调查：人工智能技术的应用现状
本文最初发表在TowardsDataScience博客上，经原作者LukePosey授权，InfoQ中文站翻译并分享。
作者|LukePosey
译者|Sambodhi
策划&编辑|刘燕
随着工具和基础设施的成熟，应用人工智能不断加速发展。将这些基础设施与强大的人才库和热情、随时可获得的资本以及客户采用人工智能/机器学习的高度意愿结合起来，你就有了一些特别的东西。我们正在迈向一个新的十年，在这个十年里，人工智能/机器学习将以更快的速度为消费者和企业创造真正的价值。
定义术语
应用人工智能：任何与将人工智能研究从实验室带到用例，以及两者之间的一切有关的事情。从基础设施和工具，到硬件，到工业中的部署面，再到模型本身，从人工智能研究的前沿到用例，都需要共同努力才能取得尖端进展。在我们这个领域中，成熟度的一个很好的检验标准，就是看一个新的进步从纸上到生产所需的时间。就在几年前，你还可以浏览该领域的一些主要进展，并努力寻找真正的用例；这种情况正迅速开始改变。
一些选择例子：
神经网络研究实现自动驾驶汽车（Tesla、Cruise、Waymo等）。
像BERT和GPT-2/3这样的自然语言处理改进了搜索和助理（GoogleSearch、Siri、GoogleAssistant、SoundHound、Clinc）。
强化学习帮助许多公司实现人工智能在工业机器人领域许下的崇高承诺（Covariant、FogHorn、Rethink）。
用于欺诈检测和消费者结果的机器学习帮助银行、信用卡和贷款机构限制欺诈和管理风险（银行、信用卡、Verifi、Ravelin、Stripe的反欺诈部门）。
生成对抗网络可以生成新鲜的内容、逼真的面孔并提高照片质量（generated.photos、rosebud.ai、RunwayML）。
从研究到生产，需要的远不止是一个模型。要使这些东西发挥作用，需要在研究和工程两方面的努力齐头并进。它需要硬件，需要可扩展的主机，需要DevOps，需要强大的数据科学，等等。值得庆幸的是，越来越多的初创公司正在为每个构建块构建解决方案，随着越来越多的工具开源，大公司（如Uber和Netflix）也加入其中。
我们将会记住那些发明了新模型的全明星人物们，但是那些将其全部转化为生产代码的工程师们，那些为你创建下一个数据集的标注员们，以及那些声嘶力竭地反对违反安全和人权的抗议民众，都应该记住他们在这一领域所做的贡献。
为什么是现在？
我们看到人工智能用例的巨大机会正在各个行业涌现。随着工具和基础设施的成熟，任何可以编写几行代码的人，都可以获得新机会。无论是对现有市场的破坏，还是对新市场的创造，都是由采用驱动的。
我们已经看到机器学习在搜索引擎、信用卡欺诈检测、智能手机摄像头以及现代市场的激增。随着传统公司投资于使用机器学习来扩充他们的产品和流程所需的工具和团队，我们开始看到越来越多的企业采用这一方法。
在本文中，我们不仅将介绍人工智能是如何使我们喜爱的产品和特性在数字世界中得以实现的，还将探索应用人工智能是如何改变工作流程、创造新机会，以及如何在制造业、建筑业、供应链和商业领域等解放劳动力的。我们将深入探讨这一领域的当前趋势，同时也会对事物的发展方向持某些立场。
通常，我们可以识别出由某种新技术或新事件促成的创新浪潮。在过去的十年里，我们看到了人工智能的拐点，将我们从一堆炒作变成了真正的用例，从而推动了整个行业的价值。
那么，为什么现在是人工智能/机器学习新一波价值浪潮的拐点？
工具和基础设施的成熟
规模化训练和服务的可及性
作为API的大型模型
继续获得风险资本、研究资助和政府利益
工具和基础设施的成熟
随着最佳实践、工具和基础设施开始成熟，可及性也在显著增加。在基础设施和工具方面，高级团队或大型开放元吗工作仍然是常态。在实际应用中，我们看到了由初级工程师、初出茅庐的统计学家和企业家创建的成功初创公司，他们愿意在泥沙中筛选，以使他们的应用发挥作用。同时，也请向那些有意参与这一波机会浪潮的MBA们问好。
此外，人才的涌入、更好的课程和培训计划，以及整个运动背后的大肆宣传，使得聘请一名优秀的数据科学家或机器学习工程师不再是一项外层空间的任务。正因为有了更好的工具，数据科学家和机器学习工程师才可以做得更专业、更深入，而且非常高效。而且，大多数MVP可以用现成的模型或者使用Scikit-Learn、Keras之类的美观且易于访问的库来构建。我们可以开clf.fit()的所有玩笑，但事实上，只需几行代码就可以构建出真正有价值的实际模型，这是一件好事。当一个领域的自身成员开始炮轰所有的“冒牌工程师”和“假数据科学家”时，他们真正想说的是“我很恼火，以前我需要几周才能完成的工作，现在小菜鸟只用几个小时就能做出来，岂有此理！”
而硬件的获取，不再是一个障碍。对于有进取心的个人来说，有大量的免费计算时间可用。早期的MVP以前可能需要一些引导或天使的帮助，大多数非研究性的想法都可以起步，主要的障碍因素是数据的获取。这是一件非常好的事情。值得庆贺的是，训练模式的主要障碍不再是小众技能或访问昂贵的基础设施了。
