大家好，如果您还对人工智能是否应该研究不太了解，没有关系，今天就由本站为大家分享人工智能是否应该研究的知识，包括人工智能是否应该研究数学的问题都会给大家分析到，还望可以解决大家的问题，下面我们就开始吧！
本文目录
人工智能允许研究吗
人工智能肯定允许研究的，人类对于科学的研究进展，并不仅仅是来自海量的学习，其中很重要的还有灵感，灵感到底是什么？
是突然连接上的两个看似无关的神经元吗？
那么给人工智能也增加随机连接，就可以模拟灵感了吗？
还有关于其他更深刻的问题，比如哲学问题，这与人类的意识密切相关，人工智能能真的产生意识吗？
能真的理解概念，理解原理，定义概念，创造原理吗？最后，如果人工智能可以有意识，可以理解事物，可以成为科学家的话，那么如何设计人工智能，它才能做的比人类科学家更好，可以跨过我们对于科学研究的很多极限和障碍，产生更多的新理念新思路。
人工智能的研究途径有最佳吗
人工智能的研究途径是相辅相成的
1.心里模拟，符号推演
2.生理模拟，神经计算
3.行为模拟，控制进化
4.群体模拟，仿生计算
5.博采广鉴，自然计算
6.原理分析，数学建模
以上给出了当前人工智能的6种途径与方法，它们各有所长，也都有一定的局限性。因此，这些研究途径与方法并不能互相取代，而是并存与互补的关系。
人工智能研究究竟需不需要量子计算机那样的计算能力？
就像打了一剂强心针，当世界上第一台超越早期经典计算机的光量子计算机横空出世后，人们对人工智能时代的期待似乎有了更多的底气：超越经典的量子计算机已经有了，打败超级计算机的量子计算机还会远吗？
一旦后者实现，人类将再次以计算能力为傲，窥探人类大脑的奥秘，从而扫除人工智能研究的一大障碍。目前来看，面对人类大脑，这个虽然只有1.5公斤左右重，却拥有1011个神经元的家伙，让人类束手无策——要模拟整个大脑的计算能力，世界上目前任何一台计算机都难以胜任。
在近日由中国科学院学部主办，中国科学院自动化研究所等协办的“脑科学与人工智能”科学与技术前沿论坛上，就有不少业内人士提出这样的遐想：建设支持深度学习的新型计算机群，已成为一些人工智能研究的必然选择，那么人工智能研究究竟需不需要量子计算机那样的计算能力？
“我们今天的科学家，尤其是计算机科学家，把‘计算’用得太狠了，对‘计算’的依赖甚至有些‘贪得无厌’了！”中国工程院院士、中国人工智能学会理事长李德毅却在论坛上给大家泼了冷水。在他看来，人工智能学者不能只盯着“计算认知”，一味要求“人脑”研究的步伐有多快，而要拿出更多的精力放在“记忆认知”和“交互认知”上。
1、脑科学能启发人工智能的并不多？
李德毅之所以对“计算认知”不感冒，还要从谷歌公司的一则报道说起——
2015年5月15日，谷歌对外称该公司旗下无人驾驶汽车有上百万英里的测试经验，大致相当于人类75年的驾龄。
“这75年的驾龄是如何‘计算’出来的？”这引发了李德毅的思考：当无人车上路、发驾照提上日程，驾驶认知“度量”已经成为各国交管部门当务之急时，脑认知该如何度量？信息是用“比特”来度量，能量是用“焦耳”来度量，那么脑认知呢？
脑科学学者似乎并未给出这样的答案，人工智能学者也就无从得到启示。
这成了一个隐喻：脑科学、人工智能，两个同属21世纪的前沿学科，在过去数十年间彼此相对独立，鲜有交叉。
中国科学院外籍院士、中国科学院神经科学研究所所长蒲慕明在当天的论坛上也提到，不管是国内还是国外，都是如此，不过随着研究手段不断丰富，研究领域不断突破，两者的交叉融合成为热点，甚至出现一个新的研究名词，类脑智能。美国、欧盟都相继启动相关研究计划，中国也启动了脑计划。他说，中国的计划是将脑科学和人工智能结合得最为紧密的。
比如，现在流行的深度学习，就是基于人工神经网络的一个应用，这些人工神经网络都可以从神经科学的一些规律中得到灵感。蒲慕明说，比如可以借鉴神经突触的可塑性、记忆储存、提取与消退，等等。不过他也承认，目前的脑科学研究能启发人工智能的并不是特别多。
蒲慕明给出一个类比，当前的脑科学研究，仅相当于物理、化学等学科在19世纪末期的研究水平，“要完全理解大脑，可能是几个世纪的事情，而不是我们这个世纪就可以达到的。”他说。
那为何还要做类脑研究，蒲慕明说，必须要在这个时候做一些适当的应用，假如不把已经知道的知识应用到对脑疾病的诊断、干预和治疗上，那么到2050年我们的医疗系统很可能要面临崩溃——那时你会发现仍然没有一个脑疾病能够治愈。
相应地，人工智能的应用也是如此。他说，不一定非要完全搞清楚，神经科学一些具有阶段性的成果，也可以给人工智能的发展提供启发。
