新一代人工智能发展方向及技术框架
新一代人工智能发展方向及技术框架2018-12-9
随着信息时代的来临，人类生产生活的数据基础和信息环境有了大幅提升，人工智能正从学术驱动转变为应用驱动，从专用智能迈向通用智能，比 历史上任何一个时期都要更加接近于人类智能水平，进入了新的发展阶段。全球各国均围绕新一代人工智能技术及产业发展进行前瞻布局，我国也已将其提升到了国家战略层面。基于此，本白皮书重点围绕新一代人工智能面临的新形势、驱动的新因素、呈现的新特征，对架构、算法、系统等技术演进方向作出研判，详细梳理了包括云计算、大数据两大基础平台和机器学习、模式识别、人机交互三大通用技术的技术体系，深入论证了新一代人工智能产业边界和范围，划分了基础层、技术层、应用层三大产业化领域，研究了智能传感器、智能芯片、算法模型、语音识别、图像视频识别、文本识别、智能机器人、智能制造系统、智能安防、智能驾驶等具体产业化方向的产业规模、核心技术、主要产品、典型企业，归纳了近年来全球和我国在人工智能领域的投融资特征趋势，并对国内外人工智能的技术及产业发展状况进行了系统对比和趋势展望，最后提出了发展理念、治理体系、创新能力、发展基础、资本环境、行业组织、全球统筹共七项措施建议，进一步推动我国人工智能相关的前沿新兴产业持续健康快速发展，有力支撑信息化与工业化深度融合迈上新台阶。新一代人工智能发展方向
人工智能发轫于 1956 年在美国达特茅斯（Dartmouth）学院举行的“人工智能（Artificial Intelligent，简称 AI）夏季研讨会”，在 20 世纪 50 年代末和 80 年代初先后步入两次发展高峰，但因为技术瓶颈、应用成本等局限性而均落入低谷。当前，在新一代信息技术的引领下，数据快速积累，运算能力大幅提升，算法模型持续演进，行业应用快速兴起，人工智能发展环境发生了深刻变化，跨媒体智能、群体智能、自主智能系统、混合型智能成为新的发展方向，人工智能第三次站在了科技发展的浪潮之巅。 （一）人工智能简要发展历程 从诞生至今，人工智能已有 60 年的发展历史，大致经历了三次浪潮。第一次浪潮为 20 世纪 50 年代末至 20 世纪80 年代初；第二次浪潮为 20 世纪 80 年代初至 20 世纪末；第三次浪潮为 21 世纪初至今。在人工智能的前两次浪潮当中，由于技术未能实现突破性进展，相关应用始终难以达到预期效果，无法支撑起大规模商业化应用，最终在经历过两次高潮与低谷之后，人工智能归于沉寂。随着信息技术快速发展和互联网快速普及，以 2006 年深度学习模型的提出为标志，人工智能迎来第三次高速成长。 1、第一次浪潮：人工智能诞生并快速发展，但技术瓶颈难以突破 符号主义盛行，人工智能快速发展。1956 年到 1974 年是人工智能发展的第一个黄金时期。科学家将符号方法引入统计方法中进行语义处理，出现了基于知识的方法，人机交互开始成为可能。科学家发明了多种具有重大影响的算法，如深度学习模型的雏形贝尔曼公式。除在算法和方法论方面取得了新进展，科学家们还制作出具有初步智能的机器。如能证明应用题的机器 STUDENT（1964），可以实现简单人机对话的机器 ELIZA（1966）。人工智能发展速度迅猛，以至于研究者普遍认为人工智能代替人类只是时间问题。 模型存在局限，人工智能步入低谷。1974 年到 1980 年。人工智能的瓶颈逐渐显现，逻辑证明器、感知器、增强学习只能完成指定的工作，对于超出范围的任务则无法应对，智能水平较为低级，局限性较为突出。造成这种局限的原因主要体现在两个方面：一是人工智能所基于的数学模型和数学手段被发现具有一定的缺陷； 二是很多计算的复杂度呈指数级增长，依据现有算法无法完成计算任务。