人工智能在旅游业的应用与发展
智能化办签
现在越来越多的人选择出境游，中国旅游者感受最深的痛点问题，包括各国签证所需材料复杂不一、程序繁杂不方便、智能化程度低、办理进度无从知晓等问题。随着人工智能的发展，实现了OCR识别、自助生成证件照、一键生成材料、在线填表和预审、实时进度追踪、材料复用等十大功能，依靠技术创新与专业服务团队让签证办理变得便捷化、可视化。也就是说，用户在用相关在线旅游平台办理签证时，可以通过手机扫描护照或身份证，信息会自动识别并填写到申请表上；可直接通过自拍功能解决签证照片，系统会自动调整并生成符合规定的照片；办理进度可通过手机客户端自助查看实时追踪，随时可查。对于再次办签，材料复用功能则无须准备重复材料，并优先进入预审阶段。
随着技术的进步，办签证不仅可以足不出户手机搞定，通过与使领馆的系统直连，加上电子签证、材料复用等优势，最快一分钟就可以出签。同时，“送签AI”服务还能实现签证进度与使领馆“秒同步”，到了哪一步、何时出签，都能在手机端实时显示。通过技术革新，未来中国游客办理签证的手续不仅能进一步简化，在拒签退款等环节上也将更有保障。
智能定制旅游
随着旅游人数的增加，消费升级带来的游客需求品质化、个性化的改变，对传统旅游产品的生产和供给方式提出了新的挑战。在需求的多样性和旅行产品丰富性的前提之下，私人定制发展很快，所以在旅游行业“行程定制”绝不是一个新概念。随着自由行这类智能行程规划助手的出现，在曾经技术基础薄弱的旅游行业如今所谓的“智能行程定制”层出不穷。
智能规划的过程，就是根据用户需求用数据驱动决策的过程。虽说目前智能行程定制层出不穷，但目前人工智能应用于自由行行程规划仍然存在诸多挑战：
1、海量碎片化数据
除了数据获取难度本身，自由行相关的“吃住行游购娱”动辄上亿级别的数据最大的特征就是高度的碎片化、离散化。从行程完整性角度看，这些信息彼此之间又互相影响，“牵一发而动全身”。
2、人工智能实现方式
必须非常了解自由行不同的应用场景，基于旅行专家的输出构建知识库，才能决定如何选取、需要构建多少隐层、每层的神经元个数，以及神经元之间的连接关系。例如特征选取不合适，会降低神经网络的决策精度。
3、算法的优劣
深度学习算法（DeepLearning）直接影响了神经网络的学习效率，好的学习算法可以有效降低神经网络的传递误差，加速收敛，而神经网络学习的效率决定了神经网络是否能被实用化、商业化。
随着技术的发展，智能出行在决策一个完整旅行行程时，会根据用户需求，综合考虑最基础的机票酒店信息及推荐原则、城市顺序及天数安排、景点及顺序、多种类型交通、商品方案组合等等，要在多个百万级别的分类数据里在毫秒级短时间内做出最优方案。
脱胎于互联网的移动互联网时代，个性化需求的爆发会从更深层次引导服务和消费行为升级，就像今天滴滴对出行方式的影响，若在PC时代它几乎不可想象。从信息化到智能化、用机器替代人工，这是任何行业的必然趋势。高效、零成本的智能个性化定制一定会让旅游行业效率发生颠覆性革命。
2017年7月国务院印发《新一代人工智能发展规划》，这是中国第一部在人工智能领域进行系统部署的规划。人工智能作为新一轮产业变革的核心驱动力，创造新的强大引擎，重构生产、分配、交换、消费等经济活动各环节。毫无疑问，未来有更多惊喜等着我们，新创意和新技术将助力旅游商家为商务人士及休闲旅客创造令人惊叹的体验。对于旅游企业来说，这是无法绕路的一道核心技术；对于游客来说，人工智能将越来越深入到旅行过程的每一个细节。返回搜狐，查看更多
司法人工智能的实际应用与展望
