【全面】人工智能技术栈与学习路线：机器学习 深度学习 视觉 NLP 推荐系统
文章目录一概述(本文原创)二人工智能编程语言/数据结构与算法三人工智能基础原理四智能信息获取（简称爬虫）与数据分析1、发起请求3、解析内容4、保存数据二、Requests库介绍2.1基本介绍requests的基本使用流程三、selenium四：效率问题五：资源浪费六：能被识别七、scrapy框架八、Bs4整体使用步骤九、字段匹配方案十：数据存储与队列任务（MongoDB与Rabbitmq）十一、总结requestsvsScrapy两个方法看情况用相同点五统计学原理/离散数学/概率论与数理统计/微积分六机器学习（必学）七深度学习经典算法（必学）8计算机视觉经典算法（与9二选一或皆学）九自然语言处理与语音识别（与8二选一或皆学）NLP语音识别十推荐系统十一模型优化十二深度学习算法交流群个人公众号（内含干货）：
谨以本文送给所有爱好人工智能的爱好者，完全原创，干货，建议收藏~谢邀，今天受朋友邀请写下这篇文章～
一概述(本文原创)首先你需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析。
其次需要算法的积累：人工神经网络，支持向量机（SVM），遗传算法等等算法；当然还有各个领域需要的算法，比如你要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多需要时间的积累；
人工智能专业的主要领域是：自动控制原理，传感器，单片机，微机原理，模式识别，人工智能导论，计算机视觉，数字图像处理，MATLAB，机器人，电机控制，机器学习，数字视频技术等等，分软硬两个方向；机器学习人工智能导论（搜索法等）图像识别智能信息获取语音识别生物演化论自然语言处理语义网博弈论等。需要的前置课程主要有，信号处理，线性代数，微积分，还有编程（最好有数据结构基础）。
人工智能一般要到研究生才会去学，本科也就是蜻蜓点水看看而已，毕竟需要的基础课过于庞大。
二人工智能编程语言/数据结构与算法2.1编程语言
基础知识语言：C语言（为了基础知识与学习数据结构与算法）
学习与应用型语言：Python（语言简洁，方便学习，代码，库多等）
嵌入部署语言：C++（计算速度快，落地必备语言）
Cuda编程：深度学习编程加分项（精通的工程师很少）
不建议使用Java语言，计算等不太好，除非使用NLP的斯坦福等模型。
2.2数据结构与算法
数据结构与算法，建议刷上百道Leetcode或者剑指Offer
数据结构与算法是算法工程师必备技能，在人工智能中应用不是特别多，但是却可以在写代码的时候更精练，并且能计算速度更快。
一些必备算法：
广度优先搜索
深度优先搜索
背包问题
动态规划
蚁群问题其他的我们下面说
三人工智能基础原理这门课，你将学习：
知识系统：分为确定性只是系统和不确定性知识系统你将学习基础的知识表示和推理方式
智能搜索技术：你将学习启发式搜索算法例如A*算法和博弈树以及遗传算法
机器学习：这门课程中学习：线性回归与决策树与支持向量机Adaboost以及Bagging算法。
深度学习：这门课程：人工神经网络单层/多层感知机BP神经网络Hopfield网络卷积神经网络LeNet5
这本书：《人工智能原理及其应用》特别全面，还有很多知识上述没列出来，下面将详细介绍。
四智能信息获取（简称爬虫）与数据分析爬虫，网络资源特别多
我来大致说说：
爬虫的简单理解：向网站发起请求，获取资源后分析并提取有用数据的程序
1、发起请求使用库向目标站点发起请求，即发送一个RequestRequest包含：请求头、请求体等
####2、获取响应内容
如果服务器能正常响应，则会得到一个ResponseResponse包含：html，json，图片，视频等
3、解析内容解析html数据：正则表达式，第三方解析库如Beautifulsoup，pyquery等解析json数据：json模块解析二进制数据:以b的方式写入文件
4、保存数据数据库文件
二、Requests库介绍2.1基本介绍requests是基于urllib3的一个用于发起http请求的库。这个库相较于urllib更快，更易用。
requests易用性强，定制简单，可用性好，文档丰富，入门简单，属于页面级爬虫。
