【www.pindukj.com--论文】
人工智能，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 以下是小编为大家收集的人工智能论文(合集四篇)，仅供参考，欢迎大家阅读。
摘要：崔政博士的新著《科学技术知识的政治经济学研究》以马克思的“劳动”概念为中心，提供了一个划定人工智能替代人类劳动的边界框架。该书区分了重复性劳动与创造性劳动，提出创造性劳动是人类劳动的本质也是人工智能不可替代的。但需要进一步指出的是，机器学习已经在认识实践中表现出对人类认知劳动的极大辅助作用，包括：人工智能能够提升科学知识生产效率;人工智能擅于提取和传递默会知识;人工智能可以产生某种机器知识。以上原因使得我们在创造性劳动中很难将人工智能排除在外，未来可能的创造性劳动方式应当是某种人机协作或人机融合。
关键词：人工智能;创造性劳动;科学知识;默会知识;机器知识
中图分类号：TP18文献标识码：A文章编号：CN61-1487-（2020）01-0154-03
产业科学出现以来，科技创新对经济增长的驱动作用已经成为全球性的共识。崔政博士的新著——《科学技术知识的政治经济学研究》，试图以“劳动”概念的历史分析为切入点，讨论科学技术在当代资本主义经济中所扮演的角色，进而以一种动态的劳动价值论表明当代社会经济运行的内在动因[1]2。该书以马克思的“劳动”概念为核心构建了一个哲学空间，将科学知识、技术创新、资本运行纳入其中，完整地阐述了科学技术对经济社会的塑造作用。该书的叙事方式表达了两个理论取向：第一，对科技创新的分析不同于传统技术创新理论仅关注经济“增长”，而是从更为基础的社会分工出发关注经济“发展”;第二，将科学知识的生产还原到马克思的“科学劳动”概念，实际上已经使用了一种扩展了的“科学”概念，蕴含着当代科学知识生产所具有的实践性、情境化、多主体等特征。
该书更为重要的贡献在于讨论了人工智能技术对于社会生产方式的挑战和变革作用。书中提出：“人工智能的替代效应是建立在对人类劳动数据化和逻辑化的基础上的，探索自在自然的创造性劳动是不可数据化和逻辑化的。因此，人工智能只能围绕既有的对象进行重复性生产，替代重复性劳动;而人类则能够探索自在自然，从而摸索新技术、建构新对象，进行创造性劳动。也就是说，机器所不能替代的人类劳动的‘硬核’是探索自在自然的劳动，是创造对象和掌握技术的‘创造性劳动’。”[1]25作者将马克思的“劳动”概念区分为“重复性劳动”和“创造性劳动”，进而指出人工智能是对机器大工业的否定，它将替代人类劳动中可以重复、可以数据化的部分，但创造性劳动是人类劳动的本质，是人工智能所不能替代的。
作者提出：“人工智能可以在将重复性劳动数据化的基础上，对人类劳动进行模仿，从而取代任何形式的重复性劳动。但人工智能却不能取代人类的创造性劳动，创造性劳动是通过探索自在自然，经过反复的摸索与实验、征服反常和偶然、掌握技术、创造对象、实现对象从无到有的过程的劳动，这是一种原生性的劳动。”[1]27作者认为，创造性劳动是对马克思的“自在自然”的探索，“自在自然”是在人类的现有认知能力之外，却以反常和失败等形式向人类显现其自身。然而，在认知实践当中，机器学习已经可以帮助人类探索认知能力之外的“自然”，当然这种“自然”并不以反常或失败的形式存在。作者也指出：“尤其是在大数据和云计算的背景之下，机器学习的速度远超人类的认知极限，甚至可能在数据中找到人尚未发现的方法和规则。”[1]35因此，在认知劳动方面，我们可以在作者的概念框架下进一步区分出人工智能对人类“创造性劳动”的辅助作用，具体表现为三个方面：人工智能提高科学知识生产效率;人工智能擅于提取和传递默会知识;人工智能可以产生某种机器知识。
一、人工智能能够提升科学知识生产效率
