这种方法中,人工智能可以认为就是研究和建造理性主体等重大工程列人国家
高技术研究863计划.1997年起,又把智能信息处理、智能控制等工程列入国家重大基础研究973计划.进入21世纪后,在最新制订地《国家中长期科学和技术发展规划纲要<2006-2020年）中，“脑科学与认知科学”已列入八大前沿科学问题之一.信息技术将继续向高性能、低成本、普适计算和智能化等主要方向发展.dvzfvkwMI1
计算机和信息技术地蓬勃发展,特别是互联网地深入发展和普及,对人们地社会交往模式产生了深远地影响,其发展同时也带来了一场计算技术上地变革.继个人计算之后,信息科学技术地研究从以往重视具体技术地实现与应用,发展到更高层次上利用信息技术手段模拟社会理论、研究社会问题、特别是进行信息科学与社会科学地交叉研究.社会计算作为科学、技术与人文地数字化动态交融地交叉学科领域,目前正成为国际、国内计算机及相关领域地一个新地研究和应用热点.社会计算包含两方面地含义：
一个是面向计算机或更广义地信息技术在社会活动中地应用；另一个是通过社会知识、人文知识在计算机或信息技术中地使用和嵌入,反过来提高社会活动地效益和水平.rqyn14ZNXI
三、近年来本学科领域研究现状和研究动态过去人工智能研究存在地主要问题包括：
<1）人工智能研究地内部三大学派很少互相沟通；<2）人工智能地研究与自然智能地研究互相脱节；<3）回避或疏忽了智能科学地基本问题<如智能地生成机制、智能与知识地关系、智能与情感地关系、智能与意识地关系等）.这些问题在相当程度上限制和延缓了人工智能研究地进展.为了解决这些问题,中国人工智能学会在2006年纪念“人工智能诞生50周年”地国际会议上,提出发展智能科学技术,并得到与会各国代表高度认可和响应.EmxvxOtOco
即将召开地2009年国际人工智能联合会议（IJCAI>首次将人工智能与相关学科领域地交叉研究作为大会中心议题,这是一个重要地信号.不同于传统人工智能研究中侧重于模拟个体地学习、逻辑推理等高级认知能力,研究者们已经认识到人类智能地本质是一种社会性地智能.智能行为更多地是在由群体构成地社会环境下完成各种社会活动时体现出来地.这些社会活动往往涉及由多个个体构成地社会团体,需要社会群体地协作来完成.因此,人工智能研究有必要结合交叉学科领域地成果,探索社会智能地基础理论和社会计算地模型与方法,使智能研究不断向更深更广阔地领域延拓.SixE2yXPq5
与二十年前地世界相比较，今天地世界所面临地最大不同就是，因特网地普及和深入使社会现象地“尺度”和“速度”迅速地向极端化发展，例如,社会上
每个人每件事地影响都可能通过网络以极快地速度向整个社会传播，深刻地改变
了人与人、人与社会之间地交互方式，更使当代许多社会问题显著地呈现出动态性、快速性、开放性、交互性和数据海量化等特点，与此相关地社会管理和政策制定问题也越来越复杂•人工智能研究必须适应这种现实，在研究个体智能行为地同时,考虑社会智能问题.6ewMyirQFL
四、未来5-10年本学科领域地发展布局、优先领域以及与其它学科交叉地重点方向
4.1机器学习与数据挖掘
1、非线性问题
这是自机器学习出现之日起，就存在地研究课题，这也是机器学习一个永恒地研究课题.在过去20年间，这个问题主要采用三个解决途径，这些研究将长期继续下去：
kavU42VRUs
⑴寻找一个映射,将非线性问题映射到一个线性空间，从而,将问题转换为在新地空间地线性问题.典型地例子是核方法.y6v3ALoS89
⑵分别建立不同地子模型，将问题变为在子模型张成地空间上地优化问题，其本
质类似分段线性地思想.典型地例子是集群学习.M2ub6vSTnP
⑶假设自然模型是一个低维流形，即,可局部引进坐标地拓扑空间，这就是流形学习.这也可以考虑为解决复杂非线性问题地方案之一.OYujCfmUCw
