人工智能发展及应用(共23页).docx

《人工智能发展及应用(共23页).docx》由会员分享，可在线阅读，更多相关《人工智能发展及应用(共23页).docx（23页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上人工智能发展及应用1 人工智能发展的重要性1.1 人工智能的起源与发展史人工智能(Artificial Intelligence，AI)，是研究用于模拟和扩展人的智能的理论方法及应用系统的科学，是对人的意识和思维过程进行模拟的科学。 对人的思维模拟可以从两条路径进行，一是结构模拟，仿照人脑结构机制，制造出 “类人脑”机器;二是功能模拟，撇开人脑内部结构，从其功能过程进行模拟。现代计算机便是对人脑思维功能的模拟，是对人脑思维过程的模拟。 人工智能研究员佩德罗多明戈斯根据人工智能研究人员采取的方式，将他们分为五大流派根据抽象符号进行逻辑推理的“符号派”;受人脑启发搭建结构

2、的“联结派”;受达尔文进化论启发的“进化派”;采用概率推理的“贝叶斯派”以及根据以前出现的类似情况进行推理的“类推派”。虽然人工智能的界限并不确定并且随旪间推移发生变化，但这并非问题的重点，重点在于人工智能的研究和应用始织围绕自动化或者复制智能行为。 图 1人工智能的演化历史1.2 人工智能的重要性从我们手机中的个人助理，到越来越多的商业互动背后的分析、定制和网络保护，人工智能几乎涉及我们生活的各个方面。有分析表示，随着人工智能的加速发展和普及，到2030年人工智能将给全球GDP带来14的额外增长，相当于增加了15.7万亿美元。AI对经济的影响主要有以下几个方面：（1）企业自动化进程（包括机器

3、人和自动驾驶汽车的使用）带来的生产力的提升。（2）企业通过人工智能技术（辅助和增强智能）增强现有劳动力，从而提高生产效率。（3）由于提供个性化和更高质量的AI增强产品及服务而导致的消费者需求的增加。在过去的十年里，我们工作和生活中几乎所有的方面从零售、制造业到医疗保健都变得越来越数字化。移动互联网技术推动了第一波数字浪潮，即人与人之间的移动互联。然而，有人工智能专家分析预计，物联网所产生的数据将超过人与人之间移动互联所产生的数据。大量增加的数据已经促进了标准化的产生，同时也必将导致自动化、个性化的产品和服务，这将为下一波数字化的浪潮奠定基础。人工智能将利用人和事物所产生的数据，使用我们以前从未

4、想过的新方法来自动化地帮助我们。在短期内，人工智能最大的潜在经济增长可能来自于生产力的提升。这包括日常任务的自动化，从而使员工能够专注于更高附加值的工作。人工智能可能会给制造业和运输业等资本密集型行业带来最大生产力的增长，因为他们的许多运营流程都非常容易受到自动化的影响。对生产力的影响可能具有加大的竞争性和变革性不能适应和采用人工智能自动化技术的企业可能很快就会在周转时间和成本方面被赶超。因此，他们将失去大量的市场份额。 最终，产品增强带来的GDP增长以及人工智能产生的消费需求、行为和消费的后续变化将超过生产率的提高，可能在2030年实现9万亿美元的额外GDP增长。消费者将被更高质量和更个性化

5、产品和服务吸引，同时商家也有机会更好地利用他们的时间如果人们不再需要开车去工作，可以做些什么。反过来，增加的消费创造了更多的数据，从而产生良性循环，随着人工智能的发展，一步步产生更多的数据，更好的见解，更好的产品和更多的消费。2 人工智能的关键核心技术数据量、运算力和算法模型是影响人工智能行业发展的三大要素。图 2 人工智能的三大技术基石（2000年之后，数据量的上涨、计算力的提升和深度学习算法的出现极大的促进了人工智能行业的发展。 2.1 数据是人工智能的基础移动互联网、物联网等技术的发展让我们拥有了以往难以想象的海量数据， 尤其是在某一细分领域更深度的、逻辑化的数据，而这些都是训练某一领域

6、“智能”的前提。从软件时代到互联网，再到如今的大数据时代，数据的量和复杂性都经历了从量到质的改变。图 3 大数据的五大特征在线数据量大增长速度快价值密度低类型繁多互联网、物联网为智能化进程提供深厚的数据基础。据We Are Social公司统计，独立移动设备用户渗透率于2014年9月超过了总人口的50%；活跃互联网用户在2014年11月突破了30亿人；接入互联网的活跃移动设备于2014年12月超过了36亿台。据德勤统计，2015年全球有10亿部物联网设备出货，比 2014 年增加六成，全球的物联网 设备总量高达28亿部。在此背景下，全球数据总量在快速膨胀。根据 IDC 监测，全球在2010 年

