人工智能发展及框架图

来源：

人机与认知实验室

1956年人工智能学科创立之初，相关学者提出了“模拟、延伸、扩展人类智能”以及“制造智能机器的科学与工程”的基本定义和长远目标。

人工智能领域所有的突破都仅是智能系统从某个视角、在某个特定领域接近、达到或超过人类智能，而相关的理论、算法与系统很难推广到其他领域，用于解决其他类型的问题。在多认知功能协同和通用性智能方面，机器还与人类有明显差距。现有人工智能系统通用性较差与其计算理论基础和系统设计原理有密不可分的关系。

从计算基础角度讲，图灵机模型和冯·诺依曼计算机体系结构的提出，从计算本质和计算结构方面分别奠定了现代信息处理和计算技术的两大基石，然而两者共同的问题是缺乏自适应性。图灵计算的本质是使用预定义的规则对一组输入符号进行处理，规则是限定的、输入也受限于预定义的形式。图灵机模型取决于人对物理世界的认知程度，因此人限定了机器描述问题、解决问题的程度。而冯·诺依曼体系结构是存储程序式计算，程序也是预先设定好的，无法根据外界的变化和需求的变化进行自我演化。

这两个基础已经支撑现代信息处理与计算技术近６０多年的发展。受限于图灵机与冯·诺依曼体系结构，目前的智能系统在感知、认知、控制等多方面都存在巨大瓶颈，比如难以实现海量多模态信息的选择性感知与注意、模式识别与语言理解在处理机制与效率等方面与人脑相比还存在明显不足，较多依赖人工输入知识或提供训练样本，系统对新环境与新问题需要建立不同的算法，自适应能力还较差等．未来急需突破这种输入与处理形式相对固定的计算方式，取而代之的将是更为灵活的、更类人的智能信息处理与计算模式。

从问题求解原理角度讲，目前几乎所有的人工智能系统都需要首先进行人工形式化建模，转化为一类特定的计算问题（如搜索、自动推理、机器学习等）进行处理。虽然人工智能历史上曾有研制通用问题求解系统的努力，但是仍需要由人将问题归纳为一系列合式公式或霍恩子句。而人脑却采用同一个信息处理系统进行自动感知、问题分析与求解、决策控制等。因此，未来人工智能系统想要达到通用智能的水平，需要解决的核心问题之一便是问题的自动形式化建模。