2、什么是人类最重要的智能行为？
中国科学院院士、中国科学院自动化研究所研究员谭铁牛就在现有的研究基础上，得出一个结论：“模式识别”是人类最重要的智能行为，也是人工智能重要的研究内容——机器的“模式识别”能力，在一定程度或者很大程度上反映了机器智能“类人”的程度。
在当天的论坛上，谭铁牛举了几个模式识别的例子。比如语音识别，近些年突飞猛进的科大讯飞，能将维吾尔语翻译成汉语，汉语翻译成维吾尔语；再如步态识别，在看不到人脸、虹膜和指纹的时候，就能通过步态在几十米外感知到其身份。
此外，还有图像识别，其中具有代表性的人脸识别，早在几年前马云刷脸支付已经引爆舆论热点。谭铁牛本人就在进行虹膜识别的研究，并建立了目前国际上规模最大的共享虹膜图像库，被多国共享使用。他说，这不仅可以用在手机上，还可在查找丢失儿童上发挥作用。
谭铁牛说，模式识别的技术瓶颈可通过借鉴生物的机理改进，未来生物启发的模式识别在人工智能领域前景可期。其最终追求，是希望模拟逼近人的模式识别，这是非常艰巨的过程。
他也提到，模式识别的主要瓶颈在于鲁棒性、自适应性和可泛化性。
鲁棒性，说白了，就是人工智能“够不够皮实”“是不是稍微有点扰动，就会出错”。谭铁牛举了一个例子，比如在酒会上聊天，背景噪音比较多，如果想听清其中某一个人的声音，就要忽略或者抑制背景中其他对话的干扰——人类可以做到这一点，也就是听觉系统所谓的鸡尾酒效应，但人工智能可以吗？
所谓自适应性，则比较容易理解，谭铁牛说，人类的眼睛会随着灯光的变化、环境的变化进行调整，这说明自适应性非常强。这一点可以应用到人工智能上，比如人脸识别，有一位朋友十几年甚至几十年没见，再见面是否还能认出来？他说，现有的模式识别在这方面还不是很理想。
可泛化性，说白了就是“举一反三”。谭铁牛说，当小孩认识苹果后，即便只记住了一次，也可以识别其他类型的苹果，这说明人类看到一个东西后，不仅知其然，还知其所以然。而知其所以然，就是人工智能领域所说的“深度学习”。但目前的人工智能深度学习，必须建立在大量数据的基础之上，这一点也有待进一步研究。
谭铁牛说，要解决这3个问题，关键还是看人类本身，在微观层面上，人工智能的模式识别可借鉴人类的神经元，神经元有兴奋性、抑制性、功能可塑性和传播性。科学家受到这个启发，增强了模式识别动态系统的稳定性。
3、无人驾驶是人工智能的突破口？
李德毅已经找到了一个实践的突破口：自动驾驶。他说，无论是对话、诗词或者驾驶，图灵测试都允许测试者现场介入，判定结果都带有近似性和主观性。但是，和对话、诗词测试相比，驾驶的图灵测试可以进行更为精确、更为客观的评测。
他说，当初汽车被发明出来的时候，人们最感兴趣的是汽车的结构、机械、传动、轮胎、底盘和车身。到20世纪，人们感兴趣的则是发动机、碳排放和被动安全。到20世纪末、21世纪初，人们总体上关心3件事情，轻量化、清洁化、智能化。
所谓智能化，在他看来有4个阶段，第一是理性辅助驾驶，以人驾为主；第二是自动驾驶，局部时段可以放开手和脚；第三是自动驾驶，即用自动驾驶接管驾驶权；第四是人机协同驾驶。
在李德毅看来，无人驾驶，难在拟人。
他感叹：汽车是从马车演变而来，作为动力工具，汽车的马力可以达到100匹马力，但汽车远远不如马应对不同的负荷、天气、路面，以及不同车辆情况下的适应能力。说白了，汽车的感知、认知能力远远不如马这个认知主体，“老马识途，车不如马！”李德毅说，其根本问题不在于车而在于人，要解决人的问题，就要让驾驶员的认知能够用机器人替代，让机器人具有记忆、决策和行为能力，于是新的概念产生了——“驾驶脑”。
“驾驶脑”不等于驾驶员脑，“驾驶脑”是要做驾驶员的智能代理，要去完成包括记忆认知、计算认知和交互认知在内的驾驶认知，他说，这应该是人工智能时代最有意义的课题之一。
人工智能的研究意义
对于人工智能的研究，可以帮助我们找准人类对于自身的定位。就目前来说，人类是地球上最高形态的智慧存在，但对于整个宇宙来说，其实是不确定的，相对于未来未知的情况，就更加不确定。
人类在研究人工智能时，总是希望研究的目的成为最终的结果。从而达到对自己有利的目的。而事物的发展也不总是如我们自己所愿。从整个生命进化来看，人类并不一定是生命进化的最终形态。
如果这一点成立，那么我们研究人工智能，很可能就是告诉我们人类不要狂妄自大，人这样一种生命存在的形态，并非是生命进化的终极层次。
好了，关于人工智能是否应该研究和人工智能是否应该研究数学的问题到这里结束啦，希望可以解决您的问题哈！