7、正式进入 ZB 时代，总数据量大约每两年翻一番，这意味着人类在最 近两年产生的数据量相当于之前产生的全部数据量，预计到 2020 年，全球将总共拥有 35ZB 的数据量。而根据 HIS 的估计，2015年全球产生的数据总量已达到十年前的20多倍。如此海量的数据给机器学习带来了充足的训练素材，打造了坚实的数据基础。2.2 芯片的快速发展带动计算力的提升GPU 和云计算的兴起，为人工智能带来了质的飞跃。其中 GPU 等芯片性能的快速提升，为人工智能的快速发展提供了可能性。与此同时，分布式计算(云计算)的兴起，大大降低了计算的时间、硬件成本，也为人工智能的快速发展提供了契机。表 1 目前深度学习领域

8、常用的四大芯片类型训练端推理端GPU：以英伟达为主，AMD为辅标榜通用性，多维计算及大规模并行计算架构契合深度学习的需要。在深度学习上有训练端（主要用在云计算数据中心里），GPU是当仁不让的第一选择。GPU：英伟达Volta GPU也开始布局推理端，深度学习下雨推理端虽可容纳CPU/FPGA/asic等芯片，但竞争态势下英伟达依然主导ASIC：以谷歌的TPU、英特尔的Nervana Engine为代表，真对特定框架进行深度优化定制，但开发周期比较长。通用性较低。ASIC：下游推理端更接近终端应用，需求也更佳细分，英伟达等DLA，寒武纪的NPU等逐步面试，将依靠特定优化和效能优势，未来在深度学习

9、领域分一杯羹。CPU：通用型强，但难以适应于人工智能时代大数据并行计算工作。FPGA：依靠可编程性及电路等通用性，适用于开发周期较短的IoT产品、传感器数据预处理工作以及小型开发试错升级迭代阶段等，单较成熟的量产设备多采用ASIC。表 2 目前深度学习领域常用的四大芯片类型及主要芯片商类别GPUASICASIC：TPUCPUFPGA特点1.可多达上千个简单核心，上千个并行硬件线程； 2.并行运算能力、浮点运算能力强大；3.最大化浮点运算数据吞吐量1.需求确定后可进行专门优化设计；2.优秀的功耗控制3.性能稳定，可靠性高1.与TensorFiow深度结合更接近DSA；2.已能同时用于高性能计算和

10、浮点计算；3.结合谷歌云提供云计算服务1.通用性强；2.核心复杂程度高；3.串行运算能力强，单线程性能优化4.晶体管空间用于复杂并行性指令1.电路级别的通用性；2.可编程性；3.适用于开发周期较短的IOT产品、传感器数据预处理工作以及小型开发试错迭代阶段主要厂商英伟达、ADM、Imagination等英特尔、德州仪器、三星、高通等谷歌英特尔、ADM、高通等Xilinx、Altera（已被英特尔收购）、Lattice、Microsemi目前国内专注于人工智能芯片开发的企业有限，且总体技术水平与发达国家存在较大的差距，高端芯片严重依赖国外进口。中国是人工智能芯片制造的后起之秀，目前已推出中科院“寒

11、武纪”、中星微“星光智能一号”等多款人工智能芯片，华 为也表示将在年内推出人工智能芯片产品。国产人工智能芯片的崛起不仅带来计算能力的提升，同样也可以起到降低成本的作用。 表 3 国内人工智能芯片公司芯片简介寒武纪寒武纪 1A 处理器具有完全的自主知识产权，在实测中达到了传统4核通CPU25倍以上性能和50倍以上的能效。集成寒武纪1A处理器的世界首款人工智能手机芯片华为麒麟970于2017年10月正式发布，并应用于华为Mate 10手机。中星微星光智能一号全球首颗具备深度学习人工智能的嵌入式视频采集压缩编码系统级芯片，运用 在人脸识别上，最高能达到 98%的准确率，超过人眼的识别率。启英泰伦CI

12、1006基于 ASIC 架构的人工智能语音识别芯片，包含了脑神经网络处理硬件单元， 能够完美支持 DNN 运算架构，进行高性能的数据并行计算，可极大的提高人工 智能深度学习语音技术对大量数据的处理效率。地平线“征程”1.0处理器、“旭日”1.0 处理器“征程”1.0 处理器面向智能驾驶，具备同时对行人、机动车、非机动车、车道线、交通标志 牌、红绿灯等多类目标进行精准实时检测与识别的处理能力。“旭日”1.0 处理器面向智能摄像头，“旭日”1.0 处理器则通过深度学习算法，支持在前端实现大规模人脸检测跟踪、视频结构化，可应用于智能城市、智能商业等场景。其优势在于高性能(实时处理 1080P30 帧

