人工智能的研究价值

国内做的比较好的是方舟物联，合作过，服务周到态度好，技术过硬，人才多，亲自看下吧。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。[1]2017年12月，人工智能入选“2017年度中国媒体十大流行语”。[2]中文名人工智能外文名ARTIFICIAL INTELLIGENCE简称AI提出时间1956年提出地点DARTMOUTH学会相关课程 大咖分享提高人工智能开发效率经验去学习快速导航研究价值发展阶段科学介绍技术研究专业机构主要成果相关著作发展简史研究课题流行语定义详解人工智能机器人人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统

人工智能(Artificial Intelligence) ，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、3737方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。“人工智能”一词最初是在1956 年Dartmouth学会上提出的。从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。例如繁重的科学和工程计算本来是要人脑来承担的，现在计算机不但能完成这种计算, 而且能够比人脑做得更快、更准确，因之当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”, 可见复杂工作的定义是随着时代的发展和技术的进步而变化的, 人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，一方面又转向更有意义、更加困难的目标。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机, 人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外, 人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。[编辑本段]【人工和智能】人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或着人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。关于什么是“智能”，就问题多多了。这涉及到其它诸如意识（consciousness）、自我（self）、思维（mind）（包括无意识的思维（unconscious_mind）等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。人工智能目前在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。[编辑本段]【人工智能的定义】著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。人工智能（Artificial Intelligence，简称AI）是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪（基因工程、纳米科学、人工智能）三大尖端技术之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。[编辑本段]【实际应用】机器视觉:指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统,智能搜索，定理证明，博弈，自动程序设计，还有航天应用等。[编辑本段]【学科范畴】人工智能是一门边沿学科，属于自然科学和社会科学的交叉。