人工智能專業最好的學校排名【精品多篇】

人工智能的邊界在哪? 篇一

關於什麼是智能，我們目前尚且無法給出一個精確的定義。就像在圖靈機出現之前，我們無法對計算給出一個嚴格的定義一樣。在一個無法定義的領域裏辯論，自然是“公說公有理，婆說婆有理”。

ACM圖靈大會的主旨演講者之一是哈佛大學的理論計算機科學家萊斯利·瓦利安特(Leslie Valiant)，他因爲在並行計算理論和機器學習理論方面的貢獻獲得了2010年的圖靈獎。他演講的題目是“什麼是可行計算的極限？”(What are the Limits of Feasible Computation?)，這爲論壇將要展開的討論提供了理論基礎。首先，瓦利安特把計算機科學問題參照物理學分爲三個層次：超級普適性(super-generality)、普適性(generality)和數學推斷(mathematical consequences)。瓦利安特只是比較了物理學和計算機科學，我們在他的基礎上加入了人工智能的維度，以便得到更多的啓示。物理學中，超級普適性的體現就是最廣義的、永恆不變的、可以表達成數學方程的物理學定律，而在計算機科學中對應的就是計算的理論模型，圖靈機就是一種計算模型，當然圖靈機不是唯一的模型。物理學的普適層存在着定律，如牛頓第二定律、萬有引力定律等；在圖靈機的框架下，NP完全理論就是普適性的。大概在瓦利安特心目中，計算複雜性是和牛頓定律一樣的存在。在數學推斷層，物理學有行星橢圓軌道，而理論計算機科學會有各種具體的NP完全的問題。當超級普適層發生變化時，下面的層次也會依次變化，例如，如果計算模型變成了量子計算機，那麼類似的複雜性問題就變成了有限錯誤量子計算多項式時間(Bounded error Quantum Polynomial time, BQP)之類。圖1爲物理學、計算機科學和人工智能的普適性分層。

當我們分析不同的問題時，會使用不同的計算模型。丘奇-圖靈論題(Church-Turing Thesis)是傳統的理論計算機科學的支柱，這個論題斷言所有的計算模型都是等價的，也就是說，所有足夠強的計算模型都是可以互相模擬的。另一個被默認的論題是中國計算機理論科學家洪加威提出的“相似性原則”(Similarity Principle)，即所有足夠強的計算模型之間的模擬成本都是多項式的。相似性原則也被稱爲“強丘奇-圖靈論題”或“擴展的丘奇-圖靈論題”(Extended Church-Turing Thesis)。“強丘奇-圖靈論題”不太被提起，甚至被忽視，主要原因大概是這個原則已經變成計算理論的工作假設，大家已經習以爲常。近來的理論研究提出了和圖靈機可能不等價的計算模型，它們的計算能力在某種意義上超越了圖靈機，也違背了丘奇-圖靈論題和強丘奇-圖靈論題，有時也被稱爲“超計算”(hyper-computation)。例如，BSS(Blum-Shub-Smale)實數模型[1]和量子計算機等。BSS的“B”就是本次大會的主旨演講嘉賓之一麗諾爾·布盧姆(Lenore Blum)。在BSS模型上，實數的四則運算可以在單位時間內完成，這類模型可以展現出和圖靈機不同的性質，例如，線性規劃在圖靈機上有多項式時間的算法，但在BSS上的時間複雜性還未知。三層以上神經網絡學習問題在圖靈機上是NP完全的，而在BSS上和線性規劃等價[2]。

量子計算被認爲可能違背“強丘奇-圖靈論題”。例如，和網絡安全密切相關的素數分解問題在圖靈機上被認爲是難的，儘管還沒有明確的證明，但量子計算機上整數分解的秀爾算法(Shor’s algorithm)有可能是高效的。BSS作爲一個數值分析的理論模型，應該是有價值的，但可否實現則存疑；而實用的量子計算機是有可能實現的。“丘奇-圖靈論題”和“強丘奇-圖靈論題”更像是物理定律而不是數學定理。計算是遊走於數學和物理學之間的學問，關於計算和物理的關係，可見圖靈研究專家霍奇斯(Hodges)的文章[3]，以及姚期智爲紀念JACM (Journal of the ACM)出版50週年寫的文章[4]。