本身没有处理js、提交表单、对应验证码等功能（可扩展）
重点在于页面下载。
Requests只是一个构建网页请求，获取网页响应的模块，并不是框架。在构建request方面，简单易实现，且功能强大。Requests几乎满足如今网络的需求。
requests的基本使用流程爬虫三部曲
1.发送请求
defget_page(url):respone=requests.get(url)returnrespone
2.解析数据
importredefparse_index(html):
findall匹配所有
re.findall（“匹配所有”，html,re.S）
re.S(对全部文本进行匹配）
detail_urls=re.findall(’
=Requests+lxml/BeautifulSoup+twisted/tornado+threading+Queue.然而在易用性方面，他却比requests难很多，初学入手，难度远高于requests
这一框架就像一条爬虫流水线，有工作队列、有下载器、有分配任务的引擎，有对爬取数据写逻辑的地方、也有写保存处理数据的数据库SQL的地方。对于scrapy而言，更多的时候是在配置scrapy。先要继承一个spider写爬虫的主体，然后还要在setting里写配置，在pipeline里写数据库。而且还要注意在主函数parse里的返回值，返回item时是交给pipline做数据处理，返回Request回调函数时是向爬取队列注册二级链接等等。
八、Bs4整体使用步骤bs4里面有一个类，BeautifulSoup，然后通过这个类将网页html格式字符串生成一个对象，然后通过对象的方法来进行查找指定元素BeautifulSoup是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.BeautifulSoup会帮你节省数小时甚至数天的工作时间.
BeautifulSoup在解析时实际上依赖解析器，它除了支持Python标准库中的HTML解析器外，还支持一些第三方解析器（比如lxml）。下面我列出BeautifulSoup支持的几种解析器。
一般常用的是lxml解析器，它有解析HTML和XML的功能，而且速度快，容错能力强，如果使用lxml,在初始化的时候BeautifulSoup时，可以把第二个参数改为lxml即可，其他都是一致的。
九、字段匹配方案CSSselecor，Xpath，Re正则表达式
在易用度上：cssselector>Xpath>Re
速度上：CSSselector>Xpath>Re
这个方案使用css优先，当然使用xpath也可以（可选），并不影响大局。应该可以根据喜好写。当然有个标准规定也是有必要的。
十：数据存储与队列任务（MongoDB与Rabbitmq）在上面确定好使用的技术栈，包括框架，请求库，解析库后，接下来到数据存储，使用MongoDB会比较方便，首先，使用MongoDB做存储，简单实用，方便拓展爬虫的数据。
其次，如果可以，将任务分解成N个子任务，放到一个MessageQueue中。接着，在写程序的时候，不要考虑任何多线程多进程gevent或者任何会让你的程序“提速”的东西，爬虫只要完成一个简单的功能：接受一个输入，这里就是某一页的页码，得到的输出是这一页的15条数据，最好直接存储到数据库中。最后一步，将上两步具体实现，使用RabbitMQ，然后在上一步的接受输入变成从Queue中取一条任务。
如果源网站不会因为访问频率过高而封你的IP，那么可以在一台机器上多部几个爬虫实例，否则的话，你可以将你的代码部署到多台机器上。阿里云按时间付费的机器很便宜，可以开多点机器以加快速度。这样的好处是，可以随时新增或减少一个爬虫实例，而不会影响之前已经部署的任何爬虫，也可以随时将抓取失败的页码数再次放入Queue中，而不影响正在抓取任务的爬虫
十一、总结requestsvsScrapyrequestsScrapy页面级爬虫网站级爬虫功能库框架并发性考虑不足，性能较差并发性好，性能较高重点在于页面下载重点在于爬虫结构定制灵活一般定制灵活，深度定制困难上手十分简单入门稍难两个方法看情况用非常小的需求，用requests库
不太小的需求，Scrapy框架（持续周期性不间断爬取）
定制程度很高的需求（不考虑规模），自搭框架，requests>Scrapy
