诺贝尔遗嘱全文
　　我，签名人艾尔弗雷德-伯哈德-诺贝尔，经过郑重的考虑后特此宣布，下文是关于处理我死后所留下的财产的遗嘱：
　　在此我要求遗嘱执行人以如下方式处置我可以兑换的剩余财产：将上述财产兑换成现金，然后进行安全可靠的投资；以这份资金成立一个基金会，将基金所产生的利息每年奖给在前一年中为人类作出杰出贡献的人。将此利息划分为五等份，分配如下：
　　一份奖给在物理界有最重大的发现或发明的人；
　　一份奖给在化学上有最重大的发现或改进的人；
　　一份奖给在医学和生理学界有最重大的发现的人；
　　一份奖给在文学界创作出具有理想倾向的最佳作品的人；
　　最后一份奖给为促进民族团结友好、取消或裁减常备军队以及为和平会议的组织和宣传尽到最大努力或作出最大贡献的人。
　　物理奖和化学奖由斯德哥尔摩瑞典科学院颁发；医学和生理学奖由斯德哥尔摩卡罗琳医学院颁发；文学奖由斯德哥尔摩文学院颁发；和平奖由挪威议会选举产生的5人委员会颁发。
　　对于获奖候选人的国籍不予任何考虑，也就是说，不管他或她是不是斯堪的纳维亚人，谁最符合条件谁就应该获得奖金，我在此声明，这样授予奖金是我的迫切愿望&&
　　这是我惟一存效的遗嘱。在我死后，若发现以前任何有关财产处置的遗嘱，一概作废。
　　 诺贝尔文学奖简介
　　 诺贝尔文学奖简介
　　诺贝尔文学奖是阿尔弗雷德-诺贝尔遗嘱中提到的五大奖励领域之一，他在遗嘱中说奖金的一部分应颁给&一份奖给在文学界创作出具有理想倾向的最佳作品的人&。文学奖的颁奖单位是瑞典文学院。
　　首届文学奖于1901年颁发，得主是法国诗人普律多姆(Sully Prudhomme)。历史上罗曼-罗兰、萧伯纳、海明威等著名作家均获得过此奖。在96名获奖作家中，欧洲作家73人、美国作家10人、中南美洲作家5人、亚洲作家4人、非洲作家3人、澳洲作家1人。
访问统计：淮北高考研讨会综述.doc -max上传文档投稿赚钱-文档C2C交易模式-100%分成比例文档分享网
淮北高考研讨会综述.doc
文档名称：淮北高考研讨会综述.doc
格式：doc&&&大小：2.19MB&&&总页数：67
可免费阅读页数：67页
下载源文档需要：10.8元人民币
预览与实际下载的一致，文档内容不会超过预览的范围，下载前请务必先预览，自行甄别内容是否完整、是否存在文不对题等情况（本网站为文档分享平台性质），一旦付费下载，本站不支持退款人工智能利与弊文章 【范文十篇】
人工智能利与弊文章
范文一：人工智能能的利与弊
研究背景：随着现代科学技术的飞速发展，先进的技术在各个领域都得到了广泛的应用，使得生产力获得了大幅度的提高，为改善人民生活水平作出了巨大贡献。下一次生产力飞跃的突破口在哪里？目前越来越多的科学家把希望寄托于人工智能。他们认为人工智能将带来一次史无前例的技术革命。人的智能创造了世界，如今，人们人工制造了抽象的智能。人工智能实现了用机器模拟人类智能，从而为人类服务。人工智能在现实生活中已经大量存在并且发挥着重要作用。
研究意义：这种将包含感知、思维等各种智能集于一身的技术，将为并正在为人类做着巨大贡献，人类对它的研究更加透彻也将更加全面，各种还未涉及或研究并不成熟的人工智能将被开发，使人工智能技术更趋于成熟，使被赋予人工智能的机器们更趋于生命化，或者说，人类化。这些机器，拥有高等的只能，并有强大的运算能力。拥有这种机器，不仅可以替代许多人类的工作，并且可以由它们做超越人类能力的工作。
然而，万事皆有利有弊。使机器有自己的思维是否会对人类自身产生威胁，这是人们需要考虑的意见事情。电影《我与机器人》便描述了一个机器反而要消灭人类的悲剧。同时，大量人工智能的产生会造成大量的失业。由此而见，我们需要做的还有很多。但有一点事确定的，只要正确运用人工智能，它将极大程度上推动人类文明的进步。
研究方法：人工智能的研究方法主要可以分为三类：一、结构模拟，神经计算，就是根据人脑的生理结构和工作机理，实现计算机的智能，即人工智能。结构模拟法也就是基于人脑的生理模型，采用数值计算的方法，从微观上来模拟人脑，实现机器智能。采用结构模拟，运用神经网络和神经计算的方法研究人工智能者，被称为生理学派、连接主义。二、功能模拟，符号推演，就是在当前数字计算机上，对人脑从功能上进行模拟，实现人工智能。功能模拟法就是以人脑的心理模型，将问题或知识表示成某种逻辑网络，采用符号推演的方法，实现搜索、推理、学习等功能，从宏观上来模拟人脑的思维，实现机器智能。以功能模拟和符号推演研究人工智能者，被称为心理学派、逻辑学派、符号主义。三、行为模拟，控制进化，就是模拟人在控制过程中的智能活动和行为特性。以行为模拟方法研究人工智能者，被称为行为主义、进化主义、控制论学派。
人工智能的研究方法，已从“一枝独秀”的符号主义发展到多学派的“百花争艳”，除了上面提到的三种方法，又提出了“群体模拟，仿生计算”“博采广鉴，自然计算”“原理分析，数学建模”等方法。人工智能的目标是理解包括人在内的自然智能系统及行为，而这样的系统在实在世界中是以分层进化的方式形成了一个谱系，而智能作为系统的整体属性，其表现形式又具有多样性，人工智能的谱系及其多样性的行为注定了研究的具体目标和对象的多样性。人工智能与前沿技术的结合，使人工智能的研究日趋多样化。 研究内容:下面就由我带领大家一起一起来观看我们小组在有关人工智能调查过程中所获得的的收获：
根据调查结果我们不难看出相对于对人工智能不了解的人数来看对其有一定了解的人数大约占了调查总人数的87%。根据后来跟踪采访一部分在校被调查人员得知大部分人是由于对人工智能的定义并不是很了解，所以有部分人对身边一些人工智能也缺乏判断。
通过本题调查，被调查者们发现人工智能早已进入我们
的生活，而其中人脸识别，和指纹识别更是与我们生活贴近，被广泛用于校园，企业等社会团体。而知道智能控制的人群较少，可能说明我们周围此项人工智能技术并未太过普及，也可能说明我们对人工智能概念有偏解没有将此项技术列入人工智能当中。
本题只有“有”与“没有”两种结果。由饼状图我们可以直观的
看到对比，两种结果相差并不是很大，可能是由于被调查者工作岗位不同所以有的人会感觉对人工智能接触太少，如在校师生企业高层对人工智能接触相对就较多一些而一些水果摊主或者私家手工作坊对人工智能接触就较少一些。
人工智能的研究领域:
人工智能是一种外向型的学科，它不但要求研究它的人懂得人工智能的只知识，而且要求有比较扎实的数学基础及哲学和生物学基础，只有这样才可能让一台什么也不知道的机器模拟人的思维。人工智能的研究领域非常广泛，而且涉及的学科也非常多。目前，人工智能的主要研究领域包括：问题求解、逻辑推理与定理证明、自然语言处理、智能信息检索技术、专家系统、机器学习、模式识别、人工神经网络等。1、问题求解、人工智能的第一大成就是下棋程序，在下棋程度中应用的某些技术，如向前看几步，把困难的问题分解成一些较容易的子问题，发展成为搜索和问题归纳这样的人工智能基本技术。
今天的计算机程序已能够达到下各种方盘棋和国际象棋的锦标赛水平。但是，尚未解决包括人类棋手具有的但尚不能明确表达的能力。如国际象棋大师们洞察棋局的能力。另一个问题是涉及问题的原概念，在人工智能中叫问题表示的选择，人们常能找到某种思考问题的方法，从而使求解变易而解决该问题。到目前为止，人工智能程序已能知道如何考虑它们要解决的问题，即搜索解答空间，寻找较优解答。2、逻辑推理与定理证明、逻辑推理是人工智能研究中最持久的领域之一，其中特别重要的是要找到一些方法，只把注意力集中在一个大型的数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。对数学中臆测的题。定理寻找一个证明或反证，不仅需要有根据假设进行演绎的能力，而且许多非形式的工作，包括医疗诊断和信息检索都可以和定理证明问题一样加以形式化，因此，在人工智能方法的研究中定理证明是一个极其重要的论题。3、自然语言处理、自然语言的处理是人工智能技术应用于实际领域的典型范例，经过多年艰苦努力，这一领域已获得了大量令人注目的成果。目前该领域的主要课题是：计算机系统如何以主题和对话情境为基础，注重大量的常识——世界知识和期望作用，生成和理解自然语言。这是一个极其复杂的编码和解码问题。4、智能信息检索技术、信息获取和精化技术已成为当代计算机科学与技术研究中迫切需要研究的课题，将人工智能技术应用于这一领域的研究是人工智能走向广泛实际应用的契机与突破口。5、专家系统、所谓专家系统就是一种在相关领域中具有专家水平解题能力的智能程序系统，
它能运用该领域专家多年积累的经验与知识，模拟人类的思维过程，求解需要专家才能解决的困难问题。
专家系统一般具有如下一些基本特征：具有专家水平的专门知识；能进行有效的推理；具有获取知识的能力；具有灵活性；具有透明性；具有交互性；具有实用性；具有一定的复杂性及难度。6、机器学习、“学习”是一个有特定目的的知识获取过程，其内在行为是获取知识、累积经验、发现规律；外部表现是改进性能、适应环境、实现系统的自我完善。所谓机器学习，就是要使计算机能模拟人的学习行为，自动地通过学习获取知识和技能，不断改善性能，实现自我完善。机器学习主要研究学习的机理、学习的方法以及针对相应的学习系统建立学习系统。7、模式识别、所谓模式识别，是指研究一种自动技术。计算机通过运用这种技术，就可自动地或者人尽可能少干预地把待识别模式归入到相应的模式类中去。也就是说，模式识别研究的主要内容就是让计算机具有自动获取知识的能力，能识别文字、图形、图像、声音等。一般来说，模式识别需要经历模式信息采集、预处理、特征或基元抽取、模式分类等几个步骤。8、人工神经网络、人工神经网络是指模拟人脑神经系统的结构和功能，运用大量的处理部件，由人工方式建立起来的网络系统。它是在生物神经网络研究的基础上建立起来的，是对脑神经系统的结构和功能的模拟，具有学习能力、记忆能力、计算机能力以及智能处理功能。其中学习是神经网络的主要特征之一，可以根据外界环境来修改自身的行为。学习的过程既是对网络进行训练的过程和不断调整它的连接权值，以使它适应环境变化的过程。学习可分为有教师（或称有监督）学习与无教师（无监督）学习两种类型。对神经网络的研究使人们对思维和智能有了进一步的了解和认识，开辟了另一条模拟人类智能的道路。
人工智能的应用领域：