[编辑本段]【涉及学科】哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，[编辑本段]【研究范畴】自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计，软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法[编辑本段]【应用领域】智能控制，机器人学，语言和图像理解，遗传编程[编辑本段]【意识和人工智能的区别】人工智能就其本质而言，是对人的思维的信息过程的模拟。对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟，是对人脑思维的信息过程的模拟。人工智能不是人的智能，更不会超过人的智能。“机器思维”同人类思维的本质区别：1.人工智能纯系无意识的机械的物理的过程，人类智能主要是生理和心理的过程。2.人工智能没有社会性。3.人工智能没有人类的意识所特有的能动的创造能力。4.两者总是人脑的思维在前，电脑的功能在后。[编辑本段]【强人工智能和弱人工智能】人工智能的一个比较流行的定义，也是该领域较早的定义，是由约翰·麦卡锡（John McCarthy|）在1956年的达特矛斯会议（Dartmouth Conference）上提出的：人工智能就是要让机器的行为看起来就象是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性（见下）。另一个定义指人工智能是人造机器所表现出来的智能性。总体来讲，目前对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。强人工智能强人工智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（Problem_solving）的智能机器，并且，这样的机器能将被认为是有知觉的，有自我意识的。强人工智能可以有两类：类人的人工智能，即机器的思考和推理就像人的思维一样。非类人的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。弱人工智能弱人工智能观点认为不可能制造出能真正地推理（Reasoning）和解决问题（Problem_solving）的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。主流科研集中在弱人工智能上，并且一般认为这一研究领域已经取得可观的成就。强人工智能的研究则出于停滞不前的状态下。对强人工智能的哲学争论“强人工智能”一词最初是约翰·罗杰斯·希尔勒针对计算机和其它信息处理机器创造的，其定义为：“强人工智能观点认为计算机不仅是用来研究人的思维的一种工具；相反，只要运行适当的程序，计算机本身就是有思维的。”（J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980）这是指使计算机从事智能的活动。在这里智能的涵义是多义的、不确定的，象下面所提到的就是其中的例子。利用计算机解决问题时，必须知道明确的程序。可是，人即使在不清楚程序时，根据发现（heu- ristic）法而设法巧妙地解决了问题的情况是不少的。如识别书写的文字、图形、声音等，所谓认识模型就是一例。再有，能力因学习而得到的提高和归纳推理、依据类推而进行的推理等，也是其例。此外，解决的程序虽然是清楚的，但是实行起来需要很长时间，对于这样的问题，人能在很短的时间内找出相当好的解决方法，如竞技的比赛等就是其例。还有，计算机在没有给予充分的合乎逻辑的正确信息时，就不能理解它的意义，而人在仅是被给予不充分、不正确的信息的情况下，根据适当的补充信息，也能抓住它的意义。自然语言就是例子。用计算机处理自然语言，称为自然语言处理。关于强人工智能的争论不同于更广义的一元论和二元论（alism）的争论。其争论要点是：如果一台机器的唯一工作原理就是对编码数据进行转换，那么这台机器是不是有思维的？希尔勒认为这是不可能的。他举了个中文房间的例子来说明，如果机器仅仅是对数据进行转换，而数据本身是对某些事情的一种编码表现，那么在不理解这一编码和这实际事情之间的对应关系的前提下，机器不可能对其处理的数据有任何理解。基于这一论点，希尔勒认为即使有机器通过了图灵测试，也不一定说明机器就真的像人一样有思维和意识。