人工智能普及系列：中国AI人工智能人才需求现状分析
当前，人工智能领域的竞争，主要体现为人才之争。我国AI人才以80后作为主力军，主要分布在北京、上海、深圳、杭州、广州，人才需求量也以这些城市居多。
根据相关数据显示，中国592家公司中约有39200位员工，而中国对于AI人才的需求数量已经突破百万，但国内AI领域人才供应量却很少，人才严重短缺，中小企业招聘更加困难。
此外，企业对于AI人才的招聘门槛相对较高，硕士成为最低门槛，偏爱双一流院校毕业生，专业以计算机、数学、物理为主。
供不应求，人才需求爆炸式增长人工智能发展日新月异,伴随着风口而来的是AI领域人才需求激增。数据显示，2017年前10个月内，AI人才需求量已经达到2016年的近两倍，2015年的5.3倍，人才需求直线上升年复合增长率超200%。
京沪浙粤，北京需求呼声最高
AI人才需求分布方面，北京占比44.7%，接近一半，上海、广东省分列二三位，占比分别为14.8%和14.6%。近些年互联网发展极为活跃的浙江省，在人工智能发展上也丝毫不落风头，人才需求占到全国的10.9%，仅落后广东省3.7个百分点。
马太效应，中小企业数量多需求少
从融资轮次上看，D轮及以上的公司由于规模成熟、实力强大，在人才吸纳上最为积极，招聘需求占到了行业的45.4%，环比增长了3.8个百分点，反映出大厂招聘的马太效应正在显现。反观A轮和天使轮创业公司，尽管企业数量占比过半，但受限于自身实力，招聘需求仅为全行业27.2%。
企业重学历，硕士以上超半数
由于AI公司技术密集程度极高，AI企业对人才学历要求显著高于其他互联网公司。
数据显示，AI企业招聘的职位中，有52.8%的职位要求求职者最低学历至少为硕士，比互联网行业均值高出40个百分点。
如何培养集聚人工智能高端人才
【热点关注】
党的十九大报告指出，推动互联网、大数据、人工智能和实体经济深度融合。人工智能作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，对于打造新动能具有重要意义，正成为国际竞争的新焦点和经济发展的新引擎。作为人工智能发展的关键要素，人工智能人才的培养集聚已成为很多国家的战略重点。国家《新一代人工智能发展规划》指出，我国人工智能尖端人才远远不能满足需求，要把高端人才队伍建设作为人工智能发展的重中之重。
高端人才是人工智能发展的关键和竞争焦点
自1956年美国达特茅斯会议提出理念至今，人工智能几经起伏，直到最近几年，才终于进入快速突破和实际应用阶段。作为人类社会信息化的又一次高峰，人工智能正加速向各领域全面渗透，将重构生产、分配、交换、消费等经济活动环节，催生新技术、新产品、新产业。
人工智能的发展阶段和技术路线倚重高端人才。当前，人工智能正在从实验室走向市场，处于产业大突破前的技术冲刺和应用摸索时期，部分技术和产业体系还未成熟。在这个阶段，能够推动技术突破和创造性应用的高端人才对产业发展起着至关重要的作用。可以说，人才的质量和数量决定着人工智能发展水平和潜力。
对人才的争夺和培养是各国发展人工智能的重要策略。在各国发布的人工智能战略中，人才都是重要组成部分。美国白宫发布的《为人工智能的未来作好准备》以及《国家人工智能研发战略规划》中，对如何吸引人才着墨甚多。英国政府科学办公室发布的《人工智能、未来决策面临的机会和影响》也对如何保持英国的人工智能人才优势有特别说明；英国下议院科学技术委员会发布的《机器人技术与人工智能》调查报告中，对英国政府能否吸引人才从而保证英国在人工智能领域的领导力提出了敦促和质询。加拿大启动“泛加拿大人工智能战略”，重点提出增加加拿大人工智能领域的卓越学者和学生数量。
人工智能高端人才出现全球性短缺