总的来说人工智能是面向应用的：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。未来人工智能的应用研究方向主要有：人工智能理论、机器学习模型和理论、不精确知识表示及其推理、常识知识及其推理、人工思维模型，智能人机接口、多智能主体系统、只是发现与知识获取、人工智能应用基础等。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。目前人工智能还在研究中，但有学者认为让计算机拥有智商是很危险的，它可能会反抗人类。但是我相信，只要应用的好，人工智能一定可以造福千万人类，促进人类的进步发展，使我们拥有更加便利的生活，带给我们更加辉煌的文明。
本次实践调查的总结：
社会实践活动与马克思教学相结合，是一种十分特殊的教学方式，让我们能够亲身的从曾经一味的接受到现在可以亲自动手亲身体验一项教学活动，其中间接经验只有通过直接经验才能更好地被我们所掌握，并加以运用，从而内化为知识结构的一个组成；同时，我们在积极参与实践获取直接经验的过程也是丰富个人的情感体验的过程；增加对知识和技能的形成与发展的体验过程；以及良好意志心理品质形成与发展的过程。这些心理体验必将对我们今后的学习生活巨大影响。同时一次成功的社会实践也会让我们更直观的去认识到每一次活动的艰辛，以及认识到每一次活动所需的各种前期思想准备和物质准备的重要性，和让我们更加能够注重团队意识。
（1）人工智能技术导论廉师友西安电子科技大学出版社 2007.8
（2）人工智能研究方法及途径熊才权 2005年第三期
（3）人工智能学派及其在理论、方法上的观点蔡自兴 1995.5
（4）人工智能研究的主要学派及特点黄伟聂东陈英俊 2001第三期
（5）人工智能研究对思维学的方法论启示尹鑫苏国辉 2002.10第四期
范文二：From the personal assistant Siri, to doing searches on the Internet, to the autopilot function, simple artificial intelligence, or AI, has been around for some time, but is quickly getting more complex and more intelligent.
"If we are going to make systems that are going to be more intelligent than us, it’s absolutely essential for us to understand how to absolutely guarantee that they only do things that we are happy with."
Computer science professor Stuart Russell says, many present-day jobs that are labor intensive, or require data analysis, such as in the financial industry, will be replaced by machines with artificial intelligence.
"But if we replaced all the jobs that require human physical labor and then we replace all the jobs that require human mental labor, then you have to ask, What’s left?"
GuruduthBanavar of IBM sees a future in which new jobs such as data engineering will be created.
"The future will require everybody to work with these learning reasoning machines.
So I think the skill set for many of these jobs will end up being different in the future."
Russell envisions that AI will change the economy and the current way of life.
"Most people will be employed, possibly even self-employed, in providing individualized personal services to other human beings, that we won't have mass employment in manufacturing or in financial services.”
“The kinds of scenarios where there is a giant factory or a giant office building with thousands of people doing the same thing will go away."
Artificial intelligence is already transforming the health care industry.
AI can process huge amounts of data and have the most up-to-date research to help doctors diagnose and treat patients.
IBM's Watson technology is already in hospitals in North and South America, Europe and Asia.
"The different between going to a doctor who has Watson versus not having Watson is very big, because when you go to a doctor today you might find somebody who is 10 years out of date."
But there is also a dangerous side of artificial intelligence-autonomous weapons out of drone technology .
"The risk with autonomous weapons is that people will use them as a kind of poor man's weapon of mass destruction-a poor man's nuclear weapon."
Russell says the international community need to create treaties to ban this type of weapon.
"It is a race against time because the weapons are starting to emerge, the research is moving into development, development is moving into production."
While it is up for debate whether artificial intelligence will hurt or benefit mankind, researchers say, it is a fact that the technology is and will continue to transform many aspects of life.
从私人助理Siri,到互联网搜索,再到自动驾驶功能,简单的AI，即人工智能已经存在了一段时间,但很快它将变得更为复杂且更加聪明。
“如果我们要让人工智能比我们更加聪明, 我们完全有必要了解如何绝对让保证它们只做我们喜欢的事情。” 计算机科学教授斯图尔特·罗素表示当今的许多劳动密集型工作,或金融行业所需的数据分析将被人工智能取代。 “但如果我们取代所有需要人类体力及脑力劳动的工作，你会问了,那还有什么剩下的?”
IBM的古鲁杜特·巴那瓦就正在关注这样一个将创造数据工程等新就业机会的未来。
“这样的未来将会要求每个人都能够同这些学习型机器协作。
因此我认为这些工作的技能组合在未来将会截然不同。”
罗素设想AI将会改变经济及目前的生活方式。
“大多数人会被雇佣,甚至可能会化身成为自由职业者,为其他人提供个性化服务,这样在制造业及金融服务行业我们就不会有大规模的就业。”
“巨大工厂或大型办公大楼中上千人从事同样工作的场景将不复存在。”
人工智能已经改变了医疗保健行业。
人工智能能够处理大量的数据并且掌握着帮助医生诊断及治疗病人的最新研究数据。
IBM的华生技术已经在北美、南美、欧洲和亚洲的医院安家落户。
“有无华生技术之间的区别很大,因为当你今天去看医生你会发现，有些人已经落后别人10年了。” 但人工智能也有着危险的一面，那就是远超无人机技术的自动武器。
“自动武器的风险在于人们会将它们当作穷人的大规模毁灭性武器使用，它在穷人手里就成为了核武器。” 罗素表示国际社会需要出台禁止这种类型武器条约。
“这是一场同时间的赛跑,因为这样的武器一旦开始出现, 研究就会进入开发阶段,然后立即投入生产。”
虽然人工智能对人类的利弊仍有待商榷,但研究人员表示技术正在并且将继续改变生活的方方面面仍是不争的事实。
范文三：三峡大坝的利与弊(参考文章)
我一直想就这个问题,与那些老水利专家探讨,可惜都不愿意说.三年前某次内部会议上,我终于听到了郑老总在诸多各部门年轻局长(主任)们慷慨激情地申请项目要钱的时候,他沉默后就说了一句:
因为移民和大搬迁,三峡酷区的植物遭遇了灭顶之灾,至于菩陵榨菜今后还叫不叫榨菜,没有谁知道,而因为水土流失,流动的河成了死水,库区内的环保怎样来杜绝白色污染?洪水季节到底向哪个区泻洪??