也有哲学家持不同的观点。Daniel C. Dennett 在其著作 Consciousness Explained 里认为，人也不过是一台有灵魂的机器而已，为什么我们认为人可以有智能而普通机器就不能呢？他认为像上述的数据转换机器是有可能有思维和意识的。有的哲学家认为如果弱人工智能是可实现的，那么强人工智能也是可实现的。比如Simon Blackburn在其哲学入门教材 Think 里说道，一个人的看起来是“智能”的行动并不能真正说明这个人就真的是智能的。我永远不可能知道另一个人是否真的像我一样是智能的，还是说她／他仅仅是看起来是智能的。基于这个论点，既然弱人工智能认为可以令机器看起来像是智能的，那就不能完全否定这机器是真的有智能的。Blackburn 认为这是一个主观认定的问题。需要要指出的是，弱人工智能并非和强人工智能完全对立，也就是说，即使强人工智能是可能的，弱人工智能仍然是有意义的。至少，今日的计算机能做的事，像算术运算等，在百多年前是被认为很需要智能的。[编辑本段]【人工智能简史】人工智能的传说可以追溯到古埃及，但随着1941年以来电子计算机的发展，技术已最终可以创造出机器智能，“人工智能”(Artificial Intelligence)一词最初是在1956年Dartmouth学会上提出的，从那以后,研究者们发展了众多理论和原理，人工智能的概念也随之扩展，在它还不长的历史中，人工智能的发展比预想的要慢，但一直在前进，从40年前出现到现在，已经出现了许多AI程序，并且它们也影响到了其它 技术的发展。计算机时代1941年的一项发明使信息存储和处理的各个方面都发生了革命.这项同时在美国和德国出现的 发明就是电子计算机.第一台计算机要占用几间装空调的大房间,对程序员来说是场恶梦:仅仅为运行一 个程序就要设置成千的线路.1949年改进后的能存储程序的计算机使得输入程序变得简单些,而且计算机 理论的发展产生了计算机科学,并最终促使了人工智能的出现.计算机这个用电子方式处理数据的发明, 为人工智能的可能实现提供了一种媒介.AI的开端虽然计算机为AI提供了必要的技术基础,但直到50年代早期人们才注意到人类智能与机器之间 的联系. Norbert Wiener是最早研究反馈理论的美国人之一.最熟悉的反馈控制的例子是自动调温器.它 将收集到的房间温度与希望的温度比较,并做出反应将加热器开大或关小,从而控制环境温度.这项对反馈 回路的研究重要性在于: Wiener从理论上指出,所有的智能活动都是反馈机制的结果.而反馈机制是有可 能用机器模拟的.这项发现对早期AI的发展影响很大.1955年末,Newell和Simon做了一个名为"逻辑专家"(Logic Theorist)的程序.这个程序被许多人 认为是第一个AI程序.它将每个问题都表示成一个树形模型,然后选择最可能得到正确结论的那一枝来求解 问题."逻辑专家"对公众和AI研究领域产生的影响使它成为AI发展中一个重要的里程碑.1956年,被认为是 人工智能之父的John McCarthy组织了一次学会,将许多对机器智能感兴趣的专家学者聚集在一起进行了一 个月的讨论.他请他们到 Vermont参加 " Dartmouth人工智能夏季研究会".从那时起,这个领域被命名为 "人工智能".虽然 Dartmouth学会不是非常成功,但它确实集中了AI的创立者们,并为以后的AI研究奠定了基础.Dartmouth会议后的7年中,AI研究开始快速发展.虽然这个领域还没明确定义,会议中的一些思想 已被重新考虑和使用了. Carnegie Mellon大学和MIT开始组建AI研究中心.研究面临新的挑战: 下一步需 要建立能够更有效解决问题的系统,例如在"逻辑专家"中减少搜索;还有就是建立可以自我学习的系统.1957年一个新程序,"通用解题机"(GPS)的第一个版本进行了测试.这个程序是由制作"逻辑专家" 的同一个组开发的.GPS扩展了Wiener的反馈原理,可以解决很多常识问题.两年以后,IBM成立了一个AI研 究组.Herbert Gelerneter花3年时间制作了一个解几何定理的程序.