时间：2023-09-07 17:55:24
引言：易发表网凭借丰富的文秘实践，为您精心挑选了九篇人工智能对教学的帮助范例。如需获取更多原创内容，可随时联系我们的客服老师。
关键词：人工智能；教育；新模式；改革；构想
教育是着眼于未来的事业，教育的首要任务就是为未来社会培养相适应的合格人才。随着人工智能的诞生和发展，我国已经开始将人工智能应用于教育领域，并显示出人工智能对于弥补当前教育存在的种种缺陷和不足，推动教学现代化和教育发展改革进程起着越来越重要的作用。在现代医学发展中，工程科学与临床医学不断融合，相互进步。近几年，随着人工智能技术，机器人技术，虚拟与增强现实技术，3D打印技术与医学不断的融合发展，衍生出一系列的医学诊疗技术，仪器，大大推进了医学发展。从2013年到2017年，国务院、发改委、FAD连续发文，多次提及医疗走智能化、云化的趋势，为推动智能医疗领域保驾护航。智能与医学的结合已经是大势所趋，因此，为培养大量智能医学人才极有必要对智能医学教育新模式进行深入研究。
一、目前医学教育以及医学人才培养状况
智能医学工程是一门将人工智能、传感技术等高科技手段综合运用于医学领域的新兴交叉学科，研究内容包括智能药物研发、医疗机器人、智能诊疗、智能影像识别、智能健康数据管理等。
智能医学工程的毕业生掌握了基础医学、临床医学的基础理论，对智慧医院、区域医疗中心、家庭自助健康监护三级网络中的医学现象、医学问题和医疗模式有较深入的理解，能熟练地将电子技术、计算机技术、网络技术、人工智能技术，应用于医疗信息大数据的智能采集、智能分析、智能诊疗、临床实践等各个环节。实验教学正是融合型创新人才的最好培养方式。智能医学人才的培养需要各学科间的相互交融更为紧密，学生的创新应用能力才能得到更好的培养。与此同时，由于绝大部分医工结合的专业大部分归属与工科学院下，缺乏必要的临床经验，因而学生不能很好的把握新技术的应用。
而国内相关人才缺口还非常大，目前，国内仅仅有生物医学工程、医学信息工程等工科专业培养医工结合人才。但是囿于培养时间与培养模式，他们往往只能针对具体某一方向，并且目前的培养体系还多着重于工学技术的研究，缺乏临床实践。
二、智能+医学教育的必要性探究
2.1技术进步对医疗人员的诊疗帮助
以癌症的治疗为例，由于针对癌症药物的研究何药物数量非常巨大，对于普通医生在短时间内难以进行准确的判断针对癌症的研究和药物数量非常巨大，具体来说，目前已有800多种药物和疫苗用于治疗癌症。但是，这对于医生来说却有负面的影响，因为有太多种选择可供选择，使得为病人选择合适的抗癌药物变的更加困难。同样，精确医学的进步也是非常困难的，因为基因规模的知识和推理成为决定癌症和其他复杂疾病的最终瓶颈。今天，许多受过专业训练的医学研究员需要数小时的时间来检查一个病人的基因组数据并作出治疗决定。
上述问题在拥有工学、医学双背景的医生手中已经不是问题，通过目前日渐成熟的AI技术，对于大量的医疗数据进行检索，通过可靠的编程手段，通过人工智能技术，建立完备的医疗数据库，帮助医生进行诊疗。据调查，美国微软公司已经研制出帮助医生治疗癌症的人工智能机器，其原理是对于所有关于癌症的论文进行检索，并提出对于病人治疗最有效的参考方案，它可以通过机器学习来帮助医生找到最有效，最个性化的癌症治疗方案，同时提供可视化的研究数据。
2.2智能医学对于新时代医生培养的影响
人工智能通过计算机可为学生提供图文并茂的丰富信息和数据，一方面加强了学生的感性认识，加强了对所学知识的理解和掌握，从而提高了教学质量。同时，人工智能可帮助教师完成繁杂的、需适应各种教学的教学课程、课件等设计，使教师将更多的精力专注于学与教的行为和过程，从而提高教学效率。正如前面所述例子，智能网络模块化学习平台可使教学摆脱以往对于示教病例的依赖，拓展了学生们的学习空间和时间，可极大地提高医学学习效率和教学质量。
教育与人工智能相结合将会创新教育方式和理念。北京师范大学何克抗教授在《当代教育技术的研究内容与发展趋势》中提到当代教育技术的五大发展趋势之一就是“愈来愈重视人工智能在教育中应用的研究”。结合上述人工结合上述人工智能在医学教育中的创新作用，下面就人工智能结合医学学教育新模式提出一些构想。
三、交叉医学人才的培养
3.1建立智能医学人才培养体系的必要性
目前智能医学的研发和临床还存在隔阂，临床医生并没有很好地理解人工智能，无法从实践出发提出人工智能能够解决的方向，而人工智能的产业界热情高涨，却未必能踩准点，所以产业界需要和临床深度沟通融合，才能真正解决看病难、看病贵的问题，缓解医疗资源紧张。目前，国内仅仅有生物医学工程、醫学信息工程等工科专业培养医工结合人才。
3.2医学人才培养体系初步构想
据悉，目前已经有天津大学、南开大学等几所院校开设了智能方向的医学本科教育，旨在弥补上述缺口，相关院校也在积极探索新型人才培养方案。应当为医学生开设人工智能课程，应当培养具备生命科学、电子技术、计算机技术及信息科学有关的基础理论知识以及医学与工程技术相结合的科学研究能力。该专业的学生主要学习生命科学、临床医学，电子技术、计算机技术和信息科学的基本理论和基本知识，充分进行计算机技术在医学中的应用的训练，具有智能医学工程领域中的研究和开发的基本能力。
关键词：人工智能；教学改革；教学方法
引言
人工智能(ArtificialIntelligence)是一门研究和模拟人类智能的跨领域学科，是模拟、延伸和扩展人的智能的一门新技术。由于信息环境巨变与社会新需求的爆发，人工智能技术的日趋成熟。随着AI3.0时代的到来，大数据、云计算等新技术的应用也愈发广泛，对于管理类人才来说，加强对人工智能知识的深入学习，不断将人工智能技术与管理知识结合起来，对其未来职业生涯的发展有着重要作用。人工智能是一门前沿学科，管理学院开设人工智能课程的目的是为了更好地培养学生的技术创新思维与能力，基于其覆盖面广、包容性强、应用需求空间巨大的学科特点，通过概率统计、数据结构、计算机编程语言、数据库原理等基础课程的学习，加强学生解决实际问题的能力，为就业打下基础。本文基于社会对于人工智能领域的人才需求，结合诸多长期从事经管类专业课程教学的老师意见，针对管理类人才的人工智能课程教学内容与方法进行探讨，以期对中国高校人工智能课程教学改革研究提供帮助与借鉴。
1、教学现状与问题
作为一门综合性、实践性和应用性很强的理论技术学科，人工智能课程内容及内涵及其丰富，外延极其广泛。学习这门课程，需要较好的数学基础和较强的逻辑思维能力。针对管理类人才，该课程在课程教学过程中存在几个较为突出的问题。(1)课堂教学氛围枯燥目前，中国大多数大学仍采用传统的课堂教学模式，在教学过程中照本宣科，忽略与学生的互动，并且缺乏能够有效引起学生学习兴趣与加深知识理解的教学环节设置，如此一来大大降低了学生自主思考的能力。在进行人工智能相关课程知识讲解时，随着章节的知识难度不断增加，单向介绍式的枯燥教学方式无法反映人工智能学科的全貌，课堂讲解难以同时给以学生感性和理性的认知，部分学生因乏味的课堂氛围渐渐无法跟上教学进度，导致学习动力不足。(2)基础课程掌握不牢管理类专业的学生大部分都会走向更加具体化的管理岗位，具有多学科的素养，但这也导致很多学生所学知识杂而不精。学生在基础不夯实的情况下去学习更高层面的知识，给学生学习与老师教学都造成了很大困扰。人工智能课程知识点较多，涵盖模式识别、机器学习、数据挖掘等众多内容，概念抽象，不易学习。一些管理类专业的学生未能熟练掌握高等数学、运筹学、数据结构、数据库技术等先修课程，缺乏一定的关联思考和研究意识，导致课程学习难度增加，产生学时不足和教学内容难点过多的问题。(3)教学与实际应用脱节当下，人工智能广泛应用于机器视觉、智能制造等各个领域，给学生提供了大量的现实案例，使得人工智能不再是高深莫测的理论，而是现实中可以触及的内容。例如，在机械学科领域，人工智能技术是电气工程、机械设计制造、车辆工程等方向的重要技术来源；在医疗领域，是医疗器械的创新生产源动力；在能动领域，是高端能源装备与新能源发展的重要驱动；在光电信息与计算机工程领域，技术的发展时刻推动着智能科学与技术核心价值的提升。然而，对于管理类专业的学生来说，现阶段的人工智能教材涵盖许多智能算法及相关理论，在教学过程中常常涉及到很多从未接触过的抽象理论和复杂算法，书本中的应用实例大多纸上谈兵，缺乏专门适用于管理类专业知识与人工智能技术相结合的教学实践，加上一些教师授课方法单一，不利于引导学生将人工智能算法应用于现实生活。另外，大学生对知识的理解能力差异很大，教师采用统一的方式教给他们，这使一些学生无法跟上和理解，教师也无法控制学生的学习状况，导致学生缺乏动力。因此，如何结合学生的现实情况，提高他们的动手能力和实践经验也是人工智能课程教学要考虑的问题。
2、管理类人才的人工智能课程教学改进策略
课程教学改革是一项提高大学教学效果和人才培养质量的重要手段。如何在时代背景下应用新技术和新思想进行实施课程教学改革是高校亟待解决的问题。对于高校的教学工作而言，教学目标、教学内容和教学方式的变化不再是课程资源的简单数字化和信息化，而是充分利用时代信息资源优势的新型教学模式。针对管理类专业人工智能课程教学过程中存在的问题，可以从教学方法改进和教学内容设置两个方面进行课程教学改进。
2.1教学方法改进
教师对学生具有引领作用，其教学方法的改进能够带动学生改进自身学习方法。(1)启发式案例教学案例教学法就是教师根据教学目标、教学内容以及教学要求，通过安排一些具体的教学案例，引导学生积极参与案例思考、分析、讨论和表达等多项活动，是一种培养学生认知问题、分析和解决问题等综合能力的行之有效的教学方法。启发式案例教学以自主、合作、探究为主要特征，调动学生的学习积极性，并紧密结合人工智能领域的相关理论与方法，有效理解知识要点及其关联性，适用于管理类专业学生的教学。具体而言，高校基于其问题启发性、教学互动性以及实践有用性等特点，可以建立基于人工智能知识体系的教学案例库，虽然这项建设将极具挑战性与耗时性，但具有很强的积极效果：培养学生较强的批判性思维能力，更多地保留课程材料，更积极地参与课堂活动，对提高教学质量、培养具有人工智能背景的管理类人才具有重要意义。例如，通过单一案例教学，让学生掌握相关基础知识原理及应用；通过一题多解的案例使学生思考如何获取最有效的解题方法；通过综合案例的设计，启发学生全方位地探索问题的解决方案。(2)研讨互动式教学研讨互动式的各个教学环节是逐渐递进、有机结合的。研讨是基于学生个体的差异性，在课堂讨论的过程中对学生做出评判，从而对不同类型的学生开展针对性的教学。互动则是在研讨的基础上，通过老师与学生、学生与学生的互动，让学生主动参与到课堂教学的过程中来。在人工智能课程教学过程中，教师通过课堂讨论了解学生对于知识点的掌握情况，可以有针对性地设计教学内容，例如，对于学校积极性不强的学生，将人工智能理论内容与学生个人兴趣范畴、社会产业发展及研究现状联系起来，能够极大程度地提高学生学习的自主能力；对于基础知识较为薄弱的学生，可以在教师的指导下查阅相关文献资料，根据自己的理解撰写心得报告，并在课堂或课外进行师生互动。像这样研讨与互动相结合的模式。有助于增强学生的探索和求知欲望，建立起浓厚的学习氛围。(3)有效激励式教学人工智能是引领未来的战略性技术，人才需求量极大，对教师的教学水平也提出了更高要求，因此，进行有效激励极为重要。在学生激励方面，可以举办各类人工智能竞赛项目，设置相应项目奖学金，吸引学生参与实践，调动学生做研究、发论文的积极性。例如，教育部主办的中国研究生人工智能创新大赛，围绕新一代人工智能创新主题，激发学生的创新意识，提高学生的创新实践能力，为人工智能领域健康发展提供人才支撑。高校也可以借鉴这种模式，在各学院乃至全校开展此类竞赛项目，激发学生的创新能力与团队合作能力，鼓舞更多学生加入到人工智能课程的学习中来，激发其学习兴趣。在教师激励方面，在教师聘任和提升过程中把参加学生课程制定、课堂与课外作业、课程项目和论文指导等看作教学任务的一部分，鼓励教师积极参与这些活动。(4)学科渗透式教学人工智能学科知识融合程度较高，学科交叉性强。基于人工智能的学科交叉性特点，增强管理类人才对学科应用的领悟，可以采取开展学科渗透式教学的方法。从2015年起，国务院和教育部先后印发了《国务院关于积极推进“互联网+”行动的指导意见教育》、《高等学校人工智能创新行动计划》等文件，“互联网+”、“智能+”已经渗透到各个领域，人类进入数字经济时代，社会需求“技术+管理”的高端复合人才。例如，基于工业4.0和强国战略，人工智能技术在智能制造的应用极为广泛。上海理工大学非常重视少数民族预科班的教育质量。为增强少数民族管理类人才对该领域应用的认识，我们请机械工程、能源动力领域的相关专家以授课或讲座的形式，进行相关领域知识和发展趋势的讲解，使学生理解更为透彻。此外，在教学实践过程中，还可以用举办人工智能知识交流会、线上人工智能论坛等形式，促进不同专业间老师、学生对于人工智能知识模块的见解，相互交流、渗透和学习，从而推动人工智能课程教学的改进。