机器学习的广泛使用可以提升科学知识生产的效率，主要表现在文献研究和实验室研究两个方面。人工智能系统可以通过自然语言理解获取、阅读和总结所有相关文献。例如，一个叫做Iris的人工智能系统的运行方式是：从某个研究主题的演讲切入，先使用自然语言处理算法分析演講的脚本，挖掘从开放渠道获取的研究文献，然后将相关研究文献分组并进行可视化，再通过人工标注文献使机器匹配精度增加，当机器能够理解文献的内容和结构时，可以帮助科研人员总结出该研究主题下的所有研究问题、假设、实验结果等，从而将前人工作完整呈现。此外，机器学习的使用还能够加快实验研究的进程。例如，2016年5月，澳大利亚国立大学的研究团队使用机器学习重复了物质的玻色—爱因斯坦凝聚态的实验室发现过程，从反复设置调整实验设备的各种参数到产生凝聚态物质，机器学习只用了一个小时，而凭借这一发现获得诺贝尔奖的三位科学家是在直觉的基础上经过多年实验才制造出了物质的凝聚态。由此可见，作为技术的人工智能的进步已经开始反向促进作为基础研究的科学知识的生产。
二、人工智能擅于提取和传递默会知识
波兰尼（MichaelPolyani）提出了默会知识（tacitknowledge）的概念，以区别于可以明述的知识（explicitknowledge），明述知识是用语言文字来表达的知识，如科学知识，默会知识则是我们知道但通常不加言述或者不能充分言述的知识[2]。默会知识具有以下几个特点：难以用语言文字描述，不易传播、记录和积累;获取默会知识主要依靠亲身体验;默会知识呈分布式存在，难以整合。这些特点导致我们很难有效运用默会知识，而机器学习的大规模运用使得人工智能系统非常擅于处理默会知识。作者敏锐地意识到了这一特点——“以往我们所说的‘默会知识’、手工技艺技巧，以及复杂程度远超人类认知能力之外的一些潜在规则，也都不再是一个个‘黑箱’，机器可以基于将人类劳动的过程还原成物理量和数据，再通过机器学习找到其内在的规律，从而取代人类劳动。”[1]56
在当前人类社会所有已经产生的信息中，文字只占极少的比例，大量的信息以图片和视频方式呈现，其中蕴含了大量需要通过亲身体验才能获取的默会知识。如果有办法将事物状态用图片或视频记录下来，就有可能使用机器学习从中萃取出知识。很多电影公司已经使用人工智能系统观看大量人类历史上的影视作品，从而归纳提取出经典桥段，创作出新的配乐、台词和预告片以供人类借鉴。更为重要的是，由人工智能系统获取的默会知识是以神经网络参数集的形式存在的，这对人类而言仍然不可描述，也难以在人类之间传递，但却非常易于在人工智能系统间传播。例如，一台掌握驾驶技能的自动驾驶汽车只要将参数集分享出来就可以快速让所有汽车学会这项技能，而且可以实现机器间的协同行动。
三、人工智能可以产生某种机器知识
如果说默会知识还是“可意会而不可言传”的知识，那么AlphaGoZero在围棋上的表现已经表明人工智能系统产生了某种既无法“意会”也无法“言传”的机器知识。AlphaGoZero在没有人类以往的经验或指导、不提供基本规则以外的任何领域知识的情况下，就使用机器学习在短时间内探索了大量人类从未尝试过的走法。机器发现的知识不仅完全超出了人类的经验，也超出了人类的理性，成为人类几乎无法理解的知识。由此，产生了讨论某种“机器认识论”的可能性，GregoryWheeler在《MachineEpistemologyandBigData》一文中提出：机器学习对事物间隐蔽的相关性的发现和掌握已经远超人类，因此机器知识更多的是一种相关性知识。[3]321董春雨教授在《机器认识论何以可能？》一文中也指出：“人类必须正视机器在其擅长的领域，通过特殊的认识方式所获得和积累的知识。”[4]
机器知识与科学知识或默会知识的核心差别在于：机器知识依赖数据，科学知识或默会知识依赖信息。信息是事物可观察的表征，或者说信息是事物的外在表现。任何一个物体的信息量都非常大，要精确描述一个物体，就需要将其中所有基本粒子的形态以及它们之间的关系都描述出来，同时还要将该物体与周围环境的关系都描述出来。而数据是已经描述出来的部分信息，关于一个物体的数据通常要比信息少得多，例如只包含它的形状、重量、颜色和种属关系等。只有当信息经过适当的处理，当它被用来进行比较、得出结论和建立联系时，它才會转化为知识。而知识可以理解为伴随着经验、判断、直觉和价值的信息，作为认知主体的人在其中扮演了关键角色。
