人工智能未来的发展方向是什么
第一个趋势是，全体IT巨头将重兵布局AI云服务，AI-a-a-S，意思是人工智能即服务，将成为未来趋势。AI是未来，已经是不证自明的事实，新老IT巨头不仅在自身业务里积极运用人工智能，同时也在积极利用云计算平台将AI服务提供给第三方。
从供给方来说呢，IT巨头们都很清楚，只要第三方使用自己的平台，就会把数据留在平台上，而这些数据将会是人工智能时代的一座大金矿。从需求方来说呢，那些应用企业可以利用大公司提供的AI云服务，提升自己的竞争力。所以，无论对于AI服务的提供商，还是使用AI服务的企业，这都是一种双赢的合作。
[[406493]]
第二个趋势是，新老人工智能企业将围绕智能入口展开白热化的争夺。在互联网时代，几乎每个入口都会引起争夺，而每个入口争夺的成功者都会变成下一个巨头。比如在Web2.0时代，互动社交的兴起形成了社交入口，造就了Facebook和腾讯。人工智能时代也不例外，激烈的争夺过后，必然会诞生下一个巨大的超级企业。
人工智能时代，服务的入口主要是自然语言的语音交互，自然语言处理会是人机交互的主要模式，谁能让机器更懂人类的语言，谁就能有可能取胜。人工智能会全面包围我们生活的方方面面，这意味着，人工智能入口的竞争会更加惨烈，而越早参与，获得越多的用户，胜利的几率就越大。
[[406494]]
第三个趋势是，人工智能将占领客厅，语音交互将成为主流电视应用。智能家居概念喊了很多年了，比尔·盖茨在1995年出版的《未来之路》里就做出了清晰的描述，但是这样的描述迄今都没有成为事实，核心原因就在于用户缺乏需求。
现在随着电视屏幕尺寸增大、视频内容爆炸性增长，传统的遥控器越来越难以满足人们使用电视的需求，语音为主的智能搜索和智能互动正在迅速崛起，自然语言交互将会成为操纵电视机的标准方式。三星等传统的电视厂商、Netflix和亚马逊等视频内容提供商、微软和谷歌等IT厂商都已经或将要推出自己的以电视为核心的语音互动产品，智能家居正在从电视机切入成为现实。
[[406495]]
第四个趋势是，智能玩具将成为AI最早成功的应用领域之一。如果利用AI来诊断病情，或是制造自动驾驶汽车，人们往往无法容忍它犯错误。但是玩具不同，人们对玩具的出错容忍度高。所以，在人工智能还没办法超越人类智能的今天，智能玩具恰恰是能够让人工智能获得初期市场认可的切入点。
事实上，现在已经有不少成功的案例了，比如2016年底，能和人玩游戏的智能玩具Cozmo热卖到断货。2017年更会有一大批的智能玩具上市。中国的玩具制造业虽然强大，但是没有什么品牌优势，如果中国的玩具公司和高科技公司合作，借助自己强大的制造实力和市场推广实力，顺势推出自己的品牌，将会获得巨大的商机。
2018年人工智能领域研发热点回眸
人机融合智能研究是智能技术发展到一定程度的产物，它既包括人工智能的技术研究，也包括机器与人、机器与环境及人、机、环境之间关系的探索。人机融合智能研究不仅仅要考虑机器技术的高速发展，更要考虑交互主体-人类的思维与认知方式，让机器与人类各司其职，互相促进，这才是人工智能真正的前景与趋势[6]。
2群体智能
在上文中提到的人工智能发展的特点中，人工智能是从聚焦“个体智能”到基于互联网络的群体智能。群体智能是源于对蚂蚁、蜜蜂等为代表的社会性昆虫的群体行为的研究，最早被用在细胞机器人系统的描述中。它具有分布式无中心的控制，并且群体自组织性[7]。
在自然界中，集群的方式可以让简单的生物展现出惊人的复杂性、效率甚至创造力。在人工智能领域，可以通过这种方法产生一种新的智能，像超级专家一样“共同思考”。通过随机扩散搜索、蚁群优化、粒子群优化等算法，群体智能已应用在了无线通信、医疗、无人驾驶、艺术创作等方面[8]。
如今，UnanimousA.I.公司就在致力于研究群体智能，希望能够将数百人的知识、智慧、洞察以及知觉通过算法连接起来。该公司研制的SWARM平台等软件可以通过实时闭环控制系统将分布式网络组织成“人群”，能够聚集人类参与者的集体智慧以得出意见。它成功预测了奥斯卡，超级碗比赛，以及法国大选的结果[9]。该系统对2017-2018赛季20周的NHL曲棍球比赛进行了预测，得到了85%的成功率，超过了维加斯博彩市场的22%[10]。除了比赛和票选等预测活动，该群体智能方法还应用到了医疗领域，其诊断肺炎的准确率比单独工作的放射科医生团队高出22%[11]。
图2进行肺炎诊断的ASI（人工群体智能）[11]
Fig.2ASI(ArtificialSwarmIntelligence)inthediagnosisofpneumonia
3认知计算
认知是人与世界交互的重要过程，认知计算旨在模仿人类大脑的计算系统，让计算机像人一样认知和思考。只有实现了认知计算，才能真正实现可以学习并与人类自然交互的系统。从20世纪开始，人们通过单一用途的机械系统指示机器的行动，此为“制表时代”；在20世纪50年代进入了“编程时代”，人们通过编程的方式控制计算设备；从2011年起，人们就将认知计算列为了人工智能发展的目标，开始进入“认知时代”。在群体智能方面，我们借鉴了蚂蚁等生物的启示，而在认知计算里，我们依然要聚焦于生物，研究认知的整个过程。在认知计算中，系统通过大规模的学习，有目的、理性、自然地与人类进行互动。认知计算让机器不仅仅通过编程来执行指令，而是通过与人类的互动以及它们对环境的体验来学习和推理。它能够模拟人类的思维过程，理解世界的模糊性和不确定性。通过权衡来自多个来源的信息和想法，进行推理并提供假设[12][13]。
IBM的Watson系统是其中最有名的认知系统。它通过筛选大量的数据库获取信息，以问答的形式帮助用户回答对复杂问题的见解。通过认知计算的方式，它可以不断地从用户互动中获取数据，变得更加聪明。它目前已经成为了一个具有认知计算能力的生态系统，可不断地衍生出各种行业解决方案，被应用于医疗、天气预测法律顾问等方面。今年该平台被用在了教育领域，瑞典的一个研究小组开发出了一个使用IBMWatson系统的学习并行编程的助手，在实际教学实验中获得了学生的好评[14]。
认知计算的发展需要我们不断地对人的认知过程进行研究。其中，态势感知的研究也属于认知计算领域。态势感知将人的认知过程分为三个独立的层次，分别为：对环境中元素的感知，对当前形势的理解，对未来状况的预测[15]。通过建模和结构化的思想，可以将人的认知过程量化为态势感知程度。除此之外，人们也在不断的通过其他方式对人类的认知过程进行量化，试图通过计算机来进行模拟和计算。认知学可能是人工智能下一步发展的突破口。
4情感计算
在计算机的认知、学习、记忆和言语的水平都在逐渐提高的同时，我们也必须意识到，让计算机具有能够感知和理解人的情感，并且针对人的情感做出相应合适反应的能力，是让计算机具有更高的、全面的智能的必经之路。早在2006年，在Minsky的著作《情感机器》中就提出“人工智能=认知智能+情感智能”的说法[16]。情感计算的加入能够大大拓宽人工智能的应用领域。根据手段的不同，情感计算研究主要分为基于视觉，基于语音，基于文本及基于脑补信息和多模态信息的情感分析。
图3通过多种可穿戴运动传感器捕捉微妙的心脏运动[18]
Fig.3Capturesubtlecardiacmotionsbymultiplewearablemotionsensors
许多研究机构及情感计算工具公司都在不断对情感计算领域进行探索，例如：麻省理工学院媒体实验室，MicrosoftVIBE团队，Emotient公司等。他们力求达到更精准的情绪识别，并且不断开拓新的应用领域。从研究设备上，由于得到更多样的可穿戴设备支持，今年有许多有关可穿戴设备进行情感测量的研究涌现，例如：通过可穿戴设备获取运动心率进行情感评估[17]，或进行压力和睡眠评估[18]；还有在皮肤布置传感器的表皮机器人作为新的可穿戴设备[19]。从技术上，深度学习也大量应用在了情感计算上。例如：将CaltureNet方法应用于对自闭症儿童的面部情感识别[20]；将深度卷积神经网络应用于语音频谱图上进行语音情感分析[21]。从情绪的研究上，也有更多针对心理疾病的专门研究，例如：自杀冲动的数字化表征研究[22]；能够影响和参与自闭症治疗的机器人感知研究[23]。更加多元化的研究方向，以及更加专门的应用领域的研究，标志着情感计算的发展也在不断走向成熟。
5智能机器人
过去几年，波士顿动力公司一直引领着机器人动作控制的发展。在2017年，该公司的人形机器人Atlas已经可以进行完美的后空翻，而今年它又展示了令人惊叹的跑酷特技表演[24]。在该公司今年新公布的视频中，Atlas可以跳上多层的平台，将重心从右脚移到左脚，在上台阶时又将重心移回左脚。除此之外，Atlas今年还可以走出仓库，在草坪上进行跑步动作，这证明了该机器人在不平坦地面上的平衡性，稳定型以及导航能力。截止到目前，Atlas已经可以完成拿起和放下箱子，跳过障碍物，在人类的干扰推动中保持平衡等等高难度行为[25]。
图4波士顿动力公司Atlas机器人[25]
Fig.4AtlasofBostonDynamics
同样产生于波士顿动力公司的SpotMini曾经是机器人领域最火的四足机器人，而今年，ANYbotics公司的ANYmal吸引了人们的眼球。它具有很强的自动移动和操作能力，能够安全地与环境交互，适用于室内外场所的检查操作，在自然地形等进行搜索或救援任务，还能进行舞台娱乐活动[26]。今年ANYmal在位于大西洋东北部的北海的海上配电平台进行了为期一周的检查实验，它能够进行仪表、杠杆、油、水位，各种视觉和热测量等检查[27]。随着机器人技术的发展，机器人的职业功能实现的越来越好，越来越多的人类工作可能会被机器人取代。同时，机器人也能够更加准确地模拟人类的动作，我们可以预见，未来将有更多的仿生机器人能够被创造出来。人类与机器人共存，与机器人进行合作甚至融合的时代，总有一天会来到。
