新書推薦：
《
国之大道G219自驾攻略图——314国道喀什至红其拉甫口岸、独库公路
》
售價：HK$
52.8
《
中国近代史（名家导读版）
》
售價：HK$
90.2
《
《四库全书总目》子部辨证与学术批评研究（全三册）
》
售價：HK$
404.8
《
古代城邦（修订版）（经典与解释·古今丛编）
》
售價：HK$
109.8
《
诱捕：青春穿越小说 穿书系统×双向救赎
》
售價：HK$
52.8
《
战后日本对外文化战略研究（1945—1972）
》
售價：HK$
107.8
《
斯坦福十条：AI时代，顶尖大学要这样的人
》
售價：HK$
76.8
《
跃入夏天2：青春校园治愈成长小说 沉默寡言排球手x暴躁可爱小不点
》
售價：HK$
47.1
|
| 內容簡介： |
|
人工智能作为引领这一轮科技革命与产业变革的战略性技术，展现出强大的溢出带动效应。智库作为国家政策思想的主要源泉，亟待加快人工智能赋能智库研究、提高服务决策的整体效能。《人工智能赋能智库研究：“AI+智库双螺旋法”的变革范式与实践》依托中国科学院科技战略咨询研究院潘教峰研究员提出的智库双螺旋法，系统总结人工智能赋能智库研究的基本理论和方法范式，深入剖析其在智库重大应用场景中的创新价值与实践路径。《人工智能赋能智库研究：“AI+智库双螺旋法”的变革范式与实践》旨在助力智库研究人员和智库机构更好地应用人工智能，推动智库科学与工程学科建设，以及促进中国特色新型智库理论与方法发展。
|
| 目錄：
|
|
目录序一 i序二 v序三 ix**语 xiii前言 xxv导论 1第1篇 当智库遇见人工智能：变革智库研究范式 18第1章 智能化时代的智库研究 201.1 智库研究的特征与面临挑战 221.2 人工智能带来的新机遇 261.3 人工智能赋能智库研究的新认识 29参考文献 34第2章 人工智能赋能智库研究的新范式 362.1 新型智库研究的底层逻辑 362.2 人工智能赋能智库双螺旋法的结构层次 452.3 人工智能赋能智库双螺旋法的功能环节 472.4 人工智能赋能智库双螺旋法的演化驱动 542.5 人工智能赋能智库研究“双智化” 61参考文献 63第2篇 用人工智能赋能决策支持：激发智慧洞察 66第3章 智能化智库决策支持系统演进 683.1 智库决策支持系统缘起及发展历程 683.2 人工智能赋能智库决策支持系统进展 753.3 智库决策支持系统未来发展趋势 80参考文献 85第4章 竞争博弈决策支持系统逻辑方法与构建 874.1 竞争博弈决策支持系统研发的逻辑思路 874.2 竞争博弈决策支持系统研发的关键技术 954.3 竞争博弈决策支持系统具备的主要功能 103参考文献 111第3篇 让人工智能融入智库场景：提升决策效能 112第5章 人工智能赋能的科技动态情报监测 1145.1 科技动态情报监测场景 1145.2 人工智能赋能科技动态情报监测的方法路径 1235.3 人工智能赋能科技动态情报监测的应用效果 1315.4 人工智能赋能科技动态情报监测的“机器幻觉”风险与解决方案 135参考文献 137第6章 人工智能赋能的科学结构分析 1406.1 科学知识图谱：科学结构分析的新工具 1406.2 人工智能驱动的科学知识图谱构建方法 1466.3 人工智能驱动的科学知识图谱应用效果 1506.4 未来展望 159参考文献 161第7章 人工智能赋能的战略技术识别 1647.1 战略技术识别场景 1647.2 人工智能技术赋能战略技术识别的方法路径 1697.3 人工智能赋能战略技术识别的应用效果 174参考文献 186第8章 人工智能赋能的科研评价 1888.1 科研评价场景 1888.2 基于人工智能的科研评价探索 1968.3 人工智能赋能科研评价的应用效果 2048.4 人工智能赋能科研评价的风险及未来展望 205参考文献 207第9章 人工智能赋能的科技竞争力评估 2119.1 科技竞争力评估场景 2119.2 人工智能赋能科技竞争力评估的方法路径 2189.3 