有一种论点说：三峡工程将有助于经济的可持续发展，并且因为不是火力发电，所以不增加温室气体的排放。
想获得巨大的收益必然要付出巨大的代价。大坝造成的破坏也是相当严重的：100多万人必须迁移，肥沃的河岸土地将被淹没；珍稀濒危与中可能面临灭绝的威胁；某些重要的历史名胜古迹将被淹没，其中的部分古迹甚至可以追溯到2000多年前。
其他的影响还包括：对于数千公里河流水文特性无法逆转的改变，对渔业、养殖业的破坏，带来复杂的下游洪泛区的改变，以及不但不会减少反而会增加某种洪灾的可能等等。下面我欢迎各位继续探讨。
在对三峡工程造成的环境影响进行分析时，中国科学院指出：工程最具破坏的方面是大规模的移民和大片土地被淹没。移民安置向来是中国修建大坝过程中较为头痛的问题，特别是三门峡、新安江和丹江口水库，每次移民的人数都超过30万。然而，三峡工程造成的移民规模之大是史无前例的。大坝工程将淹没19个县的部分地区，其中包括有着1000多年历史文化的涪陵和万县的部分地区以及重庆的部分地区。移民人口总数超过100万并可能将近190万。在这次移民的人口中，城镇居民占据相当大的比例，致使三峡工程的移民工作比以往的难度更大，费用更高。又因缺少合适的地点安顿如此多的移民人口，移民工作变得更加艰难。由于中国人口众多，适宜的土地已被开垦和占用，大部分的人口将会被安置到近年来人口业已过剩的水库上游贫瘠的高地上。安置100多万人的生产生活，无疑是等于重建一个社会，必将打乱原有的经济结构，生产秩序、工作秩序和社会秩序会在相当长的时期造成生产力水平下降，致使经济发展速度缓慢。再者，由于历史和交通的原因，境内工业集中布局于长江沿岸的城市和集镇。所以三峡工程淹没的工厂多，损失也大。虽然受淹厂可重新搬迁新建，但是因停产必将打乱相互协作配套的原有系统，对经济发展会造成较大的损失，最重要的是长江沿岸的千年古镇人文遗失，那些古调古歌等非物质文化遗产失去了赖以发展的土壤，到他乡人生地不熟悉，尤其是那些方言和地方戏曲无法再发展传承．
另外对农业，前面所提到的14000h平方米肥沃农田将会没入水底，土地资源严重丧失。正如这个庞大的工程在规划时所预料的，它将给生态环境造成很大的影响。长江的鱼类资源丰富且易受破坏。由于河流的动态，河水的温度和化学组成的变化，以及符合这些鱼类生活特性的自然生活环境和食物来源的改变，都有可能对鱼的种类、数量产生影响，某些鱼种有可能因无法适应新的环境而数目骤减。
特别是工程将会严重影响到生活在长江中游的鱼类，而这一水域恰恰是中国特有的千种珍稀鱼类的主要栖息地，其中仅仅只生活在长江中下游的中华鲟和白鳍豚更令人关注。葛洲坝的建成可能已严重影响了中华鲟的繁殖，白鳍豚的数量也下降到仅有几百条，此外，另一值得关注的野生物种当属濒临灭绝的西伯利亚鹤，长江中下游恰恰是其越冬的栖息地，无疑也将受到大坝的影响。
河流的泥沙会带来一系列错综复杂的后果。长江是世界上泥沙量最大的河流之一，每年都会带走5到10亿吨的泥沙，尽管水库的泥沙流速难以预测，但专家普遍认为一般情况下每年河流携带的泥沙都将会被大坝截住。若此种假设成立，长江所携带的泥沙将在100年内填满水库。水库中的泥沙沉积会对下游造成影响。几千年来，长江三角洲地带一直把这些泥沙作为农田和渔业的营养源泉。反对三峡工程的人发出警告：水库尾部附近的泥沙流速会加快，在旱季将严重影响上游的通航，水库尾部的泥沙还会抬高河岸。成问题的是还无法准确的预测水库泥沙的沉积速度。此种情况有可能使经济效益比预期的要低很多，即便有可靠的泥沙，沉积速度记录，泥沙沉积的速度与位置也是难以预测。
以印度的多用途水库为例，水利专家穆尔蒂说：“大多数水库每年的泥沙沉积速度是建设时计算速度的145%到875%。”利奥波德指出：“世界范围内，三峡大坝是在未经充分验证的情况下进行施工的，中国约有330个大型水库，其中230座的泥沙问题相当严重，导致总蓄水量减少了14%，其中一些水库由于分析不足和设计缺陷，在不到10年的时间蓄水量下降了 50%。”
三峡工程还会产生其它多种影响因素，水库所处的地区还是水源传染病易发地区，如血吸虫病。水库中的水大量政法会减少大坝下游的水流量。该工程的反对者对大坝方形来往船只的连环闸的可靠性也表示担忧。一旦五个密切相连的闸门中的一个出现问题，那么长江的航运将会中断。葛洲坝的船闸升降机就出过类似的问题，而它只有一个闸门，在技术上比三峡工程船闸设计要简单得多，原本自由流动的河流将要变成一个缓慢流动的水库，人们担心被淹没的农田和居民区会释放出有毒物质和污染物。水库对水流的控制会增加上海市地下含水层海水入侵的可能，从而影响到上海市的供水，归根结底，三峡大坝造成的影响可涉及的范围是事先无法预测的。一旦大坝建成，它的影响将持续几十年乃至几个世纪。
从三峡工程一案例我们可以看到，每个水利工程在兴建的同时必然会产生许多对我们有害的方面。特别是大型水利工程，移民问题，泥沙问题，以及生态环境破坏，经济效益减少等问题更令人担忧。我们兴建水利工程是为了使人类更好的生活在这一“水”球上，但若不经切实真正有效详细的设计和思考，也许弊还是要大。若一个工程真正投入建设实施，我们一定要尽量减少它给我们带来的弊端，使得人们受之福而不患其灾。。水利工程并不是一个单一的方面，它涉及社会的方方面面，因此全社会的共同努力才是水利工程成功的重要途径。
范文四：原创丨下一代AI的前沿？学习人类常识
千衍，致力于把最先进的视频采集、处理和传送技术与互联网服务用心融合为软硬件一体化
在电影2001：太空漫游（1968）和超越（2014）发布之间，近半个世纪已经过去了。电影中一个古怪的科学家的意识被上传到电脑。尽管相隔50年，但是它们的情节大体相似。科幻小说继续想象人形机器人的到来然后反抗他们的创造者，并在战斗中占上风。 的服务产品。
人工智能（AI）领域的研究超过30年，研究进程比预期的缓慢。
虽然AI越来越成为我们日常生活的一部分——我们的手机或者汽车——电脑处理大量的数据，但他们仍然缺乏从给予的信息中进行扣除的人类能力。人们可以阅读不同类型的报纸并且理解他们，把握故事的结果和影响。通过与环境、人类交流来获取经验并获得隐性知识。然而今天的机器人还未有那种能力。
因此常识推理在AI研究中仍然是一个挑战。“举例来说，我们的机器非常擅长下棋，但他们却不能玩多米诺骨牌。”西班牙国家研究委员会AI研究所的主任Ramon López de Mántaras说道。“在过去的30年里，研究集中在薄弱的AI——也就是说可以使机器人非常擅长特定的主题——但是我们在常识推理方面没有太大进展。”他在最近一次由加泰罗尼亚政府部门组织的电信和信息社会的辩论中说道。
随着智能城市和认知计算系统的发展以及旨在执行类似人类的复杂和多样的数据集分析，这种情况会改变吗？López de Mántaras自1976年以来一直在探索AI领域方面最有雄心的问题，但他却不这么认为。“大数据或者高性能计算都不能让我们向AI强健的领域接近。”他说道。
未来学家谈论“奇点”，这意味着人工总体智能（也称为强AI）的假设，预测它将在2030年到2045年之间发生。但López de Mántaras持怀疑态度“在计算机科学中没有大的变化，它将不会发生。”
人工复制人类大脑功能的主要困难是源于这样一个事实：器官是模拟的。其信息处理能力不仅取决于神经元的电活动，而且还取决于许多化学活性，这是目前技术无法模仿的。López de Mántaras推测记忆电阻器等非硅基技术——是一种无源电路元素，通过两个终端元素维持电流和电压之间的时间积分关系，或者DNA计算将会需要前进。但是，他指出我们需要一些不只是技术变革来解决以上问题：我们还需要新的数学模型和算法来人工再生人类大脑——算法还未可知。 尽管到了2030年，人形机器人与环境的相互作用，可能有更多的一般智力被开发出来，他说企业将利用这些趋势。社会机器人作为家庭助手或者帮助老年人或
者那些正在处理的移动性问题，像无人驾驶汽车一样，尽管他们的AI还没有接近人类的层面。
同时，López de Mántaras的团队正致力于一个项目来说明机器人在理解自身局限性方面的问题。
对人来说把握住我们什么能做和不能做是显而易见的，但绝不是为了机器。AI研究所（IIIA）与伦敦帝国理工学院在该项目上进行合作，使用巴塞罗纳庞培法布拉大学研发的电子乐器，称之为Reactable。灵感来源于模块化电子合成器比如Bob Moog在1960年代开发的，Reactable使用了一个大的圆的多点触控启用表，表演者可以通过操纵桌上的物体进行操作，互相旋转连接不同的声音并作曲。
