2023年人工智能发展情况及值得关注的人工智能发展趋势
人工智能是ArtificialIntelligence，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。
实际应用
机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。
学科范畴
人工智能是一门边缘学科，属于自然科学和社会科学的交叉。
涉及学科
哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论
研究范畴
自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法
（打算走人工智能高薪方面及CV道路的可以联系小助理扫码加微，获取免费的500GAI资料包-具体可看文末，还有免费的计算机博士直播，了解更多的人工智能知识）
一、人工智能行业发展政策近年来，人工智能对社会和经济影响日益凸显。我国自2015年来，多次将人工智能的发展和规划列入国家政策，逐步确立人工智能技术在战略发展中的重要性。各省市相应中央号召，推出相应的地方发展规划和政策；全国31省市中，已有19个省市发布了人工智能规划，其中有16个制定了具体的产业规模发展目标。
二、人工智能行业发展现状1.市场规模中国人工智能市场规模在2016年-2020年持续增长，市场规模从2016年的154亿元增长至2020年的1280亿元，年复合增长率达到69.79%。随着新基建产业愈发受到国家重视，人工智能产业未来将持续增长，预计2022年将达2729亿元。
数据来源：灼识咨询、中商产业研究院整理
2.市场结构中国人工智能行业可按照应用领域分为四大类别：决策类人工智能、视觉人工智能、语音及语义人工智能和人工智能机器人。目前，视觉人工智能的占比最多，达43.4%。其次分别为决策类人工智能、语音及语义人工智能、人工智能机器人，占比分别为20.9%、18.2%、17.4%。
数据来源：灼识咨询、中商产业研究院整理
3.投融资情况2016年到2018年中国人工智能投融资情况呈现增长趋势。2019年开始，中国人工智能市场投融资事件数量开始下滑，整体市场开始冷静，投资金额有所上升。截止至2021年7月，投融资事件达506起，投融资金额达1839.92亿元。
数据来源：中商产业研究院整理
4.企业注册量近两三年来，人工智能相关企业注册量飞速上升。企查查数据显示，2017年人工智能上升为国家战略后，相关企业年注册量首次突破1万家，2019年注册量已达到4.26万家。2020年，人工智能新科技的链接价值、赋能价值表现得更为突出，全年注册量增至17.10万家。
数据来源：企查查、中商产业研究院整理
三、人工智能行业重点企业1.京东方京东方科技集团股份有限公司（BOE）创立于1993年4月，是全球领先的半导体显示技术、产品与服务提供商。基于在发展显示事业中积累的显示、传感、人工智能、大数据等技术基础，BOE（京东方）2014年启动DSH战略转型，由原有的端口器件事业向智慧物联事业和智慧医工事业延展。
2021年前三季度京东方实现营业收入1632.78亿元，同比增长72.05；实现归母净利润200.15亿元，同比增长708.36%。
2.科大讯飞科大讯飞股份有限公司是一家专业从事语音及语言、自然语言理解、机器学习推理及自主学习等人工智能核心技术研究，人工智能产品研发和行业应用落地的国家级骨干软件企业。
2021年前三季度科大讯飞实现营收108.68亿元，同比增长49.2%；实现归母净利润7.29亿元，同比增长30.88%。
3.寒武纪中科寒武纪科技股份有限公司创办于2016年，主营业务是应用于各类云服务器、边缘计算设备、终端设备中人工智能核心芯片的研发、设计和销售。公司的主要产品包括云端产品线、边缘产品线、处理器IP授权及软件。
2021年前三季度寒武纪营业收入实现2.22亿元，同比增长40.51%；归母净利润亏损6.29亿元，同比下降102.9%。
4.阿里巴巴阿里AI（阿里灵杰）依托阿里领先的云基础设施、大数据和AI工程能力、场景算法技术和多年行业实践，一站式地为企业和开发者提供云原生的AI能力体系。帮助提升AI应用开发效率，促进AI在产业中规模化落地，激发业务价值。
5.百度AI百度人工智能全面开放百度大脑领先能力，包括语音识别和文字识别等335项场景化能力、飞桨企业版EasyDL和BML、智能对话定制平台UNIT、AI学习与实训社区AIStudio、及实现算法与硬件深度整合的软硬一体产品项目等。目前，百度连续四年AI专利申请和授予量全国第一，百度AI开放平台成为中国领先的软硬一体AI大生产平台。而百度的移动生态，正是在这样的人工智能技术驱动下构建强大的。在人工智能的驱动下，由百家号、小程序、托管页构成的移动生态三大支柱业务增长稳进，构建起了完善的内容和服务一体化移动生态。
四、人工智能八大发展趋势1、AI-on-5G2022年，工业AI和AI-on-5G物联网应用将会成为主流。
AI-on-5G组合计算基础设施为传感器、计算平台和人工智能应用的整合提供了一种高性能、安全的链接结构，无论是在现场、场所还是云端中。具体包括：
汽车系统；智能空间；工业4.0，如新的自动化和机器人系统。我国5G发展取得领先优势，已累计建成5G基站超81.9万个，占全球比例约为70%；5G手机终端用户连接数达2.8亿，占全球比例超过80%；5G标准必要专利声明数量占比超过38%，2020年上半年以来上升近5个百分点，位列全球首位。工信部5G/6G专题会议会议表示，要持续推进5G快速健康发展。
