【中项】系统集成项目管理工程师-第2章 信息技术发展-2.2新一代信息技术及应用-2.2.5人工智能与2.2.6虚拟现实

前言：系统集成项目管理工程师专业，现分享一些教材知识点。觉得文章还不错的喜欢点赞收藏的同时帮忙点点关注。 

       软考同样是国家人社部和工信部组织的国家级考试，全称为“全国计算机与软件专业技术资格（水平）考试”，目前涵盖了计算机软件、计算机网络、计算机应用技术、信息系统、信息服务5大领域，总共27个科目，也是分为初、中、高三个级别。

       通信专业主要需要关注“计算机网络”这个专业类别，可以考的科目有初级资格的“网络管理员”、中级的“网络工程师”。

       还有5个高级资格专业，分别是“信息系统项目管理师“”系统分析师“”系统架构设计师“”网络规划设计师“”系统规划与管理师“。

       软考高级证书在通信行业比较吃香，主要原因有两个： 通信行业与计算机软件是相近专业，评职称满足相近专业的要求； 通信高级不能以考代评，但软考高级可以，很多考生通过考软考高级来评高级职称。
————————————————

                       

2.2.5人工智能

       人工智能是指研究和开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一 门技术科学。这一概念自1956年被提出后，已历经半个多世纪的发展和演变。21世纪初，随着大数 据、高性能计算和深度学习技术的快速迭代和进步，人工智能进入新一轮的发展热潮，其强大的赋 能性对经济发展、社会进步、国际政治经济格局等产生了重大且深远的影响，已成为引领新一轮科 技革命和产业变革的重要驱动力量，是推动人类进入智能时代的核心和重要抓手。

1.技术基础

       人工智能从产生到现在，其发展历程经历了以下6个阶段。

（1）起步发展期。1956年至20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目 的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。

（2）反思发展期。20世纪60年代至70年代初。人工智能发展初期的突破性进展大幅提升了人们 对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而接 二连三的失败和预期目标的落空，使人工智能的发展走入低谷。

（3）应用发展期。20世纪70年代初至80年代中。20世纪70年代出现的专家系统模拟人类专家的 知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨 转向运用专门知识的重大突破，推动人工智能走入应用发展的新高潮。

（4）低迷发展期。20世纪80年代中至90年代中。随着人工智能应用规模的不断扩大，专家系统 存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与 现有数据库兼容等问题逐渐暴露出来。

（5）稳步发展期。20世纪90年代中至2010年。 由于网络技术特别是互联网技术的发展，加速了 人工智能的创新研究，促使人工智能技术进一步走向实用化。

（6）蓬勃发展期。2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛 在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，并取得 相关的技术突破，迎来爆发式增长的新高潮。

       从当前的人工智能技术进行分析可知，在技术研究方面主要聚焦在热点技术、共性技术和新兴 技术三个方面。其中以机器学习为代表的基础算法的优化改进和实践， 以及迁移学习、强化学习、 多核学习和多视图学习等新型学习方法是研究探索的热点； 自然语言处理相关的特征提取、语义分 类、词嵌入等基础技术和模型研究，以及智能自动问答、机器翻译等应用研究也取得诸多的成果； 以知识图谱、专家系统为逻辑的系统化分析也在不断地取得突破，大大拓展了人工智能的应用场   景，对人工智能未来的发展具有重要的潜在影响。

2.关键技术

       人工智能的关键技术主要涉及机器学习、 自然语言处理、专家系统等技术，随着人工智能应用 的深入，越来越多新兴的技术也在快速发展中。

1 ）机器学习（ 中22上广、20下）

       机器学习是一种自动将模型与数据匹配，并通过训练模型对数据进行“学习 ”的技术。机器学 习的研究主要聚焦在机器学习算法及应用、强化学习算法、近似及优化算法和规划问题。其中常见的学习算法主要包含回归、聚类、分类、近似、估计和优化等基础算法的改进和研究，迁移学习、 多核学习和多视图学习等强化学习方法，是当前的研究热点。