人工智能人才出现了全球性短缺。从职位供求关系来看，根据某招聘平台统计，在全球范围内，通过该平台发布的人工智能职位数量从2014年接近5万个到2016年超过44万个。从人才薪酬来看，全球人才争夺处于“白热化”状态，人工智能人才的薪酬大幅度高于一般互联网人才。
人工智能人才的稀缺是全球产业变革的结果。人工智能人才问题，本质上是新产业变革带来的劳动能力需求转换所导致的人才结构性短缺。作为新一轮产业变革的核心驱动力和通用技术平台，人工智能将推动各个领域的普遍智能化，在这一过程当中，需要大量既熟悉人工智能又了解具体领域的复合型人才。2010年前后，人工智能在海量数据、机器学习和高计算能力的推动下悄然兴起，2015年随着图形处理器（GPU）的广泛应用和大数据技术的迅猛发展而进入爆炸式增长阶段，人才需求的激增导致人才供应的整体短缺。大量资金的投入，也造成了资金多项目少的情况，没有足够的人才来承接市场和政府投入的资源。而此前很多人工智能相关专业处于“冷门”状态，培养的人才数量有限。
目前的全球人工智能领军人才数量与质量均无法满足技术和产业发展的巨大需求。所以，不能仅把战略重点放在对全球存量人才的争夺上，要着手设计新的人才培养和人才发展计划。
全球人工智能人才培养与发展呈现新趋势
充足的高质量人才是人工智能深入发展的基础。从全球来看，人工智能人才培养和发展呈现一些新趋势。
学科深度交叉融合。人工智能技术人才，主要包括机器学习（深度学习）、算法研究、芯片制造、图像识别、自然语言处理、语音识别、推荐系统、搜索引擎、机器人、无人驾驶等领域的专业技术人才，也包含智能医疗、智能安防、智能制造等应用人才。人工智能是一个综合性的研究领域，具有鲜明的学科融合特点。
从区域来看，多学科的生态系统对人才培养至关重要。伦敦之所以能够拥有大量优秀的人工智能人才，与“伦敦-牛津-剑桥”密集的高校群和学科群生态密切相关。“伦敦—牛津—剑桥”这一黄金三角具有密集的教育研究资源和深厚底蕴。该地区拥有以牛津大学、剑桥大学、帝国理工大学和伦敦大学学院为中心的全世界最好的人工智能相关学科群，形成了良好的多学科生态。以阿兰·图灵研究所为代表的众多智能研究机构在技术实力上处于全球领先地位，这些高校和研究机构源源不断地培育出全球稀缺的人工智能人才。
从高校内部来看，推动学科交叉是大势所趋。近日，人工智能研究领域的翘楚卡耐基梅隆大学（Carnegie Mellon University，CMU）宣布启动CMU AI计划，旨在整合校内所有人工智能研究资源，促进跨学院、跨学科的人工智能合作，从而更好地培养人工智能人才，开发人工智能产品。该计划通过解决现实问题来牵引跨学科合作，并把合作落到实处，值得借鉴。
产学研深度融合。从研究内容和人才流动来看，科学家需要企业的数据和工程化能力，企业需要高校的研究人才，因此顶级人才得以在企业和高校间快速流动。谷歌等大公司聘请的高校优秀人才，大多还继续从事研究机构的工作。AlphaGo项目的负责人戴维·席尔瓦（David Silver），至今仍在伦敦大学学院任教，在赢得人机大战后他专门回到学校，为学生们复盘AlphaGo技术，使得高校的研究能够与实践应用同步。
从培养模式来看，企业捐助研究，学生到企业实习，高校与产业界可以联合培养人才。Facebook与纽约大学合作建立了一个致力于数据科学的新中心，纽约大学的博士生可以申请在Facebook的人工智能实验室长期实习。
从成果转化来看，人工智能领域算法创业的特点是技术成果转化周期非常短，基础研究成果甚至可以直接转化为创业项目。几个人的团队通过技术展示，常常就能融资几千万美金。而伦敦原有的积累和储备恰恰契合了以算法和人才为核心的人工智能创新创业的基本特点与规律。英国一些著名的人工智能公司，在单独成立之前都是作为大学的研究项目而存在。随着明星企业的不断出现，越来越多与这几所高校有关的人工智能人才加入创业行列，加速推动了伦敦地区的人工智能创业繁荣。
