1.5　人工智能发展趋势

2005—2016年是人工智能蓬勃发展的黄金十年。2006年，随着“深度神经网络”（深度学习）的提出，使得人工智能的性能获得了突破性进展。近年来，随着相关技术的逐步成熟，人工智能相关的应用也在加快落地。人工智能发展标志性事件如图1-11所示。

1.5.1　国内外研究趋势

在我国，人工智能已经上升为国家战略，并明确了阶段性发展目标。国务院《新一代人工智能规划》提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施。在大数据背景下，人工智能技术发展的引擎——数据，显得弥足珍贵。我国人口庞大，网络普及程度高，使得我们在大数据获取上具有巨大优势。我们在语音识别、计算机视觉、无人机、智能家居、智能搜索等关键技术领域，已经取得了丰硕的研究成果。

纵观国际社会，人工智能的发展主要有以下特点：

（1）科技巨头将成为人工智能研究的中坚力量。各大科技巨头，如亚马逊、谷歌、脸书和IBM，已经利用自身优势，抢先在AI领域布局。亚马逊已经投资人工智能20年以上，抓取了5B以上的网页数据，超过50万张JPEG图像和相应的JSON元数据，用以供给亚马逊运营中心的产品；同时，每天抓取世界广播、杂志和网络新闻的数据已超过2.5亿，每天抓取近100MB图像和视频具有音频和视觉功能并带有注释。谷歌具有全世界最大的数据库，谷歌Brain拥有超过1300名研究人员的团队，谷歌地球数据库的大小估计为3017TB或大约3PB，谷歌Street View有大约20PB的街景照片。脸书每日处理2.5B的内容和500TB以上的数据，每天产生20亿“赞”和3000万照片，每30min扫描大约105TB的数据，建有一个62000ft²（1ft²≈0.0929m²）的数据中心，可容纳500个机架。每天翻译超过40种语言的20亿用户帖子，每天有8000万用户使用这些翻译。IBM计划进行为期10年、价值2.4亿美元的投资来创建MIT-IBM沃森人工智能实验室，在全球拥有2000多名AI员工，沃森用户跨越六大洲和超过25个国家，IBM向沃森项目投资10亿美元，其中包括1亿美元的风险投资。可以看出，科技公司拥有的资源无论是数据还是计算能力或研究人员都远远超过大学或者研究机构，这将导致未来科技发展范式与目前大为不同，大学与公司的定位也将迅速调整。

（2）数据众包。人工智能的发展，缺少不了大量标注数据，数据众包是一种成本低、高效的获取标注数据的方式，将得到迅速发展。例如谷歌通过众包的方式，获得了大量的图片，并构建了成像算法。该公司还利用众包来帮助改善服务，例如翻译、转录、手写识别和地图应用。而亚马逊还利用众包的技术改善了Alexa的1.5万项现有技能。

（3）智能人机交互。简单和高效的智能人机交互，符合人类天性的沟通方式，将得到极大地发展。例如，Siri和Alexa大概是目前最受欢迎的人机交互工具；又如目前语音分析和面部识别可以根据声音来识别用户的情绪和身份识别。

（4）人工智能将深入渗透垂直领域。包括智能制造、客户服务、保健、法律、医疗保健和交通运输等领域，目前已经开始并将持续采用相关人工智能技术来提升本领域的处理效率。例如：

保险——AI将通过自动化改进索赔流程。

法律——NLP可以在几分钟内总结成千上万页法律文件，从而减少查阅时间和提高效率。

PR&media——AI将帮助快速处理数据。

教育——虚拟导师的发展；人工智能帮助打分数；制订适应性学习计划，游戏和软件；以AI为导向的个性化教育计划将改变学生和老师的互动。

健康——机器学习可用于创建更复杂、更准确的方法来在患者出现症状之前预测疾病。

正如工业革命在100年前几乎改变了一切一样，人工智能将在未来几年改变这个世界。

（5）安全、隐私及伦理道德风险将迅速增加。人工智能技术，诸如机器学习和大数据等问题，都很容易触及安全及隐私问题。与隐私问题有关的安全需求，如将银行账户和健康信息保密，将会对研究的安全性有更大的要求。人工智能的伦理问题也将成为人工智能的主要问题之一，需要解决的伦理和道德问题包括人工智能对人类有哪些好处和坏处。人们也对机器人取代人类的可能性感到担忧，例如护士、治疗师或警察，另一个需要处理的问题是自主武器。

1.5.2　产业发展趋势

《新一代人工智能发展规划》不仅对人工智能的基础硬件、算法框架等内容提出了要求，同时对软件、下游应用、生态，以及人才培养体系、相关配套政策等均提出了要求，有望推动人工智能快速发展并成为行业发展的基石。