我们目睹了围绕少数核心产品的基础设施正在全面整合。AWS、GCP和Azure在这一波浪潮中显然是赢家，NVIDIA和Intel的硬件占据了数据中心的主导地位。我们也看到一些公司涌入这个领域，采取更多利基方式，比如更清洁的训练+部署（参见Paperspace和FloydHub）。
显然，我们都非常熟悉TensorFlow、PyTorch、Scikit-Learn和其他主要建模工具。在整个行业中，我们看到了对于大多数建模工作流，Jupyter和各种克隆版本继续占据主导地位。在数据科学家繁重的工作流和机器学习工程师的工作流之间也存在明显的分歧，机器学习工程师们将时间花在IDE的选择上，而建模工程师则将更多的时间花在Jupyter，以及像Colab、Deepnote、Count等具有特定优势的项目上。
这些工具仍然是生态系统的核心。但是在过去的五年里，最大的推动因素也许是部署和服务。Docker和Kubernetes仍然是生态系统的核心，而许多工具也加入了他们自己独特的价值支柱。Kubeflow正在迅速获得人气，而TensorFlow服务、MLFlow、BentoML、Cortex和其他公司也在争夺类似的市场份额，他们试图通过使所有建模工程师能够以最小的努力使其模型投入生产。“只需几行代码即可部署模型”是许多项目的口号。易于部署对于获得客户非常重要；可扩展性和维护性是长期留住客户的关键因素。
这种创新是意料之中的，因为一般的数据科学家和不太注重工程的机器学习工程师可能不太愿意在DevOps、容器编排、扩展等方面耗费太多的时间。而且，许多团队在组建他们最初的核心团队时，都没有雇佣大量的工程人才。因此，里程可能会有所不同。
我倾向于将机器学习的研究工作大致分为以下几个阶段来看待。过去，我们被迫自己构建许多这样的阶段，或者完全忽略某些步骤（比如混乱的版本控制、不存在的CI、手动扩展、只有在模型被明显破坏时才进行维护等）。值得庆幸的是，许多团队正在努力简化我们的生活，几乎每一步都是如此：
数据管理、模式、数据集版本控制
模型定义、训练和评估
序列化、服务化
部署、CI/CD和模型版本控制
监控和维护
在某些情况下，上述工作是相互独立的。但在其他情况下，同一个工具也可以处理流程中的多个步骤。例如，我们可能会看到一个用于服务的工具也可以轻松地处理序列化。在其他情况下，用于训练的库可能与序列化（pickle、joblib、dill、onnx等）紧密集成。生态系统中有趣的部分是，工具是如何成熟到这样一个程度的，以至于你可以拥有像BentoML这样的全套服务工具，但如果需要的话，你也可以有很多其他选项，进行额外的定制。更多偏重于工程的团队可能不会花时间去使用Bento、Cortex或其他服务，这些服务是为技术含量较低的用户准备的。而我个人喜欢BentoML和Cortex这样的工具，因为它们为我们的小团队节省了大量的时间。MLOps还有很长的路要走。
看起来我们最缺的就是监控和维护这一块。
ChristopherSamiullah很好地总结了这一点。
很明显，这份列表非常偏向于我过去曾使用过的工具，或者我正在积极使用的工具。一些不是机器学习专用的工具被排除在外。例如，虽然Airflow是许多工作流的关键部分，但在这种情况下被排除在外。此外，你还将看到对Python生态系统的明显偏见，这可能会让一些人对此感到懊恼。我们还排除了数据库、版本控制等。显然，数据收集和清理是我们工作流的核心，但这个过程的大部分对软件工程来说并不新鲜，况且在别处的介绍比我在本文所讲的要深入得多。我们主要讨论建模工程师和机器学习工程师之外的工具，而不是数据工程师、分析师或商业智能重数据科学工作流。
作为API的大规模通用模型
让我们来谈谈GPT-3的操作。比起GPT-3的成果，我可能并没有那么多兴致，但对这个方法作为其他行业的典范，我却更感兴趣。
我们似乎正在为最大和最佳（通用）模型的军备竞赛做准备。这种规模的计算，对于较小的公司和初创公司来说是不现实的。更小的努力将有利于聪明的优化和研究，推翻越来越多的计算问题。两者的结合在这里似乎是明显的赢家，我预计，领先的建模工作将围绕着一小批拥有巨额资金的公司进行全面整合，这些公司负担得起所需的算力和研究资金。然后，我们将看到一些占主导地位的公司为这些模型提供服务，这些模型是空开的，无需高度专业化的数据即可工作。这些用例可以在全球范围内被各种产品使用。让我们想象一下。
未来应用人工智能对关键参与者的潜在整合。
GPT-3就是这种趋势可能走向的一个很好的例子。在短短的几周内，已经有几十个出色的用例使用了OpenAIAPI。
在整个生态系统中，我们也看到了类似的努力。这种开发模式并不仅限于自然语言处理领域。从长远来看，少数专注于软件/硬件的自动驾驶初创公司可能会让那些不想自己研发的公司赶上那些想自己研发的公司。一个公司能够在不进行研发的情况下利用这些巨大的努力，这是一个重大的胜利。预计将会看到以服务形式提供的各种模型。大规模的模型将会推动大部分创新，越来越小的蛋糕将被越来越多的小众玩家瓜分。随着模型在泛化方面越来越出色，预计对定制建模工作的依赖程度将会越来越低。而且，这些特定于业务的用例与其说是在优化模型，不如说是在收集特定于应用程序的数据集。数据主宰着我们身边的一切。