图5ANYbotics公司的ANYmal机器人[26]
Fig.5ANYmalofANYbotics
6智慧城市
随着城市体量变得越来越大，规划和管理也变得越来越复杂，世界各地的许多城市规划机构都已经开始将数字化作为解决城市问题的手段。因此人工智能技术也具有了更多的应用场景。智慧城市的普及和建设，能够提升城市中资源运用的效率，优化城市管理和服务，缓解“大城市病”，从整体上改善市民的生活质量。目前，智慧城市技术和规划已经在新加坡，迪拜，阿姆斯特丹，巴塞罗那，纽约等各国家和城市实现。而在中国，从2017年党的十九大报告中提出建设智慧社会以来，已有290个城市入选了国家智慧城市试点。17年底，雄安新区也与百度共同打造智能出行试点示范，希望共同将雄安新区打造为AICity智能城市新标杆[28]。
在迅速发展的浪潮中，智慧城市也存在着一些问题。根据文献分析和调查显示，在智慧城市的发展规划讨论中，人们更多关注于技术的使用和实施，对于城市居民的具体情况和他们如何参与智慧城市的发展过程等问题考虑不足[29]。在一些智慧城市的建设过程中，甚至会由于对传统的破坏而遭到当地居民的反对，例如墨西哥的托兰特辛特拉[30]。有一些问题可能会由于规划者无视城市的实际发展造成，这可能导致发展计划对公民缺少吸引力。在后续更多人工智能应用落地的过程中，需要更加脚踏实地，加强对居民的沟通和宣传，更多的让技术的实际惠及者——城市公民参与进智慧城市的规划和设计中，打造更高满意度，真正提升城市效率的智慧城市。
7人工智能医疗
在医疗领域，不断进步的模式识别技术和深度学习算法催生出了许多辅助医疗设备及技术。在很多医疗场景下，人工智能的加入都带来了效果的提升。这些设备有一些能够独立进行判断输出结果，有一些能够辅助医生进行决策和操作。在人工智能医疗预测场景，加拿大的一项针对前列腺切除术后康复情况的预测实验中，机器学习算法比传统的统计模型表现出了很好的效果，预测更准确。在推行自动预测工具后，人工智能医疗可针对患者进行个性化的治疗[31]。
人工智能的应用越来越优化，人们开始思考和探讨医生职业的可替代性。在辅助设备的效果评价上，众多的实验开始将其与人类医生的手法进行比较评价。不过在大部分的实验结果中，人类医生的表现依然优于人工智能的表现。在德国的一项实验中，针对皮肤镜黑瘤识别任务，包括30名专家在内的58位皮肤科医生中，大部分医生的表现均优于卷积神经网络。但是无论医生的经验如何，他们均能从人工智能辅助图像分类设备中受益[32]。
在诊断、治疗、医疗流程辅助、健康管理、药物研发等方面，人工智能均有很大发展潜力。人工智能的参与能够减轻和优化医生的工作，让更多的人可以享受到更高水平的医疗。
越来越多的人工智能应用的落地，在各个领域都在为人们的生活带来可见的提升。人们对于新技术应用的意识提高，构建了一个更加以用户创新、开放创新、大众创新、协同创新为特征的创新生态。人工智能也依然处在飞速发展中，向着“可知”、“可控”、“可用”、“可靠”的方向发展[33]。通过未来地不断研究，希望人与人工智能不断融合，向着真正的强人工智能迈进一步。
参考文献（References）
[1]HintonGE,OsinderoS,TehYW.Afastlearningalgorithmfordeepbeliefnets[J].Neuralcomputation,2006,18(7):1527-1554.
[2]KrizhevskyA,SutskeverI,HintonGE.Imagenetclassificationwithdeepconvolutionalneuralnetworks[C]//Advancesinneuralinformationprocessingsystems.2012:1097-1105.
[3]吴飞,阳春华,兰旭光,etal.人工智能的回顾与展望[J].中国科学基金,65535(3).
[4]PatrickTucker.DefenseIntelChiefWorriedAboutChinese‘IntegrationofHumanandMachines’[EB/OL].2018/12/26].https://www.defenseone.com/technology/2018/10/defense-intel-chief-worried-about-chinese-integration-human-and-machines/151904/.
[5]RobertAshley[EB/OL].2018-10-10[2018/12/26]https://www.ausa.org/ausa2018.
[6]刘伟.人机智能融合:人工智能发展的未来方向[J].人民论坛·学术前沿,2017(20):32-38.
[7]BeniG,WangJ.Swarmintelligenceincellularroboticsystems[M]//RobotsandBiologicalSystems:TowardsaNewBionics?.Springer,Berlin,Heidelberg,1993:703-712.
[8]KennedyJ.Swarmintelligence[M]//Handbookofnature-inspiredandinnovativecomputing.Springer,Boston,MA,2006:187-219.
[9][EB/OL][2018/12/26]https://unanimous.ai/publications/
[10]LouisRosenberg,GreggWillcox.ArtificialSwarmIntelligencevsVegasBettingMarkets[EB/OL][2018/12/26].https://11s1ty2quyfy2qbmao3bwxzc-wpengine.netdna-ssl.com/wp-content/uploads/2018/08/Artificial-Swarm-Intelligence-vs-Vegas-Betting-Markets-DeSE2018-f3.pdf.
[11]RosenbergL,WillcoxG,HalabiS.ArtificialSwarmIntelligenceemployedtoAmplifyDiagnosticAccuracyinRadiology[J].EMCON2018,2018:6.
[12]ThorstenSchroeer,Cognitivecomputing:HelloWatsonontheshopfloor[EB/OL]2017-05-09[2018/12/26].https://www.ibm.com/blogs/internet-of-things/iot-cognitive-computing-watson/.
[13]KellyJE.Computing,cognitionandthefutureofknowing[J].Whitepaper,IBMReseach,2015:2.
[14]MemetiS,PllanaS.PAPA:AParallelProgrammingAssistantPoweredbyIBMWatsonCognitiveComputingTechnology[J].JournalofComputationalScience,2018:S1877750317311493.
[15]EndsleyMR.Towardatheoryofsituationawarenessindynamicsystems[J].Humanfactors,1995,37(1):32-64.
[16]MinskyM.Theemotionmachine[J].NewYork:Pantheon,2006,56.
[17]HernandezJ,McDuffD,QuigleyKS,etal.WearableMotion-basedHeart-rateatRest:AWorkplaceEvaluation[J].IEEEjournalofbiomedicalandhealthinformatics,2018.
[18]Sano,A.,Taylor,S.,Jaques,N.,Chen,W.,Lopez-Martinez,D.,Nosakhare,E.,Rudovic,O.,Umematsu,T.,andPicard,R.,Mood,StressandSleepSensingwithWearableSensorsandMobilePhone[C]//The40thInternationalConferenceoftheIEEEEngineeringinMedicineandBiologySociety(EMBC),2018.
[19]DementyevA,HernandezJ,ChoiI,etal.EpidermalRobots:WearableSensorsThatClimbontheSkin[J].ProceedingsoftheACMonInteractive,Mobile,WearableandUbiquitousTechnologies,2018,2(3):102.
[20]FerrerEC,SchullerB,PicardRW.CultureNet:ADeepLearningApproachforEngagementIntensityEstimationfromFaceImagesofChildrenwithAutism[J].
[21]ZhangS,ZhangS,HuangT,etal.SpeechEmotionRecognitionUsingDeepConvolutionalNeuralNetworkandDiscriminantTemporalPyramidMatching[J].IEEETransactionsonMultimedia,2018,20(6):1576-1590.
