人工智能标准化白皮书

（2018 版）

辅导单位：国家标准化管理委员会工业二部

编写单位：中国电子技能标准化研究院

二零一八年一月

▌编写单位（排名不分先后）

中国电子技能标准化研究院

中国科学院自动化研究所

北京理工大学

清华大学

北京大学

中国公民大学

北京航空航天算夜学

科大讯飞株式会社

华为技能有限公司

国际商业机器（中国）有限公司

阿里云打算有限公司

中国科学院打算技能研究所

中国电信集团公司

腾讯互联网加（深圳）有限公司

阿里巴巴网络技能有限公司

上海打算机软件技能开拓中央

上海智臻智能网络科技株式会社

北京爱奇艺科技有限公司

北京有生志广科技有限公司

极限元（北京）智能科技株式会社

北京字节跳动科技有限公司（今日）

北京商汤科技开拓有限公司

浙江蚂蚁小微金融做事集团有限公司

百度网络技能有限公司

英特尔（中国）有限公司

松下电器（中国）有限公司

重庆凯泽科技株式会社

海尔工业智能研究院有限公司

重庆中科云从科技有限公司

北京格灵深瞳信息技能有限公司

▌目录

▌1 序言

1.1 研究背景

人工智能观点出身于 1956 年，在半个多世纪的发展进程中，由于受到智能 算法、打算速率、存储水平等多方面成分的影响，人工智能技能和运用发展经历 了多次高潮和低谷。
2006 年以来，以深度学习为代表的机器学习算法在机器视 觉和语音识别等领域取得了极大的成功，识别准确性大幅提升，使人工智能再次 受到学术界和家当界的广泛关注。
云打算、大数据等技能在提升运算速率，降落 打算本钱的同时，也为人工智能发展供应了丰富的数据资源，帮忙演习出更加智 能化的算法模型。
人工智能的发展模式也从过去追求“用打算机仿照人工智能”， 逐步转向以机器与人结合而成的增强型稠浊智能系统，用机器、人、网络结合成 新的群智系统，以及用机器、人、网络和物结合成的更加繁芜的智能系统。

作为新一轮家当变革的核心驱动力，人工智能在催生新技能、新产品的同时， 对传统行业也具备较强的赋能浸染，能够引发经济构造的重大变革，实现社会生 产力的整体跃升。
人工智能将人从呆板的劳动中解放出来，越来越多的大略性、 重复性、危险性任务由人工智能系统完成，在减少人力投入，提高事情效率的同 时，还能够比人类做得更快、更准确；人工智能还可以在教诲、医疗、养老、环 境保护、城市运行、法律做事等领域得到广泛运用，能够极大提高公共做事精准 化水平，全面提升公民生活品质；同时，人工智能可帮助人类准确感知、预测、 预警根本举动步伐和社会安全运行的重大态势，及时把握群体认知及生理变革，主动 作出决策反应，显著提高社会管理能力和水平，同时保障公共安全。

人工智能作为一项引领未来的计策技能，天下发达国家纷纭在新一轮国际竞 争中争取节制主导权，环绕人工智能出台方案和政策，对人工智能核心技能、顶 尖人才、标准规范等进行支配，加快促进人工智能技能和家当发展。
紧张科技企 业不断加大资金和人力投入，抢占人工智能发展制高点。
2017 年，我国出台了 《新一代人工智能发展方案》（国发〔2017〕35 号）、《促进新一代人工智能家当 发展三年行动操持（2018-2020 年）》（工信部科〔2017〕315 号）等政策文件， 推动人工智能技能研发和家当化发展。
目前，海内子工智能发展已具备一定的技 术和家当根本，在芯片、数据、平台、运用等领域集聚了一批人工智能企业，在 部分方向取得阶段性成果并向市场化发展。
例如，人工智能在金融、安防、客服 等行业领域已实现运用，在特界说务中语义识别、语音识别、人脸识别、图像识 别技能的精度和效率已远超人工。

标准化工为难刁难人工智能及其家当发展具有根本性、支撑性、引领性的浸染， 既是推动家当创新发展的关键抓手，也是家当竞争的制高点。
当前，在我国人工 智能干系产品和做事不断丰富的同时，也涌现了标准化程度不敷的问题。
人工智 能涉及浩瀚领域，虽然某些领域已具备一定的标准化根本，但是这些分散的标准 化事情并不敷以完备支撑全体人工智能领域。
另一方面，人工智能属于新兴领域， 发展朝阳东升，从天下范围来看，标准化事情仍在起步过程中，尚未形成完善的 标准体系，我国基本与国外处于同一起跑线，存在快速打破的机会窗口。
只要瞄 准机会，快速布局，完备有可能抢占标准创新的制高点，反之，则有可能损失良 机。
因此，急迫须要把握机遇，加快对人工智能技能及家当发展的研究，系统梳 理、加快研制人工智能各领域的标准体系，明确标准之间的依存性与制约关系， 建立统一完善的标准体系，以标准的手段促进我国人工智能技能、家当发达发展。

1.2 研究目标及意义

本白皮书前期在国标委工业二部和工信部科技司的辅导下，通过梳理人工智 能技能、运用和家当演进情形，剖析人工智能的技能热点、行业动态和未来趋势， 从支撑人工智能家当整体发展的角度出发，研究制订了能够适应和勾引人工智能 家当发展的标准体系，进而提出近期急需研制的根本和关键标准项目。

本白皮书并不预期成为人工智能领域的全面技能和家当综述，不求面面俱到， 仅针对目前人工智能领域涵盖的技能热点和家当情形进行剖析，研究提出人工智 能标准体系。
人工智能标准化事情尚处于起步阶段，本白皮书只作为人工智能领 域技能、家当和标准化之间初始的连接纽带，并将在今后不断根据技能、家当和 标准化的发展需求进行修订。
本白皮书不过多地给出人工智能领域不雅观点性的陈述， 力求以较为浅近易懂的措辞和办法进行阐述。

本白皮书的意义在于与业界分享人工智能领域的研究成果和实践履历，呼吁 社会各界共同加强人工智能领域的技能研究、家当投入、标准培植与做事运用， 共同推动人工智能及其家当发展。

▌2 人工智能概述

2.1 人工智能的历史及观点

2.1.1人工智能的起源与历史

人工智能始于 20 世纪 50 年代，至本年夜致分为三个发展阶段：第一阶段（20 世纪 50 年代——80 年代）。
这一阶段人工智能刚出身，基于抽象数学推理的可 编程数字打算机已经涌现，符号主义（Symbolism）快速发展，但由于很多事物 不能形式化表达，建立的模型存在一定的局限性。
此外，随着打算任务的繁芜性 不断加大，人工智能发展一度碰着瓶颈；第二阶段（20 世纪 80 年代——90 年代 末）。
在这一阶段，专家系统得到快速发展，数学模型有重大打破，但由于专家 系统在知识获取、推理能力等方面的不敷，以及开拓本钱高档缘故原由，人工智能的 发展又一次进入低谷期；第三阶段（21 世纪初——至今）。
随着大数据的积聚、 理论算法的改造、打算能力的提升，人工智能在很多运用领域取得了打破性进展， 迎来了又一个繁荣期间。
人工智能详细的发展进程如图 1 所示。

长期以来，制造具有智能的机器一贯是人类的重大梦想。
早在 1950 年，Alan Turing 在《打算机器与智能》中就阐述了对人工智能的思考。
他提出的图灵测试 是机器智能的主要丈量手段，后来还衍生出了视觉图灵测试等丈量方法。
1956年，“人工智能”这个词首次涌如今达特茅斯会议上，标志着其作为一个研究领 域的正式出身。
六十年来，人工智能发展潮起潮落的同时，基本思想可大致划分 为四个流派：符号主义（Symbolism）、连接主义（Connectionism）、行为主义 （Behaviourism）和统计主义（Statisticsism）（注：由于篇幅缘故原由，本白皮书不 对四个流派进行详细阐述）。
这四个流派从不同侧面捉住了智能的部分特色，在 “制造”人工智能方面都取得了里程碑式的造诣。

1959 年，Arthur Samuel 提出了机器学习，机器学习将传统的制造智能蜕变 为通过学习能力来获取智能，推动人工智能进入了第一次繁荣期。
20 世纪 70 年 代末期专家系统的涌现，实现了人工智能从理论研究走向实际运用，从一样平常思维 规律探索走向专门知识运用的重大打破，将人工智能的研究推向了新高潮。
然而， 机器学习的模型仍旧是“人工”的，也有很大的局限性。
随着专家系统运用的不 断深入，专家系统自身存在的知识获取难、知识领域窄、推理能力弱、实用性差 等问题逐步暴露。
从 1976 年开始，人工智能的研究进入长达 6 年的萧瑟期。

在 80 年代中期，随着美国、日本立项支持人工智能研究，以及以知识工程 为主导的机器学习方法的发展，涌现了具有更强可视化效果的决策树模型和打破 早期感知机局限的多层人工神经网络，由此带来了人工智能的又一次繁荣期。
然 而，当时的打算机难以仿照繁芜度高及规模大的神经网络，仍有一定的局限性。
1987 年由于 LISP 机市场崩塌，美国取消了人工智能预算，日本第五代打算机项 目失落败并退出市场，专家系统进展缓慢，人工智能又进入了萧瑟期。