在（传统）公司的部署
许多“有围墙的花园”将会因为半私有API提供安全保障的缺乏而反对。对于那些能够优化大型模型、压缩模型并使不断增长的数据湖易于管理的公司来说，这是一个巨大的机遇。很难相信，传统公司都会要求部署超过1750亿个参数的新一代模型。但是，请不要将他们遗忘。
当我们将PII引入到这个混合体中，事情就开始变得特别有趣。当你提出让公司将他们的数据从其内部网络发送到某个新的、时髦的API，却遭到那帮人指着你的脸嘲笑，千万不要对此感到惊讶。只要计算和存储仍然是一项开支，那些能够压缩模型并从较小的模型中得到类似结果的公司，将会保持自己存在的价值。训练和服务的成本将持续大幅削减，但部署成本可能仍然相当高。人工智能公司的利润率仍然低于传统的SaaS公司，这在很大程度上是由于这个原因。
“有趣的是，我们在人工智能公司的财务数据看到了一个出乎意料的一致模式，毛利润率往往在50%~60%的范围内，远低于类似SaaS企业的60%~80%以上的基准。”
——a16z
不要低估小数据
拥有数十亿个参数的大型模型将继续受到热棒。而海量的数据集将继续推动这些被炒作的模型。在现实的工业中，较小的模型在很多用例是必不可少的。在构建边缘场景时，你将面临两个核心决策：
较小或压缩的模型（即TensorFlowLite）
远程连接以进行计算
我们可以使用TensorFlowLite等解决方案部署到边缘设备。Hailo、Kneron和Perceive等公司正在为边缘和消费设备提供更好的硬件。硬件创新的步伐可能会超过小型模型的需求。
当远程连接是一项选择时，我们总是可以考虑执行芯片外计算，尽管存在很多障碍和常见的限制，如连接问题和计算时间。在像制造业这样的环境中，这可能是可取的，因为由于过程的稳定性，连接性可能具有更高的保证。我们已经目睹，在安装远程控制系统的地方，5G工厂如雨后春笋般涌现。无线传感器以无线方式与控制系统通信。不言而喻，远程推理将是这一转变的一部分。还有很多用例，我们可以在这些用例中提交数据、完成其他任务，并在下游任务使用我们的计算结果。让我们想一下制造业，你可以在上游拍摄产品照片，执行转换，然后在下游对产品进行质检。这显然不是自动驾驶这样的实时场景中的选项。
小数据也极具吸引力。为了成功进行概念验证，我们可能会容忍大量的Type1错误，这取决于行业和用例。传感器通常也可能具有侵入性，因此，我们收集数据的时间越短越好。以Instrumental公司为例，该公司希望通过最少的例子来解决制造质量问题。
所以，不要低估小数据！
获得资金
风险资本，尤其是风险投资，仍然是未来创新的主要把关者。值得庆幸的是，在资助人工智能企业的方面，渠道是敞开的。附带提一句，企业数据业务也得到了健康的发展，无论从轮数规模还是看纯轮数的量都是如此。
对于普通的构建者来说，启动机器学习业务变得越来越容易。一个粗略的登录页面，访问GPT-3（或任何其他预训练模型），一些云计算积分，以及一两条聪明的推文，将让你得到构建和测试概念验证所需的一切。
话虽如此，任何一个还算不错的PoC都能很快得到风险投资的资金，因此，大多数人很快丧失自我创业并实现盈利的雄心。这样说是有充分理由的。融资的轮次结束得更快，越来越多的天使基金和微基金使种子前轮和种子轮的资金流动更快。
企业风投（GoogleVentures、SalesforceVentures、SamsungVentures、IntelCpital等）在应用人工智能和一般数据科学领域也非常活跃。这也说得通，因为在企业内部开发这些东西很困难。但风投公司可以帮助母公司找到与他们投资的人工智能初创公司的协同效应。一些高管仍然认为人工智能是一个高风险的赌注，不值得为此专门建立一个组织。如果他们改变主意的话，这些对人工智能初创公司的投资不仅为他们提供了一种潜在方式，使他们可以利用自己错过的新技术，而且也可以作为一个健康的人才来源，要知道，在这一行业中，人才的获取并不总是那么容易。请看看IntelCapital等企业风险投资公司最近的投资，你会发现，人工智能和一般的企业数据公司的交易流起伏不定。
跨技术的机遇
计算机视觉的进步促成了自动驾驶革命、制造业的突破，以及更多。自然语言处理的进步改善了搜索、翻译、知识理解等。我们最近才开始意识到强化学习的可能性、生成对抗网络的潜力，等等。
让我们来探讨一下特定技术方法中的一些机会。之后，我们将以特定行业的方式来探讨机会。观察初创公司可能会做出的选择，即创建一个广泛的技术解决方案与将他们的技术解决方案应用于特定行业，这是一件很有意思的事情。
这些绝不是详尽无遗的清单，甚至都不敢说已经触及了表面。然而，它们应该能够起到启发的作用，让你有一个更高层次的全景观。为简洁起见，我们有意跳过了递归神经网络（RecurrentNeuralNetwork，RNN）、自动编码器和某些其他模型。
计算机视觉
关键技术和流行语：卷积神经网络（CNN）、Dropout、目标检测（分类+定位）。
前沿用途：分类、场景理解、跟踪、运动、估计、重建。
优势产业：汽车、医药、军事、摄影。