当越来越多的程序涌现时,McCarthy正忙于一个AI史上的突破.1958年McCarthy宣布了他的新成 果: LISP语言. LISP到今天还在用."LISP"的意思是"表处理"(LISt Processing),它很快就为大多数AI开发者采纳.1963年MIT从美国政府得到一笔220万美元的资助,用于研究机器辅助识别.这笔资助来自国防部 高级研究计划署(ARPA),已保证美国在技术进步上领先于苏联.这个计划吸引了来自全世界的计算机科学家, 加快了AI研究的发展步伐.大量的程序以后几年出现了大量程序.其中一个著名的叫"SHRDLU"."SHRDLU"是"微型世界"项目的一部分,包括 在微型世界(例如只有有限数量的几何形体)中的研究与编程.在MIT由Marvin Minsky领导的研究人员发现, 面对小规模的对象,计算机程序可以解决空间和逻辑问题.其它如在60年代末出现的"STUDENT"可以解决代数 问题,"SIR"可以理解简单的英语句子.这些程序的结果对处理语言理解和逻辑有所帮助.70年代另一个进展是专家系统.专家系统可以预测在一定条件下某种解的概率.由于当时计算机已 有巨大容量,专家系统有可能从数据中得出规律.专家系统的市场应用很广.十年间,专家系统被用于股市预 测,帮助医生诊断疾病,以及指示矿工确定矿藏位置等.这一切都因为专家系统存储规律和信息的能力而成为可能.70年代许多新方法被用于AI开发,著名的如Minsky的构造理论.另外David Marr提出了机器视觉方 面的新理论,例如,如何通过一副图像的阴影,形状,颜色,边界和纹理等基本信息辨别图像.通过分析这些信 息,可以推断出图像可能是什么.同时期另一项成果是PROLOGE语言,于1972年提出. 80年代期间,AI前进更为迅速,并地进入商业领域.1986年,美国AI相关软硬件销售高达4.25亿 美元.专家系统因其效用尤受需求.象数字电气公司这样的公司用XCON专家系统为VAX大型机编程.杜邦,通用 汽车公司和波音公司也大量依赖专家系统.为满足计算机专家的需要,一些生产专家系统辅助制作软件的公 司,如Teknowledge和Intellicorp成立了。为了查找和改正现有专家系统中的错误,又有另外一些专家系统被设计出来.从实验室到日常生活人们开始感受到计算机和人工智能技术的影响.计算机技术不再只属于实验室中的一小群研究人员. 个人电脑和众多技术杂志使计算机技术展现在人们面前.有了象美国人工智能协会这样的基金会.因为AI开发 的需要,还出现了一阵研究人员进入私人公司的热潮。150多所像DEC(它雇了700多员工从事AI研究)这样的公司共花了10亿美元在内部的AI开发组上.其它一些AI领域也在80年代进入市场.其中一项就是机器视觉. Minsky和Marr的成果现在用到了生产线上的相机和计算机中,进行质量控制.尽管还很简陋,这些系统已能够通过黑白区别分辨出物件形状的不同.到1985年美国有一百多个公司生产机器视觉系统,销售额共达8千万美元.但80年代对AI工业来说也不全是好年景.86-87年对AI系统的需求下降,业界损失了近5亿美元.象 Teknowledge和Intellicorp两家共损失超过6百万美元,大约占利润的三分之一巨大的损失迫使许多研究领 导者削减经费.另一个另人失望的是国防部高级研究计划署支持的所谓"智能卡车".这个项目目的是研制一种能完成许多战地任务的机器人。由于项目缺陷和成功无望,Pentagon停止了项目的经费.尽管经历了这些受挫的事件,AI仍在慢慢恢复发展.新的技术在日本被开发出来,如在美国首创的模糊逻辑,它可以从不确定的条件作出决策;还有神经网络,被视为实现人工智能的可能途径.总之,80年代AI被引入了市场,并显示出实用价值.可以确信,它将是通向21世纪之匙. 人工智能技术接受检验 在"沙漠风暴"行动中军方的智能设备经受了战争的检验.人工智能技术被用于导弹系统和预警显示以 及其它先进武器.AI技术也进入了家庭.智能电脑的增加吸引了公众兴趣;一些面向苹果机和IBM兼容机的应用 软件例如语音和文字识别已可买到;使用模糊逻辑,AI技术简化了摄像设备.对人工智能相关技术更大的需求促 使新的进步不断出现.人工智能已经并且将继续不可避免地改变我们的生活.