人工智能赋能科技竞争力评估的应用效果及展望 223参考文献 226第10章 人工智能赋能的气候政策分析 22810.1 气候政策分析的背景 22810.2 人工智能技术在气候政策分析中的作用 23610.3 人工智能赋能气候政策分析的方法 24310.4 人工智能赋能气候政策分析的案例 253参考文献 257第11章 人工智能赋能的舆情治理与认知塑造 26411.1 舆情治理与认知塑造 26411.2 人工智能赋能舆情治理与认知塑造的核心功能 26811.3 人工智能赋能舆情治理与认知塑造的应用效果和风险挑战 27911.4 人工智能赋能舆情治理与认知塑造的未来展望 284参考文献 286第12章 人工智能技术赋能的中长期发展规划决策管理 28912.1 中长期发展规划决策管理场景 28912.2 人工智能技术赋能中长期发展规划管理决策的需求点 29812.3 人工智能技术赋能中长期发展规划决策管理的重要方向 30312.4 典型案例分析—以中长期科技规划编制为例 313参考文献 317结语与展望 319索引 322
|
| 內容試閱：
|
|
导论 回顾技术革命的历史，人类社会的重大变革本质上是通过机械力、智慧力和繁殖力的不断外化，实现人与自然、人与机器和谐互动的社会新形态的过程。从蒸汽机的发明到内燃机与电力的广泛应用，机器替代了人力，重构了生产方式，体现了“机械力”的外化；计算机的出现，使人类能够将可形式化、逻辑化的任务转化为可执行程序，实现认知能力向机器的转移与延伸。当前，以ChatGPT、Sora、DeepSeek等为代表的预训练大模型持续取得突破，推动人工智能从感知智能向认知智能、从分析判断式向生成创造式、从专用智能向通用智能的加速演进（高文，2025），促使人类“智慧力”外化，深刻变革生产生活方式模式’重塑知识发现与科技创新范式。人工智能作为新一轮科技革命和产业变革的战略性技术，正继农耕时代、工业时代和计算机时代之后，开启以知识为核心的第四次工业革命，驱动人类迈向智能社会。 1.从人工智能主要流派说起 人工智能作为一种具有高度整合能力的通用技术，是典型的多学科、多领域融合的交叉学科，其主要流派的发展无不蕴含了对计算机科学、认知科学、神经科学、语言学、数学、控制论等众多底层基础学科的融合与重构（潘教峰等，2025）。 ——符号主义视域下的“规则-逻辑”整合 符号主义作为人工智能初期探索和发展阶段的主流学派，起源于数理推断和语言学，其主要依赖于符号处理和规则模拟系统，将人类思维进行符号化表达，并通过形式逻辑和规则组合来模拟人类的推理过程。 1956年，在达特茅斯会议上，约翰？麦卡锡*次提出“人工智能”概念，拉开了符号主义模拟人类智能探索的序幕（McCarthy et al.，2006）。1956年，艾伦.纽厄尔和赫伯特.西蒙开发的第一个人工智能程序——“逻辑理论家”（logic theorist，LT），证明了38条数学定理（Newell and Simon，1956）。1965年，第一个专家系统DENDRAL问世，该系统能够根据分子式和质谱数据推断化合物分子结构，证实了专家系统在实际应用中的可行性（Feigeribaum and Buchanan，1993）。此后，“知识工程”概念的提出，推动专家系统呈现爆发式增长。DEC？计算机配置系统XCON的成功（Barker et al”1989），以及IBM②超级电脑“深蓝”的胜利（Newborn，2003），使得符号主义一时间声名大噪。 符号主义将“推理”这一哲学与逻辑命题*次转译为可编程符号系统，搭建了形式化语言与知识表达的转译和整合的桥梁，实现了对现实知识的抽象，赋予了机器以智能。尽管专家系统在特定领域表现出色，但主要依赖询问专家方法获得静态知识库，并进行程序化表达以实现单一推理结构，在处理复杂、不确定性问题时，缺乏灵活性和自适应能力，难以实现真正的“智能”。 ——行为主义视域下的“控制_环境”整合 行为主义也称控制论学派，他们认为智能的体现源于行动的反馈调整，即通过与环境的交互来学习和适应，关注智能体（intelligent agents）在环境中的行为表现，而非其内部的认知过程。