样本公司：Cruise、Cognex。
自然语言处理
关键技术和流行语：GPT、BERT、DistilBERT、XLNet、RoBERTa、Transformer-XL。
前沿用途：语音识别、文本生成、语言理解、翻译、问答系统。
优势产业：很难想象还会有自然语言处理不能发挥某种作用的企业。（虽然我不是自然语言处理主义者！）
样本公司：OpenAI、HuggingFace。
强化学习
关键技术和流行语：马尔科夫（Markov）决策过程、时序差分学习、蒙特卡洛（MonteCarlo）、深度强化学习、Q-学习。
前沿用途：游戏、市场、控制、日程安排划。
优势产业（相对未使用）：机器人技术、市场与经济、工业自动化（机器人技术的主要用例）。
样本公司：DeepMind、OpenAI、Covariant。
生成式网络
关键技术和流行语：变自编码器（VariationalAutoencoders，VAE）、生成对抗网络、CycleGAN、DCGAN、cGAN、StyleGAN、生成器、鉴别器、博弈论。
优势产业：创意与媒体、建模、摄影、视频。
样本公司：RunwayML、Rosebud.ai、Generative.photos。
跨行业的机遇
每个行业都会从应用机器学习中获益。金融业在很大程度上解决了欺诈问题，制造业解决了一些传统控制无法解决的自动化领域迫在眉睫的问题，电子商务继续从推荐系统发展而来。所有领域的颠覆时机已成熟。下面是样本行业中一些有趣的用例和公司。
制造业
关键技术：计算机视觉、强化学习、过程优化。
用例：质量保证、工业自动化、流程改进、预测性维护。
样本公司：Covariant、Instrumental、FogHornSystems（此外，Siemens、Rockwell、Cognex等老牌公司也在积极投资并进行自己的研发，以起到防御作用。
商业
关键技术：推荐系统、欺诈检测、订单匹配、个性化。
用例：质量保证、工业自动化、流程改进。
样本公司：Amazon的推荐王国是最明显的例子，像Uber这样的大型实时市场通过动态定价和路由优化实时匹配，像Stripe和Square这样的支付平台依赖于欺诈检测。
医学
关键技术：计算机视觉、排序、递归神经网络和长短期记忆网络、强化学习。
用例：X射线和其他成像的分类、药物发现、基因组学、大脑图谱（还有更多！）。
样本公司：Insitro、SophiaGenetics、FlatironHealth、AllenInstitute（非营利组织）。
自动驾驶
关键技术：计算机视觉、目标检测、语义分割/场景理解。
用例：自动驾驶。
样本公司：Tesla、Waymo、Cruise，还有很多公司。
建筑业
关键技术：计算机视觉。
用例：机械的安全、制图、可视化、自主性。
样本公司：Intsite、Kwant、Buildot。
创意与媒体
关键技术：自然语言处理、生成对抗网络、计算机视觉。
用例：文本生成、视频生成、歌曲和故事写作、助理、语音生成、建模、Deepfake。
样本公司：RunwayML、Rosebud、Persado。
军事和国家监控
关键技术：我们不应鼓励人工智能军备竞赛。
用例：我们不应鼓励人工智能军备竞赛。
样本公司：我们不应鼓励人工智能军备竞赛。
能源
关键技术：计算机视觉、强化学习、流程优化。
用例：预测性维护、网格优化。
样本公司：Stem、Origami、InfiniteUptime。
金融
关键技术：自然语言处理、异常检测、传统机器学习。
用例：自动化银行体验、欺诈检测、个性化、风险管理、财富管理、交易。
样本公司：Ravelin、Tala、Verifi、Suplari、各大银行及其服务提供商Quantopian。
作者介绍：
LukePosey，Spawner.ai的创始人。宝洁公司前人工智能总监。现为DatasetDaily的专栏作者，撰写关于人工智能/机器学习、数据和其他主题的文章。
原文链接：
https://towardsdatascience.com/the-state-of-applied-ai-41393faad013
未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）云脑研究计划，构建互联网（城市）云脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。
如果您对实验室的研究感兴趣，欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
2023年全球人工智能市场发展现状分析 计算机视觉和语音识别为技术层关键 【组图】
当前位置：前瞻产业研究院»经济学人»研究员专栏2021年全球人工智能市场发展现状分析计算机视觉和语音识别为技术层关键【组图】UVc分享到：王蕤•2021-09-3018:20:03来源：前瞻产业研究院E17339G02023-2028年中国人工智能行业发展前景预测与投资战略规划分析报告2023-2028年全球人工智能芯片（AI芯片）行业市场调研与发展前景研究报告2023-2028年中国大数据产业发展前景与投资战略规划分析报告2023-2028年中国云计算产业发展前景预测与投资战略规划分析报告2023-2028年中国生物识别技术行业市场调研与投资预测分析报告人工智能行业主要上市公司：目前国内人工智能行业的上市公司主要有百度百度(BAIDU)、腾讯(TCTZF)、阿里巴巴(BABA)、科大讯飞(002230)等。