企业成为人工智能人才培养的新阵地。很多企业开始建立自己的人才培养体系。如百度成立深度学习研究院（IDL），在硅谷成立硅谷人工智能实验室等，由此不断产生技术创新，并吸引更多的国际尖端技术人才。百度还将推出“人工智能Star计划”，通过资金、培训、市场、政策等措施扶持优秀的人工智能创业团队。
我国人工智能高端人才的现状与挑战
从国家层面来看，人工智能人才的分布与教育基础、企业数量、投资情况等紧密相关。在总量方面，美国优势明显，而高端人才则集中于美国、德国和英国。美国之所以能聚集全球最多的人工智能人才，很大程度上得益于发达的科技产业和雄厚的科研实力。据各方统计，美国的人工智能企业数量占全球人工智能企业总量的40%多，其中谷歌、微软、亚马逊、Facebook、IBM和英特尔等企业，更是整个行业的引领者。同时，美国拥有包括卡耐基梅隆大学、斯坦福大学以及麻省理工学院等数十家有影响力的人工智能科研院所。随着美国人工智能的发展，全球科技创新中心硅谷所在的加州，有着金融、媒体产业优势的纽约以及拥有人才优势的波士顿都成为了重要的人工智能中心。
综合各方面研究报告，中国人工智能人才总量仅次于美国，但是高端人才较少，原创成果较少。中国人工智能人才主要集中在应用领域，而美国人工智能人才主要集中在基础领域和技术领域。美国在芯片、机器学习应用、自然语言处理、智能无人机、计算机视觉与图像等领域的相关人才都远远超过中国。
我国的人工智能科研已经形成了较好的产出和实力，但原创性和有影响力的成果较少。我国在中文信息处理、语音合成与识别、语义理解、生物特征识别等领域处于世界领先水平，国际科技论文发表量和专利居世界第二，部分领域核心关键技术取得突破。2017年年初，由美国人工智能协会（American Association for Artificial Intelligence）组织的人工智能国际顶级会议AAAI大会，中国和美国的投稿数量分别占31%和30%。据统计，在2013年至2015年SCI收录的论文中，“深度学习”或“深度神经网络”的文章增长了约6倍，按照文章数量计算，美国已不再是世界第一；在增加“文章必须至少被引用过一次”条件后，中国在2014年和2015年都超过了美国。2017年的顶级人工智能会议NIPS（Neural Information Processing Systems，神经信息处理系统进展大会）录用文章600多篇，中国各高校共入选20多篇，而纽约大学就有10篇入选。
我国的人工智能人才有以下几个特点：
年轻生力军为主，资深人才短缺。据分析，中国人工智能人才在28岁至37岁年龄段的占总数的50%以上。相对而言，中国48岁及以上的资深人工智能人才占比较少，只有3.7%，而美国48岁以上的资深人才占比16.5%。这也是中国当前需要引进大量海外高端人才的原因。
科技公司表现强劲。从国内来看，核心科技公司占据了大部分人才资源。相关数据显示，国内人工智能人才主要集中在百度、阿里巴巴、腾讯、科大讯飞等多家科技领军企业中。其他两类企业也吸纳了大量人才，一是不断涌现的人工智能创业公司，二是将人工智能融入自身业务的企业。跨国公司如微软亚洲研究院等，仍然是优秀人工智能人才的优先选项。
高校仍有很大吸引力。尽管面临领军企业的人才争夺，国内高校对人工智能人才仍有很大的吸引力。数据显示，截至2016年年底，中国有10.7%的人工智能领域从业者曾在高校或研究所工作过，低于美国的26.7%。
培养集聚人工智能高端人才的对策建议
培养和集聚人工智能高端人才，要根据人工智能发展规律和趋势，加强顶层设计，综合施策。
