本讲提到，人工智能经过60年的发展，目前正处在（）。
本讲提到，人工智能经过60年的发展，目前正处在（）。
A.第二个低谷阶段
B.第三个低谷阶段
C.第二个高潮阶段
D.第三个高潮阶段
正确答案：D
以上就是Q游网_游戏攻略站小编林白为您带来的全部内容了
以上就是小编为您带来的关于“本讲提到，人工智能经过60年的发展，目前正处在（）。”的相关内容了，希望这篇文章能够帮助到大家。【答案仅供参考】
人工智能的历史、现状和未来
2018年2月25日，在平昌冬奥会闭幕式“北京8分钟”表演中，由沈阳新松机器人自动化股份有限公司研发的智能移动机器人与轮滑演员进行表演。新华社记者李钢/摄
2018年5月3日，中国科学院发布国内首款云端人工智能芯片，理论峰值速度达每秒128万亿次定点运算，达到世界先进水平。新华社记者金立旺/摄
2017年10月，在沙特阿拉伯首都利雅得举行的“未来投资倡议”大会上，机器人索菲亚被授予沙特公民身份，她也因此成为全球首个获得公民身份的机器人。图为2018年7月10日，在香港会展中心，机器人索菲亚亮相主舞台。ISAACLAWRENCE/视觉中国
2018年11月22日，在“伟大的变革——庆祝改革开放40周年大型展览”上，第三代国产骨科手术机器人“天玑”正在模拟做手术，它是国际上首个适应症覆盖脊柱全节段和骨盆髋臼手术的骨科机器人，性能指标达到国际领先水平。麦田/视觉中国
如同蒸汽时代的蒸汽机、电气时代的发电机、信息时代的计算机和互联网，人工智能正成为推动人类进入智能时代的决定性力量。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷转型发展，抢滩布局人工智能创新生态。世界主要发达国家均把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，力图在国际科技竞争中掌握主导权。习近平总书记在十九届中央政治局第九次集体学习时深刻指出，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。错失一个机遇，就有可能错过整整一个时代。新一轮科技革命与产业变革已曙光可见，在这场关乎前途命运的大赛场上，我们必须抢抓机遇、奋起直追、力争超越。
概念与历程
了解人工智能向何处去，首先要知道人工智能从何处来。1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能（ArtificialIntelligence，简称AI）”这一概念，标志着人工智能学科的诞生。
人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。
人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段：
一是起步发展期：1956年—20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
二是反思发展期：20世纪60年代—70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。
三是应用发展期：20世纪70年代初—80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。
四是低迷发展期：20世纪80年代中—90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
五是稳步发展期：20世纪90年代中—2010年。由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司（简称IBM）深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。
六是蓬勃发展期：2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。
现状与影响
对于人工智能的发展现状，社会上存在一些“炒作”。比如说，认为人工智能系统的智能水平即将全面超越人类水平、30年内机器人将统治世界、人类将成为人工智能的奴隶，等等。这些有意无意的“炒作”和错误认识会给人工智能的发展带来不利影响。因此，制定人工智能发展的战略、方针和政策，首先要准确把握人工智能技术和产业发展的现状。
专用人工智能取得重要突破。从可应用性看，人工智能大体可分为专用人工智能和通用人工智能。面向特定任务（比如下围棋）的专用人工智能系统由于任务单一、需求明确、应用边界清晰、领域知识丰富、建模相对简单，形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能。人工智能的近期进展主要集中在专用智能领域。例如，阿尔法狗（AlphaGo）在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，人工智能系统诊断皮肤癌达到专业医生水平。
通用人工智能尚处于起步阶段。人的大脑是一个通用的智能系统，能举一反三、融会贯通，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题，可谓“一脑万用”。真正意义上完备的人工智能系统应该是一个通用的智能系统。目前，虽然专用人工智能领域已取得突破性进展，但是通用人工智能领域的研究与应用仍然任重而道远，人工智能总体发展水平仍处于起步阶段。当前的人工智能系统在信息感知、机器学习等“浅层智能”方面进步显著，但是在概念抽象和推理决策等“深层智能”方面的能力还很薄弱。总体上看，目前的人工智能系统可谓有智能没智慧、有智商没情商、会计算不会“算计”、有专才而无通才。因此，人工智能依旧存在明显的局限性，依然还有很多“不能”，与人类智慧还相差甚远。
人工智能创新创业如火如荼。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷调整发展战略。比如，谷歌在其2017年年度开发者大会上明确提出发展战略从“移动优先”转向“人工智能优先”，微软2017财年年报首次将人工智能作为公司发展愿景。人工智能领域处于创新创业的前沿。麦肯锡公司报告指出，2016年全球人工智能研发投入超300亿美元并处于高速增长阶段；全球知名风投调研机构CBInsights报告显示，2017年全球新成立人工智能创业公司1100家，人工智能领域共获得投资152亿美元，同比增长141%。
创新生态布局成为人工智能产业发展的战略高地。信息技术和产业的发展史，就是新老信息产业巨头抢滩布局信息产业创新生态的更替史。例如，传统信息产业代表企业有微软、英特尔、IBM、甲骨文等，互联网和移动互联网时代信息产业代表企业有谷歌、苹果、脸书、亚马逊、阿里巴巴、腾讯、百度等。人工智能创新生态包括纵向的数据平台、开源算法、计算芯片、基础软件、图形处理器等技术生态系统和横向的智能制造、智能医疗、智能安防、智能零售、智能家居等商业和应用生态系统。目前智能科技时代的信息产业格局还没有形成垄断，因此全球科技产业巨头都在积极推动人工智能技术生态的研发布局，全力抢占人工智能相关产业的制高点。
人工智能的社会影响日益凸显。一方面，人工智能作为新一轮科技革命和产业变革的核心力量，正在推动传统产业升级换代，驱动“无人经济”快速发展，在智能交通、智能家居、智能医疗等民生领域产生积极正面影响。另一方面，个人信息和隐私保护、人工智能创作内容的知识产权、人工智能系统可能存在的歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等问题已经显现出来，需要抓紧提供解决方案。
趋势与展望
经过60多年的发展，人工智能在算法、算力（计算能力）和算料（数据）等“三算”方面取得了重要突破，正处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有诸多瓶颈。那么在可以预见的未来，人工智能发展将会出现怎样的趋势与特征呢？
从专用智能向通用智能发展。如何实现从专用人工智能向通用人工智能的跨越式发展，既是下一代人工智能发展的必然趋势，也是研究与应用领域的重大挑战。2016年10月，美国国家科学技术委员会发布《国家人工智能研究与发展战略计划》，提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。阿尔法狗系统开发团队创始人戴密斯·哈萨比斯提出朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。微软在2017年成立了通用人工智能实验室，众多感知、学习、推理、自然语言理解等方面的科学家参与其中。
从人工智能向人机混合智能发展。借鉴脑科学和认知科学的研究成果是人工智能的一个重要研究方向。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。在我国新一代人工智能规划和美国脑计划中，人机混合智能都是重要的研发方向。
从“人工+智能”向自主智能系统发展。当前人工智能领域的大量研究集中在深度学习，但是深度学习的局限是需要大量人工干预，比如人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据、用户需要人工适配智能系统等，非常费时费力。因此，科研人员开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。例如阿尔法狗系统的后续版本阿尔法元从零开始，通过自我对弈强化学习实现围棋、国际象棋、日本将棋的“通用棋类人工智能”。在人工智能系统的自动化设计方面，2017年谷歌提出的自动化学习系统（AutoML）试图通过自动创建机器学习系统降低人员成本。
人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度交叉的复合型学科，研究范畴广泛而又异常复杂，其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破，脑与认知科学的发展开启了新时代，能够大规模、更精细解析智力的神经环路基础和机制，人工智能将进入生物启发的智能阶段，依赖于生物学、脑科学、生命科学和心理学等学科的发现，将机理变为可计算的模型，同时人工智能也会促进脑科学、认知科学、生命科学甚至化学、物理、天文学等传统科学的发展。
人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来10年将进入高速增长期。例如，2016年9月，咨询公司埃森哲发布报告指出，人工智能技术的应用将为经济发展注入新动力，可在现有基础上将劳动生产率提高40%；到2035年，美、日、英、德、法等12个发达国家的年均经济增长率可以翻一番。2018年麦肯锡公司的研究报告预测，到2030年，约70%的公司将采用至少一种形式的人工智能，人工智能新增经济规模将达到13万亿美元。
人工智能将推动人类进入普惠型智能社会。“人工智能+X”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影响，并推动人类进入普惠型智能社会。2017年国际数据公司IDC在《信息流引领人工智能新时代》白皮书中指出，未来5年人工智能将提升各行业运转效率。我国经济社会转型升级对人工智能有重大需求，在消费场景和行业应用的需求牵引下，需要打破人工智能的感知瓶颈、交互瓶颈和决策瓶颈，促进人工智能技术与社会各行各业的融合提升，建设若干标杆性的应用场景创新，实现低成本、高效益、广范围的普惠型智能社会。
人工智能领域的国际竞争将日益激烈。当前，人工智能领域的国际竞赛已经拉开帷幕，并且将日趋白热化。2018年4月，欧盟委员会计划2018—2020年在人工智能领域投资240亿美元；法国总统在2018年5月宣布《法国人工智能战略》，目的是迎接人工智能发展的新时代，使法国成为人工智能强国；2018年6月，日本《未来投资战略2018》重点推动物联网建设和人工智能的应用。世界军事强国也已逐步形成以加速发展智能化武器装备为核心的竞争态势，例如美国特朗普政府发布的首份《国防战略》报告即谋求通过人工智能等技术创新保持军事优势，确保美国打赢未来战争；俄罗斯2017年提出军工拥抱“智能化”，让导弹和无人机这样的“传统”兵器威力倍增。