相同点两者都可以进行页面请求和爬取，python爬虫的两个重要技术路线。
两者可用性都好，文档丰富，入门简单。
两者都没有处理js、提交表单、应对验证码等功能（可扩展）。
五统计学原理/离散数学/概率论与数理统计/微积分这是一些必备数学知识，如果你不会，很难坚持学完机器学习基础算法。
详见各科书本，其中统计学原理最重要，是机器学习的前身，例如支持向量机，决策树算法，Adaboost等算法都会学原理。
六机器学习（必学）这一节很重要，我详细给大家说说要学哪些算法：强调一下，以下算法建议必会，就算自己没有用于项目中，也建议跑一炮算法和简单应用。
1：线性回归与多项式回归
参见博客：传送门
2：梯度下降法：传送门
3：决策树ID3和C4.5算法：传送门与简单使用
4：SVM算法从原理到实战（必学算法）：SVM原理
支持向量机SVM基础实战篇（一）；
支持向量机SVM基础实战篇（二）；
SVM基础实战篇之经典预测（三）；
基于OpenCv的SVM实现车牌检测与识别（一）
【实战】基于OpenCv的SVM实现车牌检测与识别（二）
5、kNN:k-nearestneighborclassification
K最近邻(k-NearestNeighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
6、Thek-meansalgorithm即K-Means算法
k-meansalgorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k概率分布probabilitye.贝叶斯模型与马尔可夫模型：任何一个贝叶斯模型对应于唯一的一个马尔可夫模型，而任意一个马尔可夫模型，可以对应于多个贝叶斯模型。f.贝叶斯模型类似于象棋，等级分明；马尔可夫模型类似于围棋，人人平等。g.马尔可夫模型（MarkovModel）是一种统计模型，广泛应用在语音识别，词性自动标注，音字转换，概率文法等各个自然语言处理等应用领域。
12、GradientBoosting和AdaBoost算法
当我们要处理很多数据来做一个有高预测能力的预测时，我们会用到GBM和AdaBoost这两种boosting算法。boosting算法是一种集成学习算法。它结合了建立在多个基础估计值基础上的预测结果，来增进单个估计值的可靠程度。这些boosting算法通常在数据科学比赛如Kaggl、AVHackathon、CrowdAnalytix中很有效。
七深度学习经典算法（必学）1：学习Tensorflow框架/Pytorch/Paddle框架
2：将上述机器学习算法使用这些框架复现
3：实现简单的回归预测与分类
4：BP神经网络
5：卷积神经网络
6学习激活函数，参数初始化方法，归一化方法池化最优化方法学习率策略正则化方法
7浅层卷积神经网络：LeNet，Neocognitron网络，TDNN，Cresceptron网络
8：经典网络的深度设计：AlexNetVGGNet
9：残差学习
10：分组卷积，卷积拆分，移动短高效模型
11：多尺度网络与非正常卷积，更丰富的感受野与不变性
12：多输入网络：Siamese网络，Triplet
13：时序神经网络，RNN，双向RNN，LSTM
14：三维卷积
15：注意力机制
16：生成对抗网络
基于深度学习GAN的Ai换装（比赛记录）
8计算机视觉经典算法（与9二选一或皆学）1：计算机视觉的常用图像处理技术
2：其他计算机视觉经典算法
3：基于传统计算机视觉的应用，例如：
基于OpenCv的SVM实现车牌检测与识别（一）
【实战】基于OpenCv的SVM实现车牌检测与识别（二）
4：基于深度学习与计算机视觉
5：影像分类，目标检测，语义分割，实例分割等
6：基于深度学习与计算机视觉的项目
由浅入深：
视觉识别入门之人脸识别——基于FACENET的高精度人脸识别
视觉识别入门之识别——口罩识别
【项目实战】基于PeLee的多目标实时检测
基于深度学习的医学图像分割（一）
基于深度学习的语义分割与实例分割（一）
【项目实战】YOLOV5+实时吸烟目标检测+手把手教学+开源全部
【你只需看一次】YOLO全系列目标检测算法
Cv要从基础视觉到图像处理都熟悉，能用传统视觉做数据与处理，数据增强等。