行为主义*早起源于控制论，强调将所有的行为都视为对外部剌激的反应，在发展中，逐步融入心理学、生物学与机器人学等，探索智能体与环境的动态耦合。 20世纪40～50年代，控制论思潮的兴起，奠定了行为主义人工智能发展的理论基础。早期控制论学派研究者倡导基于控制科学的理论、方法和技术，模拟人类智能行为，从而催生出智能控制和智能机器人的研究。1966年，美国斯坦福国际研究所（Stanford Research Institute，SRI）研发的**台通用机器人Shakey，能够通过自身行为“推理”，解决简单的感知、运动规划和控制问题（Kuipers et al.，2017）。20世纪80年代，“感知-行为”模式理论的形成，标志着行为主义作为人工智能的一个重要学派开始确立。该理论强调获取环境信息，以指导智能系统的行为决策。1989年，罗德尼？布鲁克斯制造的六足机器人Genghis，采用基于“感知-动作”模式模拟昆虫行为的控制系统，被视为新一代的“控制论动物”（Brooks，1990）。 行为主义通过控制工程和认知科学耦合，实现系统与环境的互动，使AI真正“落地”到物理世界，为自主驾驶、智能制造等场景构建“环境交互”的系统模型。但高昂的试错成本、复杂场景适应性不足等缺陷，导致行为主义发展滞后于符号主义和连接主义。 ——连接主义视域下的“神经_统计”整合 连接主义以脑科学为指导，强调模拟人脑的工作原理。该学派试图通过融合神经生理学、物理模拟与数学模拟等多种学科方法，构建类似人脑神经元节点网络的仿生结构，以实现机器思维和智能学习。 1943年，*个人工神经元模型——MP模型的提出，开启了连接主义的篇章；1958年，弗兰克？罗森布拉特发明的“感知机”（Perceptron）模型奠定了神经网络的雏形（Rosenblatt，1958）。但受到早期理论模型的限制，连接主义一度陷入低谷，直至20世纪80年代才再度迎来复苏。随着神经网络的复苏，机器学习方法逐渐取代专家系统，成为研究的核心方向。人工智能由原本的知识驱动转为数据驱动。1986年，杰弗里？辛顿等提出的BP算法a），以反向传播的方式实现机器的自我学习，使系统获得了不同场景 和任务的适应力（Rumelhart et al.，1986）。2006年，“深度学习”概念被提出，该技术通过设置更多的隐藏层（可达数百个），实现了海量数据特征的自动提取（Hinton and Salakhutdinov，2006）。建立在数据训练基础上的深度学习，不再是基于原有数据的简单分类，而是通过多层次、网络式数据连接，实现隐藏特征的深度挖掘，展现出超越人类的智能整合能力。在此基础上，Vaswani等（2017）和Goodfellow等（2020）先后提出生成对抗网络（generative adversarial networks，GANs）与Transformer模型，弓丨发生成式人工智能的爆发式增长。Transformer模型通过Token序歹!J的向量化表示和自注意力机制捕捉上下文关联，再以概率分布驱动后续Token的生成。区别于AlexNet图像识别等“发现”问题*优解，BERT，GPT系列、Gemini、Sora、DeepSeek等的发布，通过内容生成，实现了基于统计概率的“创造”。 连接主义以脑科学为指导，整合不同学科的知识、数据，并通过深度学习推动模型泛化能力不断提升。而生成式大模型基于统计论、概率论的工程化，则进一步促进跨领域的普适赋能应用。但不容忽视的是，当前人类对脑科学认知的不足，也制约了连接主义的发展，造成算法黑箱与不可解释性等局限，意味着未来人工智能的进一步发展仍离不开底层学科的突破。 作为自然科学、社会科学、技术科学交叉创新的成果，虽然符号主义、行为主义、连接主义在机理和应用上各有侧重，但人工智能的各学派也呈现出相互融合的趋势（魏斌，2022）。 在符号主义与连接主义的融合方面，符号主义侧重通过逻辑推理与符号操作实现知识的“演绎”，而连接主义则以神经网络和数据驱动为核心实现知识的“归纳”。