计算智能是人工智能的一个分支，致力于设计和研究能够通过学习、进化或模糊推理来解决问题的自适应、自组织系统。与依赖显式规则和逻辑的经典符号人工智能不同，计算智能强调受生物或物理过程启发的机制，例如神经网络、进化算法和模糊逻辑。该领域在20世纪90年代初作为一个独立的研究领域出现，IEEE于1991年成立了神经网络委员会，后在2001年更名为IEEE计算智能学会。
这一术语在研究界试图将神经网络、模糊系统和进化计算统一在一个共同框架下时逐渐获得关注。这三个支柱共同关注鲁棒性、适应性和处理不确定性或不完整信息的能力。计算智能方法通常与传统算法方法形成对比，因为它们不需要事先了解问题结构；相反，它们从数据中学习或迭代地探索解空间。
核心范式
第一个主要范式是人工神经网络，这是一种受生物大脑结构启发的计算模型。这些网络由相互连接的节点（神经元）组成，通过加权连接处理信息。训练通过算法（如反向传播）调整这些权重，该算法在20世纪60年代由Bernard Widrow等人推广，并在20世纪80年代得到改进。现代深度学习是机器学习的一个子领域，依赖于多层神经网络，并推动了图像识别、自然语言处理和游戏博弈方面的进步。
第二个范式是进化计算，包括遗传算法、进化策略和遗传编程。这些方法通过维持候选解的种群，应用变异和交叉等算子，并根据适应度函数选择幸存者来模拟自然选择。20世纪60年代和70年代研究者的开创性工作，如John Holland和Ingo Rechenberg，奠定了基础，该领域此后已应用于工程、金融和物流中的优化问题。
第三个范式是模糊逻辑，由Lotfi Zadeh于1965年提出。模糊系统使用隶属函数，允许0和1之间的部分真值，从而能够推理不精确或模糊的数据。它们广泛应用于控制系统，如家用电器和工业过程，在这些系统中提供平滑且类似人类的决策。
与机器学习和深度学习的关系
计算智能与机器学习有显著重叠，但两者并不等同。机器学习侧重于通过经验改进的算法，通常使用统计方法。相比之下，计算智能更强调受生物或物理启发的机制，并且通常包含非梯度优化。深度学习是机器学习的一个子集，使用多层神经网络，自2010年代以来已成为计算智能内的主导力量，这得益于硬件进步和大规模数据集的可用性。
深度学习的关键创新包括Transformer架构，该架构在2017年论文“Attention Is All You Need”中由Jakob Uszkoreit、Lukasz Kaiser和Niki Parmar等研究人员提出。Transformer依赖多头注意力和位置编码来处理序列，从而能够开发出大型语言模型，例如由OpenAI、Anthropic和Google DeepMind创建的模型。这些模型已改变了自然语言处理和生成式AI，但它们仅代表了计算智能技术的一个子集。
应用与影响
计算智能方法被部署于多个行业。在机器人技术领域，Waymo和Tesla Autopilot使用神经网络进行自动驾驶车辆的感知和决策。在医疗保健领域，Intuitive Surgical将机器学习集成到手术机器人中，Commure将AI应用于临床工作流程。金融机构使用进化算法进行投资组合优化和风险评估。Amazon Web Services和Microsoft Azure提供基于计算智能技术的云AI服务，包括专用硬件，如AWS Trainium芯片。
在硬件领域，AMD、Intel、NVIDIA和Qualcomm等公司设计了针对神经网络推理和训练优化的处理器。TSMC为这些应用制造先进芯片，而Groq和SambaNova则开发专用加速器。MIT CSAIL、Stanford AI Lab和Berkeley AI Research等研究机构贡献了基础性工作，Nokia Bell Labs和Xerox PARC在早期AI和计算领域具有历史意义。
挑战与未来方向
尽管取得了成功，计算智能仍面临若干挑战。神经网络往往是不透明的，导致对可解释性和偏见的担忧。Melanie Mitchell和Joshua Tenenbaum等研究人员倡导更鲁棒且类似人类的学习机制。Aleksander Madry研究对抗鲁棒性，而Anima Anandkumar致力于可扩展且高效的算法。该领域还面临能源消耗问题，这激发了对神经形态计算和模型剪枝技术的兴趣。
未来方向包括将神经网络与符号推理相结合的混合系统，如Brendan Lake和Rafael Calvo所探索的。D-Wave和其他量子计算公司正在研究量子启发的优化，这可能增强进化算法。随着计算智能的持续发展，其方法可能更加深入地融入日常技术，从智能手机到云服务。
另见
参考文献
- IEEE计算智能学会历史
- Zadeh, L. (1965). Fuzzy sets. Information and Control.
- Vaswani, A. et al. (2017). Attention Is All You Need.