从2006年加拿大Hinton教授提出深度学习技术开始，到2012年ImageNet竞赛在图像识别领域带来的突破，如今，人工智能的第三次发展浪潮到来。

不同于80年代随着神经网络而来的技术进步无法走进现实的困境，这一次的发展浪潮真正带来了技术的落地，商业化道路也走得更加顺畅。

随后的每一年，人工智能技术都在突飞猛进地发展，应用成果如雨后春笋般涌现。海量的数据，不断优化的算法，以及与之匹配发展的计算机运算能力，都为更多的发展可能性及应用可能性提供了广阔的舞台。

而随着人工智能在越来越多的方面落地，人们越来越多地感受到人工智能对于生活的改变，接受程度逐渐提升。

1、人机融合智能

除了技术产品化的道路拓宽以外，当下的人工智能还有许多亟待发展和研究的方向。它的以下特点推动它在第三次发展浪潮中前往更具突破性的阶段，分别为：从人工知识表达技术到大数据驱动知识学习；从处理单一的数据到跨媒体认识、学习和推理；从追求“机器智能”到迈向人机混合的增强智能；从聚焦“个体智能”到基于互联网络的群体智能；从机器人到自主无人系统。

其中，人机混合的增强智能即为将人类智能与人工智能进行结合，迈向新的智能阶段，此为人机融合智能。近年来，人机融合越来越成为人工智能领域的热词。

2018年10月11日，美国“防务一号”网站发表刊文表示美国军方高级情报员越来越担心中国在人工智能等“提升人类效率”方面的研究。

美国国防情报局（DIA）局长罗伯特·阿什利（Robert Ashley）在举行的美国陆军协会（Association of the U．S． Army）年度会议上表示，“人机融合”是颠覆性技术的一个“关键领域”，将会影响美国的国家安全。他认为“中国在研究神经网络和人工智能方面所作的努力是一个分阶段的过程，希望最终达到‘人与机器的融合’的程度”。

图1 机器人向着人机融合的方向发展

Fig． 1 Robot is developing towards the direction of human－machine fusion

在人工智能研究的领域，更快的计算并不是我们希望达到的最终目的，而让计算机变得越来越与人融合，最终达到人机融合智能，才是最终的发展方向。当前人工智能虽然普及了众多的应用形式，但是依然以计算为中心、难以突破意识壁垒，而能够融合意识与计算特性的人类智能和人工智能融合智能体，即为人机融合智能。

人机融合智能研究是智能技术发展到一定程度的产物，它既包括人工智能的技术研究，也包括机器与人、机器与环境及人、机、环境之间关系的探索。人机融合智能研究不仅仅要考虑机器技术的高速发展，更要考虑交互主体－人类的思维与认知方式，让机器与人类各司其职，互相促进，这才是人工智能真正的前景与趋势。

2 、群体智能

在上文中提到的人工智能发展的特点中，人工智能是从聚焦“个体智能”到基于互联网络的群体智能。群体智能是源于对蚂蚁、蜜蜂等为代表的社会性昆虫的群体行为的研究，最早被用在细胞机器人系统的描述中。它具有分布式无中心的控制，并且群体自组织性。

在自然界中，集群的方式可以让简单的生物展现出惊人的复杂性、效率甚至创造力。在人工智能领域，可以通过这种方法产生一种新的智能，像超级专家一样“共同思考”。通过随机扩散搜索、蚁群优化、粒子群优化等算法，群体智能已应用在了无线通信、医疗、无人驾驶、艺术创作等方面［8］。

如今，Unanimous A．I．公司就在致力于研究群体智能，希望能够将数百人的知识、智慧、洞察以及知觉通过算法连接起来。该公司研制的SWARM平台等软件可以通过实时闭环控制系统将分布式网络组织成“人群”，能够聚集人类参与者的集体智慧以得出意见。它成功预测了奥斯卡，超级碗比赛，以及法国大选的结果［9］。该系统对2017－2018赛季20周的NHL曲棍球比赛进行了预测，得到了85％的成功率，超过了维加斯博彩市场的22％。除了比赛和票选等预测活动，该群体智能方法还应用到了医疗领域，其诊断肺炎的准确率比单独工作的放射科医生团队高出22％。