5G是人工智能的加速器，同时5G也将为人工智能提供新动能。5G具有大连接、低延迟和高带宽三个核心特点，这些特点可以从不同侧面进一步加速人工智能技术的发展、应用、落地，促进整个供应链的智能升级。
2、生成式人工智能生成式人工智能，或评估现有数据（如文本、音频或视觉文件）的算法，主要识别该数据的基本模式，然后复制该模式以生成类似的内容。这种算法正在逐步改进。随着模型的输入数据的变化和业务结果的变化，模型本身也需要调整。缺乏维护会导致人工智能算法最终丧失价值。
生成式人工智能包括多种技术：
（1）GAN生成对抗网络：生成对抗网络是两个神经网络：一个生成器和一个判别器，它们相互竞争，以找到两个网络之间的平衡。生成器网络负责生成与源数据相似的新数据或内容。判别器网络负责区分源数据和生成的数据，以便识别哪些数据更接近原始数据。
（2）Transformer：由论文《AttentionisAllYouNeed》提出，现在是谷歌云TPU推荐的参考模型。论文相关的Tensorflow的代码可以从GitHub获取，其作为Tensor2Tensor包的一部分。哈佛的NLP团队也实现了一个基于PyTorch的版本，并注释该论文。像GPT-3、LaMDA和Wu-Dao这样的Transformer模拟了认知注意力，并对输入数据部分的重要性进行差异测量。它们被训练来理解语言或图像，学习一些分类任务，并从大量数据集中生成文本或图像。
（3）变分自编码器（Variationalauto-encoder，VAE）是一类重要的生成模型（generativemodel），它于2013年由DiederikP.Kingma和MaxWelling提出
3、增强型劳动力或人类-人工智能混合工作未来的工作更多的是在增强的环境中与人工智能配对。所有重复性的工作都是可能实现的，并且将是自动化的。
随着人工智能/机器学习工具的不断增加，你的工作效率也会提高
在每个行业中，都会涌现出人工智能驱动的智能工具，这些工具可以帮助该行业的个人高效工作。
4、IT中的云计算和边缘管理虽然边缘计算正迅速成为许多企业的必备工具，但部署仍处于早期阶段。云计算和边缘原生业务流程将在IT领域占据更多的主导地位，并在商业世界中更加无处不在。
一些人认为人工智能管理将成为IT部门的责任。为了应对与可管理性、安全性和规模有关的边缘计算挑战，IT部门将转向云原生技术。例如，作为容器化微服务的平台，Kubernetes已经成为大规模管理边缘人工智能应用的主要工具。
那些在云端上使用Kubernetes的IT部门可以利用他们的经验来构建自己的边缘云原生管理方案。预期将会有更多的第三方和相关的服务被采用。
5、人工智能在网络安全中的应用在网络安全方面，人工智能的作用必须通过自动化来提高。有69%的机构相信，人工智能是处理网络攻击的必备条件，但是这一领域在2022到2032年期间都有升级的需求。
威胁检测；战斗机器人；端点保护；违约风险保护；服务停机保护。6、更好更强的语言模型虽然OpenAI的大规模生成性预训练Transformer（GPT）模型的持续发展成为时尚的头条新闻，但DeepMind、微软研究院以及其他公司的做法也值得关注。围绕着高度进化的大型人工智能语言模型，已经出现了几十家新的初创公司。
7、人工智能在元宇宙中的应用元宇宙是一个术语，是指一个环境，更具体地说是一个数字环境，多个用户可以一起工作和游戏
新类型的应用程序、更智能的数字代理、深度造假人类（实际上是机器人），所有这些都在互联网的未来等待着我们，似乎是元宇宙产品。
8、人工智能的民主化和可达性——低代码/无代码人工智能今天，组织面临的主要挑战之一是缺乏能够研发出所需要的工具和算法的有经验的人工智能工程师。随着无代码或低代码解决方案的出现，这一挑战可以通过提供简单而直观的界面来解决，这些界面可以用来创建人工智能上的复杂系统。
随着我们加快人工智能在商业中的应用，并升级人工智能流程，随着程序员与人工智能-人类系统的合作，我们通过软件工程来制造产品的方法将会发生根本性的变化，并更容易被所有人接受，从而以更分散的方式分配其部分价值。
500G人工智能资料可免费领取，内含：①人工智能课程及项目【含课件源码】②超详解人工智能学习路线图③人工智能必看优质书籍电子书汇总④国内外知名精华资源⑤优质人工智能资源网站整理（找前辈、找代码、找论文都有）⑥人工智能行业报告⑦人工智能论文合集希望对大家的学习有所帮助，非常感谢大家的支持！需要的可以扫描下方二维码即可！
人工智能的发展与未来
随着人工智能（artificialintelligent，AI）技术的不断发展，各种AI产品已经逐步进入了我们的生活。
现如今，各种AI产品已经逐步进入了我们的生活｜Pixabay
19世纪，作为人工智能和计算机学科的鼻祖，数学家查尔斯·巴贝奇（CharlesBabbage）与艾达·洛夫莱斯（AdaLovelace）尝试着用连杆、进位齿轮和打孔卡片制造人类最早的可编程数学计算机，来模拟人类的数理逻辑运算能力。
20世纪初期，随着西班牙神经科学家拉蒙-卡哈尔（RamónyCajal）使用高尔基染色法对大脑切片进行显微观察，人类终于清晰地意识到，我们几乎全部思维活动的基础，都是大脑中那些伸出细长神经纤维、彼此连接成一张巨大信息网络的特殊神经细胞——神经元。