事实上，人类思维通常是演绎与归纳的结合，推理过程中不会有明确的分野。将符号主义与连接主义相融合，一方面，能够使以连接主义为基础的深度学习系统更高效地理解和解释数据，显著提升模型的可解释性和鲁棒性，避免单纯基于数据的概率计算；另一方面，这种融合也使得符号主义在处理复杂问题时更加灵活，能够通过深度学习技术从数据中自动学习和提取关键信息，完善预设的规则和逻辑，拓展应用范围。 在行为主义与连接主义的融合方面’行为主义强调通过试错学习来适应动态环境，而连接主义则基于神经网络模拟人类认知过程。两者的整合可以使人工智能系统通过环境交互动态调整自身神经网络结构，从而提高学习效率和适应能力。例如，在自动驾驶场景中，将行为主义的强化学习（reinforcement learning，RL）算法与连接主义的深度学习模型相结合，可以使自动驾驶系统在复杂交通环境中更加高效地学习并优化其行为，助力提高安全性和可靠性。 符号主义、行为主义和连接主义的融合将使人工智能系统不仅能够理解复杂的逻辑关系，处理大规模的数据，还能够在真实世界中自主学习和适应，推动人工智能技术的进一步发展。 2.人工智能赋能的本质认识与关键路径 当前，人工智能巳广泛嵌入经济社会各领域，不仅提升传统流程效率，更主动参与设计生成、方案评估和科研运营等复杂过程（Mckinsey，2025），系统性地缩短了创新周期并加速知识演化。这背后的核心本质，体现在人工智能所具备的关联识别能力、因果推理能力、矛盾发现能力、收敛逼近能力、突变浦现能力这五大关键能力，这些能力共同构成了人工智能赋能的关键路径（潘教峰等，2025）。 ——关联识别能力：关联性揭示变量间的深层联系 基于统计学和概率论的基础假设，人工智能能够通过分析海量数据，利用机器学习算法识别变量间的相关性。这不仅仅是在原有数据上的筒单聚类，更是通过非线性的特征识别，挖掘数据内在的隐含关联，展现出对表层关联和结构关联的深度分析。在表层关联中，Apriori算法通过逐层捜索和剪枝策略，以揭示数据项间的频繁共现关系；沃尔玛便是基于此，从购物篮数据中挖掘出了“啤酒与尿布”的强关联规则。这些应用基于数据的表层关联或共现关系，识别了其潜在的相关性。而进一步，DeepMind发布的AlphaFold3引入扩散模型进行多尺度特征学习，并结合Cryo-EM、NMR等实验数据修正扩散过程偏差，将蛋白质_配体相互作用的预测精确度提升至76%，相较*优的传统方法高出约50%（Abramson et al.，2024），标志着人工智能从“表层相关”向“结构性关联”的飞跃。关联性作为人工智能*基本的能力，奠定了技术赋能的根基。 ——因果推理能力：因果性厘清变量间内在机理 关联性的揭示虽能捕捉事物潜在的相关性，但也面临与“虚假”相关的问题；而因果性则从深层次反映数据生成机制之间的关系，这种关系更具稳健性和泛化性。因而，要把握事物的根本发展规律，仍需要从因果性出发。图灵奖获得者朱迪亚？珀尔（Judea Pearl）认为，人类通过三层认知阶梯来理解世界，即观察关联、干预行动以及反事实推演。干预行动和反事实推演都必须建立在因果推断基础上，实现因果推断的算法化是强人工智能实现的关键（涂良川，2020）。珀尔提出的因果图可以清晰地表达变量之间的因果结构，并且能够利用图的性质来推导因果效应，为构建因果人工智能奠定了基础（朱迪亚？珀尔和吴小安，2019）。同时，脑科学的研究也为因果建模的突破提供了生物学的蓝图。例如，中国科学院脑科学与智能技术卓越创新中心（神经科学研究所）王立平研究组发现，猕猴通过整合先验信息和感觉输入推断隐藏的因果结构，同时动态更新存储的先验知识和感觉表征来适应环M化（Qietal，2022）。帕金森病中丘脑朿旁核解偶联的研究，通过动态因果建模（dynamic causal modeling，DGM）量化丘脑束旁核与其他脑区
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