2.2教学内容设置
世界一流大学在人工智能课程内容设置根据不同国家的教育体系设置，肯定会有不同，但颇有共通之处。本文借鉴世界顶尖大学经验，针对管理类专业人工智能课程教学内容进行研究，结合中国教育体系设置，认为应从以下几方面进行改进。(1)核心内容设置为避免学生因为知识点过多而出现杂而不精的问题，势必要精化教学内容。在互联网时代，我们可以使用云计算和其他方式来实现数据信息的传输、存储和处理，通过在线收集和整合网络课程相关数据，挖掘和丰富教学资源，并在整合课程资源的基础上，进行研究方法和前沿知识的扩展。在核心内容设置方面，可以通过收集到的数据资料，选择人工智能领域具有代表性且难易程度适中的知识作为重点，使学生能够在有限的学时内掌握人工智能的知识脉络。例如，编写针对管理类人才的人工智能教材，内容涉及绪论、知识表示与推理、常用算法、机器学习、神经网络等方面的同时，重点增加相应知识点在管理上的应用案例，加强学生对知识点的理解。同时，根据管理类专业偏向领域，开设关联程度较大、应用较广泛的人工智能选修课程，以便学生根据自己的兴趣与需求选修具体方向的课程。(2)注重学生的数理及编程基础良好的数理及编程基础是学习人工智能的前提。只有具备了这些基础，才能搞清楚人工智能模型的数量关系、空间形式和优化过程等，才能将数学语言转化为程序语言，并应用于实验。管理学院人才的数理及编程基础相对薄弱，因此，在安排学生学习人工智能课程之前，建议开设面向全体管理类专业学生的微积分、线性代数、概率论等专业基础数学课程以及C语言、python等编程基础课程，使学生具备数学分析的基础与一定编程基础，为学习人工智能课程打下坚实的基础。另外，可以推进MOOC平台建设，在平台上开设人工智能网络课程，帮助学生掌握人工智能知识基础及专业技能。(3)实验建设为了加强学生对于人工智能知识点间的关联性理解，可以基于不同的应用模块，设计具有前后铺垫、上下关联的综合性实验，设计不同层次的项目要求，同时基于相同的实验课题，让学生分组对实验课题进行攻克，并设置多元化的实验评价体系，通过实验教学过程中反映出的不同进度，让教师能对学生的学习水平做出准确评判，及时进行教学反思，以便更好地开展下一步工作。例如，针对人工智能课程应用中很广的遗传算法，在某一管理规划的具体应用上设置理解－实现－参数分析－具体应用－尝试改进－深度拓展的不同层次的项目要求，在这些项目层次中规定必做项与可选项，让学生基于同一实验课题进行合作学习，然后通过个人自我评价、小组成员互相评价以及教师评价的方式进行打分，对小组整体能力以及个人能力进行综合评估，以期培养学生的自主思考能力。
关键词:人工智能;研究型实验教学;民族关系
人工智能是计算机科学的一个分支,是一门研究运用计算机模拟和延伸人脑功能的综合性学科,对它的研究涉及控制论、信息论、系统论、语言学、神经生理学、数学、哲学等诸多的学科及领域,是一门综合性的交叉学科[1]。
人工智能的研究、应用和发展,在一定程度上代表着信息技术的发展方向,同时信息技术的广泛应用也对人工智能技术的发展提出了迫切的需求。今天,人工智能的不少研究领域如自然语言理解、模式识别、机器学习、数据挖掘、智能检索、机器人技术、人工神经网络等都走在了信息技术的前沿,有许多研究成果已经进入人们的生活、学习和工作中,并对人类的发展产生了重要影响[2]。
实践教学环节在大学教育中是一个非常重要的教学环节,是提高人才素质与能力的重要途径。人工智能课程除了具有较强的专业性之外,还具有突出的实践性,为了能深入理解和掌握所学内容,必须把讲授和实践结合起来。本文结合该课程实验教学,将研究型教学的理念引入到实验教学,并对教学过程中的经验和问题加以初步的总结。
1研究型教学模式背景
研究型教学是相对于以单向性知识传授为主的传统教学提出的,是指教师以课程内容和学生的学识积累为基础,引导学生创造性地运用知识和能力,自主地发现问题、研究问题和解决问题,在研究中积累知识、培养能力和锻炼思维的新型教学模式。研究性教学是对现有的大学课堂教学模式的突破。有利于开发大学生的创造潜能,提高学生适应社会需要的创造性和创新能力,充分展现现代大学培养人才、发展科学、服务社会的三大基本职能[3]。
19世纪初,德国著名教育家洪堡最早提出了教学与科研相统一的原则,为研究型教学模式的发展奠定了基础。20世纪50、60年代,美国著名教育心理学家布鲁纳提出了著名的“发现教学模式”[4],成为后来探究性学习和研究型教学的先导。20世纪70年代,美国研究教学专家萨奇曼正式提出了研究训练教学模式。他认为学生会本能地对周围新奇事物发生兴趣,并想方设法弄清这些新奇事物背后究竟发生了什么,这是一种进行科学研究的可贵的动力。
自此,研究型教学理念开始广泛使用。现在,哈佛大学、牛津大学、剑桥大学等世界著名大学,都非常注重学生能力的培养,普遍采取了研究型教学模式。以美国高校为例,虽然美国高校83%的教师在课堂教学中主要采用讲授法进行教学,但在整个教学过程中都渗透着研究型教学的方法,如积极引导学生参与教学过程,开设研究性课程,引导学生积极主动地参与科研活动等。我国自20世纪90年代初推出211工程建设以来,清华大学、北京大学、人民大学、复旦大学、浙江大学等一些重点大学都提出了建设世界一流的综合性研究型大学的目标。这些高校在实现从单向知识传授的传统型教学向关注创新性教育的研究型教学转变方面进行了许多有益的尝试。
2研究型实验教学
本科教学不仅要培养学生的应用能力,还要培养学生具备基本的科研素质。大学是培养未来一线创新人才的主要基地,必须从本科教学人手,深入探索研究型教学的手段和方法,才能满足未来经济增长和社会发展的需要,才能符合建设研究型大学的需要。特别是近几年来我国对科研的投入不断增加,研究生招生规模逐年增大,本科高年级学生打算继续读研的也不在少数。而人工智能是计算机相关学科非常活跃的研究课题,其涵盖的分支非常广泛,如模式识别、机器学习、数据挖掘、计算智能、统计学习理论等,都是目前国际和国内热门的研究方向。
人工智能课程在计算机专业人才培养方案中占据着重要的位置。在专业理论方面,它承续了离散数学中的逻辑知识;在专业方法方面,是数据结构、算法分析与设计的继续;在专业工具方面,是面向对象程序设计的生动实例。并且人工智能的每一部分内容都可以作为一个深入的研究课题,课堂上讲解的内容不可能面面俱到,学生们也不可能对人工智能的每一领域都做很深入的学习。并且人工智能涉及很多的数理逻辑知识,有些显得难以理解,并且往往让学生感到比较枯燥,学生的学习兴趣就渐渐淡薄,学生往往被动“听讲”,难以获得预期的教学效果。
针对这一特点,在人工智能教学中,如何引导学生系统学习人工智能的知识、激发学生的研究兴趣,树立目标意识找准研究方向,为未来的科研工作打下基础,研究型实验教学就成为了人工智能课程教学的一个重要环节和必然选择。
2.1实验教学中加强学生的研究导向
在实验教学中,如果照搬一些教材中的例子或习题教学,一方面学生们会缺乏兴趣,另一方面学生对这个领域的知识缺乏全面的了解。应不断提出一些学生们感兴趣的开放性课题,比如基于支持向量机的人脸识别、基于肤色的人脸检测,基于内容的图像检索等,培养学生们的学习兴趣,让学生们逐渐深入的学习某一领域的知识。比如BP神经网络,在模式识别、经济数据分析、生物信息学、数据挖掘等众多领域都取得过成功应用,是一种具有强大的非线性学习能力的计算智能技术。然而BP神经网络算法自身也存在着一些缺点,如会有局部最小解、解受初值影响较大、理论解释不完善等,而支持向量机在这些方面具有显著优点。我们可以设计一个人脸识别的实验,用神经网络和支持向量机分别实现,并作以比较。让学生们在了解人工智能新技术的同时,也培养学生们如何分析问题、解决问题的科研能力。
2.2人工智能课程实验
该课程是一门对实验技术有较高要求的课程,对于基本原理和方法的实现,要求学生进行严格的计算机专业技能训练和培养良好的科研工作作风。因此对课程中的技能及技术性内容,除单独进行必要的基础训练外,还融入到综合和研究型试验中,通过多次反复实验练习,达到牢固掌握人工智能原理和人工智能的问题求解技术的目的。
该课程的实践环节主要是实践项目,由具备较强工程实践能力的任课教师和助教负责,学生可在全天候开放的专用机房完成。在实践环节的设计上,我们尝试把验证性实验和开发性实验相结合,结合实验教学进度,安排相应的开放实验,开放性实验以科学研究实验为主。并在课程的教学过程中,不断深化和扩展教学内容,结合人工智能学科的发展趋势和本院老师的最新研究成果,对实验内容进行更新。
课程主要设置三种层次的实验:1)基本原理和算法编程,测试例设计及程序测试实验;2)分析综合实验;3)研究型设计实验。整个实验包括课前讨论、实验操作、实验报告、结果讨论、总结提高等六个环节。对于综合性和研究型实验,把学生分成5个人一小组,每小组选做其中的一个。学生从指导老师处了解到实验课题后,即着手查资料,研读文献,钻研有关理论。在此基础上,学生先提出实验方案,经与老师讨论后,即可开始实验研究。
3实验平台的构建
民族关系问题对被访对象,特别对少数民族被访对象是非常敏感的问题,对民族关系的评价又存在个体层面、群体层面、不同阶层人群之间的差异,因此,仅仅以传统的文献分析、问卷统计和现场观察等民族学方法来进行调查,得到的数据会存在较多误差。
因此结合本校的民族特色和民族学领域独特的研究优势,将信息认知技术引入民族关系研究,运用图像、心电和脑电数据进行分析,将分析的结果和心理场景测试及民族学调查结果进行相互印证和参数修正,从而获得尽可能客观的数据,这些数据将有助于建立一个客观、完备、科学的民族关系监测体系,并真实全面地评估民族关系,从而使决策机构及时做出正确的决策。基于多信息融合的民族关系监测预警系统总体框图如图1所示。
目前该平台已经搭建,由北京市公共安全信息监测平台建设、北京市公共安全信息监测平台建设关键技术研究、基于多源信息融合的民族信任研究等多个重大项目支撑。在这个平台的下面,涉及到人脸识别、表情识别,视频监控、认识等领域,小波分析、神经网络、支持向量机、模糊数学、信息融合等人工智能知识得到了具体的应用。学生可以根据自己的兴趣爱好,自愿参加到该平台下的某一项目,切实对自己所学知识有一个深刻的理解和掌握。
4结语
研究型实验教学激发了学生的学习兴趣,不但使学生更好地掌握了人工智能的基本概念、基本理论和基本技术,也切实提高了学生的实际动手能力和编程能力。研究型实验教学在实践过程中还有以下问题需要改进:
1) 研究型实验教学的理念很难普及。很多教师对研究型教学模式的内涵未能准确把握,把研究型教学模式等同于学生实习或者写论文。
2) 研究型实验教学的辅导老师素养需要提高。研究型实验教学作为体现创新教育要求的现代教学模式,需要的不是知识传授型的教师,而是高素质的研究型教师。教师不仅是单一的教者,更应该成为一个学者,教师不仅要有研究型教学的教育观念、快速接受新知识的能力和高超的教学技能,要能够合理地规划和设计实验内容。
3) 需要建立一套合理的学生学业和教师绩效的评价体系。
参考文献:
[1] 王万森. 人工智能原理及其应用[M]. 北京:电子工业出版社,2007.
[2] 蔡自兴,徐光佑. 人工智能及其应用[M]. 北京:清华大学出版社,2004.
[3] 李得伟,张超,李海鹰. 大学工科专业课程实施研究型教学的探讨[J]. 高等教育研究,2009(9):74-75.
[4] 彭先桃.大学研究性教学的理念探析[J].教育导刊,2008(3):56-58.