大會論壇的各位嘉賓雖然都來自計算機科學或者相關學科，和人工智能有着千絲萬縷的關係，但他們對人工智能的看法卻各有不同，即使我們給完全的外行發個調查問卷，恐怕得來的回答之間的差異與嘉賓們之間的觀點差異也差不多。這是人工智能這個特定學科的性質決定的，每個顆粒度足夠大或者足夠抽象的問題都像是哲學問題。一個實用主義的辦法可以把人工智能定義爲相關從業者正在進行的研究領域，找到他們之間的共同點，求同存異。2006年之後由深度學習引發的又一次人工智能熱潮，使得人們把人工智能的關注點聚焦在機器學習，從而忽視了人工智能的其他分支學科，而深度學習對大數據的依賴也自然造成了對模型的輕視。關心計算機視覺的人很容易借鑑馬爾(David Marr)的分層理論。

任何一個實用主義的回答都必須有個參照物，人工智能的參照物是自然智能，或者更具體地說是人類智能。機器在一個特定的領域或任務上已經超越人類是大家的共識，此所謂弱人工智能。目前還沒有可以跨任務的機器，當下強人工智能還不是現實，這也是共識。事實上，人工智能的分類常常是按照任務來的，例如計算機視覺(包括模式識別和圖像處理等)、自然語言理解、認知與推理、機器人學、博弈論、機器學習等。而美國計算機學會(ACM)在某些領域裏並不活躍，例如機器學習和計算機視覺。如果按照任務來，智能的定義就變成了自底向上的，這也是人工智能作爲一個工程領域，從業者對其很自然的態度。不同的人會用不同的術語，一些人稱爲模型，另一些人稱爲任務。底層的大數據小任務，到了高層就變成了小數據大任務。這裏所謂任務的大小，其實是指任務的複雜度。

智能的任務按照諾貝爾經濟獎得主、心理學家丹尼爾·卡尼曼(Daniel Kahneman)的說法可以分爲兩類，一類是能快速反應的，例如計算機視覺；另一類是需要長時間思考的，例如認知與推理。有人說人類更擅長前一類任務，而機器更擅長後一類任務。人工智能的歷史曾有符號主義和連接主義的交替，前一類任務更有效的解決辦法是連接主義的深度學習，而後一種任務更像是符號主義的使命。但都有例外，例如深度學習尚沒有找到自然語言處理的竅門；符號主義在機器定理證明領域，近幾年幾乎處於停滯的狀態。AlphaGo及其一系列衍生程序所依賴的核心算法——強化學習則無法歸類到這兩派之中，而是自成一派。給人工智能下定義的過程也是一個學習的過程，特別是在沒有理論指導下，這個過程尤爲艱難，每個泛化推廣的企圖都會碰到反例。

其實不僅僅是對“人工智能”難以形成共識，即使對什麼是“學習”也很難提出都可以接受的定義。有人說“機器學習”不是“學習”，不過是曲線擬合而已。但“學習”和“擬合”的真正區別又是什麼呢？一個可以接受的理論是瓦利安特提出的“概率近似正確”(Probably Approximately Correct, PAC)模型[5]。由亞里士多德開啓的傳統西方哲學認爲，演繹和歸納是對立的，學習就是歸納，歸納必然導致犯錯。在PAC模型中，錯誤被控制在一個範圍內。瓦利安特不僅用PAC模型解釋學習，還用它解釋進化論。當然如果可以解釋進化論，PAC模型也就可以作爲強化學習的某種理論基礎，強化學習可以被當作計算進化論。我們從瓦利安特的分層中可以看出，PAC模型是包含在確定多項式時間之內的。圖2是計算模型的能力分層。