科学建设人工智能一级学科。在美国、英国等人工智能发展高地，著名院校大多设有人工智能相关专业和研究方向，而在中国，人工智能专业多分散于计算机和自动化等学科。建议按智能科学范畴建设一级学科，保持弹性和包容性，灵活设置二级学科。适当增加人工智能相关专业招生名额，多渠道筹措培养经费，加强人工智能研究的基础设施建设。
鼓励深度交叉学科研究与人才培养。在重点区域打造优良的学科生态系统。可以借鉴伦敦的相关经验，在北京、上海等高校和学科丰富的地区，打造智能学科群。培养造就一大批具有国际水平的战略科技人才、科技领军人才、青年科技人才和高水平创新团队。把增强人工智能素养贯穿于整个教育和职业培训体系，培养各类综合人才。
推进产学研合作的新培养模式，发挥领军企业的人才培养作用。鼓励企业创办研究机构，与学校联合建设实验室，培养人才。针对中国研究机构散而小的问题，成立公私合作的国际化、实体性、规模化的非营利性研究机构。鼓励研究人员在高校和企业之间流动。鼓励创业创新，促进人工智能成果转化和产业化。
鼓励精准引进一流人才，鼓励企业和高校院所联合引进人才。引导国内创新人才、团队加强与全球顶尖人工智能研究机构的合作互动。积极引进国际一流的研究机构，加大研究合作的国际化水平。制定专门政策，实现人工智能高端人才精准引进，支持企业和高校联合引进世界一流领军人才。重点引进神经认知、机器学习、自动驾驶、智能机器人等国际顶尖科学家和高水平创新团队。
抢抓新一轮海归人才潮机遇。大量美国、英国和日本的海归成为中国人工智能的重要力量。当前，我国人工智能发展势头强劲、市场广阔、资金充沛，要积极吸引海外相关人才回国创新创业，共同推动中国人工智能技术取得突破性进展。
（作者：李辉，系上海市科学学研究所副研究员；王迎春，系上海科技发展研究中心主任）
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”。
人工智能技术人才紧缺，“肩部企业”高薪岗位更青睐大厂人才
0分享至记者|武冰聪中国人工智能行业发展迅速，人工智能综合实力不断提升。中国科学技术信息研究所日前发布的《2021全球人工智能创新指数报告》显示，目前全球人工智能发展呈现中美两国引领、主要国家激烈竞争的总体格局。中国人工智能创新水平已进入第一梯队，与美国的差距进一步缩小。伴随行业发展，人才储备成为重中之重。2020年，人社部的报告就曾显示，我国人工智能人才缺口已超过500万，国内供求比例为1∶10，供求严重失调。在招聘环节，“供求影响价格”的规律得到显著体现。拉勾招聘数据研究院发布的《2021人工智能人才报告》显示，2021年，人工智能行业校招薪酬增幅巨大，以人才缺口较大的算法工程师岗位为例，校招的平均薪酬高达21700元，较2020年校招增长7700元，增幅高达56%。脉脉近期发布的《人工智能顶尖人才数据图鉴2022》进一步显示出当下人工智能行业技术人才紧缺的现状。图鉴显示，包括语音识别、自然语言处理、深度学习和计算机视觉在内的四个细分方向，均出现不等的人才缺口，其中以计算机视觉方向的“人才荒”最为严重，供需比仅有0.38。脉脉人才智库认为，人工智能人才极度紧缺背后，显示出人才培养速度与业务发展需求之间的不匹配。从需求端来看，近几年我国人工智能技术不断突破，相关研究逐步进入落地阶段，在交通、医疗、安防、制造业等领域的实践场景愈发丰富，业务扩展刺激人才需求。从供给端来看，学校和企业的相关人才培养机制起步较晚，都尚在摸索阶段。这也造成了人才数量少、培养周期长、培养程度浅的问题，在人才的质与量上难以满足日益迭代的业务需要。面对行业内的“人才荒”，承接来自互联网大厂的优秀人才，成为人工智能公司的首选。脉脉图鉴证实，人工智能“肩部企业”要找的人就在头部公司。