1.5.2.1　智能基础设施

智能基础设施为人工智能产业提供计算能力支撑，其范围包括智能传感器、智能芯片、分布式计算框架等，是人工智能产业发展的重要保障。

（1）智能芯片。智能芯片从应用角度可以分为训练和推理两种类型。从部署场景来看，可以分为云端和设备端两步大类。训练过程由于涉及海量的数据和复杂的深度神经网络结构，需要庞大的计算规模，主要使用智能芯片集群来完成。与训练的计算量相比，推理的计算量较少，但仍然涉及大量的矩阵运算。目前，训练和推理通常都在云端实现，只有对实时性要求很高的才会交由设备端进行处理。按技术架构来看，智能芯片可以分为通用类芯片（CPU、GPU、FPGA）、基于FPGA的半定制化芯片、全定制化ASIC芯片、类脑计算芯片（IBM True North）。另外，主要的人工智能处理器还有DPU、BPU、NPU、EPU等适用于不同场景和功能的人工智能芯片。随着互联网用户量和数据规模的急剧膨胀，人工智能发展对计算性能的要求迫切增长，对CPU计算性能提升的需求超过了摩尔定律的增长速度。同时，受限于技术原因，传统处理器性能也无法按照摩尔定律继续增长，发展下一代智能芯片势在必行。未来的智能芯片主要朝着两个方向发展：一是模仿人类大脑结构的芯片，二是量子芯片。智能芯片是人工智能时代的战略制高点，预计到2020年人工智能芯片全球市场规模将突破百亿美元。

（2）智能传感器。智能传感器是具有信息处理功能的传感器。智能传感器带有微处理机，具备采集、处理、交换信息等功能，是传感器集成化与微处理机相结合的产物。智能传感器属于人工智能的神经末梢，用于全面感知外界环境。各类传感器的大规模部署和应用为实现人工智能创造了不可或缺的条件。不同应用场景，如智能安防、智能家居、智能医疗等对传感器应用提出了不同的要求。未来，随着人工智能应用领域的不断拓展，市场对传感器的需求将不断增多，2020年市场规模有望突破4600亿美元。未来，高敏度、高精度、高可靠性、微型化、集成化将成为智能传感器发展的重要趋势。

（3）分布式计算框架。面对海量的数据处理、复杂的知识推理，常规的单机计算模式已经不能支撑。所以，计算模式必须将巨大的计算任务分成小的单机可以承受的计算任务，即云计算、边缘计算、大数据技术提供了基础的计算框架。目前流行的分布式计算框架如OpenStack、Hadoop、Storm、Spark、Samza、Big flow等。各种开源深度学习框架也层出不穷，其中包括Tensor Flow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4、Lasagne、Neon等。

1.5.2.2　数据智能处理

信息数据是人工智能创造价值的关键要素之一。我国庞大的人口和产业基数带来了数据方面的天生优势。随着算法、算力技术水平的提升，围绕数据的采集、分析、处理产生了众多的企业。目前，在人工智能数据采集、分析、处理方面的企业主要有两种：一种是数据集提供商，以提供数据为自身主要业务，为需求方提供机器学习等技术所需要的不同领域的数据集；另一种是数据采集、分析、处理综合性厂商，自身拥有获取数据的途径，并对采集到的数据进行分析处理，最终将处理后的结果提供给需求方进行使用。对于一些大型企业，企业本身也是数据分析处理结果的需求方。

1.5.2.3　智能技术服务

智能技术服务主要关注如何构建人工智能的技术平台，并对外提供人工智能相关的服务。此类厂商在人工智能产业链中处于关键位置，依托基础设施和大量的数据，为各类人工智能的应用提供关键性的技术平台、解决方案和服务。图1-12为亚马逊人工智能平台服务。

目前，从提供服务的类型来看，提供技术服务的厂商包括以下几类：

（1）提供人工智能的技术平台和算法模型。主要针对用户或者行业需求，提供人工智能技术平台以及算法模型。用户可以在人工智能平台上通过一系列的算法模型来进行人工智能的应用开发。此类厂商主要关注人工智能的通用计算框架、算法模型、通用技术等关键领域。

（2）提供人工智能的整体解决方案。主要针对用户或者行业需求，设计和提供包括软、硬件一体的行业人工智能解决方案，整体方案中集成多种人工智能算法模型以及软、硬件环境，帮助用户或行业解决特定的问题。此类厂商重点关注人工智能在特定领域或者特定行业的应用。