首先，我們回到第一個問題：現狀(Reality)。所有嘉賓的共識是：在某些特定的領域，人工智能已經超越人類智能，但當下人工智能還沒有全面達到人類智能。

第二個問題：可能性(Possibility)。按照瓦利安特的層次，首先從超級普適層的計算模型考慮，如果人腦的計算能力也可以用圖靈機刻畫，那麼按照丘奇-圖靈論題，用圖靈機實現人腦功能自然是可能的。按照相似性原則，圖靈機實現人腦的功能的成本甚至是多項式的。數學家羅傑·彭羅斯(Roger Penrose)曾經聯合腦科學的朋友企圖找到人腦裏存在量子效應的證明。而麻省理工學院的物理學家，暢銷書《生命3.0》(Life 3.0)的作者馬克斯·泰格馬克(Max Tegmark)在與本文作者對談時曾提到他的觀點：人工智能有圖靈機就夠了，不需要量子計算。

假設人腦是量子計算機，那麼在超級普適層，仍然可以用圖靈機等價的模型實現人類智能，而在普適層，也可以用量子計算機低成本地實現人類智能。這裏倒使我們不由自主地提出一個有趣的問題：量子計算機之間是不是存在着相似性原則，換句話說，任意一臺量子計算機模擬任意一臺量子計算機的成本是不是多項式的？物理學家理查德·費曼(Richard Feynman)在1982年的文章《利用計算機模擬物理學》(Simulating Physics with Computers)中猜測，不大可能用經典計算機有效地模擬量子物理，但可能用量子計算機有效地模擬[6, 7]。物理學家的洞見對數學家和計算機科學家是有益的。

如果能夠證明多項式時間類P是BQP的真子集，那麼相似性原則或者擴展的丘奇-圖靈論題就被打破了。按照瓦利安特的層次分類，我們不需要量子計算就可以達到PAC模型學習。瓦利安特似乎更傾向支持泰格馬克而不是彭羅斯。理論不僅給工程師們提供解釋，也爲他們指明方向。

第三個問題：“幻想”(Fantasy)，也就是說人腦的計算能力不可能被任何已知或未知的計算模型所模擬。這個問題和第二個問題密切相關，如果對第二個問題的回答是否定的，那自然是Fantasy。假設我們用一種進步的觀點看待人工智能學科，我們會承認現在的人工智能比以前更爲有力，而未來的人工智能比當下更爲有力。隨着時間的推移，人類智能中沒有被人工智能所覆蓋的部分就是Fantasy。

所以Fantasy可以被定義爲：Fantasy = HI - AIn→∞(見圖3)。如果Fantasy是空集，那麼我們都是樂觀派，如果它不是空集，那麼我們應該探索它應該包含些什麼？我們可以問它應該有些什麼神祕的超計算的模型，或者有什麼優良的複雜性的性質不可實現。

布盧姆夫婦的主旨演講“有意識的圖靈機”(Conscious Turing Machine, CTM)很吸引人。曼紐爾·布盧姆說這是他們一家三口的聯合工作(丈夫曼紐爾、太太麗諾爾和兒子阿夫裏姆(Avrim)都曾是卡耐基梅隆大學(CMU)計算機學院的教授)，但他們還沒有聯合寫過一篇文章。他們企圖爲認知科學中飽受爭議的“意識”問題提供一個計算模型。這個模型的目的並非是他們夫婦擅長的計算理論，而僅僅是某種心理學的模型可以得到一個計算的實現或者解釋。