[22]KleimanEM,TurnerBJ,FedorS,etal.Digitalphenotypingofsuicidalthoughts[J].Depressionandanxiety,2018.RudovicO,LeeJ,DaiM,etal.
[23]Personalizedmachinelearningforrobotperceptionofaffectandengagementinautismtherapy[J].arXivpreprintarXiv:1802.01186,2018.
[24]SamBlum,BostonDynamics’AtlasCanNowChaseYouUptheStairs[EB/OL]2018-10-12[2018/12/26].https://www.popularmechanics.com/technology/robots/a23725726/boston-dynamics-atlas-parkour/.
[25][EB/OL][2018/12/26]https://www.bostondynamics.com/atlas.
[26][EB/OL][2018/12/26]https://www.anybotics.com/anymal/.
[27]PéterFankhauser,World’sFirstAutonomousOffshoreRobot[EB/OL]2018-10-25[2018/12/26]https://www.anybotics.com/2018/10/25/worlds-first-autonomous-offshore-robot/
[28]鲁畅，高博，雄安新区与百度将共同打造智能出行试点示范[EB/OL]2018/12/26.http://www.xinhuanet.com/fortune/2017-12/20/c_1122143193.htm.
[29]MarroneM,HammerleM.SmartCities:AReviewandAnalysisofStakeholders’Literature[J].Business&InformationSystemsEngineering,2018.
[30]MadeleineWattenbarger,TheMexicantownthatrefusedtobecomeasmartcity[EB/OL]2018-10-16[2018/12/26]https://www.theguardian.com/cities/2018/oct/16/the-mexican-town-that-refused-to-become-a-smart-city.
[31]WongNC,LamC,PattersonL,etal.Useofmachinelearningtopredictearlybiochemicalrecurrenceafterrobot‐assistedprostatectomy[J].BJUinternational,2018.
[32]HaenssleHA,FinkC,SchneiderbauerR,etal.Managainstmachine:diagnosticperformanceofadeeplearningconvolutionalneuralnetworkfordermoscopicmelanomarecognitionincomparisonto58dermatologists[J].AnnalsofOncology,2018.
[33]周琳，胡喆，林小春，“中国智，世界能”[N].浙江日报，2018/12/26，http://society.people.com.cn/n1/2018/0920/c1008-30305072.html
本文摘自：《科技导报》2019（1），2019/01/13返回搜狐，查看更多
李飞飞：人工智能下一个春天是情绪和情感计算
六十年前初识计算机的时候，人们就在想：是否有一天我们可以创造出一种人工智能，达到甚至超越我们人类的智能水平。
几十年过去了，AI经过了几个寒冬。我们仍然没有了却几十年前的心愿。
今天，人工智能再一次火爆全球，我们似乎看到了人类科学正在加速冲向那个奇点。产业界和学术界都在不遗余力地进行AI研究，甚至流行的美剧《西部世界》也在讨论人工智能。
站在今天的时点上，人工智能到底有什么突破，未来的人工智能会向什么方向前进呢？
未来论坛2017年会的圆桌对话上四位人工智能界的泰斗大牛发表了自己的看法。
他们分别是：
李飞飞美国斯坦福大学计算机科学系终身教授、人工智能实验室主任
李凯普林斯顿大学Paul&MarciaWythes讲席教授，美国工程院院士，未来论坛科学委员会委员
沈向洋微软全球执行副总裁，微软人工智能及微软研究事业部负责人，未来论坛理事
张钹清华大学计算机系教授、中国科学院院士、清华大学智能技术与系统国家重点实验室学术委员会名誉主任
【画面从左至右分别为：主持人洪小文、李飞飞、李凯、沈向洋、张钹】
四位大牛似如山巅上的先知，通过他们的预言，似乎可以窥见人工智能的下一个春天。
Part1：对于目前人工智能的理解
张钹：举一百反一的人工智能和人类背道而驰。
大家都说人工智能可以做很多事情，我想先说说人工智能目前还不能做什么。人工智能学科从创立到现在，只往前走了两步。
第一步，是符号表示和推理模型。以前人工智能只是建立在数学模型的基础上。而推理模型在数学模型的基础上，把问题变成：如果可以把这个问题清晰地表述出来，用陈述性或过程性的语言，那么计算机就能解决它。当这个模型被提出来，人工智能解决问题的能力提高了一大步。这样，可解的问题就远比用数学表达的问题多得多。实际上，当时对人工智能的估计过高。因为人们发现，能“清楚表达”的问题很少。及时是理性思考，有很多问题都不能表述。
第二步，就是深度学习、数据驱动的方法。这又让人工智能向前迈了一步，而且这一步比前一步大得多。之前，我们可以用计算机解决的问题是“知其然又知其所以然”的问题。而有了深度学习，我们也可以解决“知其然而不知其所以然”的问题。特别是可以解决感知、视觉、听觉等方面的问题，例如：张三长什么样子，这个实在是不好表述。我们身边充满“说不清道不明”的问题，用新的深度学习技术可以解决很多这类问题。但是，我们的人工智能还没有到顶峰。目前的人工智能有三个限制条件。1、确定性；2、完全的知识和信息；3、封闭化、特定化的问题。
一个典型的人工智能可以解决的问题就是：阿法狗下围棋。
围棋有着确定的规则和目标；对方如何下子，盘面的信息，完全可以知道；而所有答案的可能性是一个封闭的。
处理带有这三个限制条件的问题，计算机肯定比人类好。但是如果缺一个条件，计算机就非常难完成了。例如打桥牌，答案不是封闭的，计算机就很难做了。
一年以前，如果我和微软小冰聊天。我说我叫张钹，小冰就会傻眼了。因为他没有我的信息。我如果说我是章子怡，小冰应该可以聊下去。所以，尽管小冰很厉害，但是和人的智能还是差得多。
深度学习目前有两个很难克服的重要缺点：
1、鲁棒性差。机器学习过的内容，和没学习过的内容，在识别效果方面差距太大。例如一个模式识别系统，经过训练可以很好地识别马、牛、羊。你给它一块石头，它有可能认为是马。
2、机器数据输入和输出结果差距太大。人的智能是举一反三，而机器是举一百反一。给几百万的数据，识别几万个目标。这和人类是背道而驰的。
所以，现在的人工智能还有很长的路要走。
李飞飞：人类的认知学，是人工智能下一步发展的突破口
很多朋友都知道我刚刚生了我们家的老二，还不到一岁大。作为人工智能研究者，我很高兴能体会当妈妈的感觉。之前张钹老师说感知代表了很多“不知其所以然”的问题，在现在大规模数据标注的情况下，都可以解决。
我觉得人工智能的下一步应该是认知。认知包括很多我们还不太清楚怎么用数学和人工智能表达的。比如：知识系统的建立、情感的产生和交流、好奇心和创造力驱动的学习，还有learningtolearn。这些都是认知的范畴。
确实，我们人工智能又迎来了春天，但下面确实还有很长的路要走。我认为下一步人工智能的发展，需要加强对情感，情绪的了解，要走进认知学，心理学。我说的不仅是脑科学，而是认知学。因为我们目前对人的情感理解非常少，而这对于人工智能来说是很重要的。
作为人工智能学者，能够得到这么多关注，我很高兴。但是我也担心这样的“泡沫”会带来什么。如果是更多的机会和研发投入，当然是好事；如果是过度承诺或者不切实际的产品研究工作，可能会对这个领域有些不好的影响。
李凯：人工智能发展，人的智能也在发展
