科创中国

行业领域

电子信息技术,新一代信息技术产业,计算机及网络技术,人工智能

需求背景

人工智能在封闭性问题求解上取得了重要进展，但在边界条件不确定的开放性问题求解方面仍难以用知识推理、机器学习等智能技术解决。以还原论思维从微观层面研究开放性问题，一般按照“分而治之”的研究范式，把复杂的问题分解，找出边界条件清晰、目标明确的数量化问题求解。但部分之和往往不等于整体，拆分出的一个问题不能解决，整个问题仍不可解决。另外，边界条件清晰、目标明确的可求解问题往往是一种近似的理想状态，满足该边界条件的现实情景非常有限。当问题难以求解时，如何让机器能根据条件目标之间的关系，分析不可满足的因素知识，提供解决问题的缺失知识，甚至自动或半自动化地得到处理矛盾问题的系统性策略？

需解决的主要技术难题

大数据背景下，知识与信息数量快速增长，随着数据获取便利性的增加与社会节奏的加快,企业或组织所面临的内外部环境更加复杂,业务问题呈现非线性、不确定性、多维化和实时性等特点。开放性问题在管理实践中更为普遍、更有价值，但缺少训练样本数据，难以用知识推理、知识图谱、机器学习等智能技术解决。

多源、异构、海量数据与复杂的知识网络体系和知识计算中蕴含着解决开放性问题的知识。但由于缺乏问题需求与知识发现紧密耦合的知识管理技术的支持，多粒度的海量信息资源与用户有限的知识获取、处理能力之间矛盾日益凸显，知识迷航问题日趋严重，大多数情况下人们只能依靠灵感解决问题。

期望实现的主要技术目标

以微观思维研究开放性问题的求解，比较普遍的研究范式是按照“分而治之”的方法论来处理：把复杂的开放性问题分解，直到找出边界条件清晰、目标明确的可求解问题，如特定边界条件下的数量化问题，然后采用博弈论、路径规划、排队论、运筹学、多目标规划等方法求解。但从系统论的角度看，部分之和往往不等于整体，拆分出的一个问题不能解决，整个问题仍不可解决。另外，边界条件清晰、目标明确的可求解问题往往是一种假设的近似的理想状态，现实中满足该边界条件的情景非常有限，很多情况下得不到共赢解。

最近研究发现，问题解决方案的突然产生基于两个根本特征：1问题表示的变化，2主观的顿悟。问题建模和寻找关键知识成为问题求解的重要途径。郑南宁院士指出,由于人类生活环境的高度不确定性和面临问题的开放性,有必要将人类的认知能力或类人认知模型引入人工智能系统,形成混合增强智能形态。大数据环境正促使智能研究迈向数据驱动与知识引导的新时代，将数据驱动机器学习方法与人类的常识先验和隐式直觉等知识有效结合起来，可实现可解释、更稳健和更通用的人工智能***，以支持人类做出更好的决策。

处理进度