布盧姆夫婦用“痛苦”(pain)和“愉悅”(joy)作爲例子來說明意識[8]。曼紐爾負責演講的上半場，麗諾爾負責下半場，曼紐爾開玩笑說他負責“痛苦”而太太麗諾爾負責“愉悅”。理解大腦是曼紐爾的終生興趣，他小的時候，他爸爸就告訴他，要是他能知道大腦是如何工作的，他就會變得聰明。儘管他在麻省理工學院的博士生導師是馬文·明斯基(Marvin Minsky)，但他的實際指導者則是最早提出神經網絡的沃倫·麥卡洛克(Warren McCulloch)和沃爾特·皮茨(Walter Pitts)。布盧姆夫婦像認知科學家一樣，把“模擬”(simulation)稱爲“容易”的問題，而把“體驗”(experience)稱爲“困難”的問題。他們強調他們的模型和突破“丘奇-圖靈論題”沒有關係，他們的目的是爲意識提供一個簡單可用的模型，這樣可以在這個模型上證明和意識相關的數學定理。至於說“模擬”和“體驗”孰難孰易，不好追究，人們也可以說“模擬”纔是人特有的進化而來的高級性質，而“體驗”是低級的東西。

關於“意識”的一個有影響的模型是認知科學家伯尼·巴爾斯(Bernie Baars)提出的“劇場模型”(Theater Model)，而布盧姆的CTM就是“劇場模型”的一個計算實現。在“劇場模型”裏，聚光燈下的舞臺是短期記憶(Short-Term Memory, STM)，而臺下的觀衆則是無意識(unconscious)的長期記憶(Long-Term Memory, LTM)。沒有短期記憶，人就變成“殭屍”(zombie)，不同的長期記憶通過連接構成了一部異構並行計算機。某些對於計算理論缺乏基本知識的哲學家無法對他們認爲是他們自己領地的“意識”問題給出精確的定義，意識這個概念在他們那裏是一個移動的目標，他們辯論的底線就是任何不是自然生長出來的物體都沒法具有意識。哲學家們常常分不清楚修辭和科學。布盧姆的CTM至少向一個更精確的目標走了一步。意識與心智(mind)的架構(architecture)有關，這個結論並不驚人，我們可以假設他們夫婦倆是長期的樂觀派。

事實上，瓦利安特在他的PAC模型科普小冊子裏也提到了認知結構，他也企圖利用短期和長期記憶的區別來理解意識。我們很好奇瓦利安特的“堅實邏輯”(Robust Logic)和布盧姆的CTM之間有什麼關係。

不同背景的計算機科學家的論壇會碰撞出許多火花，縱橫學科架構、基礎理論，乃至工程實現。反思這些有趣的探討，還有兩個問題值得進一步深思：第一，當下實現圖靈機的物理基礎仍是半導體器件。利用一個“PN”結現象，我們得以造出物美價廉高密度極可靠的數字電路，打造了輝煌的數字計算機工業，開發出大量的高效應用，其中有些顯然已經超越人類“智能”(比如超級計算機)。但是，我們可以用來做“計算”的物理現象，肯定遠遠不止半導體。比如，要知道一個拋物體能落在哪裏，我們可以根據物理定律用數字計算機來計算，但是也可以利用物理現象做模擬計算。另外一個(正面的)例子是上面提到的彼得·秀爾(Peter Shor)發明的整數分解的量子算法。秀爾算法所利用的物理器件就不是基於半導體“PN”結現象的。人類智能不一定只依靠半導體的物理現象來實現。我們需要探索基於不同物理現象而導致的新的普適性計算模型。也許，在這些模型中，有些可能會有效實現或者接近有效實現人類智能。