相较之下，机器知识可以被刻画为数据在时空中的关系，这些关系表现为某种模式，对模式的识别就是认知，识别出来的模式就是知识，用模式去预测就是知识的应用。这些数据在时空中的关系只在少数情况下才能用数学工具进行表达，而多数情况下知识表现为数据间的相关性的集合，这些相关性只有一小部分可以被人类感知和理解。这源于人类感受能力的局限性：人类只能感受部分外界信息，人类的感官经验局限在三维的物理空间和一维的时间。因此，当数据无法被感知，它们之间的关系又无法用数学工具表达时，这些数据间的关系就超出了人类的理解能力之外而属于机器知识。当前机器学习的主流形式——人工神经网络的最大特点就是发现并记忆数据中的相关性，例如在看了很多汽车图片后会发现汽车都有四个轮胎，人类对图片这类直观的数据间的相关性也能发现并记忆一部分，这就是默会知识。但当数据量很大且不直观时，例如股票市场的数据或者核电站的内部数据，人类就无法应对了。而随着人工神经网络层级和数量的增加，人工智能系统能够处理大规模的复杂数据，这就是机器知识。机器知识当前的主要表现形式类似于AlphaGoZero中的神经网络的全部参数。
概言之，科学知识和默会知识多是基于信息的因果性知识，而机器知识多是基于数据的相关性知识。此外，科学知识是易于记录、易于陈述、易于传递的;默会知识是难以记录、难以陈述、可传递的;机器知识则是可记录、不可陈述、易于在机器间传递的。
四、人工智能发展的局限性
当然，基于人工神经网络的机器学习仍有两个核心的局限性导致人工智能系统还不足以承担创造性劳动。第一个局限是，人工神经网络需要依赖特定领域的先验知识，也就是需要特定场景下的训练，这是因为人工神经网络的学习本质上是对相关性的记忆，人工神经网络将训练数据中相关性最高的因素作为判断标准。这个问题在自动驾驶汽车中表现的非常突出，鉴于道路交通情境的复杂性和交通标示的多样性，自动驾驶系统难以避免很多交通事故。第二个局限是，人工神经网络无法解释产生某个结果的原因，这种不可解释性在许多涉及安全和公共政策的领域显现的比较突出，例如在智能医疗中，人工神经网络在影像识别和辅助诊断中都对其结果缺乏医学上的解释性，都需要专业医生的复核。
基于人工神经网络的人工智能系统在记忆和识别这两个基础智能方面超越了人类，但在推理、想象等高级智能方面还相差较远。与人类相比，人工智能无法承担创造性劳动的原因还不止于以上的局限性，还包括：人工智能没有常识和物理世界的模型;人工智能没有自主和自发的通用语言能力;人工智能没有想象力，需要大量常识、反事实假设和推理能力;最重要的是人工智能没有自我意识。自我意识的缺乏导致能够产生机器知识的人工智能系统仍然无法被视为认知主体，其知识的“创造性劳动”是一种无意识认识活动。
五、结语
人工智能系统在提升科学知识生产效率、处理默会知识以及产生机器知识方面的优势，使得我们在创造性劳动中很难将其排除在外，未来可能的创造性劳动方式应当是某种人机协作或人机融合。脑机接口（brain-computerinterface）是当前一个重要的人机协作研究方向，而其中最激进的方式是马斯克提出的Neuralink，即通过柔性电极对接在人脑的神经网络上，Neuralink要解决的是人类的信号输入与输出，但其问题在于人类的高级思维（如逻辑推理或描述场景）必须依赖语言，而目前基于人工神经网络的机器学习能力主要是对环境的识别能力，还远没有达到语言和逻辑推理，但人类智能通过语言进行沟通。这背后就隐含了人类的科学知识与人工智能系统的机器知识之间的不可通约，以上例子也表明基于人机协作的创造性劳动还有很大的技术障碍需要克服。
参考文献：
[1]崔政.科学技术知识的政治经济学研究[M].石家庄：河北人民出版社，2019.
[2]郁振华.当代英美认识论的困境及出路——基于默会知识维度[J].中国社会科学，2018（7）.
[3]GregoryWheeler.Machineepistemologyandbigdata[A].inMcIntyre，Lee，andAlexRosenberg，eds.TheRoutledgeCompaniontoPhilosophyofSocialScience[C].Taylor&Francis，2016.
[4]董春雨，薛永红.机器认识论何以可能？[J].自然辩证法研究，2019（8）.