Exploration and Practice of the Research Experiment on Artificial Intelligence
ZHANG Ting, YANG Guo-sheng
(College of Information Engineering, Minzu University of China, Beijing 100081, China)
[关键词]人工智能；公共管理；运用
中图分类号：D631.43文献标识码：A
随着科学技术的发展，人工智能、大数据等新一代信息技术已经成为了人们关注的焦点，它不但给人们的工作生活带来快捷和便利，同时实现了良好的经济社会效益。把人工智能运用到公共管理当中，可以创新管理理念和管理模式，提高公共管理和社会治理的效能。
一、公共管理概述
公共管理是指以政府为核心的公共部门，把科学管理理念、功能、组织及手段应用到公共事务。公共管理的特征：其一，公共管理主要把实现公共利益当作主要目标，促使社会整体朝着更加良好的方向发展；其二，积极履行社会公共责任是公共管理重要职能；其三，公共管理能够结合实际发展需要，协调与控制各项公共事务，并不断创新管理方式和手段。因此，公共管理者需要在法律基础上主动实行公权力，科学合理地运用各项公共资源才能顺利实现最终管理目标。目前，社会对公共管理者的专业能力及综合素养要求越来越高，公众在整个过程中赋予公共管理者较多的期望和责任。此外，公共管理也具备技术掌控职能、社会协调职能及预测职能等，这些都是新时代对公共管理者提出的新要求，公共管理者必须全面掌握各方面技能，了解并掌握公众的实际需求与时代的发展趋势，才能成为一名符合时展的高素养公共管理者。
二、人工智能对公共管理的主要影响
（一）人工智能对公共管理的促进作用
公共管理指通过使用管理理论、技术及方法等知识，系统化、专业化地管理公共事业，不断优化公共资源分配，使公共事业为人民服务。传统公共管理模式在公共管理信息收集及资源管理配置方面，需耗费大量人力、物力及财力，要想提升公共管理水平，就要加大成本投入。因此，传统的管理模式已无法适应新时期公共事业管理需求。将人工智能运用到公共管理中，尤其在收集处理公共管理信息方面效果较为明显。其一，智能化管理系统能够全面提升收集信息的效率和质量；其二，人工智能管理模式更为精准有效。人工智能对于问题与数据分析更具针对性，分析结果更加科学合理，可以准确把握社会个体需求，做到管理精准化、个性化；其三，在公共管理中运用人工智能可以节约成本，并实现更加优化的管理目标，提升公共管理效益；其四，在公共管理中运用人工智能，使资源配置更加符合公众需求，采用人工智能化、科学化资源配置模式，能够使资源合理利用，发挥最大效能。
（二）人工智能给公共管理带来的风险
人工智能作为新兴信息技术，为公共管理事业带来了较多机遇，推动了公共管理事业的进步和发展。然而人工智能也给公共管理事业带来了相应的机遇和风险。人工智能给公共管理带来的机遇在于人工智能与计算机网络技术可以完整的保存海量数据，并挖掘与分析有价值的信息。网络安全性使得人工智能技术存在诸多未知性，人工智能是否能够确保信息资源安全，包括信息存储、授权使用，行为轨迹等管理问题[1]。信息安全对公共管理十分重要，要确保信息安全才能使公共事业管理中资源配置更加科学合理，最终实现提升公共管理效率。通过以往的案例证明，人工智能技术的自我安全性还不足，因此，要想使人工智能在公共管理事业中得到普及，就必须尽快解决这一问题。
三、人工智能在公共关系管理当中的具体运用
当前，人工智能快速发展，能给人们的工作生活带来巨大改变，帮助人们完成了许多高难度、高强度、复杂化的公共工作，推动智能社会发展。人工智能能够代替人开展脑力劳动工作，可以改变许多工作模式。但是人工智能属于辅助工具，人们要正确认识并科学合理地利用它，才能充分发挥它在公共管理中的真正价值。在人类社会不断进步与发展过程中，公共管理者必须不断学习、掌握先进技术，才能提升对人工智能的利用效率，把具有明确规则却复杂、耗时耗力的工作交给人工智能。
（一）公共事业方面。有人认为人工智能在生活和工作中不常用到，然而其已经运用到了人们生活的方方面面。2016年共享单车方便了出行，各年龄段的人安装了共享单车APP。共享单车具有明显优势，快捷便利、绿色环保，是人们出行的首选。共享单车利用人工智能平台，来科学的预测骑行的行程、路况及停放等，从而有效整合了天气、时间等各项变量工作，合理分析了其需求量和供给量，进一步提升了共享单车管理效率和效益。由此可见，人工智能已经越来越多地进入到了人们的日常生活当中，改变了人们的生活模式，使人们的生活朝着智能化方向发展。
（二）社会经济方面
运用人工智能能够把消费者具体需求反馈给企业，企业根据精准数据可以制定出更加优质的产品，提供高效服务[2]。当前电子支付是人们生活中重要的内容，人们出行不用带大量现金，运用支付宝或微信就能够进行支付。同样在电商物流整个过程中，分拣机器人就属于人工智能，其每天能够完成大于20万的工作量，很好地解决了困扰电商的物流问题，降低了人工成本，提高了工作效率。
（三）教育管理方面
人工智能运用包含教育管理，通过智能化学习系统和数据分析，教师能根据学生具体情况，如学习行为数据、知识点掌握等制定相应的个性化教育方案，提高了育人效果。从当前人工智能在教育领域运用情况看，在远程教育中同样获得了良好效果。在运用人工智能后，学生获得了个性化教育，创建了新的教学、内容研发和师资管理等形态。运用人工智能可以更准确、有针对性地协助教学，使日常教学效率得到大幅度提升。
四、人工智能在公共管理中的应用措施
（一）改变人才培养方式
人工智能技术的运用，还可以推动人才培养方式的变革和发展，能够创建健全的新型教育方式。首先，加强编程教育普及，设置人工智能方面的课程，把人工智能和其他学习的教育结合起来，健全人才培养方式。其次，组织多元化、多层面的人工智能科普活动，使社会大众能够进一步认识和了解人工智能。最后，加大人工智能基础设施方面的建设。
（二）重新构建组织形式
随着人工智能的出现和广泛运用，管理主体要结合自身特点，积极主动运用人工智能，不断发展完善管理结构。
在日后的工作当中，管理主体要和普通员工、智能机器有效合作，全面发挥潜在优势。另外，运用人工智能技术的时候，管理者要精心设计各种组织形式，才能确保信息传递真实、高效。
（三）创新工作模式
随着社会发展和科技进步，公共管理者必须具备较强的学习能力和综合素质才能满足工作需求。在工作中可以通过人机互动工作模式，充分发挥人工智能在处理重复性、逻辑性等工作的优势，和管理者的工作充分融合、优势互补，将人工智能运用到公共管理中，创新工作模式，推动公共管理事業的发展。
【关键词】人工智能 计算机辅助教学 教学与控制
一、人工智能的定义
人工智能也称机器智能，它是计算机科学、控制论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。从计算机应用系统角度来看，人工智能是研究如何制造出智能机器或智能系统，实现模拟人类智能活动的能力，以延伸人们智能的科学。人工智能是一门交叉科学，逐渐形成一门涉及心理学、认知科学、思维可循、信息科学、系统科学和生物学科等多学科的综合性技术学科。
二、计算辅助教学体系和现状
计算救助教学是利用多媒体计算机的功能与特点，利用计算机辅助教师完成各个教学环节，并通过与计算机之间的交互活动，激发学生的学习积极性和主动性，帮助学生更有效地学习。实用计算机辅助教学，有利于认识主体作用的发挥，它所提供的图像、声音、动画等信息由利于学生知识的获得与保持，达到提高教学教学的目的。
目前为止，所实用的绝大多数传统以及理论证明等均被应用于计算机辅助教学系统，以提高其智能性和实用性。早期绝大多数计算机辅助教学将全部教学信息以编程方式预置于课件中，这样的以及理论证明等均被应用于计算机辅助教学系统，以提高其智能性和实用性。因此现有的以及理论证明等均被应用于计算机辅助教学系统，以提高其智能性和实用性。早期绝大多数计算机辅助教学系统面临许多挑战，它主要存在以下几个方面的问题。
1.计算机辅助教学系统的闭塞性
不具有开放性是目前以及理论证明等均被应用于计算机辅助教学系统，以提高其智能性和实用性。其弊端在于固定内容的局限性使课件的适用面狭窄，而且设定的运行路线使授课缺乏自主性;授课的针对性不强;无法利用新出现的资源在较高起点上进行二次开发。
2.智能性的欠缺
现有的计算机智能辅助课件系统不能对不同何曾度的学生进行有针对性的教育，学生的学习是被动的，不能由系统自动提供助学信息而使学生有选择地学习。。
3.人机交互能力较弱
现有计算机智能辅助大多以光盘作为信息的载体，将材料中的内容以多媒体的形式展现出来，教学信息是按预置的教学流程机械式地提供给学者，学习者使用计算机智能辅助课件学习是完全被动的。
4.教师与学生的互动在教学中的缺乏
现有计算机智能辅助课件在学生自学以及进行操作使用时，如何学习都是学生自己的事。教师不能全完了解学习者的情况，学生在蹦到问题时不能向教师求教，师生之间互相封闭，谈不上师生互动，因此课件所起的效果大打折扣。
5.课程特点没有突出
各门课程在教学上有不同的要求，但现有课件对于这些不同要求完全不予理会。例如很多课程都要涉及到大量的曲线或曲面，对有些课程来说，将这些曲线或曲面给出了一个简单的展示就足够了，而有些课程这样的展示不能达到教学目的的要求。
6.教学计划的欠缺
在课件的开发过程中实际上离不开教学策略的设计，但课件的制作者往往并未意识到这一点。例如:现有的绝大多数课件都是单一的展播式，这样的可见制作“精美”，但它不可逆、不能互动。实际上运用课件教学只是手段而不是目的，应该在教学设计理论的指导下讲求课件的实效性，着眼点在于学生学习新知识、掌握新技术、培养各种能力有帮助，而不是表面上的制作“精美”。
综上所述，现有的计算机智能辅助存在许多问题，随着新技术的不断出现，这些问题将使计算机智能辅助越来越不能适应新的要求。因此以智能计算机智能辅助为代表的心的计算机辅助教学系统将成为教育技术上需要不断探求、努力实现的发展方向。 转贴于
三、智能计算机辅助教学系统
智能计算机辅助教学系统(Intelligent ComputerAided Instruction)，简称ICAI。教学过程是一个复杂的教与学的思维过程，它需要教师以专门知识和经验为依据，经过吸取、讲解、推理、示例、综合等多个步骤才能较好地完成。计算机辅助教学实际上是一个由计算机系统辅助教师进行教学以及学生进行学习并得以实现的系统。在智能ICAI中，教学思想、方法、学习内容可用知识形式表示，如何解决知识的形式化表示以及知识的访问与调用问题，是人工智能的核心技术之一，也是将ICAI引入教育技术领域中所要面临的一个问题。知识库是实现知识推理与专家系统的基础，可以用知识库作为智能ICAI的构建环境。在知识库中，教学内容等的有关知识可以用事实与规则表示，并存储于知识库内，教学与学习过程既是对知识库中知识进行推理，并最终得出所需结果的过程。ICAI系统的一般包括以下几个模块:
1.知识库。知识库是关于教学内容的模块，解决“教什么”问题。知识库中的教学内容有待于教学与控制模块和学生模块进行选取、调用。
2.学生模块。学生模块是用于记录学生的学习情况，对学生学习的各个环节信息进行搜集，以便系统对学生的学习情况进行自动评估，提出具有针对性的学习建议和个别化的辅导。学生模块描述学生对教学内容理解、掌握的程度，系统可以根据学生模块的具体情况调整教学策略并提供适当的反馈。
3.用户接口模块。这是系统与用户交流的界面。整个系统依靠用户接口模块把教学内容呈现给用户、接受用户输入的信息、并向用户提供反馈。
4.教学与控制模块。这是教学过程与整个系统的控制模块，涉及到“如何教”的问题。它具有领域知识、教学策略和人机对话等方面的知识。根据学生模型提供的学生学习情况，通过智能系统的搜索与推理，得出智能化的教学方法与教学策略，能够较科学地评估学生的学习水平，可以通过分析学生以往的学习兴趣和学习习惯，预测学生的知识需求和常犯错误，动态地将不同的学习内容、学习方法与不同的学生匹配，智能地分析学生错误的原因进而针对地提出合理的教学建议、学习建议以及改进方法。
新世纪的教学将是以智能化的ICAI为主线，是多学科、多方位发展的新技术的体现。随着人工智能技术的发展、计算机辅助教学的成效将更加明显。
参考文献
关键词：智能教学系统；模型；局限
中图分类号：TP315 文献标识码：A 文章编号：1673-8454(2012)03-0007-03
智能教学系统(Intelligence Tutoring System，简称ITS)是把人工智能技术引入到计算机辅助教学系统中，应用人工智能技术开发出能够因材施教的教学系统，使“计算机导师”贴近人类教师的水平，具有推理、诊断、决策的能力。能够根据每个学习者的特点制定教学计划，选择教学策略，实现因材施教。
一、智能教学系统的模型及功能
基于教育学、心理学和教学设计原理分析，智能教学系统模型应包含学生模块、教学策略模块、知识库和智能接口几个主要模块，各模块的系统结构如图所示。
学生模块记录每个学生原有的知识水平和学习能力。其依据为学生与系统之间的交互问答历史，并对每个学生的学习进步情况进行动态调整。这样，系统通过学生模型就可随时了解每个学生的情况，有的放矢地进行个别化教学。
教学策略模块根据学生模块情况和知识库做出智能化的教学决策，评判学生的学习效果，帮助学生分析错误原因。提出改进方法和意见等。
知识库存储所要教的学科领域知识和教学知识。
智能接口能够理解自然语言，实现更普遍意义上的人机对话。
智能教学系统与传统CAI相比，具备以下功能：