13、，并对每帧中的 200 个目标进行检测、跟踪、识别)、低功耗(典型功耗在 1.5W)和低延迟(延迟小于 30 毫秒)。比特大陆SOPHON BM1680 (算丰)可以用于深度学习的训练和推断两方面，侧重于推断。2.3 应用层技术1) 语音识别语音识别的目标是用机器自动将人类的语音内容转换为相应的文字。语音识别包含语音模型和语言模型两个主要部分。声学模型是对发声的建模，它能够把语音输入转换成声学表示的输出，给出语音片段对应于某个声学符号的概率。语言模型的作用是在声学模型给出发音序列之后，从候选的文字序列中找出概率最大的字符串序列。在语音识别领域，我国的科大讯飞公司处于世界顶尖水平，在2016年G

14、oogle承办的国际多通道语音分离和识别大赛（CHiME）中包揽全部项目的最好成绩。2) 语音合成语音合成的目标是通过机器产生人类语音。语音合成主要包含前端和后端两个模块。前端模块主要是对输入文本进行分析，提取后端模块所需要的语言学信息。比如将文本中的数字和缩写转换成对应的完整词，给每个词标音，将文本分解成短语、短句等韵律结构。后端模块根据前端分析的结果，通过参数建模生成语音波形，或者通过单元数据库选择波形进行拼接。在语音合成领域，我国的科大讯飞公司处于世界顶尖水平，在语音合成领域最权威的暴风雪竞赛中连续12次获得世界第一。3) 自然语言处理自然语言处理（NLP）是研究人与计算机之间用自然语言

15、进行有效通信的各种理论和方法。主要包括：1.句法语义分析、2.信息抽取、3.文本挖掘、4.机器翻译、5.信息检索、6.问答系统、7.对话系统等。随着深度学习的不断发展，人们对深度学习在NLP中的应用寄予厚望。在自然语言处理领域，美国处于世界最顶尖水平。其中斯坦福大学计算机系的Chris Manning教授连续多年排在全球AI学者排行榜该领域第一名。4) 计算机视觉计算机视觉是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息。计算机视觉包含画面重建，事件监测，目标跟踪，目标识别，机器学习，索引创

16、建，图像恢复等分支。在计算机视觉领域，美国处于世界最顶尖水平。在人脸识别领域，我国涌现出了商汤科技、云从科技、依图科技、旷视科技等优秀企业。3 人工智能发展现状3.1 人工智能研发现状1) 人工智能技术发展阶段图4 人工智能发展历程推理期。20世纪50年代70年代初，人们赋予机器基本的判断、决策和推理能力。在这个期间，人工智能学科在1956年达特茅斯会议上建立。知识期。20世纪70年代人工智能进入知识期。人们总结专家的知识，将这些知识提炼赋予机器，产生了大量的专家系统。但专家系统知识有限，设计过程耗时耗力，知识无穷无尽，很多知识难以总结给计算机。而且这种专家系统只能用于解决某个特定的领域的问题

17、，当扩展到更复杂更宽泛的问题时，性能不理想。机器学习期。20世纪80年代，研究学术萌生了赋予计算机知识学习能力的想法，机器学习得以不断发展。随后人类还提出了第5代计算机人工智能计算机的发展构想，但以失败告终，人工智能产业再次进入低谷。直到2006年后，伴随着深度学习技术的关键性突破Hinton在Nature上发表了一篇关于深度学习的文章，人类利用深度学习技术，在语言识别、计算机视觉等领域取得重大进展，人工智能产业进入井喷式发展期。2016年围棋AI选手AlphaGo战胜人类顶尖选手李世石和2017年战胜该领域世界第一选手柯洁，将人工智能产业推向新的高潮。2) 人工智能技术发展现状随着深度学习技

18、术的火热，人工智能开始成为投资热门，国内各大高校也开始相继开设人工智能专业，各大互联网公司逐渐加快在人工智能领域的布局。目前人工智能仍处于低智能阶段，通过深度学习训练的AI系统，也只能在特定场景下解决某一领域特定的问题，离真正的智能仍有很大差距。3.2 人工智能政策现状人工智能是引领未来的战略性技术，世界主要发达国家把发展人工智能都作为提升其国家竞争力、维护国家安全的重大战略，加紧出台规划和政策，围绕核心技术、顶尖人才、标准规范等强化部署，力图在新一轮国际科技竞争中掌握主导权，从而引领世界，引领潮流。1) 美国美国在人工智能发展方面具有明显的优势，从政府到企业对人工智能带来的变革都极为重视，科