《基于当前社会的人工智能初探》
本文的开头，我想先强调一个概念，究竟什么是人工智能。一般人看到AI第一瞬间便会想到机器人，但机器人只是一个容器，它的内核与控制系统才能被称作人工智能。再者，人工智能不能被单纯地被认为是与人类处在同等智能水平上的事物，总的来说，可以将它分成三个层次：1.弱人工智能;2.强人工智能;3.超人工智能。
弱人工智能，是在单一领域具有超越常人的能力，比如说AlphaGo，它可以在围棋方面战胜李世石，但是若让它进行简单的计算，类似1+1=2这样的式子，它可能却是不行的。现阶段，弱人工智能存在于我们生活的方方面面。导航，Siri，天气预报，搜索引擎，音乐推荐等等，这都是人工智能，只不过大多数人并不知道罢了。所以那些“人工智能根本不可能造福人类”的说法是绝对错误的，正相反，人工智能给人们带来了诸多便利。因此，我希望大家能抛弃对人工智能的偏见，真正接纳人工智能的存在。组成人类的细胞都比弱人工智能层次要高，所以对待这一层次的人工智能，我们是不必担心的，若非要把有关人类的事物划分到这一层次中，类似核糖体的细胞器便是属于这一层次。
人类是属于强人工智能层次的生物，而且是这一层次中顶端的存在。强人工智能，已经可以同人类一样进行各种脑力活动。但很遗憾，至今它还未曾问世。从弱人工智能到强人工智能的过渡是漫长的，从地球弱人工智能层次的氨基酸等有机物进化至生命，耗费的时间以亿计数。但是随着社会的进步，发展的能力、速度都会极大地提升，所以强人工智能的出现不会耗费太多时间，短则十年长则百年。由弱到强，需要有两方面的改变。
第一，提高弱人工智能的运算速度，降低单位运算速度所需金钱。
人类的大脑运算速度经Kurzweil对不同大脑区域进行估算，大约为一亿亿次计算每秒。强人工智能不是终点，所以运算速度也必须超过一亿亿这个数值。但若是我们研究出超人工智能却只能供应极少数人，那必将会造成灾难——上位者操纵人工智能统御下位者，这绝对不是我们想看见的。因此，我们要降低单位运算速度的成本，让成果平民化，让人工智能能真正造福所有人类。
第二，提高弱人工智能的智能层次，然后通过人工智能的递变演化，让它到达更高的层次。这一点是最难处理的，也是可能导致人工智能转头空的最大因素，人类对智能层次的认识只能停留在浅薄的理论上，我们不知道如何将猩猩的大脑演化为人类的大脑，同样，我们也不知道如何将人工智能的层次提高到新的高度。不过万幸我们有我们自己这样一个完美的强人工智能系统，我们可以通过对自身的生物研究来推动人工智能的发展。这样做有两个方向：1.逆推，根据人本身大脑的思考模式逆推出运算的模式，再将这种模式代入到人工智能上;2.正推，从细胞开始，不断推动生命层次的研究，一步一步地将大脑的运算模式推断出来。两种方向皆有利弊，从我自己来说，这两种方向应同时进行，一个最大的原因便是人类若想得到长足发展，必先研究透自身，一举两得，何乐而不为?