IIIA的机器正在学习如何操作Reactable，通过常识推理来调整其运动。如果IIIA机器动作太快，那就不能正确地执行操作。机器当它操作成功的时候就可以学习，并且当它操作失败的时候开发预知什么将会发生的能力。这样的学习比看起来难。 “我们现在正在做一个实验来看看将会发生什么，当你在乐器周围转一圈看是否机器人是否能够重新发现声音的位置。”López de Mántaras说道——发现物体的来源和该处的声音。
学习的过程应该是类似于人类做事的方式，以发育或外成的机器人学被熟知。“这还是基础研究没有立即应用，但是对未来很重要。” López de Mántaras说道。 这项研究对于允许未来机器人开发常识知识是有必要的。举例来说，要知道为了让一个附属在绳子上的物体移动，你必须要拉绳子而不是推它。这和其物理性质的物体只能通过经验学习。López de Mántaras表示最终对任何创造真正未来的AI，都将需要这样的常识知识作为它的设置。
AI的道德问题
机器人播放音乐看起来不会带来太多道德问题。但如果AI被音乐家用来制作——要是音乐家赢了有声望的音乐家会有关系吗？谁来控制AI的改进？这些问题在#èTIC辩论中由López de Mántaras和Albert Cortina提出来，有关奇异性和操作性一本书的律师作家，分享了来自智能机器对减少社会风险的担忧。
Cortina表示辩论不仅是人类是否应该提高他们的能力，而是这些改进是否会产生不平等。很容易看出，那些意味着能够增强自己的身体能力或精神能力的AI，舍弃了社会其它的人性能力。人类应该使用AI提高自己被限制的能力来促进平等？或者要是人类能够将机器智能添加到自己身上社会将更好？
López de Mántaras表示AI有两个关键的方面需要被监管：致命的自动武器系统的使用和隐私。从这个意义上讲，López de Mántaras和全球的AI科学家签署了一封公开信，承诺仔细协调发展AI，不超出人类的控制。
“现在有一个广泛的共识就是AI研究正在稳步地取得进展，它对社会的影响可能会增加。潜在的好处是巨大的，因为文明提供的一切都是人类智慧的产物；当智能通过AI可能提供的工具被放大时，我们不能预言我们可能取得的成就，但是消灭疾病和贫困并不是深不可测。因为AI的巨大潜力，避免潜在的缺陷来研究如何获得它的好处是非常重要的。”公开信中提到。
但是，谁应该建立使用AI的限制仍然悬而未决。
机器人更聪明 能表达自我意识的人工智能算法 腾讯数码[微博]Lotus日07:29
[摘要]该算法变成调用了事件认知机制，使得机器人能够像人类一样，对一些事物进行认知、
分析和推理，并表达自己的看法。
转播到腾讯微博
腾讯数码讯（Lotus） “人工智能”一直被很多科学家认为是洪水猛兽，终有一天会让机器取代人类，特斯拉总裁马斯克、物理学家霍金等著名科技人士均在公开场合下呼吁谨慎对待强人工智能的发展。然而，人类的好奇心显然是无限的，关于强人工智能的研究，也在不断进行着，并取得突破。
据Cnet报道，美国伦斯勒理工学院的研究人员开发出了一套新型的人工智能
算法，应用在Nao机器人上，使其具有自我意识。Nao是法国Aldebaran Robotics公司研发的机器人，其跳舞技能令人印象深刻，但在新型技术的支持下，使其可以反映自身看法，这是相当超前的。
该算法变成调用了事件认知机制，使得机器人能够像人类一样，对一些事物进行认知、分析和推理，并表达自己的看法。在演示视频中，研究人员与三个Nao机器人做一个小游戏，在其中两个机器人中运行“Dumbing Pill”指令（哑药，使它们不能说话），然后询问另一个机器人“谁拿到了哑药？”。这时候，没有运行Dumbing Pill的机器人站起来说“我不知道”，而其他两个机器人默不作声。几秒过后，说话的机器人突然反应过来，继续说“对不起，现在我知道了，我能说话，证明我没有拿到哑药”。
显然，这个案例已经证明，机器人可以变得更聪明、像人类一般具有逻辑思维，这便是新型人工智能技术的一大突破。或许很快，机器人能够与人类一起做游戏、甚至聊天谈心，发表自己的观点。
范文五：非专业人士翻译，如有错误请谅解。
Google's AI Reasons Its Way around the London
Underground
谷歌人工智能推导出环绕
伦敦地铁系统的路线
DeepMind"s latest technique uses external memory to solve tasks that require logic and reasoning—a
step toward more humanlike AI
维和推理能力的任务
By Elizabeth Gibney, Nature magazine on October 14, 2016
伊丽莎白.吉布尼日发表于《自然》杂志
深度思维最新技术使用了外部存储来解决需要逻辑思
Artificial-intelligence (AI) systems known as neural networks can recognize images, translate languages and even master the ancient game of Go. But their limited ability to represent complex relationships between data or variables has prevented them from conquering tasks that require logic and reasoning.
人工智能(AI)系统被认为是神经网络，可以识别图片，翻译，甚至精通古老的游戏。但他们描绘数据或变量之间的复杂关系的能力有限，这妨碍了他们克服需要逻辑思维和推理能力的任务。
In a paper published in Nature on October 12, the
Google-owned company DeepMind in London reveals that it has taken a step towards overcoming this hurdle by creating a neural
network with an external memory. The combination allows the neural network not only to learn, but to use memory to store and recall facts to make inferences like a conventional algorithm. This in turn enables it to tackle problems such as navigating the London Underground without any prior knowledge and solving logic puzzles. Though solving these problems would not be impressive for an algorithm programmed to do so, the hybrid system manages to accomplish this without any predefined rules.
在10月12日《自然》杂志中发表的一篇论文中，谷歌在伦敦的子公司深度思维展示了他们通过结合外部存储创造了一个神经网络，来进一步克服这些障碍。这种和外部存储的结合不仅允许神经网络学习，还可以通过存储器来存储和回忆事件，并以此来像正常情况那样做推断。这反过来能够让它解决难题，比如在没有任何经验的情况下操控伦敦地铁，比如解决逻辑谜题。尽管对于一个算法程序来说做到这点并不会令人印象深刻，但这个混合系统在没有任何先决条件的情况下做到了这点。
Although the approach is not entirely new—DeepMind itself reported attempting a similar feat in a preprint in 2014—“the progress made in this paper is remarkable”, says Yoshua Bengio, a computer scientist at the University of Montreal in Canada.