（3）提供人工智能在线服务。一般为传统的云服务提供厂商，主要依托其已有的云计算和大数据应用的用户资源，聚集用户的需求和行业属性，为客户提供多类型的人工智能服务。从各类模型算法和计算框架的API等特定应用平台到特定行业的整体解决方案等，进一步吸引大量的用户使用，从而完善其提供的人工智能服务。此类厂商主要提供相对通用的人工智能服务，同时也会关注一些重点行业和领域。

需要指出的是，上述3类角色并不是严格区分开的，很多情况下会出现重叠，随着技术的发展成熟，在人工智能产业链中已有大量的厂商同时具备上述2类或者3类角色的特征。

1.5.2.4　行业智能化趋势明显

随着制造强国、网络强国、数字中国建设进程的加快，在制造、家居、金融、教育、交通、安防、医疗、物流等领域对人工智能技术和产品的需求将进一步释放，相关智能产品的种类和形态也将越来越丰富。人工智能与行业领域的深度融合将改变甚至重新塑造传统行业。

（1）智能制造。智能制造是基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。智能制造对人工智能的需求主要表现在3个方面：一是智能装备，包括自动识别设备、人机交互系统、工业机器人以及数控机床等具体设备，涉及跨媒体分析推理、自然语言处理、虚拟现实智能建模及自主无人系统等关键技术。二是智能工厂，包括智能设计、智能生产、智能管理以及集成优化等具体内容，涉及跨媒体分析推理、大数据智能、机器学习等关键技术。三是智能服务，包括大规模个性化定制、远程运维以及预测性维护等具体服务模式，涉及跨媒体分析推理、自然语言处理、大数据智能、高级机器学习等关键技术。例如，现有涉及智能装备故障问题的纸质化文件，可通过自然语言处理，形成数字化资料，再通过非结构化数据向结构化数据的转换，形成深度学习所需的训练数据，从而构建设备故障分析的神经网络，为下一步故障诊断、优化参数设置提供决策依据。

（2）智能家居。智能家居是智慧家庭八大应用场景之一，受产业环境、价格、消费者认可度等因素影响，我国智能家居行业经历了漫长的探索期。2010年，随着物联网技术的发展以及智慧城市概念的出现，智能家居概念逐步有了清晰的定义并随之涌现出各类产品，软件系统也经历了若干轮升级。智能家居以住宅为平台，基于物联网技术，由硬件（智能家电、智能硬件、安防控制设备、家具等）、软件系统、云计算平台构成的家居生态圈，实现人远程控制设备、设备间互联互通、设备自我学习等功能，并通过收集、分析用户行为数据为用户提供个性化生活服务，使家居生活安全、节能、便捷等。例如，借助智能语音技术，用户应用自然语言实现对家居系统各设备的操控，如开关窗帘（窗户）、操控家用电器和照明系统、打扫卫生等操作；借助机器学习技术，智能电视可以从用户看电视的历史数据中分析其兴趣和爱好，并将相关的节目推荐给用户；通过应用声纹识别、脸部识别、指纹识别等技术进行开锁等；通过大数据技术可以使智能家电实现对自身状态及环境的自我感知，具有故障诊断能力；通过收集产品运行数据，发现产品异常，主动提供服务，降低故障率；还可以通过大数据分析、远程监控和诊断，快速发现问题、解决问题及提高效率。

（3）智能金融。人工智能的飞速发展将对身处服务价值链高端的金融业带来深刻影响，人工智能逐步成为决定金融业沟通客户、发现客户金融需求的重要因素。人工智能技术在金融业中可以用于服务客户，支持授信、各类金融交易和金融分析中的决策，并用于风险防控和监督，将大幅改变金融现有格局，金融服务将会更加的个性化与智能化。智能金融对于金融机构的业务部门来说，可以帮助获客，精准服务客户，提高效率；对于金融机构的风控部门来说，可以提高风险控制，增加安全性；对于用户来说，可以实现资产优化配置，体验到金融机构更加完美地服务。人工智能在金融领域的应用主要包括：依托大数据，对金融用户进行画像，通过需求响应模型，极大地提升获客效率；以人工智能为内核，通过人脸识别、声纹识别、指静脉识别等生物识别手段，再加上各类票据、身份证、银行卡等证件票据的OCR识别等技术手段，对用户身份进行验证，大幅降低核验成本，有助于提高安全性；通过大数据、算力、算法的结合，搭建反欺诈、信用风险等模型，多维度控制金融机构的信用风险和操作风险，同时避免资产损失；基于自然语言处理能力和语音识别能力，拓展客服领域的深度和广度，大幅降低服务成本，提升服务体验；依托云计算能力的金融科技，为金融机构提供更安全高效的全套金融解决方案等。