以上所述，还可寻到根据，接下来的便只能是进行合乎逻辑的推理和大胆的设想了。
强人工智能即指超过人类的层次，它可能超过一点，也可能超过几千万倍，跨度极大。也正是因为它的不可控性，人们才会认为这是一个潘多拉魔盒，会毁灭人类，但是这也同样可能使人类真正永生。那么有什么办法能使超人工智能受到人类的控制呢?答案是没有，起码在我们当前的认知中是不切实际的。自然界创造了人类，可人类却近乎脱离了自然界的控制。那么，人工智能是不是该停止呢?我认为不该。前面提到了递变演化，超人工智能的层次提高是人类插不上手的，只能靠它自身的递变演化。但是递变演化却不是只出现在人工智能身上，人类也有自己的递变演化，而且根据加速回报理论，递变的单位所需时间是会逐渐缩短的，如果我们能从人工智能那里取得这样的经验，发展的就不会只是人工智能。再者，从强人工智能到超人工智能的层次质变，同样可以被借鉴用于人类的发展，这就意味着人类自身是会永远领先人工智能一步。难道人类担心过被猴子毁灭吗?没有。同样人工智能就好比比我们智能层次低的猴子，也不会导致我们的毁灭。并且我们可利用人工智能为我们自身服务。当然，这只局限于理论推导、假设猜想，很可能未来的走向会与之大相径庭。
人工智能的发展不应是单方面的，视野必须拓宽出去。对于人工智能的研究其实等同于对人自身的研究，它不仅仅只是一门计算机科学，更是一门生命科学。如果能将它的研究与生命科学的研究结合起来，人们对它的了解就可能更透彻。比如说，对于大脑的研究，一定会牵扯到思维的研究，而对思维研究的深入，可以让我们更好地设计智能的思维，甚至于我们可以将人类的心理在不影响性能的情况下导入其中。人类的心理会使它们站在人类的角度思考，甚至可以说智能便成了人类的另一种存在形式。在这里，就又引出一个问题：安全和性能，我们应更注重哪一个。答案非常明确，安全。如果连安全都保证不了，那它就没有存在的价值。原子能，人类可以控制，所以才有了核电的存在。人工智能同样如此，虽然我希望人工智能能造福人类，但若能证实它对人类的弊大于利，那就应该终止有关的研究，让它成为历史。
有人说人工智能是人类最后的一项发明，因为一旦超人工智能出现，人类便会灭绝，未免太过悲观了。生物与生物之间最纯粹的关系是利益关系，人工智能与人类之间也可以通过利益关系关联起来，并且让人类处于主导的地位。那么人类可以为人工智能提供什么利益呢?目标。人类是已知唯一有独立意识的存在，我们可以提供给人工智能目标，这就需要我们再设计时不能让它产生独立意识，如果这能实现，就意味着我们拥有了超越人类层次却对人类无比忠诚的存在，人类社会的发展必因此得到更大的进步。
人工智能是一个很好的发展机遇，我们不应畏手畏脚。人工智能的未来是不可控的，但是人类的发展也同样是不可控的。走得太稳不见得能真地走得太远，试一次或许会有不一样的结果。
《电脑人工智能日趋成熟》
电脑在二十世纪70年代末期开始广泛普及,当时,有些专家便预计说,电脑可以改变人们的日常生活,并且使社会文化随之改变。
现在,时间的车轮运转到了2000年,专家们的这些预想至少已经有一部分成为现实。今天,人们已经在开始讨论有关电脑会不会具有人类的某些智能。这类课题已经不是什么科学幻想,而是非常严肃的学术讨论了。
舍科尔教授是美国麻省理工学院的社会学教授,他是电脑心理学方面的专家,曾经撰写过关于电脑心理学的两本具有开创性的着作。
一本书的书名是《第二自我—电脑和人类精神》,另一本书是最近出版的,书的题目是《电脑屏幕上的生活—因特网时代的特征》。舍科尔教授现在是麻省理工学院科学技术和社会项目的教授。从70年代开始到80年代初期,舍科尔教授开始研究人和电脑的关系。
舍科尔教授说:“电脑的特征在物体和非物体之间。很明显地,电脑是物体,即使是孩子也知道电脑是一部机器。可是,在另外一方面,电脑又可以反馈,可以有行为,可以有理智,甚至有精神。
人们发现,自己和电脑之间存在着互动的关系,甚至感到电脑似乎在活着。”
舍科尔教授特别对儿童和第一代电脑,以及电子玩具之间的关系感兴趣。他发现,十来岁的少年主要用电脑来探索认知的问题;而青春期以前的儿童也就是八岁到十二岁之间的儿童,他们主要试图熟练地掌握机器和电子玩具。
舍科尔教授发现,电脑玩具对五岁到八岁之间的儿童来说,起到了激发他们的伦理性、推测性息维的能力。
舍科尔教授说:“这些电脑玩具促使我们考虑‘什么是生活’这一类的问题。电脑有生命吗?在电脑玩具的战斗中,搏杀者意味着什么呢?作为一种玩具,到底有什么特殊性呢?