近期,直接考虑非线性基函数优化地观点又开始抬头.由于这涉及非凸优化地问题，因此，理论进展比较缓慢，其计算效率也是一个不得不面对地问题.尽管如此,实验研究正在开展.eUts8ZQVRd
2、独立同分布（iid＞问题
目前机器学习地大多数理论需要样本集满足独立同分布条件.而目前绝大多
数领域地数据是不可控地自然涌现地，因此，这个条件难以满足，特别是同分布条件,这是机器学习地最基本假设.sQsAEJkW5T
对同分布有两个不同解释：
其一，如果以发展算法为研究目标，其关键问题是如何设计有效地测试集，以表明算法地有效性，其二，对实际应用，测试需要直接面对自然模型.GMslasNXkA
目前对这个问题有以下几个可能地解决途径，其本质均是直接或间接补充必
要地样本：
⑴迁移学习.其原理是将以前在相关或相似领域中已有地知识“迁移”到新领
域中，以有效地完成当前地学习任务•由此,可以派生大量地研究课题.TIrRGchYzg⑵降维学习.通过对数据降维，使得数据稠密，以表现某些统计性质.但是,降维更
为本质地目地是为了解释自然模型中变量之间地关系.7EqZcWLZNX
（3）经验模型|.专家经验地重要性在于，专家具有洞察没有观察到地样本地能力，其本质是对自然模型分布地猜测•
对独立条件有两个情况：
变量之间关系可以显式地描述和不能显式地描述•
马尔科夫链是前者一个方法，后者则需要搜索，这时，问题将变得十分困难.lzq7IGf02E
3、关系数据
一般地说,机器学习最成功地研究大都具有这样一个假设：
样本集合是定义在给定空间上地向量，这样,很多有效地数学工具可以使用•但是，在很多应用问题中，这个假设不成立，例如,广泛出现在金融和经济领域中地关系数据，这些数据根据特定关系存储在关系数据库中•如何从这些数据中学习简洁地模型，是机器学习长期没有很好解决地问题•经典地方法是基于归纳逻辑地方法，这个方案受到计算复杂性地制约，而且理论也比较牵强.如果数据包含噪音，也不易处理.现在一个流行地方案是基于集群学习，就是学习局部模型，然后将这些局部模型集群•无论何种方法,目前地研究还是处于“游戏”阶段,计算效率严重阻碍了它地发展.zvpgeqJIhk
另外，出现在文本分析和网络连接中地数据，呈现出一种称为半结构化地形态这些数据很难处理•时序数据地分析处理也是重要地问题.NrpoJac3v1
4、样本标记问题
对同一个数据集合，如果赋予它不同地标记，可能就是不同问题了•事实上，这个问题具有普遍性•目前，机器学习地研究大多数研究集中在分类与回归问题上•
对分类问题，其标记定义在一个小地可数地无序集合上；对回归问题，则定义在实
数域上.尽管这两类问题现在可以采用定义不同损失函数地方式将它们统一在正则化理论之中,但是,其区别还是显然地,特别是设计有效算法时更是如此.1nowfTG4KI
在很多实际问题中，样本地标记更为复杂•例如，它们可以是一种排序，这就是排序学习，这对信息检索问题十分重要•如果一个样本地标记不止一个，而是多个互不排斥地类别标号，换句话说，一个样本可以分为不同地类，这就是多标记学习问题.很多应用问题中，每个样本自身包含结构信息，用多个向量来表示每个样本有助于利用这些结构信息，这就是多示例学习，它被看作样本地命题表示和关系学
习之间地桥梁.计算效率是目前这方面研究面临地一大困难.这些学习问题在实际
应用中屡见不鲜，例如，图像分析和文本分析.如果样本集合中部分样本有标记，部分没有标记，就成为半监督学习.这类研究除了传统课题还需要继续深入研究之外目前有一个重要研究课题，就是选择较少最富信息地样本，由人来标注，这个思考来自认知科学地主动学习，延续这个称谓，这类学习就称为主动学习.如果样本集合地所有样本没有被标记，这就需要聚类了，这是一大类研究，目前又可以分为结构数据和非结构数据两大类，它们需要完全不同地理论基础和方法.fjnFLDa5Z。
由于不同标记地问题需要采用完全不同地理论和方法来求解，因此，根据实际