我参加过很多论坛，大家都在问：人工智能什么时候能超过人？一般专家都会推断通用人工智能超过人的时间，一定在他去世之后的某个时点，例如：五十年后。到了要验证正确与否的时候，他已经不在了，也就不会有人追究他了。（笑）
但人们提出这个问题的时候，有一个假设条件，那就是：假定人自身的智能不再往前走了。但是，实际上人的智能还是往前发展的。如果现在我们对人的大脑有了新的了解，就可以很快帮助我们提高自己的智能。而人堆大脑的了解，也可以帮助提高人工智能的水平。
深度学习，实际上是把我们对人脑神经网络非常简单的理解变成算法。然后加之以数据，发现智能效果很好。但是，这些人脑神经的只是都是三四十年以前的知识。而我们在期待脑科学有新的突破，这些新的知识一定可以推进人工智能的一大步。所以说，智能这条路是很长很长的。无论对于机器，还是对人。
沈向洋：十年之内的人工智能可以想象
我在工业界工作，对人工智能的发展还是持非常乐观的态度的。虽然张钹老师讲人工智能存在种种问题，但是我们现在有数据，有新的算法。我很相信，五年之内，语音识别技术一定可以超过人；十年之内，机器视觉一定比人好。可以据此我们可以想象未来是怎样的图景。
站在今天来看，我们所有的商业应用都被颠覆了。从销售市场，到人事招聘，到用户服务，所有的商业环节都被AI改变了，所以从商业角度来看，我看到的是更多的机会。
Part2：深度学习到底是什么，未来可以看到它怎样的发展？为了人工智能的终极目标，除了深度学习意外，我们还需要哪些其他的研究方向？
张钹：人工智能到了秋天
五十年后的事情可能我说不清楚，但是我可以说说三五年之后的事情。很多人说究竟现在是人工智能的春天还是夏天？有人说春天，因为正在蓬勃发展。有人说夏天，因为有点热过头了。但是我说现在是人工智能的秋天。
秋天有两个含义。
一：秋天是收获的季节，我们有很多成果。人工智能现在有果实可摘。为什么我觉得很乐观？因为我觉得人工智能所需的三个资源都是无限的。1、大数据2、算法3、计算力。未来相当一部分人都会往这个方向去做，会在包括语音、图像方面取得很好的成果。
二、说秋天，是因为冬天就在前头。做科学研究，我们要知道冬天要来了。这意味着我们要考虑下一个春天要播种什么种子。也就是说，后深度学习时代，我们要搞什么事。第一点是脑科学。说到脑科学。人脑有很多层次。其中的智能分布还有大量内容我们并不了解，这些从顶下下，侧向连接等等模式，我们都还不了解。目前，我们对脑科学只学了一点，就有了这么多成果。如果我们研究更多，一定会有更多的成果。基于对人脑的深度研究，结合神经科学和脑科学，我们要发展新的计算模型。第二点是理性思考和感性。这两个能力对于现在的人工智能是很重要的。现在为止驱动人工智能就有两招：数据驱动和知识驱动。下面的发展就要把两招结合起来。特别是自然语言处理，离不开知识驱动，只靠数据是不够的。如果这两个能做好，人工智能就会迎来下一个春天。
李飞飞：情绪、情感是人工智能未来的方向
说到深度学习，“深度学习”大概在2006年被提出来，但是在2006年之前，“神经网络”这个概念已经存在了二三十年。神经网络领域里，很重要的里程碑是back-propagation。在九十年代，计算机视觉方面做出了Convolutinalneuronnetworks，今年的Deeplearning基本是这个结构。
现在大部分成功的深度学习是神经网络是有监督学习。有完全的数据标注以后做的。很多人都在思考如何做无监督的学习，之前也有很多工具。深度学习革命性的一点是取代了对特征的加工。像之前的SVM，都是“EngineeringFeature”，而深度学习是直接学习数据。
深度学习不操作数据本身，而是对结构本身进行操作。这就造成了一种感受，深度学习本身结构太复杂了，例如152层，1001层。这里有巨大的空间，可以突破结构的层面。我认同张钹老师说的，数据和知识的结合。
现在我们的AI都是用逻辑的方法来判断情感。因为逻辑代表IQ，而情感代表EQ。人类的情感是非常丰富的。未来，从情绪到情感，最是人工智能未来前进的方向。
李凯：人工智能最需要“教科书”
任何工作都有近期和远期。近期人工智能的发展，我很认同李飞飞讲的，和深度学习有关。机器学习和以前的专家系统有一个非常不同的地方。专家系统是用软件把人的知识写到系统里。机器学习输入的是算法+知识，输出的是程序。
我和李飞飞和做的时候，我们两个是比较另类的的研究者。大多数人在算法上做，我们觉得应该发展知识。知识就相当于上学的时候的教科书。总要有人写教科书。如果没有人写教科书的话，学习方法再好，老师再好，你学的是一年级的教科书，也不可能成为博士。所以我觉得很多领域都需要有人写教科书。
学术界很多人的目标不是产生巨大的贡献和影响力。需要写很多文章，这样可以拿到很多资金。我们做的时候没有资金——申请的时候被拒绝了。
近期人工智能要想发展，一定需要有人做知识的积累和总结。
长远来看，我认同两位的意见，对人的大脑，人的智力是怎么工作的，要有更多的了解。这样才会帮助整个AI向前走。
沈向洋：先定个小目标：用人工智能治愈脑疾病
我很赞同各位的说法。在商业上，接下来三五年毫无疑问AI可以帮助我们解决很多问题。但是秋天过了，冬天我们要做什么呢？
我觉得有两点。
第一点，我觉得数据很多、算法互通，确实是取之不尽的。但是在计算能力这件事上，我们应该更加重视。几十年下来的摩尔定律，让我们可以把人工智能做到了今天，这是非常了不起的飞速增长的五十年。但是工业界普遍会认为，计算能力会慢慢降下来。这也是大家为什么都在非常认真地去做量子计算，也要到十年、十五年才能看到突破。今天我们AI向前走必须要考虑的问题是：计算能力的瓶颈。
第二点，我们要考虑为什么做AI。是不是计算能力的增强，就一定会产生智能。从人脑的结构来看，我们应该定义一个小目标：利用符号学和深度学习做一些结合，希望在脑科学和人工智能结合上，解决几个了不起的问题。我自己想要解决三个和人脑息息相关的病。儿童孤独症、中年忧郁症、老年痴呆症。人工智能如果能解决这三个问题，就是相当了不起的成就。
张钹：计算机的空间结构极其简单，大脑的空间结构极其复杂
有关计算能力方面我想做一下补充。
同样的一个题目，在我们脑里解决一点不费劲，为什么在计算机里面就要这么多的计算资源来弄？我们要思考的是这个问题，而不是拼命加快计算机。
我觉得，正是因为我们过去走的这条路，迫使我们必须加快计算力。我的观点是，我们过去做的计算机，从空间结构来讲是最简单的，冯·诺依曼结构。而大脑的空间结构最复杂。你想用一个空间结构最简单的东西去做空间结构复杂的工作，它花去的代价就是计算时间的增加。世界上没有免费的午餐。
过去我们使用大量的计算时间来换取同样的结果，现在能不能改变思路。把计算机做一下改变，例如IBM公司正在做，让神经网络的复杂度提高，换来能耗和时间的降低。
至于量子计算，我觉得不要指望，量子计算不可能代替现在的计算机。我们要在现在的计算机基础上进行改造，也就是研究是不是能够加快计算机的运行。
中国已经实现从情绪分析到人心识别的转换
有专家认为，自然语言处理（NLP）是一座难以逾越的山峰。而李飞飞前文提到的情绪计算则是NLP中的珠穆朗玛峰！
人心难测，这是一道困扰人类千年的痛点，无数仁人志士都在苦苦寻求解决之道！
情绪计算和人心难测是否有某种关联？！沃民高新科技（北京）股份有限公司的研发人员给出了答案。经过多年的不懈努力，他们提出了人类社会活动四循环模型，依据对“心理——情绪——认知——行为”四种社会活动辩证关系的深刻洞察，在利用人工智能技术解决情绪分析的基础上，开创性的提出了计算情绪、测量人心的技术路径，从而获得了人心识别技术突破性的进展！
2015年，该公司技术研发团队参加国际情绪分类大赛，一举包揽了一半的冠军（6个数据集获得3个冠军）。依托情绪分析技术开发的选情监测系统成功预测了包括美国、韩国、法国、德国、英国等全球多个国家或地区的大选；满意度在线计算模型更是颠覆了传统满意度调查的方法；沃德股市情绪指数已经被中央电视台财经频道、第一财经等多家权威财经媒体广泛使用；基于情绪和行情数据建模的上证指数预测模型符合率在70%左右；其开发的沃德股市气象站APP已经上线运行，更是实现了天天抓涨停的惊人效果。
沃民公司已经服务了党政军警、商业机构、传媒机构、个人和机构投资者等多个领域客户，开发出舆情监测、选情监测、满意度在线智能计算、竞争情报、广告效果监测、网络水军监测、网络影响力评估、情报分析、炒股机器人、股票自动打新助手等一系列产品或服务。
从这个意义上说，面对即将到来的人工智能下一个春天，中国自主创新的科技企业又抢占了一个非常有利的制高点
人工智能：从“作坊式”走向“工业化”新时代
对于普通人来说，人工智能是一个既熟悉而又神秘的词。在我国“十四五”规划中，多次提到要推动人工智能产业发展。当前产业现状如何？正在走向何方？哪些领域最有可能取得突破？带着这些问题，记者采访了中国科学院自动化研究所所长徐波。