虽然这个方法不是一个全新的技术——深度思维自己就在2014年报告过他们尝试了一种相似的技术——但“在论文中的这个进步是非凡的”，加拿大蒙特利尔的计算机学家本吉奥.本希奥赞叹道。
MEMORY MAGIC
A neural network learns by strengthening connections between virtual neuron-like units. Without a memory, such a network might need to see a specific London Undeground map thousands of times to learn the best way to navigate the tube.
神经网络通过加强虚拟神经元之间的联系来学习。如果没有存储器，这样一个网络可能需要看一副特定的伦敦地铁地图数千次来学习最佳路线。
DeepMind's new system—which they call a 'differentiable
neural computer'—can make sense of a map it has never seen before. It first trains its neural network on randomly generated map-like structures (which could represent stations connected by lines, or
other relationships), in the process learning how to store descriptions of these relationships in its external memory as well as answer questions about them. Confronted with a new map, the DeepMind system can write these new relationships—connections between Underground stations, in one example from the paper—to memory, and recall it to plan a route.
深度思维的新系统——他们称它为微分神经计算机——可以理解它从未见过的地图。第一次训练神经网络是在随机生成的类似结构的地图上(被铁路线链接的车站，或者其他关系)，在这个过程中学习如何将这些关系的描述存储在它的外部存储器并且回答问题。面对一个新的地图，深度思维的系统可以把这些新关系——按照一个图纸上例子来连接各地铁站之间的关系——写到存储器，并能够回忆这些关系然后计划路线。
DeepMind"s AI system used the same technique to tackle
puzzles that require reasoning. After training on 20 different types of question-and-answer problems, it learnt to make accurate deductions.
For example, the system deduced correctly that a ball is in a
playground, having been informed that “John picked up the football” and “John is in the playground”.
It got such problems right more than 96% of the time. The system performed better than ,,recurrent neural networks", which also have a memory, but one that is in the fabric of the network itself, and so is less flexible than an external memory.
深度思维的人工智能系统使用同样的方法来处理需要推理能力的智力游戏。在通过20种不同类型的问答训练之后，它学会了做出准确的推论。例如，系统通过被告之“约翰抓着足球”和“约翰在操场上”准确的推断出一个球在操场上。答对问题的概率超过了96%。这个系统的效率比拥有一个内部存储器的周期神经网络更高，也更灵活。
Although the DeepMind technique has proven itself on only artificial problems, it could be applied to real-world tasks that involve making inferences from huge amounts of data. This could solve
questions whose answers are not explicitly stated in the data set, says Alex Graves, a computer scientist at DeepMind and a co-author on the paper. For example, to determine whether two people lived in the same country at the same time, the system might collate facts from their respective Wikipedia pages.
虽然深度思维的技术已被证明只针对人工问题，但它能够被应用到需要通过海量数据来进行推断的真实世界的工作。这能够解决那些在数据中没有明确答案的问题。来自深度思维的计算机科学家，研究报告的合著者，亚历克斯·格雷夫斯介绍说。例如，对于判断两人是否在同一时间住在同一个国家，系统可能会核对他们各自在维基百科上的事项。
Although the puzzles tackled by DeepMind"s AI are simple, Bengio sees the paper as a signal that neural networks are advancing beyond mere pattern recognition to human-like tasks such as
reasoning. “This extension is very important if we want to approach human-level AI.”
虽然对于深度思维的人工智能来说，智力游戏很简单，但本希奥认为该论文是一个信号，它表明神经网络正在跨越单纯的模式识别，成长到能够做人类才能做的任务，例如推理。“如果我们想实现像人一样的人工智能，这次突破是非常重要的。”
This article is reproduced with permission and was first
published on October 13, 2016.
这篇文章允许被转载，首次发表是日。