先天的缺陷是人工智能在早期发展过程中遇到的瓶颈，研发机构对人工智能的热情逐渐冷却，对人工智能的资助也相应被缩减或取消，人工智能第一次步入低谷。 2、第二次浪潮：模型突破带动初步产业化，但推广应用存在成本障碍 数学模型实现重大突破，专家系统得以应用。进入 20世纪 80 年代，人工智能再次回到了公众的视野当中。人工智能相关的数学模型取得了一系列重大发明成果，其中包括著名的多层神经网络（1986）和 BP 反向传播算法（1986）等，这进一步催生了能与人类下象棋的高度智能机器（1989）。其它成果包括通过人工智能网络来实现能自动识别信封上邮政编码的机器，精度可达 99%以上，已经超过普通人的水平。与此同时，卡耐基·梅隆大学为 DEC 公司制造出了专家系统（1980），这个专家系统可帮助 DEC 公司每年节约 4000 万美元左右的费用，特别是在决策方面能提供有价值的内容。受此鼓励，很多国家包括日本、美国都再次投入巨资开发所谓第 5 代计算机（1982），当时叫做人工智能计算机。 成本高且难维护，人工智能再次步入低谷。为推动人工智能的发展，研究者设计了 LISP 语言，并针对该语言研制了 Lisp 计算机。该机型指令执行效率比通用型计算机更高，但价格昂贵且难以维护，始终难以大范围推广普及。与此同时，在 1987 年到 1993 年间，苹果和 IBM 公司开始推广第一代台式机，随着性能不断提升和销售价格的不断降低，这些个人电脑逐渐在消费市场上占据了优势，越来越多的计算机走入个人家庭，价格昂贵的 Lisp 计算机由于古老陈旧且难以维护逐渐被市场淘汰，专家系统逐也渐淡出人们的视野，人工智能硬件市场出现明显萎缩。同时，政府经费开始下降，人工智能又一次步入低谷。3、第三次浪潮：信息时代催生新一代人工智能，但未来发展存在诸多隐忧 新兴技术快速涌现，人工智能发展进入新阶段。随着互联网的普及、传感器的泛在、大数据的涌现、电子商务的发展、信息社区的兴起，数据和知识在人类社会、物理空间和信息空间之间交叉融合、相互作用，人工智能发展所处信息环境和数据基础发生了巨大而深刻的变化，这些变化构成了驱动人工智能走向新阶段的外在动力。与此同时，人工智能的目标和理念出现重要调整，科学基础和实现载体取得新的突破，类脑计算、深度学习、强化学习等一系列的技术萌芽也预示着内在动力的成长，人工智能的发展已经进入一个新的阶段。 人工智能水平快速提升，人类面临潜在隐患。得益于数据量的快速增长、计算能力的大幅提升以及机器学习算法的持续优化，新一代人工智能在某些给定任务中已经展现出达到或超越人类的工作能力，并逐渐从专用型智能向通用型智能过渡，有望发展为抽象型智能。随着应用范围的不断拓展，人工智能与人类生产生活联系的愈发紧密，一方面给人们带来诸多便利，另一方面也产生了一些潜在问题：一是加速机器换人，结构性失业可能更为严重；二是隐私保护成为难点，数据拥有权、隐私权、许可权等界定存在困难。 （二）新一代人工智能的主要驱动因素 当前，随着移动互联网、大数据、云计算等新一代信息技术的加速迭代演进，人类社会与物理世界的二元结构正在进阶到人类社会、信息空间和物理世界的三元结构，人与人、机器与机器、人与机器的交流互动愈加频繁。人工智能发展所处的信息环境和数据基础发生了深刻变化，愈加海量化的数据，持续提升的运算力，不断优化的算法模型，结合多种场景的新应用已构成相对完整的闭环，成为推动新一代人工智能发展的四大要素。 图 2 新一代人工智能主要驱动因素示意图1、人机物互联互通成趋势，数据量呈现爆炸性增长近年来，得益于互联网、社交媒体、移动设备和传感器的大量普及，全球产生并存储的数据量急剧增加，为通过深度学习的方法来训练人工智能提供了良好的土壤。目前，全球数据总量每年都以倍增的速度增长，预计到 2020 年将达到 44 万亿 GB，中国产生的数据量将占全球数据总量的近20%。