至此，尽管智能的具体运作方式还依然是个深不见底的迷宫，但搭建这个迷宫的砖瓦本身，对于人类来说已经不再神秘。
智能，是一种特殊的物质构造形式。
就像文字既可以用徽墨写在宣纸上，也可以用凿子刻在石碑上，智能，也未必需要拘泥于载体。随着神经科学的启迪和数学上的进步，20世纪的计算机科学先驱们意识到，巴贝奇和艾达试图用机械去再现人类智能的思路，在原理上是完全可行的。因此，以艾伦·图灵（AlanTuring）为代表的新一代学者开始思考，是否可以用二战后新兴的电子计算机作为载体，构建出“人工智能”呢？
图灵在1950年的论文《计算机器与智能（ComputingMachineryandIntelligence）》中，做了一个巧妙的“实验”，用以说明如何检验“人工智能”。
英国数学家，计算机学家图灵
这个“实验”也就是后来所说的“图灵测试（Turingtest）”：一名人类测试者将通过键盘和显示屏这样不会直接暴露身份的方式，同时与一名人类和一台计算机进行“网聊”，当人类测试者中有七成都无法正确判断交谈的两个“人”孰真孰假时，就认为这个计算机已经达到了“人工智能”的标准。
虽然，图灵测试只是一个启发性的思想实验，而非可以具体执行的判断方法，但他却通过这个假设，阐明了“智能”判断的模糊性与主观性。而他的判断手段，则与当时心理学界崛起的斯纳金的“行为主义”不谋而合。简而言之，基于唯物主义的一元论思维，图灵和斯金纳都认为，智能——甚至所有思维活动，都只是一套信息处理系统对外部刺激做出反应的运算模式。因此，对于其他旁观者来说，只要两套系统在面对同样的输入时都能够输出一样的反馈，就可以认为他们是“同类”。
1956年，人工智能正式成为了一个科学上的概念，而后涌现了很多新的研究目标与方向。比如说，就像人们在走迷宫遇到死胡同时会原路返回寻找新的路线类似，工程师为了使得人工智能达成某种目标，编写出了一种可以进行回溯的算法，即“搜索式推理”。
而工程师为了能用人类语言与计算机进行“交流”，又构建出了“语义网”。由此第一个会说英语的聊天机器人ELIZA诞生了，不过ELIZA仅仅只能按照固定套路进行作答。
而在20世纪60年代后期，有学者指出人工智能应该简化自己的模型，让人工智能更好的学习一些基本原则。在这一思潮的影响下，人工智能开始了新一轮的发展，麻省理工学院开发了一种早期的自然语言理解计算机程序，名为SHRDLU。工程师对SHRDLU的程序积木世界进行了极大的简化，里面所有物体和位置的集合可以用大约50个单词进行描述。模型极简化的成果，就是其内部语言组合数量少，程序基本能够完全理解用户的指令意义。在外部表现上，就是用户可以与装载了SHRDLU程序的电脑进行简单的对话，并可以用语言指令查询、移动程序中的虚拟积木。SHRDLU一度被认为是人工智能的成功范例，但当工程师试图将这个系统用来处理现实生活中的一些问题时，却惨遭滑铁卢。
而这之后，人工智能的发展也与图灵的想象有所不同。
现实中的人工智能发展，并未在模仿人类的“通用人工智能（也称强人工智能）”上集中太多资源。相反，人工智能研究自正式诞生起，就专注于让计算机通过“机器学习”来自我优化算法，最后形成可以高效率解决特定问题的“专家系统”。由于这些人工智能只会在限定好的狭窄领域中发挥作用，不具备、也不追求全面复杂的认知能力，因此也被称为“弱人工智能”。
但是无论如何，这些可以高效率解决特定问题的人工智能，在解放劳动力，推动现代工厂、组织智能化管理上都起到了关键作用。而随着大数据、云计算以及其他先进技术的发展，人工智能正在朝着更加多远，更加开放的方向发展。随着系统收集的数据量增加，AI算法的完善，以及相关芯片处理能力的提升，人工智能的应用也将逐渐从特定的碎片场景转变为更加深度、更加多元的应用场景。
人工智能让芯片的处理能力得以提升｜Pixabay
从小的方面来看，人工智能其实已经渐渐渗透进了我们生活的方方面面。比如喊一声就能回应你的智能语音系统，例如siri，小爱同学；再比如在超市付款时使用的人脸识别；抑或穿梭在餐厅抑或酒店的智能送餐机器人，这些其实都是人工智能的应用实例。而从大的方面来看，人工智能在制造、交通、能源及互联网行业的应用正在逐步加深，推动了数字经济生态链的构建与发展。
虽然脑科学与人工智能之间仍然存在巨大的鸿沟，通用人工智能仍然像个科幻梦，但就像萧伯纳所说的那样“科学始终是不公道的，如果它不提出十个问题，也永远无法解决一个问题。”科学总是在曲折中前进，而我们只要保持在不断探索中，虽无法预测是否能达到既定的目的地，但途中终归会有收获。
参考文献
[1]王永庆.人工智能原理与方法[M].西安交通大学出版社,1998.
[2]Russell,StuartJ.ArtificialIntelligence:AModernApproach[J].人民邮电出版社,2002.
[3]GabbayDM,HoggerCJ,RobinsonJA,etal.Handbookoflogicinartificialintelligenceandlogicprogramming.Vol.1:Logicalfoundations.,1995.
[4]胡宝洁,赵忠文,曾峦,张永继.图灵机和图灵测试[J].电脑知识与技术：学术版,2006(8):2.
[5]赵楠,缐珊珊.人工智能应用现状及关键技术研究[J].中国电子科学研究院学报,2017,12(6):3.