19、研机构对人工智能重视程度也在不断加强，相关创新型产品迭代迅速。战略层面高度重视，成立国家专家委员会机构 2015年以来，美国白宫科技政策办公室连续发布的为人工智能的未来做好准备、国家人工智能研究和发展战略计划和人工智能、自动化与经济报告3份重量级报告。2016年5月，美国白宫推动成立了机器学习与人工智能分委会（MLAI），专门负责跨部门协调人工智能的研究与发展工作，并就人工智能相关问题提出技术和政策建议，同时监督各行业、研究机构以及政府的人工智能技术研发。资本与政策共同发力，挖掘最具潜力的创业企业美国硅谷是当今人工智能发展的重点区域。聚集了从人工智能芯片到下游应用产品的全产业链企业。在人工智能

20、融资规模上，美国在全球占主导地位，比重在60%以上。美国的科技巨头们早已展开一系列收购暗战，例如近5年来，Google成为人工智能领域最活跃的收购者，相继收购了DNNresearch、DeepMind和Nest。巨头企业形成集团式发展，共建人工智能生态圈以谷歌、微软、亚马逊、Facebook、IBM五大巨头为代表，自发形成人工智能伙伴关系，通过合作的方式推进人工智能的研究和推广。这种新型的巨头集团式发展模式，成为人工智能时代的亮点，能保证技术方案的效益最大化。在未来，还会有更多企业和机构加入其中。用户组织、非营利组织、伦理学家和其他利益相关者也都会围绕生态圈进行更大范围的研究和开发。推动软硬件

21、系统协同演进，全面开发人机协作智能系统美国更加关注长期投资在具有潜在能力的高风险高回报项目，以此补充社会和企业短期内不愿涉足的领域。在软件方面，提升人工智能系统的数据挖掘能力、感知能力并探索其局限性，同时推动系统革新，包括可扩展、类人的、通用的人工智能系统的研发。在硬件方面，优化针对人工智能算法和软件系统硬件处理能力，并改进硬件体系架构，同时，推动开发更强大和更可靠的智能机器人。2) 德国德国政府在工业机器人发展的初级阶段发挥着重要作用，其后，产业需求引领工业机器人向智能化、轻量化、灵活化和高能效化方向发展。20世纪70年代中后期，德国政府在推行“改善劳动条件计划”中，强制规定部分有危险、有毒

22、、有害的工作岗位必须以机器人来代替人工，为机器人的应用开启了初始市场。2012年，德国推行了以“智能工厂”为重心的“工业4.0计划”，工业机器人推动生产制造向灵活化和个性化方向转型。以服务机器人为重点，加快智能机器人的开发和应用德国联邦教研部在“信息和通讯技术2020为创新而科研”研究计划中安排有服务机器人的项目。联邦经济部的“工业4.0的自动化计划”的15个项目中涉及机器人项目的有6个。德国科学基金会通过计划和项目资助大学开展机器人基础理论研究，如神经信息学、人机交互通信模式、机器人自主学习和行为决策模式等。推动“自动与互联汽车”国家战略，引领汽车产业革命2015年9月联邦政府内阁通过了联邦

23、交通部提交的“自动与互联汽车”国家战略。德国顶尖大学和研究机构对传感器、车载智能系统、连通性、数字基础和验证测试进行的广泛研发使德国在技术领域又一次走在前沿。德国以设备制造商和大学的紧密科研合作为特点，通过公共补贴项目，支持更高水平的自动驾驶大规模研发。柏林汇聚一半以上的人工智能企业，成为绝对发展中心柏林作为德国的首都以及科技类创业基地，囊括了将近百分之54的人工智能企业，远超慕尼黑，汉堡以及法兰克福等城市。德国“脑科学”战略重点是机器人和数字化。2012年德国马普脑科学研究所和美国开展计算神经科学合作研究，并于以色列、法国开展多边合作。3) 英国英国人工智能注重实效性，强调“综合施治、合力发

24、展”。在产学研的转换周期上，更加快速落地。在政策资金支持上，英国政府拟斥资约2亿英镑，建立新的“技术学院”，针对雇主需求提供高技能水平的人工智能培训。科学人才供给充足，英国具备领先的发展优势人工智能最早的概念，就是由英国著名科学家阿兰图灵提出，英国拥有牛津大学、剑桥大学、英国帝国理工学院以及伦敦大学学院、爱丁堡大学为代表的高等学府以及以阿兰图灵研究所为代表的众多智能研究机构，其创新型成果不断在全球范围内得到推广应用。人工智能的研发生态优良，研究人员、企业主、投资人、开发商、客户以及创新网络平台等，共同构成了一个丰富完善、良性循环的人工智能生态系统。创新企业活力十足，高新技术产业转化率高过去几年

