人工智能技术应用现状发展趋势和相关建议.docxVIP

人工智能技术应用现状发展趋势和相关建议

一、人工智能的定义和要素

人工智能（AI）不是单一的硬件或软件，而是一系列技术，包括解决任务所需的类人感知、认知、规划、学习、交流或物理行动，可以以软件代理或嵌入式机器人自主学习和行动的技术等。这些技术依赖于类似于堆栈的内部相关的元素，包括人才、数据、硬件、算法、应用和集成等。

专业人才是发展人工智能的最基本要件，负责创造和管理其他要素。数据对于大多数人工智能系统至关重要。被标记和治理的数据才能支持机器学习，用于创建新的应用程序、改进现有程序的性能。硬件层包括由网络和通信主干网支持的云计算和云存储，用于连接网络边缘的智能传感器和设备，提供分析数据库、运行应用程序的计算能力。算法是一种数学运算，告知系统如何导航数据，以提供对特定问题的答案。应用程序使得前述答案可以支持或完成特定任务。上述要素的集成对于成功部署端到端的人工智能系统至关重要，需要大量工程人才和投资来集成现有的数据流、决策管道、设备和测试设计等。

二、人工智能的发展历程和运用现状

（一）发展历程。

模式识别、机器学习、计算机视觉、自然语言理解和语音识别等人工智能技术和应用已经发展了几十年。早期阶段，即美国国防高级研究计划局（DARPA）称之为“第一次浪潮”时期，研究人员探索了符号逻辑、专家系统和规划等许多方法。一些最有效的研发结果基于人类定义的“手工知识”，被机器用于推理和交互。过去十年是人工智能的“第二次浪潮”，由大规模统计学机器学习推动，使工程师能够创建模型。在给定示例数据或模拟交互的情况下，这些模型可以在特定的问题领域训练运用。上述系统旨在从数据中学习、解决特定任务并实现特定目标，其能力在某些方面与人类的认知过程类似：感知、推理、学习、交流、决策和行动。当前部署的多数大规模人工智能系统结合了两次浪潮期间的人工智能方法。

正在发生的全球数字化转型带来了天量的数据供应，促使人工智能技术来到临界点。一方面，尖端的深度学习技术十分昂贵，需要大量数据、计算能力和专业知识的支撑。另一方面，开源的应用程序、开发工具与廉价的云计算、数据密集度较低的方法相结合，又能够实现广泛、迅速的传播。统计学机器学习算法，特别是深层神经网络，虽然存在一定局限性，但足以解决很多问题。强大的网络计算提高了机器学习能力，并已被广泛使用。上述因素使得人工智能可以同时为专业人员和非技术人员使用。基本问题不再是“这项技术如何工作”，而是“它能为你做些什么”。

（二）当前应用。

人工智能已经嵌入到我们日常使用和交互的设备中，如智能手机、无线路由器和汽车等。我们还依赖人工智能赋能的大量应用程序。主要应用方向包括，一是规划与优化。即确定完成一系列任务的必要步骤，以节省时间和金钱，提高安全性，如城市交通规划等。二是计算机视觉。通过摄像头、传感器感知和学习视觉任务，如各类视频监控等。三是建模与仿真。模拟物理世界、经济和社会活动，通过仿真来研究、优化和测试操作，同时不干扰或中断正在进行的过程，如新冠疫情研究、跟踪太空垃圾等。四是自然语言理解。使机器处理、分析、理解和模仿人类的口头和书面语言，如更丰富的人机交互，仅凭应用程序便可生成几乎与人类散文“真伪难辨”的文章等。五是机器人流程自动化（RoboticProcessAutomation,RPA）。机器人技术集成相关算法和软件，帮助将繁琐和重复的任务自动化。六是预测。事件预测和模式分析影响了金融、农业、交通等几乎所有行业，如行车路线推荐、精准农业等。

三、人工智能的发展趋势

随着全球投入研发的资金达到前所未有的规模（2020年高达1.7万亿美元），以及过去五年全球人工智能行业投资的显著增长，人工智能技术有望出现新前景，其下一个十年趋势很可能是整合现有知识，推进新的学习方式，使系统更加强健、可靠和可推广。

（一）人与人工智能的团队合作。

包括在人与机器的混合群体、全机器群体之间进行智能协作。人与人工智能之间的协同能够发挥“一加一大于二”的效果。掌握二者间的协作是人工智能未来应用的基础。研发人员正在通过研究代理权限、可观察性、可预测性、可指导性和可信性来解决这一挑战。结合语言理解技术的进步，有助于创建能够总结复杂输入、参与类人交流的系统，这将成为下一代人机团队合作的关键组成。

（二）新型学习方法。

新的学习方法允许从数据中进行培训和推理，这将减少对大量数据集的依赖，并能提高系统处理超出其原始设定范围的任务的能力，支持人工智能逐步实现背景学习和常识推理。混合人工智能技术将不同的人工智能方法结合起来，利用它们的互补优势。一是结合符号操作与神经网络，如神经符号研究。二是结合基于模型的方法和基于数据的方法。如在统计学机器学习框架内利用实体知识。三是结合所需标记数据量较少的监督学习技术和更有效的数据标记方法。四是通过模拟合成数据，即允许模型