九自然语言处理与语音识别（与8二选一或皆学）NLP1：NLP从入门到实战（一）
2：NLP入门到实战（二）时间提取
3:词袋模型与句子相似度计算
4:NLP入门到实战（四）关键词权重计算算法
5：文本分类器
6：分析句子情感
7：主题建模识别文本
8词法分析
9句法分析
10语义分析
11NLP实战文本分类，文本生成与问答与情感分析
12：【项目实战全解】基于深度学习与自然语言处理的AI文本生成（自动写作）
13：实体命名识别
学languagemodel，然后依次学POStagging，语法分析PCFG，接着接触NLP的第一个实际应用，学习机器翻译（机器翻译真是融合了各种NLP知识到里面），先从基于统计的机器翻译开始学，IBMmodel1，IBMmodel2，再到phrasebasedmachinetranslation，然后再学loglinearmodel。再往后就可以学习各种应用啦，情感分析，文本分类等，这个可以上斯坦福的那门NLP课程，也是非常棒的课程。
其他介绍
我们平常说地自然语言处理究竟能做些什么呢？NLP是计算机以一种聪明而有用的方式分析，理解和从人类语言中获取意义的一种方式。通过利用NLP，开发者可以组织和构建知识来执行自动摘要，翻译，命名实体识别，关系提取，情感分析，语音识别和话题分割等任务。NLP用于分析文本，使机器了解人的说话方式。这种人机交互使现实世界的应用，如自动文摘，情感分析，主题提取，命名实体识别，零部件，词性标注，关系提取，词干，等等。NLP通常用于文本挖掘，机器翻译和自动问答。
早期的NLP方法涉及更基于规则的方法，在这种方法中，简单的机器学习算法被告知要在文本中查找哪些单词和短语，并在这些短语出现时给出特定的响应。但深度学习是一个更灵活，直观的方法，在这个方法中，算法学会从许多例子中识别说话者的意图，就像孩子如何学习人类语言一样。
常用技术盘点
1.分词WordSegmentation
chqiwang/convseg，基于CNN做中文分词，提供数据和代码。(python2.7)
对应的论文ConvolutionalNeuralNetworkwithWordEmbeddingsforChineseWordSegmentationIJCNLP2017.
2.词预测WordPrediction
Kyubyong/word_prediction，基于CNN做词预测，提供数据和代码。代码的准确对比的是Iphone7的键盘输入，最新跟新是2019年7月。
文本蕴涵TextualEntailment
Steven-Hewitt/Entailment-with-Tensorflow，基于Tensorflow做文本蕴涵，提供数据和代码。"TextualentailmentwithTensorFlow:Usingneuralnetworkstoexplorenaturallanguage,"的作者开发，但是代码很久没更新了，文章发表于2017年。
语音识别AutomaticSpeechRecognition
buriburisuri/speech-to-text-wavenet，基于DeepMindWaveNet和Tensorflow1.0做句子级语音识别。17年的代码
自动摘要AutomaticSummarisation
PKULCWM/PKUSUMSUM，北大万小军老师团队的自动摘要方法汇总，包含了他们大量paper的实现，支持单文档摘要、多文档摘要、topic-focused多文档摘要。
文本纠错TextCorrect
atpaino/deep-text-corrector，基于深度学习做文本纠错，提供数据和代码。
7.字音转换GraphemetoPhoneme
cmusphinx/g2p-seq2seq，基于网红transformer做，提供数据和代码。
复述检测ParaphraseDetection和问答QuestionAnswering
Paraphrase-DrivenLearningforOpenQuestionAnswering，基于复述驱动学习的开放域问答。
音汉互译Pinyin-To-Chinese
Kyubyong/neural_chinese_transliterator，基于CNN做音汉互译。
情感分析SentimentAnalysis