第一，了解学生的学习能力、学习基础和当前的知识水平，以此为依据为不同的学生做出不同的教学决策，有针对性地进行个别指导，并在学习过程中根据学生进度自动调整学习内容，具有适应能力。
第二，允许学生用自然语言与“计算机导师”进行人机对话，并能对带有学生个性特点的问题做出解答，从而具备更好的交互能力。
第三，能诊断学生学习过程中的错误，并分析错误原因和给出解决方案，在此基础上逐渐积累“经验”，从而具备纠错能力。
第四，大大拓宽了CAI的模式，例如建立虚拟教室、智能导师系统、教学模拟等。从而使CAI不再是简单的课本搬家、教室搬家，而具有更多的创造能力。
二、智能教学系统的局限性分析
智能教学系统虽然较传统CAI在诸多方面有很大改进。但就智能教学系统的工作原理以及目前的研发现状而言，应当冷静地看到，它自身也存在一些固有的局限性。
要计算机解决某个问题，有三个基本的前提：必须把问题形式化、必须有一定的算法、必须有合理的复杂度。由于人的智能活动不能完全形式化，因此，机器就不能将人脑的智力活动全部复制出来。教育是一种人类所特有的活动，基于人工智能技术的智能教学系统在教育中的应用也存在局限性。
1.智能教学系统不能实现自我更新，自我改进
智能教学系统的设计原理是把现有的专家的知识和教师的教学方法和策略集中到一个数据库中。随着现代社会知识的迅猛增长，教育理念的不断更新以及教学模式和教学方法的不断改进，智能教学系统无法像人类教师那样跟随时代的变化而实现知识库的自我更新以及教学策略模型的自我改进。还需要人从外界对整个ITS进行翻新，甚至需要从一种新的教育理念出发，重新设计ITS。智能教学系统的自我更新涉及机器学习这个难点。
2.智能教学系统适用的学习领域存在局限
以智能模拟的方法实现的人工智能应用于教育中时，并非适合所有的学习领域。人的智能活动可以分为四个领域。领域一是“刺激――反应”领域，其中包括任何形式的条件反射，与上下文环境无关的、各种形式的初级联想行为，最典型的如无意义音节的机械学习。领域二是数学思维的领域，这是比较适合于人工智能的领域。它是由概念世界而不是感知世界构成，这一领域中的问题完全形式化了，并可以计算，这一领域又可称为简单形式化领域，典型的例子如逻辑和有精确规则的游戏。领域三是复杂形式化领域，这是比较难把握的一个领域。这一领域包括原则上可形式化而实际上不易驾驭的行为，包括那些不能用穷举算法处理的。因而需要设计启发程序的系统，如围棋。领域四可称作非形式化行为领域，包括有规律但无规则支配的、我们人类世界中的一些日常活动，这一领域又称作感知思维领域。在这一领域内解决问题都是直觉的遵从，无须求助规则。包括一些规则不确定的游戏，如文字猜谜游戏。以上四个领域中前两个领域适合用数字计算机模拟，第三个领域只是部分可程序化，而第四个领域则很难驾驭。
与此相对应的，根据加涅的学习结果分类，学习分为言语信息、智慧技能、认知策略、动作技能和态度五类。言语信息分为符号学习、事实学习和有组织的知识学习，这些属于可形式化内容，适用于智能教学系统；智慧技能分为辨别、具体概念、定义性概念、规则和高级规则，其中前四项属于可形式化内容，适用于智能教学系统，而高级规则属于复杂形式化内容，部分内容不适用于智能教学系统；动作技能和态度领域的学习。在其认知成分中可以使用智能教学系统，但情感和行为成分等非形式化内容，则难以用智能教学系统来实现。
因此，并不是所有的学习领域都适用于智能教学系统。智能教学系统在教育中应用的重点应放在认知领域中的符号学习、事实学习和有组织的知识学习、辨别、具体概念、定义性概念以及规则这些学习内容上。
3.与学生之间无法畅通交流
教育是一种交互活动，智能教学系统的交互功能虽然较传统CAI有所改进。但仍然缺乏在学生和计算机之间交换信息的自然的、畅通的途径。系统只能通过学生输入计算机的信息来判断其掌握和内化程度。而无法像人类教师通过自然状态的交流和观察来判断学生的真实情况，因此，“机器智能”很容易被蒙蔽“双眼”，无法做到像人与人之间那样自然畅通的交流。此外，系统在遇到新的学习情境时。不能理解和产生对话，这会影响智能教学系统功能的实施。
4.决策和推理机制不完善
智能教学系统的关键智能所在是其决策和推理机制，即“教学策略”模块根据不同学生的具体情况通过推理做出灵活决策，这种决策基于学生模块提供的学生的知识水平、认知特点和学习风格。智能教学系统虽然加入诊断系统并不断调整对学生学习水平的判断，但由于学习风格、认知特点等不能完全被形式化，因此，根据系统的教学策略模块中预先存入的诊断知识来评估不同学生的学习过程和理解每个学生不同的推理过程也是有局限的。
三、智能教学系统在教育中应用的建议
1.不能忽略教师的作用
虽然智能教学系统具有“智能性”。但在使用它的过程中，决不能放弃教师的主导作用。要明确教师是教学的设计者和教学过程的主导，应该把智能教学系统的应用纳入到教学设计中。教师作为教学的“主导”。要引领教学
全过程，时刻注意学生的学习状态、学习程度、情感交流，尽量照顾到每个同学。ITS不是将教师搁置了。而是把教师从ITS能做的事情中解放出来，有更多的时间去从事机器所无法替代的事情。例如，计划教学，开发教学补充材料，示范成熟的行为，启发、引导学生去克服遇到的各种困难。特别是一个优秀教师对学生的态度和道德的影响和培养，是任何智能教学机器所无法取代的。所以，在利用智能教学系统教学的过程中，不能用智能教学系统取代教师，不能忽略教师的指导作用。
2.注意教学模式的运用
作为一种教育技术的实现，ITS主要依赖于各种技术的发展，但作为一个能够实施完整教学过程的教学系统，ITS的应用效果更多地依赖于所采用的教学模式。长期以来，传统CAI在教学中的应用都以个别化教学模式为主。但随着认知心理学的发展，基于建构主义学习理论的以“学”为中心的教学模式逐渐受到青睐。这种教学模式更能满足学习者的个性化要求，也为协作学习创造了更大的可能性。目前，协作学习模式因其利于培养学生的多样化思维和合作精神而日益受到重视。同一个智能教学系统，用于个别化教学模式和用于协作学习模式就会产生截然不同的教学效果。因此。在利用智能教学系统时，要注意根据教学内容和教学目标灵活采用个别化教学模式或协作学习模式。
3.有效与网络相结合
随着多媒体技术和Internet网络的飞速发展，多媒体教育技术与Internet的进一步融合，ITS不仅仅在人工智能上单一发展。它要向多维的网络空间发展。网络化成为当今世界ITS系统的一大优势和特色。“无机不联”正是现代教育计算机使用情况的真实写照。智能教学系统应与网络相结合。借助网络的优势，完成在线学习、实时讨论、网上测试等多种教学任务。学生可以在学校或家中通过计算机登录到系统，系统按其不同的认知水平为其准备不同难度的教学内容。完成学习时，系统通过自适应的测试确定学生新的认知水平，作为其下一次登录学习时为其准备学习内容的依据，并向学生提出进一步需学习内容的建议。学生在学习过程中可以实时地与其他在线的学习者进行讨论，并可通过E-mail的形式与教师进行交流。教师可以使用自己的计算机，在教研室或家中登录到系统，检查学生的学习进度，学习情况。并依据学生的实际情况，有针对性地对教学内容、测试内容进行更新。网络与智能计算机辅助教学系统有机结合，相互补足，必将构建成一个新的系统工程。
参考文献：
[1]王士同主编.人工智能教程[M].北京：电子工业出版社，2001.
[1]王永庆.人工智能原理与方法[M].西安：西安交通大学出版社，1998.
[3]何克抗.计算机辅助教育[M].北京：高等教育出版社，1997.
关键词：人工智能；高中生；职业规划；建议
一、引言
人工智能的不断发展与拓展促进了我国各个领域的发展，同时对各个行业产生巨大冲击，很多需要人工机械作业的领域将会使用机器人，造成大量人员的失业。面对如此现状，今后我们高中生如何做好职业生涯规划成为当务之急，只有深刻把握社会发展趋势，加强学习方向与时代潮流的匹配性，才能迎接挑战、抓住机遇、趋利避害，做好职业选择和规划，更好地适应今后的社会发展。
二、人工智能的发展现状和趋势
（一）人工智能的发展现状
“人工智能”一词最初是在1956年Dartmouth学会上提出的。它是计算机科学、控制论、信息论、神经生理学、心理学等多种学科互相渗透而发展起来的一门综合性学科。从计算机应用系统的角度出发，人工智能是研究如何制造智能机器或智能系统，来模拟人类智能活动的能力，以延伸人们智能的科学。目前，人工智能技术在美国、欧洲和日本呈现飞速发展趋势。随着人工智能技术的快速发展，人工智能已经在各个行业得到广泛应用，其中比较典型应用主要包括符号计算、模式识别、机器翻译、机器学习、问题求解、逻辑推理和定理证明、自然语言处理、智能信息检索技术以及专家系统等，这些在计算机领域、化学领域、医学领域以及矿物勘测领域等得到广泛应用，并取得较好效果。
（二）人工智能的发展趋势
技术的发展总是超乎人们的想象，要准确地预测人工智能的未来是不可能的。但是，从目前的一些前瞻性研究可以看出未来人工智能可能会综合模糊处理、并行化、神经网络和机器情感等进行全方位发展。随着全球化趋势的不断增强，今后人工智能会向着全球国际标准的方向发展。人工智能技术不断地在就业领域应用及发展，因此高中阶段就对自己的职业生涯有着规划是未来发展的必然趋势，并且美国、加拿大等先进国家早早的就把高中生职业规划教育课程安排在了高中阶段，相比之下安排职业规划教育课程的高中毕业生，甚至大学毕业生对自己的规划都有着明确的方向，我国目前某些地区高中阶段已经安排了职业规划类型的课程，相信不久高中生职业规划的课程也会出现在更多地区的校园。
（三）人工智能发展对就业的影响
随着机器眼下正在取代的首当其冲的是那些简单机械操作的劳动者，比如说我国工厂里的初级工人正在面临自动化的威胁。还有美国福特公司，不仅大量裁减蓝领工人，而且还要把工厂搬到别的州或国家去，那里税收更低、政策环境更宽松、工会更友善的，在这些地方使用机器人不仅可以提高作业效率和质量，而且能够极大的降低各种成本，能够为企业创造更多的效益。
随着人工智能的快速发展，人工智能对各个领域的就业产生了重大影响，我国也在往这个方向发展，对于IT行业，今后会大量使用机器人进行工作，制造业也在逐渐增加使用机器人。技术的进步，使得个人的生产效率得到了巨大的提升。虽然就短期而言，机器是不会一下子取代大多数人，但我们必须未雨绸缪、防患于未然。有一些机械的、长时间集中精神的、固定套路的工作，比如流水线工、司机、配药师等，机器比人还擅长，这些领域将会淘汰大量的工人，导致很多人员失业。而很多工作需要人搭配机器做才最高效，这些工作是主流的新工作，但是需要注意的是，在人和机器协作的过程中，机器一定会不断智能优化的，在单一专业的工作内容中，机器逐渐又会替代人，因此也会造成人员失业。对于人际沟通事务，由于需要人与人之间的交流，还是人比较擅长。审美是模糊的、社会性的，这个还是人比较擅长。
对于我们高中生而言，勤动脑，勤动手，不断创新，是未来立足之本。因此不仅要埋头学习知识，还要培养创新能力和实践能力，以应对迎接人工智能的挑战。
（四）高中生应该怎样规划职业生涯
面对人工智能的快速发展，今后我们高中生应当趋利避害，努力做好职业生涯规划，实现自我价值的增值，具体来说应当从以下几个方面入手：
1.增强职业规划的意识
高中生要根据自身的主观因素以及外界的环境因素，分析、归纳、选择自己的职业发展方向，并且制定相应的学习、培养计划，采取必要行动去实现目标。这种确定人生方向的规划问题应该在高中阶段每一个学生都应该对自己有着清醒的认识，并且得到自身的重视，对选考科目的选择及大学志愿的填报就不会盲目、无头绪，在高中阶段有了明确的目标会使自己的学习方向更加准确，学习积极性更加强劲，同时在就业选择上也可以尽量地少走弯路。
2.选择高水平的职业指导教师
高中生实现从学校到社会或者更高层学校的过程中职业规划具有重要的导向作用，因此在高中阶段一个好的职业规划指导教师对学生的影响有着重要的意义。首先我们选择的职业规划指导教师必须具备一定的任职条件，目前国家也一再的强调任职职业资格的严格性；其次就是指导教师要善于启发式指导学生，增强学生的独立思考能力，在教师的帮助下充分认识自己的天赋、特长、兴趣、能力、心理等方，发现和挖掘自己多方面的潜能，学会正确利用各方面条件充分发展。同时，要注意避免指导教师的思想左右了我们的思想，只有准确的认识自己，才能促使我们带着自己的职业规划继续努力进步。
3.自己的高中生涯规划
高中的三年，对一个高中生的人生有着重要的意义，因此高中阶段可以进行分阶段的自我管理培养。高一阶段：刚进入学校，通过学习了解学科特点，利用学校、教师、网络、社会了解就业动向，自我优势结合人才需求，明确选考科目，初步制定职业发展意向。高二阶段：正确处理选考科目学习与学考科目学习的关系，既突出专业知识又兼顾知识广度。高三阶段：更要处理好语文数学英语必考科目学习与选修科目深化拓展的关系，既要提高高考成绩又要深化拓展专业素养；既要强化高考复习又要重视面试培训，为参加高校自主招生考试或“三位一体”考试做好充分准备。因为近年来重点大学通过高考统一招生录取的名额正在减少，而自主招生或“三位一体”的名额大量增加，有志于就读名牌大学的学生要注意这方面的情况。同时高中生要根据自己的理想多去了解高校情况，多去了专业设置的情况，为报考适合自己的学校及专业做好信息准备。
4.积极参加选修课程，为今后的职业生涯做好基础
按照教育部有关规定，高中学校要开设选修课程。我们可以根据自己的兴趣爱好，选取自己喜欢的课程进行学习，这不仅可以及早的发现我们的喜好和特长，为我们的职业生涯做规划有着重要的参考意义，同时对我们的基础知识的培养也很重要，拓宽了我们的见识宽度，为今后的职业生涯奠定坚实的基础。
参考文献：
[1]刘界，黄冠，王冰洁.关于人工智能教育如何弥补当前教育缺陷的思考[J].内蒙古民族大学学报，2006，12（3）：50-51.