1997 年，IBM 深蓝（Deep Blue）降服国际象棋天下冠军 Garry Kasparov。
这是一次具有里程碑意义的成功，它代表了基于规则的人工智能的胜利。
2006 年，在 Hinton 和他的学生的推动下，深度学习开始备受关注，为后来人工智能 的发展带来了重大影响。
从 2010 年开始，人工智能进入爆发式的发展阶段，其 最紧张的驱动力是大数据时期的到来，运算能力及机器学习算法得到提高。
人工 智能快速发展，家当界也开始不断呈现出新的研发成果：2011 年，IBM Waston 在综艺节目《危险边缘》中降服了最高奖金得主和连胜记录保持者；2012 年， 谷歌大脑通过模拟人类大脑在没有人类辅导的情形下，利用非监督深度学习方法 从大量***中成功学习到识别出一只猫的能力；2014 年，微软公司推出了一款 实时口译系统，可以模拟说话者的声音并保留其口音；2014 年，微软公司发布环球第一款个人智能助理微软小娜；2014 年，亚马逊发布至今为止最成功的智 能音箱产品 Echo 和个人助手 Alexa；2016 年，谷歌 AlphaGo 机器人在围棋比赛 中击败了天下冠军李世石；2017 年，苹果公司在原来个人助理 Siri 的根本上推 出了智能私人助理 Siri 和智能音响 HomePod。

目前，天下各国都开始重视人工智能的发展。
2017 年 6 月 29 日，首届天下 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题为“中国新一 代人工智能”的主题演讲，报告中概括了天下各国在人工智能研究方面的计策： 2016 年 5 月，美国白宫揭橥了《为人工智能的未来做好准备》；英国 2016 年 12 月发布《人工智能：未来决策制订的机遇和影响》；法国在 2017 年 4 月制订了《国 家人工智能计策》；德国在2017年5月颁布全国第一部自动驾驶的法律；在中国， 据不完备统计，2017 年运营的人工智能公司靠近 400 家，行业巨子百度、腾讯、 阿里巴巴等都不断在人工智能领域发力。
从数量、投资等角度来看，自然措辞处 理、机器人、打算机视觉成为了人工智能最为热门的三个家当方向。

2.1.2人工智能的观点

人工智能作为一门前沿交叉学科，其定义一贯存有不同的不雅观点：《人工智能 ——一种当代方法》中将已有的一些人工智能定义分为四类：像人一样思考的系 统、像人一样行动的系统、理性地思考的系统、理性地行动的系统。
维基百科上定义“人工智能便是机器展现出的智能”，即只假如某种机器，具有某种或某些 “智能”的特色或表现，都该当算作“人工智能”。
大英百科全书则限定人工智 能是数字打算机或者数字打算机掌握的机器人在实行智能生物体才有的一些任 务上的能力。
百度百科定义人工智能是“研究、开拓用于仿照、延伸和扩展人的 智能的理论、方法、技能及运用系统的一门新的技能科学”，将其视为打算机科 学的一个分支，指出其研究包括机器人、措辞识别、图像识别、自然措辞处理和 专家系统等。

本白皮书认为，人工智能是利用数字打算机或者数字打算机掌握的机器仿照、 延伸和扩展人的智能，感知环境、获取知识并利用知识得到最佳结果的理论、 方法、技能及运用系统。

人工智能的定义对人工智能学科的基本思想和内容作出理解释，即环绕智能活动而布局的人工系统。
人工智能是知识的工程，是机器模拟人类利用知识完成 一定行为的过程。
根据人工智能是否能真正实现推理、思考和解决问题，可以将 人工智能分为弱人工智能和强人工智能。

弱人工智能是指不能真正实现推理和解决问题的智能机器，这些机器表面看 像是智能的，但是并不真正拥有智能，也不会有自主意识。
迄今为止的人工智能 系统都还是实现特定功能的专用智能，而不是像人类智能那样能够不断适应繁芜 的新环境并不断呈现出新的功能，因此都还是弱人工智能。
目前的主流研究仍旧 集中于弱人工智能，并取得了显著进步，如语音识别、图像处理和物体分割、机 器翻译等方面取得了重大打破，乃至可以靠近或超越人类水平。

强人工智能是指真正能思维的智能机器，并且认为这样的机器是有知觉的和 自我意识的，这类机器可分为类人（机器的思考和推理类似人的思维）与非类人 （机器产生了和人完备不一样的知觉和意识，利用和人完备不一样的推理办法） 两大类。
从一样平常意义来说，达到人类水平的、能够自适应地应对外界环境寻衅的、 具有自我意识的人工智能称为“通用人工智能”、“强人工智能”或“类人智能”。
强人工智能不仅在哲学上存在巨大辩论（涉及到思维与意识等根本问题的谈论）， 在技能上的研究也具有极大的寻衅性。
强人工智能当前鲜有进展，美国私营部门 的专家及国家科技委员会比较支持的不雅观点是，至少在未来几十年内难以实现。

靠符号主义、连接主义、行为主义和统计主义这四个流派的经典路线就能设 计制造出强人工智能吗？个中一个主流意见是：纵然有更高性能的打算平台和更 大规模的大数据助力，也还只是量变，不是质变，人类对自身智能的认识还处在 低级阶段，在人类真正理解智能机理之前，不可能制造出强人工智能。
理解大脑 产生智能的机理是脑科学的终极性问题，绝大多数脑科学专家都认为这是一个数 百年乃至数千年乃至永久都办理不了的问题。

通向强人工智能还有一条“新”路线，这里称为“仿真主义”。
这条新路线 通过制造前辈的大脑探测工具从构造上解析大脑，再利用工程技能手段布局出模 仿大脑神经网络基元及构造的仿脑装置，末了通过环境刺激和交互演习仿真大脑 实现类人智能，简言之，“先构造，后功能”。
虽然这项工程也十分困难，但都 是有可能在数十年内办理的工程技能问题，而不像“理解大脑”这个科学问题那 样遥不可及。

仿真主义可以说是符号主义、连接主义、行为主义和统计主义之后的第五个 流派，和前四个流派有着千丝万缕的联系，也是前四个流派通向强人工智能的关 键一环。
经典打算机是数理逻辑的开关电路实现，采取冯•诺依曼体系构造，可以作为逻辑推理等专用智能的实现载体。
但要靠经典打算机不可能实现强人工智能。
要按仿真主义的路线“仿脑”，就必须设计制造全新的软硬件系统，这便是 “类脑打算机”，或者更准确地称为“仿脑机”。
“仿脑机”是“仿真工程”的 标志性成果，也是“仿脑工程”通向强人工智能之路的主要里程碑。

2.2 人工智能的特色

（1）由人类设计，为人类做事，实质为打算，根本为数据。
从根本上说， 人工智能系统必须以人为本，这些系统是人类设计出的机器，按照人类设定的程 序逻辑或软件算法通过人类发明的芯片等硬件载体来运行或事情，实在质表示为 打算，通过对数据的采集、加工、处理、剖析和挖掘，形成有代价的信息流和知 识模型，来为人类供应延伸人类能力的做事，来实现对人类期望的一些“智能行 为”的仿照，在空想情形下必须表示做事人类的特点，而不应该侵害人类，特殊 是不应该有目的性地做出侵害人类的行为。

（2）能感知环境，能产生反应，能与人交互，能与人互补。
人工智能系统 应能借助传感器等器件产生对外界环境（包括人类）进行感知的能力，可以像人 一样通过听觉、视觉、嗅觉、触觉等吸收来自环境的各种信息，对外界输入产生 笔墨、语音、表情、动作（掌握实行机构）等必要的反应，乃至影响到环境或人 类。
借助于按钮、键盘、鼠标、屏幕、手势、体态、表情、力反馈、虚拟现实/ 增强现实等办法，人与机器间可以产生交互与互动，使机器设备越来越“理解” 人类乃至与人类共同协作、上风互补。
这样，人工智能系统能够帮助人类做人类 不善于、不喜好但机器能够完成的事情，而人类则适宜于去做更须要创造性、洞 察力、想象力、灵巧性、多变性乃至存心领悟或须要感情的一些事情。

（3）有适应特性，有学习能力，有蜕变迭代，有连接扩展。
人工智能系统 在空想情形下应具有一定的自适应特性和学习能力，即具有一定的随环境、数据 或任务变革而自适应调节参数或更新优化模型的能力；并且，能够在此根本上通 过与云、端、人、物越来越广泛深入数字化连接扩展，实现机器客体乃至人类主体的蜕变迭代，以使系统具有适应性、鲁棒性、灵巧性、扩展性，来应对不断变革的现实环境，从而使人工智能系统在各行各业产生丰富的运用。

2.3 人工智能参考框架

目前，人工智能领域尚未形成完善的参考框架。
因此，本章基于人工智能的 发展状况和运用特色，从人工智能信息流动的角度出发，提出一种人工智能参考 框架（如图 2 所示），力争搭建较为完全的人工智能主体框架，描述人工智能系 统总体事情流程，不受详细运用所限，适用于通用的人工智能领域需求。

人工智能参考框架供应了基于“角色—活动—功能”的层级分类体系，从 “智能信息链”（水平轴）和“IT 代价链”（垂直轴）两个维度阐述了人工智 能系统框架。
“智能信息链”反响从智能信息感知、智能信息表示与形成、智能 推理、智能决策、智能实行与输出的一样平常过程。
在这个过程中，智能信息是流动 的载体，经历了“数据—信息—知识—聪慧”的凝练过程。
“IT 代价链”从人 工智能的底层根本举动步伐、信息（供应和处理技能实现）到系统的家当生态过程， 反响人工智能为信息技能家当带来的代价。
此外，人工智能系统还有其它非常重 要的框架构件：安全、隐私、伦理和管理。
人工智能系统紧张由根本举动步伐供应者、 信息供应者、信息处理者和系统折衷者 4 个角色组成。