人工智能的利：1、人工智能可以使我们的生活变得更加便利，减轻人版们的负担。人工智权能应用后，各行业的生产效率大幅提高，人类财富会快速增长，为人类的美好生活提供了坚实的物质基础。2、人工智能让生活更舒适。在未来，马路上不需要红绿灯，无人驾驶汽车在公路上奔驰，快速平安的把主人送到家，刚到门口，并亲切的说了句：“欢迎回家。”，走进房门，机器人空调变自动开机把室温调节到舒适。厨房里，厨师机器人早已开始了做饭，香气飘满了整个房间。人工智能让这些不再是梦。人工智能的弊：1、失业率增加。人工智能的发展，会导致很多人失业。据人力资源和社会保障部2016年新闻发布会介绍，2016年末中国失业率达4.05%，机器人拥有者不会疲劳的属性，这将代替很多劳动力导致失业率的增加。2、人工智能机器人具有一定的危险性。如果在未来人工智能自我意识觉醒反过来攻击人类，我们该如何应对？ 毕竟我们没有机器人聪明，没有它们强壮的力量，更没有它们恐怖的学习能力，似乎机器人的出现意味着人类将会被淘汰。 著名科学家史蒂芬·霍金更是认为：未来一百年内，人工智能将比人类更聪明，机器人将控制人类。

我认为是创造力

人工智能，原子能技术，空间技术。人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，包括机器人、语言识别、图像识别、自然语言处理等。人工智能通常表现为类似人类的机器，可以用复杂的身份和个性来思考，推理甚至感受。从本质上讲，人工智能指的是机器能够以与人类相同的复杂性做出复杂决策的能力，需要高技能的事情，因为取决于考虑大量的变量，并借鉴积累的知识和经验的银行。扩展资料：人工智能的研究价值例如繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的。人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，另一方面又转向更有意义、更加困难的目标。通常，“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。

宁波诺丁汉大学的计算机与人工智能是2+2项目，英国诺丁汉大学在计算机人工智能回领域很强，毕答业生的升学与就业前景很好。如果在英国读研，申请帝国理工档次的学校应该没问题，去美国，哥伦比亚大学、宾夕法尼亚大学、卡内基梅隆等属于正常。北邮国际学院的通讯工程与管理也不错，也是与英方合作的项目，毕业生出国读研率高，去向不错，具体去北邮国院网站可查。个人感觉北邮国院学得更扎实、生源稍好一些，方向是通讯、电子商务方向，北邮在国内通讯界名气很大；宁诺学的知识更国际化、针对性更强，因小班授课和2+2，学生的学习资源和获得老师帮助些，诺丁汉大学比玛丽女王学院名气大，专业方向与北邮国院不同。结合孩子的最终国内外就业发展规划、专业喜好与特长、经济能力（2+2花费高）、自制能力，进行选择，两校都是今后出国求学的上佳之选。

貌似人工智能已经深入各个研究领域了，人工智能本身也是十分有研究价值。基础是数学、计算机，应用很广泛，像机器人等领域。上海交大的理论研究很好，不过好像近年来人工智能在世界范围内的进步都不大。仅作参考

应社会发展的需要，因为科学家发现，人类如果想要进入太空时代就必须要发展人工智能把大部分的人力资源解放，用以其他事业

长久以来，“学文科到底有用没用”和“吃咸粽还是甜粽”“冬天北方冷还是南方冷”一样是全民争论话题。但凡涉及这类话题，社交网络上都少不了一番论战。如果说后两个话题还有势均力敌的辩论余地，那么文理之争中，文科可谓长期处于下风。一个最简单粗暴的论据就是：文科生找不到工作赚不了大钱。“钱途黯淡”之余，更令中国文科生扎心的是文科专业的长期边缘化。界面文化曾报道过，1952年高校院系调整全面展开，在学科上大大增强工科，削弱文科，由此奠定了中国高等教育“重理轻文”的格局，导致了当下中国“文科”落后、畸形的发展状况和公众对文科的重重误解。据报道，在大学中，文科专业的研究经费常常不及理工科的零头，进一步打压了文史哲研究者的研究积极性。一个简单的事实说明了文科在中国长期被忽视的状况：中国设有国家自然科学奖，但文科的国家级奖项近乎为零。