[6]GeneserethMR,NilssonNJ.LogicalFoundationofArtificialIntelligence[J].brainbroadresearchinartificialintelligence&neuroscience,1987
作者：张雨晨
编辑：韩越扬
[责编：赵宇豪]人工智能应用场景及未来发展趋势 一 什么是人工智能人工智能是当前比较热门的科学和各国重点发展的前沿技术，但人工智能（Artificial Intell
来源：雪球App，作者：玖点半，（https://xueqiu.com/2857816313/132432573）
一.什么是人工智能
人工智能是当前比较热门的科学和各国重点发展的前沿技术，但人工智能（ArtificialIntelligence，缩写为AI）一词的出现，却是早在1956年由麦卡赛、明斯基、罗切斯特和申农等一批具有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题时提出来的，它也标志着"人工智能"的正式诞生。
人工智能是指通过计算机实现人的头脑思维所产生的效果，是对能够从环境中获取感知并执行行动的智能体的描述和构建。从狭义认知角度来讲，人工智能可分为人工智能产业（包含技术、算法、应用等多方面的价值体系）、人工智能技术（包括凡是使用机器帮助、代替甚至部分超越人类实现认知、识别、分析、决策等功能）两大类。
人工智能得到快速发展的时期，是2008年金融危机之后，美日欧等西方发达国家希望借助机器人实现再工业化。此时的工业机器人比以往任何时候都发展的更快，更加带动了人工智能和相关领域产业的不断突破，很多必须用人来做的工作如今已经能用机器人实现。
而企业层面，目前在人工智能领域领先的企业，包括IBM、谷歌、微软、苹果、东芝、三星等大型科技企业，国内人工智能领先的企业，包括百度、科大讯飞，中国国家电网、阿里、腾讯以及一些新兴科技企业，如商汤科技、云从科技、码隆科技、影普科技、Yi+等。
二.国内人工智能应用领域及产值规模2.1.国内人工智能应用领域及产业规模人工智能作为科技创新产物，在促进人类社会进步、经济建设和提升人们生活水平等方面起到越来越重要的作用。国内人工智能经过多年的发展，已经在安防、金融、客服、零售、医疗健康、广告营销、教育、城市交通、制造、农业等领域实现商用及规模效应。
2018年国内人工智能技术为实体经济贡献收益规模达到251.1亿元人民币，而据艾瑞咨询预测数据，2019年人工智能将为实体经济贡献收入超570亿元，到2022年贡献收入将达到1573亿元，年复合增长率达到58.2%。
在2018年人工智能251.1亿元市场规模中，安防领域占比份额最高为53.8%，其次则是金融领域，份额占比为15.8%。
2.2.人工智能在安防领域的应用安防是为数不多的可以将人工智能成熟应用并落地的行业，为此，安防也被认为是人工智能的第一着陆场。这是因为人工智能在安防领域的快速落地，除了不需要过多的基础建设之外，也得益于全国范围内安防设备的普及以及政府部门大力发展雪亮工程、智慧城市、平安城市、智慧交通、天网工程等公共安全领域项目工程的推动。其中，2018年公共安全领域安防贡献的市场份额就超过70%。
人工智能在安防领域的应用主要是利用其视频结构化（视频数据的识别和提取技术）、生物识别技术（如指纹识别、人脸识别等）以及物证特征识别（如目前大力推广的ETC对车牌的识别等）等三大特性。其改变了过去需要通过人工取证、被动监控的安防形态，视频数据的识别和提取分析，使人力查阅监控的时间大大缩短，而生物识别又大大提升了人物识别的精准性，极大提升了公共安全治理的效率。
2018年，我国“AI+安防”软硬件市场规模达到135亿元（不含C端用户），其中视频监控占比达到88.1%，据艾瑞咨询预测2019年将达到350亿元，而到2022年，安防规模将超过700亿元，复合增长率将达到51.45%。
2.3.人工智能在金融领域的应用
人工智能在金融领域的应用仅次于安防，这要得益于移动互联网、区块链、云计算、大数据等新技术的日趋成熟，为金融行业的智能化转型升级奠定重要基础。
从技术层面，人工智能的本质上是机器通过大量的数据训练作出智能决策，人工智能能够赋予机器具有理解力的“大脑”，让机器能够解读文字、数据所包含的“语义”，通过自学的方式获得判断的规则。金融行业作为高度数据化的行业，加之业务规则和目标明晰，是人工智能、大数据处理技术和云计算等数据驱动技术的最好应用场景。以此同时，在互联网时代，金融行业的在线业务将成主流，数据量的激增，超出了人的经验范畴和处理能力，而这些却是人工智能最擅长处理的。人工智能正在对金融产品、服务渠道、服务方式、风险管理、授信融资、投资决策等带来新一轮的变革。
2018年国内金融领域人工智能相关科技投入（包括软件和硬件设备）约为166.8亿元，较2017年增速为42.9%，到2022年人工智能相关投入将超580亿元，年复合增长率超过37%，其中银行是人工智能相关应用的主要投入方，占比超过70%。
目前，人工智能在金融业的应用，主要集中在智能支付、智能理赔、智能投顾、智能客服、智能营销、智能投研、智能风控等场景，这些场景又以银行最具有代表。
2.3.1.智能客服智能客服是人工智能在金融领域应用最广的。智能客服机器人取代了传统菜单式语音和人工客服模式，能够提供7*24小时的客服服务。智能客服在电话场景当中主要表现为机器管理和语音问答分析，智能客服可以通过深度学习文本中的对话、语音对话场景，并加以应用回复。智能客服目前在银行领域应用最广，平安银行的客服服务人工智能替代率超过80%，其服务量也提升了两至三倍，客服的人力降低了40%。