[2]焦加麟，徐良贤，戴克昌.人工智能在智能教学系统中的应用[J].计算机仿真，2003.20（8）.
[3]刘春玲，张焕生，郝国芬.BP神经网络在教学评价中的应用[J].煤炭技术，2012，31（5）：231-232.
关键词：人工智能；大数据；交叉领域
自二战时期阿兰•图灵破解恩尼格玛密码机带来胜利的曙光之后，人工智能初见苗头，1956年“人工智能”一词首次由约翰•麦卡锡等科学家在达特茅斯研讨会上提出，时至今日，人工智能经历了60多年的浪潮和洗礼，其中有曙光、有冰封，也有期望。纵观当下，人工智能不仅仅是机器智能，在深度学习和推陈出新的算法推动下，其携手云计算、大数据、卷积神经网络等，攻破了自然语言语音处理、图像识别的瓶颈，像潘多拉的盒子一样在认知科学、机器人学、机器学习等领域全面开花，人工智能涵盖了从基础层、技术层到应用层等多个方面，为人类文明带来了翻天覆地的变化[1-2]。人工智能包罗万象，在其基础上衍生的大数据“洪流”对人类社会的方方面面进行冲击，这些数字的价值已然超越了诸如金钱、财产、黄金、石油，甚至是土地。然而，大数据技术也如同普罗米修斯盗得的圣火，一方面给人间带来温暖和光明，另一方面也有可能使自身被奴役甚至使人葬身火海[3]。因此，当我们沉迷于大数据的海洋中时，我们是否有能力像蓝鲸遨游大海一样自由掌舵，是当今大数据和人工智能时代存在的一个重大问题。是“曲径通幽”还是“会当凌绝顶”，我们如何在大数据中“浮游”，而不是一味地扩充，需要理性看待与合理评价大数据对人类生存和发展的影响。
1.人工智能和大数据与“工业革命”
2020年刚刚结束的新一轮美国总统竞选上演了各种“国家闹剧”，为何特朗普在2016年赢得大选，而4年之后却无法连任？时间推移，2016年他胜利的部分原因在于他利用了面临技术威胁的工业行业中工人们的焦虑，同时指责非法移民对美国及美国人资源和就业机会的占用[4]。但在技术浪潮的挑战中，自动化和人工智能才是占用的“根源”。早在18世纪60年代工业革命时期，机器取代人力，规模化工厂生产取代个体手工生产，即引发了人工智能数据的工业大变革。从机械结构、电气控制等模块的设计和改良，车间机器人的智能化已可以代替人完成生产作业[5]。通过智能化机器人可以减轻劳动负担，还可以用于环境检测[6]和实施救援[7]等，保护我们的人身安全。这些“机器人”在为我们减负的同时确实也引发了“失业危机”，这种现象不仅于美国，日本、韩国和德国亦是如此。我们也许可以形象一下，未来20或30年后，工厂中工伤几乎为“零”，完全实施机器人24小时作业，速度惊人，质量统一，而仅有的几个人使用简单的触摸界面对机器下达“命令”。机器的发展已超乎我们对普通机械的认知，21世纪开发的三大机器人中大狗（BigDog）解决了运动和重载运输问题，特别用于军事领域，被誉为“当前世界上最先进适应崎岖地形的机器人”；亚美尼亚（Asimo）从人类如何移动上展现了机器人仿人运动；Cog具有了人类所特有的思考，由不同处理器组成的异种机互联网络形成了“大脑”。特斯拉——其除了是电动汽车和能源公司外，还是自动驾驶汽车行业的领跑者之一。其2016年已销售具有自动驾驶、自动自制和自动停车功能的电动汽车，但出于法律和伦理层面，驾驶员还是要坐在驾驶位上，但他可以做他想做的其他事，发短信、打电话或是休息，而不再是驾驶汽车。我们可以不用担心酒驾，不用因为时间紧张而疲劳驾驶，不必为新手司机而变得脾气暴躁……汽车自动驾驶将让我们行驶得更规则、更安全和更“无聊”。自动驾驶上的智能进化，使得自驾型派送车为商业化服务成为可能，还有自驾型飞行器也在被研发，通用、宝马、谷歌等公司一直在努力开发，通过无人机在您家门口投送包裹将对电子商务世界带来更多创造性方案。“如果你够走运的话，机器可以把你当成宠物。”虽为戏谑之言，却又饱含心酸。工厂变得越来越自动化，但其仍需要人类专家，他们才知道如何监控传感器，知道在发生故障时如何进行修复，机器的运行离不开人的监控，只有人的思考才能有新产品的诞生以及高效的生产流程，我们与机器共存，是从体力中解放，但要从事脑力工作。
2.人工智能和大数据与金融的未来
“数字蝶变”席卷金融行业各个领域[8]，金融行业应用大数据、移动互联网、人工智能等先进信息技术，累积了非常多的客户信息。通过大数据的帮助，金融公司在分析数据下寻找更多的金融创新机会。在商业智能（BI）的辅助下，电信业可以对客服描述和定位及需求进行预测；保险业可以在进行风险分析的同时进行损益判断；银行业可以调整市场活动，建立信贷预警机制等等[9]。人工智能和大数据让金融业形成了“以客户为中心”的模式。与客户最密切的金融即是金钱，但是它们已经被“支付宝”和“微信”以及更多的电子支付方式取代，越来越少的人使用现金，数字金钱是否会完全取代物质金钱，我们很可能会发展为无现金社会。那么首先“下岗”的是谁呢？答案毫无疑问：银行。巴克莱银行前首席执行官安东尼•詹金斯曾预测，对于工业化国家，银行员工和其分支机构在未来10年内会消失；花旗全球视角与解决方案的一项研究预测，美国和欧洲的银行将在未来10年裁减约180万员工；甚至2016年2月的一份丹麦银行家协会新闻稿表示，银行抢劫案数量连续第5年下降。就支付领域而言，在这样的时代背景下，如何利用大数据技术对跨越式发展的支付行业进行监管，成为一个值得深入研究的课题[10]。在人工智能下，我们都有被银行自动回复或自会读取特定问题的“员工”惹恼过。沟通技巧和财务知识同样重要，因此，银行业员工的下岗只是在基础性操作上，对于“专业咨询”，需要更多受过高等教育、具有更好沟通能力的员工。目前，我国的多数银行还没建立“开放、共享、融合”的大数据体系，数据整合和部门协调等问题仍是阻碍我国金融机构将数据转化为价值的主要瓶颈。大数据的整合、跨企业的外部大数据合作不可避免地加大客户隐私信息泄露的风险。有效防范信息安全风险成为商业银行大数据应用中急需解决的问题。
3.人工智能和大数据与“专家系统”
电子病历数据、医学影像数据、用药记录等构成了医疗大数据。医疗数据不仅包括大数据的“4V”特点，即规模大（volume）、类型多样（variety）、增长快（velocity）、价值巨大（value），还包括：时序性、隐私性、不完整性和长期保存性。医疗大数据可以提供预警性，当数据发生异常时，通过一定的机制可以发出警告，从而迅速采取相应措施，及时解决问题[11]。成立于1989年的美国胸外科协会（STS）数据库，至今已经涵盖了美国95%的心脏手术，收集了500万条手术记录[12]。其中的先天性心脏手术（CHSD）数据库是STS数据库的重要组成部分，是北美最大的关注儿童先天性心脏畸形的数据库，被认为是医学专业临床结果数据库的金标准。近年来，基于CHSD数据库所进行的数据挖掘不断增加，大型数据库对提高医疗质量所起到的正向作用正在日益凸显。如Welke等基于CHSD数据库探讨小儿心脏外科病例数量和死亡率之间的复杂关系[13]；Pasquali等基于CHSD数据库探讨新生儿Blalock—taussig分流术后的死亡率[14]；Jacobs等基于CHSD数据库采用多变量分析方法来研究病人术前因素的重要性[15]；Dibardino等基于CHSD数据库采用多变量分析的方法来探讨性别和种族对进行先天性心脏手术结果的影响[16]。这些都是在医疗领域采用人工智能提供的医疗诊断，形成了“专家系统”，专家系统可以说是一种最成功的人工智能技术，它能生成全面而有效的结果。借助医疗大数据的平台，“专家系统”可以智能辅助诊疗、影像数据分析与影像智能诊断、合理用药、远程监控、精准医疗、成本与疗效分析、绩效管理、医院控费、医疗质量分析等。不仅是数据平台，“达芬奇机器人”可以看成医疗的高精尖“人工智能”，它能缩短泌尿外科手术以及术后患者恢复时间，促进患者早期下床活动，减低并发症发生率[17]。达芬奇手术机器人在消化系统肿瘤、泌尿系统肿瘤、妇科肿瘤和心胸部肿瘤等手术中均有运用[18]。正是机器人，还有其他人工智能设备，如插入手表或衣服里的传感器、植入我们皮肤下的芯片，以及智能手机中装有各种“专家系统”的远程医疗、预防医学，甚至是器官的3D打印和虚拟现实治疗等的发展，让医学发生相应的转变，并使其逐步突破人类的传统健康概念，那么是否意味着医学将成为只有科学性，毫无直觉性的学科呢？我们携带的内部传感器和外部应用程序将成为我们的医生吗？“你好，医生”被“嘿，Siri”取代吗？这不尽然。医学必然将是向精准化发展，并更具个性化、参与性、预防性和可预测性。医生不再是疾病的修理工，而是改善我们健康状况的顾问。直观当下，我们还是被“看病难”所困扰，我们提出“分级诊疗”，是在拥有家庭医生、全科医生和专科医生的基础上再加上人工智能，以实现预期的健康监测、辅助诊疗和疾病筛查。
4.人工智能和大数据与教育变革
面对各行业和各学科，教育作为传承文明和创新知识的载体，似乎被排除在人工智能之外。就目前而言，人工智能与教育深度融合发展还存在技术基础不稳、教育数据缺陷、算法能力不足等现实问题[19]。我国目前更想要做到的是在教育上消除“信息鸿沟”，促进教育公平、均衡发展。因此，目前可以看到人工智能的教育多在于语言学习软件，通过虚拟技术和人工智能构建一个灵活的、可扩充的虚拟交互平台，设计多维虚拟场景和智能人工角色，实现不同场景下人机角色的交流和学习，提升学习者的口语能力和语感知识[20]。这使得教师不再是唯一的知识传播者，任何互联网搜索引擎都将提供比教师所有的更多信息，并且可以更快捷地获取。肺炎疫情暴发以来，远程网络教育成了主要教学形式，互联网教育形式其实早在小学、中学和大学中运用，虚拟现实技术在教学领域的研究和探索也在全面展开。谷歌已经开发一款VR纸板视图，并将研发的虚拟课程一起推向市场，使现实生活中在生物课上解剖一只青蛙成为一件容易且有趣的事，通过虚拟青蛙，学生们可以去除心脏和其他器官，而不再是象征性的抽象体验。虚拟现实可以像互动游戏一样，比单一的在教室听老师授课带来更多乐趣和体验，学习效果可能更好。我们的学习是知识的积累，那么教育就是我们的库，荀静等结合自身情况对西安工业大学知识库构建进行探究，认为机构知识库在保存知识资产的同时，更重要的是促进学校知识资产的传播利用和管理，提升学校影响力和学术声誉[21]。刘畅等通过对东北大学机构知识库服务的推广研究，了解到开放获取的概念和实践已经受到了广泛的认可，机构知识库不仅可以成为一个知识的存储库，也可以成为各个学科领域的学者进行在线交流的平台，提供个性化的增值服务，既有利于机构知识库的内容建设，也可以进一步促进学术交流和科研合作[22]。知识库，即大数据的有机整合和有序利用，是学术成果、视频文档、实验数据等进行收集、长期保存、传播和提供开放利用的知识资产管理与教育服务[23]。
5.人工智能和大数据应用的共性需求
人工智能和大数据时代，海量的信息来自“五湖四海”，但都通过互联网络汇聚智能终端。这些数据只会进一步增多，不仅仅是云存储，对于信息的进一步挖掘、处理、分析和利用，目标性结果才是我们最想要的信息。全球包括IBM、微软、谷歌和亚马逊等一大批知名企业纷纷掘金大数据挖掘这一市场，大家都在开拓自己大数据分析平台。数据挖掘是大数据时代孕育的产物[24]，是我们的共性需求，与传统的统计分析技术相比，数据挖掘有着自身的本质特征,数据挖掘是在没有明确假设的前提下去挖掘信息并发现知识。数据挖掘所得到的信具有先前未知、有效以及可实用三个特征[25]。数据挖掘的出现不是为了替代传统的统计分析技术,相反，它是统计分析方法学的延伸和扩展[26]。随着信息时代的到来，数据挖掘被越来越多地应用于各个领域。
6.人工智能和大数据的展望
大数据与人工智能相辅相成，在人工智能的加持下，海量的大数据输出优化的结果，使人工智能向更为智能的方向进步，大数据与人工智能的结合将在更多领域中击败人类所能够做到的极限。漫长的人类历史发展和进化，信息和人类一直“缠缠绵绵”“你追我藏”，因此，我们应该明白信息就是信息，我们需要的是“维基百科”，而不是仅仅的“维基”。走出狭隘的信息资源，管理和洞察大数据，才是对数据的有用。因为，我们早已告别了数据库放在一间房间的时代。此刻不得不提蓝鲸法则——大数据之道：了解数据懂得利用数据的“浮力”才是关键；“以简约为目标”将数据最终形成洞察及行为；可以通过“数据”“信息”“知识”流程式、组合式、直通车式各种需要的方式来获取[27]，在简约中“印象”处理繁杂的大数据，使之“为我所用”。=数据也是一门科学、一项技术，如果实验不能证明其具有可重复性和一般性，那它是没有科学依据，但是，任何一项科技，如果你坚信它必将改变社会和商业，选择从长期展望其发展并持续付出努力，那么就是一种战略选择[29]。人类社会的政治、经济、文化、思维等固有“态势”被重刷，数据思维将为我们带来一个智能全新的世界观。
