在过去的七十年间，人工智能（AI）历经了一条既迷人又多元的发展道路，囊括了众多方法与技术。尽管深度神经网络在近年来崭露头角，成为一股主导力量，但该领域的起源实际上可追溯到对的探索，其灵感深受人脑结构与功能的启发。20世纪40至50年代的开创性成果为人工神经网络奠定了基石。然而，由于当时计算能力的不足与理论理解的局限，加之明斯基和帕珀特在1969年对感知器提出的批判性分析，该领域陷入了一段被称为“AI冬天”的低迷时期，连接主义的研究兴趣和资金支持均大幅减少。

　　与此同时，从20世纪50年代至80年代，符号人工智能逐渐崭露头角，它侧重于利用符号与逻辑来表征知识与推理，进而推动了基于知识的专家系统的发展。然而，其在知识表示、处理及从数据中学习方面的局限性，最终为连接主义人工智能在20世纪80年代的复兴埋下了伏笔。计算技术的飞跃与反向传播算法的突破，为这一方法注入了新的活力，最终引领我们进入了深度学习与深度神经网络的崭新时代。

　　除了上述两大主要范式外，模糊逻辑系统、处理不确定性和二精度问题的能力，以及模拟生物学过程的自然启发式优化技术，也在人工智能的发展历程中扮演了举足轻重的角色。机器学习、自然语言处理、计算机视觉与机器人技术等领域的突破，更是为人工智能的蓬勃发展注入了强劲动力，不仅极大地拓展了其能力边界，还推动了其在各个领域的广泛应用。

　　人工智能与数字计算机技术之间的共生关系，无疑是加速这一进程的关键所在。处理能力与内存容量的指数级增长，使得愈发复杂的算法与模型得以实现。而诸如GPU和TPU等专用硬件的广泛应用，以及云计算资源的普及，更是极大地降低了计算资源的获取门槛，助力研究人员与开发人员不断突破人工智能的创新边界。

　　这种对进步的不懈追求，体现在范氏（Phams）智能系统的第一定律中，即人工智能系统有一定程度的智能：“就像熵一样，人工智能系统将不断增长。”这一定律强调了增强人工智能能力的持续驱动力，反映了宇宙中观察到的复杂性和精密性不断增加的自然趋势。

　　在此基础上，范氏（Phams）第二定律增加了一个至关重要的维度：“人工智能系统的‘智人化’进程是不可逆转的。”这一论断与第一定律相辅相成，共同阐明了一旦人工智能系统跨越了某个智能阈值，它们将持续进化并不断增强能力，这一进程有可能带来无法预见的进步与挑战。生成式人工智能的迅猛崛起以及语言模型能力的爆炸式增长，为范氏第一和第二定律的有效性提供了令人瞩目的佐证。当代的通用智能系统已能轻松通过图灵测试，能在众多领域内模拟出类拔萃的人类操作，这一现象既引发了人们对该技术潜在意义的热烈探讨，也带来了深深的忧虑。

　　诸如GPT-4、Gemini及其后续模型等大型语言模型的发展，不断推动着自然语言处理的边界，使得人工智能系统能够胜任从翻译、总结到创造性写作乃至协同创作等多样化的任务。在生成式对抗网络（GANs）与基于Transformer的语言模型的推动下，除了技术领域的革新之外，还催生了深度仿真技术、人工智能辅助写作工具以及自动音乐创作等广泛的应用场景。

　　这些发展不仅在各个领域开辟了新的研究前沿，更引发了关于创造力本质、数字内容真实性以及潜在表达形式的深刻对话。生成式人工智能的真实存在与快速发展，进一步强化了这样一个理念：一旦人工智能系统达到某个特定的智能水平，它们的进化将成为一股不可阻挡的力量，推动技术的可能发展，并挑战我们对智能本身的传统理解。

　　人工智能系统复杂度的提升，往往会引入更大的复杂性，进而削弱其可预测性。这一现象被范氏（Phams）第三条智能系统定律所精准捕捉：“可控制的人工智能，其可控性仅是一种可能性。”在扩展能力与维持可靠性和安全性之间寻求平衡，构成了人工智能开发的核心挑战。特别是在复杂的深度学习模型中，可控性的缺失已成为一个重大障碍，尤其在那些透明度和问责制至关重要的关键性应用领域。