2.3.2.智能投顾智能投顾，即人工智能投资顾问，其是通过人工智能的深度学习和分析能力，为客户提供个人理财产品策略咨询，包括股票配置、基金配置、债权配置、交易执行、投资损失避税等策略。智能投顾的最大特点，是弱化“人性”，在基于大数据分析、AI算法等的前提下，一旦投资者选定了某种方案，资产的进出抛售就会严格按照既定的标准实行。
智能投顾的应用，最早可追溯到2016年年底，“摩羯智投”在招商银行手机APP的上线。目前，智能投顾已成为银行、券商、保险等金融机构的标配型服务。
2.3.3.智能风控金融行业在传统风控环节中，存在信息不对称、成本高、时效性差、效率低等问题。而智能风控因为引入了人工智能科技，使得贷前审核、贷中监控和贷后管理等环节效率和准确度都得到了极大的提升，智能风控还能促进风险管理差异化。另外智能风控在信用反欺诈、骗保反欺诈、异常交易行为等方面也发挥了越来越重要的作用，为金融行业欺诈风险的分析和预警监测提供坚实的技术支持。
2.3.4.智能投研与智能投顾相比，智能投研主要面对B端企业用户，为其提供辅助投研的工具。对于金融机构来说，人工智能技术的介入，使得传统投研的各个环节发生一定的优化和革新，解放大量基础的投研信息搜集类工作，而前期信息搜集的耗时性和不全面性，也是传统投研中较为主要的缺陷。智能投研是在金融数据基础上，通过深度学习、自然语言处理等人工智能方法，对数据、事件、结论等信息进行自动化处理和分析，为金融机构提供投研支持。
2.4.人工智能在客服领域的应用前文金融领域中已经提到了智能客服的应用，当然智能客服不仅仅只限于金融行业，在其他行业也运用得越来越广。客户服务引入人工智能技术后，整体上节省了10%以上的运营成本。另外，通过对语音等非标准化数据的识别，企业能沉淀下一手数据资源，为后续精准营销、产品升级等环节做好铺垫。
据艾瑞咨询数据，2018年，国内智能客服业务规模达到27.2亿元，其中以智能客服机器人为代表的人工智能应用业务规模达到7.9亿元，预计2022年智能客服业务规模将突破160亿元，年复合增长率为56%，人工智能应用业务规模突破70亿元。
2.5.人工智能在零售领域的应用人工智能在零售领域的应用已经十分广泛，包括无人便利店、智慧供应链、客流统计、无人仓储等细分领域。人工智能通过深度学习以及计算机视觉、图像智能识别、大数据应用等技术，使得工业智能机器人可通过自主判断和行为学习，完成各种复杂的任务，包括在商品分拣、运输、出库等环节实现自动化。另外，将人工智能技术应用于客流统计工作中，其通过人脸识别客流统计功能，门店可以从性别、年龄、表情、新老顾客、滞留时长等维度建立到店客流用户画像，为调整运营策略提供数据基础，帮助门店运营从匹配真实到店客流的角度提升转换率。
2018年中国现代渠道主要零售商数字化建设投入为285.1亿元，其中人工智能投入约为9亿元，占比3.15%，据预测，到2022年其数字化建设投入将突破700亿元，人工智能投入将超过178亿元，占比超过25%，这主要得益于阿里巴巴、京东、苏宁等零售巨头的推动，以人工智能应用为代表的新零售概念处于增长的上升通道，未来两年将保持较高增速。
而以计算机视觉技术为核心的人脸识别和商品识别是主要建设方向，相关投入占整体的55%以上。另外，零售领域供应链的优化最为复杂，对人工智能算法的可用性要求最高，但更靠近零售业的核心点，未来可释放的增益价值也将最大。
三.人工智能未来发展趋势目前，人工智能的研究及应用主要集中在基础层、技术层和应用层三个方面，其中基础层以AI芯片、计算机语言、算法架构等研发为主，技术层以计算机视觉、智能语音、自然语言处理等应用算法研发为主；应用层以AI技术集成与应用开发为主。而国内人工智能企业多集中在应用层，占比高达77.7%，技术层和基础层企业占比相对较小，分别只占有17.9%和5.4%。当然，未来随着5G的建设普及以及科技进步，人工智能除了在语音识别、计算机视觉技术的继续拓展和实地运用外，在人工智能芯片、机器学习、神经网络等方面也将引来增强趋势，人工智能也将在越来越多的领域得到应用落地。
另外，人工智能与物联网的结合（即AIoT）也将更紧密，AI的介入让物联网有了连接的大脑，使得万物互联互通成为现实，未来或将颠覆现有的产业模式。经济方面，助力产业价值链延伸，目前产业很难依靠既有技术与业务模式打破产业生命周期，AIoT通过设备感知与数据分析支撑新的产品形态与服务模式落地，开拓新的市场空间，产生新的发展周期。社会发展方面，数据价值得到挖掘，实现大量线下数据线上化，实现自动高效处理。
$海康威视(SZ002415)$$上证指数(SH000001)$$沪深300(SH000300)$
人工智能发展现状及应用
导读：人工智能（ArtificialIntelligence），英文缩写为AI。人工智能被认为是第四次科技革命的核心驱动力，目前许多领域都在探索AI技术的应用，可谓方兴未艾。那么什么是人工智能，它经历了怎样的发展历程，现阶段发展状况如何，它有哪些应用。本篇文章就为大家做个简单分享。同时也会为大家详细介绍一下百度的AI技术体系。
本文主要内容：
1.人工智能概念
①智能
②人工智能
2.人工智能的发展
①人工智能的发展历程
②AI是中国的机遇
3.AI与百度
①百度AI的发展历程
②百度AI的技术体系
