社论：人工智能赋能社会，挑战与机遇

工程6（2020）205社论人工智能：让技术赋能社会吕月光中国工程院信息与电子工程系，北京100088人工智能（AI）可用于解决使用传统方法难以解决或不切实际的问题一般来说，人工智能的基本目标是使机器能够拥有感知能力（例如，语音识别、自然语言理解和/或计算机视觉），问题解决/决策（例如，搜索和/或计划），以及行动（例如，机器人）能力，只有人类或其他智能生物自然会有。人工智能有潜力增强每一项技术;从这个意义上说，它类似于内燃机或电力等“使能”技术。这个领域的许多人认为人工智能是通用的，在许多不同的领域有许多应用[1此外，人工智能还极大地推动了农业、制造业、交通运输和医疗保健领域的具体技术创新。在未来几年，人工智能将不可预测地影响人类生活的各个方面。人工智能可以帮助和赋能社会达到新的高度。事实上，当人工智能被用来赋予我们所有人积极改造社会的权力时，它将是最伟大的。本特刊从理论研究、算法模型、实践方法和伦理问题等不同方面报道了最近对人工智能的重新思考。在题为“人工智能的多重知识表示”的文章中，Yunhe Pan提出了一种人工智能的多重知识表示，包括知识图，视觉知识和深度神经网络。这种表示有利于开发可解释的，进化的和可转移的知识表示和推理模型。在“如何解释机器知识”中，FashenLi等人分析了研究方法在物理学和人工智能领域，并提出解释机器知识的原则和模型。为了让人工智能造福人类社会的长期目标，中国的政府、研究机构和公司已经发布了人工智能的道德准则和原则。WenjunWu等人对这些努力进行了调查，题为虽然脑科学已经在人工智能方面取得了突破，作为深度学习，人工智能和人工智能之间仍然存在着不可逾越的差距。和人类智慧在“从脑科学到人工智能”中，Jingtao Fan等人研究了如何弥合这一差距，并讨论了脑科学适应人工智能的机遇和挑战。在“深度神经网络加速器架构的调查”中，Yiran Chen等人总结了深度神经网络（DNN）加速器设计的最新进展-即DNN加速器-并讨论了支持DNN执行的各种架构。Na Lei等人提出了“对深度学习的几何理解”，并介绍了生成对抗网络（GANs）的最优传输（OT）视图。OT理论有助于揭示GANs中生成器和节点之间的内在协作关系，以及模式崩溃的根本原因自然语言处理（NLP）是人工智能的一个子领域，专注于使计算机能够理解和处理人类语言。在“神经NLP的进展：建模，学习和推理”中随着人工智能和深度学习技术的快速发展，确保部署算法的安全性和鲁棒性至关重要。在“深度学习中的对抗性攻击和防御”中，Kui Ren等人介绍了对抗性攻击技术的理论基础，算法和应用，并描述了一些防御技术的研究工作。在深度学习的最新进展基本上是基于在“黑暗，超越深度：向具有人类常识的认知AI的范式转变”中，YixinZhu等人提出了“大任务的小数据”范式，以解决几乎没有训练数据的各种任务。他们通过回顾综合了机器和人类视觉最近突破的常识模型来说明这种新范式的潜在力量。Cewu Lu和Shiquan Wang讨论他们提出了一个原始的流程https://doi.org/10.1016/j.eng.2020.01.0052095-8099/©2020 THE CONDITOR.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程杂志主页：www.elsevier.com/locate/eng206Y.-- G. 吕/工程6（2020）205模型和操作原语，有效地描述和建模人类的操作技能和行为。最后，为了将因果推理的知识带给机器学习和人工智能的参与者，Kun Kuang等人从不同方面提供了一个关于因果推理的调查，名为本期特刊中的文章概述了在中国推出下一代人工智能（AI 2.0）的大数据智能[4，5]、人群智能[6]、跨媒体智能[7]、混合增强智能[8]和无人自主系统[9]在人工智能2.0.正如在参考文献[5]中提到的，人工智能的下一个突破将是是一个跨学科的努力，因为人工智能是一个使能技术。这期特刊无疑为AI 2.0的未来发展提供了思考的食粮。我要感谢这期特刊的审稿人及时和专业的评论。最重要的是，我向所有提交稿件供审议的作者表示感谢。他们的支持使这期特刊获得成功。同时也非常感谢吴飞教授、杨强教授、韩亚红教授、邝坤博士以及编辑部的大力支持。此外，我感谢破坏性信息的成员中国工程院信息与电子工程系技术研究组。引用[1] 潘Y。迈向人工智能2.0。Engineering 2016;2（4）：409-13.[2] 潘Y。人工智能2.0专刊。前沿信息技术电子工程2017;18（1）：1-2.[3] 潘Y。2018年人工智能2.0特刊：理论与应用。前沿信息技术电子工程2018;19（1）：1-2.[4] 庄玉婷，吴芳，陈春，潘艳。挑战与机遇：从大数据到AI 2.0中的知识 Front InformTechnol Electron Eng 2017;18（1）：3-14.[5] 潘Y。关于视觉知识。Front Inform Technol Electron Eng 2019;20（8）：1021-5.[6] LiW，Wu W，Wang H，Cheng X，Chen H，Zhou Z，et al.人工智能中的群体智能2.0时代。Front Inform Technol Electron Eng2017;18（1）：15-43.[7] 彭毅，朱伟，赵勇，徐聪，黄强，陆宏，等。跨媒体分析与推理：进展与方向。FrontInform Technol Electron Eng 2017;18（1）：44-57.[8] Zheng N ， Liu Z ， Ren P ， Ma Y ， Chen S ， Yu S ， et al. Hybrid-augmentedintelligence ： collaboration and cognition. Front Inform Technol Electron Eng2017;18（2）：153-79.[9] Zhang T，Li Q，Zhang C，Liang H，Li P，Wang T，et al. Current trends inthedevelopmentofintelligentunmannedautonomoussystems.F r o n tInformTechnol Electron Eng 2017;18（1）：68-85.