（1）根本举动步伐供应者

根本举动步伐供应者为人工智能系统供应打算能力支持，实现与外部天下的沟通， 并通过根本平台实现支撑。
打算能力由智能芯片（CPU、GPU、ASIC、FPGA 等 硬件加速芯片以及其它智能芯片）等硬件系统开拓商供应；与外部天下的沟通通 过新型传感器制造商供应；根本平台包括分布式打算框架供应商及网络供应商提 供平台保障和支持，即包括云存储和打算、互联互通网络等。

（2）信息供应者

信息供应者在人工智能领域是智能信息的来源。
通过知识信息感知过程由数 据供应商供应智能感知信息，包括原始数据资源和数据集。
原始数据资源的感知 涉及到图形、图像、语音、文本的识别，还涉及到传统设备的物联网数据，包括 已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。

（3）信息处理者

信息处理者是指人工智能领域中技能和做事供应商。
信息处理者的紧张活动 包括智能信息表示与形成、智能推理、智能决策及智能实行与输出。
智能信息处 理者常日是算法工程师及技能做事供应商，通过打算框架、模型及通用技能，例 如一些深度学习框架和机器学习算法模型等功能进行支撑。

智能信息表示与形成是指为描述外围天下所作的一组约定，分阶段对智能信 息进行符号化和形式化的智能信息建模、抽取、预处理、演习数据等。

智能信息推理是指在打算机或智能系统中，仿照人类的智能推理办法，依据 推理掌握策略，利用形式化的信息进行机器思维和求解问题的过程，范例的功能 是搜索与匹配。

智能信息决策是指智能信息经由推理后进行决策的过程，常日供应分类、排 序、预测等功能。

智能实行与输出作为智能信息输出的环节，是对输入作出的相应，输出全体 智能信息流动过程的结果，包括运动、显示、发声、交互、合成等功能。

（4）系统折衷者

系统折衷者供应人工智能系统必须知足的整体哀求，包括政策、法律、资源和业务需求，以及为确保系统符合这些需求而进行的监控和审计活动。
由于人工 智能是多学科交叉领域，须要系统折衷者定义和整合所需的运用活动，使其在人 工智能领域的垂直系统中运行。
系统折衷者的功能之一是配置和管理人工智能参 考框架中的其他角色来实行一个或多个功能，并坚持人工智能系统的运行。

（5）安全、隐私、伦理 安全、隐私、伦理覆盖了人工智能领域的其他 4 个紧张角色，对每个角色都 有主要的影响浸染。
同时，安全、隐私、伦理处于管理角色的覆盖范围之内，与 全部角色和活动都建立了干系联系。
在安全、隐私、伦理模块，须要通过不同的 技能手段和安全方法，构筑全方位、立体的安全防护体系，保护人工智能领域参 与者的安全和隐私。

（6）管理 管理角色承担系统管理活动，包括软件调配、资源管理等内容，管理的功能 是监视各种资源的运行状况，应对涌现的性能或故障事宜，使得各系统组件透明 且可不雅观。

（7）智能产品及行业运用 智能产品及行业运用指人工智能系统的产品和运用，是对人工智能整体办理 方案的封装，将智能信息决策产品化、实现落地运用，其运用领域紧张包括：智 能制造、智能交通、智能家居、智能医疗、智能安防等。

▌3 人工智能发展现状及趋势

依据参考框架中所涉及到的人工智能干系技能，本节重点先容近二十年来人 工智能领域关键技能的发展状况，包括机器学习、知识图谱、自然措辞处理、计 算机视觉、人机交互、生物特色识别、虚拟现实/增强现实等关键技能。

3.1 人工智能关键技能

3.1.1 机器学习

机器学习（Machine Learning）是一门涉及统计学、系统辨识、逼近理论、 神经网络、优化理论、打算机科学、脑科学等诸多领域的交叉学科，研究打算机 若何仿照或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识 构造使之不断改进自身的性能，是人工智能技能的核心。
基于数据的机器学习是 当代智能技能中的主要方法之一，研究从不雅观测数据（样本）出发探求规律，利用 这些规律对未来数据或无法不雅观测的数据进行预测。
根据学习模式、学习方法以及 算法的不同，机器学习存在不同的分类方法。

（1）根据学习模式将机器学习分类为监督学习、无监督学习和强化学习等。

监督学习

监督学习是利用已标记的有限演习数据集，通过某种学习策略/方法建立一 个模型，实现对新数据/实例的标记（分类）/映射，最范例的监督学习算法包括 回归和分类。
监督学习哀求演习样本的分类标签已知，分类标签精确度越高，样 本越具有代表性，学习模型的准确度越高。
监督学习在自然措辞处理、信息检索、 文本挖掘、手写体辨识、垃圾邮件侦测等领域得到了广泛运用。

无监督学习

无监督学习是利用无标记的有限数据描述隐蔽在未标记数据中的构造/规律， 最范例的非监督学习算法包括单类密度估计、单类数据降维、聚类等。
无监督学 习不须要演习样本和人工标注数据，便于压缩数据存储、减少打算量、提升算法 速率，还可以避免正、负样本偏移引起的分类缺点问题。
紧张用于经济预测、异 常检测、数据挖掘、图像处理、模式识别等领域，例如组织大型打算机集群、社 交网络剖析、市场分割、天文数据剖析等。

强化学习

强化学习是智能系统从环境到行为映射的学习，以使强化旗子暗记函数值最大。
由于外部环境供应的信息很少，强化学习系统必须靠自身的经历进行学习。
强化 学习的目标是学习从环境状态到行为的映射，使得智能体选择的行为能够得到环 境最大的奖赏，使得外部环境对学习系统在某种意义下的评价为最佳。
其在机器 人掌握、无人驾驶、下棋、工业掌握等领域得到成功运用。

（2）根据学习方法可以将机器学习分为传统机器学习和深度学习。

传统机器学习

传统机器学习从一些不雅观测（演习）样本出发，试图创造不能通过事理剖析获 得的规律，实现对未来数据行为或趋势的准确预测。
干系算法包括逻辑回归、隐 马尔科夫方法、支持向量机方法、K 隔壁方法、三层人工神经网络方法、Adaboost 算法、贝叶斯方法以及决策树方法等。
传统机器学习平衡了学习结果的有效性与 学习模型的可阐明性，为办理有限样本的学习问题供应了一种框架，紧张用于有 限样本情形下的模式分类、回归剖析、概率密度估计等。
传统机器学习方法共同 的主要理论根本之一是统计学，在自然措辞处理、语音识别、图像识别、信息检 索和生物信息等许多打算机领域得到了广泛运用。

深度学习

深度学习是建立深层构造模型的学习方法，范例的深度学习算法包括深度置 信网络、卷积神经网络、受限玻尔兹曼机和循环神经网络等。
深度学习又称为深 度神经网络（指层数超过 3 层的神经网络）。
深度学习作为机器学习研究中的一 个新兴领域，由 Hinton 等人于 2006 年提出。
深度学习源于多层神经网络，实在 质是给出了一种将特色表示和学习合二为一的办法。
深度学习的特点是放弃了可 阐明性，纯挚追求学习的有效性。
经由多年的摸索考试测验和研究，已经产生了诸多 深度神经网络的模型，个中卷积神经网络、循环神经网络是两类范例的模型。
卷 积神经网络常被运用于空间性分布数据；循环神经网络在神经网络中引入了影象 和反馈，常被运用于韶光性分布数据。
深度学习框架是进行深度学习的根本底层 框架，一样平常包含主流的神经网络算法模型，供应稳定的深度学习 API，支持演习 模型在做事器和 GPU、TPU 间的分布式学习，部分框架还具备在包括移动设备、云平台在内的多种平台上运行的移植能力，从而为深度学习算法带来前所未有的 运行速率和实用性。
目前主流的开源算法框架有 TensorFlow、Caffe/Caffe2、CNTK、 MXNet、Paddle-paddle、Torch/PyTorch、Theano 等。

（3）此外，机器学习的常见算法还包括迁移学习、主动学习和蜕变学习等。

迁移学习

迁移学习是指当在某些领域无法取得足够多的数据进行模型演习时，利用另 一领域数据得到的关系进行的学习。
迁移学习可以把已演习好的模型参数迁移到 新的模型辅导新模型演习，可以更有效的学习底层规则、减少数据量。
目前的迁 移学习技能紧张在变量有限的小规模运用中利用，如基于传感器网络的定位，文 字分类和图像分类等。
未来迁移学习将被广泛运用于办理更有寻衅性的问题，如 ***分类、社交网络剖析、逻辑推理等。

主动学习

主动学习通过一定的算法查询最有用的未标记样本，并交由专家进行标记， 然后用查询到的样本演习分类模型来提高模型的精度。
主动学习能够选择性地获 取知识，通过较少的演习样本得到高性能的模型，最常用的策略是通过不愿定性 准则和差异性准则选取有效的样本。

蜕变学习

蜕变学习对优化问题性子哀求极少，只需能够评估解的好坏即可，适用于求 解繁芜的优化问题，也能直接用于多目标优化。
蜕变算法包括粒子群优化算法、 多目标蜕变算法等。
目前针对蜕变学习的研究紧张集中在蜕变数据聚类、对蜕变 数据更有效的分类，以及供应某种自适应机制以确定蜕变机制的影响等。

3.1.2 知识图谱

知识图谱实质上是构造化的语义知识库，是一种由节点和边组成的图数据结 构，以符号形式描述物理天下中的观点及其相互关系，其基本组成单位是“实体 —关系—实体”三元组，以及实体及其干系“属性—值”对。
不同实体之间通过 关系相互联结，构成网状的知识构造。
在知识图谱中，每个节点表示现实天下的 “实体”，每条边为实体与实体之间的“关系”。
普通地讲，知识图谱便是把所有不同种类的信息连接在一起而得到的一个关系网络，供应了从“关系”的角度 去剖析问题的能力。