【关键词】法理学/法律推理/人工智能
【正文】
一、人工智能法律系统的历史
计算机先驱思想家莱布尼兹曾这样不无浪漫地谈到推理与计算的关系：“我们要造成这样一个结果，使所有推理的错误都只成为计算的错误，这样，当争论发生的时候，两个哲学家同两个计算家一样，用不着辩论，只要把笔拿在手里，并且在算盘面前坐下，两个人面对面地说：让我们来计算一下吧！”（注：转引自肖尔兹著：《简明逻辑史》，张家龙译，商务印书馆1977年版，第54页。）
如果连抽象的哲学推理都能转变为计算问题来解决，法律推理的定量化也许还要相对简单一些。尽管理论上的可能性与技术可行性之间依然存在着巨大的鸿沟，但是，人工智能技术的发展速度确实令人惊叹。从诞生至今的短短45年内，人工智能从一般问题的研究向特殊领域不断深入。1956年纽厄尔和西蒙教授的“逻辑理论家”程序，证明了罗素《数学原理》第二章52个定理中的38个定理。塞缪尔的课题组利用对策论和启发式探索技术开发的具有自学习能力的跳棋程序，在1959年击败了其设计者，1962年击败了州跳棋冠军，1997年超级计算机“深蓝”使世界头号国际象棋大师卡斯帕罗夫俯首称臣。
20世纪60年代，人工智能研究的主要课题是博弈、难题求解和智能机器人；70年代开始研究自然语言理解和专家系统。1971年费根鲍姆教授等人研制出“化学家系统”之后，“计算机数学家”、“计算机医生”等系统相继诞生。在其他领域专家系统研究取得突出成就的鼓舞下，一些律师提出了研制“法律诊断”系统和律师系统的可能性。（注：SimonChalton,LegalDiagnostics,ComputersandLaw,No.25,August1980.pp.13-15.BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.p.2.）
1970年Buchanan&Headrick发表了《关于人工智能和法律推理若干问题的考察》，一文，拉开了对法律推理进行人工智能研究的序幕。文章认为，理解、模拟法律论证或法律推理，需要在许多知识领域进行艰难的研究。首先要了解如何描述案件、规则和论证等几种知识类型，即如何描述法律知识，其中处理开放结构的法律概念是主要难题。其次，要了解如何运用各种知识进行推理，包括分别运用规则、判例和假设的推理，以及混合运用规则和判例的推理。再次，要了解审判实践中法律推理运用的实际过程，如审判程序的运行，规则的适用，事实的辩论等等。最后，如何将它们最终运用于编制能执行法律推理和辩论任务的计算机程序，区别和分析不同的案件，预测并规避对手的辩护策略，建立巧妙的假设等等。（注：Buchanan&Headrick,SomeSpeculationAboutArtificialIntelligenceandLegalReasoning,23StanfordLawReview(1970).pp.40-62.）法律推理的人工智能研究在这一时期主要沿着两条途径前进：一是基于规则模拟归纳推理，70年代初由WalterG.Popp和BernhardSchlink开发了JUDITH律师推理系统。二是模拟法律分析，寻求在模型与以前贮存的基础数据之间建立实际联系，并仅依这种关联的相似性而得出结论。JeffreyMeld-man1977年开发了计算机辅助法律分析系统，它以律师推理为模拟对象，试图识别与案件事实模型相似的其他案件。考虑到律师分析案件既用归纳推理又用演绎推理，程序对两者都给予了必要的关注，并且包括了各种水平的分析推理方法。
专家系统在法律中的第一次实际应用，是D.沃特曼和M.皮特森1981年开发的法律判决辅助系统(LDS)。研究者探索将其当作法律适用的实践工具，对美国民法制度的某个方面进行检测，运用严格责任、相对疏忽和损害赔偿等模型，计算出责任案件的赔偿价值，并论证了如何模拟法律专家意见的方法论问题。（注：''''ModelsofLegalDecisionmakingReport'''',R-2717-ICJ(1981).）
我国法律专家系统的研制于20世纪80年代中期起步。（注：钱学森教授：《论法治系统工程的任务与方法》（《科技管理研究》1981年第4期）、《社会主义和法治学与现代科学技术》（《法制建设》1984年第3期）、《现代科学技术与法和法制建设》（《政法论坛》）1985年第3期）等文章，为我国法律专家系统的研发起了思想解放和理论奠基作用。）1986年由朱华荣、肖开权主持的《量刑综合平衡与电脑辅助量刑专家系统研究》被确定为国家社科“七五”研究课题，它在建立盗窃罪量刑数学模型方面取得了成果。在法律数据库开发方面，1993年中山大学学生胡钊、周宗毅、汪宏杰等人合作研制了《LOA律师办公自动化系统》。（注：杨建广、骆梅芬编著：《法治系统工程》，中山大学出版社1996年版，第344-349页。）1993年武汉大学法学院赵廷光教授主持开发了《实用刑法专家系统》。（注：赵廷光等著：《实用刑法专家系统用户手册》，北京新概念软件研究所1993年版。）它由咨询检索系统、辅助定性系统和辅助量刑系统组成，具有检索刑法知识和对刑事个案进行推理判断的功能。
专家系统与以往的“通用难题求解”相比具有以下特点：(1)它要解决复杂的实际问题，而不是规则简单的游戏或数学定理证明问题；(2)它面向更加专门的应用领域，而不是单纯的原理性探索；(3)它主要根据具体的问题域，选择合理的方法来表达和运用特殊的知识，而不强调与问题的特殊性无关的普适性推理和搜索策略。
法律专家系统在法规和判例的辅助检索方面确实发挥了重要作用，解放了律师一部分脑力劳动。但绝大多数专家系统目前只能做法律数据的检索工作，缺乏应有的推理功能。20世纪90年代以后，人工智能法律系统进入了以知识工程为主要技术手段的开发时期。知识工程是指以知识为处理对象，以能在计算机上表达和运用知识的技术为主要手段，研究知识型系统的设计、构造和维护的一门更加高级的人工智能技术。（注：《中国大百科全书·自动控制与系统工程》，中国大百科全书出版社1991年版，第579页。）知识工程概念的提出，改变了以往人们认为几个推理定律再加上强大的计算机就会产生专家功能的信念。以知识工程为技术手段的法律系统研制，如果能在法律知识的获得、表达和应用等方面获得突破，将会使人工智能法律系统的研制产生一个质的飞跃。
人工智能法律系统的发展源于两种动力。其一是法律实践自身的要求。随着社会生活和法律关系的复杂化，法律实践需要新的思维工具，否则，法律家（律师、检察官和法官）将无法承受法律文献日积月累和法律案件不断增多的重负。其二是人工智能发展的需要。人工智能以模拟人的全部思维活动为目标，但又必须以具体思维活动一城一池的攻克为过程。它需要通过对不同思维领域的征服，来证明知识的每个领域都可以精确描述并制造出类似人类智能的机器。此外，人工智能选择法律领域寻求突破，还有下述原因：(1)尽管法律推理十分复杂，但它有相对稳定的对象（案件）、相对明确的前提（法律规则、法律事实）及严格的程序规则，且须得出确定的判决结论。这为人工智能模拟提供了极为有利的条件。(2)法律推理特别是抗辩制审判中的司法推理，以明确的规则、理性的标准、充分的辩论，为观察思维活动的轨迹提供了可以记录和回放的样本。(3)法律知识长期的积累、完备的档案，为模拟法律知识的获得、表达和应用提供了丰富、准确的资料。(4)法律活动所特有的自我意识、自我批评精神，对法律程序和假设进行检验的传统，为模拟法律推理提供了良好的反思条件。
二、人工智能法律系统的价值
人工智能法律系统的研制对法学理论和法律实践的价值和意义，可以概括为以下几点：
一是方法论启示。P.Wahlgren说：“人工智能方法的研究可以支持和深化在创造性方法上的法理学反思。这个信仰反映了法理学可以被视为旨在于开发法律分析和法律推理之方法的活动。从法理学的观点看，这种研究的最终目标是揭示方法论的潜在作用，从而有助于开展从法理学观点所提出的解决方法的讨论，而不仅仅是探讨与计算机科学和人工智能有关的非常细致的技术方面。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在模拟法律推理的过程中，法学家通过与工人智能专家的密切合作，可以从其对法律推理的独特理解中获得有关方法论方面的启示。例如，由于很少有两个案件完全相似，在判例法实践中，总有某些不相似的方面需要法律家运用假设来分析已有判例与现实案件的相关性程度。但法学家们在假设的性质问题上常常莫衷一是。然而HYPO的设计者，在无真实判例或真实判例不能充分解释现实案件的情况下，以假设的反例来反驳对方的观点，用补充、删减和改变事实的机械论方法来生成假设。这种用人工智能方法来处理假设的办法，就使复杂问题变得十分简单：假设实际上是一个新的论证产生于一个经过修正的老的论证的过程。总之，人工智能方法可以帮助法学家跳出法理学方法的思维定势，用其他学科的方法来重新审视法学问题，从而为法律问题的解决提供了新的途径。
二是提供了思想实验手段。西蒙认为，尽管我们还不知道思维在头脑中是怎样由生理作用完成的，“但我们知道这些处理在数字电子计算机中是由电子作用完成的。给计算机编程序使之思维，已经证明有可能为思维提供机械论解释”。（注：转引自童天湘：《人工智能与第N代计算机》，载《哲学研究》1985年第5期。）童天湘先生认为：“通过编制有关思维活动的程序，就会加深对思维活动具体细节的了解，并将这种程序送进计算机运行，检验其正确性。这是一种思想实验，有助于我们研究人脑思维的机理。”（注：转引自童天湘：《人工智能与第N代计算机》，载《哲学研究》1985年第5期。）人工智能法律系统研究的直接目标是使计算机能够获取、表达和应用法律知识，软件工程师为模拟法律推理而编制程序，必须先对人的推理过程作出基于人工智能理论和方法的独特解释。人工智能以功能模拟开路，在未搞清法律家的推理结构之前，首先从功能上对法律证成、法律检索、法律解释、法律适用等法律推理的要素和活动进行数理分析，将法理学、诉讼法学关于法律推理的研究成果模型化，以实现法律推理知识的机器表达或再现，从而为认识法律推理的过程和规律提供了一种实验手段。法学家则可以将人工智能法律系统的推理过程、方法和结论与人类法律推理活动相对照，为法律推理的法理学研究所借鉴。因此，用人工智能方法模拟法律推理，深化了人们对法律推理性质、要素和过程的认识，使法学家得以借助人工智能科学的敏锐透镜去考察法律推理的微观机制。正是在这个意义上，BryanNiblett教授说：“一个成功的专家系统很可能比其他的途径对法理学作出更多的（理论）贡献。”（注：BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.note14,p.3.）
三是辅助司法审判。按照格雷的观点，法律专家系统首先在英美判例法国家出现的直接原因在于，浩如烟海的判例案卷如果没有计算机编纂、分类、查询，这种法律制度简直就无法运转了。（注：PamelaN.GrayBrookfield,ArtificialLegalIntelligence,VT:DartmouthPublishingCo.,1997.p.402.）其实不仅是判例法，制定法制度下的律师和法官往往也要为检索有关的法律、法规和司法解释耗费大量的精力和时间，而且由于人脑的知识和记忆能力有限，还存在着检索不全面、记忆不准确的问题。人工智能法律系统强大的记忆和检索功能，可以弥补人类智能的某些局限性，帮助律师和法官从事相对简单的法律检索工作，从而极大地解放律师和法官的脑力劳动，使其能够集中精力从事更加复杂的法律推理活动。
四是促进司法公正。司法推理虽有统一的法律标准，但法官是具有主观能动性的差异个体，所以在执行统一标准时会产生一些差异的结果。司法解释所具有的建构性、辩证性和创造性的特点，进一步加剧了这种差异。如果换了钢铁之躯的机器，这种由主观原因所造成的差异性就有可能加以避免。这当然不是说让计算机完全取代法官，而是说，由于人工智能法律系统为司法审判提供了相对统一的推理标准和评价标准，从而可以辅助法官取得具有一贯性的判决。无论如何，我们必须承认，钢铁之躯的机器没有物质欲望和感情生活，可以比人更少地受到外界因素的干扰。正像计算机录取增强了高考招生的公正性、电子监视器提高了纠正行车违章的公正性一样，智能法律系统在庭审中的运用有可能减少某些现象。