25、，英国也诞生了大量优秀的人工智能初创企业，例如享誉全球的AlphaGo的研发公司DeepMind，就是来自伦敦大学的初创公司。同时，2013年，亚马逊用2600万美元收购英国语音识别创业公司True Knowledge。2014年，Goolge收购了Dark Blue Labs,Vision Factory两家深度学习相关的公司。英国存在大量的科技孵化机构，助力早期的人工智能初创企业，或者提供退出途径，以此形成产业链良性发展。牛津的Isis Innovations和剑桥的Cambridge Enterprise就是有名的技术转让公司，通过帮助大学里的创新技术商业化，确保学校或者个人获得回报。4

26、) 法国2017年3月，法国经济部与教研部发布人工智能战略，旨在把人工智能纳入原有创新战略与举措中，谋划未来发展。引导人工智能前沿技术研发，培育后备力量如发起长期资助计划、人工智能+X(相关领域)合作计划、建设大型科研基础设施、新建法国人工智能中心、设立领军人才计划、普及人工智能知识等。促进人工智能技术向其他经济领域转化，充分创造经济价值如设立技术转化项目与奖金、设立人工智能公共服务项目、建设云数据共享平台及数据和软件等资源集成与展示平台、设立投资基金和人工智能基金会、推动人工智能在智能汽车及金融投资等领域应用、扶持人工智能在安全及监测异常行为等冷门研究方向的新创企业、共同起草人工智能研发路线

27、图等。结合经济、社会与国家安全问题考虑人工智能发展如开发自主集成软件平台、数据存储与处理平台、自动学习技术平台、网络安全平台等，预见人工智能对社会尤其是就业的影响，评估人工智能对现有工作任务的替代性等。5) 中国2017年7月20日，国家突然宣布：举全国之力，在2030年一定要抢占人工智能全球制高点！国务院印发新一代人工智能发展规划，其中提到，新一代人工智能发展分三步走的战略目标，到2030年使中国人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心，这是中国首个面向2030年的人工智能发展规划，随着人工智能上升到国家战略，顶层设计框架搭建完成，产业发展有望持续提速，带来

28、投资新机遇。国家人工智能战略三步走目标第一步，到2020年人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点，人工智能技术应用成为改善民生的新途径，有力支撑进入创新型国家行列和实现全面建成小康社会的奋斗目标。第二步，到2025年人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平，实现人工智能核心产业规模达4000亿，带动相关产业规模超5万亿。第三步，到2030年，我们的人工智能务必要占据全球人工智能制高点。我国的人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心，其智能经济、智能社会取得明显成效，从而为跻身创新型国家前列和经济强国奠定

29、重要基础，实现人工智能核心产业规模达1万亿，带动相关产业规模超10万亿。6) 日本日本政府和企业界高度重视人工智能的发展，不仅将物联网（IoT）、人工智能（AI）和机器人作为第四次产业革命的核心，还在国家层面建立了相对完整的研发促进机制，并将2017年确定为人工智能元年。希望通过大力发展人工智能，保持并扩大其在汽车、机器人等领域的技术优势，逐步解决人口老化、劳动力短缺、医疗及养老等社会问题，扎实推进超智能社会5.0建设。第一阶段（-2020年），确立无人工厂和无人农场技术，普及新药研制的人工智能支持，实现生产设备故障的人工智能预测。第二阶段（2020-2030），达到人与物输送及配送的完全自动

30、化，机器人的多功能化及相互协作，实现个性化的新药研制，以及家庭与家电人工智能的完全控制。第三阶段（2030-），使护理机器人成为家族的一员，实现出行自动化及无人驾驶的普及（人为原因交通事故死亡率降为零），能够进行潜意识的智能分析并实现本能欲望的可视化。4 人工智能市场分析4.1 人工智能国内市场分析自2012年起，中国致力发展人工智能产业和其应用，配合落实的多个国家级高新技术开发区营造了良好的科研科创企业大环境。北京、上海、深圳和杭州等成为了国内人工智能发展的第一线城市，其中以位于北京的人工智能企业数量最多，截至2018年上半年已经多达395家，而全国则总共有人工智能企业1011家，继美国后位