情感分析包括的内容太多了，目前没发现比较全的。推荐两个适合练手的吧：DeeplyMoving:DeepLearningforSentimentAnalysis，http://sentic.net/about/。
手语识别SignLanguageRecognition
Home-SignAll，该项目在手语识别做的非常成熟。
词性标注（POS）、命名实体识别（NER）、句法分析（parser）、语义角色标注（SRL）等。
HIT-SCIR/ltp，语言技术平台（LanguageTechnologyPlatform，LTP）是哈工大社会计算与信息检索研究中心历时十年开发的一整套中文语言处理系统。LTP制定了基于XML的语言处理结果表示，并在此基础上提供了一整套自底向上的丰富而且高效的中文语言处理模块（包括词法、句法、语义等6项中文处理核心技术），以及基于动态链接库（DynamicLinkLibrary,DLL）的应用程序接口、可视化工具，并且能够以网络服务（WebService）的形式进行使用。
官方网站：http://ltp.ai
词干WordStemming
snowballstem/snowball，C语言版本。
snowballstem/pystemmer，Python版本，代码较新。
还有go语言实现的，这里不列举了。
语言识别LanguageIdentification
(https://github.com/saffsd/langid.py)，语言识别比较好的开源工具。
机器翻译MachineTranslation
OpenNMT/OpenNMT-py，基于PyTorch的神经机器翻译，很适合练手。代码较新，持续有更新。
复述生成ParaphraseGeneration
vsuthichai/paraphraser，基于Tensorflow的句子级复述生成，适合练手。
关系抽取RelationshipExtraction
ankitp94/relationship-extraction，基于核方法的关系抽取。
句子边界消歧SentenceBoundaryDisambiguation
https://github.com/Orekhov/SentenceBreaking，很有意思。
19.事件抽取EventExtraction
liuhuanyong/ComplexEventExtraction，中文复合事件抽取，包括条件事件、因果事件、顺承事件、反转事件等事件抽取，并形成事理图谱。
词义消歧WordSenseDisambiguation
alvations/pywsd，代码不多，方法简单，适合练手。
命名实体消歧NamedEntityDisambiguation
dice-group/AGDISTIS，实体消歧是很重要的，尤其对于实体融合（比如知识图谱中多源数据融合）、实体链接。
幽默检测HumorDetection
pln-fing-udelar/pghumor针对西班牙推文做的，一般用不上，不过可以参考学习一下。
讽刺检测SarcasmDetection
AniSkywalker/SarcasmDetection，基于神经网络的讽刺检测。最新更新是2019年9月份
https://www.aclweb.org/anthology/W16-0425.pdf
1
实体链接EntityLinking
hasibi/EntityLinkingRetrieval-ELR，参考的ACM论文ExploitingEntityLinkinginQueriesforEntityRetrieval，实体链接用途非常广，非常适合练手。
指代消歧CoreferenceResolution
huggingface/neuralcoref，基于神经网络的指代消歧。持续有更新维护。
NeuralCoref是spaCy2.1+的管道扩展，它使用神经网络注释和解析指代消歧。NeuralCoref已投入生产，已集成到spaCy的NLP管道中，并可扩展到新的培训数据集。
关键词/短语抽取和社会标签推荐KeyphraseExtractionandSocialTagSuggestion
thunlp/THUTag,用多种方法实现了多种关键词/短语抽取和社会标签推荐。
以上整理的库和链接并不一定是最经典的和最新的，请在学习和使用时注意区分是否是自己需要学习的库。