2016年7月，中共中央办公厅、国务院办公厅印发《国家信息化发展战略纲要》，提出将“智慧法院”建设列入国家信息化发展战略。2017年4月，最高人民法院印发《关于加快建设智慧法院的意见》，提出“以信息化促进审判体系和审判能力现代化的总体要求”。值得肯定的是，我国法院系统在智慧法院建设中并没有千篇一律，而是由最高人民法院和地方各级法院各自投入开发，呈现出“百花齐放、百家争鸣”的格局。如上海市高级人民法院开发的“上海刑事案件智能辅助办案系统”旨在统一公检法三机关的证据标准适用，北京市高级人民法院的“睿法官”系统拥有智能量刑辅助功能。
以民事审判为例，人工智能目前覆盖了民事审判的全流程，在起诉与受理、庭审、送达、执行等方面发挥了重要作用，极大提升了民事审判的效率，也节约了司法资源和当事人的诉讼成本。在起诉与受理环节，如海南法院系统就开发了“网上自助立案”“跨域立案”等智能便民措施。“网上自助立案”是指当事人无需亲自到法院即可使用微信小程序“移动微法院”线上提交诉状、证据、身份证明等申请立案。当事人或者律师刷身份证即可进入海南第二涉外民商事法庭的“24小时自助法院”，在智能设备上自助操作即可实现跨域立案，系统审核通过后会将案件推送至有管辖权的法院。
近几年，疫情不仅改变了人类的社交、生活方式，也无形中推动了法院庭审模式的变革。很多法院纷纷启动线上审判，当事人无需亲自到法庭参与庭审，随时随地下载电脑客户端、手机软件或者登录微信小程序，即可在法官的指挥下参加庭审。江苏省无锡市中级人民法院推出的“智慧执行系统”基于大数据、云计算，解决了执行人难找、被执行人财产难查等问题。
此外，很多法院引入的庭审语音识别系统、智慧审判系统都具有“类案推送”、关联法条自动推送、裁判文书自动生成、偏离预警等功能，以及电子卷宗随案生成与移送等，都体现了人工智能在法院工作中发挥的作用日益显著。
通过前述，可以看到人工智能技术目前应用于法院工作，主要还是辅助审判功能，亦即“弱司法人工智能”。由于人们对司法的信任是建立在一整套法律规定、诉讼程序、当事人全流程参与案件审理、司法公开透明之上的，且法官对案件进行裁判是通过开庭审理，根据自己的专业能力、审判经验，对个案的案件事实、法律适用以及社会背景、社会效果等因素进行分析判断的复杂劳动。这些都是目前人工智能难以做到的。但随着人工智能技术的日益成熟，其在更大的广度和深度参与司法裁判仍是必然趋势。
现阶段，应不断改进和完善人工智能，以下几个问题需要引起重视。一是充分尊重和保护当事人的权利。要确保司法人工智能系统的设计和运用不侵犯当事人的隐私权等实体权利和诉讼权利。二是确保数据的安全性。在运用人工智能过程中，应在保证安全的技术环境中使用经认证的数据来源和无法更改的数据资料，并采用多学科设计的模型。三是确保算法的透明度。开发者必须在需要时能够解释清楚使用了哪些算法以及引用了哪些数据信息。如果任由算法暗箱，可能会引发裁判过程的不透明，进而引发新的问题。
（作者单位：江西财经大学）
深度丨人工智能前沿技术应用趋势与发展展望
基础数据集建设已经成为基本共识
自从李飞飞等在2009年成功创建ImageNet数据集以来，该数据集就已经成为了业界图形图像深度学习算法的基础数据集，通过举办比赛等方式极大地促进了算法的进步，使得算法分类精度已经达到了95%以上。这也使得一些大型研究机构和企业逐渐认识到了数据的价值，纷纷开始建立自己的数据集，以便进行数据挖掘和提升深度学习模型的准确率。如美国国家标准研究院的Mugshot、谷歌的SVHN、微软的MSCOCO等图像基础数据集，斯坦福大学的SQuAD、卡耐基梅隆大学的Q/ADataset、Salesforce的WikiText等自然语言数据集以及2000HUB5English、CHiME、TED-LIUM等语音数据集。
新型计算基础设施陆续成为产业界发展目标