知识图谱可用于反敲诈、不一致性验证、组团敲诈等公共安全保障领域，需 要用到非常剖析、静态剖析、动态剖析等数据挖掘方法。
特殊地，知识图谱在搜 索引擎、可视化展示和精准营销方面有很大的上风，已成为业界的热门工具。
但 是，知识图谱的发展还有很大的寻衅，如数据的噪声问题，即数据本身有缺点或 者数据存在冗余。
随着知识图谱运用的不断深入，还有一系列关键技能须冲要破。

3.1.3 自然措辞处理

自然措辞处理是打算机科学领域与人工智能领域中的一个主要方向，研究能 实现人与打算机之间用自然措辞进行有效通信的各种理论和方法，涉及的领域较 多，紧张包括机器翻译、机器阅读理解和问答系统等。

（1）机器翻译

机器翻译技能是指利用打算机技能实现从一种自然措辞到其余一种自然语 言的翻译过程。
基于统计的机器翻译方法打破了之前基于规则和实例翻译方法的 局限性，翻译性能取得巨大提升。
基于深度神经网络的机器翻译在日常口语等一 些场景的成功运用已经显现出了巨大的潜力。
随着高下文的语境表征和知识逻辑 推理能力的发展，自然措辞知识图谱不断扩充，机器翻译将会在多轮对话翻译及 篇章翻译等领域取得更大进展。

目前非限定领域机器翻译中性能较佳的一种是统计机器翻译，包括演习及解 码两个阶段。
演习阶段的目标是得到模型参数，解码阶段的目标是利用所估计的 参数和给定的优化目标，获取待翻译语句的最佳翻译结果。
统计机器翻译紧张包 括语料预处理、词对齐、短语抽取、短语概率打算、最大熵调序等步骤。
基于神 经网络的端到端翻译方法不须要针对双语句子专门设计特色模型，而是直接把源 措辞句子的词串送着迷经网络模型，经由神经网络的运算，得到目标措辞句子的 翻译结果。
在基于端到真个机器翻译系统中，常日采取递归神经网络或卷积神经 网络对句子进行表征建模，从海量演习数据中抽取语义信息，与基于短语的统计 翻译比较，其翻译结果更加流畅自然，在实际运用中取得了较好的效果。

（2）语义理解

语义理解技能是指利用打算机技能实现对文本篇章的理解，并且回答与篇章 干系问题的过程。
语义理解更看重于对高下文的理解以及对答案精准程度的把控。
随着 MCTest 数据集的发布，语义理解受到更多关注，取得了快速发展，干系数 据集和对应的神经网络模型层出不穷。
语义理解技能将在智能客服、产品自动问 答等干系领域发挥主要浸染，进一步提高问答与对话系统的精度。

在数据采集方面，语义理解通过自动布局数据方法和自动布局填空型问题的 方法来有效扩充数据资源。
为理解决添补型问题，一些基于深度学习的方法相继 提出，如基于把稳力的神经网络方法。
当前主流的模型是利用神经网络技能对篇 章、问题建模，对答案的开始和终止位置进行预测，抽取出篇章片段。
对付进一 步泛化的答案，处理难度进一步提升，目前的语义理解技能仍有较大的提升空间。

（3）问答系统

问答系统分为开放领域的对话系统和特定领域的问答系统。
问答系统技能是 指让打算机像人类一样用自然措辞与人互换的技能。
人们可以向问答系统提交用 自然措辞表达的问题，系统会返回关联性较高的答案。
只管问答系统目前已经有 了不少运用产品涌现，但大多是在实际信息做事系统和智好手机助手等领域中的 运用，在问答系统鲁棒性方面仍旧存在着问题和寻衅。

自然措辞处理面临四大寻衅：一是在词法、句法、语义、语用和语音平分歧 层面存在不愿定性；二是新的词汇、术语、语义和语法导致未知措辞征象的不可 预测性；三是数据资源的不充分使其难以覆盖繁芜的措辞征象；四是语义知识的 模糊性和错综繁芜的关联性难以用大略的数学模型描述，语义打算须要参数弘大 的非线性打算。

3.1.4 人机交互

人机交互紧张研究人和打算机之间的信息交流，紧张包括人到打算机和打算 机到人的两部分信息交流，是人工智能领域的主要的外围技能。
人机交互是与认知心理学、人机工程学、多媒体技能、虚拟现实技能等密切干系的综合学科。
传统的人与打算机之间的信息交流紧张依赖交互设备进行，紧张包括键盘、鼠标、 操纵杆、数据服装、眼动跟踪器、位置跟踪器、数据手套、压力笔等输入设备，以及打印机、绘图仪、显示器、头盔式显示器、音箱等输出设备。
人机交互技能 除了传统的基本交互和图形交互外，还包括语音交互、情绪交互、体感交互及脑 机交互等技能，以下对后四种与人工智能关联密切的范例交互手段进行先容。

（1）语音交互

语音交互是一种高效的交互办法，是人以自然语音或机器合针言音同打算机 进行交互的综合性技能，结合了措辞学、生理学、工程和打算机技能等领域的知 识。
语音交互不仅要对语音识别和语音合成进行研究，还要对人在语音通道下的 交互机理、行为办法等进行研究。
语音交互过程包括四部分：语音采集、语音识 别、语义理解和语音合成。
语音采集完成音频的录入、采样及编码；语音识别完 针言音信息到机器可识别的文本信息的转化；语义理解根据语音识别转换后的文 本字符或命令完成相应的操作；语音合成完成文本信息到声音信息的转换。
作为 人类沟通和获取信息最自然便捷的手段，语音交互比其他交互办法具备更多上风， 能为人机交互带来根本性变革，是大数据和认知打算时期未来发展的制高点，具 有广阔的发展前景和运用前景。

（2）情绪交互

情绪是一种高层次的信息通报，而情绪交互是一种交互状态，它在表达功能 和信息时通报情绪，勾起人们的影象或内心的情愫。
传统的人机交互无法理解和 适应人的感情或心境，缺少情绪理解和表达能力，打算机难以具有类似人一样的 智能，也难以通过人机交互做到真正的和谐与自然。
情绪交互便是要授予打算机 类似于人一样的不雅观察、理解和天生各种情绪的能力，终极使打算机像人一样能进 行自然、亲切和生动的交互。
情绪交互已经成为人工智能领域中的热点方向，旨 在让人机交互变得更加自然。
目前，在情绪交互信息的处理办法、情绪描述办法、 情绪数据获取和处理过程、情绪表达办法等方面还有诸多技能寻衅。

（3）体感交互

体感交互是个体不须要借助任何繁芜的掌握系统，以体感技能为根本，直接 通过肢体动作与周边数字设备装置和环境进行自然的交互。
依照体感办法与事理 的不同，体感技能紧张分为三类：惯性感测、光学感测以及光学联合感测。
体感 交互常日由运动追踪、手势识别、运动捕捉、面部表情识别等一系列技能支撑。
与其他交互手段比较，体感交互技能无论是硬件还是软件方面都有了较大的提升， 交互设备向小型化、便携化、利用方便化等方面发展，大大降落了对用户的约束， 使得交互过程更加自然。
目前，体感交互在游戏娱乐、医疗赞助与康复、全自动 三维建模、赞助购物、眼动仪等领域有了较为广泛的运用。

（4）脑机交互

脑机交互又称为脑机接口，指不依赖于外围神经和肌肉等神经通道，直接实 现大脑与外界信息通报的通路。
脑机接口系统检测中枢神经系统活动，并将其转 化为人工输出指令，能够替代、修复、增强、补充或者改进中枢神经系统的正常 输出，从而改变中枢神经系统与内外环境之间的交互浸染。
脑机交互通过对神经 旗子暗记解码，实现脑旗子暗记到机器指令的转化，一样平常包括旗子暗记采集、特色提取和命令 输出三个模块。
从脑电旗子暗记采集的角度，一样平常将脑机接口分为侵入式和非侵入式 两大类。
除此之外，脑机接口还有其他常见的分类办法：按照旗子暗记传输方向可以 分为脑到机、机到脑和脑机双向接口；按照旗子暗记天生的类型，可分为自发式脑机 接口和诱发式脑机接口；按照旗子暗记源的不同还可分为基于脑电的脑机接口、基于 功能性核磁共振的脑机接口以及基于近红外光谱剖析的脑机接口。

3.1.5 打算机视觉

打算机视觉是利用打算机模拟人类视觉系统的科学，让打算机拥有类似人类 提取、处理、理解和剖析图像以及图像序列的能力。
自动驾驶、机器人、智能医 疗等领域均须要通过打算机视觉技能从视觉旗子暗记中提取并处理信息。
比来随着深 度学习的发展，预处理、特色提取与算法处理逐渐领悟，形成端到真个人工智能 算法技能。
根据办理的问题，打算机视觉可分为打算成像学、图像理解、三维视 觉、动态视觉和***编解码五大类。

（1）打算成像学

打算成像学是探索人眼构造、相机成像事理以及其延伸运用的科学。
在相机 成像事理方面，打算成像学不断促进现有可见光相机的完善，使得当代相机更加 轻便，可以适用于不同场景。
同时打算成像学也推动着新型相机的产生，使相机 超出可见光的限定。
在相机运用科学方面，打算成像学可以提升相机的能力，从 而通过后续的算法处理使得在受限条件下拍摄的图像更加完善，例如图像去噪、去模糊、暗光增强、去雾霾等，以及实现新的功能，例如全景图、软件虚化、超 分辨率等。