海量的数据将为人工智能算法模型提供源源不断的素材，人工智能正从监督式学习向无监督学习演进升级，从各行业、各领域的海量数据中积累经验、发现规律、持续提升。2、数据处理技术加速演进，运算能力实现大幅提升人工智能领域富集了海量数据，传统的数据处理技术难以满足高强度、高频次的处理需求。人工智能芯片的出现加速了深层神经网络的训练迭代速度，让大规模的数据处理效率显著提升，极大地促进了人工智能行业的发展。目前，出现了 GPU、NPU、FPGA 和各种各样的 AI-PU 专用芯片。相比传统的 CPU 只能同时做一两个加减法运算，NPU 等专用芯片多采用“数据驱动并行计算”的架构，特别擅长处理视频、图像类的海量多媒体数据。在具有更高线性代数运算效率的同时，只产生比 CPU 更低的功耗。3、深度学习研究成果卓著，带动算法模型持续优化2006 年，加拿大多伦多大学教授杰弗里·辛顿提出了深度学习的概念，极大地发展了人工神经网络算法，提高了机器自学习的能力，例如谷歌大脑团队在 2012 年通过使用深度学习技术，成功让电脑从视频中“认出”了猫。随着算法模型的重要性进一步凸显，全球科技巨头纷纷加大了这方面的布局力度和投入，通过成立实验室，开源算法框架，打造生态体系等方式推动算法模型的优化和创新。目前，深度学习等算法已经广泛应用在自然语言处理、语音处理以及计算机视觉等领域，并在某些特定领域取得了突破性进展，从有监督式学习演化为半监督式、无监督式学习。 4、资本与技术深度耦合，助推行业应用快速兴起当前，在技术突破和应用需求的双重驱动下，人工智能技术已走出实验室，加速向产业各个领域渗透，产业化水平大幅提升。在此过程中，资本作为产业发展的加速器发挥了重要的作用，一方面，跨国科技巨头以资本为杠杆，展开投资并购活动，得以不断完善产业链布局，另一方面，各类资本对初创型企业的支持，使得优秀的技术型公司迅速脱颖而出。据美国技术研究公司 Venture Scanner 的调查报告显示，截至到 2017 年 12 月，全球范围内总计 2075 家与人工智能技术有关公司的融资总额达到 65 亿美元。同时，美国行业研究公司 CB Insight 公布了对美国人工智能初创企业的调查结果，这类企业的融资金额约是 2012 年的 10 倍。目前，人工智能已在智能机器人、无人机、金融、医疗、安防、驾驶、搜索、教育等领域得到了较为广泛的应用。 （三）新一代人工智能主要发展特征 在数据、运算能力、算法模型、多元应用的共同驱动下，人工智能的定义正从用计算机模拟人类智能演进到协助引导提升人类智能，通过推动机器、人与网络相互连接融合，更为密切地融入人类生产生活，从辅助性设备和工具进化为协同互动的助手和伙伴。主要特征如图3所示。图 3 新一代人工智能主要发展特征1、大数据成为人工智能持续快速发展的基石随着新一代信息技术的快速发展，计算能力、数据处理能力和处理速度实现了大幅提升，机器学习算法快速演进，大数据的价值得以展现。与早期基于推理的人工智能不同，新一代人工智能是由大数据驱动的，通过给定的学习框架，不断根据当前设置及环境信息修改、更新参数，具有高度的自主性。例如，在输入 30 万张人类对弈棋谱并经过 3 千万次的自我对弈后，人工智能 AlphaGo 具备了媲美顶尖棋手的棋力。随着智能终端和传感器的快速普及，海量数据快速累积，基于大数据的人工智能也因此获得了持续快速发展的动力来源。 2、文本、图像、语音等信息实现跨媒体交互当前，计算机图像识别、语音识别和自然语言处理等技术在准确率及效率方面取得了明显进步，并成功应用在无人驾驶、智能搜索等垂直行业。与此同时，随着互联网、智能终端的不断发展，多媒体数据呈现爆炸式增长，并以网络为载体在用户之间实时、动态传播，文本、图像、语音、视频等信息突破了各自属性的局限，实现跨媒体交互，智能化搜索、个性化推荐的需求进一步释放。