由于深度学习对算力有较高的需求，因此相继出现了一些专门的计算框架和平台，如伯克利大学的Caffe、微软的CNTK、Facebook的Torch、亚马逊的MXNet、百度的PaddlePaddle等，尤其是谷歌的TensorFlow能够支持异构设备的分布式计算，其平台API能力已经覆盖了CNN、RNN、LSTM等当前最流行的深度神经网络模型。除了从计算框架软件平台进行研发之外，产业界同时也从硬件方面探索计算能力的提升方法。最为直接的方法就是采用计算能力更强的GPU替代原有的CPU等。此外，谷歌、IBM等一些大型企业在大量采用GPU的同时，也在探索进行符合自身计算环境的芯片研发，从而进一步降低成本、提高效率，因此产生了TPU等性能更加卓越的新型芯片。
人工智能技术发展面临的挑战虽然人工智能技术发展已经取得了前所未有的成绩，但随着深度学习技术应用的不断深化和产业化步伐的逐步加快，人工智能技术发展也面临着不少挑战。
主流技术深度学习还具有较大局限性
一是在有限样本和计算单元的情况下，对复杂函数的表示能力有限，其针对复杂分类问题的泛化能力受限。二是通过深度学习是一种基于概率统计的算法，机器系统学习到的是大概率内容，不是知识，无法像人类一样进行举一反三的应用。三是深度学习存在黑箱问题，不能解释其自身做出决策的原因。
基础数据积累还远远不能满足模型训练需要
由于大数据技术的出现和使用时间还不长，各类基础数据不论从数量上还是从质量上来看，都尚需要较长时间的积累。一方面，某些关键领域和学术数据集还严重不足。另一方面，已有规模化的基础数据集不仅数据质量良莠不齐，而且基本上由少数几家巨头或政府所掌握，鉴于监管和竞争等因素，无法实现有效流动。基础数据的缺乏，使得深度学习模型训练也造成了样本基础缺失。
计算框架和通用智能芯片尚未形成定局
虽然已经出现了TensorFlow、Caffe、CNTK、Torch、MXNet、PaddlePaddle等深度学习计算框架，但由于深度学习应用场景众多，相关应用呈现碎片化特点，无论从功能还是性能角度来讲，用于实现最后应用落地的开源计算框架与实际需求之间都还存在着相当的距离，满足产业发展需求且具有绝对统治地位的开源计算框架也还没有出现。同时，深度学习芯片还只是刚刚起步，而且还基本上属于专有领域的芯片，通用智能芯片的产业化还需要较长时间的探索。
人机和谐共处的有效途径开始艰难探索
由于黑箱问题及其基于概率统计的特点，基于深度学习的智能系统存在产生不可控结果的隐患。我们已经看到，使用了人工智能技术的智能驾驶汽车出现了多次的事故，甚至造成了人员的伤亡。另外，使用了智能算法的自动驾驶飞机也出现了多次坠机事故。这些事故不仅造成了人们的生命和财产损失，也严重打击了人们对人工智能的信心。实际上，这些事故的发生除了有技术方面的原因之外，还涉及到AI伦理的问题，也就是如何保证人类与智能系统之间的和谐共处、协同合作等问题。目前来看，AI的伦理问题还需要较长的探索过程。
人工智能技术发展趋势短期来看，人工智能技术的发展将围绕对上述问题的解决进行。下面从算法理论、数据集基础、基础设施、人机协同等以下几个方面进行探讨。
算法理论
在算法理论层面，将继续按照深度学习完善和新算法的两条主线发展。首先，深度学习在提升可靠性、可解释性等方面的研究以及零数据学习、无监督学习、迁移学习等模型的研究将成为热点方向，这不仅仅是深度学习算法本身发展的需要，也是产业发展的需要。其次，学术界将继续开展新型算法的探索，包括对传统机器学习算法的改进、传统机器学习算法与深度学习的结合以及与深度学习迥异的新型算法等。
数据集基础
在数据集基础方面，学术界与产业界将共同合作构建语音、图像、视频等通用数据集以及各行业的专业数据集，使得各类数据集能够快速满足相关需求。一方面，随着对人工智能认识的不断加深，将会有越来越多的企业和政府机构开展数据自建和数据标注等工作。另一方面，随着深度学习的发展，将会出现智能化的数据标注系统来帮助和替代人类进行数据标注等工作。再有，在政府引导和支持下，一些开放的标准化数据集将会陆续出现，为整个行业提供标准化训练数据集。