（4）智能交通。智能交通系统（ITS）是通信、信息和控制技术在交通系统中集成应用的产物。ITS借助现代科技手段和设备，将各核心交通元素联通，实现信息互通与共享以及各交通元素的彼此协调、优化配置和高效使用，形成人、车和交通的一个高效协同环境，建立安全、高效、便捷和低碳的交通。例如通过交通信息采集系统采集道路中的车辆流量、行车速度等信息，信息分析处理系统处理后形成实时路况，决策系统据此调整道路红绿灯时长，调整可变车道或车道的通行方向等，通过信息发布系统将路况推送到导航软件和广播中，让人们合理规划行驶路线。通过不停车收费系统（ETC），实现对通过ETC入口站的车辆身份及信息自动采集、处理、收费和放行，有效提高通行能力、简化收费管理、降低环境污染。ITS应用最广泛的地区是日本，其次是美国、欧洲等地区。中国的智能交通系统近几年也发展迅速，在北京、上海、广州、杭州等大城市已经建设了先进的智能交通系统；其中，北京建立了道路交通控制、公共交通指挥与调度、高速公路管理和紧急事件管理等四大ITS系统；广州建立了交通信息共用主平台、物流信息平台和静态交通管理系统等三大ITS系统。

（5）智能安防。智能安防技术是一种利用人工智能对视频、图像进行存储和分析，从中识别安全隐患并对其进行处理的技术。智能安防与传统安防的最大区别在于智能化，传统安防对人的依赖性比较强，非常耗费人力，而智能安防能够通过机器实现智能判断，从而尽可能实现实时的安全防范和处理。当前，高清视频、智能分析等技术的发展，使得安防从传统的被动防御向主动判断和预警发展，行业也从单一的安全领域向多行业应用发展，进而提升生产效率并提高生活智能化程度，为更多的行业和人群提供可视化及智能化方案。智能安防目前涵盖众多的领域，如街道社区、道路、楼宇建筑、机动车辆的监控，移动物体监测等。今后智能安防还要解决海量视频数据分析、存储控制及传输问题，将智能视频分析技术、云计算及云存储技术结合起来，构建智慧城市下的安防体系。

（6）智能医疗。人工智能的快速发展，为医疗健康领域向更高的智能化方向发展提供了非常有利的技术条件。近几年，智能医疗在辅助诊疗、疾病预测、医疗影像辅助诊断、药物开发等方面发挥重要作用。在辅助诊疗方面，通过人工智能技术可以有效提高医护人员工作效率，提升一线全科医生的诊断治疗水平。如利用智能语音技术可以实现电子病历的智能语音录入；利用智能影像识别技术，可以实现医学图像自动读片；利用智能技术和大数据平台，构建辅助诊疗系统。在疾病预测方面，人工智能借助大数据技术可以进行疫情监测，及时有效地预测并防止疫情的进一步扩散和发展。以流感为例，很多国家都有规定，当医生发现新型流感病例时需告知疾病控制与预防中心。但由于人们可能患病不及时就医，同时信息传达回疾控中心也需要时间，因此，通告新流感病例时往往会有一定的延迟，人工智能通过疫情监测能够有效缩短响应时间。在医疗影像辅助诊断方面，影像判读系统的发展是人工智能技术的产物。早期的影像判读系统主要靠人手工编写判定规则，存在耗时长、临床应用难度大等问题，从而未能得到广泛推广。影像组学是通过医学影像对特征进行提取和分析，为患者预前和预后的诊断和治疗提供评估方法和精准诊疗决策。这在很大程度上简化了人工智能技术的应用流程，节约了人力成本。

（7）智能物流。传统物流企业在利用条形码、射频识别技术、传感器、全球定位系统等方面优化改善运输、仓储、配送装卸等物流业基本活动，同时也在尝试使用智能搜索、推理规划、计算机视觉以及智能机器人等技术，实现货物运输过程的自动化运作和高效率优化管理，提高物流效率。例如，在仓储环节，利用大数据分析大量历史库存数据，建立相关预测模型，实现物流库存商品的动态调整。大数据智能也可以支撑商品配送规划，进而实现物流供给与需求匹配、物流资源优化与配置等。在货物搬运环节，加载计算机视觉、动态路径规划等技术的智能搬运机器人（如搬运机器人、货架穿梭车、分拣机器人等）得到广泛应用，大大减少了订单出库时间，使物流仓库的存储密度、搬运的速度、拣选的精度均有大幅度提升。