（2）图像理解

图像理解是通过用打算机系统阐明图像，实现类似人类视觉系统理解外部世 界的一门科学。
常日根据理解信息的抽象程度可分为三个层次：浅层理解，包括 图像边缘、图像特色点、纹理元素等；中层理解，包括物体边界、区域与平面等； 高层理解，根据须要抽取的高层语义信息，可大致分为识别、检测、分割、姿态 估计、图像笔墨解释等。
目前高层图像理解算法已逐渐广泛运用于人工智能系统， 如刷脸支付、聪慧安防、图像搜索等。

（3）三维视觉

三维视觉即研究如何通过视觉获取三维信息（三维重修）以及如何理解所获 取的三维信息的科学。
三维重修可以根据重修的信息来源，分为单目图像重修、 多目图像重修和深度图像重修等。
三维信息理解，即利用三维信息赞助图像理解 或者直接理解三维信息。
三维信息理解可分为，浅层：角点、边缘、法向量等； 中层：平面、立方体等；高层：物体检测、识别、分割等。
三维视觉技能可以广 泛运用于机器人、无人驾驶、聪慧工厂、虚拟/增强现实等方向。

（4）动态视觉

动态视觉即剖析***或图像序列，仿照人处理时序图像的科学。
常日动态视 觉问题可以定义为探求图像元素，如像素、区域、物体在时序上的对应，以及提 取其语义信息的问题。
动态视觉研究被广泛运用在***剖析以及人机交互等方面。

（5）***编解码

***编解码是指通过特定的压缩技能，将***流进行压缩。
***流传输中最 为主要的编解码标准有国际电联的 H.261、H.263、H.264、H.265、M-JPEG 和 MPEG 系列标准。
***压缩编码紧张分为两大类：无损压缩和有损压缩。
无损压 缩指利用压缩后的数据进行重构时，重构后的数据与原来的数据完备相同，例如 磁盘文件的压缩。
有损压缩也称为不可逆编码，指利用压缩后的数据进行重构时， 重构后的数据与原来的数据有差异，但不会影响人们对原始资料所表达的信息产 生误解。
有损压缩的运用范围广泛，例如***会议、可视电话、***广播、***监控等。

目前，打算机视觉技能发展迅速，已具备初步的家当规模。
未来打算机视觉 技能的发展紧张面临以下寻衅：一是如何在不同的运用领域和其他技能更好的结 合，打算机视觉在办理某些问题时可以广泛利用大数据，已经逐渐成熟并且可以 超过人类，而在某些问题上却无法达到很高的精度；二是如何降落打算机视觉算 法的开拓韶光和人力本钱，目前打算机视觉算法须要大量的数据与人工标注，需 要较长的研发周期以达到运用领域所哀求的精度与耗时；三是如何加快新型算法 的设计开拓，随着新的成像硬件与人工智能芯片的涌现，针对不同芯片与数据采 集设备的打算机视觉算法的设计与开拓也是寻衅之一。

3.1.6 生物特色识别

生物特色识别技能是指通过个体生理特色或行为特色对个体身份进行识别 认证的技能。
从运用流程看，生物特色识别常日分为注册和识别两个阶段。
注册 阶段通过传感器对人体的生物表征信息进行采集，如利用图像传感器对指纹和人 脸等光学信息、麦克风对说话声等声学信息进行采集，利用数据预处理以及特色 提取技能对采集的数据进行处理，得到相应的特色进行存储。
识别过程采取与注 册过程同等的信息采集办法对待识别人进行信息采集、数据预处理和特色提取， 然后将提取的特色与存储的特色进行比对剖析，完成识别。
从运用任务看，生物 特色识别一样平常分为辨认与确认两种任务，辨认是指从存储库中确定待识别人身份 的过程，是一对多的问题；确认是指将待识别人信息与存储库中特定单人信息进 行比对，确定身份的过程，是一对一的问题。

生物特色识别技能涉及的内容十分广泛，包括指纹、掌纹、人脸、虹膜、指 静脉、声纹、步态等多种生物特色，其识别过程涉及到图像处理、打算机视觉、 语音识别、机器学习等多项技能。
目前生物特色识别作为主要的智能化身份认证 技能，在金融、公共安全、教诲、交通等领域得到广泛的运用。
下面将对指纹识 别、人脸识别、虹膜识别、指静脉识别、声纹识别以及步态识别等技能进行先容。

（1）指纹识别 指纹识别过程常日包括数据采集、数据处理、剖析判别三个过程。
数据采集 通过光、电、力、热等物理传感器获取指纹图像；数据处理包括预处理、畸变校正、特色提取三个过程；剖析判别是对提取的特色进行剖析判别的过程。

（2）人脸识别 人脸识别是范例的打算机视觉运用，从运用过程来看，可将人脸识别技能划 分为检测定位、面部特色提取以及人脸确认三个过程。
人脸识别技能的运用紧张 受到光照、拍摄角度、图像遮挡、年事等多个成分的影响，在约束条件下人脸识 别技能相对成熟，在自由条件下人脸识别技能还在不断改进。

（3）虹膜识别 虹膜识别的理论框架紧张包括虹膜图像分割、虹膜区域归一化、特色提取和 识别四个部分，研究事情大多是基于此理论框架发展而来。
虹膜识别技能运用的 紧张难题包含传感器和光照影响两个方面：一方面，由于虹膜尺寸小且受玄色素 遮挡，需在近红外光源下采取高分辨图像传感器才可清晰成像，对传感器质量和 稳定性哀求比较高；另一方面，光照的强弱变革会引起瞳孔缩放，导致虹膜纹理 产生繁芜形变，增加了匹配的难度。

（4）指静脉识别 指静脉识别是利用了人体静脉血管中的脱氧血红蛋白对特定波长范围内的 近红外线有很好的接管浸染这一特性，采取近红外光对指静脉进行成像与识别的 技能。
由于指静脉血管分布随机性很强，其网络特色具有很好的唯一性，且属于 人体内部特色，不受到外界影响，因此模态特性十分稳定。
指静脉识别技能运用 面临的紧张难题来自于成像单元。

（5）声纹识别 声纹识别是指根据待识别语音的声纹特色识别说话人的技能。
声纹识别技能 常日可以分为前端处理和建模剖析两个阶段。
声纹识别的过程是将某段来自某个 人的语音经由特色提取后与多复合声纹模型库中的声纹模型进行匹配，常用的识 别方法可以分为模板匹配法、概率模型法等。

（6）步态识别 步态是远间隔繁芜场景下唯一可清晰成像的生物特色，步态识别是指通过身 体体型和行走姿态来识别人的身份。
比较上述几种生物特色识别，步态识别的技能难度更大，表示在其须要从***中提取运动特色，以及须要更高哀求的预处理 算法，但步态识别具有远间隔、跨角度、光照不敏感等上风。

3.1.7 虚拟现实/增强现实

虚拟现实（VR）/增强现实（AR）因此打算机为核心的新型视听技能。
结合 干系科学技能，在一定范围内天生与真实环境在视觉、听觉、触感等方面高度近 似的数字化环境。
用户借助必要的装备与数字化环境中的工具进行交互，相互影 响，得到近似真实环境的感想熏染和体验，通过显示设备、跟踪定位设备、触力觉交 互设备、数据获取设备、专用芯片等实现。

虚拟现实/增强现实从技能特色角度，按照不同处理阶段，可以分为获取与 建模技能、剖析与利用技能、交流与分发技能、展示与交互技能以及技能标准与 评价体系五个方面。
获取与建模技能研究如何把物理天下或者人类的创意进行数 字化和模型化，难点是三维物理天下的数字化和模型化技能；剖析与利用技能重 点研究对数字内容进行剖析、理解、搜索和知识化方法，其难点是在于内容的语 义表示和剖析；交流与分发技能紧张强调各种网络环境下大规模的数字化内容流 通、转换、集成和面向不同终端用户的个性化做事等，其核心是开放的内容交流 和版权管理技能；展示与交流技能重点研究符合人类习气数字内容的各种显示技 术及交互方法，以期提高人对繁芜信息的认知能力，其难点在于建立自然和谐的 人机交互环境；标准与评价体系重点研究虚拟现实/增强现实根本资源、内容编 目、信源编码等的规范标准以及相应的评估技能。

目前虚拟现实/增强现实面临的寻衅紧张表示在智能获取、普适设备、自由 交互和感知领悟四个方面。
在硬件平台与装置、核心芯片与器件、软件平台与工 具、干系标准与规范等方面存在一系列科学技能问题。
总体来说虚拟现实/增强 现实呈现虚拟现实系统智能化、虚实环境工具无缝领悟、自然交互全方位与舒适 化的发展趋势。

3.1.8 人工智能技能发展趋势

综上所述，人工智能技能在以下方面的发展有显著的特点，是进一步研究人 工智能趋势的重点。

（1）技能平台开源化 开源的学习框架在人工智能领域的研发成绩斐然，对深度学习领域影响巨大。
开源的深度学习框架使得开拓者可以直策应用已经研发成功的深度学习工具，减 少二次开拓，提高效率，促进业界紧密互助和互换。
国内外家当巨子也纷纭意识 到通过开源技能建立家当生态，是抢占家当制高点的主要手段。
通过技能平台的 开源化，可以扩大技能规模，整合技能和运用，有效布局人工智能百口当链。
谷 歌、百度等国内外龙头企业纷纭布局开源人工智能生态，未来将有更多的软硬件 企业参与开源生态。