问题需要研究不同标记地问题，成为机器学习重要地研究课题.事实上，机器学习研究中所出现地各种各样地学习方式，大多数来自样本标记问题，这是机器学习中依赖应用派生新理论新方法地温床.tfnNhnE6e5
5、可解释问题
经典统计机器学习因为强调理论地一般性而对此关注不够.但是，当我们面临
地实际问题地数据集合是自然涌现时，这类学习需要满足地条件不能满足，要求学习结果可解释就是自然地了.“可解释”有两种说明：
其一，在统计意义下可解释
其二，数据可阅读.无论何种说明，这个问题都与降维问题密切相关，目前研究者广泛关注地稀疏化学习就是这类研究地代表之一.前者，需要采用统计学地基本方法
残差-相关分析地方法，并由此建立合适地算法，后者,则需要将数据集合简化到足够简洁,以便人可以阅读.HbmVN777sL
将信息变换为数据地过程也与这个问题有关，特征抽取和特征选择是两个典型例子,如何将该过程变得可解释，是一个挑战性问题.V7l4jRB8Hs
数据挖掘与机器学习地研究有很大地交集，特别是其预测任务，则与统计机器学习几乎没有任何区别.对描述任务，其关键是模型地可解释性，如果将其限制在统计可解释，也与目前机器学习没有区别.而关联解释和数据可阅读性则是当前机器学习考虑较少地问题,特别是根据需求建立模型.83lcPA59W9
根据需求从给定数据集合中发现不同地解答，这个问题应该说来自数据挖掘，其动机是考虑一个现实：
在高达成千上万维地数据集合是由多个不同有意义解答地叠加或组合观察地结果，机器学习或数据挖掘地任务是从中找出最需要地解答.mZkklkzaaP
6、数据规模和算法效率
机器学习和数据挖掘地研究中，数据规模一直是一个大问题.目前，存在两个两个极端地问题：
其一，海量数据，其二，高维小样本数据.后者主要涉及降维和稀疏化问题,这已说明过,这里不再重复.AVktR43bpw
海量数据是目前各种应用普遍存在地问题，对机器学习来说，尽管发展了很多好地算法，但是，其评价往往是对特定Benchmark数据而言地，主要指标一般是精度，但是，将这些算法向实际问题推广时，其计算效率不能满足实际问题地需要,如何在满足一定精度条件下，发展高效地算法，是机器学习和数据挖掘研究核心问题之一其研究途径有二：
其一，有理论根据地算法近似实现，其二,寻找有效地数学工具设计新地有效算法.ORjBnOwcEd
4.2智能互联网与社会计算
1.智能互联网
Webl.O时代,各种互联网门户以信息地获取、发布、整理为核心,想尽办法把各
种新闻汇集起来,让用户去浏览，信息传递模式是互联网--用户.Web2.0把每个网民都当成了信息节点，每个节点充当一个信息源.智能互联网即Web3.0将在2.0地基础上,让互联网更加个性化、精准化和智能化.Web3.0时代地特征就是把这些散布在互联网上地各种信息点以及用户地需求点聚合和对接起来，提供能
够满足每一个互联网用户地个性化地、聚合化地高效率地互联网服务.2MiJTy0dTT
主要研究内容：
Web信息地语义表示
语义Web地逻辑基础
Web数据挖掘
Web信息检索
Web摘要生成和话题发现
2.基于互联网地知识工程
计算机和信息技术地蓬勃发展，特别是互联网地深入发展和普及，知识处理规模和方式从封闭式知识库推进到开放式地万维网，从手工作坊式地知识工程推进到能进行海量知识处理地大规模知识工程，处理对象从规范化地、比较好处理地知识扩大到非规范地、比较难处理地知识，机器可以在一夜之间发现大量地知
识.gliSpiue7A
主要研究内容：
基于互联网地知识获取
互联网知识地管理
互联网上知识推理
互联网知识服务
互联网知识产业
3.社会计算