五是辅助法律教育和培训。人工智能法律系统凝聚了法律家的专门知识和法官群体的审判经验，如果通过软件系统或计算机网络实现专家经验和知识的共享，便可在法律教育和培训中发挥多方面的作用。例如，(1)在法学院教学中发挥模拟法庭的作用，可以帮助法律专业学生巩固自己所学知识，并将法律知识应用于模拟的审判实践，从而较快地提高解决法律实践问题的能力。(2)帮助新律师和新法官全面掌握法律知识，迅速获得判案经验，在审判过程的跟踪检测和判决结论的动态校正中增长知识和才干，较快地接近或达到专家水平。(3)可使不同地区、不同层次的律师和法官及时获得有关法律问题的咨询建议，弥补因知识结构差异和判案经验多寡而可能出现的失误。(4)可以为大众提供及时的法律咨询，提高广大人民群众的法律素质，增强法律意识。
六是辅助立法活动。人工智能法律系统不仅对辅助司法审判有重要的意义，而且对完善立法也具有实用价值。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）例如，伦敦大学Imperial学院的逻辑程序组将1981年英国国籍法的内容形式化，帮助立法者发现了该法在预见性上存在的一些缺陷和法律漏洞。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）立法辅助系统如能应用于法律起草和法律草案的审议过程，有可能事先发现一些立法漏洞，避免一个法律内部各种规则之间以及新法律与现有法律制度之间的相互冲突。
三、法理学在人工智能法律系统研究中的作用
1.人工智能法律系统的法理学思想来源
关于人工智能法律系统之法理学思想来源的追踪，不是对法理学与人工智能的联系作面面俱到的考察，而旨在揭示法理学对人工智能法律系统的发展所产生的一些直接影响。
第一，法律形式主义为人工智能法律系统的产生奠定了理论基础。18-19世纪的法律形式主义强调法律推理的形式方面，认为将法律化成简单的几何公式是完全可能的。这种以J·奥斯汀为代表的英国分析法学的传统，主张“法律推理应该依据客观事实、明确的规则以及逻辑去解决一切为法律所要求的具体行为。假如法律能如此运作，那么无论谁作裁决，法律推理都会导向同样的裁决。”（注：（美）史蒂文·J·伯顿著：《法律和法律推理导论》，张志铭、解兴权译，中国政法大学出版社1998年9月版，第3页。）换言之，机器只要遵守法律推理的逻辑，也可以得出和法官一样的判决结果。在分析法学家看来，“所谓‘法治’就是要求结论必须是大前提与小前提逻辑必然结果。”（注：朱景文主编：《对西方法律传统的挑战》，中国检察出版社1996年2月版，第292页。）如果法官违反三段论推理的逻辑，就会破坏法治。这种机械论的法律推理观，反映了分析法学要求法官不以个人价值观干扰法律推理活动的主张。但是，它同时具有忽视法官主观能动性和法律推理灵活性的僵化的缺陷。所以，自由法学家比埃利希将法律形式主义的逻辑推理说称为“自动售货机”理论。然而，从人工智能就是为思维提供机械论解释的意义上说，法律形式主义对法律推理所作的机械论解释，恰恰为人工智能法律系统的开发提供了可能的前提。从人工智能法律系统研制的实际过程来看，在其起步阶段，人工智能专家正是根据法律形式主义所提供的理论前提，首先选择三段论演绎推理进行模拟，由WalterG.Popp和BernhardSchlink在20世纪70年代初开发了JUDITH律师推理系统。在这个系统中，作为推理大小前提的法律和事实之间的逻辑关系，被计算机以“如果A和B，那么C”的方式加以描述，使机器法律推理第一次从理论变为现实。
第二，法律现实主义推动智能模拟深入到主体的思维结构领域。法律形式主义忽视了推理主体的社会性。法官是生活在现实社会中的人，其所从事的法律活动不可能不受到其社会体验和思维结构的影响。法官在实际的审判实践中，并不是机械地遵循规则，特别是在遇到复杂案件时，往往需要作出某种价值选择。而一旦面对价值问题，法律形式主义的逻辑决定论便立刻陷入困境，显出其僵化性的致命弱点。法律现实主义对其僵化性进行了深刻的批判。霍姆斯法官明确提出“法律的生命并不在于逻辑而在于经验”（注：（美）博登海默著：《法理学——法哲学及其方法》，邓正来、姬敬武译，华夏出版社1987年12月版，第478页。）的格言。这里所谓逻辑，就是指法律形式主义的三段论演绎逻辑；所谓经验，则包括一定的道德和政治理论、公共政策及直觉知识，甚至法官的偏见。法律现实主义对法官主观能动性和法律推理灵活性的强调，促使人工智能研究从模拟法律推理的外在逻辑形式进一步转向探求法官的内在思维结构。人们开始考虑，如果思维结构对法官的推理活动具有定向作用，那么，人工智能法律系统若要达到法官水平，就应该通过建立思维结构模型来设计机器的运行结构。TAXMAN的设计就借鉴了这一思想，法律知识被计算机结构语言以语义网络的方式组成不同的规则系统，解释程序、协调程序、说明程序分别对网络结构中的输入和输出信息进行动态结构调整，从而适应了知识整合的需要。大规模知识系统的KBS(KnowledgeBasedSystem)开发也注意了思维结构的整合作用，许多具有内在联系的小规模KBS子系统，在分别模拟法律推理要素功能（证成、法律查询、法律解释、法律适用、法律评价、理由阐述）的基础上，又通过联想程序被有机联系起来，构成了具有法律推理整体功能的概念模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）
第三，“开放结构”的法律概念打开了疑难案件法律推理模拟的思路。法律形式主义忽视了疑难案件的存在。疑难案件的特征表现为法律规则和案件之间不存在单一的逻辑对应关系。有时候从一个法律规则可以推出几种不同的结论，它们往往没有明显的对错之分；有时一个案件面对着几个相似的法律规则。在这些情况下，形式主义推理说都一筹莫展。但是，法律现实主义在批判法律形式主义时又走向另一个极端，它否认具有普遍性的一般法律规则的存在，试图用“行动中的法律”完全代替分析法学“本本中的法律”。这种矫枉过正的做法虽然是使法律推理摆脱机械论束缚所走出的必要一步，然而，法律如果真像现实主义法学所说的那样仅仅存在于具体判决之中，法律推理如果可以不遵循任何标准或因人而异，那么，受到挑战的就不仅是法律形式主义，而且还会殃及法治要求实现规则统治之根本原则，并动摇人工智能法律系统存在的基础。哈特在法律形式主义和法律现实主义的争论中采取了一种折中立场，他既承认逻辑的局限性又强调其重要性；既拒斥法官完全按自己的预感来随意判案的见解，又承认直觉的存在。这种折中立场在哈特“开放结构”的法律概念中得到了充分体现。法律概念既有“意义核心”又有“开放结构”，逻辑推理可以帮助法官发现问题的阳面，而根据社会政策、价值和后果对规则进行解释则有助于发现问题的阴面。开放结构的法律概念，使基于规则的法律推理模拟在受到概念封闭性的限制而对疑难案件无能为力时，找到了新的立足点。在此基础上，运用开放结构概念的疑难案件法律推理模型，通过逻辑程序工具和联想技术而建立起来。Gardner博士就疑难案件提出两种解决策略：一是将简易问题从疑难问题中筛选出来，运用基于规则的技术来解决；二是将疑难问题同“开放结构”的法律概念联系在一起，先用非范例知识如规则、控辩双方的陈述、常识来获得初步答案，再运用范例来澄清案件、检查答案的正确性。
第四，目的法学促进了价值推理的人工智能研究。目的法学是指一种所谓直接实现目的之“后法治”理想。美国法学家诺内特和塞尔兹尼克把法律分为三种类型。他们认为，以法治为标志的自治型法，过分强调手段或程序的正当性，有把手段当作目的的倾向。这说明法治社会并没有反映人类关于美好社会的最高理想，因为实质正义不是经过人们直接追求而实现的，而是通过追求形式正义而间接获得的。因此他们提出以回应型法取代自治型法的主张。在回应型法中，“目的为评判既定的做法设立了标准，从而也就开辟了变化的途径。同时，如果认真地对待目的，它们就能控制行政自由裁量权，从而减轻制度屈从的危险。反之，缺少目的既是僵硬的根源，又是机会主义的根源。”（注：（美）诺内特、塞尔兹尼克著：《转变中的法律与社会》，张志铭译，中国政法大学出版社1994年版，第60页。）美国批判法学家昂格尔对形式主义法律推理和目的型法律推理的特点进行了比较，他认为，前者要求使用内容明确、固定的规则，无视社会现实生活中不同价值观念的冲突，不能适应复杂情况和变化，追求形式正义；后者则要求放松对法律推理标准的严格限制，允许使用无固定内容的抽象标准，迫使人们在不同的价值观念之间做出选择，追求实质正义。与此相应，佩雷尔曼提出了新修辞学(NewRhetoric)的法律理论。他认为，形式逻辑只是根据演绎法或归纳法对问题加以说明或论证的技术，属于手段的逻辑；新修辞学要填补形式逻辑的不足，是关于目的的辩证逻辑，可以帮助法官论证其决定和选择，因而是进行价值判断的逻辑。他认为，在司法三段论思想支配下，法学的任务是将全部法律系统化并作为阐释法律的大前提，“明确性、一致性和完备性”就成为对法律的三个要求。而新修辞学的基本思想是价值判断的多元论，法官必须在某种价值判断的指示下履行义务，必须考虑哪些价值是“合理的、可接受的、社会上有效的公平的”。这些价值构成了判决的正当理由。（注：沈宗灵著：《现代西方法理学》，北京大学出版社1992年版，第443-446页。）制造人工智能法律系统最终需要解决价值推理的模拟问题，否则，就难以实现为判决提供正当理由的要求。为此，P.Wahlgren提出的与人工智能相关的5种知识表达途径中，明确地包括了以道义为基础的法律推理模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）引入道义逻辑，或者说在机器中采用基于某种道义逻辑的推理程序，强调目的价值，也许是制造智能法律系统的关键。不过，即使把道义逻辑硬塞给计算机，钢铁之躯的机器没有生理需要，也很难产生价值观念和主观体验，没办法解决主观选择的问题。在这个问题上，波斯纳曾以法律家有七情六欲为由对法律家对法律的机械忠诚表示了强烈怀疑，并辩证地将其视为法律发展的动力之一。只有人才能够平衡相互冲突的利益，能够发现对人类生存和发展至关重要的价值。因此，关于价值推理的人工智能模拟究竟能取得什么成果，恐怕还是个未知数。
2.法理学对人工智能法律系统研制的理论指导作用
GoldandSusskind指出：“不争的事实是，所有的专家系统必须适应一些法理学理论，因为一切法律专家系统都需要提出关于法律和法律推理性质的假设。从更严格的意义上说，一切专家系统都必须体现一种结构理论和法律的个性，一种法律规范理论，一种描述法律科学的理论，一种法律推理理论”。（注：GoldandSusskind,ExpertSystemsinLaw:AJurisprudentialandFormalSpecificationApproach,pp.307-309.）人工智能法律系统的研究，不仅需要以法理学关于法律的一般理论为知识基础，还需要从法理学获得关于法律推理的完整理论，如法律推理实践和理论的发展历史，法律推理的标准、主体、过程、方法等等。人工智能对法律推理的模拟，主要是对法理学关于法律推理的知识进行人工智能方法的描述，建立数学模型并编制计算机应用程序，从而在智能机器上再现人类法律推理功能的过程。在这个过程中，人工智能专家的主要任务是研究如何吸收法理学关于法律推理的研究成果，包括法理学关于人工智能法律系统的研究成果。
随着人工智能法律系统研究从低级向高级目标的推进，人们越来越意识到，对法律推理的微观机制认识不足已成为人工智能模拟的严重障碍。P.Wahlgren指出，“许多人工智能技术在法律领域的开发项目之所以失败，就是因为许多潜在的法理学原则没有在系统开发的开始阶段被遵守或给予有效的注意。”“法理学对法律推理和方法论问题的关注已经有几百年，而人工智能的诞生只是本世纪50年代中期的事情，这个事实是人工智能通过考察法理学知识来丰富自己的一个有效动机。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）因此，研究法律推理自动化的目标，“一方面是用人工智能（通过把计算机的应用与分析模型相结合）来支撑法律推理的可能性；另一方面是应用法理学理论来解决作为法律推理支撑系统的以及一般的人工智能问题。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在前一方面，是人工智能法律系统充当法律推理研究的思想实验手段以及辅助司法审判的问题。后一方面，则是法律推理的法律学研究成果直接为人工智能法律系统的研制所应用的问题。例如，20世纪70年代法理学在真实和假设案例的推理和分析方面所取得的成果，已为几种人工智能法律装置借鉴而成为其设计工作的理论基础。在运用模糊或开放结构概念的法律推理研究方面，以及在法庭辩论和法律解释的形式化等问题上，法理学的研究成果也已为人工智能法律系统的研究所借鉴。