图2 进行肺炎诊断的ASI（人工群体智能）

Fig． 2 ASI（Artificial Swarm Intelligence） in the diagnosis of pneumonia

3 、认知计算

认知是人与世界交互的重要过程，认知计算旨在模仿人类大脑的计算系统，让计算机像人一样认知和思考。只有实现了认知计算，才能真正实现可以学习并与人类自然交互的系统。从20世纪开始，人们通过单一用途的机械系统指示机器的行动，此为“制表时代”；在20世纪50年代进入了“编程时代”，人们通过编程的方式控制计算设备；从2011年起，人们就将认知计算列为了人工智能发展的目标，开始进入“认知时代”。在群体智能方面，我们借鉴了蚂蚁等生物的启示，而在认知计算里，我们依然要聚焦于生物，研究认知的整个过程。在认知计算中，系统通过大规模的学习，有目的、理性、自然地与人类进行互动。认知计算让机器不仅仅通过编程来执行指令，而是通过与人类的互动以及它们对环境的体验来学习和推理。它能够模拟人类的思维过程，理解世界的模糊性和不确定性。通过权衡来自多个来源的信息和想法，进行推理并提供假设。

IBM的Watson系统是其中最有名的认知系统。它通过筛选大量的数据库获取信息，以问答的形式帮助用户回答对复杂问题的见解。通过认知计算的方式，它可以不断地从用户互动中获取数据，变得更加聪明。它目前已经成为了一个具有认知计算能力的生态系统，可不断地衍生出各种行业解决方案，被应用于医疗、天气预测法律顾问等方面。今年该平台被用在了教育领域，瑞典的一个研究小组开发出了一个使用IBM Watson系统的学习并行编程的助手，在实际教学实验中获得了学生的好评。

认知计算的发展需要我们不断地对人的认知过程进行研究。其中，态势感知的研究也属于认知计算领域。态势感知将人的认知过程分为三个独立的层次，分别为：对环境中元素的感知，对当前形势的理解，对未来状况的预测［15］。通过建模和结构化的思想，可以将人的认知过程量化为态势感知程度。除此之外，人们也在不断的通过其他方式对人类的认知过程进行量化，试图通过计算机来进行模拟和计算。认知学可能是人工智能下一步发展的突破口。

4 、情感计算

在计算机的认知、学习、记忆和言语的水平都在逐渐提高的同时，我们也必须意识到，让计算机具有能够感知和理解人的情感，并且针对人的情感做出相应合适反应的能力，是让计算机具有更高的、全面的智能的必经之路。早在2006年，在Minsky的著作《情感机器》中就提出“人工智能＝认知智能＋情感智能”的说法［16］。情感计算的加入能够大大拓宽人工智能的应用领域。根据手段的不同，情感计算研究主要分为基于视觉，基于语音，基于文本及基于脑补信息和多模态信息的情感分析。

图3 通过多种可穿戴运动传感器捕捉微妙的心脏运动

Fig． 3 Capture subtle cardiac motions by multiple

wearable motion sensors

许多研究机构及情感计算工具公司都在不断对情感计算领域进行探索，例如：麻省理工学院媒体实验室，Microsoft VIBE团队，Emotient公司等。他们力求达到更精准的情绪识别，并且不断开拓新的应用领域。

从研究设备上，由于得到更多样的可穿戴设备支持，今年有许多有关可穿戴设备进行情感测量的研究涌现，例如：通过可穿戴设备获取运动心率进行情感评估，或进行压力和睡眠评估；还有在皮肤布置传感器的表皮机器人作为新的可穿戴设备。

从技术上，深度学习也大量应用在了情感计算上。例如：将CaltureNet方法应用于对自闭症儿童的面部情感识别；将深度卷积神经网络应用于语音频谱图上进行语音情感分析。

从情绪的研究上，也有更多针对心理疾病的专门研究，例如：自杀冲动的数字化表征研究；能够影响和参与自闭症治疗的机器人感知研究。更加多元化的研究方向，以及更加专门的应用领域的研究，标志着情感计算的发展也在不断走向成熟。