本文核心数据：人工智能技术层重点分类,计算机视觉发展历程,计算机视觉市场规模,语音识别发展历程,语音识别市场规模
1、机器视觉和语音识别是主要市场
技术层是基于基础理论和数据之上，面向细分应用开发的技术。中游技术类企业具有技术生态圈、资金和人才三重壁垒，是人工智能产业的核心。相比较绝大多数上游和下游企业聚焦某一细分领域、技术层向产业链上下游扩展较为容易。
该层面包括算法理论(机器学习)、平台框架和应用技术(计算机视觉、语音识别、自然语言处理)。众多国际科技巨头和独角兽均在该层级开展广泛布局。近年来，我国技术层围统垂直领城重点研发，在计算机视觉、语音识别等领城技术成熟，国内头部企业脱颗而出，竞争优势明显。
2、计算机视觉发展历经三大理念，规模突破400亿元
1982年马尔(DavidMarr)《视觉》(Marr，1982)一书的问世，标志着计算机视觉成为了一门独立学科。计算机视觉的研究内容，大体可以分为物体视觉(objectvision)和空间视觉(spatialvision)二大部分。物体视觉在于对物体进行精细分类和鉴别，而空间视觉在于确定物体的位置和形状，为“动作(action)”服务。正像著名的认知心理学家JJ.Gibson所言，视觉的主要功能在于“适应外界环境，控制自身运动”。适应外界环境和控制自身运动，是生物生存的需求，这些功能的实现需要靠物体视觉和空间视觉协调完成。
计算机视觉近40年的发展中，尽管人们提出了大量的理论和方法，但总体上说，计算机视觉经历了三个主要历程。即：马尔计算视觉、多视几何与分层三维重建和基于学习的视觉。
国际市场研究机构Research And Markets发布的最新报告显示，2019年全球计算机视觉市场规模为46.433亿美元，预计到2027年将达到950.805亿美元，从2020年到2027年，预计年复合增长率为46.9%。
3、语音识别发展科追溯到1956年
语音识别的研究工作可以追溯到20世纪50年代。在1952年，AT&T贝尔研究所的Davis，Biddulph和Balashek研究成功了世界上第一个语音识别系统Audry系统，可以识别10个英文数字发音。这个系统识别的是一个人说出的孤立数字，并且很大程度上依赖于每个数字中的元音的共振峰的测量。1956年，在RCA实验室，Olson和Belar研制了可以识别一个说话人的10个单音节的系统，它同样依赖于元音带的谱的测量。到21世纪之后，深度学习技术极大的促进了语音识别技术的进步，识别精度大大提高，应用得到广泛发展。
目前，语音识别技术已逐渐被应用于工业、通信、商务、家电、医疗、汽车电子以及家庭服务等各个领域。例如，现今流行的手机语音助手，就是将语音识别技术应用到智能手机中，能够实现人与手机的智能对话功能。其中包括美国苹果公司的Siri语音助手，智能360语音助手，百度语音助手等。
随着语音技术和自然语言理解技术的快速进步，AI语音语义技术已在智能翻译、智能医疗、智能汽车、智能客服、互联网语音审核等多个领域实现场景应用。
疫情之后不仅是工业领域，政务服务领域的语音机器人、传统行业企业的语音机器人也将有较高的市场增长空间。另外，NLP、AI数字员工、RPA的发展，一定程度上也将重塑AI应用场景。
2018年，全球智能语音市场仍呈现快速增长趋势，市场规模为142.1亿美元，根据预测到2024年全球智能语音市场规模将达到215亿美元，其中智慧医疗健康、智慧金融以及各类智能终端智能语音技术需求将成为主要的驱动因素。
4、美国AI高层次学者数量大幅领先
AI高层次学者是指入选AI2000榜单的2000位人才，由于存在同一学者入选不同领域的现象，经过去重处理后，AI高层次学者共计1833位。从国家角度看AI高层次学者分布，美国A1高层次学者的数量最多，有1244人次，占比62.2%，超过总人数的一半以上，且是第二位国家数量的6倍以上。中国排在美国之后，位列第二，有196人次，占比9.8%。德国位列第三，是欧洲学者数量最多的国家;其余国家的学者数量均在100人次以下。
以上数据参考前瞻产业研究院《中国人工智能行业市场前瞻与投资战略规划分析报告》，同时前瞻产业研究院还提供产业大数据、产业研究、产业链咨询、产业图谱、产业规划、园区规划、产业招商引资、IPO募投可研、招股说明书撰写等解决方案。
更多深度行业分析尽在【前瞻经济学人AIPP】，还可以与500+经济学家/资深行业研究员交流互动。
前瞻产业研究院-深度报告REPORTS2023-2028年中国人工智能行业发展前景预测与投资战略规划分析报告本报告前瞻性、适时性地对人工智能行业的发展背景、供需情况、市场规模、竞争格局等行业现状进行分析，并结合多年来人工智能行业发展轨迹及实践经验，对人工智能行业未来...