人工智能的社会学将提上议程。为了确保人工智能的健康可持续发展，使其发展成果造福于民，需要从社会学的角度系统全面地研究人工智能对人类社会的影响，制定完善人工智能法律法规，规避可能的风险。2017年9月，联合国犯罪和司法研究所（UNICRI）决定在海牙成立第一个联合国人工智能和机器人中心，规范人工智能的发展。美国白宫多次组织人工智能领域法律法规问题的研讨会、咨询会。特斯拉等产业巨头牵头成立OpenAI等机构，旨在“以有利于整个人类的方式促进和发展友好的人工智能”。
态势与思考
当前，我国人工智能发展的总体态势良好。但是我们也要清醒看到，我国人工智能发展存在过热和泡沫化风险，特别在基础研究、技术体系、应用生态、创新人才、法律规范等方面仍然存在不少值得重视的问题。总体而言，我国人工智能发展现状可以用“高度重视，态势喜人，差距不小，前景看好”来概括。
高度重视。党中央、国务院高度重视并大力支持发展人工智能。习近平总书记在党的十九大、2018年两院院士大会、全国网络安全和信息化工作会议、十九届中央政治局第九次集体学习等场合多次强调要加快推进新一代人工智能的发展。2017年7月，国务院发布《新一代人工智能发展规划》，将新一代人工智能放在国家战略层面进行部署，描绘了面向2030年的我国人工智能发展路线图，旨在构筑人工智能先发优势，把握新一轮科技革命战略主动。国家发改委、工信部、科技部、教育部等国家部委和北京、上海、广东、江苏、浙江等地方政府都推出了发展人工智能的鼓励政策。
态势喜人。据清华大学发布的《中国人工智能发展报告2018》统计，我国已成为全球人工智能投融资规模最大的国家，我国人工智能企业在人脸识别、语音识别、安防监控、智能音箱、智能家居等人工智能应用领域处于国际前列。根据2017年爱思唯尔文献数据库统计结果，我国在人工智能领域发表的论文数量已居世界第一。近两年，中国科学院大学、清华大学、北京大学等高校纷纷成立人工智能学院，2015年开始的中国人工智能大会已连续成功召开四届并且规模不断扩大。总体来说，我国人工智能领域的创新创业、教育科研活动非常活跃。
差距不小。目前我国在人工智能前沿理论创新方面总体上尚处于“跟跑”地位，大部分创新偏重于技术应用，在基础研究、原创成果、顶尖人才、技术生态、基础平台、标准规范等方面距离世界领先水平还存在明显差距。在全球人工智能人才700强中，中国虽然入选人数名列第二，但远远低于约占总量一半的美国。2018年市场研究顾问公司CompassIntelligence对全球100多家人工智能计算芯片企业进行了排名，我国没有一家企业进入前十。另外，我国人工智能开源社区和技术生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。我国参与制定人工智能国际标准的积极性和力度不够，国内标准制定和实施也较为滞后。我国对人工智能可能产生的社会影响还缺少深度分析，制定完善人工智能相关法律法规的进程需要加快。
前景看好。我国发展人工智能具有市场规模、应用场景、数据资源、人力资源、智能手机普及、资金投入、国家政策支持等多方面的综合优势，人工智能发展前景看好。全球顶尖管理咨询公司埃森哲于2017年发布的《人工智能：助力中国经济增长》报告显示，到2035年人工智能有望推动中国劳动生产率提高27%。我国发布的《新一代人工智能发展规划》提出，到2030年人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。在我国未来的发展征程中，“智能红利”将有望弥补人口红利的不足。
当前是我国加强人工智能布局、收获人工智能红利、引领智能时代的重大历史机遇期，如何在人工智能蓬勃发展的浪潮中选择好中国路径、抢抓中国机遇、展现中国智慧等，需要深入思考。
树立理性务实的发展理念。任何事物的发展不可能一直处于高位，有高潮必有低谷，这是客观规律。实现机器在任意现实环境的自主智能和通用智能，仍然需要中长期理论和技术积累，并且人工智能对工业、交通、医疗等传统领域的渗透和融合是个长期过程，很难一蹴而就。因此，发展人工智能要充分考虑到人工智能技术的局限性，充分认识到人工智能重塑传统产业的长期性和艰巨性，理性分析人工智能发展需求，理性设定人工智能发展目标，理性选择人工智能发展路径，务实推进人工智能发展举措，只有这样才能确保人工智能健康可持续发展。
重视固本强基的原创研究。人工智能前沿基础理论是人工智能技术突破、行业革新、产业化推进的基石。面临发展的临界点，要想取得最终的话语权，必须在人工智能基础理论和前沿技术方面取得重大突破。我们要按照习近平总书记提出的支持科学家勇闯人工智能科技前沿“无人区”的要求，努力在人工智能发展方向和理论、方法、工具、系统等方面取得变革性、颠覆性突破，形成具有国际影响力的人工智能原创理论体系，为构建我国自主可控的人工智能技术创新生态提供领先跨越的理论支撑。
构建自主可控的创新生态。我国人工智能开源社区和技术创新生态布局相对滞后，技术平台建设力度有待加强。我们要以问题为导向，主攻关键核心技术，加快建立新一代人工智能关键共性技术体系，全面增强人工智能科技创新能力，确保人工智能关键核心技术牢牢掌握在自己手里。要着力防范人工智能时代“空心化”风险，系统布局并重点发展人工智能领域的“新核高基”：“新”指新型开放创新生态，如产学研融合等；“核”指核心关键技术与器件，如先进机器学习技术、鲁棒模式识别技术、低功耗智能计算芯片等；“高”指高端综合应用系统与平台，如机器学习软硬件平台、大型数据平台等；“基”指具有重大原创意义和技术带动性的基础理论与方法，如脑机接口、类脑智能等。同时，我们要重视人工智能技术标准的建设、产品性能与系统安全的测试。特别是我国在人工智能技术应用方面走在世界前列，在人工智能国际标准制定方面应当掌握话语权，并通过实施标准加速人工智能驱动经济社会转型升级的进程。
推动共担共享的全球治理。目前看，发达国家通过人工智能技术创新掌控了产业链上游资源，难以逾越的技术鸿沟和产业壁垒有可能进一步拉大发达国家和发展中国家的生产力发展水平差距。在发展中国家中，我国有望成为全球人工智能竞争中的领跑者，应布局构建开放共享、质优价廉、普惠全球的人工智能技术和应用平台，配合“一带一路”建设，让“智能红利”助推共建人类命运共同体。
作者：中央人民政府驻香港特别行政区联络办公室副主任、中国科学院院士
【深度长文】人工智能过去60年沉浮史，未来60年将彻底改变人类
（本文系BT传媒·《商业价值》杂志4月刊封面文章，小长假钛媒体深度阅读重磅推荐）
1956年的夏天，一场在美国达特茅斯（Dartmouth）大学召开的学术会议，多年以后被认定为全球人工智能研究的起点。2016年的春天，一场AlphaGo与世界顶级围棋高手李世石的人机世纪对战，把全球推上了人工智能浪潮的新高。
经历了两次起伏，人工智能现在进入了全球爆发的前夜。仅在中国就有上亿人直接或间接地观看了AlphaGo与李世石的比赛，而在2016年初，还有IBM在全球大举推广基于IBMWatson的认知计算，Watson的前身就是1997年打败了国际象棋大师卡斯帕罗夫的“深蓝”。
中国有句古话叫做60年一轮回。然而对于人工智能来说，往后的60年并不仅是轮回，而是新生。前60年的人工智能历程，可以用“无穷动”来形容；后60年的人工智能发展，可以用“无穷大”来期许。
“无穷动”是一首意大利小提琴名曲，卡耐基·梅隆大学人工智能教授邢波用这个名字命名自己研究小组研发的新一代分布式机器学习系统。“无穷动”又是一种寓意，代表了在过去60年间甚至到更远的古代，人们对于智能机器永无止境的想象以及去实践的冲动。
人们对于智能机器的想像永无止境
亚里士多德曾说过，如果机器能干很多活，岂不能让人类解放出来。《星球大战》《黑客帝国》《人工智能》等科幻电影，激发了一代又一代学者和实业家，前伏后继地投入到人工智能的研究中。AlphaGo算法的主要发明人，就是受了“深蓝”的影响而加入AI的行列。
在前60年的发展中，人工智能研究也取得了阶段性成果，特别是有监督深度学习在自然语言理解、语音识别、图像识别等人工智能基础领域，都已经发展到了成熟阶段。接下来，就是AlphaGo开创的无监督深度学习的未来——摆脱人类“监督”的增强学习。
实际上，随着计算机的发明，人们一直在探讨，这到底会导致什么样的人工智能？一种预见是可以产生功能性的人工智能，这就是今天有监督深度学习所广泛取得的成果。还有一种观点是人工智能可以模仿人的思维和感情活动，这就是无监督深度学习将要开创的未来。
当智能机器可以自己张开眼睛看世界，通过自主探索世界来获得智能的话，未来可能出现的变化就是“无穷大”了。从“无穷动”到“无穷大”，2016年注定是一个精彩之年。
上篇：前60年“无穷动”的韵律人工智能头60年的发展，就是在起起伏伏、寒冬与新潮、失望与希望之间的无穷动韵律，寻找着理论与实践的最佳结合点。
从清华大学毕业后，邢波到Rutgers大学和伯克利攻读研究生，之后到卡耐基·梅隆大学成为一名人工智能领域的教授。卡耐基·梅隆是全球重要的人工智能研究基地，很多原创性成果都出自这所大学。
卡耐基·梅隆大学人工智能教授邢波
邢波在卡耐基·梅隆大学成立了一个人工智能小组SAILINGLAB，试图在人工智能各个方面产生突破，理论研究包括概率图模型的最大似然和最大间隔学习、非参数空间高维推理、非稳态时间序列分析、非参数贝叶斯化推理等，应用研究包括计算生物学、群体遗传学、基因组学、社交网络和社交群体、互联网级文本挖掘和自然语言处理、计算金融等。
2016年3月19日，在AlphaGo战胜李世石后的第4天，邢波随着《未来论坛》之理解未来系列讲座走进了京东集团。邢波回顾了全球人工智能历程，人工智能作为一个科学和工程领域，得益于20个世纪国际科学、计算机科学、信息论、控制论等很多科学发展的交汇点。人工智能的研究基于一个很基本的假设，即认为人的思维活动可以用机械方式替代。
60年前的全球人工智能大会谈到人工智能，就不能不提到鼻祖式人物：图灵。1936年，英国数学家、逻辑学家阿兰·麦席森·图灵(1912~1954)提出了一种抽象的计算模型——图灵机(TuringMachine），用纸带式机器来模拟人们进行数学运算的过程，图灵本人被视为计算机科学之父。
1959年，图灵发表了一篇划时代的论文《计算机器与智能》，文中提出了人工智能领域著名的图灵测试——如果电脑能在5分钟内回答由人类测试者提出的一系列问题，且其超过30%的回答让测试者误认为是人类所答，则电脑就通过测试并可下结论为机器具有智能。
卡耐基·梅隆大学
图灵测试的概念极大影响人工智能对于功能的定义，在这个途径上，卡耐基·梅隆两位科学家A.Newell和H.Simon的“逻辑理论家”程序非常精妙地证明了罗素《数学原理》52道中的38道。Simon宣称在10年之内，机器就可以达到和人类智能一样的高度。
第一批人工智能探索者找到共同的语言后，于整整60年前的1956年，在美国达特茅斯大学开了一次会，希望确立人工智能作为一门科学的任务和完整路径。与会者们也宣称，人工智能的特征都可以被精准描述，精准描述后就可以用机器来模拟和实现。后来普遍认为，达特茅斯会议标志着人工智能的正式诞生。
人工智能第一次浪潮和寒冬达特茅斯会议推动了全球第一次人工智能浪潮的出现，即为1956年到1974年。当时乐观的气氛弥漫着整个学界，在算法方面出现了很多世界级的发明，其中包括一种叫做增强学习的雏形（即贝尔曼公式），增强学习就是谷歌AlphaGo算法核心思想内容。现在常听到的深度学习模型，其雏形叫做感知器，也是在那几年间发明的。
60年前的达特茅斯大学
除了算法和方法论有了新的进展，在第一次浪潮中，科学家们还造出了聪明的机器。其中，有一台叫做STUDENT（1964）的机器能证明应用题，还有一台叫做ELIZA（1966）的机器可以实现简单人机对话。于是，人工智能界认为按照这样的发展速度，人工智能真的可以代替人类。
第一次人工智能冬天出现在1974年到1980年。这是怎么回事呢？因为人们发现逻辑证明器、感知器、增强学习等等只能做很简单、非常专门且很窄的任务，稍微超出范围就无法应对。这里面存在两方面局限：一方面，人工智能所基于的数学模型和数学手段被发现有一定的缺陷；另一方面，有很多计算复杂度以指数程度增加，所以成为了不可能完成的计算任务。
先天缺陷导致人工智能在早期发展过程中遇到瓶颈，所以第一次冬天很快到来，对人工智能的资助相应也就被缩减或取消了。
现代PC“促成”第二次人工智能寒冬进入20世纪80年代，卡耐基·梅隆大学为DEC公司制造出了专家系统（1980），这个专家系统可帮助DEC公司每年节约4000万美元左右的费用，特别是在决策方面能提供有价值的内容。受此鼓励，很多国家包括日本、美国都再次投入巨资开发所谓第5代计算机（1982），当时叫做人工智能计算机。