       神经网络是机器学习的一种形式，该技术出现在20世纪60年代，并用于分类型应用程序。它根 据输入、输出、变量权重或将输入与输出关联的“特征 ”来分析问题。它类似于神经元处理信号的 方式。深度学习是通过多等级的特征和变量来预测结果的神经网络模型，得益于当前计算机架构更 快的处理速度，这类模型有能力应对成千上万个特征。与早期的统计分析形式不同，深度学习模型 中的每个特征通常对于人类观察者而言意义不大，这导致的结果就是该模型的使用难度很大且难以 解释。深度学习模型使用一种称为反向传播的技术，通过模型进行预测或对输出进行分类。强化学 习是机器学习的另外一种方式，指机器学习系统制订了目标而且迈向目标的每一步都会得到某种形 式的奖励。

       机器学习模型是以统计为基础的，而且应该将其与常规分析进行对比以明确其价值增量。它们 往往比基于人类假设和回归分析的传统“手工 ”分析模型更准确，但也更复杂和难以解释。相比于 传统的统计分析， 自动化机器学习模型更容易创建，而且能够揭示更多的数据细节。

2 ） 自然语言处理

       自然语言处理（Natural Language Processing ，NLP）是计算机科学领域与人工智能领域中的一 个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。 自然语言 处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言， 即人们日常使用的语言，所以它与语言学的研究有着密切的联系，但又有重要的区别。 自然语言处 理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机系统，特别是其中 的软件系统。因而它是计算机科学的一部分。

       自然语言处理主要应用于机器翻译、舆情监测、 自动摘要、观点提取、文本分类、问题回答、 文本语义对比、语音识别、中文OCR等方面。（ 高23下、19下、中23上-考应用，并不是标红这一  段话）

       自然语言处理，即实现人机间自然语言通信、 自然语言理解和自然语言生成是十分困难的，造 成困难的根本原因是自然语言文本和对话的各个层次上广泛存在着各种各样的歧义性或多义性。 自 然语言处理主要解决的核心问题是信息抽取、 自动文摘1分词、识别转化等，用于解决内容的有效  界定、消歧和模糊性、有瑕疵的或不规范的输入、语言行为理解和交互。当前，深度学习技术是自 然语言处理的重要支撑，在自然语言处理中需应用深度学习模型，如卷积神经网络、循环神经网络 等，通过对生成的词向量进行学习，以完成自然语言分类、理解的过程。

3 ）专家系统

       专家系统是一个智能计算机程序系统，通常由人机交互界面、知识库、推理机、解释器、综合 数据库、知识获取等6个部分构成，其内部含有大量的某个领域专家水平的知识与经验，它能够应  用人工智能技术和计算机技术，根据系统中的知识与经验，进行推理和判断，模拟人类专家的决策 过程，以便解决那些需要人类专家处理的复杂问题。简而言之，专家系统是一种模拟人类专家解决 领域问题的计算机程序系统。

       在人工智能的发展过程中，专家系统的发展已经历了三个阶段，正向第四代过渡和发展。第一 代专家系统以高度专业化、求解专门问题的能力强为特点。但在体系结构的完整性、可移植性、系 统的透明性和灵活性等方面存在缺陷，求解问题的能力弱。第二代专家系统属单学科专业型、应用 型系统，其体系结构较完整，移植性方面也有所改善，而且在系统的人机接口、解释机制、知识获 取技术、不确定推理技术、增强专家系统的知识表示和推理方法的启发性、通用性等方面都有所改 进。第三代专家系统属多学科综合型系统，采用多种人工智能语言，综合采用各种知识表示方法和 多种推理机制及控制策略，并开始运用各种知识工程语言、骨架系统及专家系统开发工具和环境来 研制大型综合专家系统。

       当前人工智能的专家系统研究已经进入到第四个阶段，主要研究大型多专家协作系统、多种知 识表示、综合知识库、 自组织解题机制、多学科协同解题与并行推理、专家系统工具与环境、人工 神经网络知识获取及学习机制等。