查看详情
本文来源前瞻产业研究院，内容仅代表作者个人观点，本站只提供参考并不构成任何投资及应用建议。（若存在内容、版权或其它问题，请联系：service@qianzhan.com）品牌合作与广告投放请联系：0755-33015062或hezuo@qianzhan.com在招股说明书、公司年度报告等任何公开信息披露中引用本篇文章内容，需要获取前瞻产业研究院的正规授权。如有IPO业务合作需求请直接联系前瞻产业研究院IPO团队，联系方式：400-068-7188。
p10q0我要投稿
UVc分享：标签：人工智能发展现状计算机视觉语音识别人工智能行业品牌、内容合作请点这里：寻求合作››
产业规划
园区规划
产业招商
可行性研究
碳中和
市场调研
IPO咨询
前瞻经济学人专注于中国各行业市场分析、未来发展趋势等。扫一扫立即关注。前瞻产业研究院中国产业咨询领导者，专业提供产业规划、产业申报、产业升级转型、产业园区规划、可行性报告等领域解决方案，扫一扫关注。相关阅读RELEVANT2021年中国人工智能应用市场现状与发展趋势分析计算机视觉为主要应用技术【组图】
2021年中国人工智能行业市场现状与优势赛道分析计算机视觉成为千亿级大赛道
聚焦中国产业：2022年武汉市特色产业之人工智能产业全景分析(附产业空间布局、发展现状及目标、竞争力分析)
2023年中国人工智能芯片行业发展现状分析行业处于萌芽期【组图】
2023年中国人工智能芯片行业市场现状及发展前景分析AI芯驱动引领未来【组图】
聚焦中国产业：2021年深圳市特色产业之人工智能产业全景分析(附产业空间布局、发展现状及目标、竞争力分析)
浅谈人工智能、大数据等技术在交通领域的应用
随着人工智能、大数据、物联网、云计算等技术的兴起与发展，各类设备、终端、系统平台等都会产生海量的数据，加之传统的处理方式已经逐渐落伍，因此，这些智能便捷化的技术便逐渐渗透到各行各业中。像交通行业随着交通路线、卡口的增多及大规模联网，这就汇集了海量车辆通行记录信息，如果单纯地延续传统的数据统计模式来进行分析和事件处理，将会有大量数据及信息得不到及时反馈与解决。
而利用人工智能、大数据、物联网、云计算等技术，可实时分析城市交通流量，调整红绿灯间隔，缩短车辆等待时间，提升城市道路的通行效率。城市级的人工智能大脑，实时掌握着城市道路上通行车辆的轨迹信息，停车场的车辆信息，以及小区的停车信息，能提前半个小时预测交通流量变化和停车位数量变化，合理调配资源、疏导交通，实现机场、火车站、汽车站、商圈的大规模交通联动调度，提升整个城市的运行效率，为居民的出行畅通提供保障。
本文我们将浅谈一下人工智能、大数据、云计算、物联网等技术将会给交通行业带来哪些便利与变革：
1.数据资源整合由于我国线路众多，与交通相关的绝大多数部门都有自己的信息化平台，并产生着海量数据，但是现在的每个部门及单位内的系统平台大都是独立的，信息与数据也大都不互通互联，这就造成数据资源的散乱与不共享。现在，由于云计算的深入应用，交通行业也开始了数据上云、资源整合，这将为交通行业的管理、规划、运营与服务提供有利的支撑。
比如EasyNVR+EasyNVS的结合就已经实现了交通上云的转变，在某省高速集团撤销省界站项目的视频云服务项目中，已成功接入设备2000+路，借助于视频大数据分析加速案件处理效率。
2.智能分析与决策由于交通行业的卡口、监控视频、交通事故、公交线网、车辆定位、车辆运营等模块众多、数据体量大，如果继续采用之前的统计分析来辅助决策，就会增加时间、人力、物力等成本。现在基于大数据计算、人工智能辅助决策的方式来处理交通行业的事件，会达到及时、有效的处理，并且可以及时追溯事件的发生，为未来避免相同事件的发生提供决策及依据。
3.车辆统计与识别目前车辆统计与识别是交通行业最为热门的应用，虽然现在的识别度不是很高，但是随着人工智能、深度学习的应用，这一情况将会得到很大的改善。目前EasyCVR已经实现了车牌识别，在未来也将会在持续在智能分析上发力。借助智能视频分析与识别技术，交通行业能统计车流量、车牌识别、车型检测等，利于交通行业实现公路交通的全方位监控、巡逻；便于疏通交通堵塞；利于交通事件的追查与溯源。
4.自动处理与车辆跟踪基于智能视频识别技术与大数据计算能力，可以实现除车流量统计、车辆识别，还可以根据提取出的车辆信息结合GIS或卫星定位技术，用来进行车辆的跟踪。并在高速出入口设置自动收费系统，实现自动化、智能化的业务处理，便于车辆快速通行。
5.远程指挥调度基于车辆跟踪技术，一旦发生追捕、急救等事件，交通部门可以进行应急预案，通过交通平台的数据互联互通，实现急救与抓捕的人员、车辆调度，并及时做好疏通与运营。
在AI智能分析、大数据、云计算、物联网等新技术给各行各业带来的变革与创新会一直驱动着我们推陈出新，而TSINGSEE青犀视频所具备的智能分析平台EasyGBS、EasyCVR等也将适应时代的发展，与新技术结合，这些新兴技术在交通行业的应用也远不止于此，未来在交通信号控制、智能联网汽车、智能公交车等领域也会实现新的发展与突破。TSINGSEE青犀视频智能分析平台可以为众多行业场景下的物联网设备提供安全、可靠、高效的视频连接、存储、智能应用服务，为众多的行业用户提供PaaS级的智能化视频云平台服务。
新职业——智能制造工程技术人员就业景气现状分析报告
一、产生背景