计算平台与芯片
在计算平台与芯片方面，大型企业自研计算框架、自建计算平台，甚至是自研芯片等，仍将是普遍现象。这主要是由于以下两个方面的原因。一是企业出于自身数据和业务安全的考虑，对使用其他机构提供的训练平台仍然持有不信任的态度；二是每个企业的数据中心和相关平台都有其自身的特点，自研计算框架、自建计算平台和自研芯片能够更好地满足自身的业务发展需要。
人机协同机制
在人机协同机制方面，“人在回路”将成为智能系统设计的必备能力。目前，机器智能并没有实现人们所希望的“以人为中心”，仍然还是以机器为中心，这也是人类屡受智能系统伤害的主要原因之一。因此，将人类认知模型引入到机器智能中，使之能够在推理、决策、记忆等方面达到类人智能水平，将成为学术界和产业界共同追求的目标，并可能在一定的时间内取得较好的阶段性成果。
人工智能技术发展展望长期来看，人工智能技术将分别沿着算法和算力两条主线向前发展，并逐步带领人类进入到人机协同的新时代。
高度关注类脑智能算法
深度学习是基于冯·诺依曼体系结构发展起来的。由于受到内存墙等相关方面的制约，难以达到较高的计算效率。为此，近些年来IBM等已经开始进行颠覆冯·诺依曼体系结构的类脑智能算法与技术的探索。类脑智能借鉴大脑中“内存与计算单元合一”等信息处理的基本规律，在硬件实现与软件算法等多个层面，对于现有的计算体系与系统做出本质的变革，并实现在计算能耗、计算能力与计算效率等诸多方面的大幅改进。目前，随机兴奋神经元、扩散型忆阻器等已经在IBM、马萨诸塞州阿姆赫斯特大学、清华大学等机构研制成功，IBM已经研制成功TrueNorth芯片，清华大学团队也成功研制出了基于忆阻器的PUF芯片。
智能部署从中心向边缘和终端扩散
随着智能装备和智能机器人等智能终端的逐渐增多，智能终端的快速反应以及相互之间的协同行动需求将会越来越迫切，对智能服务的实时性将会越来越强烈。这就要求智能服务从云端向网络边缘甚至终端扩散，智能模型与算法需要部署在网络边缘或终端之上，就近提供网络、计算、存储、应用等核心能力，从而满足通信、业务、安全等各方面的关键需求。
目前，英伟达、高通等都已经陆续开展了用于边缘网络或终端的AI专用芯片。而随着5G网络的普遍部署，边缘智能将会获得快速的发展。
深度学习通用平台和通用AI芯片将会出现
随着人工智能应用在生产生活中的不断深入融合，智能终端的互联互通将会成为必然。由于跨框架体系开发及部署需要投入大量资源，因此尽管每个终端的智能模型可能不同，但深度学习计算框架的模型底层表示将会逐渐趋同，形成深度学习通用计算框架和平台。随着计算框架的整合，GPU和TPU等芯片将可能会被通用AI芯片所替代。
量子计算推动形成新一轮计算革命
不论现在还是将来，人工智能无疑都将是最为消耗计算资源的业务和应用之一，计算效率也将是智能体永恒的追求目标。量子计算具有强大的计算能力和效率，已经成为全球公认的下一代计算技术。IBM已经在近期推出了世界上第一个商用的通用近似量子计算系统里程碑产品IBMQSystemOne，客户可以通过互联网使用这台量子计算机进行大规模的数据计算，为人工智能计算展示了良好的前景。
人工智能已经逐渐向工业、农业、交通、医疗、金融等各个领域渗透，并开始形成新的业态，成为了新一轮技术革命的制高点。因此，必须积极主动把握人工智能技术和产业发展机遇，认清技术发展趋势，在类脑智能、边缘智能、通用平台与芯片、量子计算等前沿技术领域加快布局，勇闯人工智能科技前沿的“无人区”，才能抓住人工智能时代发展的主动权。返回搜狐，查看更多