未来人工智能将逐步向人类智能靠近，模仿人类综合利用视觉、语言、听觉等感知信息，实现识别、推理、设计、创作、预测等功能。 3、基于网络的群体智能技术开始萌芽随着互联网、云计算等新一代信息技术的快速应用及普及，大数据不断累积，深度学习及强化学习等算法不断优化，人工智能研究的焦点，已从单纯用计算机模拟人类智能，打造具有感知智能及认知智能的单个智能体，向打造多智能体协同的群体智能转变。群体智能充分体现了“通盘考虑、统筹优化”思想，具有去中心化、自愈性强和信息共享高效等优点，相关的群体智能技术已经开始萌芽并成为研究热点。例如，我国研究开发了固定翼无人机智能集群系统，并于 2017 年 6月实现了 119 架无人机的集群飞行。4、自主智能系统成为新兴发展方向在长期以来的人工智能发展历程中，对仿生学的结合和关注始终是其研究的重要方向，如美国军方曾经研制的机器骡以及各国科研机构研制的一系列人形机器人等。但均受技术水平的制约和应用场景的局限，没有在大规模应用推广方面获得显著突破。当前，随着生产制造智能化改造升级的需求日益凸显，通过嵌入智能系统对现有的机械设备进行改造升级成为更加务实的选择，也是中国制造 2025、德国工业4.0、美国工业互联网等国家战略的核心举措。在此引导下，自主智能系统正成为人工智能的重要发展及应用方向。例如，沈阳机床以 i5 智能机床为核心，打造了若干智能工厂，实现了“设备互联、数据互换、过程互动、产业互融”的智能制造模式。 5、人机协同正在催生新型混合智能形态人类智能在感知、推理、归纳和学习等方面具有机器智能无法比拟的优势，机器智能则在搜索、计算、存储、优化等方面领先于人类智能，两种智能具有很强的互补性。人与计算机协同，互相取长补短将形成一种新的“1+1>2”的增强型智能，也就是混合智能，这种智能是一种双向闭环系统，既包含人，又包含机器组件。其中人可以接受机器的信息，机器也可以读取人的信号，两者相互作用，互相促进。在此背景下，人工智能的根本目标已经演进为提高人类智力活动能力，更智能地陪伴人类完成复杂多变的任务。 新一代人工智能技术框架与早期人工智能相比，新一代人工智能正在全新信息环境、海量数据基础和持续演进、不断丰富的战略目标的引领下，依托于云计算、大数据两大基础平台和机器学习、模式识别和人机交互三大通用技术，以新型计算架构、通用人工智能和开源生态系统为主要导向，持续搭建和完善技术框架体系，不断逼近技术奇点，深刻变革人类生产生活。（一）新一代人工智能的技术演进 1、从原有的 CPU 架构，转变为 GPU 并行运算架构 深度学习算法运行于 CPU 架构的指令需求过于复杂。机器学习领域的泰斗杰弗里·辛顿开启了深度学习在人工智能领域研究的浪潮，大数据技术带来的数据洪流满足了深度学习算法对于训练数据量的要求，但是算法的实现还需要更快更强大的处理器予以支撑。传统的主流 CPU 架构如 X86、ARM 等往往需要数百甚至上千条指令才能完成一个神经元的处理，对于并不需要太多的程序指令，却需要海量数据运算的深度学习的计算需求，并不能很好地匹配与适应。 GPU 架构具备与深度学习相匹配的并行运算能力。GPU（图形处理器）最初是个人电脑、工作站、游戏机和一些移动设备上运行绘图运算工作的微处理器，可以快速处理图像上的每一个像素点，其海量数据并行运算的能力与深度学习需求非常符合。当前主流的 CPU 只有 4 核或者 8 核，可以模拟出 12 个处理线程来进行运算，但是普通级别的 GPU 就包含了成百上千个处理单元，高端的甚至更多，这对于多媒体计算中大量的重复处理过程有着天生的优势。吴恩达教授领导的谷歌大脑研究工作结果表明，12 颗英伟达（Nvidia）公司的 GPU 可以提供相当于 2000 颗 CPU 的深度学习性能，为技术的发展带来了实质性飞跃，被广泛应用于全球各大主流深度学习开发机构与研究院所。