3.应用和发展

       经过60多年的发展，人工智能在算法、算力（计算能力）和算料（数据）等方面取得了重要突 破，正处于从“不能用 ”到“可以用 ”的技术拐点，但是距离“很好用 ”还有诸多瓶颈。实现从专 用人工智能向通用人工智能的跨越式发展，既是下一代人工智能发展的必然趋势，也是研究与应用 领域的重大挑战，是未来应用和发展的趋势。

（1）从人工智能向人机混合智能发展。借鉴脑科学和认知科学的研究成果是人工智能的一个重 要研究方向。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统 的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。

（2）从“人工+智能 ”向自主智能系统发展。当前人工智能领域的大量研究集中在深度学习， 但是深度学习的局限是需要大量人工干预， 比如人工设计深度神经网络模型、人工设定应用场景、 人工采集和标注大量训练数据、用户需要人工适配智能系统等，非常费时费力。因此，科研人员开 始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。

（3）人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度 交叉的复合型学科，研究范畴广泛而又异常复杂，其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。借助于生物学、脑科学、生命科学和心理学等学科的突破，将 机理变为可计算的模型，人工智能将与更多学科深入地交叉渗透。

（4）人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益 增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来10年将进入高速增长期。 “人工智能+X ”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影 响，并推动人类进入普惠型智能社会。

（5）人工智能的社会学将提上议程。为了确保人工智能的健康可持续发展，使其发展成果造福 于民，需要从社会学的角度系统全面地研究人工智能对人类社会的影响，制定完善人工智能法律法 规，规避可能的风险， 旨在“ 以有利于整个人类的方式促进和发展友好的人工智能 ”。

2.2.6虚拟现实

       自从计算机创造以来，计算机一直是传统信息处理环境的主体，这与人类认识空间及计算机处 理问题的信息空间存在不一致的矛盾，如何把人类的感知能力和认知经历及计算机信息处理环境直 接联系起来，是虚拟现实产生的重大背景。如何建立一个能包容图像、声音、化学气味等多种信息 源的信息空间，将其与视觉、听觉、嗅觉、 口令、手势等人类的生活空间交义融合，虚拟现实的技 术应运而生。

1.技术基础

       虚拟现实（Virtual Realiy ，VR）是一种可以创立和体验虚拟世界的计算机系统（其中虚拟世界 是全体虚拟环境的总称） 。通过虚拟现实系统所建立的信息空间，已不再是单纯的数字信息空间， 而是一个包容多种信息的多维化的信息空间（Cyberspace），人类的感性认识和理性认识能力都能  在这个多维化的信息空间中得到充分发挥。要创立一个能让参与者具有身临其境感，具有完善交互 作用能力的虚拟现实系统，在硬件方面，需要高性能的计算机软硬件和各类先进的传感器；在软件 方面，主要是需要提供一个能产生虚拟环境的工具集。

       虚拟现实技术的主要特征包括沉浸性、交互性、多感知性、构想性和自主性。

（1）沉浸性。沉浸性指让用户成为并感受到自己是计算机系统所创造环境中的一部分。虚拟现 实技术的沉浸性取决于用户的感知系统，当使用者感知到虚拟世界的刺激时，包括触觉、味觉、嗅 觉、运动感知等，便会产生思维共鸣，造成心理沉浸，感觉如同进入真实世界。

（2）交互性。交互性指用户对模拟环境内物体的可操作程度和从环境得到反馈的自然程度。使 用者进入虚拟空间，相应的技术让使用者跟环境产生相互作用，当使用者进行某种操作时，周围的 环境也会做出某种反应。

（3）多感知性。多感知性表示计算机技术应该拥有很多感知方式，比如听觉，触觉、嗅觉等等。理想的虚拟现实技术应该具有一切人类所具有的感知功能。

（4）构想性。构想性也称想象性，使用者在虚拟空间中可以与周围物体进行互动，可以拓宽认 知范围，创造客观世界不存在的场景或不可能发生的环境。

（5） 自主性。 自主性指虚拟环境中物体依据物理定律动作的程度。如当受到力的推动时，物体 会向力的方向移动、翻倒或从桌面落到地面等。

       随着虚拟现实技术的快速发展，按照其“沉浸性 ”程度的高低和交互程度的不同，虚拟现实技 术已经从桌面虚拟现实系统、沉浸式虚拟现实系统、分布式虚拟现实系统等，向着增强式虚拟现实 系统（Augmented Reality ，AR）和元宇宙的方向发展。