语音识别1读取和绘制音频数据
2：将音频信号转化为频阈
3：自定义参数生成音频信号
4：合成音乐
5：提取频阈特征
6：创建隐马尔科夫模型
7：创建一个语音识别器
8：语音识别实战项目
十推荐系统1：学习基本知识：【详解】多元的智能推荐系统
2：学习NLP
3：学习分类算法等，KNN等
5：距离计算算法，欧式距离，皮尔逊相关系数
6：相似用户寻找
7：协同过滤算法：
协同过滤(CollaborativeFiltering)作为推荐算法中最经典的类型，包括在线的协同和离线的过滤两部分。所谓在线协同，就是通过在线数据找到用户可能喜欢的物品，而离线过滤，则是过滤掉一些不值得推荐的数据，比如推荐值评分低的数据，或者虽然推荐值高但是用户已经购买的数据。
协同过滤的模型一般为m个物品，m个用户的数据，只有部分用户和部分数据之间是有评分数据的，其它部分评分是空白，此时我们要用已有的部分稀疏数据来预测那些空白的物品和数据之间的评分关系，找到最高评分的物品推荐给用户。
一般来说，协同过滤推荐分为三种类型。第一种是基于用户(user-based)的协同过滤，第二种是基于项目(item-based)的协同过滤，第三种是基于模型(modelbased)的协同过滤。
8基于内容，基于物体，基于模型算法
9项目实战
十一模型优化Openvino模型优化
OpenVINO是英特尔基于自身现有的硬件平台开发的一种可以加快高性能计算机视觉和深度学习视觉应用开发速度工具套件，支持各种英特尔平台的硬件加速器上进行深度学习，并且允许直接异构执行。支持在Windows与Linux系统，Python/C++语言。优化工具包OpenVINO让不懂电脑视觉和深度学习原理的小白可以在很短的时间上手，不必担心如何建置开发平台、选择深度学习框架、训练及优化模型和硬体加速等问题，只需利用预先训练及优化过的语义分割模型，很快就可以做出一组看起来很专业的自驾车视觉分析系统。
主要特点
1：在Intel平台上提升计算机视觉相关深度学习性能达19倍以上2：解除CNN-based的网络在边缘设备的性能瓶颈3：对OpenCV，OpenXV*视觉库的传统API实现加速与优化4：基于通用API接口在CPU、GPU、FPGA等设备上运行加上
OpenVINO有2个大模块，第一个是OR他是用于把深度学习训练好的模型转换成engine可识别的文件（xml和bin）,另一个是inferenceengine是OpenVINO具体实施单元，利用一个智能引擎完成相应的应用。
一般流程：
1：根据自己的训练模型需要配置ModeOptimizer.
2:根据设置的模型参数运行ModelOptimizer,生成相对应的IR(主要是xml和bin)
xml-主要用来描述网络拓扑结构
bin-包括生成的weightsandbiases二进制数据
3:在实际应用场景种使用InferenceEngine测试生成的IR
4:在应用程序种调用InferenceEngine相应接口，将生成的模型IR部署到实际环境中。
ModelOptimizer
ModelOptimizer是一个跨平台命令行工具，用于促进训练与具体实施平台中的过渡，主要是进行静态模型分析以及根据配置参照自动调整深度模型
ModelOptimizer被用来设计成支持常用的框架（Caffe,TensofFlow,MXNet,Kaldi,ONNX等），相当于封装了一层，便于进行开发。
ModelOptimizer主要工作流程：
1：根据需要所用到的框架，配置ModelOptimizer
2:提供训练模型作为输入，包括网络拓扑以及参数
3：运行ModelOptimizer(根据选择的网络拓扑进行训练）
4：IR作为ModelOptimizer输出InferenceEngine：
InferenceEngine是主要运行单元，并提供相应API
将IR作为输入
在目标硬件优化执行
提供嵌入式平台最佳执行性能方案
1：入门：仁兄，可曾听闻OpenVINO
2：配置：【OpenVino】从入门到实战篇（二）Ubuntu18.04+Windows10双系统环境配置与坑解决
3：【Openvino】从入门到实战（三）人脸识别+表情检测+行人检测+人脸关键点检测
4：推理优化与部署步骤，见官方网站