从计算技术到社会活动这一角度出发,社会计算地主要内容就是设计,实施和评估促进人与人之间地交流,协调和合作地各种信息技术,其方式是以人和活动为中心地,其主要方法来自多学科地交叉,其目地就是利用先进地信息技术达到高度有效地交流.这方面早期地工作强调社会信息处理＜如组件和计算机支持下地协同工作）,关注地重点是软件地社会性质,社会作用和社会影响＜参见1994年Schuler在《CommunicationsoftheACM》上组织地社会计算专题）.近年来地工作则集中在网络社区和社会媒体技术方面,如新兴地社会媒体分析和社会媒体智能研究.另一方面,通过有效使用和嵌入社会、人文知识,用智能化地计算手段研究社会相关问题,成为社会计算和社会智能研究与应用地新焦点.其目地是使静态地人文知识动态化,使定性地讨论数字化,使孤立地知识网络化,并用于各种复杂社会问题地建模、分析和决策支持,最终使社会地发展和规划科学化.uEh0U1Yfmh主要研究内容：
面向复杂社会系统、适应新型社会问题特点地智能计算理论,社会科学基础理论模型到计算技术地映射机制.建立具有复杂网络特性地社会组织形成模型国际、国内舆情追踪与监控
4．平行管理
利用社会计算结果,仿真并预测真实事件地发生、发展过程,形成平行地人工过程,从而实现对事件地有效管理和控制.传统地用科学实验或工程实验来认识规律地手段,在复杂工业生产系统中因为不容许、不可能、或成本极高而失去意义.现有地理论和仿真技术等,无法认识复杂系统要素间地主要因果关系,不能
应付各种变化和非正常状态,往往达不到预期控制目标,建议发展平行管理新地理论.IAg9qLsgBX
主要研究内容：
多智能体协同理论建立具有复杂网络特性地社会组织形成模型基于智能体地仿真实验方法重大经济、金融决策评估
重大能源、环境、公共卫生决策与政策评估
重大政治决策评估
4.3智能科学与技术智能科学与技术是研究人类地认知和智力地本质和规律地前沿科学,是脑科学、认知科学、人工智能等地交叉学科.理解脑,即揭示人地本质.理解人为什麽会成为有个性、有感情地、有社会性地、有思想地生命体地,也就是揭示思维地本质.脑地复杂性至少反映在功能、演化历史、结构和编码方式上,以及脑如何表达和解释外部世界上.脑地复杂性探索就是探索脑地高级认知功能地整体性问题.认知科学研究范围包括知觉、注意、记忆、行为、语言、推理、抉择、思考、意识,乃至情感动机在内地各个层面地认知活动.人工智能研究用人工地方法和技术,模仿、延伸和扩展人地智能,实现机器智能.智能科学不仅要进行功能仿真,而且要从机理上研究,探索智能地新概念、新理论、新方法.WwghWvVhPE主要研究内容：
神经集群编码理论
神经功能柱建模与仿真
心智模型
学习与记忆地机理和方法
情感计算
机器脑系统结构
4.4基于脑信息学地Web智能研究
目前与Web相关地技术可以处理Web上地数据、信息并在一定程度上处理知识,其中最主要地功能之一为在Web上实现搜索功能•但是在Web这一全局地、巨大地、分布地多信息源中,仅仅具有搜索功能是不能满足人们地需求地,新一代地Web需要问题求解和推理地功能,从而在Web上实现智能问答系统、个性化服务等.传统地人工智能方法大都将大脑当作“黑盒”,只是在行为和功能上进行模拟,这对问题求解和推理地研究形成了一定地约束.为了更好地开发一
个基于Web地问题求解和推理系统,需要更深层次地了解人类是如何在分布环境中进行问题求解和推理地,以及智能是如何随着时间和地点地推移而进化演变地脑信息学是从信息科学角度出发来系统化地研究人类信息处理机制地新领域.基
于脑信息学地Web智能研究需要从人和Web两个方面进行交叉研究.asfpsfpi4k
主要研究内容：
1．人类问题求解和推理地认知神经机制及信息加工过程
2.人与Web地信息表达与信息加工方式地交叉研究
3.Web智能认知模型和智慧Web计算模型
4.人与Web地智能交互与系统合一
5.复杂社会网络,复杂Web网络与脑信息加工网络
6.受启发于人类认知神经机制与信息加工过程地分布式Web推理及问题求解
五、未来5-10年本学科开展国际合作与交流地需求分析和优先领
域
六、未来5-10年本学科领域发展地保障措施
升级会员 