范文六：Bayesian公式：破解思想的钥匙 Bayesian公式不仅能够诠释我们这个世界，还能够描述我们的思想活动，它带给我们的是关于人类思想的新理伦！ Thomas Bayes“我们每个人大脑里都有一个小Thomas Bayes！”法兰西学院实验心理学教授Stanislas Dehaene总把这句话挂在嘴边。Dehaene于2012年在法兰西学院开设了一门题为“认知科学的Bayesian革命”（The Statistician Brain: the Bayesian Revolution in Cognitive Science）的课程。鉴于该主题的重要性，Dehaene最终决定把课程时间定为两年。对于这个决定，Dehaene解释道：“称其为一种‘革命’，是因为出现了一种能够突然渗透到一切科学领域中的理论体系，着实让人惊讶。过去，我们很多人认为大脑是自然进化的产物，并处于不断演变之中，不可能存在关于认知的一般性理论。然而，当Bayesian统计学展示出它超常的适用性后，这一观点开始动摇了。”这也是他这门课程的开课引言。 Bayesian方法不仅在自然科学领域掀起了革命，它的应用范围还不断延伸到人类行为，以及人类大脑活动的各种研究领域中。事实上，无论是心理学家还是神经学家都认识到，Bayesian方法是他们期待已久的用来描述研究对象的有效工具！科学家们甚至开始期望它能够建立起关于大脑各个层次上的结构模型，直到最基本的单位：神经元。最终，这样一个小小的公式就可以将数以百计的描述大脑活动的模型整合，生成一个关于“整个思想” + 的理论的革命。 这个神奇的公式表面看起来和心理学并无相关，但就像Dehaene告诉学生们的， “Bayesian公式虽然是数学，但它是诠释的是关于思考的数学。”在它抽象的外表之下，展现的是一个典型的类似于人类大脑的机制：在缺少数据和信息的情况下，不遗余力地追寻表面现象背后的本质原因。它不间断地对我们的已有知识（或预设）去伪存真，是一个实实在在的思考机器。这正是认知科学专家正在做的，我们可以用这一公式来描述人类的思想。法兰西学院感知与运动心理学实验室统计学家Pierre Bessiere介绍道：“起初，心理学家用Bayesian公式检验他们的实验结果。很快，他们就发现它对于描述他们所观测的现象十分有效：如果把大脑当做一个Bayesian网络，不就可以了解它的所有运转机制了么。”于是，Bayesian公式也就从计算工具演变为人类行为模型。而研究成果接踵而至，涉及许多人类的认知机制：形态识别、运动控制、语言识别、学习等等。众多实验已经表明，思想就是Bayesian公式支配下的统计运算。图卢兹大学心理学家Chloe Farrer和她的团队正在证明Bayesian公式可以为各种认知形态建立模型。一年前，Farrer和她的研究团队对许多志愿者进行了一次实验，测试他们是否能够根据预设来预测视频中正在移动矩形物体的人的下一个动作：“我们为参与者展示了许多不同的视频，但大部分展示同一个动作，比如说搬起一个物体。然后，我们向他们播放测试影片，请他们预测裁剪过的视频片段后面会发生什么。”最后，Farrer发现，如果测试影片中信息不完整，志愿者会根据预设将其补充完整（比如视频太短无法判断，而他们又恰好在之前的多段视频中看到抬起物体的场景，他们就会判断测试视频中的人物也会将物体抬起）。总之，科学家已经证明，我们大脑在没有足够信息时的推理方式完全就是Bayesian模式，它不断根据最新获取的信息来重建整个世界。 Farrer坦言“结果并无悬念，不值一提。但要知道在此之前，我们还从未如此彻底地证明大脑具备根据记忆、结合即时的感官信息建模预测未来事件发生概率的能力。”这一能力从小就很发达。婴儿从8个月起，其大脑就开始构建Bayesian网络，将来自感官的观测信息纳入其中，精确地计算现象某个成因的成立概率。匈牙利布达佩斯大学认知发展研究中心的心理学家Emo Tegla于2011年指出，一岁的婴儿就能进行统计计算，并根据情景的演化不断调整，预判实验围栏内滚出的小球颜色。而美国加州大学伯克利分校心理学家Alison Copnik早在2004年就证明Bayesian统计法是儿童运用的唯一思考方法，其他方法他们似乎完全不会！ Copnik设计了一个实验：向4岁的幼儿展示一个绒毛玩具猴，并告诉他们有些花会让它打喷嚏。实验第一阶段，研究人员先将黄花和红花放到猴子面前，再将黄花和紫花放到猴子面前，小孩们都会看到猴子打喷嚏；而当猴子靠近红花和紫花时它就不会打喷嚏。当问他们是为什么时，孩子们全都准确地说出是黄花导致了猴子打喷嚏。“传统概率学只能让他们判断出猴子在黄花旁打喷嚏的可能性为100%，而在红花或紫花旁打喷嚏的可能性为50%。” Copnik解说道，“只有Bayesian公式可以找到现象的原因并给出正确的回答。”毋庸置疑，传统统计法看似更“自然”，却在此毫无用处，儿童的本能反应是使用Bayesian算法来思考。这位科学家又对另一些孩子进行了测试。这次，孩子们看到猴子会在黄色花前打喷嚏，而面对紫花或红花，只有有一半的情况下会打喷嚏。“从传统概率法则角度看，这个实验和上一个十分相似，因为事件出现频率是一样的：猴子每次都在黄花前打喷嚏，而有一半的时间在红花和紫花前打喷嚏。”Copnik解释道，“根据Bayesian推理法，我们得不出结论，因为每个事件都是孤立的。”孩子们应该别无选择，只能求助于传统方式。然而，他们开始瞎猜了！他们随机指认黄花、红花或紫花。Copnik总结说：“他们无法通过推理找到引发喷嚏的花，这证明，即便依靠频率计算的传统统计法是唯一解决问题的方武，他们也不会用到它。”Bayesian公式在心理学领域取得的成功使得科学家思考人类的大脑结构本身是否就是一个Bayesian网络。这一公式或许不只是用来研究人类思维的工具，它可能就是大脑本身的内在构建方式，换句话说，我们的各级大脑灰质可能都是按Bayesian公式连接形成的网络。这一观点十分大胆，但获得了越来越多广泛的认可。因为Bayesian公式是我们在没有充分或准确的信息时最优的推理结构，所以为了提高生存效率，进化会向这一模式演进。“这就是优化选择原理。”巴黎高等师范学院神经学家Sophie Deneve指出，“神经系统在一个复杂的世界中生存、进化，接收到的信号中掺杂着许多干扰信息，所以必须进行模糊判断，以最优方式来处理不确定性。‘自然选择’总会进化出最高效的生物结构。”Bayesian概率预测系统拥有众多优势，它可以让我们在纷繁复杂的感官信息中识别出最关键的信息，甚至通过预测让我们在还没有接收到感官信息之前作出反应。Stanislas Dehaene补充道，“借助这一预测系统，大脑可在处理感官信息时，采取区别化策略。大脑在即时感官信息与预设之间持续地进行比较，只会传递那些没能预见到的信息，或者说是一些匹配失败的信息，而不是整个信息流。”上世纪80年代，机器人专家就已经理解了这一原理：设计一个能够细腻地与周围环境互动的智能机器人的最好方式，是为其设定一套通过Bayesian计算来进行控制的电脑程序。 许多科学家正在努力，通过感官刺激与磁共振成像，寻找大脑深处Bayesian式思考的痕迹，而他们已经观察到了某些信号。2011年，美国卡内基梅隆大学的一个研究团队观察到神经元能在感知到现象之前释放电信号，仅仅因为大脑正对将要发生的事件进行预测。他们在大脑内部观察到，神经所传送的并不是来自感官的信息，而是概率计算。他们看到的是神经元正在依据Bayesian统计法进行预测活动。还有！美国罗切斯特大学的神经学Alexandre Pouger的研究团队、麻省理工学院的Joshua Tenenhaum的团队，以及伦敦大学学Karl Friston的团队都发现，大脑皮层似乎完全就是为了实现概率计算而构建的。他们的计算表明，大脑外周皮层的神经元网络会根据储存信息和获得的外部信息进行概率计算，而后将计算结果传递给大脑的更高层级。这些科学家甚至认为已经找到大脑中Bayesian计算的基本单元，他们称之为“规范回路”(canonical circuit)，这是在整个大脑皮层中反复出现的一些神经元微结构。从一层到另一层，整个大脑就是一个Bayesian网络金字塔，而塔尖就是我们的思想！一切我们接触到的、听到的、感觉到的，都及时地通过大脑皮层转化为Bayesian概率。整个世界就是大脑根据感知到的信息，不断计算出的概率的集合，一个被这个18世纪发现的伟大公式所支配的巨大的数据库！ 甚至有一部分物理学家都接受了这一革命性观点！为了描述构成物质的最基本单元，他们也在研究中遇到了这个神奇公式。和大脑专家一样，他们也想看看能不能通过这一公式，为物质在最微观尺度上的奇异表现找到解释。或许会有一个爆炸性的结果在等着我们：支配所有信息和知识的Bayesian公式破解量子物理的奥秘，甚至让这一研究对象脱离物理学领域，成为认知科学研究的一部分！ 尽管科学家才刚刚开始这场革命，但成形中的Bayesian认知理论已经展现出它的应用前景。“我们希望能就某些精神疾病发现有用线索。”Chloe Farrer介绍道。他们的想法是全面掌握支配大脑活动的各种机制，以更好地理解其运行中出现的问题。克洛伊·法瑞已经开始了研究，对象是一些精神分裂症患者。“前期成果表明患者将过多的注意力放在感官信息上。感觉经验与既有知识之间缺少互相校准，难以找到事物背后的原因,,,,” Farrer透露。而尤其使研究人员动力十足的，是将所有大脑机制和一切行为现象统一在同一个理论体系之内的远景。Stanislas Dehaene激动地说道： “我们盼望能够回答认知科学中最为紧迫的问题，尤其是理解大脑是如何形成其特有的高级抽象规则的，如语言。”过去在统计学领域毫不起眼的Bayesian公式终于修成正果。