在80年代出现了人工智能数学模型方面的重大发明，其中包括著名的多层神经网络（1986）和BP反向传播算法（1986）等，也出现了能与人类下象棋的高度智能机器（1989）。此外，其它成果包括能自动识别信封上邮政编码的机器，就是通过人工智能网络来实现的，精度可达99%以上，已经超过普通人的水平。于是，大家又开始觉得人工智能还是有戏。
早期的专家系统Symbolics3640
然而，1987年到1993年现代PC的出现，让人工智能的寒冬再次降临。当时苹果、IBM开始推广第一代台式机，计算机开始走入个人家庭，其费用远远低于专家系统所使用的Symbolics和Lisp等机器。相比于现代PC，专家系统被认为古老陈旧而非常难以维护。于是，政府经费开始下降，寒冬又一次来临。
那时，甚至学者们都不太好意思说是从事人工智能研究的。人们开始思考人工智能到底往何处走，到底要实现什么样的人工智能。
现代AI的曙光：新工具、新理念和摩尔定律如何在有限的资源下做有用的事情，这是人工智能一直以来的挑战。一个现实的途径就是像人类造飞机一样，从生物界获得启发后，以工程化方法对功能进行简化、部署简单的数学模型以及开发强大的飞机引擎。
现代AI的曙光发生在这个阶段，出现了新的数学工具、新的理论和摩尔定律。人工智能也在确定自己的方向，其中一个选择就是要做实用性、功能性的人工智能，这导致了一个新的人工智能路径。由于对于人工智能任务的明确和简化，带来了新的繁荣。
基于神经元网络的深度学习算法示意图
在新的数学工具方面，原来已经存在于数学或者其他学科的文献中的数学模型，被重新发掘或者发明出来。当时比较显著几个成果包括最近获得图灵奖的图模型以及图优化、深度学习网络等，都是大约在15年前重新被提出来，重新开始研究。
在新的理论方面，由于数学模型对自然世界的简化，有着非常明确的数理逻辑，使得理论分析和证明成为可能，可以分析出到底需要多少数据量和计算量来以得期望的结果，这对开发相应的计算系统非常有帮助。
在更重要的一方面，摩尔定律让计算越来越强大，而强大计算机很少被用在人工智能早期研究中，因为早期的人工智能研究更多被定义为数学和算法研究。当更强大的计算能力被转移到人工智能研究后，显著提高了人工智能的研究效果。
由于这一系列的突破，人工智能又产生了一个新的繁荣期。最早的结果即为1997年IBM深蓝战胜国际象棋大师。在更加通用型的功能性方面，机器在数学竞赛、识别图片的比赛中，也可以达到或者超过人类的标准。
人工智能的繁荣也促进了机器人的进步，包括把人工智能原理用在机器狗的设计上。无论是人工智能狗还是无人车驾驶，都不是用编程方法写出来，而是通过一套学习算法在模拟器中不断的走路和开车，让机器自己产生行为策略，这是人工智能和原先控制论最不同的地方。
2011年，Facebook的挑战在2011年的时候，邢波迎来做教授的第一次学术休假，美国教授大概每6年可以做一次休假。邢波选择去了一家很年轻的公司做客座教授，这就是当时的Facebook。那个时候只有500人的Facebook在斯坦福大学的仓库里搭起了自己的实验室，当时Facebook提出希望连接上亿用户，也希望能够运用人工智能投放有价值的广告以增加公司收入。
Facebook当时的目标为在不久的将来把用户从1亿增长到10亿，邢波的任务就是帮助Facebook实现这个愿景。作为Facebook的第一个客座教授，他的第一个任务要把用户在社交网络里连接起来，然后把这种连接投射到社交空间中，从而做社群检测并把社群检测用来实现用户分组和特征化。
这个任务并不难，可以通过混合成员随机区块模型来实现，这是2011年最好的处理网络数据的AI算法。但其中有一个问题，即计算的复杂度呈平方级现象，即用户数每增加10倍就需要100倍的CPU和存储，因此单机最多处理1万人，这是当时最大问题。
邢波于是通过研究算法模型实现计算加速，包括在社交网络抽取比“边”更强大的特征叫做“三角形”，模型也从混合块模型升级到混合三角模型。混合算法实现了显著的革新，计算复杂度在不断下降。当时的研究成果被用于全球电影明星网络研究，大约在100万人左右的网络，可实时展示人们在模型驱动下不断在社交空间找朋友并落入到不同的社交群。
100万的网络、几亿条边、500多亿特征数，用10核单机在40分钟内完成了模拟，这也是惊人的成果。
但问题来了，Facebook的目标用户不是100万，而是1亿用户。100万用户模拟只用了一台笔记本电脑，而当时在Facebook的机房里有1000台主机，上面跑着可运行并行程序Hadoop系统。当时邢波把任务进行了并行化处理，希望能在0.6分钟内处理1亿用户。可结果并不理想，一个星期后依然没有结果。
AI对于传统计算架构的挑战到底发生什么事情呢？原来，用Hadoop进行并行计算的时候，其原理为把计算任务分解为若干子任务，然后在不同机器上运行不同的子任务，当每一个子任务都完成后再通过所有子任务之间的一次握手通信，宣告这次并行计算的结束。
Hadoop起源于1945年的冯·诺依曼架构，该架构也是现代计算机的原型，包括中央处理器、记忆存储器、输入和输出等，通过硬件和软件实现简洁的桥接，而不用对每个晶体管和电子管做局部编程。在20世纪60年代就已经有人看到冯·诺依曼的局限，当有更大的任务或者速度有更高要求，需要让很多台机器一起执行同一个任务，于是就有了早期的并行计算系统。
后来，莱斯利·兰伯特（LeslieLamport）创造了BSP桥接模型（1980~1990s），通过简单抽象把计算和通信分成了两个不重合的项，每个项只完成各自的计算或通信任务。Hadoop(2000s)就是这一思路的优秀代表，它可以用不同的机器以并行方式执行子任务，子任务完成后再通过握手通信完成计算。
Hadoop是当前流行的并行计算架构
Hadoop现在已经成为主流的运算平台，对传统计算程序像数据库、统计数据归纳等都相当有效。BSP桥接模型的一个最近突破就是Spark（2010s），它与Hadoop的区别在于，Hadoop用硬盘作为存储单元而Spark用内存作为存储单元，但二者的通信原理是一样的。
于是，在Hadoop机制下，整个并行计算的瓶颈出现在机群里最慢的那台机器。而在实际情况中，总会出现最慢的一台机器。因为整个机群是共享计算资源，同期还有其它计算任务跑在机器上争抢计算资源，此外甚至机房的温度不均匀也会影响机器的速度。
装了Hadoop的千台机器很好地支持Facebook当时其他的业务，包括搜索业务和存储业务。为什么到了人工智能业务就不行了呢？原因是人工智能计算有它的独特性，人工智能是迭代式反复读取数据和刷新模型的方式，与传统计算模式有很大的不同，这是人工智能发展遇到的又一瓶颈。
从人工智能角度来讲，需要完成大型的计算任务，光有好的数学模型或算法还不够，还需要强力计算引擎支持，而且这个计算引擎跟原来的不一样。这就是当时邢波在Facebook机群上运行人工智能程序，每一次迭代接近结束进入下一个迭代时，总会出现已经完成99%还有1%的计算没有完成并且拖延一个星期的情况。
新的AI计算引擎人工智能采用了渐进迭代方式，迭代速度和迭代效率与数学方程难度有关。在大数据和复杂任务情况下，每一次计算中心都要把大数据遍历刷一遍，1000次迭代就要刷1000遍。如果深度学习模型有几十亿参数，意味着每次迭代都要把所有参数刷新一遍。而当数据和模型同时放大时，这个任务就变得无比困难。
传统计算架构下的BSP通信协议，就是先计算再通信、再计算再通信，这是实现计算一致性基本保障之一。理论上假设这样的代价为零，但在工程实际系统中这并不是一个零代价的工程，各种问题使得机群不同步，要花很多时间等待计算的一致性。
邢波通过自己在Facebook的经历，发现人工智能运算和传统计算非常不一样，传统计算由指令集构成，执行指令目的就是执行程序，执行的过程中不能出错。这是传统执行计算任务经典特征，所有操作系统都是围绕着这个目的来优化，包括容错性和通信有效性等。
人工智能算法就像爬山，中间可以出错，只要能到达山顶。
人工智能的运算也是由指令集构成，但执行指令集的执行只是一个过程而不是目的，目的是优化算法。就像爬山一样，目的是爬到山顶。传统计算体系是严格设定登山路线，一步也不能出错，但人工智能则可以在中间出错，只要能到山顶。
2012年，邢波及其同事设计了一种新的参数服务器模型，这个框架下的核心概念，就是人工智能的计算任务不再像传统计算任务那样以精准性为前提，而是像执行救火任务的机群那样，其任务为“灭火”，至于如何达到火场只是一个手段。而且“扑火机群”还需要以机群为整体给上级一个简单的指挥界面，具体飞行细节则由飞行员们自行协调，这是人工智能的新观点。
基于这样一个目标，邢波及其同事开发了新的桥接模型——SSP有限异步模型。在有限异步模型下，运行机器服从中央指挥，但每个“战队”都有局限性自由度，总体目的是打赢仗。传统并行计算，需要很精准的协调；而完全异步模型下，每个机器各自为政，大部分不能协调实现共同目标。于是，邢波选择了第三条路线：有限异步模型。
邢波用有限异步桥接原理去构建参数服务器的编程界面，是一个分享内存的大规模编程界面，程序运行速度和精度都有了巨大的提升。而且这个系统并不是为某一个特定人工智能计算而设计的，更是一个公用的计算平台模型，在设计时考虑了整个人工智能程序的普遍共性。这个系统也有非常灵活的容错及通讯管理机制，最后的结果就是系统功效的巨大提升。
2013年，邢波研究小组取得了另一个突破。当训练巨大模型的时候，需要把模型分解到不同机器上，每个机器上完成一个子任务，子任务间必须有效通信，才能保证整体任务不失败。于是就设计了一个动态调度器Strads，其原理像拉小提琴十个手指一样，虽然很快速且每个手指执行异步异时的动作，但最终是为了同一首小提琴曲。
最后结果不仅可以保障大型模型程序在很细颗粒度下的正确性，有时候还能实现令人吃惊的加速收敛曲线效果，这是传统的完全同步运行程序无法达到的结果。
人工智能“无穷动”到了2013年年底的时候，卡耐基·梅隆大学对这个分布式机器学习系统做了开源发布，并命名为Petuum。这个名字源于意大利小提琴帕格尼尼的著名小提琴曲MotoPerpetumm（无穷动）。这首以快著称的小提琴曲，共3005个音符、演奏者手指起落平均每秒达16次之多，曲子优美而紧凑，表达了Petuum的设计思想。
著名小提琴曲MotoPerpetumm（无穷动）优美而紧凑
Petuum从2013年12月发布0.1版本后，到2015年7月的1.1版本，一共发布了5个版本。现在Petuum解决了1亿个网络节点的挑战，只用5台Petuum机器就在37小时内处理完了1亿个节点，而1000台Hadoop机群预期可能要跑400个小时。
Petuum也在不断的发展，包括多任务资源调配问题。如同交响乐队让不同乐器表现不同的节奏与声音，Petuum开发了面向多任务的灵活资源配置系统。在AI人工智能程序部署方面，Petuum以容器的方式对程序进行了封装，可以在不同硬件环境中自如运行，这是即插即用的设计思路。整个Petuum系统为轻量级解决方法，轻便可用、方便调试、易于维护，可以说是新一代数据中心操作系统。此外，Petuum还可运行在AWS及谷歌公有云中。
“Petuum就是一个交响乐队，可以有不同的组合，根据需要演奏出不同的风格，一个好的操作系统应该有这样的灵活性。”目前，系统Petuum处在多次发布中，有规律发布开源的软件，包括平台和工具库，工具库有很多常用人工智能的软件，包括深度学习、主题模型等等，可登陆Petuum.org。
Petuum是从软件优化角度对Hadoop和Spark等分布式计算系统进行了优化，在另外一条线上还有其它的科研机构试图从硬件角度彻底解决冯·诺依曼架构的瓶颈，这就是神经元芯片以及更远期的量子计算。
总之，人工智能头60年的发展，就是在起起伏伏、寒冬与新潮、失望与希望之间的无穷动韵律，寻找着理论与实践的最佳结合点。Petuum的出现，为头60年划上了一个相对完美的句号，在于Petuum是在软件层面的革新，底层依然使用CPU和GPU组成的标准化服务器机群，这在梦想与现实之间找到一个平衡点。
中篇：人工智能的第一波商业化浪潮基于自身转型的需求和庞大的企业经济体量，IBM正在真正拉动全球第一次人工智能商业化浪潮。
尽管人工智能已经有了60年的历史，但是人工智能的规模化商业浪潮却一直迟迟没有到来。之前，尽管有微软、谷歌、Facebook等大公司不断投资人工智能技术，但大多把研究成果用于自身业务的优化与效率提升。因此，可以说2016年IBM在全球范围内倾全力推出的“认知商业”，才是真正意义上的人工智能商业化第一波浪潮。
