络信息搜索，是指互联网用户在网络终端，通过特定的网络搜索工具或是通过浏览的方式，查找并获取信息的行为。运用人工智能技术，可以快速准确的在大数据的基础之上获得所需信息。

遗传算法

遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程进行搜索找出最优解的方法。遗传算法是通过一类问题可能潜在的解集的其中一个集群开始的，而一个集群群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有本身特征的实体。比如，它决定了个体所要表现出的外部形状，如单眼皮，双眼皮的特征是由染色体中控制这一特征的某种基因组合决定的。由此可见，从一开始通过表象得到实际的基因的编码程序为一种算法。我们通常将基因的编码工作简单化 ，如二进制编码，在第一代种群产生之后，遵循适者生存，按照自然法则优胜劣汰，选择最优的结果，并借助交叉和变异，得到一种新的集合。这种办法会得到一种比以前更加优秀，更加适者生存的种群。

3 结束语

人工智能对人类科学来说是一门极富挑战性的科研究，想要从事这项研究工作必须懂得计算机知识，心理学、统计学、哲学等等。人工智能是一种涵盖了非常广泛的知识的科学，它包含了很多不同的领域，如机器学习，计算机视觉、软件工程、操作系统等等，总而言之，人类科学对人工智能研究的一个主要目的是使机器通过一系列的操作能够胜任一些通常需要人类智能才能完成的复杂工作。在不同的时代、不同的社会环境、不同的人对这种“复杂”程度的理解是不一样的，每个时代的科学发展也是不同的，希望在科学不断发展的今天，人工智能的发展也会带来许许多多的惊喜。

参考文献：

[1] 元慧.议当代人工智能的应用领域和发展状况[J].福建电脑，2008(9).

[2] 刘玉然.谈谈人工智能在企业管理中的应用[J].价值工程，2013(9).

[3] 焦加麟，徐良贤，戴克昌.人工智能在智能教学系统中的应用[J].计算机仿真，2013(7).

[4] 周明正.人工智能在医学专家系统中的应用[J].科技信息，2014(7).

[5] 张海燕，刘镇清.人工智能及其在超声无损检测中的应用[J].无损检测，2011(5).

[6] 马秀荣，王化宇.简述人工智能技术在网络安全管理中的应用[J].呼伦贝尔学院学报，2015(7).

[7] 曾雪峰.论人工智能的研究与发展[J].现代商贸工业，2009(8).

[8] 王梓坤.论混沌与随机.北京师范大学学报，1994，30(2)：199-202.

[9] 陈明.基于进化遗传算法的优化计算[J].软件学报，2008，9(11)：876-879.

[10] 陈火旺.遗传程序设计(之一)[J].计算机科学，(6)：12-15.