③百度AI的场景化应用
1.人工智能概念
1.1智能
谈到人工智能，需要首先理解“智能”一词的具体含义。智能是指人类才具有的一些技能。人在进行各种活动的过程中，从感觉到记忆再到思维产生了智慧，智慧产生了人类本身的行为和语言，行为和语言统称为能力；智慧和能力结合在一起就是人工智能中的智能一词。
比如，人类的语言表达能力就是一种智能（语言智能）；人类进行复杂数学运算的能力也是一种智能（数字逻辑智能）；人类的交往能力也是一种智能（人际智能），人们对音调、旋律、节奏、音色的感知能力，也是一种智能（音乐智能）。他们都属于智能的范畴。
1.2人工智能
把智能的概念与人的逻辑理解相结合，并应用到机器中，让机器能更好的模拟人的相关职能，这就是人工智能。人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。
人工智能概念，最早可以追溯到上世纪90年代初，这个时候需要提到一位科学家：图灵。
艾伦·麦席森·图灵（英语：AlanMathisonTuring，1912年6月23日—1954年6月7日），英国数学家、逻辑学家，被称为计算机科学之父，人工智能之父。
图灵最早定义了什么是人工智能，怎样去界定一个机器（或一个设备）是否具备智能。他最早提出了图灵测试（即：一个人在不接触对方的情况下，经过某种特殊的方式和对方进行一系列的问答，如果在某些时间之内，他无法根据这些问题判断对方是人还是计算机，那么我们就认为这台机器具备智能化的思维）。直到2000年左右，才真正有计算机通过了图灵测试，才实现了一个突破。在2014年图灵测试大会上，出现了一个通过图灵测试的机器（或者称为智能聊天的机器人）。这两年人工智能的高速发展，也印证了最早的图灵测试，这也让我们反向看到了图灵在人工智能定义方面做出的突出贡献。
现今，在做图灵测试时，判断这个设备是否具备人工智能，更多的还是从模拟人的角度来考量。但在当前科技背景下，人工智能需要涵盖更广的内容，它不仅仅要模拟人本身的职能，还需要具备一些扩展、替代甚至延伸的职能。
举个例子，在医疗领域，需要经常在实验室进行病毒化验，人处这样的实验环境下会比较危险，经常会出现一些事故，如果能够用机器替代人来做这些实验，这些事故就可以避免。此时，这台机器就不仅仅是在模拟人，而是在替代人，机器本身就具备了替代人的能力。
当前，很多人在担忧：人工智能的发展会不会对人类造成威胁。其实，目前人工智能还处于早期的阶段（或者称之为婴幼儿阶段），我们还处于弱人工智能时代。
当然，随着时间的推移，将来我们可能会把弱人工智能时代推进到强人工智能，甚至再往前推进到超人工智能和智能爆炸时代。但至少目前，我们离这样的时代还有非常远的距离，要实现这样的目标，需要非常多的时间积累，可能要通过几代人甚至十几代人的努力。所以大家不要有过多的担心，人工智能现在更多的还是用于服务人类，用来提高人们的工作效率。
上图引自MIT大学一位教授。
针对人工智能所覆盖的领域，这位教授提出一个观点：“我们要尽可能避免做这些容易“进水”的工作，以免被日后所淘汰掉”。
这张图水平面以下的工作，如存储，计算、甚至象棋活动等，已经被海平面淹没。在海平面边缘的工作，如翻译、驾驶、视觉和音频等，很有可能在未来的一段时间，随着技术的进步也会被淹没。再来看图上高海拔地区的工作，如艺术创新、科学研究，文学创作等，让人工智能替代人类去做这些工作，在现阶段是比较困难的。要让人工智能实现像人一样具备主观能动性，还需要比较长的时间。我们在选择工作，或者在做技术探索的时候，应该从更高的层面布局，而把那些可以被人工智能替代的工作交给计算机去做，这样我们就可以从一些重复性、冗余性的工作中抽离出来，去专门从事创造性的工作（比如艺术创作等）。
2.人工智能的发展2.1人工智能的发展历程我们回顾一下人工智能发展的历程。
人工智能并不是特别新鲜的词，在计算机出现后不久，大家就已经开始探索人工智能的发展了。
1943到1956年这段时间，为人工智能的诞生期，期间有很多人尝试用计算机进行智能化的应用，当然此时不能称为人工智能，只是有类似的概念。
人工智能的分水岭是1956年达特茅斯会议，在本次会议上正式提出了AI这个词。
1956到1974年这段时间，是人工智能发展的黄金时代，是人工智能的第1个高速发展期，通常把这段时间称之为人工智能大发现时代。
1974到1980年这6年的时间里，进入了人工智能发展的第1个低谷，在这个低谷期，出现了非常多的问题，比如计算上的问题、存储上的问题、数据量的问题，这些问题限制了人工智能的发展。
1980到1987年这段时间是人工智能的第2个繁荣期。期间诞生了大量的算法，推动了神经网络的高速发展，同时出现了许多专业的科研人员，发表了许多创造性的论文。
1987到1993年这段时间是人工智能的第2个低谷期，期间有个词叫“AI之冬”。有大量的资本从AI领域撤出，整个AI科研遇到了非常大的财政问题，这是导致”AI之冬”的主要原因。
1993年之后，人工智能又进入到高速发展期，期间出现了许多经典案例，比如1997年IBM公司的深蓝案例，2001年IBM的沃森案例，2016年谷歌AlphaGo案例。这些案例是人工智能在应用层面的体现。
上图概括了人工智能的发展历程。
可以看到，从1956年达特茅斯会议AI这个词诞生，一直发展到现在，人工智能共经历了60多年的跌宕起伏，并不是仅在2016、2017这两年间才出现了人工智能这个概念。
从宏观上看，AI的发展历程经历了三次比较大的起伏。