早在1960年4月25日，在一份给IBM管理者的备忘录中，当时的首席执行官小沃森谈及IBM面临的问题是制造“会思考的机器”。从大型机到小型机、从PC到POWER服务器、从“深蓝”到“IBMWatson”，IBM对“会思考的机器”的思考从未停止过。尤其自20世纪90年代人工智能研究陷入低潮以来，IBM是少数坚持投入人工智能研究的企业。
作为世界上第一家百年IT企业，IBM坚持每年研发经费投入超过60亿美元。自从近年来遭遇转型困境后，人工智能研究成果的商业化自然成为了IBM的首选。
新一代“IBMWatson”2016年3月1日，IBM大中华区董事长陈黎明在IBM论坛2016上，宣布IBM公司105年的历史上第3个代表商业战略的品牌“认知商业”落地中国。此前早在1997年，IBM就描绘了“电子商务”的愿景；2008年，IBM推出了“智慧的地球”。
IBM大中华区董事长陈黎明宣布IBM认知商业战略在中国正式落地
“认知商业”基于IBM推出的认知计算，其核心为新一代IBMWatson技术及WatsonAPIs。这个命名实际上来自IBM创始人ThomasJ.Watson老沃森的姓氏，而IBMWatson则是继“深蓝”之后的下一个超级认知计算平台。提起“深蓝”，可谓无人不知。1997年5月1日，国际象棋大师卡斯帕罗夫最终以25：35的比分输给了IBMRS／6000SP“深蓝”计算机，举世震惊。
由于象棋是高度结构化游戏，实际上“深蓝”并不需要太高的学习能力。有关资料显示，1997年版的“深蓝”每秒钟可以计算2亿步，存储了100多年来优秀棋手对局的200多万棋局。在“深蓝”成功后，IBM研究院进而挑战人工智能的深度问答（DeepQ&A），这是人工智能的一个重要分支，具有极为广阔的应用空间。
IBMWatson最早现身在2011年2月美国老牌益智节目“危险边缘”（Jeopardy!），与节目史上最强的两位答题高手一较高下，并最终以优异的表现打败了人类选手。从2004年提出挑战“Jeopardy!”的构想，到2011年IBMWatson真正打败“Jeopardy!”，中间差不多经历了6年的时间。为什么会这么困难？
Watson并不是简单的机器学习系统，当IBM的研究员开始尝试构造Watson时，发现传统的机器学习算法行不通。传统的机器学习算法先归纳知识，把知识形成规则，再让机器根据规则进行响应。这不足以让Watson在“Jeopardy!”节目中胜出，由于数据量过于庞大，IBM研究员意识到必须让Watson能够自行学习知识而尽量减少人工干预。
经过学习和训练，Watson的DeepQ&A系统能够从原始信息中自动抽取知识，对知识进行分类并且能够分析和理解自然语言。如此，Watson就能够像人类一样学习，并从已经发生的事件进行推理和总结经验。由于这样的任务已经超出了前代超级计算机的能力，IBM的研究员从头设计了IBMWatson系统，包括软件和硬件体系。
2011年打败“Jeopardy!”的时候，IBMWatson是由10台IBM商用服务器Power750组成的计算系统。2014年初的时候，IBMWatson的体积已由1个卧室缩小到3个披萨盒子那么大，运算速度是之前的24倍，智能水平是之前的24倍。
IBMWatson的商业化进程在小沃森的备忘录里，强调“计算机永远不会取代人的主动性，也不会取代人类的创造性思维。”计算机就是要把人类从无意义的、重复性的思维模式中解放出来。因此，在IBMWatson的商业化推广中，IBM提出了“认知计算”，强调的人与机器共存。在认知计算时代，并不是机器取代人类，而是人机协作共同创造更好的结果。
2014年1月12日，IBM宣布将投资逾10亿美元，创建一个新的IBMWatson业务集团，基于云计算交付模式，实现认知计算技术的商业化，从这一点开始标志着IBM又一次拉开了世纪转型。
位于纽约的IBMWatson大楼
在创建IBMWatson业务集团的同时，IBM公布了几项基于Watson的新功能：IBMWatsonDiscoveryAdvisor、IBMWatsonAnalytics以及IBMWatsonExplorer等，分别用于大数据探索、基于自然语言的数据可视化分析和应用程序开发框架。目前WatsonAnalytics在全球已经拥有超过100万注册用户，2016年3月在大中华区刚推出就获得了近2万个注册用户。
IBMWatson业务集团总部位于纽约的“硅巷”（SiliconAlley），总部大楼内为创业者提供了相关的孵化器，也为IBM客户提供了客户解决方案中心用于体验认知技术，还有一个设计实验室来帮助IBM客户和合作伙伴持续提升认知应用及服务的用户体验。实际上，在宣布的10亿美元投资中，还包括了1亿美元的风险投资，用于构建IBMWatson生态圈。
为了扩展可用的Watson数据源，IBMWatsonContentMarketplace结合了各种独特且多样化的第三方数据，其中的数据和信息可被IBM客户、合作伙伴、开发者和其它机构用于Watson支持的应用和服务中。迄今为止，该市场接入了Wikivoyage、疾病控制中心、Cancer.gov、美国临床肿瘤学会等多家医疗机构的合作内容，以及美联社、Barchart.com、晨星机构（Morningstar）、RxWiki和WAND等新闻报道档案、健康管理、金融服务、肿瘤学、医药、工程及其它领域的知识库。IBM还与Twitter、Facebook、苹果等公司建立战略联盟，以便能够存取相关的数据。
IBM专门推出了AlchemyData，通过聚合超过7.5万个来源的新闻和博客内容，利用自然语言处理（NLP）加以强化，让Watson应用能够采集市场信号、实现业务流程自动化和趋势分析。IBM后来收购的AlchemyAPI，就是一家提供人工智能文本和图像分析服务的前沿公司。
2015年3月，IBM宣布将向物联网投资超过30亿美元。利用这一投资，在2015年10月IBM公司透露了收购TheWeatherChannel的B2B、移动和云业务的计划，并于2016年1月完成收购，IBM将向包括中国、印度、巴西、墨西哥和日本在内的5大新兴市场扩展weather.com。气象数据在业务运营、市场营销、风险管理等商业领域，有着广泛的价值。
2015年4月IBM成立WatsonHealth，加强在医疗和健康行业的布局，先后收购了包括Explorys（一家可以查看5000万份美国患者病例的分析公司）、Phytel（处理各类健康数据及提供数据分析的云软件公司）、医疗影像公司MergeHealthcare公司。其中，Merge的技术平台普遍应用在7500余家美国医院及全球众多著名临床研究机构和制药公司。
2016年刚开年，IBM就宣布进行了郭士纳以来一次大型的组织调整。这次调整涉及了IBM的三大部门——全球行业事业部门、整合认知解决方案部门以及云计算部门，笔者认为其中的商业逻辑将会是全球行业事业部门梳理行业用户需求、整合认知解决方案部门根据需求开发认知解决方案、云计算部门提供平台支持。
2016年3月1日，IBM向中国市场推出“认知商业”品牌，在中国市场展开了铺天盖地的宣传推广活动。3月15日，IBM宣布基于认知计算的IBM营销云落地中国，特别加入了对于微信的支持。
算法经济时代的到来IBM正在转型为一家认知计算公司，其背后的大逻辑是全球正在进入一个算法经济时代。自去年以来，Gartner就在多份报告中强调，算法连通了人、事物、业务及信息，将创造全新的商业价值。在未来，算法将成为企业的核心资产，代替企业把大数据转化为商业洞察、自动化业务流程以及差异化产品与服务。一句话，算法将统治世界。
IBM正在拉动全球第一次人工智能商业化浪潮
在一个算法经济时代，人工智能算法仅是众多算法中的一种。IBM董事长GinniRometty在去年10月的Gartner全球峰会上说，Watson并不仅仅是人工智能，人工智能算法是Watson背后32个引擎中的一个。实际上在过去的几年间，除了推动Watson认知计算的商业化之外，IBM一直在不余遗力的收购商业算法公司，纳入到IBM整体的算法体系。
IBM于2011年花费近4亿美元收购了一家叫做Algorithmics的公司，其业务就是用商业算法来计量金融交易的风险。Algorithmics参与了国际巴寒尔协议的咨询与建议，不断跟踪巴寒尔协议进展并把新的规范编入算法中，再把算法卖给各国的银行用于金融风险监控。据有关统计，在收购Algorithmics之前，IBM就已经花费了140亿美元用于收购25家分析公司。
当然，在整个IBM算法体系中，Watson认知计算是“皇冠上的明珠”。IBMWatson业务集团高级副总裁MichaelRhodin说：“在IBM100年的历史上，Watson是我们最重要的创新之一。”IBM董事长GinniRometty在去年10月的Gartner全球峰会上说，推动全球迈向“认知商业”时代，“这是我们的登月工程。”
在已经推出的WatsonAPI中，包括：文本转语音API，历经12年的研发，最新加入的情商功能让文本转语音的时候能适应语境与情绪；语调分析器API，可对文本中的语调进行分析，获得更好的观察；情绪分析API，通过复杂的自然语言处理，感知外部环境中用户情绪的变化；视觉识别API，可以定制化适应不同企业的图像识别需求等等。据统计，WatsonAPI每月被调用高达13亿次，并且还在快速增长。
目前已经有36个国家、17个行业的企业在使用Watson的认知技术，全球超过7.7万名开发者在使用WatsonDeveloperCloud平台，超过350家生态系统中合作伙伴及企业内部创新团队正在构建基于认知技术的应用、产品和服务，其中100家企业已将产品推向市场。
可以说，基于自身转型的需求和庞大的企业经济体量，IBM正在真正拉动全球第一次人工智能商业化浪潮。而在这次大浪潮之下，首先受益的将是商业智能算法公司，包括IBM、SAS、QLIK、Tableau等商业智能软件公司将迎来黄金时代。
下篇：未来“无穷大”的AI空间增强学习算法更接近生物学习的行为特征，具有探索未知世界的能力。AlphaGo对增强学习算法的探索，打开了“无穷大”的大门。
AlphaGo战胜人类围棋高手李世石的事件，正好发生在60年这个时间节点上，可以说是全球人工智能界承上启下的里程碑式事件。简单说，AlphaGo的算法是前60年人工智能研究都很少触及的领域：增强学习，即无监督的深度学习，而前60年的主流算法为有监督的深度学习。
而在60年这个节点上，经过了1980年和2000年两次寒冬，全球人工智能界又迎来了第三次浪潮。这一次，随着前60年有监督深度学习算法的理论研究和工程化的成熟，以及硬件计算能力的大幅提升和成本的飞速降低，在云计算、大数据和移动互联网的融合推动下，人工智能在很多方面都有了突破性进展。
更为重要的是，除了微软、IBM等大公司外，谷歌、Facebook、百度等互联网巨头纷纷向人工智能领域投巨资进行研发，各国政府也开始意识到人工智能是未来社会的战略制高点，甚至人工智能有可能成为未来社会的一部分。
承上启下的AlphaGo当AlphaGo战胜李世石的消息传来，深蓝之父MurrayCampbell就此评价说：“这是人工智能一个时代的结束。”
两次人机大战时隔20年，这其中最重要的差别在于象棋与围棋的复杂度差异巨大。人工智能之所以能够先战胜国际象棋冠军，在于国际象棋可以穷尽接近所有可能的棋局，而围棋就不一样了。围棋棋局究竟有多少种变化？普林斯顿的研究人员给出了一个最小的数字：19x19格围棋的合法棋局数为10的171次方，这个数字接近无穷大。
AlphaGo对战李世石
根据美国Wired网站长期跟踪谷歌的记者CadeMetz的报道，AlphaGo前期通过一个已知职业棋手的3000万步数据库进行训练，在获得相当的熟练度后，AlphaGo开始用增强学习算法与另一个AlphaGo程序相互博弈，探索未知的但与取胜有关的棋局，用以培养自己的“智能”。围棋对于人工智能来说，相当于是求解一个开放式的问题。
机器学习算法大致可以分为3种：监督学习（如回归、分类）、非监督学习（如聚类、降维）和增强学习。人工智能前60年，主要通过有监督的深度学习算法，解决语音识别、图像识别、自然语言理解等总样本量有上限的相对“有穷大”问题。
增强学习算法主要从任意初始状态开始，机器与外部环境持续交互，通过不断试错和累积回报来“学习”最佳策略，在这个过程中外界不给予直接指导（监督），只给予间接的或是远距离的回报（Reward）。举例来说，训练室内机器人完成某个任务，在这个过程中人类并不干涉，只有当机器人接近完成任务时才给予正反馈。