31、列世界第二。今年7月，清华大学中国科技政策研究中心发布了中国人工智能发展报告2018，报告中指出中国2017年人工智能市场规模已达237亿元，同比增长67%。加上近年来国内学术发展昌盛，中国在人工智能领域论文的全球占比在去年2017年已达至27.68%，总量超越美国成为世界第一，可见近年中国市场人工智能技术已经快速掘起。在人工智能发展的同时，也引起了人们反思人工智能科技发展对国家安全的影响。人工智能目前全球范围并没有相关的法律条例规范界定人工智能行为的合理范围，同时各国政府亦需要签署共同协议来保障人民的权益在人工智能科技下免受侵害。伴随大数据、云计算和区块链的发展，日后人工智能的应用将有赖于海

32、量的云端数据资源，网酪安全和个人隐私将会成为社会头号关注的议题。行业发展：当下我国龙头企业如阿里巴巴、腾讯、百度在人工智能专利和论文开发均落后于国外企业IBM、Google、Samsung、Microsoft等。目前我国只有中国国家电网公司的企业论文产出排在全球20位，并在全球企业排名第四。我国人工智能企业在专利申请上落后于国内大学和研究院，数量只占国内市场48%，而同期高校占52%。企业比起国内大学及研究院拥有更好的研究资本和经济实力，却在人工智能科技和技术开发上无法超越此类高等学府，企业在市场上无法开发出可引导市场发展的前瞻性产品，这也致使中国人工智能市场长久处于被动和落后的处境。然而于人

33、才培养方面，去年为止中国有人工智能人才达18232人，但其中按照H因子衡量所得人才数却只有977人，位世界第六，证明我国学术人才培养系统亦有待改进。此外，除了研究成果缺乏原创性和突破性，我国还缺乏核心的技术研究成果算式和晶片。目前我国人工智能企业技术以语音（占34.9%）、视觉(占24.8%) 和自然语言处理 (占21%) 方面为主，开发基础硬件、晶片技术和算法的占比却少于20%。而世界技术研究方向集中在语音识别、图像识别、机器人和机器学习等方面，对比国内相对的研究方向显得更为进取有效。人才分布方面，我国的人工智能技术人才主要集中在东部和中部，西部城市资源相对柜乏，新企业因人才投入量少难以发展

34、。市场应用：现在国内市面上的人工智能主要应用为搭载智能语音系统的智能音箱，预计短期未来医疗保健、智慧城市和无人驾驶也将六续登六市场，这些将作为中国政府的人工智能四大重点发展领域。而智能音箱是一款搭载人工智能语音助手，连接到家庭智能家具的对话式声控音箱。由于国外龙头企业产品Amazon Encho, Google Home和Apple Homepod并不支持中文语系的文字和语音，因此小米、阿里巴巴和百度占据了国内的市场份额。小米、阿里巴巴和百度都纷纷以薄利多销作为销售策略，低廉的品牌价格严重打压了国内新创企业的掘起，使得科技创业风气一直难在国内盛行，阻碍了国内新生科技产业的发展。一些市场常见的人

35、工智能技术如下：自然语言处理意在实现人与计算机之间使用自然语言进行钩通，研究领域可以分为机器翻译、问答系统和语义理解等。机器翻译便是使用人工智能把一种语言翻译成另一种语言，通过研究不断完善翻译速度和精确程度并应用于日常生活，目前常用的机器翻译有谷歌翻译和百度翻译。语义理解指利用人工智能理解文本数据，并回答根据给予篇章的相关问题。语义理解技术主要应用于在线客服查询和产品自动回答，常用的语义理解产品有大数据分析平台和商用语义分析平台等。问答系统是指使人工智能像人类一洋使用自然语言与人进行钩通的技术，系统会自动回复和问题关联性较高的问题。目前主要应用在智能音箱、智能手机中如Siri、Google A

36、ssistant、小爱同学等等。语音识别是指使用人工智能将语音转化为文字，当中包含了识别不同语言、口音的技术和文字转换技术。国内市场中的语音识别应用为百度AI、腾讯云、科大讯飞等等。4.2 人工智能国际市场分析转眼国外，世界各国都开始重视人工智能应用研发。2017年6月29日，第一届世界智能大会在天津召开。中国工程院院士潘云鹤在大会主论坛作了“中国新一代人工智能”的报告，报告概括了世界各国在人工智能研究方面的战略：2016年5月，美国白宫发表了为人工智能的未来做好准备；英国2016年12月发布的人工智能：未来决策制定的机遇和影响；法国与2017年4月制定的国家人工智能战略；德国也在2017年5