十二深度学习算法交流群个人公众号：内有群链接本文原创，自己敲出来的，感兴趣的点赞关注~
新一代人工智能的发展与展望
随着大数据、云计算等技术的飞速发展，人们生产生活的数据基础和信息环境得到了大幅提升，人工智能（AI）正在从专用智能迈向通用智能，进入了全新的发展阶段。国务院印发的《新一代人工智能发展规划》指出新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。在4月10日“吴文俊人工智能科学技术奖”十周年颁奖盛典中，作为我国不确定性人工智能领域的主要开拓者、中国人工智能学会名誉理事长李德毅院士荣获“吴文俊人工智能最高成就奖”，并在大会上作题为《探索什么叫新一代人工智能》的报告，探讨了新一代人工智能的内涵和路径，引领着新一代人工智能的发展与展望。
人工智能这一概念诞生于1956年在美国达特茅斯学院举行的“人工智能夏季研讨会”，随后在20世纪50年代末和80年代初先后两次步入发展高峰，但因为技术瓶颈、应用成本等局限性而均掉入低谷。在信息技术的引领下，数据信息快速积累，运算能力大幅提升，人工智能发展环境发生了巨大变化，跨媒体智能、群体智能成为新的发展方向，以2006年深度学习模型的提出为标志，人工智能第三次站在了科技发展的浪潮之巅。
当前，随着移动互联网、物联网、大数据、云计算和人工智能等新一代信息技术的加速迭代演进，人类社会与物理世界的二元结构正在进阶到人类社会、信息空间和物理世界的三元结构，人与人、机器与机器、人与机器的交流互动愈加频繁。在多源数据、多元应用和超算能力、算法模型的共同驱动下，传统以计算机智能为基础的、依赖于算力算法和数据的人工智能，强调通用学习和大规模训练集的机器学习，正逐渐朝着以开放性智能为基础、依赖于交互学习和记忆、基于推理和知识驱动的以混合认知模型为中心的新一代人工智能方向迈进。应该说，新一代人工智能的内核是“会学习”，相较于当下只是代码的重复简单执行，新一代人工智能则需要能够在学习过程中解决新的问题。其中，学习的条件是认知，学习的客体是知识，学习的形态是交互，学习的核心是理解，学习的结果是记忆……因此，学习是新一代人工智能解释解决现实问题的基础，记忆智能是新一代人工智能中多领域、多情景可计算智能的边界和约束。进而当人类进入和智能机器互动的时代，新一代人工智能需要与时俱进地持续学习，不断检视解决新的问题，帮助人机加深、加快从对态势的全息感知递进到对世界的多维认知。
事实上，基于数据驱动型的传统人工智能，大多建立在“数据中立、算法公正和程序正义”三要素基础之上，而新一代人工智能更关注于交互能力，旨在通过设计“记忆”模块来模仿人脑，解决更灵活多变的实际问题，真正成为“不断学习、与时俱进”的人工智能。特别是人机交互支撑实现人机交叉融合与协同互动，目前已在多个领域取得了卓越成果，形成了多方面、多种类、多层次的应用。例如，在线客服可以实现全天候不间断服务，轻松解决用户咨询等问题，也可将棘手问题转交人工客服处理，降低了企业的管理成本；在智慧医疗领域，人工智能可以通过神经影像实现辅助智能诊断，帮助医生阅片，目前准确率已达95%以上，节省了大量的人力；2020年，在抗击疫情的过程中，新一代人工智能技术加速与交通、医疗、教育、应急等事务协作联动，在科技战“疫”中大显身手，助力疫情防控取得显著成效。
未来已来，随着人工智能逐渐融入居民生活的方方面面，将继续在智慧医疗、自动驾驶、工业制造智能化等领域崭露头角。一是基于新一代人工智能的智慧医疗，将助力医院更好记录、存储和分析患者的健康信息，提供更加精准化和个性化的健康服务，显著提升医院的临床诊断精确度。二是通过将新一代人工智能运用于自动驾驶系统的感知、预测和决策等方面，重点解决车道协同、多车调度、传感器定位等问题，重新定义城市生活中人们的出行方式。三是由于我国工业向大型化、高速化、精细化、自主化发展，对高端大规模可编程自动化系统提出迫切需求，新一代人工智能将推动基于工业4.0发展纲领，以高度自动化的智能感知为核心，主动排除生产障碍，发展具备有适应性、资源效率、人机协同工程的智能工厂应运而生。总之，如何展望人工智能通过交互学习和记忆理解实现自编程和自成长，提升自主学习和人机交互的效率，将是未来研究着力发展的硬核领域，并加速新一代信息技术与智能制造深度融合，推动数字化转型走深走实，有信心、有能力去迎接下一场深刻产业变革的到来。