2.关键技术

       虚拟现实的关键技术主要涉及人机交互技术、传感器技术、动态环境建模技术和系统集成技术 等。

（1）人机交互技术。虚拟现实中的人机交互技术与传统的只有键盘和鼠标的交互模式不同，是 一种新型的利用VR眼镜、控制手柄等传感器设备，能让用户真实感受到周围事物存在的一种三维  交互技术，将三维交互技术与语音识别、语音输入技术及其他用于监测用户行为动作的设备相结合，形成了目前主流的人机交互手段。

（2）传感器技术。VR技术的进步受制于传感器技术的发展，现有的VR设备存在的缺点与传感 器的灵敏程度有很大的关系。例如VR头显（即VR眼镜）设备过重、分辨率低、刷新频率慢等，容 易造成视觉疲劳；数据手套等设备也都有延迟大、使用灵敏度不够的缺陷，所以传感器技术是VR 技术更好地实现人机交互的关键。（ 中22下广）

（3）动态环境建模技术。虚拟环境的设计是VR技术的重要内容，该技术是利用三维数据建立 虚拟环境模型 。 目前常用的虚拟环境建模工具为计算机辅助设计（Computer Aided Design ， CAD） ，操作者可以通过CAD技术获取所需数据，并通过得到的数据建立满足实际需要的虚拟环 境模型。除了通过CAD技术获取三维数据，多数情况下还可以通过视觉建模技术或者两者相结合 来更有效地获取数据。

（4）系统集成技术。系统集成（System Integration ，S1）是通过各种技术整合手段将各个分离 的信息和数据集成到统一的系统中。VR系统中的集成技术包括信息同步、数据转换、模型标定、 识别和合成等技术， 由于VR系统中储存着许多的语音输入信息、感知信息以及数据模型，因此VR 系统中的集成技术就变得非常重要。

3.应用和发展

       虚拟现实技术已经取得了一定的应用和发展，当前的技术趋势和方向主要聚焦在以下4个方面。

（1）硬件性能优化迭代加快。轻薄化、超清化加速了虚拟现实终端市场的迅速扩大，开启了虚 拟现实产业爆发增长的新空间，虚拟现实设备的显示分辨率、帧率、 自由度、延时、交互性能、重 量、眩晕感等性能指标日趋优化，用户体验感不断提升。

（2）网络技术的发展有效助力其应用化的程度。泛在网络通信和高速的网络速度，有效提升了 虚拟现实技术在应用端的体验。借助于终端轻型化和移动化5G技术，高峰值速率、毫秒级的传输  时延和千亿级的连接能力，降低了对虚拟现实终端侧的要求。

（3）虚拟现实产业要素加速融通。技术、人才多维并举，虚拟现实产业核心技术不断取得突  破， 已形成较为完整的虚拟现实产业链条。虚拟现实产业呈现出从创新应用到常态应用的产业趋  势，在舞台艺术、体育智慧观赛、新文化弘扬、教育、医疗等领域普遍应用。“虚拟现实+商贸会 展 ”成为未来的新常态、“虚拟现实+工业生产 ”是企业数字化转型的新动能、“虚拟现实+智慧  生活 ”大大提升了未来智能化的生活体验、“虚拟现实+文娱休闲 ”成为新型信息消费模式的新载 体等。

（4）新技术驱动新商业。元宇宙等新兴概念为虚拟现实技术带来了“沉浸和叠加 ”“激进和渐 进 ”“开放和封闭 ”等新的商业理念，大大提升了其应用价值和社会价值，将逐渐改变人们所习惯 的现实世界物理规则，以全新方式激发产业技术创新，以新模式、新业态等方式带动相关产业跃迁 升级。

1 #include "stdio.h"
2 void main()
3 {
4     int time;
5     for (time=1;time<=10;time++)
6     printf("%d、喜欢的帮忙点赞收藏加关注哦！\n",time);
7 }