换句话说，增强学习算法更接近生物学习的行为特征，具有探索未知世界的能力。AlphaGo对增强学习算法的探索，打开了“无穷大”的大门。
语音识别走下神坛微软是人工智能领域的另一巨头。微软人工智能首席科学家、美国IEEE电气和电子工程师协会院士邓力长期投身于语音识别研究，在自动语音与说话者识别、口语识别与理解、语音-语音翻译、机器翻译、图像和多模态信息处理等领域做出了重大贡献，凭借在深度学习与自动语音识别方向的杰出贡献，获得了2015年度IEEE信号处理技术成就奖。
微软人工智能首席科学家邓力
邓力表示，有监督的深度神经网络已历经了研究与确认，被认为是能够解决语音和图像识别的最有效的工具。基本上到2012年的时候，有监督深度神经网络用于语音识别就已经成功取得突破。当时，微软研究院全球院长RickRashid在天津成功演示了一个全自动同声翻译系统，实时把英文演讲翻译成中文并以中文语音输出。
RickRashid演示中的语音识别部分采用了有监督学习的深度神经网络工具，最先由邓力和他的微软同事于2009~2010间与多伦多大学的GeoffreyHinton教授合作开发。如今，微软的语音识别技术已经工程化并广泛用于微软的多个产品中。
作为中国的国家队，科大讯飞在智能语音技术领域有着长期的研究积累，并在语音合成、语音识别、口语评测、自然语言处理等多项技术上有着国际领先的成果。2008年6月，科大讯飞参加NIST（美国标准技术研究院）举办的说话人识别SRE大赛，就在3项关键指标中，获得两项第一、一项第三、综合评比第一的好成绩。
科大讯飞是中国唯一以语音技术为产业化方向的“国家863计划成果产业化基地”、“国家规划布局内重点软件企业”、“国家高技术产业化示范工程”，并被原信息产业部确定为中文语音交互技术标准工作组组长单位，牵头制定中文语音技术标准。
基于自主知识产权的智能语音技术，科大讯飞已推出从大型电信级应用到小型嵌入式应用，从电信、金融等行业到企业和消费者用户，从手机到车载、从家电到玩具等不同应用场景的多种产品，还发布了“讯飞语音云”平台。目前，科大讯飞已占有中文语音技术市场70%以上市场份额，开发伙伴超过5000家，以讯飞为核心的中文语音产业链已初具规模。
计算机视觉逼近拐点视觉识别是人工智能的一个重要研究领域，没有视觉识别能力的机器人无法真正与外界交互。2015年，在微软等大公司的推动下，计算机视觉已经逼近全面突破的拐点。
ImageNet是全球顶级的计算机视觉挑战赛，挑战赛项目之一是对1000类、120万张互联网图片进行分类，每张图片人工标注5个相关类别，计算机识别的结果只要有一个和人工标注类别相同就算对。对于该图片集，人眼辨识错误率大概为5.1%，目前只有谷歌和微软等个别参赛团队的算法能够达到低于5%的结果。
2015年12月10日，微软亚洲研究院视觉计算组在ImageNet计算机识别挑战赛中再次打破纪录，获得图像分类、图像定位以及图像检测全部三个主要项目的冠军，将系统错误率降低至3.57%。在计算机视觉识别领域，卷积神经网络（即为有监督的深度学习）是主要的算法。微软亚洲研究院视觉计算组首席研究员孙剑介绍说，他所带领的研究团队使用了高达152层的深层卷积神经网络算法，比以往任何成功的算法层数多达5倍以上。
而在另一方面，微软亚洲研究院硬件计算组与清华大学电子工程系一直在硬件加速领域合作了，从2013年开始双方一起研究怎样把深层卷积神经网络与智能硬件结合起来，其成果就是基于FPGA（可编程芯片）技术的A-Eye视觉芯片。微软的研究表明，高端GPU的图像处理能力是FPGA的2到3倍，但FPGA的功耗约是高端GPU的1/10，多个FPGA结合能以低功耗达到GPU的处理能力。
据微软亚洲研究院硬件计算组主管研究员徐宁仪介绍，A-Eye视觉芯片包括了一个基于软件的压缩算法和基于FPGA芯片的硬件实现，其本质上是通过软件压缩和定制的硬件加速，让计算机视觉识别算法适用于普通的智能终端。基于A-Eye技术的高性能智能视觉芯片，可以广泛用于智能安防、婴儿和老人看护、无人汽车和无人机等各种需要计算机视觉的领域。
目前卷积神经网络的图像识别能力有赖于输入的原始数据集，例如用花卉图像集训练出来的算法就只能识别花卉。基于Bing搜索引擎的大数据，接下来微软正在探索通用型视觉识别算法和工程化实现。一旦工程化实现了通用型视觉识别技术，智能机器张眼看世界的那一天就不远了。
开始探索情感算法整个人工智能研究的起源，在于一个基本的假设，即能够用机械的方式模仿人类的思维。人工智能前60年，就在这个方向上不断地探索。但是，能否用机械的方式模仿人类的感情呢？
情感的表达远非“0”或“1”那么简单，就像人类的爱情绝非对与错那样绝对。如何让机器理解人类的情感，又如何把情感与知识进一步结合，发展出全新的计算架构？情感计算前进之路更加艰难，直到微软“小冰”的出现。
微软小冰有可能成为有史以来首个情感算法机器人
最开始作为一个聊天机器人，微软小冰由微软亚洲互联网工程院开发，2014年5月29日，一代小冰开始了微信公测，在3天内赢得了超过150万个微信群、逾千万用户的喜欢。2015年8月20日，第三代微软小冰正式发布。2015年11月小冰发布了计算视觉功能，从此，小冰还能根据图片和视频与用户聊天。
然而，微软小冰的意义绝不仅仅是聊天机器人。微软全球执行副总裁沈向洋说，希望小冰成为一个慢慢融入人类社会的机器人、每一个用户的个人助手，而且是一个真正通过情感计算，理解用户、能够交流、能够沟通的人工智能机器人。在更深层上，微软小冰正在成为整个微软的人工智能基础设施，小冰的研究成果正扩散到微软产品与服务的方方面面。
初步统计，仅在微软亚洲研究院就有将近15个研究团队与负责小冰的算法研究，而包括以色列、纽约、休斯顿总部的微软研究院也正为小冰提供技术支持，涉及包括大数据、自然语言互动、计算机视觉、SR（语音识别）、TTS（文字到语音转换）、IoT等十几个领域。
想象一下，未来的家庭里将出现智能手表、智能音箱、智能电视机、智能冰箱、智能燃气表、智能玩具等多种智能设备，人们无法再通过一个个APP与这些智能设备沟通，就必须出现一个超级APP来管控所有的智能设备，微软小冰就有望成为这样的超级人机交互界面。
从底层芯片突破人工智能2016年3月24日，在ARM公司与重庆市的战略合作签约仪式上，重庆市长黄奇帆在致辞中表示“一切人工智能的源头，集中在芯片上”。
黄奇帆市长可能没有意识到，这个论断也是未来60年人工智能发展的重要主题之一。在人工智能前60年的发展中，冯·诺依曼架构的瓶颈已经成为共识，在接下来的60年里，如何打破冯·诺依曼架构的瓶颈，已经成为各大公司和各国政府战略级的研究项目。
IBMTrueNorth神经元芯片
2014年8月，IBM研究院在《科学》杂志上介绍了一款名为“TrueNorth”神经元芯片，它从底层模仿了人脑结构而且用普通半导体材料就能制造出来。TrueNorth表面上看起来和普通处理器没有太大区别，它的核心区域内挤满了4096个处理核心，用来模拟超过百万个人脑神经元和2.56亿个神经突触。
2008年初，IBMTrueNorth研究项目获得了美国五角大楼高级计划研究局（DARPA）的5300万美元资助，DARPA认为这项研究有助于突破冯·诺伊曼计算机体系。TrueNorth由三星代工生产，具备量产的基础。基于TrueNorth芯片，IBM已经研发出了神经元计算机原型机，能够以低功耗实现更高准确率的图像识别、视频处理等人工智能关键性功能。
2015年4月，IBM研究院MarkRitter在他的一篇博客中，介绍了IBM在量子计算机方面的研究突破。IBM的T.J.沃森研究实验室的一组科学家和工程师，正处于开发首台真正量子计算机的前沿。2015年4月，这个团队在科学杂志《NatureCommunications》（《自然通讯》）上发布了一篇重要的论文，介绍了在实现可行性量子计算机中的两个关键性进展。
1981年在MIT召开的首届量子计算会议上，诺贝尔奖获得者Feynman挑战科学家们研究量子计算机。与现代计算科学的方式方法截然不同，在量子计算前提下，整个计算基础设施必须被重新想象与重构。除了IBM外，谷歌与微软也集合了科学家与高校的力量投入量子计算的研究。MarkRitter认为，IBM有望首先实现量子计算机，而当前正在进入量子计算研究的黄金时代。
除了远期的神经元芯片和量子计算机外，NVIDIA、Intel、ARM等公司通过改进现有的芯片设计，把人工智能推进到底层芯片中。NVIDIA的GPU被用于数据中心的大规模分布式机器学习环境，区别于传统CPU的IntelXeonPhi更强调与CPU协同工作的GPU技术，而在移动互联网时代遥遥领先的ARM则在智能汽车、可穿戴设备、智能家电、物联网、工业装置等领域围绕未来人工智能场景来思考一代又一代的芯片设计。
ARM全球CEOSimonSegars在接受采访时表示，必须以更具成本效益的方式实现人工智能应用，只有当AI的成本和价格是普通人都能够承担时，AI才是真正达到了人们期望的目标。2016年3月，ARM宣布与台积电合作展开7nm芯片的研究，能以更高性价比广泛应用于智能终端和数据中心，预计在2017~2019年量产。目前，其它芯片公司还停留在10nm芯片的竞争。此外，ARM还加入了由Facebook发起的开源硬件项目OCP，该项目邀请开源硬件社区共同设计下一代数据中心的硬件设备，ARM就在与Paypal联合开发低功耗的定制化芯片。
创业者把AI扩散到社会的每一个角落随着AlphaGo在全社会引起了巨大的反响，新一轮人工智能创业潮正在酝酿中。2016年3月26日，科大汛飞与专注天使轮投资的阿尔法公社宣布了AI领域联合天使投资计划，未来将在AI领域展开批量投资。科大讯飞高级副总裁江涛表示，在未来社会里AI将成为水和电一样的基础性资源，创业者们将把AI扩散到社会的方方面面。
阿尔法公社与科大讯飞联合宣布批量支持AI创业
为什么说AI将成为基础性社会资源？原因很简单，今天的互联网已经成为了基础性的社会资源。而在万物互联网时代，物联网的规模远远大于今天的互联网。除了接入现有的互联网设备外，未来的物联网还将接入大量机器对机器（M2M）网络。在一个更为复杂和庞大的物联网前提下，人工智能就必须成为整个物联网的关键组成部分，进而成为基础性资源。
如果说过去的人工智能创业必须要在基础科研层面有所突破，如今这个壁垒已经被打破。谷歌、微软、Facebook等大公司以及卡耐基·梅隆大学、NYU等高校纷纷开源核心的机器学习算法，谷歌的TensorFlow、微软的DMTK、Facebook的Torch、卡耐基·梅隆大学的Petuum、加州伯克利分校的Caffe等，都提供了成熟的人工智能和深度学习算法模块。而IBMWatson认知计算云服务，本身就是以低价格向全社会大规模输出人工智能的能力。
值得注意的是，大公司开源出来的机器学习算法并不是简单的宣传“噱头”，而是货真价实的“干货”。微软开源版DMTK包含了目前世界上最大规模的主题模型和分布式词向量模型，DMTK还是分布式机器学习工具，让创业者很简单就在多机环境甚至是集群系统中部署大规模机器学习算法，大幅降低了机器学习创业的门槛。为什么这么多大公司都纷纷开源自己的核心机器学习算法呢？原因很简单：争夺下一个生态。
当然，也有人担心大公司将垄断未来的人工智能社会。2015年12月12日，特斯拉CEOElonMusk在Twitter上宣布正式启动非盈利人工智能项目OpenAI。OpenAI是一个非营利性的人工智能研究公司，目标是“推动数字智能的发展，同时不被财务回报所限制，从而造福整个人类”。OpenAI筹措了10亿美元作为经费，从谷歌等公司挖来了人工智能专家，专门研究人工智能技术并答应无偿公开。显然，OpenAI是人工智能创业的又一剂强心针。
另一方面，人工智能创业迎来黄金期，还有另一个时代背景。微软亚洲研究院人工智能研究组首席研究员、卡耐基·梅隆大学博士生导师刘铁岩告诉记者，近年来全球机器学习领域的三大趋势包括更大规模的机器学习、更深度的机器学习以及更强交互性的机器学习，这些都是基于大数据与云计算的兴起。正是因为廉价的云计算和大数据技术，人工智能才有可能扩散到社会的每一个角落。（本文为节选，全文见《商业价值》杂志4月刊封面文章，网络独家首发钛媒体）
人工智能的六个发展阶段，一起来看看吧
人工智能是研究、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。人工智能从诞生以来，理论和技术日益成熟，应用领域不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。