第1次起伏是从1943年到1956年，首次出现了神经网络这个词，把人工智能推到一个高峰，期间出现了许多大发现。而第1次低谷使人工智能进入到了反思的阶段，人们开始探讨人工智能的应用。
第2次起伏是在上世纪80年代，期间BP算法的出现，神经网络新概念的普及，推动了人工智能又进入第2次高峰和发展。然而从1987年到1993年又进入到了了第2次低谷，这主要因为一些财政原因导致。
第3次起伏从2006年开始，由辛顿提出了深度学习的概念，把神经网络往前推动了一大步，也把人工智能推到了高速发展阶段，尤其是近几年在非结构化领域取得了许多突破（例如在语音与视觉方面），给人工智能进入商业化应用带来许多的基础性技术沉淀。
人工智能为什么会在前面的发展过程里遇到了那么多的坎坷？为什么在最近这几年会进入一个高速发展期？
我们归结了近几年人工智能高速发展的三点原因：
①算力飞跃
人工智能（尤其是深度学习），对底层计算能力的要求非常高。早期的计算受到了极大限制，从CPU发展到了GPU，使得算力几乎能达到几倍甚至十几倍量级的增长。再从GPU到TPU，计算速度能达到15~30倍的增长，使得在算力层面不断取得突破。此外，大量云资源的出现将我们计算的成本压到了最低，我们在处理海量计算的同时，也可以享受比较低的成本。再者，芯片技术的发展，使得端处理能力持续提高，这些都帮助我们在算力层面取得了很大的突破。
②数据井喷
从PC互联网时代到移动互联网时代，再到可穿戴设备的应用，都产生了大量的数据。这两年，每年产生的数据量可以达到50%左右的增长。2017年到2018年，这段时间内基本上每个月产生的数据量可以达到几十个亿的量级，数据量已经非常高。物联网的连接，能帮助我们把更多的数据采集回来，帮助我们在数据层面做更多的积累，这是数据井喷带来的积极影响。
③算法突破
近几年来，从机器学习到深度学习，算法不断取得突破。使得我们可以处理更多的大规模、无监督、多层次等复杂业务。
算法、算力、数据是人工智能的三要素，算力是骨骼，数据是血液和食物，算法就是大脑，三者不断取得突破，才能促进人工智能高速发展。
2.3AI是中国的机遇
人工智能技术的发展也促进了很多产业的发展。中国目前有非常好的历史机遇，不仅仅是在技术上有大量的积累，同时，国家也为人工智能的发展提供了非常好的政策环境。此外，市场空间、资金支持、人才储备，也都为人工智能的发展提供了非常好的条件。
通过上图可以看到，人工智能的研发人才目前还比较短缺。图上数据来源于领英在2017年所做的全球AI人才报告。以2017年的数据来看，全球人工智能专业的人才数量超过190万，在这190万人才中，美国处于第一梯队，有85万+；而中国在人工智能领域的人才积累比较少，从数据上来看，目前国内人工智能方面的专业技术人才可能只有5万+，当然这是2017年的数据，现在可能会有一些增长，但是量级也没有达到我们想象的那么大。
所以从国内目前来看，这约5-10万的AI技术人才，对比AI产业的高速发展需求，两者之间有巨大矛盾。那怎样更好的用这些人才作为突破，把人工智能方面的技术人才储备提高到百万级别。这正是整个百度（包括百度的教育合作与共建，包括百度所有对外输出的体系，包括我们今天所做的课程）所努力的方向，我们期望通过百度的技术赋能，真正的帮助人工智能取得更好的人才积累，真正培养一些在未来对人工智能行业有巨大贡献的专业人才，这是百度现在的定位目标。
AI浪潮已然到来，行业人工智能时代已经到来。目前，人工智能已经大量应用在2c和2b领域，怎么让人工智能跟具体行业有更好的接触，产生更多的积累，是我们正在重点探索的方向。
比如百度的搜索引擎，已经融入了很多AI元素。模糊匹配、拍照识图、深度挖掘检索等都应用到了大量的人工智能技术。
再如推荐系统，他会基于个人的一些喜好和历史阅读习惯来给用户做一些内容的推荐和匹配，这是很典型的结合大数据做的精准应用，实际上也属于人工智能的范畴。
再如人脸识别技术、语音技术、智慧交通和无人驾驶等，都是AI技术与行业应用的融合，并且这些技术正在不断取得突破。百度现在L4级别的无人驾驶车已经初步实现了一些小规模的量产，未来会有更多的人将真正的体会到无人驾驶给生活带来的便利。
3.AI与百度3.1百度AI的发展历程
上图为百度在人工智能领域的发展轨迹，早在2009年，百度就开始尝试探索人工智能相关技术，直到2019年，百度用了近十年的时间布局人工智能。
2009年尝试性布局人工智能，2013年发布IDL，2014年成立硅谷实验室以及百度研究院，2015年首次发布DuerOS，2016年发布百度大脑1.0版本，同年，百度的自动驾驶技术进入试运营状态，2017年是百度人工智能技术高速发展的一年，不仅成立了深度学习国家实验室，同时也成立了硅谷第二实验室以及西雅图实验室，并且Apollo平台开始运行并对外推广，在2018年到2019年，DuerOS和Apollo平台发展到3.0版本，百度大脑发展到5.0版本。经过近十年的发展和积累，百度的人工智能技术目前处于相对领先的位置。
百度在人工智能领域领域取得的进展有目共睹，比如，百度成立了首个国家级AI实验室；2016年被美国《财富》杂志评选为深度学习领域四大巨头之一；百度的刷脸支付、强化学习、自动驾驶等技术入选MIT2017年全球十大突破性技术；在AI领域，百度的中国专利申请超过2000项。
3.2百度AI的技术体系