（2）专用智能向通用智能发展 目前的人工智能发展紧张集中在专用智能方面，具有领域局限性。
随着科技 的发展，各领域之间相互领悟、相互影响，须要一种范围广、集成度高、适应能 力强的通用智能，供应从赞助性决策工具到专业性办理方案的升级。
通用人工智 能具备实行一样平常聪慧行为的能力，可以将人工智能与感知、知识、意识和直觉等 人类的特色相互连接，减少对领域知识的依赖性、提高处理任务的普适性，这将 是人工智能未来的发展方向。
未来的人工智能将广泛的涵盖各个领域，肃清各领 域之间的运用壁垒。

（3）智能感知向智能认知方向迈进 人工智能的紧张发展阶段包括：运算智能、感知智能、认知智能，这一不雅观点 得到业界的广泛认可。
早期阶段的人工智能是运算智能，机器具有快速打算和记 忆存储能力。
当前大数据时期的人工智能是感知智能，机器具有视觉、听觉、触 觉等感知能力。
随着类脑科技的发展，人工智能一定向认知智能时期迈进，即让 机器能理解会思考。

3.2 人工智能家当现状及趋势

人工智能作为新一轮家当变革的核心驱动力，将催生新的技能、产品、家当、 业态、模式，从而引发经济构造的重大变革，实现社会生产力的整体提升。
麦肯 锡估量，到 2025 年环球人工智能运用市场规模总值将达到 1270 亿美元，人工智 能将是浩瀚智能家当发展的打破点。

通过对人工智能家当分布进行梳理，提出了人工智能家当生态图，紧张分为 核心业态、关联业态、衍生业态三个层次，如图 3 所示。

下面将重点对核心业态包含的智能根本举动步伐培植、智能信息及数据、智能技 术做事、智能产品四个方面展开先容，并总结人工智能行业运用及家当发展趋势。

3.2.1 智能根本举动步伐

智能根本举动步伐为人工智能家当供应打算能力支撑，其范围包括智能传感器、 智能芯片、分布式打算框架等，是人工智能家当发展的主要保障。

（1）智能芯片

智能芯片从运用角度可以分为演习和推理两种类型。
从支配场景来看，可以 分为云端和设备端两步大类。
演习过程由于涉及海量的演习数据和繁芜的深度神 经网络构造，须要弘大的打算规模，紧张利用智能芯片集群来完成。
与演习的计 算量比较，推理的打算量较少，但仍旧涉及大量的矩阵运算。
目前，演习和推理 常日都在云端实现，只有对实时性哀求很高的设备会交由设备端进行处理。

按技能架构来看，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、类脑打算芯片（IBM TrueNorth）。
其余，紧张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，人工智能发展对打算性能的哀求 急迫增长，对 CPU 打算性能提升的需求超过了摩尔定律的增长速率。
同时，受 限于技能缘故原由，传统处理器性能也无法按照摩尔定律连续增长，发展下一代智能 芯片势在必行。
未来的智能芯片紧张是在两个方向发展：一是模拟人类大脑构造 的芯片，二是量子芯片。
智能芯片是人工智能时期的计策制高点，估量到 2020 年人工智能芯片环球市场规模将打破百亿美元。

（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、交流信息等功能，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。
各种传感器的大规模 支配和运用为实现人工智能创造了不可或缺的条件。
不同运用处景，如智能安防、 智能家居、智能医疗等对传感器运用提出了不同的哀求。
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 能传感器发展的主要趋势。

（3）分布式打算框架

面对海量的数据处理、繁芜的知识推理，常规的单机打算模式已经不能支撑。
以是，打算模式必须将巨大的打算任务分成小的单机可以承受的打算任务，即云 打算、边缘打算、大数据技能供应了根本的打算框架。
目前盛行的分布式打算框 架如 OpenStack、Hadoop、Storm、Spark、Samza、Bigflow 等。
各种开源深度学 习框架也层出不穷，个中包括 TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、 Leaf、Theano、DeepLearning4、Lasagne、Neon 等等。

3.2.2 智能信息及数据

信息数据是人工智能创造代价的关键要素之一。
我国弘大的人口和家当基数 带来了数据方面的天生上风。
随着算法、算力技能水平的提升，环绕数据的采集、 剖析、处理产生了浩瀚的企业。
目前，在人工智能数据采集、剖析、处理方面的 企业紧张有两种：一种是数据集供应商，以供应数据为自身紧张业务，为需求方 供应机器学习等技能所须要的不同领域的数据集；另一种是数据采集、剖析、处理综合性厂商，自身拥有获取数据的路子，并对采集到的数据进行剖析处理，最 终将处理后的结果供应给需求方进行利用。
对付一些大型企业，企业本身也是数 据剖析处理结果的需求方。

3.2.3 智能技能做事

智能技能做事紧张关注如何构建人工智能的技能平台，并对外供应人工智能 干系的做事。
此类厂商在人工智能家当链中处于关键位置，依托根本举动步伐和大量 的数据，为各种人工智能的运用供应关键性的技能平台、办理方案和做事。
目前， 从供应做事的类型来看，供应技能做事厂商包括以下几类：

（1）供应人工智能的技能平台和算法模型。
此类厂商紧张针对用户或者行 业需求，供应人工智能技能平台以及算法模型。
用户可以在人工智能平台之上， 通过一系列的算法模型来进行人工智能的运用开拓。
此类厂商紧张关注人工智能 的通用打算框架、算法模型、通用技能等关键领域。

（2）供应人工智能的整体办理方案。
此类厂商紧张针对用户或者行业需求， 设计和供应包括软、硬件一体的行业人工智能办理方案，整体方案中集成多种人 工智能算法模型以及软、硬件环境，帮助用户或行业办理特定的问题。
此类厂商 重点关注人工智能在特定领域或者特定行业的运用。

（3）供应人工智能在线做事。
此类厂商一样平常为传统的云做事供应厂商，主 要依托其已有的云打算和大数据运用的用户资源，聚拢用户的需求和行业属性， 为客户供应多类型的人工智能做事；从各种模型算法和打算框架的 API 等特定 运用平台到特定行业的整体办理方案等，进一步吸引大量的用户利用，从而进一 步完善其供应的人工智能做事。
此类厂商紧张供应相对通用的人工智能做事，同 时也会关注一些重点行业和领域。

须要指出的是，上述三类角色并不是严格区分开的，很多情形下会涌现重叠， 随着技能的发展成熟，在人工智能家当链中已有大量的厂商同时具备上述两类或 者三类角色的特色。

3.2.4 智能产品

智能产品是指将人工智能领域的技能成果集成化、产品化，详细的分类如表 1 所示。

表 1 人工智能的产品

随着制造强国、网络强国、数字中国培植进程的加快，在制造、家居、金融、 教诲、交通、安防、医疗、物流等领域对人工智能技能和产品的需求将进一步释 放，干系智能产品的种类和形态也将越来越丰富。

3.2.5 人工智能行业运用

人工智能与行业领域的深度领悟将改变乃至重新塑造传统行业，本节重点介 绍人工智能在制造、家居、金融、交通、安防、医疗、物盛行业的运用，由于篇 幅有限，其它很多主要的行业运用在这里不展开论述。

（1）智能制造

智能制造是基于新一代信息通信技能与前辈制造技能深度领悟，贯穿于设计、 生产、管理、做事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办法。
智能制造对人工智能的需求紧张表现在以下 三个方面：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 数控机床等详细设备，涉及到跨媒体剖析推理、自然措辞处理、虚拟现实智能建 模及自主无人系统等关键技能。
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详细内容，涉及到跨媒体剖析推理、大数据智能、机器学习 等关键技能。
三是智能做事，包括大规模个性化定制、远程运维以及预测性掩护 等详细做事模式，涉及到跨媒体剖析推理、自然措辞处理、大数据智能、高等机 器学习等关键技能。
例如，现有涉及智能装备故障问题的纸质化文件，可通过自 然措辞处理，形成数字化资料，再通过非构造化数据向构造化数据的转换，形成 深度学习所需的演习数据，从而构培植备故障剖析的神经网络，为下一步故障诊 断、优化参数设置供应决策依据。

（2）智能家居

参照工业和信息化部印发的《聪慧家庭综合标准化体系培植指南》，智能家 居是聪慧家庭八大运用处景之一。
受家当环境、价格、消费者认可度等成分影响， 我国智能家居行业经历了漫长的探索期。
至 2010 年，随着物联网技能的发展以 及聪慧城市观点的涌现，智能家居观点逐步有了清晰的定义并随之呈现出各种产 品，软件系统也经历了多少轮升级。

智能家居以住宅为平台，基于物联网技能，由硬件（智能家电、智能硬件、 安防掌握设备、家具等）、软件系统、云打算平台构成的家居生态圈，实现人远 程掌握设备、设备间互联互通、设备自我学习等功能，并通过网络、剖析用户行 为数据为用户供应个性化生活做事，使家居生活安全、节能、便捷等。
例如，借助智能语音技能，用户运用自然措辞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；借助机器学习技能，智 能电视可以从用户看电视的历史数据等分析其兴趣和爱好，并将干系的节目推举 给用户。
通过运用声纹识别、脸部识别、指纹识别等技能进行开锁等；通过大数 据技能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。
通过网络产品运行数据，创造产品非常，主动供应做事，降落故障率。
还可以通 过大数据剖析、远程监控和诊断，快速创造问题、办理问题及提高效率。