“学好数理化，走遍天下都不怕”的观念几十年来屹立不倒，号召着越来越多的中国学生前赴后继地投身STEM（科学、技术、工程、数学）专业。在技术变革、知识迭代步伐越来越快的当下，理工科似乎才是能够产生实际经济效益和物质成果的领域。所以文科真的没用吗？事实并非如此。在急速进化的高科技未来，是那些“人之所以为人”的素质——智性上的好奇心、创造力、同理心、批判性思维和写作能力——让我们保持竞争优势，而这些素质，很多正是文科着力培养的内容。更重要的是，人工智能的飞速迭代进化极有可能颠覆人类社会、政治、经济和文化的基石，为人类的生存带来巨大挑战。这些问题不是实验室里的科学家或电脑前的程序员可以独自解决的，他们需要与人文社科专业人士携手并进，共同找到答案。当人类面对“弗兰肯斯坦”式的道德困境《彭博商业周刊》把2015年定为人工智能发展的元年，因为在那一年，计算智能、感知智能、认知智能发展有了明显的提升。在人工智能领域，中国不仅没有缺席，而且正在积极引领变革。在“未来已来”的狂欢气氛中，《时代周刊》刊发的一篇文章认为，呆板的工科思维只会带来短视的创造，因此所有重视社会道德的科技公司都应该聘用一些具有人类学、心理学和哲学背景的人才。当下企业面临的道德困境很多。被很多人忽视的一个事实是，新技术、新产品的出现不仅在改变人们的生活，也在私人生活和社会生活中创造许多前所未有的问题。随着技术革新的速度越来越快，我们将发现科技进步不仅只是理所当然地赋予人类的自由，甚至也是对人类存在本身的质疑和对人类文明与社会基础的挑战。理解人性是应对未来挑战的关键当我们还在为“人工智能抢夺工作机会”感到忧虑的时候，历史学家尤瓦尔·赫拉利直接在《未来简史》中预言了一个近乎绝望的场景：“随着人工智能、机器人逐步取代人类的职业，未来99%的人类将变成无用之人，许多人都将会失去经济价值。更可怕的是，一旦低级智人丧失了军事和经济价值，精英阶层与政府可能会丧失投资教育、健康和福利的动力，最终导致他们被整个系统抛弃。这将是无与伦比的噩耗。”伦敦帝国理工学院认知机器人学系教授默里·沙纳汉同样在《技术奇点》中警示我们：在人工智能颠覆经济与社会前，我们应该更加慎重地思考这一切到底意味着什么。若是我们创造出一种人类水平的人工智能，且被看作具有意识，并因此应当获得权利和承担责任，那是否意味着亘古至今的人类中心主义不复存在？人工智能的行为是否会脱离人类的指导，只寻求回报函数最大化？所有权、公民权、民主和责任这样的根本概念是否会被颠覆？伦敦帝国理工学院认知机器人学系教授默里·沙纳汉（Murray Shanahan）这些问题不是实验室里的科学家或电脑前的程序员可以独自解决的。它们要求我们重新思考构成人类社会、政治、经济和文化的基石，找到传承和创新的最佳平衡点，这些也正是人文社科专业人士能够通过他们对人类生存状态的深刻洞察以及与科技创新人士的交流合作解答的问题。从物联网、人工智能到区块链、比特币，我们所生活的世界已经被高科技如此紧密地包围，以至于大多数人已无法理解这些正在进行时的新事物了，然而那些创造了这些新技术的人不一定是如何应用这些发明的最佳决策者。“漫天奇光异彩，犹如圣灵逞威，祗有千只太阳，始能与它争辉。现在我成了死神，世界的毁灭者。”70多年前，有着人类“原子弹之父”之称的美国犹太人物理学家罗伯特·奥本海默（Robert Oppenheimer）在目睹了人类史上第一颗原子弹爆炸时不禁念起了他曾自学过的《摩诃婆罗多》中的《薄伽梵歌》。在那一刻他明白过来，自己所致力于创造的这项新武器将演变为人类的精神危机，这不仅仅只是因为原子弹有使得人类灭绝的可怕威力。指引奥本海默认清这一后果，并促使他发出警告不应将这种武器完全置于科学家和军人之手及试制氢弹的，不仅是他渊博的物理学知识，还有这首印度教的梵文史诗。文科的核心竞争力在于其批判性思维我们可以看到，在理工科背景人士扎堆的科技领域，正在出现越来越多文科生的身影，即使他们在大学里学的可能是存在主义、南明史、性别文学或《新教伦理与资本主义精神》，与代码和算法构成的世界貌似格格不入。越来越多的公司开始意识到文科思维对公司发展的重要性。美国云计算团队合作工具服务商Slack就是一个很好的例子。