在新一轮科技革命和产业变革中，智能制造已成为世界各国抢占发展机遇的主攻方向。根据国家统计局、工业和信息化部的统计，2010年以来我国制造业产值规模占全球的比重在19%-21%之间，2018年我国制造业增加值为26.5万亿元，占全球的28%，排名第一。其中，2012年以来我国智能制造行业产值不断增长，2018年智能制造装备行业的产值规模约为17480.1亿元。尽管中国制造业增加值占世界比重在不断加大，但与发达国家相比，制造业类型集中于中低端技术密集型。而在高端芯片、电子制造等高端技术领域，中国的自给率严重不足，从事制造业智能化所需的软硬件开发与服务人才严重缺失。由此，新职业智能制造工程技术人员应运而生，承担着推动中国高端密集型制造业发展、创造全新制造模式的重要职能，助力中国占领全球制造业竞争的战略制高点。
二、职业定义
智能制造工程技术人员是指从事智能制造相关技术的研究、开发，对智能制造装备、生产线进行设计、安装、调试、管控和应用的工程技术人员。
主要工作任务：
1.分析、研究、开发智能制造相关技术；
2.研究、设计、开发智能制造装备、生产线；
3.研究、开发、应用智能制造虚拟仿真技术；
4.设计、操作、应用智能检测系统；
5.设计、开发、应用智能生产管控系统；
6.安装、调试、部署智能制造装备、生产线；
7.操作、应用工业软件进行数字化设计与制造；
8.操作、编程、应用智能制造装备、生产线进行智能加工；
9.提供智能制造相关技术咨询和技术服务。
三、当前就业人群分析
猎聘大数据显示，截至2018年底，中国智能制造中高端人才占整个制造业中高端人才的35.89%，与2016年、2017年相比，智能制造人才在制造业人才中的占比呈逐年增长态势。
数据来源：猎聘大数据研究院
1.【行业分布】智能制造工程技术人员分布在机械与自动化、国防与交通运输设备制造、信息技术、新材料制造、新兴医疗制造和能源与环保这六大类行业。通过领英（中国）数据统计，其拥有超过1300万的会员中与制造业相关的六大类行业人才数目达到248万，其中机械与自动化人才、信息技术人才相对最多。
数据来源：领英数据中心
2.【工龄分布】从业年限上看：国防与交通运输设备制造、新材料制造及能源与环保这三大行业的人才平均从业年限都比较高，并且具备十年以上从业经验的人才占比也相对较大。
数据来源：领英数据中心
对比智能制造与制造业人才年龄分布情况可以看出，智能制造人才在25至30岁、30至35岁年龄段的人才占比高于制造业，35至40岁、40至45岁、45至50岁、50岁以上年龄段的人才比例均低于制造业，说明从事智能制造岗位的年轻人比传统制造业更多，年龄优势能给智能制造的发展带来更多的想象空间。
数据来源：猎聘大数据研究院
3.【企业规模】据统计，中国有450万制造业企业，这些企业在未来10年或20年，至少有20%的企业要转型成自动化、智能化生产，一个数以十万亿计的市场正在缓缓展开。2014-2015年中国智能制造行业新成立企业数量骤增，处上升风口时期，工业巨头、互联网科技等领域企业拓展业务范围，积极转型，进军智能制造行业。2015年新增企业数量达到顶峰，2016年以后，中国智能制造新增企业数量开始降低，开始纵向拓展和深化智能制造关键技术和应用领域。资料来源：CVSource前瞻产业研究院整理
中国智能制造企业在地域分布方面存在明显差异，普遍分布在一线城市，广东省以绝对优势领跑市场。
资料来源：CVSource前瞻产业研究院整理
4.【学历分布】通过对智能制造装备企业进行调研，高职学生占比最高为39.48%，紧随其后的是本科及以上的，所占比例为38.1%；中职学生占比11.8%；剩余10.62%则为内部转型、社会外招。
数据来源：《智能制造机械行业人才需求与职业院校专业设置指导报告》
5.【薪资水平分布】据调研，根据个人岗位和职责的区分，智能制造工程技术人员年薪最高可达30万。
数据来源：《智能制造机械行业人才需求与职业院校专业设置指导报告》
6.【企业分布】据《世界智能制造中心发展趋势报告（2019）》报告显示，智能制造企业数量排前十的城市，分别是苏州、宁波、上海、重庆、深圳、东莞、佛山、天津、无锡和杭州。其中苏州数量最高达6653家；宁波和上海旗鼓相当，分别为5215家和5131家。
资料来源：《世界智能制造中心发展趋势报告（2019）》
近年来，相关部门机构陆续出台政策法规，扶持和推动中国智能制造产业发展。其中，中国智能制造试点示范项目从2015年开始，已公示了四批，总数为307个；智能制造综合标准化项目从2016年开始，已公示共三批，总数为509个；两个试点项目共有816个项目。
数据来源：《世界智能制造中心发展趋势报告（2019）》
在智能制造的产业链上，云计算、大数据和人工智能技术的发展成为智能制造业发展的底层驱动力，是智能制造系统具备“数据采集、数据处理、数据分析”能力的基础设施。近年来，大数据产业园也是数量最多的产业园类别，达到111个。其次是综合园区，达到96个。新材料园区为智能制造产业发展提供了“物质引擎”，应用非常广泛，产业园区达到92个。
资料来源：《世界智能制造中心发展趋势报告（2019）》
四、职业发展通道
智能制造工程技术人员根据就业岗位的职责分为技术应用类和技术开发类，是贯穿智能制造企业从产品开发、应用调试到售后维护整个过程的重要角色。对个人而言，工程技术人员在经历岗位历练和技能水平提升后，可晋升工程师/高级技师。