中国科学院自动化研究所所长徐波。受访者供图
人工智能创新不断“一体两翼”快速发展
人民网：当前，人工智能技术创新不断，应用层出不穷。它究竟走到了哪一步？能否谈谈您是如何看待我国人工智能技术发展现状的？
徐波：人工智能是一个高度交叉复合、快速发展的领域。如果要对其发展现状作一个全面概括，可以从人工智能“一体两翼”构成来着手分析。
其中“一翼”是指人工智能的基础理论。人工智能快速发展无疑受益于大数据和大算力发展，但基础还是15年前深度学习基础理论和方法的突破。人工智能越发展，其计算、生物、数学、材料、心理学和社会学等交叉复合特性就越明显。我国人工智能高水平论文发表数量已经位居世界一二，人工智能基础研究发展态势良好，已经成为人工智能基础研究大国。但成为人工智能基础研究强国，还需要在需求牵引下，按照问题导向继续弘扬“十年磨一剑”的科学家专注精神。
另外“一翼”就是人工智能的应用。人工智能具有无所不在的广阔应用场景，技术落地需要和工业制造、农业发展、医疗制药、社会治理等领域深度结合。我国有市场、人才、规模、数据等方面的优势，在应用方面走得比较快，对各行业的渗透深度和广度前所未有，具有世界上独一无二的优势，已经走在世界发展最前列。
人工智能中间非常关键的“一体”，指的是人工智能的基础软硬件，包括芯片、算法、软件硬件协同、开源框架、应用开发接口等等。它作为一个桥梁，把人工智能基础研究成果和场景应用广泛地结合在一起。目前，我们的基础软硬件研发已经从“可用”走到基本“好用”的阶段，发展了自主可控的人工智能基础软硬件生态。
人民网：产业应用是技术发展中很重要的部分。您认为我国要发展人工智能产业，占领关键技术高地，未来的突破口在哪里？
徐波：随着我国新一代人工智能的发展，人工智能应用呈现出遍地开花的良好发展态势。但人工智能落地中，也碰到很多问题，例如对数据质量要求高、缺乏相应标准、落地周期长成本高、人才昂贵等。
我认为可以从这几方面寻找突破口。
首先是复合型人才的培养。智能社会发展过程中需要培养一批既懂行业需求流程、又懂人工智能的专业人才。人工智能还完全没有发展到可以通过调几个参数就能上线替代部分人工作的水平。其中行业数据的获取、清洗和加工，以及如何按照业务需求建立相应的应用模型都需要一些这样的复合型人才支撑。
其次要降低人工智能的应用门槛。现在按照专用人工智能技术发展的应用，在很多时候发现还不如用个人更省成本。所以，如何从专用型的人工智能，逐步向更具泛化能力的人工智能技术发展，是一个重要的技术突破口，也是未来5-10年人工智能技术发展的主流。
这个过程中，从推动产业发展的角度选择一些超级场景对于牵引人工智能应用发展非常关键。例如，自动驾驶会是人工智能在单一领域里最大的产业场景，也是汽车工业发展的必争之地。类似的还有人工智能+医疗，也是一个特别大的场景。中国有四百万医生、全世界最大的临床海量医疗数据，最适合人工智能去发挥智能化优势。所以，要选择一些这样的超级场景，作为推动人工智能进步的突破口。
加快原始创新策源努力占据制高点
人民网：中科院自动化所作为我国“国家战略科技力量”的重要组成部分，“十四五”期间在人工智能领域的研究和应用方面，有哪些相应的目标和计划？
徐波：我们按照“两加快一努力”要求，加快原始创新策源和关键核心技术突破，努力占据人工智能科技创新制高点。
中国科学院自动化研究所始终关注人工智能中长远发展布局。十年前在深度学习刚刚开始应用于语音、图像并产生技术突破时，我们意识到感知类人工智能应用将逐渐由产业界为主导，于是开始布局更前瞻性的类脑智能，推动人工智能和脑科学的交叉研究实现，并与科学院神经所成立脑科学与智能技术交叉研究中心。目前这个方向已经成为研究所三大主力研究方向，相信在下一代人工智能发展中也将扮演重要角色。
人工智能想要在经济发展、社会治理、大工程系统等复杂问题的决策中发挥作用，需要人工智能与复杂系统进行交叉融合，这也是人工智能从感知、认知走向决策的必然发展趋势。因此，研究所进一步布局了可自主进化智能方向，研究建模人、环境和机器之间的演化、合作和竞争等关系，并通过交互提升人和机器对环境的认识和认知。这项技术可广泛应用于大量复杂问题的智能辅助决策。
这儿要重点谈一下我们最近研发的“紫东太初”多模态大模型。这是基于我们多年基础积累形成的面向关键技术攻关的研究方向。我们人类对世界的认识天然是多模态的。举个例子，我说“猫”这个字，你马上脑子里能想到猫的图片、猫叫的声音、猫的文字。我们大脑里面把猫有关的声音、图像和文字关联在一起，共同组成了“猫”这样一个语义。这个语义是跨模态存在的。模拟人的多模态认知特点，自动化所推出了全球首个千亿参数的三模态大模型“紫东太初”，把图像、文本和语音结合起来，它采用了多层次、多任务、自监督、预训练的学习方式，不仅可以实现跨模态理解，还能实现跨模态生成。这是我们在已有多个很好技术积累基础上，通过多模态把人工智能众多方向加以融合创新的研究成果，服务于产业和国民经济主战场。
人民网：在人工智能创新链中，科研院所在扮演怎样的角色？自动化所又是如何面向国民经济主战场，为我国人工智能产业链发展赋能？
徐波：人工智能包括智能和智能化。智能即智能科学内涵、基础理论和模型算法等，智能化则是智能与各个领域行业的结合。研究所发展规划一方面要承担主责主业，大力探索智能本身。同时，需要考虑智能怎么去和社会、和企业、和政府合作，政产学研结合，面向国民经济主战场，为人工智能产业链发展赋能。无论从科研还是产业化，我们始终秉持在低潮时坚守、在高潮时冷静的理念，努力成为默默的开拓者和引领者。
六年前，人工智能落地应用刚刚萌芽，基于人工智能自身发展特点，研究所及时推出了“离岗创业”制度，鼓励已在智能应用领域深耕多年的团队进行转化。制度实施以来，已经诞生了在工业视觉、融媒体、生物特征识别等垂直行业里多家有影响力的企业。离岗创业，这是一种人工智能技术转化1.0版本形式。
作为一种赋能千行百业的技术，我们不能止步于此。我们正在探索人工智能技术转化的2.0版。2.0核心就是要利用研究所力量，以核心创新为抓手，以构建创新生态为目标，做一个大的人工智能平台。如上所述，目前人工智能存在落地周期、成本、人才等问题，同时国产基础软硬件从基本“好用”到非常“好用”，都需要协同各方力量共同努力。
为了解决这一行业痛点，今年5月，中国科学院自动化研究所、华为技术有限公司、武汉东湖高新区管委会签署《人工智能技术开发合作备忘录》，三方共同筹建武汉多模态大模型人工智能平台。该平台以自动化所的“紫东太初”大模型为核心，以全国产的昇腾AI基础软硬件为底座（包含昇腾AI处理器、异构计算架构CANN和全场景AI框架昇思MindSpore等），通过合作支撑当地产业实现智能升级。大模型、大底座、大数据形成了一个天然的合作模式，来为各个行业赋能。这是我们技术转化2.0的一个开始的初步尝试。
打破应用门槛解决人工智能“落地难”痛点
人民网：您如何看待这个平台的未来发展？
徐波：这是人工智能向更加通用化方向迈出的重要一步。以前的人工智能是属于“作坊式”的。想要做一个应用，需要从算法开始进行开发，类似于我们常说的“重复造轮子”。多模态大模型人工智能平台，是人工智能从“作坊式”向“工业化”转型升级的一次重要探索。通过对多模态大模型人工智能平台的持续研发、应用、优化、升级等，大大降低应用门槛和对应用人才要求，同时推动全自主可控软硬件体系的形成。
这个过程中大模型技术持续创新研发是我们的主责主业。例如现在计算量还比较大、成本和能耗也比较大，未来大模型在现有基础上还会有很多突破。需要我们不断融合类脑等智能新机制，使得大模型的运营成本越来越低，越来越好用。
目前，我们也正在同步研究大模型基础上蒸馏出小模型技术，这也非常重要。对于不想上云的，或者是应用场景不那么复杂的，其实并不需要用到大模型。因为大模型的参数特别多，使用成本非常高。这个时候，就可以用大模型中蒸馏出一个小模型，小到可能只有几兆的大小，不但降低成本，而且实现从通用向专用的进一步优化。
打个比方来说，大模型类似于一个知识非常渊博的老师，他学了无数多的数据，但是如果从事一件具体的工作，就不需要那么渊博的知识，这时候，我们可以根据需求，自动蒸馏出一个小模型，教出一个小徒弟来做这项工作。
人工智能要迈上工业化阶段，必须要满足以下几个条件，批量化，成本低，易访问，轻能耗以及最大程度的开源开放。未来，“云端的大模型+末端小模型”很可能会成为人工智能应用的重要模式。
人民网：这个平台，目前是否有一些成功的应用？
徐波：我们已经有一些应用，效果很好。以前解决不了或者解决不好的现在有了全新的技术手段。