在解密我们思想的同时，它也将揭开人类的终极秘密。不得不承认，这是一个神奇的公式,,,, “电脑能在国际象棋比赛中战胜人类。但就移动棋盘上棋子的能力而言，它只比得上5岁的小孩！” Pierre Bessiere一针见血地指出了机器人面临的巨大难题：它们缺乏和真实世界进行交流的物理手段。而借助Bayesian公式，它们正在克服遮一困难。因为Bayesian公式的优点在于：传统程序只能在传感器接收到清晰的信号时才能够进行物品的识别，它们只能对检测信号与数据库中储存的物体信息是否匹配进行“是”与“否”的判断；而Bayesian智能系统则可以处理传感器“感知”到的任意信息，并将其与数据库中的所有信息进行关联比对，为每一种关联求得一个概率值，概率值越大就越匹配。这样就可以识别并躲避意外的障碍，在光线很弱的状况下识别物体，或者识别数据库中未记录特征的物体。不久前，一个加利福利亚的研究究团队正是借助该智能系统，成功地研制出了一个比人类手指更为灵敏的机械指。 “Bayesian公式是可以支配一切知识，一切信息的法则！”这并不是一个神经学家的心声，而是加拿大普里美特理论物理研究所Christoph Fuchs的评价，他的身份是量子物理学家！事实上，和他们认知科学领域的同行一样，一些物理学家也惊呼这是一场革命。他们认为Bayesian统计法也将成为解决该学科一切难题的钥匙。 近一个世纪以来，物理学家不断深入微观领域，发现了量子物理定律。它们的有效性无可置疑，科学家从此不得不承认那些曾经认为不可能的现象：光同时以波和粒子的形式存在；一个电子可以同时出现在两个位置；一个粒子存在的状态只能用概率的形式描述，简而言之，为了能够准确地描述电子、光子和其他粒子的运动，物理学成了一片“概率”云。大部分物理学家不愿理会这个根本性的“顽疾”，但有一部分人提出用更极端的方式来解决它：不再将量子物理看作是对物质本身的描述，而仅仅是对我们所知的描述。在Christoph Fuchs和加利福尼亚大学的John Baez、新墨西哥州立大学的Carlton Caves看来，物理学或许已经迷失了方向。不知不觉中，物理学变成了只是对观测者掌握信息状态的描述，透露出观测者对信息本身的无知。我们之所以看到粒子运动怪诞离奇．只是因为我们无法掌握相关信息的全貌（当我们说某个粒子在此处出现的概率为36%．而在彼处出现的概率为64%时，这只是因为我们缺乏关于它确切位置的信息）。这完全就是Bayesian统计！ Fuchs通过对公式的逐一比较，在量子物理和Bayesian统计之间发现了许多不寻常的相似之处，从而证明在这两种理论中存在着部分关联！也就是说，物质的基本定律很自然地来自Bayesian公式。这个18世纪的简单公式在量子物理中支配的不是物质，而是信息，即存在于具象和抽象、物体与理念之间的媒介形式。所有我们认为的现实都仅仅是Bayesian公式支配下的二进制数列！这种突破传统物理学“现实”和“客观”底线的理论令人震惊。它向我们揭示，我们对于身边物质世界的理解最终是建立在主观和虚拟Z上。Bayesian公式又一次冲击了我们的认知。 改编自《新发现》2013年第二期“破解思想的钥匙”一本 转载本文请联系原作者获取授权，同时请注明本文来自王伟科学网博客。链接地址：/blog-367.html
核电的利与弊
众所周知，核电对于当代的技术发展有着很大的帮助，那么这帮助是怎样的？它就没有什么弊端吗？让我们一起来了解一下吧！
随着国民经济的发展，全社会对电力的需求不断增长。据中电联统计，2011年全社会用电量4.69万亿千瓦时，总装机10.56亿千瓦。据其预测，至2017年，全国社会用电量将达5.99--6.57万亿千瓦时。电力需求的迅速增长将有利于促进对电力行业的发展。
发展核电对满足经济和社会发张不断增长的能源需求，保障能源供应与安全，保护环境，实现电力结构优化和可持续发展，提升我国综合经济实力和工业技术水平具有重要意义。
促进社会发展，这当然是离不开核电的，但和点它能“利在‘千秋’”吗？
日，前苏联切尔诺贝利核电站的4号动力站开始按计划进行定期维修。然而由于连续的操作失误，4号站反应堆状态十分不稳定。日对于切尔诺贝利核电站来说是悲剧开始的日子。凌晨1点23分两声沉闷的爆炸声在这寂静的早上显得尤为突出。随着爆炸声，一条30多米高的犹如一条打火龙似的火柱掀开了反应堆的外壳，冲向天空，高达2000℃的烈焰吞噬着机房，熔化了粗大的钢架。携带着高放射性物质和水蒸气，和着尘埃随着浓烟升腾、弥漫、遮天蔽日。而消防人员只能靠着直升机从空中向下投放含铅和硼的沙袋，以封往反应堆，阻止放射性物质的外泄。在这场事故中当场死亡2人，至1992年，已有7000多人死于这次的核污染。可见喝点再给人带来利润的同时存在的祸患。
“利在当代，弊在千秋”，我们在核电促进发展的同时也要警惕它所存在的祸端。
范文八：科技的利与弊
科技是第一生产力。当今社会，科技正以前所未有的能动性推动社会的发展与繁荣，同时也改变了人们的一切生活、工作方式，每个人都在利用和享受科技成果。尤其是计算机技术使以往复杂的运算变得非常简单，甚至不敢想象，它开启了人类生产力发展的新纪元。再比如无线电技术、GPS定位技术等，让人们享受到了无比的快乐和速度。手机已成为人们必不可少的通信工具，过去靠飞毛腿、千里马传递消息的时代一去不复返了，远在千里之外可以相互说话，甚至视频见面已成为“家常便饭”。 特别是科技在航天领域的运用，更让人刮目相看，“可上九天览月，可下五洋捉鳖”如今已成为现实，科技让交通更加方便快捷，人们出行可以坐飞机、坐汽车、坐地铁、坐高铁，处处享受科技给我们带来的改变，人们慢慢越来越多地享用科技创新无穷无尽的成果。
诚然，科技也不是万能的。在人们更加依赖科技、享受科技的同时，我们也应该清理地认识到，科技也会给人们带来无尽的烦恼、忧虑甚至是弊端。当我们用银行卡在自动取款机上享受快捷时，突然因操作失误造成卡被吞掉或因突然停止让一切工作无法迟到，我们只能无可奈何地等待，无计可施。此外，随着电脑游戏技术的飞速发展，在给人们带来无尽欢乐的同时，也产生了无尽的烦恼，一些中小学生成天沉迷于网络游戏，甚至到了“瘾
君子”的程度，大好青春年华在虚幻的世界里消耗怠尽，怎么不让人感到痛心疾首。此外，还有一些人利用科技手段走上犯罪的道路，这就是科技事业来的弊端。
由此可见，科技既可以成为推进生产力发展的强大引擎，同时，我们还要控制好科技给人们带来的不利因素，大力发展科技为人类造福。
范文九：转基因的利与弊
摘要：随着全球人口的不断激增和耕地面积的缩减，粮食危机威胁着越来越多的国家和地区。如何用有限的地球耕地，养活更多的人口成为刻不容缓的问题。转基因技术在食品生产上的应用应运而生，在科学技术的助力下，已取得显著成果，转基因食品越来越多的被端上了人们的餐桌。通过转基因技术，人类可以生产出具有高产量、营养丰富、抗病虫害等优点的作物，但转基因食物潜在的基因污染问题也得到了人们的重视。
关键词：转基因技术、转基因食品、利与弊
随着全球人口的不断激增，预计到2015年地球人口将达到90亿；但城市的不断扩张导致耕地面积的缩减，这种呈反比例增长现象加重了地球粮食危机。如何用有限的地球耕地，养活更多的人口成为刻不容缓的问题。转基因技术从产生之初就得到了广泛关注，当转基因技术被运用到粮食作物的生产上后，得到飞速的发展，目前已取得丰硕的成果。
一、什么是转基因技术
转基因技术是以重组DNA技术为核心，利用分子生物学技术，将人工分离和修饰过的基因导入到生物体基因组中，由于导入基因的表达，引起生物体性状的可遗传修饰，这一技术称之为转基因技术（Transgene technology）。人们常说的"遗传工程"、"基因工程"、"遗传转化"均为转基因的同义词。转基因的获得是取自现有的生物体的 DNA，制内切酶或外酶把 DNA切割成若干小段，然后再把这些小段用连接酶接入载体,并建成载体克隆 把理想基因载体放入大肠杆菌等宿主细胞中扩大 增殖，或采用 PCR 的方法扩增 再对扩增的 DNA片断进行适当修饰，然后进行转移，或将特定的控制序列连接到目的基因的结构序列上，从而创造一个新的重组基因，然后再进行转移。【1】