讨论电脑到底和人类有哪些区别,就无疑地是一个重要的问题。
一个十二岁的男孩对我说,将来可能会出现和人类一样聪明的电脑。但是,人类仍然要做饭,要建立家庭,要开餐馆。人类可能是地球上唯一要去教堂的生物。
换句话说,电脑为人类留下的空间是感情、感性、家庭生活。模拟思维可能在某种程度上可以算是一种思维,可是,模拟感情却永远不能被看作是真正的感情。当然了,模拟爱情更不能算是爱情了。”
微软公司的视窗系统是舍科尔教授目前重点研究的课题。视窗操作系统可以允许使用者在同时执行几个相互没有任何关系的工作任务,并随意在这几个任务之间互相切换。
舍科尔教授说:“用鼠标器指一下这些长方形的图形,你可以先做一件事情,然后再做另一件事情。例如,你可以通过电脑先跟你的母亲聊会儿天,在跟你的母亲说再见以后你开始写你的论文。写累了,你可以通过电脑看看你的银行账户。
从某种意义上来说,人们可以在电脑上确定各人的位置。也就是说,使用者是电脑屏幕上所有的窗口,以及电脑所有的活动的总和。
显然,这是一场革新,因为微软视窗允许你同时在你的电脑上提出好几个指令,并且在这些活动之间不断循环往复。这已经具备了人类心理活动的某些特点。”
在80年代,人类可能通过和自己心理的比较试图理解电脑。而今天,舍科尔教授说,人类试图通过电脑的运行模式,来更好地理解人类的心灵。
舍科尔教授认为,现在研究电脑心理学的最热门的领域,是假设电脑到最后会真正地有感情。你的一部电脑会对你产生“爱情”,它们需要你的关怀,需要感情的忠实。这可能是未来研究人和机器之间互动关系领域里最新的潮流了。
目前,在电脑控制的玩具方面已经出现了一些突破。例如,去年圣诞节期间,出现过一种类似猫头鹰的玩具,这种玩具可以说几百句话,而且具有学习功能,甚至会骂厂。
日本索尼公司制造出一种电子宠物狗,名叫“艾卜”,也是这类电子宠物玩具的代表性产品。
除了玩具以外,在智能电脑方面,电脑能够听懂主人说话现在已经不算稀奇了。目前,美国麻省理工学院的媒体研究室已经研制出一种具有人工智能的计算机,计算机可以对使用者发出的非语言性信号做出反应,并且据此进行某种程度的调整。
舍科尔教授认为,未来的电脑发展趋势是生物化电脑,电脑越来越具有知性和感性,从社会学的角度上说,这将是一大飞跃,值得学者专家好好地探讨。
【摘要】随着现代信息技术的飞速发展，我们迎来了伟大的人工智能时代。人工智能的伟大在于给各行各业都带来了巨大的冲击，对会计行业而言，运用了越來越多的人工智能技术，科技的进步，使人工智能不仅正逐步取代部分会计人员的一些低技能的低端工作，它还可以完成人类大部分的工作。本文将从了解人工智能出发，结合人工智能时代下会计行业的发展变化分析人工智能给会计行业带来的诸多机遇与挑战。
【关键词】人工智能会计发展机遇和挑战
一、人工智能概述
（一）人工智能的发展
1950年，艾伦，麦席森，图灵发表了一篇划时代之作《制作机器会思考吗？》里面提出了测试机器是否具有智能的方法，并因此摘得“人工智能之父”的桂冠。约翰，麦卡锡在1956年的达特茅斯学术会议上，第一次提出人工智能（ArtificialIntelligence，AI）。1997年，IBM公司“深蓝”电脑击败了人类的世界国际象棋冠军更是人工智能技术的一个完美表现。2017年7月，国务院印发了《新一代人工智能发展规划》，这是我国首个面向2030年的人工智能技术的战略发展蓝图，也表现出我国对发展人工智能技术的重视与支持，同时，人工智能人选“2017年度中国媒体十大流行语”。
人工智能是计算机科学的一个分支，可以对人的意识、思维的信息过程的模拟，人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，未来人工智能带来的科技产品，将会是人类智慧的“容器”。
（二）人工智能的意义
人工智能的出现代表我国经济正在快速的发展，科技水平不断的提高，同时人工智能也慢慢的融入并改变着我们的生活，推动时代的发展。人工智能现在正朝着教育、金融、服务、医疗、信贷等诸多领域发展，比如经济领域、空间技术、主动控制、计算机规划和制作，其首要运用领域是制作主动化工厂、医疗、物流和家庭效能;在商业领域中，无人驾驶轿车在机器人工作中占有智能轿车技术的主导地位;在金融领域，有了人工智能的监督和把关，那些企图利用系统或其他漏洞进行金融犯罪的不法之徒将无处藏身：那么，人工智能对会计行业的发展又有那些意义呢？