（3）智能金融

人工智能的飞速发展将对身处做事代价链高真个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、创造客户金融需求的主要成分。
人工智能技 术在金融业中可以用于做事客户，支持授信、各种金融交易和金融剖析中的决策， 并用于风险防控和监督，将大幅改变金融现有格局，金融做事将会更加地个性化 与智能化。
智能金融对付金融机构的业务部门来说，可以帮助获客，精准做事客 户，提高效率；对付金融机构的风控部门来说，可以提高风险掌握，增加安全性； 对付用户来说，可以实现资产优化配置，体验到金融机构更加完美地做事。
人工 智能在金融领域的运用紧张包括：智能获客，依托大数据，对金融用户进行画像， 通过需求相应模型，极大地提升获客效率；身份识别，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，再加上各种票据、***、 ***等证件票据的 OCR 识别等技能手段，对用户身份进行验证，大幅降落核 验本钱，有助于提高安全性；大数据风控，通过大数据、算力、算法的结合，搭 建反敲诈、信用风险等模型，多维度掌握金融机构的信用风险和操作风险，同时 避免资产丢失；智能投顾，基于大数据和算法能力，对用户与资产信息进行标签 化，精准匹配用户与资产；智能客服，基于自然措辞处理能力和语音识别能力， 拓展客服领域的深度和广度，大幅降落做事本钱，提升做事体验；金融云，依托 云打算能力的金融科技，为金融机构供应更安全高效的全套金融办理方案。

（4）智能交通

智能交通系统（Intelligent Traffic System，ITS）是通信、信息和掌握技能在 交通系统中集成运用的产物。
ITS 借助当代科技手段和设备，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折衷、优化配置和高效利用，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、行车速率等信息，信息剖析 处理系统处理后形成实时路况，决策系统据此调度道路红绿灯时长，调度可变车 道或潮汐车道的通畅方向等，通过信息发布系统将路况推送到导航软件和广播中， 让人们合理方案行驶路线。
通过一直车收费系统（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，有效提高通畅能力、简化收 费管理、降落环境污染。

ITS 运用最广泛的地区这天本，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、杭州等大城市已经培植了前辈的 智能交通系统；个中，北京建立了道路交通掌握、公共交通指挥与调度、高速公 路管理和紧急事宜管理等四大 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

智能安防技能是一种利用人工智能对***、图像进行存储和剖析，从中识别 安全隐患并对其进行处理的技能。
智能安防与传统安防的最大差异在于智能化， 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地安全戒备和处理。

当前，高清***、智能剖析等技能的发展，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运用发展，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供应可视化及智能化方案。
用 户面对海量的***数据，已无法大略利用人海战术进行检索和剖析，须要采取人 工智能技能作专家系统或赞助手段，实时剖析***内容，探测非常信息，进行风 险预测。
从技能方面来讲，目前海内智能安防剖析技能紧张集中在两大类：一类 是采取画面分割前景提取等方法对***画面中的目标进行提取检测，通过不同的 规则来区分不同的事宜，从而实现不同的判断并产生相应的报警联动等，例如： 区域入侵剖析、斗殴检测、职员聚拢剖析、交通事宜检测等；另一类是利用模式 识别技能，对画面中特定的物体进行建模，并通过大量样本进行演习，从而达到 对***画面中的特定物体进行识别，如车辆检测、人脸检测、人头检测（人流统 计）等运用。

智能安防目前涵盖浩瀚的领域，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。
今后智能安防还要办理海量***数据剖析、存储掌握及 传输问题，将智能***剖析技能、云打算及云存储技能结合起来，构建聪慧城市 下的安防体系。

（6）智能医疗

人工智能的快速发展，为医疗康健领域向更高的智能化方向发展供应了非常 有利的技能条件。
近几年，智能医疗在赞助诊疗、疾病预测、医疗影像赞助诊断、 药物开拓等方面发挥主要浸染。

在赞助诊疗方面，通过人工智能技能可以有效提高医护职员事情效率，提升 一线全科年夜夫的诊断治疗水平。
如利用智能语音技能可以实现电子病历的智能语 音录入；利用智能影像识别技能，可以实现医学图像自动读片；利用智能技能和 大数据平台，构建赞助诊疗系统。

在疾病预测方面，人工智能借助大数据技能可以进行疫情监测，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，当年夜夫 创造新型流感病例时需奉告疾病掌握与预防中央。
但由于人们可能患病不及时就 医，同时信息传达回疾控中央也须要韶光，因此，通知布告新流感病例时每每会有一 定的延迟，人工智能通过疫情监测能够有效缩短相应韶光。

在医疗影像赞助诊断方面，影像判读系统的发展是人工智能技能的产物。
早 期的影像判读系统紧张靠人手工编写剖断规则，存在耗时长、临床运用难度大等 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色进行提取和剖析， 为患者预前和预后的诊断和治疗供应评估方法和精准诊疗决策。
这在很大程度上 简化了人工智能技能的运用流程，节约了人力本钱。

（7）智能物流

传统物流企业在利用条形码、射频识别技能、传感器、环球定位系统等方面 优化改进运输、仓储、配送装卸等物流业基本活动，同时也在考试测验利用智能搜索、 推理方案、打算机视觉以及智能机器人等技能，实现货色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，利用大数据智能通过分 析大量历史库存数据，建立干系预测模型，实现物流库存商品的动态调度。
大数据智能也可以支撑商品配送方案，进而实现物流供给与需求匹配、物流资源优化 与配置等。
在货色搬运环节，加载打算机视觉、动态路径方案等技能的智能搬运 机器人（如搬运机器人、货架穿梭车、分拣机器人等）得到广泛运用，大大减少 了订单出库韶光，使物流仓库的存储密度、搬运的速率、拣选的精度均有大幅度 提升。

3.2.6 人工智能家当发展趋势

从人工智能家当进程来看，技能打破是推动家当升级的核心驱动力。
数据资 源、运算能力、核心算法共同发展，掀起人工智能第三次新浪潮。
人工智能家当 正处于从感知智能向认知智能的进阶阶段，前者涉及的智能语音、打算机视觉及 自然措辞处理等技能，已具有大规模运用根本，但后者哀求的“机器要像人一样 去思考及主动行动”仍尚待打破，诸如无人驾驶、全自动智能机器人等仍处于开 发中，与大规模运用仍有一定间隔。

（1）智能做事呈现线下和线上的无缝结合

分布式打算平台的广泛支配和运用，增大了线上做事的运用范围。
同时人工 智能技能的发展和产品不断呈现，如智能家居、智能机器人、自动驾驶汽车等， 为智能做事带来新的渠道或新的传播模式，使得线上做事与线下做事的领悟进程 加快，促进多家当升级。

（2）智能化运用处景从单一向多元发展

目前人工智能的运用领域还多处于专用阶段，如人脸识别、***监控、语音 识别等都紧张用于完成详细任务，覆盖范围有限，家当化程度有待提高。
随着智 能家居、聪慧物流等产品的推出，人工智能的运用终将进入面向繁芜场景，处理 繁芜问题，提高社会生产效率和生活质量的新阶段。

（3）人工智能和实体经济深度领悟进程将进一步加快

党的十九大报告提出“推动互联网、大数据、人工智能和实体经济深度领悟”， 一方面，随着制造强国培植的加快将促进人工智能等新一代信息技能产品发展和 运用，助推传统家当转型升级，推动计策性新兴家当实现整体性打破。
另一方面， 随着人工智能底层技能的开源化，传统行业将有望加快节制人工智能根本技能并依托其积累的行业数据资源实现人工智能与实体经济的深度领悟创新。

3.3 安全、伦理、隐私问题

历史履历表明新技能常常能够提高生产效率，促进社会进步。
但与此同时， 由于人工智能尚处于初期发展阶段，该领域的安全、伦理、隐私的政策、法律和 标准问题值得关注。
就人工智能技能而言，安全、伦理和隐私问题直接影响人们 与人工智能工具交互履历中对人工智能技能的信赖。
社会"大众必须信赖人工智能 技能能够给人类带来的安全利益远大于侵害，才有可能发展人工智能。
要保障安 全，人工智能技能本身及在各个领域的运用应遵照人类社会所认同的伦理原则， 个中应特殊关注的是隐私问题，由于人工智能的发展伴随着越来越多的个人数据 被记录和剖析，而在这个过程中保障个人隐私则是社会信赖能够增加的主要条件。
总之，建立一个令人工智能技能造福于社会、保护"大众利益的政策、法律和标准 化环境，是人工智能技能持续、康健发展的主要条件。
为此，本章集中谈论与人 工智能技能干系的安全、伦理、隐私的政策和法律问题。

3.3.1 人工智能的安全问题

人工智能最大的特色是能够实现无人类干预的，基于知识并能够自我改动地 自动化运行。
在开启人工智能系统后，人工智能系统的决策不再须要操控者进一 步的指令，这种决策可能会产生人类预见不到的结果。
设计者和生产者在开拓人 工智能产品的过程中可能并不能准确预知某一产品会存在的可能风险。
因此，对 于人工智能的安全问题不容忽略。

与传统的公共安全（例如核技能）须要强大的根本举动步伐作为支撑不同，人工 智能以打算机和互联网为依托，无需昂贵的根本举动步伐就能造成安全威胁。
节制相 关技能的职员可以在任何韶光、地点且没有昂贵根本举动步伐的情形下做出人工智能 产品。
人工智能的程序运行并非公开可追踪，其扩散路子和速率也难以精确掌握。
在无法利用已有传统牵制技能的条件下，对人工智能技能的牵制必须另辟路子。
换言之，牵制者必须考虑更为深层的伦理问题，担保人工智能技能及其运用均应 符合伦理哀求，才能真正实现保障公共安全的目的。