人工智能充满未知的探索道路曲折起伏，人工智能的发展历程基本划分为以下6个阶段：
1、起步发展期：1956年—20世纪60年代初
人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
2、反思发展期：20世纪60年代—70年代初
人工智能发展初期的突破性进展大大提升了人们对人工智能期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标落空使人工智能发展走入低谷。
3、应用发展期：20世纪70年代初—80年代中
20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。
4、低迷发展期：20世纪80年代中—90年代中
随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
5、稳步发展期：20世纪90年代中—2010年
由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。
6、蓬勃发展期：2011年至今
随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长新高潮。
想学习云计算、大数据、新媒体的同学注意啦，博雅环球教育针对此次疫情特推出线上免费直播课程，同学们可以趁这个时期，好好充实一下自己，待到春暖花开时，学以致用，大展身手。想报名的同学快来联系我们吧！
北京|内蒙古|呼和浩特|IT计算机培训|云计算|大数据|新媒体|线上培训|免费课程|高薪就业
人工智能的创新发展与社会影响
党的十八大以来，习近平总书记把创新摆在国家发展全局的核心位置，高度重视人工智能发展，多次谈及人工智能的重要性，为人工智能如何赋能新时代指明了方向。2018世界人工智能大会9月17日在上海开幕，习总书记致信祝贺并强调指出人工智能发展应用将有力提高经济社会发展智能化水平，有效增强公共服务和城市管理能力。深入学习领会习总书记关于人工智能的一系列重要论述，务实推进我国《新一代人工智能发展规划》，有效规避人工智能“鸿沟”，着力收获人工智能“红利”，对建设世界科技强国、实现“两个一百年”的奋斗目标具有重大战略意义。
一、引言
1956年人工智能（ArtificialIntelligence，简称AI）的概念被正式提出，标志着人工智能学科的诞生，其发展目标是赋予机器类人的感知、学习、思考、决策和行动等能力。经过60多年的发展，人工智能已取得突破性进展，在经济社会各领域开始得到广泛应用并形成引领新一轮产业变革之势，推动人类社会进入智能化时代。美国、日本、德国、英国、法国、俄罗斯等国家都制定了发展人工智能的国家战略，我国也于2017年发布了《新一代人工智能发展规划》，发改委、工信部、科技部、教育部等国家部委和北京、上海、广东、江苏等地政府也相继出台推动人工智能发展的相关政策文件，社会各界对人工智能的重大战略意义已形成广泛共识。
跟其他高科技一样，人工智能也是一把双刃剑。如何认识人工智能的社会影响，也有“天使派”和“魔鬼派”之分。“天使派”认为，人工智能领域的科技创新和成果应用取得重大突破，有望引领第四次工业革命，对社会、经济、军事等领域将产生变革性影响，在制造、交通、教育、医疗、服务等方面可以造福人类；“魔鬼派”认为，人工智能是人类的重大威胁，比核武器还危险，有可能引发第三次世界大战。2018年2月，牛津大学、剑桥大学和OpenAI公司等14家机构共同发布题为《人工智能的恶意使用：预测、预防和缓解》的报告，指出人工智能可能给人类社会带来数字安全、物理安全和政治安全等潜在威胁，并给出了一些建议来减少风险。
总体上看，已过花甲之年的人工智能当前的发展具有“四新”特征：以深度学习为代表的人工智能核心技术取得新突破、“智能+”模式的普适应用为经济社会发展注入新动能、人工智能成为世界各国竞相战略布局的新高地、人工智能的广泛应用给人类社会带来法律法规、道德伦理、社会治理等方面一系列的新挑战。因此人工智能这个机遇与挑战并存的新课题引起了全球范围内的广泛关注和高度重视。虽然人工智能未来的创新发展还存在不确定性，但是大家普遍认可人工智能的蓬勃兴起将带来新的社会文明，将推动产业变革，将深刻改变人们的生产生活方式，将是一场影响深远的科技革命。
为了客观认识人工智能的本质内涵和创新发展，本报告在简要介绍人工智能基本概念与发展历程的基础上，着重分析探讨人工智能的发展现状和未来趋势，试图揭示人工智能的真实面貌。很显然，在当下人工智能蓬勃发展的历史浪潮中如何选择中国路径特别值得我们深入思考和探讨。因此，本报告最后就我国人工智能发展态势、存在问题和对策建议也进行了阐述。
二、人工智能的发展历程与启示
1956年夏，麦卡锡（JohnMcCarthy）、明斯基（MarvinMinsky）、罗切斯特（NathanielRochester）和香农（ClaudeShannon）等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能”这一概念，标志着人工智能学科的诞生。人工智能的目标是模拟、延伸和扩展人类智能，探寻智能本质，发展类人智能机器。人工智能充满未知的探索道路曲折起伏，如何描述1956年以来60余年的人工智能发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能60余年的发展历程划分为以下6个阶段：
一是起步发展期：1956年-20世纪60年代初。人工智能概念在1956年首次被提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序、LISP表处理语言等，掀起了人工智能发展的第一个高潮。
二是反思发展期：60年代-70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入了低谷。
三是应用发展期：70年代初-80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入了应用发展的新高潮。
四是低迷发展期：80年代中-90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
五是稳步发展期：90年代中-2010年。由于网络技术特别是互联网技术的发展，信息与数据的汇聚不断加速，互联网应用的不断普及加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年IBM深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念，这些都是这一时期的标志性事件。
六是蓬勃发展期：2011年-至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器（GraphicsProcessingUnit，简称GPU）等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越科学与应用之间的“技术鸿沟”，图像分类、语音识别、知识问答、人机对弈、无人驾驶等具有广阔应用前景的人工智能技术突破了从“不能用、不好用”到“可以用”的技术瓶颈，人工智能发展进入爆发式增长的新高潮。
通过总结人工智能发展历程中的经验和教训，我们可以得到以下启示：
（一）尊重学科发展规律是推动学科健康发展的前提。科学技术的发展有其自身的规律，顺其者昌，违其者衰。人工智能学科发展需要基础理论、数据资源、计算平台、应用场景的协同驱动，当条件不具备时很难实现重大突破。
（二）基础研究是学科可持续发展的基石。加拿大多伦多大学杰弗里·辛顿（GeoffreyHinton）教授坚持研究深度神经网络30年，奠定人工智能蓬勃发展的重要理论基础。谷歌的DeepMind团队长期深入研究神经科学启发的人工智能等基础问题，取得了阿尔法狗等一系列重大成果。
（三）应用需求是科技创新的不竭之源。引领学科发展的动力主要来自于科学和需求的双轮驱动。人工智能发展的驱动力除了知识与技术体系内在矛盾外，贴近应用、解决用户需求是创新的最大源泉与动力。比如专家系统人工智能实现了从理论研究走向实际应用的突破，近些年来安防监控、身份识别、无人驾驶、互联网和物联网大数据分析等实际应用需求带动了人工智能的技术突破。
（四）学科交叉是创新突破的“捷径”。人工智能研究涉及信息科学、脑科学、心理科学等，上世纪50年代人工智能的出现本身就是学科交叉的结果。特别是脑认知科学与人工智能的成功结合，带来了人工智能神经网络几十年的持久发展。智能本源、意识本质等一些基本科学问题正在孕育重大突破，对人工智能学科发展具有重要促进作用。
（五）宽容失败应是支持创新的题中应有之义。任何学科的发展都不可能一帆风顺，任何创新目标的实现都不会一蹴而就。人工智能60余载的发展生动地诠释了一门学科创新发展起伏曲折的历程。可以说没有过去发展历程中的“寒冬”就没有今天人工智能发展新的春天。
（六）实事求是设定发展目标是制定学科发展规划的基本原则。达到全方位类人水平的机器智能是人工智能学科宏伟的终极目标，但是需要根据科技和经济社会发展水平来设定合理的阶段性研究目标，否则会有挫败感从而影响学科发展，人工智能发展过程中的几次低谷皆因不切实际的发展目标所致。
三、人工智能的发展现状与影响
人工智能经过60多年的发展，理论、技术和应用都取得了重要突破，已成为推动新一轮科技和产业革命的驱动力，深刻影响世界经济、政治、军事和社会发展，日益得到各国政府、产业界和学术界的高度关注。从技术维度来看，人工智能技术突破集中在专用智能，但是通用智能发展水平仍处于起步阶段；从产业维度来看，人工智能创新创业如火如荼，技术和商业生态已见雏形；从社会维度来看，世界主要国家纷纷将人工智能上升为国家战略，人工智能社会影响日益凸显。
（一）专用人工智能取得重要突破。从可应用性看，人工智能大体可分为专用人工智能和通用人工智能。面向特定领域的人工智能技术（即专用人工智能）由于任务单一、需求明确、应用边界清晰、领域知识丰富、建模相对简单，因此形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能。人工智能的近期进展主要集中在专用智能领域，统计学习是专用人工智能走向实用的理论基础。深度学习、强化学习、对抗学习等统计机器学习理论在计算机视觉、语音识别、自然语言理解、人机博弈等方面取得成功应用。例如，阿尔法狗在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，语音识别系统5.1%的错误率比肩专业速记员，人工智能系统诊断皮肤癌达到专业医生水平，等等。
（二）通用人工智能尚处于起步阶段。人的大脑是一个通用的智能系统，能举一反三、融会贯通，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题，可谓“一脑万用”。真正意义上完备的人工智能系统应该是一个通用的智能系统。虽然包括图像识别、语音识别、自动驾驶等在内的专用人工智能领域已取得突破性进展，但是通用智能系统的研究与应用仍然是任重而道远，人工智能总体发展水平仍处于起步阶段。美国国防高级研究计划局（DefenseAdvancedResearchProjectsAgency，简称DARPA）把人工智能发展分为三个阶段：规则智能、统计智能和自主智能，认为当前国际主流人工智能水平仍然处于第二阶段，核心技术依赖于深度学习、强化学习、对抗学习等统计机器学习，AI系统在信息感知（Perceiving）、机器学习（Learning）等智能水平维度进步显著，但是在概念抽象（Abstracting）和推理决策（Reasoning）等方面能力还很薄弱。总体上看，目前的人工智能系统可谓有智能没智慧、有智商没情商、会计算不会“算计”、有专才无通才。因此，人工智能依旧存在明显的局限性，依然还有很多“不能”，与人类智慧还相差甚远。
（三）人工智能创新创业如火如荼。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷调整发展战略。比如，在其2017年的年度开发者大会上，谷歌明确提出发展战略从“MobileFirst”（移动优先）转向“AIFirst”（AI优先）；微软2017财年年报首次将人工智能作为公司发展愿景。人工智能领域处于创新创业的前沿，麦肯锡报告2016年全球人工智能研发投入超300亿美元并处于高速增长，全球知名风投调研机构CBInsights报告显示2017年全球新成立人工智能创业公司1100家，人工智能领域共获得投资152亿美元，同比增长141%。