四、人工智能法律系统研究的难点
人工智能法律系统的研究尽管在很短的时间内取得了许多令人振奋的成果，但它的发展也面临着许多困难。这些困难构成了研究工作需要进一步努力奋斗的目标。
第一，关于法律解释的模拟。在法理学的诸多研究成果中，法律解释的研究对人工智能法律系统的研制起着关键作用。法律知识表达的核心问题是法律解释。法律规范在一个法律论点上的效力，是由法律家按忠实原意和适合当时案件的原则通过法律解释予以确认的，其中包含着人类特有的价值和目的考虑，反映了法律家的知识表达具有主观能动性。所以，德沃金将解释过程看作是一种结合了法律知识、时代信息和思维方法而形成的，能够应变的思维策略。（注：Dworkin,TakingRightsSeriously,HarvardUniversityPressCambridge,Massachusetts1977.p.75.）目前的法律专家系统并未以知识表达为目的来解释法律，而是将法律整齐地“码放”在计算机记忆系统中仅供一般检索之用。然而，在法律知识工程系统中，法律知识必须被解释，以满足自动推理对法律知识进行重新建构的需要。麦卡锡说：“在开发智能信息系统的过程中，最关键的任务既不是文件的重建也不是专家意见的重建，而是建立有关法律领域的概念模型。”（注：McCarty,Intelligentlegalinformationsystems:problemsandprospects,op.cit.supra,note25,p.126.）建立法律概念模型必须以法律家对某一法律概念的共识为基础，但不同的法律家对同一法律概念往往有不同的解释策略。凯尔森甚至说：即使在国内法领域也难以形成一个“能够用来叙述一定法律共同体的实在法的基本概念”。（注：（奥）凯尔森著：《法与国家的一般理论》，沈宗灵译，中国大百科全书出版社1996年版，第1页。）尽管如此，法理学还是为法律概念模型的重建提供了一些方法。例如，德沃金认为，法官在“解释”阶段，要通过推理论证，为自己在“前解释”阶段所确定的大多数法官对模糊法律规范的“一致看法”提供“一些总的理由”。获取这些总的理由的过程分为两个步骤：首先，从现存的明确法律制度中抽象出一般的法律原则，用自我建立的一般法律理论来证明这种法律原则是其中的一部分，证明现存的明确法律制度是正当的。其次，再以法律原则为依据反向推出具体的法律结论，即用一般法律理论来证明某一法律原则存在的合理性，再用该法律原则来解释某一法律概念。TAXMAN等系统装置已吸收了这种方法，法律知识被计算机结构语言以语义网络的方式组成不同的规则系统，解释程序使计算机根据案件事实来执行某条法律规则，并在新案件事实输入时对法律规则作出新的解释后才加以调用。不过，法律知识表达的进展还依赖于法律解释研究取得更多的突破。
第二，关于启发式程序。目前的法律专家系统如果不能与启发式程序接口，不能运用判断性知识进行推理，只通过规则反馈来提供简单解释，就谈不上真正的智能性。启发式程序要解决智能机器如何模拟法律家推理的直觉性、经验性以及推理结果的不确定性等问题，即人可以有效地处理错误的或不完全的数据，在必要时作出猜测和假设，从而使问题的解决具有灵活性。在这方面，Gardner的混合推理模型，EdwinaL.Rissland运用联想程序对规则和判例推理的结果作集合处理的思路，以及Massachusetts大学研制的CABARET（基于判例的推理工具），在将启发式程序应用于系统开发方面都进行了有益的尝试。但是，法律问题往往没有唯一正确的答案，这是人工智能模拟法律推理的一个难题。选择哪一个答案，往往取决于法律推理的目的标准和推理主体的立场和价值观念。但智能机器没有自己的目的、利益和立场。这似乎从某种程度上划定了机器法律推理所能解决问题的范围。
第三，关于法律自然语言理解。在设计基于规则的程序时，设计者必须假定整套规则没有意义不明和冲突，程序必须消灭这些问题而使规则呈现出更多的一致性。就是说，尽管人们对法律概念的含义可以争论不休，但输入机器的法律语言却不能互相矛盾。机器语言具有很大的局限性，例如，LDS基于规则来模拟严格责任并计算实际损害时，表现出的最大弱点就是不能使用不精确的自然语言进行推理。然而，在实际的法律推理过程中，法律家对某个问题的任何一种回答都可根据上下文关系作多种解释，而且辩论双方总是寻求得出不同的结论。因此，智能法律专家系统的成功在很大程度上还依赖于自然语言理解研究工作的突破。牛津大学的一个程序组正在研究法律自然语言的理解问题，但是遇到了重重困难。原因是连法学家们自己目前也还没有建立起一套大家一致同意的专业术语规范。所以EdwinaL.Rissland认为，常识知识、意图和信仰类知识的模拟化，以及自然语言理解的模拟问题，迄今为止可能是人工智能面临的最困难的任务。对于语言模拟来说，像交际短语和短语概括的有限能力可能会在较窄的语境条件下取得成果，完全的功能模拟、一般“解决问题”能力的模拟则距离非常遥远，而像书面上诉意见的理解则是永远的终极幻想。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）
五、人工智能法律系统的开发策略和应用前景
我们能够制造出一台什么样的机器，可以证明它是人工智能法律系统？从检验标准上看，这主要是法律知识在机器中再现的判定问题。根据“图灵试验”原理，我们可将该检验标准概括如下：设两间隔开的屋子，一间坐着一位法律家，另一间“坐着”一台智能机器。一个人（也是法律家）向法律家和机器提出同样的法律问题，如果提问者不能从二者的回答中区分出谁是法律家、谁是机器，就不能怀疑机器具有法律知识表达的能力。
依“图灵试验”制定的智能法律系统检验标准，所看重的是功能。只要机器和法律家解决同样法律问题时所表现出来的功能相同，就不再苛求哪个是钢铁结构、哪个是血肉之躯。人工智能立足的基础，就是相同的功能可以通过不同的结构来实现之功能模拟理论。
从功能模拟的观点来确定人工智能法律系统的研究与开发策略，可作以下考虑：
第一，扩大人工智能法律系统的研发主体。现有人工法律系统的幼稚，暴露了仅仅依靠计算机和知识工程专家从事系统研发工作的局限性。因此，应该确立以法律家、逻辑学家和计算机专家三结合的研发群体。在系统研发初期，可组成由法学家、逻辑与认知专家、计算机和知识工程专家为主体的课题组，制定系统研发的整体战略和分阶段实施的研发规划。在系统研发中期，应通过网络等手段充分吸收初级产品用户（律师、检察官、法官）的意见，使研发工作在理论研究与实际应用之间形成反馈，将开发精英与广大用户的智慧结合起来，互相启发、群策群力，推动系统迅速升级。
第二，确定研究与应用相结合、以应用为主导的研发策略。目前国外人工智能法律系统的研究大多停留在实验室领域，还没有在司法实践中加以应用。但是，任何智能系统包括相对简单的软件系统，如果不经过用户的长期使用和反馈，是永远也不可能走向成熟的。从我国的实际情况看，如果不能将初期研究成果尽快地转化为产品，我们也难以为后续研究工作提供雄厚的资金支持。因此，人工智能法律系统的研究必须走产研结合的道路，坚持以应用开路，使智能法律系统尽快走出实验室，同时以研究为先导，促进不断更新升级。
第三，系统研发目标与初级产品功能定位。人工智能法律系统的研发目标是制造出能够满足多用户（律师、检察官、法官、立法者、法学家）多种需要的机型。初级产品的定位应考虑到，人的推理功能特别是价值推理的功能远远超过机器，但人的记忆功能、检索速度和准确性又远不如机器。同时还应该考虑到，我国目前有12万律师，23万检察官和21万法官，每年1.2万法学院本科毕业生，他们对法律知识的获取、表达和应用能力参差不齐。因此，初级产品的标准可适当降低，先研制推理功能薄弱、检索功能强大的法律专家系统。可与计算机厂商合作生产具有强大数据库功能的硬件，并确保最新法律、法规、司法解释和判例的网上及时更新；同时编制以案件为引导的高速检索软件。系统开发的先期目标应确定为：(1)替律师起草仅供参考的书和辩护词；(2)替法官起草仅供参考的判决书；(3)为法学院学生提供模拟法庭审判的通用系统软件，以辅助学生在、辩护和审判等诉讼的不同阶段巩固所学知识、获得审判经验。上述软件旨在提供一个初级平台，先解决有无和急需，再不断收集用户反馈意见，逐步改进完善。
第四，实验室研发应确定较高的起点或跟踪战略。国外以知识工程为主要技术手段的人工智能法律系统开发已经历了如下发展阶段：(1)主要适用于简单案件的规则推理；(2)运用开放结构概念的推理；(3)运用判例和假设的推理；(4)运用规则和判例的混合推理。我们如确定以简单案件的规则推理为初级市场产品，那么，实验室中第二代产品开发就应瞄准运用开放结构概念的推理。同时，跟踪运用假设的推理及混合推理，吸收国外先进的KBS和HYPO的设计思想，将功能子系统开发与联想式控制系统结合。HYPO判例法推理智能装置具有如下功能：(1)评价相关判例；(2)判定何方使用判例更加贴切；(3)分析并区分判例；(4)建立假设并用假设来推理；(5)为一种主张引用各种类型的反例；(6)建立判例的引证概要。HYPO以商业秘密法的判例推理为模拟对象，假设了完全自动化的法律推理过程中全部要素被建立起来的途径。值得注意的是，HYPO忽略了许多要素的存在，如商业秘密法背后的政策考虑，法律概念应用于实际情况时固有的模糊性，信息是否已被公开，被告是否使用了对方设计的产品，是否签署了让与协议，等等。一个系统设计的要素列表无论多长，好律师也总能再多想出一些。同样，律师对案件的分析，不可能仅限于商业秘密法判例，还可能援引侵权法或专利法的判例，这决定了缘由的多种可能性。Ashley还讨论了判例法推理模拟的其他困难：判例并不是概念的肯定的或否定的样本，因此，要通过要素等简单的法律术语使模糊的法律规则得到澄清十分困难，法律原则和类推推理之间的关系还不能以令人满意的方式加以描述。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）这说明，即使具有较高起点的实验室基础研究，也不宜确定过高的目标。因为，智能法律系统的研究不能脱离人工智能的整体发展水平。
第五，人－机系统解决方案。人和机器在解决法律问题时各有所长。人的优点是能作价值推理，使法律问题的解决适应社会的变化发展，从而具有灵活性。机器的长处是记忆和检索功能强，可以使法律问题的解决具有一贯性。人－机系统解决方案立足于人与机器的功能互补，目的是解放人的脑力劳动，服务于国家的法治建设。该方案的实施可以分为两个阶段：第一阶段以人为主，机器为人收集信息并作初步分析，提供决策参考。律师受理案件后，可以先用机器处理大批数据，并参考机器的和辩护方案，再做更加高级的推理论证工作。法官接触一个新案件，或新法官刚接触审判工作，也可以先看看“机器法官”的判决建议或者审判思路，作为参考。法院的监督部门可参照机器法官的判决，对法官的审判活动进行某种监督，如二者的判决结果差别太大，可以审查一下法官的判决理由。这也许可以在一定程度上制约司法腐败。在人－机系统开发的第二阶段，会有越来越多的简单案件的判决与电脑推理结果完全相同，因此，某些简单案件可以机器为主进行审判，例如，美国小额法庭的一些案件，我国法庭可用简易程序来审理的一些案件。法官可以作为“产品检验员”监督和修订机器的判决结果。这样，法官的判案效率将大大提高，法官队伍也可借此“消肿”，有可能大幅度提高法官薪水，吸引高素质法律人才进入法官队伍。
未来的计算机不会完全取代律师和法官，然而，律师和法官与智能机器统一体的出现则可能具有无限光明的前景。（注：Smith,J.C,MachineIntelligenceandLegalReasoning,Chicago-KentLawReview,1998,Vol.73,No.1,p277.）可以预见，人工智能将为法律工作的自动化提供越来越强有力的外脑支持。电脑律师或法官将在网络所及的范围内承担起诸如收债、税务、小额犯罪诉讼等职能。自动法律推理系统将对诉讼活动发挥越来越多的辅助作用，例如，通过严密的演绎逻辑使用户确信全部法律结论得出的正当性；在解决相互冲突的规则、判例和政策问题时提示可能出现的判决预测；等等。正如网络的出现打破了少数人对信息的垄断一样，电脑法律顾问的问世，将打破法官、律师对法律知识的垄断，极大地推动法律知识的普及，迅速提高广大人民群众的法律素质，使法律真正变为群众手中的锐利武器。