37、月制定了第一部无人驾驶的法律。世界各国都开始著手为迎接新的人工智能产业时代而做出相关的战略部署。时下人工智能正经历从感知智能到认知智能的产业转变，前者包括智能语音、计算机视觉和自然语言处理等基础处理技术；后者包括如无人驾驶、智能无人机这种作类人思考决定的机器应用，要求系统可根据环境变化作即时演算。预计到2025年，人工智能的应用市场规模将达到1270亿美元。而人工智能产业生态可分为核心产业、关联产业和衍生产业三种层次，核心产业集中在智能基础设施、智能信息及数据、智能技术服务和智能产品。关联产业主要是软件产品开发、信息技术资讯、集成电路设计和互联网信息服务等。而衍生产业主要是智能製造、智能家居、

38、智能交通、智能金融等一系列智能服务。现在国外市场主流的人工智能产品有个人数码助理、智能音箱、智能家居配套和自主机器人等。很多国外不同领域的科技公司也纷纷加入人工智能战线，例如Intel公司在2017年创立了Artificial Intelligence Product Group(AIPG)分部来专门研发人工智能和机器学习的晶片和软件，并预计在2019年研发出Nervana Neural Network Processors(NNP)为新创科技公司提供企业规模的人工神经网络优化。又譬如Amazon、 Google和Microsoft这些龙头互联网公司都争先恐后地推出智能音箱家居助手Encho、

39、Google Home和Invoke，甚至不惜透过与其他硬件商合作，将自家的人工智能助手Alexa、Google Assistant和Cortana移植到其他品牌的音箱电器上，以更廉价的市场价格发售。此举的目的是为了开拓更广阔的客户量，增加人工智能市场占有率，为日后日趋激烈的智能战作前哨准备。日后的全球人工智能市场只会愈朝激烈地发展。5 人工智能主要应用场景图5 人工智能产业链表4 人工智能产业链组成层级组成核心竞争力基础支撑层有深度学习、数据挖掘等软件算法及GPU、传感器等关键硬件组成，目标是不断突破计算机能力极限，硬件主要围绕芯片架构和计算方式进行创新；软件则围绕算法进行不断改进，提高计算

40、等效率。基础支撑层的核心在于技术创新，硬件主要在于架构和计算方式的突破，软件在于算法的突破。技术应用层机遇基础支撑层提供的人工智能算法、数据和关键硬件，主要面向不同使用领域开发针对性应用技术，既包括语音图像识别、予以理解、预测规划、智能控制等人工智能软件应用，也包括控制平台、数据中心、高性能计算平台等硬件平台。针对不同领域开发出准确度高、性能较好的应用技术方案。方案集成层把控制平台、数据中心等硬件平台与面向不同领域的人工智能应用有机捆绑在一起，真对不同行业的客户提供软硬件系统集成的完整解决方案。针对不同行业的特点开发出更佳细致和完善的解决方案，并且针对不同客户具有较强的定制化实施能力。服务运营

41、层基于集成层提供的AI解决方案，为不同产业提供智能服务或者运营，如智慧城市、智能安防、智慧金融、智能客服、智慧医疗、智慧教育的运营商等，能够把面向不同行业的解决方案针对客户进行更加深入的个性化服务。丰富的案例、全面的行业资源以及强大的咨询能力。5.1 人工智能在无人驾驶领域的应用无人驾驶汽车作为未来的明星产业，它将配合智慧城市建设配套自成一套城市交通系统，并取代传统公共交通工具作为人们新的出行方式。由于未来城市人口持续上升，郊区城市化的城市结构转变将更为明显，未来城市结构会从传统单网状辐射结构逐渐变化为多点辐射结构。单网状辐射的城市结构对基础设施的压力大，建筑区域过度集中导致无法有效分布城市资

42、源，也对交通系统造成巨大压力。未来人口膨胀，市区无法容纳过快上升的人口，加快了郊区城市化的过程。人口由中央城市地区迁移到周边地区，顺带企业城市建设一併迁移，发展成新的市中心地区。多点辐射发展平均了人口分布，使地区的交通密集度下降。 单网状辐射结构 多点辐射结构图6 辐射结构示意图公共交通服务的优势在高密度的交通环境下才能充分发挥，因此未来城市的发展趋势使公共交通的优势淡化，无人驾驶汽车和无人驾驶大巴则更适合作为人口平行分布、交通量不大的未来交通出行方式。加上近年来滴滴出行，Uber等国内外网约车平台盛行，低价格的乘车费用已经令不少市民减少乘坐出租车和交通工具，转向以网约车作为日常代步工具。未来