由于人工智能技能的目标实现受其初始设定的影响，必须能够保障人工智能设计的目标与大多数人类的利益和伦理道德同等，纵然在决策过程中面对不同的 环境，人工智能也能做出相对安全的决定。
从人工智能的技能运用方面看，要充 分考虑到人工智能开拓和支配过程中的任务和差错问题，通过为人工智能技能开 发者、产品生产者或者做事供应者、终极利用者设定权利和责任的详细内容，来 达到落实安全保障哀求的目的。

此外，考虑到目前天下各国关于人工智能管理的规定尚分歧一，干系标准也 处于空缺状态，同一人工智能技能的参与者可能来自不同国家，而这些国家尚未 签署针对人工智能的共有合约。
为此，我国应加强国际互助，推动制订一套天下 通用的牵制原则和标准来保障人工智能技能的安全性。

3.3.2 人工智能的伦理问题

人工智能是人类智能的延伸，也是人类代价系统的延伸。
在其发展的过程中， 应该包含对人类伦理代价的精确考量。
设定人工智能技能的伦理哀求，要依托于 社会和公众年夜众对人工智能伦理的深入思考和广泛共识，并遵照一些共识原则：

一是人类利益原则，即人工智能应以实现人类利益为终极目标。
这一原则体 现对人权的尊重、对人类和自然环境利益最大化以及降落技能风险和对社会的负 面影响。
在此原则下，政策和法律应致力于人工智能发展的外部社会环境的构建， 推动对社会个体的人工智能伦理和安全意识教诲，让社会当心人工智能技能被滥 用的风险。
此外，还该当当心人工智能系统作出与伦理道德偏差的决策。
例如， 大学利用机器学习算法来评估入学申请，如果用于演习算法的历史入学数据（有 意或无意）反响出之前的录取程序的某些偏差（如性别歧视），那么机器学习可 能会在重复累计的运算过程中恶化这些偏差，造成恶性循环。
如果没有纠正，偏 差会以这种办法在社会中永久存在。

二是任务原则，即在技能开拓和运用两方面都建立明确的任务体系，以便在 技能层面可以对人工智能技能开拓职员或部门问责，在运用层面可以建立合理的 任务和赔偿体系。
在任务原则下，在技能开拓方面应遵照透明度原则；在技能应 用方面则应该遵照权责同等原则。

个中，透明度原则哀求理解系统的事情事理从而预测未来发展，即人类应该 知道人工智能如何以及为何做出特定决定，这对付任务分配至关主要。
例如，在神经网络这个人工智能的主要议题中，人们须要知道为什么会产生特定的输出结 果。
其余，数据来源透明度也同样非常主要。
即便是在处理没有问题的数据集时， 也有可能面临数据中隐含的偏见问题。
透明度原则还哀求开拓技能时把稳多个人 工智能系统协作产生的危害。

权责同等原则，指的是未来政策和法律该当做出明确规定：一方面必要的商 业数据应被合理记录、相应算法应受到监督、商业运用应受到合理审查；另一方 面商业主体仍可利用合理的知识产权或者商业秘密来保护本企业的核心参数。
在 人工智能的运用领域，权利和任务同等的原则尚未在商界、政府对伦理的实践中 完备实现。
紧张是由于在人工智能产品和做事的开拓和生产过程中，工程师和设 计团队每每忽略伦理问题，此外人工智能的全体行业尚未习气于综合考量各个利 益干系者需求的事情流程，人工智能干系企业对商业秘密的保护也未与透明度相 平衡。

3.3.3 人工智能的隐私问题

人工智能的近期发展是建立在大量数据的信息技能运用之上，不可避免地涉 及到个人信息的合理利用问题，因此对付隐私该当有明确且可操作的定义。
人工 智能技能的发展也让陵犯个人隐私（的行为）更为便利，因此干系法律和标准应 该为个人隐私供应更强有力的保护。
已有的对隐私信息的牵制包括对利用者未明 示赞许的网络，以及利用者昭示赞许条件下的个人信息网络两种类型的处理。
人 工智能技能的发展对原有的牵制框架带来了新的寻衅，缘故原由是利用者所赞许的个 人信息网络范围不再有确定的界线。
利用人工智能技能很随意马虎推导出公民不愿意 透露的隐私，例如从公共数据中推导出私人信息，从个人信息中推导出和个人有 关的其他职员（犹如伙、亲人、同事）信息（在线行为、人际关系等）。
这类信 息超出了最初个人赞许表露的个人信息范围。

此外，人工智能技能的发展使适合局对付公民个人数据信息的网络和利用更 加便利。
大量个人数据信息能够帮助政府各个部门更好地理解所做事的人群状态， 确保个性化做事的机会和质量。
但随之而来的是，政府部门和政府事情职员个人 不恰当利用个人数据信息的风险和潜在的危害应该得到足够的重视。

人工智能语境下的个人数据的获取和知情赞许该当重新进行定义。
首先，干系政策、法律和标准应直接对数据的网络和利用进行规制，而不能仅仅征得数据 所有者的赞许；其次，应该建立实用、可实行的、适应于不同利用场景的标准流 程以供设计者和开拓者保护数据来源的隐私；再次，对付利用人工智能可能推导 出超过公民最初赞许表露的信息的行为该当进行规制。
末了，政策、法律和标准 对付个人数据管理该当采纳延伸式保护，鼓励发展干系技能，探索将算法工具作 为个体在数字和现实天下中的代理人。
这种办法使得掌握和利用两者得以共存， 由于算法代理人可以根据不同的情形，设定不同的利用权限，同时管理个人赞许 与谢绝分享的信息。

本章节所涉及的安全、伦理和隐私问题是人工智能发展面临的寻衅。
安全问 题是让技能能够持续发展的条件。
技能的发展给社会信赖带来了风险，如何增加 社会信赖，让技能发展遵照伦理哀求，特殊是保障隐私不会被陵犯是亟需办理的 问题。
为此，须要（订定）合理的政策、法律、标准根本，并与国际社会协作。
在订定政策、法律和标准时，应该摆脱肤浅的***炒作和广告式的热点宣扬，必 须促进对人工智能技能产品更深层地理解，聚焦这一新技能给社会产生重大利益 的同时也带来的巨大寻衅。
作为国际社会的主要成员，中国对保障人工智能技能 运用在精确的道路上、基于精确的情由得到康健发展担负主要的任务。

3.4 人工智能标准化的主要浸染

当今，经济环球化和市场国际化深入发展，标准作为经济和社会活动的紧张 技能依据，已成为衡量国家或地区技能发展水平的主要标志、产品进入市场的基 本准则、企业市场竞争力的详细表示。
标准化工为难刁难人工智能及其家当发展具有 根本性、支撑性、引领性的浸染，既是推动家当创新发展的关键抓手，也是家当 竞争的制高点。
人工智能标准的前辈与完善与否，关系抵家当的康健发展、以及 产品国际市场竞争力的强弱。

美国、欧盟、日本等发达国家高度重视人工智能标准化事情。
美国发布的《国 家人工智能研究与发展策略方案》，欧盟发布的“人脑操持”，日本履行的“人工 智能/大数据/物联网/网络安全综合项目”，均提出环绕核心技能、顶尖人才、标 准规范等强化支配，力争抢占新一轮科技主导权。
我国高度重视人工智能标准化事情。
在***《新一代人工智能发展方案》中将人工智能标准化作为主要支撑保障，提出要“加强人工智能标准框架体系研 究。
坚持安全性、可用性、互操作性、可追溯性原则，逐步建立并完善人工智能 根本共性、互联互通、行业运用、网络安全、隐私保护等技能标准。
加快推动无 人驾驶、做事机器人等细分运用领域的行业协会和同盟制订干系标准”。
工信部 在《促进新一代人工智能家当发展三年行动操持（2018-2020 年）》中指出，要建 设人工智能家当标准规范体系，建立并完善根本共性、互联互通、安全隐私、行 业运用等技能标准；同时构建人工智能产品评估评测体系。

我国虽然在人工智能领域虽然具备了良好根本，语音识别、视觉识别、中文 信息处理等核心技能实现了打破，也具有巨大的运用市场环境，但整体发展水平 仍掉队于发达国家，在核心算法、关键设备、高端芯片、重大产品与系统等方面 差距较大，适应人工智能发展的根本举动步伐、政策法规、标准体系亟待完善。

综上剖析，更应重视人工智能标准化工为难刁难于促进技能创新、支撑家当发展 具有的主要引领浸染：

（一）标准化事情有利于加快人工智能技能创新和成果转化。
现阶段人工智 能技能发展迅速，市场上逐步涌现了可规模化、可商业化的产品和运用，须要以 标准化的手段固化技能成果，实现快速创新推广；

（二）标准化事情有助于提升人工智能产品和做事质量。
如市场上涌现的人 脸识别系统、智能音箱、做事机器人等产品，质量残次不齐，须要标准的统一规 范，并合营以开展符合性测试评估的办法，提升产品和做事质量；

（三）标准化事情有助于切实保障用户安全。
例如自动驾驶领域的“电车难 题”伦理难题、苹果手机指纹透露用户隐私等问题，引起了人们的广泛关注。
如 何保护用户权柄是难点也是重点，这须要通过建立以人为本的原则，制订干系安 全标准规范，确保智能系统屈服并做事于人类伦理，并确保信息安全；

（四）标准化事情有助于营造公正开放的人工智能家当生态。
当前，行业巨 头以开源算法、平台接口绑定等办法，打造自有深度学习框架等生态体系，造成 用户数据信息较难迁移。
这须要统一的标准实现厂商之间的互操作与协同事情， 防止行业垄断、用户绑定，形成良性的家当生态。