其中，华为、百度、字节跳动等科技大厂的人工智能人才储备量最大。在互联网井喷时期，大厂早已在AI方向布局发力，储备大量技术人才，推动业务升级。然而，近年来大厂的人才溢出状况却并不乐观。面对疫情之下的裁员潮、降薪潮，“先求稳，再求变”成为部分职场人的共识。一名司龄近5年的互联网大厂技术人员告诉界面，在外部环境不稳的情况下，即使自己在公司面临升职瓶颈，但仍不会贸然跳槽，宁可先保住一份稳定的收入来源。“如果未来跳槽，目标除其他大厂外，可能还会考虑外企，因为工作相对稳定，且各方面福利较好。”在这名员工看来，薪资福利、公司规模和营收状况，都是在跳槽时的关注重点。脉脉图鉴数据证实，人工智能领域人才的求职视野依然停留在科技大厂，如字节跳动、华为、美团等，这些在人工智能方向有所布局的大厂，岗位投递热度最高。这就意味着，人工智能领域“头部以下”的企业，人才紧缺景象依旧。例如当下正紧促研发的自动驾驶领域，招人难的问题极为突出。对于正处在发展期、深耕AI赛道的“肩部企业”来说，人才瓶颈成为他们晋级头部的掣肘。在人工智能行业，对尚未冒出头的中小型初创企业来说，在抢人大战中与大厂正面交锋并不占据优势。当公司向顶尖技术人才抛出橄榄枝时，企业才是等待被发offer的那一方。特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.
/阅读下一篇/返回网易首页下载网易新闻客户端人工智能的发展现状及未来趋势
发展现状
近年来，在数字经济不断推进的大背景下，人工智能发展迅速，并与多种应用场景深度融合。很多人也开始从小白变成大牛，深度理解人工智能行业。也逐渐成为推动经济创新发展的重要技术。
自2006年深度学习算法被提出，人工智能技术应用取得突破性发展。2012年以来，数据的爆发式增长为人工智能提供了充分的“养料”，深度学习算法在语音和视觉识别上实现突破，令人工智能产业落地和商业化发展成为可能。
人工智能的水平建立在机器学习的基础上，除了先进的算法和硬件运算能力，大数据是机器学习的关键。大数据可以帮助训练机器，提高机器的智能水平。数据越丰富完整，机器辨识精准度越高，因此大数据将是各企业竞争的真正资本。分析师认为，大数据是人工智能进步的养料，是人工智能大厦构建的重要基矗通过对大量数据的学习，机器判断处理能力不断上升，智能水平也会不断提高。
未来趋势
一般机器人是指不具有智能，只具有一般编程能力和操作功能的机器人，中国通信巨头华为发布了自己的人工智能芯片并将其应用于其智能手机产品，三星最新发布的语音助手Bixby已经从软件层升级为语音助手，长时间陷入了“你问我回答”模式，人工智能通过智能手机变得更贴近人们的生活。
在应用水平上：随着第五代移动通讯技术的发展，设备之间的联通将有着更高的带宽与更低的延迟，也就催生了更多人工智能的应用，如自动驾驶、VR等等。为这些技术落地和应用扫清了障碍。
而互联网公司也将是最大的AI投入者。根据艾瑞数据分析，2019年中国科技企业技术研发投入约为4005亿元，其中人工智能算法研发投入占比为9.3%，超370亿元，且大部分投入来自互联网科技公司。主要Al算法应用领域计算机视觉、语音识别/语音合成，以及自然语言处理占比分别为22.5%、2.3%和7.1%，三者中计算机视觉相关算法研发投入占比最大，这与视觉相关创业公司数量、产业需求和政策导向呈正相关联系，计算机视觉目前仍是中国最具代表性的Al应用技术。
在这样的趋势下，莫比嗨客也将继续努力，莫比嗨客是一个利用人工智能技术、NLP技术和BI技术对任务精准智能分发的新任务平台。莫比嗨客被称为全场景AI数据服务提供商，玩转自动驾驶、智能医疗、新零售、智慧教育、智能金融等多场景应用。
来源：搜狐