2、从单一算法驱动，转变为数据、运算力、算法复合驱动 缺少数据支撑与运算力保证的算法驱动模式难以持续发展。人工智能发展以实现计算智能为重要研究方向，充分利用现代高性能计算机的快速计算和记忆存储能力，设计出神经计算、模糊计算和进化计算等求解算法，解决优化筛选、单点搜索、逻辑推理等实际应用问题。尽管深度学习概念和浅层学习算法已经被提出多年，但是一直进展缓慢，究其原因是缺乏海量的数据积累和与之相匹配的高水平计算能力，无法对算法模型进行持续的改进与优化，只停留在理论研究阶段，距离实际应用存在不小的差距。 数据、运算力和算法复合驱动模式引发人工智能爆发式增长。与早期人工智能相比，新一代人工智能体现出数据、运算力和算法相互融合、优势互补的良好特点。数据方面，人类进入互联网时代后，数据技术高速发展，各类数据资源不断积累，为人工智能的训练学习过程奠定了良好的基础。运算力方面，摩尔定律仍在持续发挥效用，计算系统的硬件性能逐年提升，云计算、并行计算、网格计算等新型计算方式的出现拓展了现代计算机性能，获得更快的计算速度。算法方面，伴随着深度学习技术的不断成熟，运算模型日益优化，智能算法不断更新，提升了模型辨识解析的准确度。 3、从封闭的单机系统，转变为快捷灵活的开源框架专家系统本地化特性限制了人工智能发展步伐。以往的人工智能专家系统是基于本地化专业知识进行设计开发，以知识库和推理机为中心而展开，推理机设计内容由不同的专家系统应用环境决定，单独设定模型函数与运算机制，一般不具备通用性。同时，知识库是开发者收集录入的专家分析模型与案例的资源集合，只能够在单机系统环境下使用且无法连接网络，升级更新较为不便。 开源框架推动构建人工智能行业解决方案。人工智能系统的开发工具日益成熟，通用性较强且各具特色的开源框架不断涌现，如谷歌的 TensorFlow、Facebook 的 Torchnet、百度的 PaddlePaddle 等，其共同特点均是基于 Linux 生态系统，具备分布式深度学习数据库和商业级即插即用功能，能够在GPU 上较好地继承 Hadoop 和 Spark 架构，广泛支持 Python、Java、Scala、R 等流行开发语言，与硬件结合生成各种应用场景下的人工智能系统与解决方案。 4、从学术研究探索导向，转变为快速迭代的实践应用导向 学术导向难以满足复杂数据信息背景下的创新需求。随着人工智能的不断发展，分化产生了不同的学术流派，以符号主义、联结主义、进化主义、贝叶斯学派、类推学派等为典型。不同学派按照各自对人工智能领域基本理论、研究方法和技术路线的理解，以学术研究为目的进行探索实践，一定程度上推动了人工智能理论与技术的发展。在如今数据环境改变和信息环境变化的背景下，现实世界结构趋向复杂，单纯依靠课题立项和学术研究无法持续推动人工智能满足当前现实世界的模拟与互动需求，快速变化的应用环境也容易导致理论研究与实际应用相脱节，影响人工智能技术对经济发展和社会进步的积极拉动作用。 快速迭代的实践应用导向加速形成技术发展正循环。目前，人工智能围绕医疗、金融、交通、教育、零售等数据较集中且质量较高的行业的实践需求，在算法模型、图像识别、自然语言处理等方面将持续出现迭代式的技术突破，在深度应用中支撑人工智能实现“数据-技术-产品-用户”的往复正循环，由学术驱动向应用拉动转化。在人工智能技术准备期，由于提供数据支撑较少，技术提升度慢，一旦进入应用期，大量的优质数据有助于分析技术弊端，通过对相关技术进行改进升级，提升了产品的应用水平，用户在得到更好的产品体验后，继续为应用平台创造了更大规模的后台数据，用来进行下一步的技术升级与产品改良，由此进入了大规模应用阶段。