　　范氏定律的深远影响，凸显了负责任地开发和部署人工智能的迫切需求。随着人工智能系统日益强大和自主，确保其在伦理框架内运行，并与人类价值观保持一致，已成为不可或缺的任务。为了应对偏见问题、实现公平的人工智能决策、确保数据的伦理使用，以及评估人工智能应用可能带来的社会经济影响，我们需要一个跨学科的方法，汇聚技术人员、伦理学家、政策制定者和社会科学家的智慧。

　　在人工智能的开发过程中，伦理考量应贯穿其整个生命周期，从数据收集与算法设计，到部署与持续监控。在诸如医疗保健、金融和刑事司法等高风险应用领域，人工智能决策的透明度和可解释性显得尤为关键。此外，为了维护公众信任，保护隐私、获取同意以及确保数据所有权同样至关重要。同时，为了消除人工智能系统可能加剧社会偏见的潜在风险，我们必须致力于开发公平且无偏见的算法。

　　人工智能（AI）的社会影响同样显著。随着AI技术的不断进步，它们有潜力重塑劳动力市场、改变社会互动方式，并对政治进程产生深远影响。各行业任务的自动化引发了对未来工作形态的深刻思考，同时也凸显了技能更新与提升的重要性。人工智能通过社交媒体算法和个性化内容推荐，正悄然改变着社会互动的方式，这一变化对公共话语的质量和社会凝聚力产生了显著影响。在政治领域，人们持续担忧AI可能通过精准投放的广告和信息战来干扰民主进程的正常运行。

　　为应对这些多维度挑战，我们需要采取协同合作和整体推进的策略。诸如电气电子工程师学会（IEEE）全球自主和智能系统伦理倡议、欧盟的可信AI伦理指南，以及英国政府举办的世界首次AI安全峰会等举措，对于建立伦理AI开发的原则和标准至关重要。

　　从技术层面来看，确保AI系统（尤其在关键应用领域）的稳健性、可靠性和安全性，始终是业界公认的优先级。在形式验证、鲁棒性强的机器学习算法以及AI安全等领域开展深入研究，是解决当前技术难题的必由之路。

　　同时，追求节能且环境可持续的人工智能系统也显得尤为迫切。大型AI模型的训练和部署消耗了大量的计算资源和能源，从而增加了碳排放。因此，研究人员正在积极探索模型压缩、高效硬件设计和绿色AI算法等技术，旨在最大程度地减少AI技术的环境影响。

　　展望未来，通用人工智能（AGI）的发展以及AI与量子计算、生物技术等新兴技术的融合，将为我们开辟新的研究领域并带来新的挑战。尽管AGI仍是一个长期目标，但当前在这一领域的研究正不断拓展AI的能力边界，深化我们对智能本质的理解。

　　综上所述，人工智能正站在历史的十字路口。AI能力的飞速发展为我们带来了前所未有的创新和进步机遇，但驾驭伦理、社会和技术层面的复杂性同样至关重要。通过促进全球对话、优先发展教育，并推动负责任的AI开发，我们可以引导这一强大的数字技术朝着造福全人类的方向迈进。

　　英国伯明翰大学机械工程学院首席教授、英国皇家工程院院士、《Digital Engineering》期刊编委

　　英国制造工程师协会委员、工程与技术学会委员、机械工程师协会委员、威尔士学会委员、2014卓越研究框架(the Research ExcellenceFramework)12分区(航空、力学、化学和制造工程)成员、英国工程和物理科学研究委员会大学联合会成员、国际机器人自动控制联合会技术委员会委员、欧盟制造执行支撑小组成员。

　　Pham教授在机械、制造、系统工程领域对理论和应用都有着广泛的贡献，已经发表了超过600篇学术论文和18本著作，担任多个国际著名期刊的主编、编辑或副主编。

　　因其在工程领域的突出贡献，曾获得1996年度和2000年度机械工程师学会的约瑟夫•惠特沃斯奖、2001年度和2003年度机械工程师学会的托马斯•斯蒂芬斯奖、2004年度机械工程师学会的唐纳德•尤利乌斯格龙奖。2003年新年授勋仪式上被授予英国官佐勋章（OBE）。

　　● 港理工黄国全教授、钟润阳教授团队：基于异质强度的DBSCAN模型在数字孪生城市注意力分布中的应用

　　● 英国卡迪夫大学刘滢教授团队：面向工业5.0的人机交互：以人为本的智能制造

　　● 北航陶飞教授团队：数字试验测试验证：理论、关键技术及应用探索丨JME封面文章AG真人国际