这家成立于2013年的公司于2017年获得2.5亿美元的新一轮融资，估值上升至51亿美元。它的联合创始人兼首席执行官Stewart Butterfield的教育背景或许会让很多人惊讶：他在加拿大维多利亚大学（University of Victoria）获得了哲学本科学位，在剑桥大学获得了哲学和科学史硕士学位。在接受Forbes的采访时，Butterfield说哲学教会了他两件事：“我学会了如何清楚明了地写作，我还学会了如何紧盯着一个论点，这在开会时非常有用。在学习科学史的过程中，我了解了人们是如何对某些谬误的事情深信不疑……直到他们发现那不是事实。”文科的拥趸常常称文科的核心竞争力在于其对批判性思维（critical thinking）的培养。在分析了美国大型企业发布的数千份年薪10万美元以上的优质职位招聘广告后，《你能做任何工作：“无用的”人文教育的惊人力量》（You Can Do Anything: The Surprising Power of a “Useless” Liberal Arts Ecation）作者George Anders发现雇主也非常重视批判性思维，而他们眼中的“批判性思维”实际上包含五个方面：探索未知领域的强烈意愿、获得有力洞见的分析能力、高效决策能力、理解他人的能力以及有影响力的沟通能力。优秀的文科生会发现他们对这些雇主孜孜以求的能力并不陌生：撰写课程论文所需的核心技能就是根据一个主题完成指定的阅读材料，寻找新素材，从纷繁芜杂的信息中提炼出观点，形成洞察——放在商业环境中，你或许要做的是一项新产品的用户调研，根据过往商品的市场反馈判断新产品的前景；衡量不同观点，在避免偏见的基础上形成自己的立场亦是文科生熟悉的思维方式——这就是商业决策能力；阅读文学作品，理解人性善恶和人物动机，学习社会学，分析人与社会的互动是如何塑造人类行为的——在管理团队时你正需要理解团队成员和他们的潜在利益冲突点；写作与演讲是文科生几乎每日都在操练的技能——这样的沟通能力，在团队协作、汇报工作、会见客户时也至关重要。在对未知的探索中构建新的意义在美国文化评论家Leon Wieseltier看来，文科面临的困局很大程度上是由当下这种科技至上的文化氛围造成的——我们过于重视速度和结论性答案，轻视了自由思考和提出复杂问题的重要性。“谷歌带来的即时满足把知识降低成信息状态，但信息本身其实是非常低等的。知识需要的是探究精神、研究方法，以及最重要的，时间。”从宏观层面来说，文科的重要性在于“自由思考和提出复杂问题”无论在过去还是现在都是我们迎接种种社会挑战的前提。无论是赫拉利这样的历史学家还是科技行业领袖，现在还没有人能够准确预测未来技术是将帮助人类还是毁灭人类。我们或许可以计算出有多少工作岗位会被自动化，却对未来将出现哪些新的工作机会无甚头绪。在技术革新造成结构性失业、引发社会动荡，甚至动摇人类认知的根基时，我们应该怎么办？未来的挑战甚至不仅仅如此。1949年，埃莉诺·罗斯福（第32任美国总统富兰克林·D·罗斯福的妻子）受邀前往美国最负盛名的私立女子文理学院史密斯学院发表讲话。在讲话中，她准确地预言了直至今日我们仍在面对的问题：“我们是否准备好生活在一个越来越小的世界，与来自不同国家、有着不同风俗习惯和宗教信仰、遵循不同的法律体系、说着不同的语言的人摩肩接踵地生活在一起？”在经济发展不确定性增加、民粹主义和地方保护主义势力抬头、舆论和观点日益两极化的此时此刻，我们或许更加需要文科，因为人文知识能够为我们提供一个探索和理解人类经验的理想基础。学习不同的哲学派别也许能帮助你更全面地思考道德问题；学习另一种语言也许能让你开始欣赏不同文化间的相似之处；听一堂历史课也许能帮助你更好地理解过去，展望未来；读一本外国小说也许能让你学会从他人的角度思考……通过学习文科，我们更好地理解自己和他人，更容易理解领会复杂的道德争议和人性幽暗之处，亦能够为解决复杂问题做好更充足的准备。很大程度上来说，文科生一直以来接受的教育就是要习惯没有确切答案、探索未知领域，并在模棱两可中构建自己的意义，所有针对文科的质疑，不过是人生的未卜航行中激起的浪花。但在当今世界，谁知道其他人就无需面对这些了呢？