在技术快速迭代发展的过程中，数据累积和大规模应用起到了至关重要的作用，能够持续推动人工智能技术实现自我超越。 （二）新一代人工智能技术体系 新一代人工智能技术体系由基础技术平台和通用技术体系构成，其中基础技术平台包括云计算平台与大数据平台，通用技术体系包括机器学习、模式识别与人机交互。在此技术体系的基础上，人工智能技术不断创新发展，应用场景和典型产品不断涌现。 1、云计算：基础的资源整合交互平台云计算主要共性技术包括虚拟化技术、分布式技术、计算管理技术、云平台技术和云安全技术，具备实现资源快速部署和服务获取、进行动态可伸缩扩展及供给、面向海量信息快速有序化处理、可靠性高、容错能力强等特点，为人工智能的发展提供了资源整合交互的基础平台。尤其与大数据技术结合，为当前受到最多关注的深度学习技术搭建了强大的存储和运算体系架构，促进了神经网络模型训练优化过程，显著提高语音、图片、文本等辨识对象的识别率。 表 1 云计算主要共性技术2、大数据：提供丰富的分析、训练与应用资源大数据主要共性技术包括采集与预处理、存储与管理、计算模式与系统、分析与挖掘、可视化计算及隐私及安全等，具备数据规模不断扩大、种类繁多、产生速度快、处理能力要求高、时效性强、可靠性要求严格、价值大但密度较低等特点，为人工智能提供丰富的数据积累和价值规律，引发分析需求。同时，从跟踪静态数据到结合动态数据，可以推动人工智能根据客观环境变化进行相应的改变和适应，持续提高算法的准确性与可靠性。 表 2 大数据主要共性技术3、机器学习：持续引导机器智能水平提升机器学习指通过数据和算法在机器上训练模型，并利用模型进行分析决策与行为预测的过程。机器学习技术体系主要包括监督学习和无监督学习，目前广泛应用在专家系统、认知模拟、数据挖掘、图像识别、故障诊断、自然语言理解、机器人和博弈等领域。机器学习作为人工智能最为重要的通用技术，未来将持续引导机器获取新的知识与技能，重新组织整合已有知识结构，有效提升机器智能化水平，不断完善机器服务决策能力。 表 3 机器学习主要共性技术4、模式识别：从感知环境和行为到基于认知的决策 模式识别是对各类目标信息进行处理分析，进而完成描述、辨认、分类和解释的过程。模式识别技术体系包括决策理论、句法分析和统计模式等，目前广泛应用在语音识别、指纹识别、人脸识别、手势识别、文字识别、遥感和医学诊断等领域。随着理论基础和实际应用研究范围的不断扩大，模式识别技术将与人工神经网络相结合，由目前单纯的环境感知进化为认知决策，同时量子计算技术也将用于未来模式识别研究工作，助力模式识别技术突破与应用领域拓展。 表 4 模式识别主要共性技术5、人机交互：支撑实现人机物交叉融合与协同互动人机交互技术赋予机器通过输出或显示设备对外提供有关信息的能力，同时可以让用户通过输入设备向机器传输反馈信息达到交互目的。人机交互技术体系包括交互设计、可用性分析评估、多通道交互、群件、移动计算等，目前广泛应用在地理空间跟踪、动作识别、触觉交互、眼动跟踪、脑电波识别等领域。随着交互方式的不断丰富以及物联网技术的快速发展，未来肢体识别和生物识别技术将逐渐取代现有的触控和密码系统，人机融合将向人机物交叉融合进化发展，带来信息技术领域的深刻变革。 表 5 人机交互主要共性技术（三）国内外技术对比分析 1、发达国家基础平台布局完善，国内仍缺乏自主核心技术 国外企业技术领先且大量布局公有云业务领域，大数据业务经验成熟、分工明确且数据开放程度较高。云计算方面，国外云计算企业基础技术相对领先，服务器虚拟化、网络技术（SDN）、存储技术、分布式计算、OS、开发语言和平台等核心技术基本上都掌握在少数国外公司手中，凭借着强大的创新和资本转化能力，有能力支持技术不断推陈出新。同时，国外企业在细分领域都有所布局，形成了完善的产业链配合，提供各种解决方案的集成，可以满足多场景使用要求。