特别是遗传学创立后近百年的转基因育种则是采用人工杂交的方法，进行优良基因的重组和外源基因的导入而实现遗传基因的改良。但是在过去的几千年内我们的祖先对农作物遗传基因的改良就一直不断的突破和改良，那时转基因的方式主要是对农作物在自然条件下突变产生的优良基因和重组体的农作物的选择和利用，通过人为的和自然的方式来积累优良遗传基因。因此我们可以说现在的转基因技术与过去的传统技术相比，他们的本质都是通过获得优良基因人为的或者自然的进行基因的遗传改良。但是他们又有本质上的区别：传统技术只能在生物种内个体间实现基因转移，而转基因技术所转移的基因则不受生物体间亲缘关系的限制；传统的杂交和选择技术一般是在生物个体水平上进行，操作对象是整个基因组，所转移的是大量的基因，不可能准确地对某个基因进行操作和选择，对后代的表现预见性较差。而转基因技术所操作和转移的一般是经过明确定义的基因，功能清楚，后代表现可准确预期。所以我们可以说现在转基因技术是对传统转基因技术的发展和补充，我们将两者紧密结合，可以大大地提高动植物品种改良的效率。
二、转基因技术的发展现状
随着转基因技术的成熟，推动了各个产业的发展，尤其以农业为代表。2006年, 全球转基因作物种植面积以 13%的速度迅猛增长,首次突破了1 亿公顷。种植转基因作物的农户数量也迅猛增加,首次超过 l 000 万户。【2】2008年至少有25个国家使用生物技术，非洲有
极大的发展，非洲大陆从一个国家增加到三个，现在有1330万生物技术是农民来使用生物技术，新增了130万个，小规模或者资源贫乏的农民是占90%或者1230万。第一个十亿公顷用了10年，第二个十亿将来计划用三年的时间。温家宝总理在2008年6月的时候曾经说过，要解决粮食问题，我们必须依靠大科技，就是生物技术方面的政治意愿，我们要依靠生物技术措施，依靠生物技术，另外特别依靠基因，数月之后，他又宣布在未来的20年将投入25亿元用于转基因作物的生产。在2006年到2015年，使用生物技术的国家数量加倍，还有非洲国家，在东欧，在拉美，使用这项技术的农民数量，从一千万到一千二百万。这个数字到2015年还可以增长到五千万到六千万。
三、转基因的利
转基因技术的运用有如下的优势：
1.延长果蔬产品的保鲜期。
蔬菜、水果传统的保鲜技术如冷藏、涂膜、气调保鲜等，在储藏费用、期限、保鲜效果等方面均存在严重不足，常常导致软化、过熟、腐烂变质， 造成巨大损失。通过转基因工程技术可直接生产耐贮果蔬已成为现实。比如，在普通的蕃 茄里加入一种在北极生长的海鱼抗冻基因，就能使它在冬天保存更长间，大大延长保鲜期。目前，国内外都已有商品化的转基因耐贮蕃茄生产。其相关研究已扩大到草莓、香蕉、芒果、桃、西瓜等。
2.提高农作物产量，解决粮食短缺问题，减少环境污染。
盐碱、干旱、病虫害是造成农作物绝收、减产的主要原因之一，利用 DNA 重组技术、细胞融合技术等基因工程技术将多种抗病毒、抗虫害、抗干旱、耐盐碱的基因导入农作物体内，获得具有优良性状的转基因新品系，大大降 低了生产成本，提高了产量。许多科学家认为，转基因技术可以把发展中国家的农业生产率提高25%，困扰人类的缺粮问题有望得到解决。同时，转基因技术的应用，可以减少或避免使用农药、化肥，极大地减少了农药、化肥所造成的环境污染、人畜伤亡等事故。
3.利用转基因技术生产有利于健康和抗疾病的食品。
日本科学家利用转基因技术成功培育出可以减少血清胆固醇含量、防止动脉硬化的水稻新品种；欧洲科学家新培育出了米粒中富含维生素A和铁的转基因稻，有利于减少缺铁性贫血和维生素A发病率。
4.改善食品的口味和品质。
传统的食品通过添加剂来改变口味，加入防腐剂延长食品 的保质期，然而添加剂和防腐剂中都含有有害成份，转基因技术可以较好地解决上述不足。通过转变或转移某些能表达某种特性的基因，从而改变食品的口味、营养成分和防腐功能。如利用外源基因导入或基因替换技术可以改善牛奶的成份，生产特定人群的食用牛奶 。此外，还可以将一些动物的基因转移到植物中去，使植物性食品带有某些动物性的营养成份及口味。转基因技术同样为改良动物性食品品质、培养优良的新品系提供了有效途径，目前转基因鱼、鸡、猪等的研究取得了很大的进展。
四、转基因的弊
任何事物的发展都是具有双面性的，我们在看到转基因技术应用给人类社会发展带来巨大利益的同时也应看到转基因技术也可能会给人类社会和环境的发展带来负面的影响。转基因技术的发展打破了自然发展的规律，或多或少破坏了生物界领域的和谐。
转基因技术对生态系统和人类健康的危害体现在下面几个方面:
1.基因飘逸即基因流或基因水平转移到其他近缘物种。如加拿大发现转基因油菜与野生近缘种间发生过交叉杂交,从而形成所谓超级杂草,导致野生等位基因的丢失,从而造成遗传多样性的丧失,影响生态平衡。【3】
2.转基因植物产生的杀虫毒素可由根部渗入土壤, 某种单一的转基因植物的大量种植可能会对土壤生物及微生物和环境产生不良影响, 因而减少本地区物种的多样性。
3.转基因产品的毒性, 能引起人的过敏反应。如 1995年发现美国国际先锋公司转巴西坚果基因的大豆能引起人过敏,在转花生基因的作物中也有过过敏现象。
4.转入植物的标记基因(特别是抗生素基因) ,有可能通过某种途径扩散到其他微生物中并使其产生新的抗药性,导致超级病原菌的产生。【4】
虽然大多数科学家认为转基因技术迄今并未发现真正对生态环境造成的不良影响, 在美国等发达国家,数亿人食用 4000多种转基因食品,连续多年也未发现对健康产生任何伤害。但是,转基因作物对大自然的影响目前还无法完全证实。已有教训表明, 任何进入新环境的外来物种,都有可能会在当地引发一场生态浩劫。转基因作物的商业化过程只经历了不足10年的时间,然而, 转基因生物对环境及人体健康的影响可能需要20年、50年甚至是 100年才能被发现。转基因作物一旦进入自然生物链, 其人造的特性和缺陷就会无休止地流传下去,永远无法被控制或被收回,对大自然的这种破坏是不可逆的。此外,基因技术的发展使克隆人、 胚胎干细胞克隆、 制造非人非兽的怪物、选择优良人种、制造基因武器等等问题成为可能,这些问题会对社会道德、国家和人类安全、社会稳定与文明传承都构成严重的威胁。基因技术成果如果被滥用,那就意味着人类社会的一切文明 (包括伦理和法律体系)都会被颠覆毁坏, 人类社会将会倒退。
面对转基因食品的利与弊，我们作为消费者既不能将转基因食品看作人类的救星而欣然接受，也不能谈虎色变、将转基因食品拒之门外，我们要正确的认识，理智的分析和审慎的选择转基因食品。正如“杂交水稻之父”袁隆平在接受采访时所说“转基因食品不能全否，也不能全肯，它们中有的不存在安全问题，但有的还要对其安全性作进一步的深入研究。”我们应该接受转基因对人类发展有利的地方，而坚决反对和杜绝转基因对人类有害的部分。
【1】 刘晓兰 王仁华. 动物转基因技术及其应用[J]. 湖南饲料, 2010 (1)
【2】 陈学敏.转基因技术与生物多样性的冲突[J].华中师范大学学报.1 (3)
【3】 陈学敏.转基因技术与生物多样性的冲突[J].华中师范大学学报.1 (3)
【4】 松鑫. 基因重组技术与伦理研究[J]. 攀枝花学院学报.（3）
范文十：近年来随着科学技术的飞速发展﹑微电子技术的广泛应用及电磁环境的越来越复杂，对静电放电的电磁场效应如电磁干扰（EMI）及电磁兼容性(EMC)问题越来越重视。
静电的利与弊
我们知道，摩擦可以起电，摩擦后的正负电荷是被束缚在带电体上的，它不能象电线中的电荷那样定向移动。所以，人们称之为静电荷，简称静电。
静电的危害很多，它的第一种危害来源于带电体的相互作用。在飞机机体与空气﹑水气﹑灰尘等微粒摩擦时会使飞机带电，如不采取措施，将会严重干扰飞机无线电设备的正常工作，使飞机变成聋子和瞎子；在印刷厂里，纸页之间的静电，会使纸页粘在一起，难以分开，给印刷带来麻烦；在放电视时荧光屏表面的静电容易吸附灰尘和油污，形成一层尘埃的薄膜，使图像的清晰程度和亮度降低。
静电的第二大危害，是有可能因静电火花点燃某些易燃物体而发生爆炸。漆黑的夜晚，我们脱尼龙，毛料衣服时，会发出火花和“叭叭”的响声，对人体基本无害。但在手术台上，静电火花会引起麻醉剂的爆炸，伤害医生和病人；
总之，静电危害起因于静电力和静电火花，静电危害中最严重的静电放电引起可燃物的起火和爆炸。最简单又最可靠的办法是用导线把设备接地，这样可以把电荷引入大地，避免静电积累。适当增加工作环境的湿度，让电荷随时放出，也可以有效的消除静电。潮湿的天气里不容易做好静电试验，就是这个道理。
当然，任何事物都有两面性。对于静电，只要摸透了它的脾气，扬长避短，也能让它为人类服务。比如，静电印花﹑静电喷涂﹑静电植绒，静电除尘和静电分选技术等，已在工业生产和生活中得到广泛应用。静电也开始在淡化海水﹑喷洒农药﹑人工降雨﹑低温冷冻等许多方面大显身手，甚至在宇宙飞船上也安装有静电加料器等静电装置。