我们在智慧媒体方面做了一些探索。和头部视频网站合作，针对其海量的短视频、电影和电视剧，做到了跨模态内容的检索。比如输入一段文字，就能定位到视频中的某一个片段；可以根据电视剧的简介自动生成1分钟的视频摘要；还可以指定某个特定演员出现的场景、某件事的前因后果等内容进行“跳播”。
工业视听觉已经进行了应用尝试。过去，人工智能在工业领域的应用是一个痛点，因为样本非常少，而且很多时候数据是多模态的。比如发动机的质检，往往是靠老师傅们“听”出来的。用人工智能怎么做呢？我们把各种各样的工业缺陷数据混合在一起，首先让机器进行模型自学，应用的时候只需要给两个样本，就可以达到很高的质检精度。这方面我们已经实验过了，原来可能需要一万个样本才能做到90%以上的识别率，现在只要用几个或几十个样本，精度就能达到90%，大幅降低了人工智能的应用门槛。
另外一个应用案例是具像化的教学，可以在打手语的同时生成对应图片，辅助学生理解，更好地达到教学目的。
类似的应用还有很多，只靠自动化所一家单位去落地，会错失大量的助推产业升级的机会，也会比较慢，所以一定要在推广模式上创新，吸引更多的人、更多的机构来实践，来应用。我刚才说的“2.0”就是这个意思。现在我们自己先做一些样例出来，然后进一步完善模型，通过标准化、流程化等一系列手段，将门槛降下来。未来越多人用，这个模型就会越完善，也越好用。
近期，自动化所联合大学、产业界等在积极推进“多模态人工智能产业联盟”的建设，这个联盟的成立就是为了让产学研各界都能更好的应用我们创新的成果，并基于这些成果再去推广、完善。12月18日即将在武汉举行的“2021东湖国际人工智能高峰论坛”上，我们也会就推动人工智能通用化、技术应用国产化和参会嘉宾进行进一步的探讨与合作。
人民网：多年来您在研究人工智能的过程中，有没有觉得它的发展速度超越了您的想象？
徐波：有句话说，“大多数人高估了他们一年所能做的事情，却低估了他们十年所能做的事情。”
这句话来描述人工智能的发展也很适用。它的影响是潜移默化的。目前人工智能落地碰到一些困难，但过了十年以后回头来看，人工智能的发展速度会比你原来想象的要快。
目前，全世界很多优秀的人在研究人工智能，每个人都从不同的角度攻克其中一块砖，最终合力去建立起一座人工智能的高楼大厦。人工智能的发展非常激动人心。
这里的每一块砖可能就是一个很小的研究或者应用领域，它们正在以飞快的速度不断迭代和突破。人工智能研究离终极目标还有很远的距离，但人类正在朝着它光明前景的快速道上大步前进，并看到沿途一路风景。
(责编：赵竹青、吕骞)分享让更多人看到
通信人工智能：下一个十年的网络革命
原标题：通信人工智能：下一个十年的网络革命
今天，依托于移动通信网络的承载，全世界已经有超过50亿人，每天使用手机工作和生活；方兴未艾的物联网，更将为我们的未来创造无限可能。在改变世界同时，移动通信技术本身，也以每十年一代的速度，不断发展演进。经过30多年发展，从模拟到数字，从语音到数据，从电路交换到IP化，从封闭通信生态系统到赋能垂直行业的技术与生态，今日的现代移动通信系统，效率和性能已经不断逼近香农极限，并开始向太赫兹、空海天一体化、感知通信计算一体化等更前沿的领域迈进。其中，一个最受关注的领域，是移动通信网络与人工智能的深入融合。随着通信网络的日益复杂化，通信业务生态的日益多样化，人工智能已经成为网络与业务运行不可或缺的基础要素，并将在未来发挥越来越重要的作用。就在本月，来自于亚信科技、中国移动、中国电信、清华大学以及其他中外运营商和高校的资深专家们，以一篇《通信人工智能的下一个十年》，就移动通信与人工智能的协同发展，对沿革进行了梳理，对未来进行了展望。以下，是该文章的观点摘要，以及科技杂谈专访部分文章联合作者（亚信科技CTO、高级副总裁欧阳晔博士，工信部通信科技委常务副主任、中国电信科委主任韦乐平，清华大学智能产业研究院院长张亚勤院士）的重点内容整理。【一】我们先来看一张全景图：移动通信技术与人工智能在各自的早期阶段，都有着鲜明的、各自独立的发展路线。一个图中未提及，需要补充的细节是：早在1968年，YoshihisaOkumura就曾提出Okumura模型，基于实测数据对真实的无线信道进行数据建模与仿真，可以看作数据科学算法应用于移动通信系统的雏形。但是，受算法、算力、需求等多方面影响，在3G以前，在早期的移动通信系统里，人工智能一直没有真正地投入应用。直到1999年，在无线射频系统场景的规范中，3GPP正式纳入了COSTWalfish-Ikegami等信道模型。这也是一个重要的里程碑：数学算法第一次进入到移动通信的国际标准之中。到了4G阶段，人工智能与移动通信行业的融合又进了一步。一方面，2006年提出的深度学习，带动了人工智能技术发展的第三次浪潮；另一方面，在实现网络系统全IP化，开始向垂直行业赋能之后，移动通信网络自身也对人工智能有了更多的需求。联合作者之一、亚信科技CTO、高级副总裁欧阳晔博士特别提及到，最具代表意义的一个转折点是，从2008年开始，3GPP在移动通信标准中定义了一个新的理念：自组织网络(Self-OrganizingNetworks，以下简称SON）。简单来说，就是通信网络可实现自组织、自配置、自优化、自治愈。而以机器学习为代表的人工智能技术，正是实现SON的关键手段之一。只不过，当时SON还并不是移动通信标准的必选项，不是核心基础网元。而在实际的产业化和商业化进程中，运营商希望SON能真正开放，做到厂商中立、技术中立；设备商却希望通过SON加强自家设备的紧耦合。这个分歧，导致了SON的推进一直步履缓慢。而且，在这个阶段，通信网络从接口、流程、信令到整个网络生态，也都还不是按照智能化的理念来搭建的，所以网络与人工智能的融合对接不够友好。所以，虽然整个移动通信行业，都已经逐渐认识到了人工智能对移动通信网络的价值，但4G的实际商用过程中，这一认识始终未能转化为产业落地，而以Verizon和AT&T为代表的SON试水，也都未能取得理想成果。直到5G阶段，拐点终于到来。2017年2月，3GPPSA2正式定义了网络人工智能网元NWDAF。欧阳晔博士提到，这是移动通信历史上，第一次在核心网络架构里定义、标准化、并要求部署网络人工智能网元。它标志着，移动通信网络从底层结构层面开始，就已经按照自动化、智能化的理念，面向人工智能进行了重新设计。而在移动通信网络的另一条新兴发展路线O-RAN上，也已经定义了一个通信人工智能的网元：RIC（RadioIntelligenceController），并与核心网管理与编排MANO(Management&Orchestration)功能紧耦合。除此之外：2019年6月，国际电信联盟电信标准分局研究13组启动了机器学习用例的研究。同月，全球移动通讯系统协会GSMA开始了智能自治网络案例的白皮书工作。2020年7月R16正式冻结之后，3GPP也针对新的R17版本，正在继续推进人工智能相关的NWDAF,MDAF,QoE(QualityofExperience)等标准化课题研究。这些动作都意味着，从5G开始，通信网络与人工智能的融合，已经真正成为滚滚大潮。【二】可以看到，从1G、2G、3G、4G，到今天的5G，移动通信与人工智能的融合，是越来越深入，越来越紧密。其原因在于，移动通信网络本身正日益复杂化，通信业务生态也日益多样化。如今，通信网络基础设施和业务系统中需要面对诸多复杂场景，比如：无法用仿真模型模拟极其复杂的无线环境，指数级的IP交换与路由控制选择，主动性的网络支撑与业务保障，一客一策与一刻一策的网络个性化服务，……这些场景，已经远远超出了传统的人工规则预定义与执行的处理与管理能力。通信系统必须有一套自动化、智能化的体系和手段来保障网络与业务的运行与发展。"我们（指中国电信，科技杂谈注）在5年前就启动了新一代云网运营系统，但到现在难度还是很大。因为网络巨大无比，种类也多得不得了，5G以后就更复杂，不可能用人为的方式来管理这么复杂的资源。"联合作者之一，工信部科技委副主任、中国电信集团科技委主任韦乐平说，"只有用人工智能，才能帮助我们能够在复杂的环境下，正确地判断该做什么，而且预先提出预警，大大地提高效率。"同时，在5G阶段，CT与IT两大产业体系日益合流，传统的烟囱式的、高度紧耦合的通信网络系统，不断虚拟化和云化，这也为人工智能在移动通信领域的深入应用创造了条件。"5G一个重要的特点，就是互联网和通信网在协议层实现真正的融合，所以很多过去计算机领域的算法、互联网里面的技术，都可以更容易地使用到通信网络之中。"联合作者之一，清华大学智能产业研究院院长张亚勤院士说。而放眼未来，这个趋势还在不断加速。尤其是5G未来为垂直行业赋能过程中，人工智能将扮演更加重要的角色。