百度的技术体系非常全面，覆盖了计算体系、大数据技术体系以及人工智能技术体系等，在机器学习、深度学习、区块链、知识图谱、自然语言处理、量子计算等领域均有雄厚的技术积累。这些技术可以按内容划分成三个板块，第一是A板块（即AI技术板块），第二是B板块（即大数据板块），第三是C板块（即云计算板块）。这就是百度在2016年提出的ABC概念。从一开始的1.0版本，发展到如今的3.0版本，代表着百度在人工智能领域的整体布局。在人工智能领域的布局中，百度的探索不仅停留在最核心的技术上，也同时将核心技术与更多的领域相结合，如边缘计算、物联网（InternetofThings,IoT）和区块链等，得到了如ABC+区块链、ABC+DuerOS、ABC+Apollo等对外输出模式，向各行各业提供解决方案。
在A板块中，将百度大脑分成了不同的层次。最底层是算法层，包含机器学习和深度学习算法，使用百度的PaddlePaddle深度学习框架提供算法层的基础支撑；算法层之上为感知层，感知层可分为对声音的感知和对光的感知，其中，对声音的感知主要是语音技术板块，对光的感知主要是图像技术、视频技术、AR/VR等技术板块；在感知层之上是认知层，认知层更多的是处理人类听到和看到的内容，对其进行深度理解，深度理解需要自然语言处理（NLP/NLU）、知识图谱等技术作为支撑，同时也需要积累大量用户画像数据，这些技术能帮助人们快速的理解和分析人类听到和看到的内容，并对内容进行有效的反馈，这是认知层面的技术；在认知层之上是平台层，平台层将底层的内容进行融合、封装，对外提供开放、完整的AI技术，并引入大量的生态合作伙伴，共同探讨人工智能产业的布局。
百度人工智能整体技术体系，最底层是深度学习框架飞桨PaddlePaddle，作为底层计算框架，飞桨PaddlePaddle支撑着上层场景化能力与平台中的全部板块。在场景化能力与平台中，包含了诸多场景大板块，每个大板块下又细分为多个技术板块，比如语音板块包含了语音合成以及语音唤醒等技术板块；计算机视觉技术中的OCR技术，包括传统通用OCR识别，以及垂直领域OCR的识别，可以对30多个OCR识别领域进行精准识别，比如票据识别、证件识别以及文字识别等；在人脸/人体识别板块，同时也会引入图像审核以及图像识别方面的技术；在视频板块，有视频比对技术，视频分类和标注技术，以及视频审核技术；在自然语言处理板块，有机器翻译技术；知识图谱板块，有AR/VR技术。这些板块构成了人工智能体系的技术蓝图。
近两年来，人工智能技术在各行各业中的应用不断加深，实践证明，单一的技术在落地时会受到诸多限制，所以现在人工智能在落地时可能不仅仅用到某一个单独的技术板块，而是需要先把这些板块进行融合，然后再进行实际应用，比如在拍照翻译的应用场景下，既需要用到OCR技术，同时也用到NLP技术。因此在实际应用中，需要综合各个板块的技术，把不同的技术体系和技术内容有机地融合起来，再去解决行业中面临的痛点。
3.3百度AI的场景化应用
2014年到2015年期间，在计算机视觉领域的部分场景下，计算机视觉识别准确率已经超过了人眼识别。而利用深度学习技术的计算机听觉识别，在2017年左右也已经超过人耳听力极限。
人工智能业务场景化不仅依赖底层的硬件资源，也需要超大规模的标注数据，这是监督学习的特点，所以在人工智能早期研究中，有评论说“有多少人工就有多少智能”，这句话在特定角度来看是具有一定意义的。在监督学习中，训练模型需要庞大的标注数据，再结合GPU强大的数据处理能力去训练特定模型，也就是从算法的层面去做更多的工作，在训练模型的过程中需要发挥人的主观能动性，更好的解决在行业应用中出现的一些痛点，构建出行业专属的模型。
比如，将人体分析技术应用到实际行业场景中时，需要结合人脸识别技术和人体识别技术。可以通过基础手势识别，识别一个人在开车时有没有系安全带、是不是在打电话等。
利用人体分析技术，可以做到行为识别，首先设定特定区域，然后对区域内的人员行为进行识别，比如人群过密、区域越界、人员逆行、徘徊以及吸烟等，在特定场景下，行为识别能够帮助用户避免安全隐患。
自然语言处理有很多相关技术，比如说词法分析、词向量表示、语义相似度、短文本相似度、情感相似度分析等。这些技术用在不同的应用场景下。
在公检法系统应用中，为了避免出现非常严重的问题，如同案不同判，具体解决方案是当诉讼呈递给法官时，根据当前诉讼内容在公检法系统中寻找历史上类似的案件，参考历史类似案件的判决，给法官提供判案依据。
在媒体领域应用中，对基础的财经类新闻，可以由机器进行新闻文章的编写，即机器写作。这些技术都是基于NLP在相应领域做的智能化应用，可以让编辑或记者从重复性的工作中解脱出来。
人工智能从广义上来看，也包括大数据及云计算相关技术，这些技术也都涵盖在百度AI技术体系中。在大数据领域，主要包括数据采集、数据存储、数据分析以及数据可视化等，利用这些技术，我们在进行模型训练的时候，对数据进行科学的管理可以帮助我们提高模型训练效率。
百度AI技术体系也提供算力层面的支持，通过GPU服务器以及FPGA服务器提供的算力，更好的解决应用层面的问题。
百度AI就是这样一个从基础层，到感知层、认知层的完整体系，为多行业、多场景提供“一站式解决方案”，力求实现“多行业、多场景全面赋能”。
回顾本篇文章，我们和大家分享了人工智能的相关概念，人工智能的发展历程，从中也可以看出AI是我们的历史机遇。同时本文也为大家详细介绍了百度的AI技术体系，经过10余年的努力，百度AI已经形成从基础层，到感知层、认知层的完整技术体系，为多行业、多场景提供“一站式解决方案”，力求实现“多行业、多场景全面赋能”。