43、无人驾驶汽车广泛使用，路面行驶车辆会以共享出行的智能车为主，过于便捷的点对点服务配合高效的运输效能，使以网约车为发展基础的无人驾驶汽车将成为未来出行的主要方式。利用人工智能实现无人驾驶的关键技术在于：车辆感知、高精度定位地图和智能驾驶决策。车辆感知是指利用在车辆部署摄像头、光学雷达、毫米波雷达和其他传感器蒐集路况数据，再配合人工智能算法，让车辆能感知周围环境变化。高精度地图定位车辆当前的位置，配合云端交通系统实时计算车辆行程规划。智能驾驶决策使无人驾驶车在面对突发的交通状况，能够自主和即时地做出最佳的反应决策，保证乘客和其他道路使用者的安全。具体技术应用方面，车辆感知是透过智能车上的传感器为系

44、统输入图像数据，系统再将路上的车辆、行人、障碍物等图像转化成系统可识别的外接矩形框。同时，将道路边缘和防撞栏等图像转化为自由形式的边界范围，由此确立车辆可驾驶的范围。接著，人工智能会根据所得的道路资讯，配合交通云端系统理解当前行驶道路的相关语义理解，由此得出与道路相关的分析如：通路的结构、交通状况、行程规划等。高精度地图定位技术可以分为重地图模式和轻地图模式，如名字所言重地图很大程度地依赖现成的高精度地图，而轻地图模式则小程度依赖地图技术。重地图模式中，透过车辆上的激光雷达採集周边环境数据，并通过与现场的高精度地图匹配来实现车辆定位。再结合激光雷达所检测到的车辆、行人和障碍物数据，将这些数据放

45、入高精度地图中，便可总结出可驾驶路径。这种方法的好处是车辆只需安装极少量的传感器（激光雷达和摄像头）就可完成数据成像，缺点是车辆的传感性低和製作高精度地图需要大量人工标注并且成本极高。图7 Mobileye Road Experience Management 高精度地图轻地图模式则是透过车辆大量的传感器（激光雷达、毫米波雷达、摄影机、GPS等等），结合车辆在二维地图中的自定位，将检测到的三维环境数据降维成二维数据并投射到地图当中完成成像。这种方法的好处是成本较低廉有更广阔的商业市场前景，但缺点是人工智能的技术相对复杂。图8 毫米波雷达数据投射图9 激光雷达数据投射 而智能驾驶决策，则需要透过

46、机器学习投入大量数据提升算法的临界，并使用开放学习的训练方式，在不设立明确的道路规则下训练人工智能道路上发生的所有可能性。最终在庞大数据的投入下，将会得出一个趋近完善的无人驾驶算法。5.2 人工智能在医疗领域的应用1) AI医疗发展历史1972年，利兹大学出现了AAPHelp，最早的人工智能系统，用于腹部剧痛的辅助争端及手术。1976年，斯坦福大学研发的MYCIN专家系统，根据医生输入的患者信息给出病情的可能细菌种类和药物建议，准确率69%。上世纪80年代，哈佛医学院开发Dxplain系统，根据病人的临床表现提供诊断方案，目前已经收录2200种疾病和5000多种症状。上个世纪90年年代末期，计

47、算机辅助诊断系统CAD出现，当时无法通过AI技术自动学习的方式提升精确度。2011年8月，IBM成立Waston Health，应用于肿瘤治疗等多项领域并完成商业化应用。2016年2月，Google DeepMind成立DeepMind Health，与英国NHS合作，提供辅助决策，开发了一套Streams工具，用于血液测试的AKI报警平台。2016年7月，Google DeepMind与英国NHS再次合作，和Moorfields眼科医院共同开发了能辨识视觉疾病的机器学习系统。通过眼部扫描图来辨识出视觉疾病的早期症状。2) AI在医疗方面的应用a. AI诊疗帮助医生提高诊断速度、准确率，提高医生的供应量b. AI诊疗提高患者自查自诊自我管理的比例，降低患者对医生的需求量c. 医疗平台通过健康管理更早地发现疾病，降低后续医疗费用支出d. AI技术优化医院的管理水平，减少不合理的医疗支出e. AI技术用于新药研制3) AI医疗的燃料：医疗大数据1.医疗大数据分类医疗大数据：人从出生到死亡的全生命周期过程中，因免疫、体检、门诊、住院等健康活动产生的数据集。医疗大数据分为三类，电子健康档案数据库，电子病历数据库和人口数据库。人口数据库：主要包含人口信息，卫计委、公安、民政、统计、人社、教育等部门共享2）电子健康档案数据库：主要包含定期或不定期的健康体检记录，卫生服务过程中的各种