（四）创新生态布局成为人工智能产业发展的战略高地。信息技术（IT）和产业的发展史就是新老IT巨头抢滩布局IT创新生态的更替史。例如，传统信息产业IT（InformationTechnology）代表企业有微软、英特尔、IBM、甲骨文等，互联网和移动互联网IT（InternetTechnology）代表企业有谷歌、苹果、脸书、亚马逊、阿里巴巴、腾讯、百度等，目前智能科技IT（IntelligentTechnology）的产业格局还没有形成垄断，因此全球科技产业巨头都在积极推动AI技术生态的研发布局，全力抢占人工智能相关产业的制高点。人工智能创新生态包括纵向的数据平台、开源算法、计算芯片、基础软件、图形处理GPU服务器等技术生态系统和横向的智能制造、智能医疗、智能安防、智能零售、智能家居等商业和应用生态系统。在技术生态方面，人工智能算法、数据、图形处理器（GraphicsProcessingUnit，简称GPU）/张量处理器（TensorProcessingUnit，简称TPU）/神经网络处理器（NeuralnetworkProcessingUnit，NPU）计算、运行/编译/管理等基础软件已有大量开源资源，例如谷歌的TensorFlow第二代人工智能学习系统、脸书的PyTorch深度学习框架、微软的DMTK分布式学习工具包、IBM的SystemML开源机器学习系统等；此外谷歌、IBM、英伟达、英特尔、苹果、华为、中国科学院等积极布局人工智能领域的计算芯片。在人工智能商业和应用生态布局方面，“智能+X”成为创新范式，例如“智能+制造”、“智能+医疗”、“智能+安防”等，人工智能技术向创新性的消费场景和不同行业快速渗透融合并重塑整个社会发展，这是人工智能作为第四次技术革命关键驱动力的最主要表现方式。人工智能商业生态竞争进入白热化，例如智能驾驶汽车领域的参与者既有通用、福特、奔驰、丰田等传统龙头车企，又有互联网造车者如谷歌、特斯拉、优步、苹果、百度等新贵。
（五）人工智能上升为世界主要国家的重大发展战略。人工智能正在成为新一轮产业变革的引擎，必将深刻影响国际产业竞争格局和一个国家的国际竞争力。世界主要发达国家纷纷把发展人工智能作为提升国际竞争力、维护国家安全的重大战略，加紧积极谋划政策，围绕核心技术、顶尖人才、标准规范等强化部署，力图在新一轮国际科技竞争中掌握主导权。无论是德国的“工业4.0”、美国的“工业互联网”、日本的“超智能社会”、还是我国的“中国制造2025”等重大国家战略，人工智能都是其中的核心关键技术。2017年7月，国务院发布了《新一代人工智能发展规划》，开启了我国人工智能快速创新发展的新征程。
（六）人工智能的社会影响日益凸显。人工智能的社会影响是多元的，既有拉动经济、服务民生、造福社会的正面效应，又可能出现安全失控、法律失准、道德失范、伦理失常、隐私失密等社会问题，以及利用人工智能热点进行投机炒作从而存在泡沫风险。首先，人工智能作为新一轮科技革命和产业变革的核心力量，促进社会生产力的整体跃升，推动传统产业升级换代，驱动“无人经济”快速发展，在智能交通、智能家居、智能医疗等民生领域发展积极正面影响。与此同时，我们也要看到人工智能引发的法律、伦理等问题日益凸显，对当下的社会秩序及公共管理体制带来了前所未有的新挑战。例如，2016年欧盟委员会法律事务委员会提交一项将最先进的自动化机器人身份定位为“电子人（electronicpersons）”的动议，2017年沙特阿拉伯授予机器人“索菲亚”公民身份，这些显然冲击了传统的民事主体制度。那么，是否应该赋予人工智能系统法律主体资格？另外在人工智能新时代，个人信息和隐私保护、人工智能创作内容的知识产权、人工智能歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等问题都需要我们从法律法规、道德伦理、社会管理等多个角度提供解决方案。
由于人工智能与人类智能密切关联且应用前景广阔、专业性很强，容易造成人们的误解，也带来了不少炒作。例如，有些人错误地认为人工智能就是机器学习（深度学习），人工智能与人类智能是零和博弈，人工智能已经达到5岁小孩的水平，人工智能系统的智能水平即将全面超越人类水平，30年内机器人将统治世界，人类将成为人工智能的奴隶，等等。这些错误认识会给人工智能的发展带来不利影响。还有不少人对人工智能预期过高，以为通用智能很快就能实现，只要给机器人发指令就可以干任何事。另外，有意炒作并通过包装人工智能概念来谋取不当利益的现象时有发生。因此，我们有义务向社会大众普及人工智能知识，引导政府、企业和广大民众科学客观地认识和了解人工智能。
四、人工智能的发展趋势与展望
人工智能经过六十多年的发展突破了算法、算力和算料（数据）等“三算”方面的制约因素，拓展了互联网、物联网等广阔应用场景，开始进入蓬勃发展的黄金时期。从技术维度看，当前人工智能处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有数据、能耗、泛化、可解释性、可靠性、安全性等诸多瓶颈，创新发展空间巨大，从专用到通用智能，从机器智能到人机智能融合，从“人工+智能”到自主智能，后深度学习的新理论体系正在酝酿；从产业和社会发展维度看，人工智能通过对经济和社会各领域渗透融合实现生产力和生产关系的变革，带动人类社会迈向新的文明，人类命运共同体将形成保障人工智能技术安全、可控、可靠发展的理性机制。总体而言，人工智能的春天刚刚开始，创新空间巨大，应用前景广阔。
（一）从专用智能到通用智能。如何实现从狭义或专用人工智能（也称弱人工智能，具备单一领域智能）向通用人工智能（也称强人工智能，具备多领域智能）的跨越式发展，既是下一代人工智能发展的必然趋势，也是国际研究与应用领域的挑战问题。2016年10月美国国家科学技术委员会发布了《国家人工智能研究与发展战略计划》，提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。DeepMind创始人戴密斯·哈萨比斯（DemisHassabis）提出朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。微软在2017年7月成立了通用人工智能实验室，100多位感知、学习、推理、自然语言理解等方面的科学家参与其中。
（二）从人工智能到人机混合智能。人工智能的一个重要研究方向就是借鉴脑科学和认知科学的研究成果，研究从智能产生机理和本质出发的新型智能计算模型与方法，实现具有脑神经信息处理机制和类人智能行为与智能水平的智能系统。在美国、欧盟、日本等国家和地区纷纷启动的脑计划中，类脑智能已成为核心目标之一。英国工程与自然科学研究理事会EPSRC发布并启动了类脑智能研究计划。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。人机混合智能得到了我国新一代人工智能规划、美国脑计划、脸书（脑机语音文本界面）、特斯拉汽车创始人埃隆·马斯克（人脑芯片嵌入和脑机接口）等的高度关注。
（三）从“人工+智能”到自主智能系统。当前人工智能的研究集中在深度学习，但是深度学习的局限是需要大量人工干预：人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据（非常费时费力）、用户需要人工适配智能系统等。因此已有科研人员开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。例如阿法元从零开始，通过自我对弈强化学习实现围棋、国际象棋、日本将棋的“通用棋类AI”。在人工智能系统的自动化设计方面，2017年谷歌提出的自动化学习系统（AutoML）试图通过自动创建机器学习系统降低AI人员成本。
（四）人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度交叉的复合型学科，研究范畴广泛而又异常复杂，其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破，脑与认知科学的发展开启了新时代，能够大规模、更精细解析智力的神经环路基础和机制，人工智能将进入生物启发的智能阶段，依赖于生物学、脑科学、生命科学和心理学等学科的发现，将机理变为可计算的模型，同时人工智能也会促进脑科学、认知科学、生命科学甚至化学、物理、材料等传统科学的发展。例如，2018年美国麻省理工学院启动的“智能探究计划”（MITIntelligenceQuest）就联合了五大学院进行协同攻关。
（五）人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来十年将进入高速增长期。例如，2016年9月，咨询公司埃森哲发布报告指出，人工智能技术的应用将为经济发展注入新动力，在现有基础上能够提高劳动生产率40%；美、日、英、德、法等12个发达国家（现占全球经济总量的一半）到2035年，年经济增长率平均可以翻一番。2018年麦肯锡的研究报告表明到2030年人工智能新增经济规模将达到13万亿美元。
（六）人工智能将推动人类进入普惠型智能社会。“人工智能+X”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影响，并推动人类进入普惠型智能社会。2017年国际数据公司IDC在《信息流引领人工智能新时代》白皮书中指出未来五年人工智能提升各行业运转效率，其中教育业提升82%，零售业71%，制造业64%，金融业58%。我国经济社会转型升级对人工智能有重大需求，在消费场景和行业应用的需求牵引下，需要打破人工智能的感知瓶颈、交互瓶颈和决策瓶颈，促进人工智能技术与社会各行各业的融合提升，建设若干标杆性的应用场景创新，实现低成本、高效益、广范围的普惠型智能社会。
（七）人工智能领域的国际竞争将日趋激烈。“未来谁率先掌握人工智能，谁就能称霸世界”。2018年4月，欧盟委员会计划2018-2020年在人工智能领域投资240亿美元；法国总统在2018年5月宣布《法国人工智能战略》，目的是迎接人工智能发展的新时代，使法国成为人工智能强国；2018年6月，日本《未来投资战略》重点推动物联网建设和人工智能的应用。世界军事强国已逐步形成以加速发展智能化武器装备为核心的竞争态势，例如美国特朗普政府发布的首份《国防战略》报告即提出谋求通过人工智能等技术创新保持军事优势，确保美国打赢未来战争；俄罗斯2017年提出军工拥抱“智能化”，让导弹和无人机这样的“传统”兵器威力倍增。
（八）人工智能的社会学将提上议程。水能载舟，亦能覆舟。任何高科技也都是一把双刃剑。随着人工智能的深入发展和应用的不断普及，其社会影响日益明显。人工智能应用得当、把握有度、管理规范，就能有效控制负面风险。为了确保人工智能的健康可持续发展并确保人工智能的发展成果造福于民，需要从社会学的角度系统全面地研究人工智能对人类社会的影响，深入分析人工智能对未来经济社会发展的可能影响，制定完善的人工智能法律法规，规避可能风险，确保人工智能的正面效应。2017年9月，联合国犯罪和司法研究所(UNICRI)决定在海牙成立第一个联合国人工智能和机器人中心，规范人工智能的发展。2018年4月，欧洲25个国家签署了《人工智能合作宣言》，从国家战略合作层面来推动人工智能发展，确保欧洲人工智能研发的竞争力，共同面对人工智能在社会、经济、伦理及法律等方面的机遇和挑战。
五、我国人工智能的发展态势与思考
我国当前人工智能发展的总体态势良好。中国信通院联合高德纳咨询公司（Gartner）于2018年9月发布的《2018世界人工智能产业发展蓝皮书》报告统计，我国（不含港澳台地区）人工智能企业总数位列全球第二（1040家），仅次于美国（2039家）。在人工智能总体水平和应用方面，我国也处于国际前列，发展潜力巨大，有望率先突破成为全球领跑者。但是我们也要清醒地看到，我国人工智能发展存在过热和泡沫化风险，特别在基础研究、技术体系、应用生态、创新人才、法律规范等方面仍然存在不少问题。总体而言，我国人工智能发展现状可以用“高度重视，态势喜人，差距不小，前景看好”来概括。