第二，布盧姆提出了“有意識的圖靈機”這一課題。顯然，認知科學家認爲意識是“智能”行爲的重要組成。意識是一個智能主體對客觀感知後的一種認識。所以，和傳統的計算模型不同，對客觀感知將必然成爲人工智能計算模型的重要部分。這樣的計算模型不但要考慮計算的複雜性，更要考慮感知數據的複雜性。請注意對客觀感知所生成的數據不會是隨意的，這是因爲這些數據是自然界的表示和抽象，應當遵守某些客觀規律。計算的複雜性和感知數據的複雜性是對偶的。認識感知數據的複雜性並利用其特有的客觀規律應該可以提高計算效率，降低計算的複雜性。所以，在人工智能學科建設過程中，感知數據的內在規律和複雜性是一個需要認真探討、有待突破的前沿問題。圖靈機的計算模型是忽略輸入數據的複雜性的，這保證了模型的簡潔。也許，超計算模型爲我們理解人工智能和人類智能的邊界提供了理論基礎。

人工智能專業難學嗎? 篇二

人工智能專業是一個比較好學的專業，課程難度不大，同時該專業還是一個很不錯的專業，前景很好，中國正在產業升級，工業機器人和人工智能方面會是強烈的熱點，以後很多東西都是人工智能了。我是桂林電子科技大學18級學生，我有一個認識的學弟就是人工智能專業的，我們學校是2020年纔有人工智能這個專業的，下面我來具體介紹一下這個專業吧。

人工智能是研究、開發用於模擬、延伸和擴展人智能的理論、方法、技術及應用系統的一門新技術科學，也是計算機科學的一個分支。它企圖瞭解智能的實質，可以產出一種新的可以和人類智能相似的方式做出反應的智能機器，該領域的研究主要有機器人、語言識別、圖像識別、自然語言處理和專家系統等。

主修課程人工智能專業的核心課程有：專業導論、人工智能數學基礎、線性代數 A、概率論與數理統計、程序設計與問題求解、電路與電子技術基礎、面向對象編程、算法及數據結構、人工智能基礎、數據科學導論、計算機組成原理、機器學習、信息論、機器人學概論、數字信號處理、模式識別、自然語言處理、現代控制理論等。我們在學習中需要注意的是：要認真學習智能的基礎理論、基本方法和基本技能，掌握相關應用領域基礎知識。還需要具有系統的計算思維和數據思維，具有創新創業意識和國際視野，具有良好的社會人文素養、職業道德和團隊精神。

就業前景人工智能專業就業方向主要包括科研機構(機器人研究所等)、軟硬件開發人員、高校講師等。在國內的話就業前景是比較好的，國內產業升級，IT行業的轉型工業和機器人和智能機器人以及可穿戴設備的研發將來都是強烈的熱點。人工智能目前是一個快速增長的領域，人才需求量大，相比於其他技術崗位，競爭度偏低，薪資相對較高，因此，趁着這個機遇，人工智能專業是一個很好的選擇。小結人工智能這個專業不難學，但是大家也不能太隨意，不然也會掛科的喲。並且人工智能專業相當的不錯，未來必定是一個人工智能的世界，掌握了人工智能技術，就是一筆不可描述的財富。人工智能不僅能帶動國家的發展，還能夠方便世界上所有的人，所以，相信自己的感覺，對人工智能感興趣的同學，來選擇這個專業肯定沒錯的。

人工智能專業最好的學校排名 篇三

1、南京大學(A+檔，全國第1名)

2、西安電子科技大學(A+檔，全國第2名)

3、清華大學(A+檔，全國第3名)

4、哈爾濱工業大學(A+檔，全國第4名)

5、北京大學(A+檔，全國第5名)

6、浙江大學(A+檔，全國第6名)

7、上海交通大學(A+檔，全國第7名)

8、中國科學技術大學(A+檔，全國第8名)

9、電子科技大學(A檔，全國第9名)

10、東南大學(A檔，全國第10名)

具體評估排名結果如下表所示：

注：以上評估結果按“分檔”方式呈現，共分爲6檔，專業綜合排名位次爲前2%或前2名的爲A+級，2% - 10%的爲A級，10% - 20%的爲B+級，20% - 50%的爲B級，50% - 70%的爲C級(不發佈), 70%以後的爲D級(不發佈)