比如5G切片，运营商要面向不同的用户，创建不同的网络环境，编排不同的流程，供给不同的网络资源，提供不同的应用和服务，实行不同的计费规则，并根据网络负载和用户需求的调整，进行随时调整。比如放飞一架无人机，从无人机的控制器、基站、传输、核心网络，到无人机飞行路径的基站，每一个节点都要统一拉通，进行实时的动态管理，才能确保网络QOS满足无人机的时延、带宽、抖动等综合要求。而从5G开始，移动通信网络将从以前的连接人与人，进化到连接万物，无论是业务的复杂度还是数据量的规模，都有指数级的提升。这样复杂的、海量的工作，只有依托智能化的网络，才有可能实现。"现在，网络的每一个层面、每一个领域，都需要人工智能，它已经是一个通用的使能技术。"韦乐平表示。【三】需要明确的一个问题是，移动通信系统与人工智能的融合，现在才刚刚开始。比如，通信人工智能相关的网元NWDAF或RIC，现在都还处在测试阶段，还没有开始在5G网络中大规模商用。而不同的厂商、标准组织与技术路线之间，网络接口的难以统一，也将制约通信人工智能的能力边界与发展进程。而且，绝大多数的运营商并不会只运营一张5G网络，而是还有2G、3G、4G、专网等其他网络并存。如何在多个网络中实现业务的统一编排，乃至将存量业务重新规范梳理，实现智能化的演进，都是极具实际操作难度的，甚至是在较长一段时间内几乎无法完成的艰巨挑战。所以，面向未来10年，移动通信与人工智能的融合发展，一定是一个长期的、渐进的过程。目前，通信国际标准组织已经开始对通信人工智能的发展成熟度进行初步的分级：以及在整个通信系统当中，不同成熟度的通信人工智能的应用等级：根据以上的分级，《通信人工智能的下一个十年》一文，对未来10年的通信人工智能发展进度作出了以下的预测。这个预测是否能如期实现，目前仍然有待时间来证实。在韦乐平看来，影响发展的很多因素，其实来自于技术发展本身之外。"人工智能只是技术手段，最重要的是现在没有统一标准，标准组织都是缺失的。"韦乐平说，"而且标准组织只会规定框架性的东西，很多具体的问题还是要靠运营商自己想清楚，跟制造商、支撑商等合作伙伴一起，坐下来讨论，达成共识，一起推进。"在他看来，目前比较好的办法，是借助一些业务上的痛点，来做借势切入。比如，现在光纤切断每年很多次，都是几十上百次，甚至全阻断，经常为网络带来巨大危险，而如果用人工智能，就可以预先判断，及时处理。（科技杂谈注：一个最近的案例，是2020年6月15日，因为一条光纤传输链路发生故障后，未能及时找到故障源，最终导致T-Mobile美国全网的语音和短信服务中断长达12小时）另一个"运营商刚需"的机会场景，是通过人工智能来降低5G的功耗。亚信科技正在和运营商共同试验，通过网络和用户的数据变化，用人工智能判断某一个5G基站的功率，在某个时间段是应该放大，还是缩小，甚至暂时关停省电，从而根据用户和业务的流动，自动地、实时地、精准地进行网络质量优化。这样，网络繁忙的时候不再拥塞，用户体验更好；空闲的时候尽量节电，省钱又环保。【四】最后，感兴趣的朋友，可以看一下人工智能在移动通信生态系统中的详细应用，以及未来10年的发展展望。（友情提示：本部分相对枯燥，非专业读者可以直接PASS）整体来看，人工智能在移动通信生态系统中的发展，可以分成网络基础设施、网络管理、电信业务、专网、跨领域融合这几个领域。具体来说：一、在网络基础设施领域，主要分为无线接入网、核心网、传输网、终端这四个方面。（1）无线接入网在物理层与数据链路层，典型的AI应用，包括但不限于以下功能：利用深度学习或强化学习算法来评估与预测信道质量、OFDM(OrthogonalFrequencyDivisionMultiplexing)符号在接收端的检测、信道编解码、动态频谱随机接入等。面向无线接入网的应用层，3GPP定义的SON的标准体系，旨在实现无线网络的自配置，自优化，自治愈。3GPPRAN3目前正在研究，让SON独立成为一个RAN逻辑实体或功能的可行性。欧盟5G-MoNArch项目组也已建议，无线侧可考虑设置一个独立的人工智能分析网络功能RAN-DAF，对5GNR的CU面进行数据分析和决策。而O-RAN的RIC也将会持续演进与加强，尤其在面向不同App类型时的智能策略控制，用于帮助运营商在业务编排层实现基于App特征的业务编排。（2）核心网3GPP路线的人工智能网元NWDAF：可对5G核心网络的移动性管理，网络服务质量QoS，以及5G核心网其他网元（例如UPF）进行智能化的管理、优化与提升网络质量与体验。O-RAN的无线智能控制器RIC：可利用AI的能力进行无线资源，移动性，无线连接，切换，无线QoS等业务和资源的管理。NWDAF未来将具备增强的网络性能优化与用户体验优化能力。目前相关的研究项目包括UE驱动的分析共享、基于NWDAF协助的QoS保障，话务处理，个性化移动性管理，策略决定，QoS调整，5G边缘计算，NF的负载均衡，切片SLA保障，可预测的网络性能等。3GPPSA5也在研究NWDAF如何将分析功能赋能给OAM或RAN，并参与MEC融合，以支持垂直行业的应用，为更多的垂直行业应用赋能。（3）传输网软件定义光网络（SDON）在动态恢复业务中断，保障网络容量和业务可靠性同时，跟大数据、人工智能、云网融合等技术结合，实现光网络的智能化管理。认知光网络CON(CognitiveOpticalNetwork)将通过认知决策系统CDS(CognitionandDecisionSystem)来控制和传播相关指令，管理传输要求和网络事件。目前SDON/CON与人工智能的结合上已经有一些研究成果，例如预测故障、减少恢复时间、改进光的信噪比等。IPv6网络和人工智能的结合也已经进入探索阶段。业界希望可以利用人工智能技术，对网络进行感知和灵活的路由配置，并对全网运行状态进行监测，智能化地识别网络异常；针对发现问题进行故障的根因定位，并且产生相关的最优策略。而在云网边端的资源分配和存储算力资源使用方面，业界也正在探索算力网络与IP网络的融合、云网融合等全新架构，通过人工智能来实现最优路由、最优算力分布，并保障算力的服务质量。未来10年，SDON/CON与人工智能有望结合更加紧密，逐渐实现"零接触"的认知光网络，实现光网络的完全自动化管理和控制。基于光网络的运维知识图谱将逐渐成熟，可以通过它快速定位传输问题，预测传输性能，进行传输参数的优化。对于传输的具体指标，例如调制阶数、误差修正、波长容量等，可以利用人工智能技术进行最优配置，保障传输的性能。基于IPv6的应用也将逐渐走向成熟，人工智能在网络路由、承载网的SLA保障、确定性网络方面发挥关键作用，实现IPv6乃至IPv6+的智能IP网络，满足B5G/6G业务场景的个性化需求。在云网融合方面，云网边端的算力资源将实现完全分布式的架构，按照业务需要提供无缝、高质量的算力资源，为终端、边缘的高阶人工智能应用提供资源保障。弹性算力网络/动态的云网融合，侧重出新的提供云计算服务的商业模式，可以利用区块链的智能合约等进行安全保障，解决用户的隐私问题，实现网络和计算资源的可变现能力。（4）终端基于终端的人工智能，主要包括终端和芯片的智能化。终端操作系统本身和应用层的App方面，已有一些智能化应用发展，但基于终端的人工智能对于网络基础设施的赋能，目前还在早期发展。这方面，一个比较典型应用是，通过终端芯片采集性能数据，汇报给SON系统或者网络管理系统OSS(OperationSupportingSystem)，利用这两个部件的网络人工智能分析引擎，进行无线网络智能优化。未来，基于终端和芯片的人工智能技术，将通过对无线环境和内容的感知，来优化无线接入的接入和调度、系统速率、频谱效率、网络负载优化、无线安全性等环节，提升5G系统的性能，优化终端的使用体验，乃至催生新的场景案例。（5）未来10年展望在未来3-5年内，NWDAF将在5G核心网络中逐渐成熟商用；无线与核心网络优化也将借助SON实现以人工智能为驱动的智能网络优化目标。SON的商用部署方式将有可能以独立SON系统部署或融合进入5GOSS系统实现，RAN-DAF是否以独立网元形式定义还未有定论。未来5-10年，随着O-RAN的逐渐商用，RIC作为开放无线网络的智能控制器也将实现商用部署。二，在网络管理领域，主要有智能化网管,ENI引擎和网络运维支撑系统（OSS）三个方面。（1）智能化网管3GPPSA5在R16中开始定义的管理数据分析功能（MDAF），通过进行数据分析，帮助管理系统设置合理的网络拓扑参数进行网络配置，保障服务质量。同时，MADF在管理面也可以为SON赋能。下一步，MDAF将在覆盖增强、资源优化、故障检测、移动性管理、能量节省、寻呼性能管理、SON协作等多个场景方面的应用逐渐成熟；MDAF和网络设备(例如NWDAF)的交互也将得到完善。