智能制造工程技术人员的价值：
【对个人价值】新的职业选择，形成复合型人才竞争壁垒，拥有良好的就业和薪资前景；
【对企业价值】推动企业商业模式、生产方式的转型，有助于企业规划生产流程和工艺，在降低运营成本的基础上，提高生产效率和产品质量；
【对社会价值】是中国制造业转型升级的“顶梁柱”式人才，推动构建新型制造体系，技术革新也将创造更大的社会价值，推动社会向更高层次发展。
五、未来市场需求
前瞻产业研究院的数据分析显示，2010-2018年，我国智能制造装备行业保持着较为快速的增长速度，2018年智能制造装备行业的产值规模约为17480.1亿元，较上年同比增长16.5%，是国民经济发展的重要推动力。
一般发达国家智能制造产值约占高端装备制造业总产值的25%-30%，我国目前智能制造行业约占高端装备制造业20%左右。根据《中国制造2025》《智能制造发展规划（2016-2020年）》等政策，我国智能制造行业所占比重将会逐渐增大，且增速快于高端装备制造业增速。预计未来5年智能制造领域人才需求量将到达900万人。
随着国家有计划地对传统企业进行数控化、信息化和智能化改造，高端数控机床、工业机器人、增材制造等智能制造装备将会普及应用，需要大量操作、调试、维护、维修和改造方面的专业人才。根据调研显示，智能制造装备集成和应用技术技能人才需求总数按照本科、高职和中职培养需求分解，具体如下表：
六、专家观点
中科院院士、西北工业大学常务副校长黄维：颠覆性技术创新成果设计得出来、制造不出来的例子屡见不鲜，制造工艺核心技术不过关而导致生产事故的情况时有发生。除了要为传统行业赋能，颠覆性成果制造人才也正面临巨大缺口，技能人才能力水平和操作规范与颠覆性产品研制要求不匹配，技能人才结构老龄化，智能化产品生产高技术人才急缺。
中国职业教育学会会长鲁昕:在关键技术领域仍然存在着许多“卡脖子”的问题,目前我国急需四类人员：高端研究人才、科技成果转化人才、转化成果行业应用人才、生产服务一线的技术人才，而职业教育就承担了后两种人才的培养，占整个高等教育结构的70%。
中国机械工业联合会教育培训部主任、机械工业教育发展中心主任陈晓明在题为《面向产业变革的高职智能制造领域专业建设》的主题报告中强调，人才紧缺和培养体系的不尽完善已成为制约智能制造发展的瓶颈问题，急需产学研用各界通力合作，加快构建智能制造人才培养体系，提升各类人才的培养质量。立德树人，师者为先，下一步行业教育培训的工作重点应该放在与先进制造业发展需求相适应的创新型师资和工程技术人员培养上。聚焦智能制造和服务型制造、绿色制造、工业强基、“人工智能+制造”等重点领域的发展和人才需求，通过产教融合、协调创新，加大对院校新专业和专业方向建设的引导力度，加快院校乃至整个行业的人才培养供给结构优化，这也是当前推进制造业高质量发展的迫切需要。
上海电机学院校长胡晟在“中国制造2025”智能制造应用型人才培养的探索与实践大会报告中指出，“中国制造2025”战略规划的实施，关键是要有升级版的劳动力结构与之相适应，要有复合的知识结构，要有多元的能力特征，要有卓越的综合素质。智能制造应用型人才还要具备创新意识和工匠精神。
七、典型人物案例
（一）章跃洪：疫情之下智能制造团队为企业复工复产按下“加速键”
疫情当前，防护口罩供应量严重短缺，然而浙江天使医疗器械有限公司购入的设备却无法扩大产能。困难之下，党员智能制造技术团队负责人章跃洪，带领一批党员老师站了出来。他们来到厂家，5人一天24小时泡在厂里，起早贪黑地干，终于克服了新设备安装粗糙、零配件不齐、设计缺陷等诸多困难。成功的背后是团队成员平均每条生产线要调试50多个生产环节，没日没夜地帮助调试生产，终于使生产线上制造出了合格的产品。
据统计，智能制造技术团队50余名党员，近期已为金华市区20余家企业的复工复产现场解决生产问题，对接技术难题20余项，通过校企联合“突击攻关”，帮助企业按下复产的“加速键”。
（二）陈晓庆：智能制造技术暖男自主创业，用心做项目赢得龙头企业授权
陈晓庆，毕业于常州机电职业技术学院，2015年实习期间，在一家企业担任部门总经理助理和项目经理，为他后期创业打下了坚实的基础。2017年11月，陈晓庆在科教城大创园创业并成立科技有限公司，公司涵盖工业机器人的设计、安装、调试和售后维护等业务，涉及机加工上下料、冲压生产线、焊接单元等。凭借扎实的专业知识和积累的工作经验，陈晓庆在创业后稳步推动公司发展。目前公司年均机器人销售量20-30台套，并得到国内龙头工业机器人公司华东区搬运类集成伙伴授权。“每个客户的产品以及应用场合都不一样，对于每一个客户，我们都是定制化的解决方案，用心做好每一个项目。”
（三）李德明：智能制造技术改变人生，创业2年多营收破千万
2016年李德明和所有毕业生一样怀揣着激动和忐忑的心情在常州这片沃土上寻找属于自己的未来。作为职场菜鸟的李德明，毕业后走进与他专业对口的机器人贸易公司，成为普通的销售服务职员，不断放低姿态，虚心向前辈老师学习专业知识，积累人脉资源，参与各种社会实践，在基层岗位上深耕细作。
2017年年初，李德明在和行业前辈、同事们理性分析创业条件和市场前景后，依托大学生创业优惠政策，抓住机会，创立属于自己的科技有限公司，两年多来公司营业收入突破1000万元。李德明通过智能制造领域自主创业完成了一次人生蜕变，梦想也得到了历练和成长。