大数据方面，国外公司在大数据技术各个领域方面分工明确，有的专注于数据挖掘，有的专注于数据清洗，也有的专注于数据存储与管理。同时，国外从事大数据技术研发的企业有很大一部分是由传统的数据公司转型而来，如 IBM、甲骨文（Oracle）、易安信（EMC，2015 年 10 月被戴尔公司收购）等，这类公司在大数据概念兴起之前就早已充分接触数据领域业务，在数据科学领域有较强的研发能力。国外数据保护制度相对完善，数据开放标准成熟，为大数据技术研发提供了良好的外部环境。 国内企业自主核心技术有待提高，数据开放程度偏低且缺乏必要的保护。云计算方面，国内虽然有阿里、华为、新华三、易华录等一批科技公司大力投入研发资源，但核心技术积累依然不足，难以主导产业链发展。大数据方面，国内企业仍处于“跟风”国外企业的发展阶段，在数据服务内核等方面缺乏积淀与经验，未能完全实现从 IT 领域向 DT（数据技术）领域的转型。同时，国内数据应用环境相对封闭，政府公共数据开放程度较低，数据安全保护等级有待提高，数据安全风险评估制度与保障体系有待完善，对大数据技术的升级发展形成了一定的限制因素。 2、发达国家在机器学习和人机交互领域具备先发优势，国内企业存在技术差距与人才短板 国外机构发力机器学习主流开源框架，积极开发人机交互下一代新型技术。机器学习方面，目前较为流行的开源框架基本都为国外公司或机构所开发，例如 TensorFlow、Torchnet、Caffe、DMTK、SystemML 等，同时注重大数据、云计算等基础支撑信息技术对机器学习研究的促进作用，以及机器学习的应用实践，已进入研发稳定阶段。人机交互方面，国外技术企业基于触控技术、可穿戴设备、物联网和车联网的发展基础，正在积极开发性价比更高的下一代人机交互新型技术，以对现有产品进行升级并降低成本。 国内机器学习基础理论体系尚不成熟，缺乏人机交互专业领域人才培养环境。机器学习方面，尽管国内学者在数据挖掘层面取得了一定的研究成绩，但对于机器学习的底层技术、实现原理及应用方法缺乏足够的重视，导致关键技术环节缺失与重要领域边缘化，不利于在国际主流机器学习技术角逐中展开有效竞争。人机交互方面，研究者需要具备数学、计算机学和心理学等相关背景，复合型较强，相比于国外高校都设立单独的人机交互专业，国内高校开设的专业相对传统，缺乏交叉复合型人才的培养机制，亟需建立人机交互领域技术人才培养的良好环境。 3、国内外模式识别研究水平基本处于同一起跑线，重点聚焦于语音识别与图像识别 国内外研究领域基本一致，围绕前沿技术领域开展持续创新。目前，国内外企业均在围绕模式识别领域的基础理论、图像处理、计算机视觉以及语音信息处理展开集中研究，探索模式识别机理以及有效计算方法，为解决应用实践问题提供关键技术。国外科技公司在模式识别各领域拥有多年的技术积累，深入语音合成、生物认证分析、计算机视觉等前沿技术领域，具备原创性技术突破能力；国内企业在模式识别前沿技术研发方面与国外同行处于并跑状态，除百度、讯飞等行业龙头外，众多初创公司也加入了模式识别研究的技术与应用创新，催生了一批有创意的新型产品。 语音识别和图像识别准确率明显提升，国内企业中文语音识别技术相对领先。国内外企业均致力于提高语音识别和图像识别准确率，谷歌和微软分别表示旗下的语音识别产品技术出错率已降至 8%和 6.3%，微软研究院开发的图像识别系统在世界著名的图片识别竞赛 ImageNet 中获得多个类别评比的第一名，为下一步的商业化应用奠定了良好基础。同时，国内企业重点突破中文语音识别技术，搜狗、百度和科大讯飞三家公司各自宣布旗下的中文语音产品识别准确率达到了 97%，处于业内领先水平。
摘自/中国电子学会《新一代人工智能发展白皮书(2017)》
页:
[1]