一是高度重视。党和国家高度重视并大力发展人工智能。党的十八大以来，习近平总书记把创新摆在国家发展全局的核心位置，高度重视人工智能发展，多次谈及人工智能的重要性，为人工智能如何赋能新时代指明方向。2016年7月习总书记明确指出，人工智能技术的发展将深刻改变人类社会生活，改变世界，应抓住机遇，在这一高技术领域抢占先机。在党的十九大报告中，习总书记强调“要推动互联网、大数据、人工智能和实体经济深度融合”。在2018年两院院士大会上，习总书记再次强调要“推进互联网、大数据、人工智能同实体经济深度融合，做大做强数字经济”。在2017年和2018年的《政府工作报告》中，李克强总理都提到了要加强新一代人工智能发展。2017年7月，国务院发布了《新一代人工智能发展规划》，将新一代人工智能放在国家战略层面进行部署，描绘了面向2030年的我国人工智能发展路线图，旨在构筑人工智能先发优势，把握新一轮科技革命战略主动，人工智能将成为今后一段时期的国家重大战略。发改委、工信部、科技部、教育部、中央网信办等国家部委和北京、上海、广东、江苏、浙江等地方政府都推出了发展人工智能的鼓励政策。
二是态势喜人。根据2017年爱思唯尔（Elsevier）文献数据库SCOPUS统计结果，我国在人工智能领域发表的论文数量已居世界第一。从2012年开始，我国在人工智能领域新增专利数量已经开始超越美国。据清华大学发布的《中国人工智能发展报告2018》统计，我国已成全球人工智能投融资规模最大国家，我国人工智能企业在人脸识别、语音识别、安防监控、智能音箱、智能家居等人工智能应用领域处于国际前列。近两年，清华大学、北京大学、中国科学院大学、浙江大学、上海交通大学、南京大学等高校纷纷成立人工智能学院。2015年开始的中国人工智能大会（CCAI）已连续成功召开四届、规模不断扩大，人工智能领域的教育、科研与学术活动层出不穷。
三是差距不小。我国人工智能在基础研究、原创成果、顶尖人才、技术生态、基础平台、标准规范等方面距离世界领先水平还存在较大差距。英国牛津大学2018年的一项研究报告指出中国的人工智能发展能力大致为美国的一半水平。目前我国在人工智能前沿理论创新方面总体上尚处于“跟跑”地位，大部分创新偏重于技术应用，存在“头重脚轻”的不均衡现象。在Top700全球AI人才中，中国虽然名列第二，但入选人数远远低于占一半数量的美国。据领英《全球AI领域人才报告》统计，截至2017年一季度全球人工智能领域专业技术人才数量超过190万，其中美国超过85万，我国仅超过5万人，排名全球第7位。2018年市场研究顾问公司CompassIntelligence对全球100多家AI计算芯片企业进行了排名，我国没有一家企业进入前十。另外，我国人工智能开源社区和技术生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。我国参与制定人工智能国际标准的积极性和力度不够，国内标准制定和实施也较为滞后。我国制定完善人工智能相关法律法规的进程需要加快，对可能产生的社会影响还缺少深度分析。
四是前景看好。我国发展人工智能具有市场规模、应用场景、数据资源、人力资源、智能手机普及、资金投入、国家政策支持等多方面的综合优势，人工智能发展前景看好。全球顶尖管理咨询公司埃森哲于2017年发布的《人工智能：助力中国经济增长》报告显示，到2035年人工智能有望推动中国劳动生产率提高27%。我国发布的《新一代人工智能发展规划》提出到2030年，人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。在我国未来的发展征程中，“智能红利”将有望弥补人口红利的不足。
人类社会已开始迈入智能化时代，人工智能引领社会发展是大势所趋，不可逆转。经历六十余年积累后，人工智能开始进入爆发式增长的红利期。伴随着人工智能自身的创新发展和向经济社会的全面渗透，这个红利期将持续相当长的时期。现在是我国加强人工智能布局、收获人工智能红利、引领智能时代的重大历史机遇期，如何在人工智能蓬勃发展的浪潮中选择好中国路径、抢抓中国机遇、展现中国智慧需要深入思考。
（一）树立理性务实的发展理念。围棋人机大战中阿尔法狗战胜李世石后，社会大众误以为人工智能已经无所不能，一些地方政府、社会企业、风险资金因此不切实际一窝蜂发展人工智能产业，一些别有用心的机构则有意炒作并通过包装人工智能概念来谋取不当利益。这种“一拥而上、一哄而散”的跟风行为不利于人工智能的健康可持续发展。任何事物的发展不可能一直处于高位，有高潮必有低谷，这是客观规律。根据高德纳咨询公司发布的技术发展曲线，当前智能机器人、认知专家顾问、机器学习、自动驾驶等人工智能热门技术与领域正处于期望膨胀期，但是通用人工智能及人工智能的整体发展仍处于初步阶段，人工智能还有很多“不能”，实现机器在任意现实环境的自主智能和通用智能仍然需要中长期理论和技术积累，并且人工智能对工业、交通、医疗等传统领域的渗透和融合是个长期过程，很难一蹴而就。因此发展人工智能不能以短期牟利为目的，要充分考虑到人工智能技术的局限性，充分认识到人工智能重塑传统产业的长期性和艰巨性，理性分析人工智能发展需求，理性设定人工智能发展目标，理性选择人工智能发展路径，并务实推进人工智能发展举措，只有这样才能确保人工智能健康可持续发展。
（二）加强基础扎实的原创研究。人工智能前沿基础理论是人工智能技术突破、行业革新、产业化推进的基石。在此发展的临界点，要想取得最终的话语权，必须在人工智能基础理论和前沿技术方面取得重大突破。根据2017年爱思唯尔文献数据库SCOPUS统计结果，尽管我国在人工智能领域发表的论文数量已经排名世界第一，但加权引文影响力则只排名34位。为了客观评价我国在人工智能基础研究方面的整体实力，我们搜索了SCI期刊、神经信息处理系统大会（ConferenceonNeuralInformationProcessingSystems，简称NIPS）等主流人工智能学术会议关于通用智能、深度学习、类脑智能、脑智融合、人机博弈等关键词的论文统计情况，可以清楚看到在人工智能前沿方向中国与美国相比基础实力存在巨大差距：在高质量论文数量方面（按中科院划定的SCI一区论文标准统计），美国是中国的5.34倍（1325:248）；在人才储备方面（SCI论文通讯作者），美国是中国的2.12倍（4804:2267）。
我国应对标国际最高水平，建设面向未来的人工智能基础科学研究中心，重点发展原创性、基础性、前瞻性、突破性的人工智能科学。应该鼓励科研人员瞄准人工智能学科前沿方向开展引领性原创科学研究，通过人工智能与脑认知、神经科学、心理学等学科的交叉融合，重点聚焦人工智能领域的重大基础性科学问题，形成具有国际影响力的人工智能原创理论体系，为构建我国自主可控的人工智能技术创新生态提供领先跨越的理论支撑。
（三）构建自主可控的创新生态。美国谷歌、IBM、微软、脸书等企业在AI芯片、服务器、操作系统、开源算法、云服务、无人驾驶等方面积极构建创新生态、抢占创新高地，已经在国际人工智能产业格局中占据先机。我国人工智能开源社区和技术创新生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。美国对中兴通讯发禁令一事充分说明自主可控“核高基”技术的重要性，我国应该吸取在核心电子器件、高端通用芯片及基础软件方面依赖进口的教训，避免重蹈覆辙，着力防范人工智能时代“空心化”风险，系统布局并重点发展人工智能领域的“新核高基”：“新”指新型开放创新生态，如军民融合、产学研融合等；“核”指核心关键技术与器件，如先进机器学习技术、鲁棒模式识别技术、低功耗智能计算芯片等；“高”指高端综合应用系统与平台，如机器学习软硬件平台、大型数据平台等；“基”指具有重大原创意义和技术带动性的基础理论与方法，如脑机接口、类脑智能等。
另外，我们需要重视人工智能技术标准的建设、产品性能与系统安全的测试。特别是我国在人工智能技术应用方面走在世界前列，在人工智能国际标准制定方面应当掌握话语权，并通过标准实施加速人工智能驱动经济社会转型升级的进程。
（四）建立协同高效的创新体系。我国经济社会转型升级对人工智能有重大需求，但是单一的创新主体很难实现政策、市场、技术、应用等方面的全面突破。目前我国学术界、产业界、行业部门在人工智能发展方面各自为政的倾向比较明显，数据资源开放共享不够，缺少对行业资源的有效整合。相比而言，美国已经形成了全社会、全场景、全生态协同互动的人工智能协同创新体系，军民融合和产学研结合都做得很好。我国应在体制机制方面进一步改革创新，建立“军、政、产、学、研、用”一体的人工智能协同创新体系。例如，国家进行顶层设计和战略规划，举全国优势力量设立军事智能的研发和应用平台，提供“人工智能+X”行业融合、打破行业壁垒和行政障碍的激励政策；科技龙头企业引领技术创新生态建设，突破人工智能的重大技术瓶颈；高校科研机构进行人才培养和原始创新，着力构建公共数据资源与技术平台，共同建设若干标杆性的应用创新场景，推动成熟人工智能技术在城市、医疗、金融、文化、农业、交通、能源、物流、制造、安全、服务、教育等领域的深度应用，建设低成本高效益广范围的普惠型智能社会。
（五）加快创新人才的教育培养。发展人工智能关键在人才，中高端人才短缺已经成为我国人工智能做大做强的主要瓶颈。另外，我国社会大众的人工智能科技素养也需要进一步提升，每一个人都需要去适应人工智能时代的科技浪潮。在加强人工智能领军人才培养引进的同时，要面向技术创新和产业发展多层次培养人工智能创新创业人才。《新一代人工智能发展规划》提出逐步开展全民智能教育项目，在中小学阶段设置人工智能课程。目前人工智能科普活动受到各地学校的欢迎，但是缺少通俗易懂的高质量人工智能科普教材、寓教于乐的实验设备和器材、开放共享的教学互动资源平台。国家相关部门应高度重视人工智能教育领域的基础性工作，增加投入，组织优势力量，加强高水平人工智能教育内容和资源平台建设，加快人工智能专业的教学师资培训，从教材、教具、教师等多个环节全面保障我国人工智能教育工作的开展。
（六）推动共担共享的全球治理。人工智能将重塑全球政治和经济格局，发达国家通过人工智能技术创新掌控了产业链上游资源，难以逾越的技术鸿沟和产业壁垒有可能将进一步拉大发达国家和发展中国家的生产力发展水平差距。美国、日本、德国等通过人工智能和机器人的技术突破和广泛应用弥补他们的人力成本劣势，希望制造业从新兴国家回流发达国家。目前看，我国是发展中国家阵容中唯一有望成为全球人工智能竞争中的领跑者，应采取不同于一些国家的“经济垄断主义、技术保护主义、贸易霸凌主义”路线，尽快布局构建开放共享、质优价廉、普惠全球的人工智能技术和应用平台，配合国家“一带一路”战略，向亚洲、非洲、南美等经济欠发达地区输出高水平、低成本的“中国智造”成果、提供人工智能时代的中国方案，为让人工智能时代的“智能红利”普惠人类命运共同体做出中国贡献！
（七）制定科学合理的法律法规。要想实实在在收获人工智能带来的红利，首先应保证其安全、可控、可靠发展。美国和欧洲等发达国家和地区十分重视人工智能领域的法律法规问题。美国白宫多次组织这方面的研讨会、咨询会；特斯拉等产业巨头牵头成立OpenAI等机构，旨在以有利于整个人类的方式促进和发展友好的人工智能；科研人员自发签署23条“阿西洛马人工智能原则”，意图在规范人工智能科研及应用等方面抢占先机。我国在人工智能领域的法律法规制定及风险管控方面相对滞后，这种滞后局面与我国现阶段人工智能发展的整体形势不相适应，并可能成为我国人工智能下一步创新发展的一大掣肘。因此，有必要大力加强人工智能领域的立法研究，制定相应的法律法规，建立健全公开透明的人工智能监管体系，构建人工智能创新发展的良好法规环境。
（八）加强和鼓励人工智能社会学研究。人工智能的社会影响将是深远的、全方位的。我们当未雨绸缪，从国家安全、社会治理、就业结构、伦理道德、隐私保护等多个维度系统深入研究人工智能可能的影响，制定合理可行的应对措施，确保人工智能的正面效应。应大力加强人工智能领域的科普工作，打造科技与伦理的高效对话机制和沟通平台，消除社会大众对人工智能的误解与恐慌，为人工智能的发展营造理性务实、积极健康的社会氛围。
六、结束语
人工智能经过60多年的发展，进入了创新突破的战略机遇期和产业应用的红利收获期，必将对生产力和产业结构以及国际格局产生革命性影响，并推动人类进入普惠型智能社会。但是，我们需要清醒看到通用人工智能及人工智能的整体发展仍处于初级阶段，人工智能不是万能，人工智能还有很多“不能”。我们应当采取理性务实的发展路径，扎实推进基础研究、技术生态、人才培养、法律规范等方面的工作，在开放中创新，在创新中发展，全速跑赢智能时代，着力建设人工智能科技强国！
（主讲人系中国科学院院士）