二、人工智能时代下会计的发展变化
人工智能在会计、审计、税务等行业的广泛运用，使得传统、简单、重复性的基础会计工作岗位将面临被智能化取代，人工智能已成为促进会计行业转型发展的重要推手。近三年来，德勤、普华永道、安永、毕马威4大国际会计师事务所通过利用财务机器人进行会计、审计等工作，使得数据的准确性、工作效率、管理决策水平等明显提升，由此可见，人工智能早已潜移默化的影响到了会计工作的方方面面。
（一）会计工作效率提高了。人工智能技术与财务管理系统的对接，实现了系统自动识别票据、生成会计记账凭证、记录明细账户以及生成总账和各类报表。作业过程中系统按时间顺序记录每笔业务，对每一笔账务进行核实和验证。财务机器人还实现了信息的语音、扫描录入，财务软件可自动生成证、帐、表，这将更加高效准确地完成基础会计核算工作，提高此项工作的效率，会计人员因此节省了大量用于基础核算工作的时间，从而能将更多的精力投入在企业内部管理型的工作上，同时又提高了管理工作的效率。
（二）会计信息质量提高了。受自身能力、专业素质以及外部环境等因素的影响，会计信息数据的滞后性和人为失误在所难免。人工智能将会计模型和方法程序化，它既减少了人为失误又极大地提升了数据处理能力，工作重心逐渐转向数据的挖掘、分析等重要环节和高附加值工作中，同时，会计档案由纸质变成电子档案更便于信息系统的管理、流程化的管理和监控，避免了人工作业的失误以及造假的可能，数据信息和记录的真实性和精准度得到保证。
（三）会计职能重心转移了。人工智能虽然可以替人做一些简单、繁冗、重复性的基础会计工作，但并不能完全替代会计人员，随着人工智能与会计信息系统的不断结合，从事简单记账工作的初级会计人员将会越来越少，而中高级会计人员将会集中于行业中涉及分析、预测和统筹的领域。因而会计职能的重心将向预测、决策、规划、控制、评价等目前人工智能无法取代的管理会计的职能转移。
（四）会计人员从业压力加大了。随着人工智能被引入到会计行业中，一方面，简单的会计核算工作将被智能化财务软件逐步替代，普通核算类型工作的岗位势必减少，基层会计人员面临失业的压力：另一方面，由于财务软件能够高效完成基础财务工作，企业更需要财会人员发挥管理会计的职能，会计从业人员需要将工作重心转移到决策分析和经营管理上，使其有从财务会计到管理会计转型的压力。
三、认清挑战，抓住机遇
人工智能的发展与应用是社会经济发展过程中的必然产物，它的到来就像一把双刃剑，虽然可以对会计行业整体工作效率与工作方式带来提升，但是人工智是不能完全代替会计人员的工作的。比如，智能化的设备无法完全替代充满人情味的服务。李开复也指出，社交能力强、应变能力强、协商能力强的人，永远不会被人工智能取代。人类的感情，想象、创造等特质也是人工智能所无法企及的。所以，对于会计从业人员而言，人工智能只是一种行业对于自身的探索以及进步，顺应这种变化，会计人员应当认清挑战，抓住机遇。
一方面，会计从业人员应调整好心态，快速适应行业的变革，重新找回自己的价值。努力提升自己的专业分析能力和管理能力，成为人工智能代替不了的高级会计工作者。比如：财务战略制定，纳税筹划，风险控制，合理避税、财务分析等。同时，向复合型人才发展。正如任正非所说，称职的CFO应随时可以接任CEO。会计人员应当开阔眼界，放大格局，不能只着眼于本职工作，还应该了解工作其他岗位的工作内容，比如销售类、生产类等部门的业务，提高自己的企业价值以及行业地位，做一名复合型人才。
另一方面，人工智能技术在财会领域的突破离不开懂会计知识的专业人员的配合，财务人员要努力学习新技能，加强计算机、信息技术的知识储备，协助人工智能会计信息系统的研发，担当人工智能会计系统的设计者和监督者。
参考文献：
[1]闰钰.企业人工智能时代下对会计行业的思考[J].商场现代化.2018（1Z）
[2]杨秀琴.浅议人工智能时代财务会计与管理会计的融合发展趋势[J].现代商业.2018（18）
[3]李牧阳，沈舒航.AI运用给会计行业带来的问题和思考[J]，中国管理信息化.2019（42）
上一篇：形式与政策结课论文锦集五篇
下一篇：工商企业管理毕业论文(合集三篇)