（2）ENI引擎ETSI于2017年定义了ENI系统，做为一个独立的人工智能引擎，为网络运维、网络保障、设备管理、业务编排与管理等应用提供智能化的服务，未来还将定义更多高级的应用，例如基于意图网络的节能、数据机制、ENI与运营商系统的匹配等等。（3）网络运维支撑系统（OSS）2019年，TMF在FutureOSS的研究报告中定义了未来OSS由"数据驱动"，必须依赖人工智能，机器学习，自动化，微服务，业务优化紧耦合，必须具备敏捷，自动化，主动性，预测性，可编程性的特征。在定义未来OSS最重要的10个因素中，有4个因素和人工智能紧密相关：自动化闭环业务流程执行与保障，自动化闭环网络优化，AI驱动的客户互动，AI驱动的网络优化。目前，主流通信运营商已经在面向5G演进的OSS系统中，逐渐嵌入了AI平台或者功能模块。比如亚信科技为三大运营商搭建的5GOSS网络中台体系中，就包括了网络人工智能中台：它以数据中台的网络大数据为主要燃料，围绕网络生命周期中的规、建、优、维等场景，不断构建、推理、发布、沉淀出网络AI算法模型，为4/5G网络提供包括异常检测、容量预测、网络优化、根因分析、告警预测、故障自愈、业务编排、感知优化等网络AI功能。（4）此外，网络AI信令体系、网络数字孪生、编排系统也值得关注：网络AI信令体系：网络AI平台和各数据采集网元或模块；以及5GOSS的各个业务系统（例如网络编排，网络性能，网络资源，网络故障）进行互联互通的标准命令体系网络编排：网络的软件定义与云化趋势下，网络功能NFs管理将由软件定义的管理程序接管，并从面向专有硬件，向共享的计算与通信资源池的虚拟化管理转型。在5GOSS中，网络业务编排甚至可独立成一个子系统，负责5G各个虚拟网络功能VNFs(VirtualizedNetworkFunctions)构成的网络切片业务的编排与管理。目前，全球运营商的网络自动化与智能化编排能力还处于初级阶段，在技术和标准层面都需进一步完善。业务智能化编排的新型网络如何共存与协同工作，也是业界需思考的一个问题并需尽快形成一致行动目标。可以预计，随着通信人工智能和网络编排系统深度融合，网络(拓扑)编排、网络资源编排、网络业务编排三大能力将得到持续改进。（5）未来10年展望：在未来3-4年中，MDAF实现网管层面的部分数据分析功能。随着网络中台体系的建设，面向网络人工智能的网络AI中台将会在部分运营商的5GOSS系统中实现商用部署。网络AI信令体系作为人工智能与网络交互的语言，将AI能力注入到网络生态系统中。未来5-10年，随愿网络和ETSIENI网络体验与感知体系将逐渐成熟，会在5G中后期的网络基础设施架构中得到应用。数字孪生技术将与网络仿真和人工智能相结合，将网络全生命周期的规、建、优、维实现孪生化与智能化管理。三，在电信业务领域：目前，中国运营商正在BSS领域正引领基于智慧中台的技术演进：通过能力运营协同业务中台、数据中台、技术中台、AI中台等中台系统，完成面向最终用户与合作伙伴的IT服务与交互。其中，AI中台以人工智能算法为基础，通过场景化服务能力封装，为业务过程注智赋能。截至目前，人工智能技术通过AI中台体系，已经在BSS域的营销、销售、客户体验、客户服务、计费等多个业务领域及相应场景得到较好应用。而在10年，AI将在客户管理、套餐推荐、财务智能管理领域全面赋能，并且实现从初级到高级的过渡。从面向客户建立以人为本的全面客户体验，到面向电信运营企业建立更加运转高效的业务运营过程，直至新业务、新模式、新技术的快速创新兑付，都将起到关键作用。未来10年展望：部分通信运营商构建的技术中台体系将在未来3-5年内全面商用与成熟。其中的人工智能平台板块，将作为AI面向BSS领域注智与赋能的载体，全面推动客户运营与业务运营的智能化。电信业务涉及的某些细分领域例如智能客服、智能营销、智能推荐等，因为垂直行业中类似通用的应用经验，在未来的5-10年内会加速发展，可能提早实现到达L4或L5的高度智能化阶段。四，在专网领域：5G面向垂直行业除了提供公网服务，也可提供专网服务。而在5G专网中,通信人工智能也可提供一系列的智能化专有服务与安全保障。例如：可以用于虚拟专网中的网络切片SLA保障，进行通信传输性能、质量和资源的优化。对独立专网，人工智能体验感知算法可以对用户的感知体验进行实时或准实时评估，提供精准的QoS组合保障服务质量，实现差异化的智能运维服务。在专网中，也可以利用联邦学习、迁移学习等人工智能技术，完成5G切片异常诊断模型的云化管理和持续学习优化。另外，人工智能技术也可以对专网中的无线网络性能进行实时评估，通过与垂直行业应用平台的交互，自适应调整应用层的参数设置，用于提升视应用层的视频质量或者进行游戏加速。预计未来10年，通信人工智能通过与MEC以及与业务的结合以及算法的成熟，可以完全满足垂直行业对于高质量通信和网络安全的要求，将专网真正地变成高性能、安全可靠的专网。在垂直领域例如车联网、智能制造、高清视频/VR/AR、远程医疗、智慧城市，通信人工智能将帮助企业实现高级智能、乃至完全智能化的专网功能。未来10年展望：垂直行业专网在未来3-4年内属于商用建设初期，主要部署模式以虚拟专网形式实现。在此期间，人工智能面向虚拟专网的应用，将聚焦在5G专网切片的SLA保障、切片资源智能调度与优化、以及无线专网覆盖与性能优化等。在未来5-10年，混合专网和独立专网会逐渐部署并成熟，人工智能对独立或混合专网的应用将会聚焦在ToB业务精准QoS保障、ToC业务感知体验实时评估优化、智能网络智能运维AIOPS等。另外，人工智能技术通过与垂直行业的专网应用平台MEP(Multi-AccessEdgePlatform)的交互，自适应调整应用层的参数设置，保障边缘应用的服务质量。人工智能在行业专网的初级智能化阶段主要面向性能、质量与运维保障的智能化，在中高级智能化阶段更加面向高可靠、低延时、多并发连接的智能化控制与管理。通信人工智能系统的应用在安全性、鲁棒性、可解释性等方面在未来将进一步加强。尤其是人工智能中的联邦学习、区块链、隐私计算的技术组合，预计在通信生态各系统中会得以发展，用于解决通信生态系统与垂直行业之间的数据孤岛和安全隐私问题。五，在跨领域融合领域：一体化贯穿的电信业务流程，演进中的技术中台体系架构特征，以及业务与网络数据的融合分析运营，是驱动BSS与OSS系统进行深度融合的三大因素。通信人工智能在跨领域的融合智能化发展方面，也催生了多种应用场景：（1）客户体验管理（CEM）CEM是网络与业务跨领域融合的一个新领域，用人工智能结合心理学，建立一套能准确反应客户对通信网络与业务使用感知体验的算法模型体系，或者说"电信心理学算法"。借助CEM，运营商可以将网络体系的QoS体系与用户体验的QoE体系进行量化映射，从而弥合网络质量与用户真实体验之间的鸿沟实现从网络KPI指标为中心。到以客户体验为中心的网络业务服务转型。比如，亚信科技提出的CEM指数集，可结合通信领域用户级主观数据(例如NPS调研、客户投诉、主动拨测等)和客观数据(例如语音通话、上网、高清视频业务业务等质量指标)，以及用户级通信、消费、服务等360度行为的画像分析，生成ECS电信心理学模型，用于即时性评价客户过程中任何一刻、任何一地、任何一种业务的瞬时体验质量。（2）PCF+(PolicyControlFunction+)3GPP从R7开始引入了PCRF网元，面向网络侧，对用户和业务QoS服务质量进行控制，为用户提供差异化的服务，并且能基于业务和用户分类，提供更精细化的业务控制和计费方式，以合理利用网络资源。目前，PCRF的策略规则还基于规则配置，没有人工智能应用。但随着5G业务的丰富，用户对于5G服务差异化需求的增加，PCF需要演进到PCF+，以提供全新的服务模式、业务场景或者商业模式。在这个过程中，人工智能/大数据能力在5GC(5GCore)的引入，将使PCF+的策略管控变得更加智能化。（3）未来10年展望：CEM和PCF+的架构与功能会持续发展，客户体验感知体系会从SLAELA体系不断演进。随着CEM的QoE的算法体系在未来逐渐成熟与完善，通信运营商将可以利用QoE算法体系来预测性评估和主动性管理用户的体验预期。而PCF+也将通过与OSS域和BSS域的交互，向用户提供更精准、更实时、差异化的策略控制。人工智能面向跨BSS与OSS领域的融合智能化，CEM与PCF会沿着BSS与OSS域融合的演进路线发展。其中，CEM将结合网络与业务的数据，在客户全生命周期旅程中实现对客户的网络与业务体验感知的闭环管理。客户体验与感知管理体系会从SLA往ELA体系演进。PCF通过与OSS域和BSS域的交互，可以面向网络、业务、客户提供精准、实时、个性化的策略与服务。