个性化智能推荐技术研究总结
个性化智能推荐技术研究总结
随着网络与信息技术的飞速发展，互联网为用户提供越来越多的信息和服务，用户在得到便利的同时也不得不面临大量的垃圾信息和无意义数据，即所谓的信息超载问题。面对海量的网络资源，个性化推荐系统是一种极具潜力的解决信息超载的服务技术，它利用用户的偏好信息自动的向用户推荐符合其兴趣特点的对象。这搜索引擎提供的“一对多”式的信息服务不同，个性化推荐系统输出的结果更符合用户需求，同时系统自动运行，用户参与度也更低，从而使得用户寻找信息的成本大大降低。
这些在线的推荐服务无需用户介入，具有较强的自学习能力和实时能力，有效地克服了信息超载的问题。
例如Amazon，eBay，淘宝，豆瓣，当当网等，都在不同程度上采用了个性化推荐系统。在这些商务网站中，推荐系统能够根据用户的历史购买记录，以及浏览、检索和评论行为等，分析用户的兴趣并向其主动推荐商品，实现在线导购功能；高质量的推荐系统能够增强用户的购物体验，提高对网站的忠诚度。同时，电子商务推荐系统提供的个性化服务能够挖掘用户潜在兴趣，有效地提高商品的交叉销售能力，在竞争日趋激烈的环境下带来了显著的经济效益。
个性化推荐引擎和搜索引擎的区别是： 个性化推荐引擎的本质是更符合人们使用习惯的信息发现，而搜索引擎的本质是用户简单的目标明确的数据检索！
个性化推荐技术的应用方式： 买过还买过：基于用户历史行为及偏好，推荐浏览当前商品的其它相似用户购买过该商品以后在一定时间内又购买的商品。可帮助用户快捷找到下一个可能感兴趣的商品，增加商家的复购率、客单价、动销比。 强力推荐：基于当前用户浏览类别和用户历史行为及偏好以根据相关产品销售量的排行推荐列表的形式推荐符合用户兴趣的产品。可知道帮助用户根据销售热度参考和与自己相似的用户在该类别的购买行为来激发用户的购买欲望，可帮助商家提高转化率和用户体验。 猜你喜欢：基于用户的历史行为以及偏好推荐符合用户兴趣和需求的商品。可帮助商家增加商品曝光率、提高转化率、访问深度及用户体验、减少首页跳出率。 经常一起购买：原理是分析购物车中经常出现的商品。可帮助用户快捷的找到下一个可能需要购买的商品，帮助商家的复购率、客单价、动销比。 看过最终购买：基于当前用户浏览类别和用户历史行为及偏好以根据相关产品销售量的排行推荐列表的形式推荐符合用户兴趣的产品。可知道用户选择最可能满足需求及刚兴趣的商品，增加商家的复购率、客单价、动销比。 近些年来，随着个性化信息服务成为互联网行业应用的热点，推荐系统在电子商务、新闻、电影、音乐、网页、社交网络等各种类型的web站点都取得了广泛的应用。
在这些个性化推荐技术中常见的关键技术有：特征提取，特征建模，特征降维技术，相似性度量方法，奇异值分解，聚类（k-均值），协同过滤算法等等。 智能推荐大都基于海量数据的计算和处理，然而我们发现在海量数据上高效的运行协同过滤算法以及其他推荐策略这样高复杂的算法是有很大的挑战的，在面对解决这个问题的过程中，大家提出了很多减少计算量的方法，而聚类无疑是其中最优的选择之一（即先对海量数据进行聚类计算，然后再运行协同过滤算法，这样可以大幅度降低计算规模）。聚类(Clustering)是一个数据挖掘的经典问题，它的目的是将数据分为多个簇(Cluster)，在同一个簇中的对象之间有较高的相似度，而不同簇的对象差别较大。聚类被广泛的应用于数据处理和统计分析领域。聚类分析还可以作为其他算法的预处理步骤，简化计算量，提高分析效率！
一 个性化推荐技术：
在众多推荐技术中，研究最多的是基于内容的推荐和协同过滤推荐。
在这些个性化推荐技术中常见的关键属于有：特征提取，特征建模，特征降维技术，相似性度量方法，奇异值分解，聚类（k-均值），协同过滤算法等等。
1.1基于关联规则的推荐（AssociationRules）【啤酒与尿布的故事】
啤酒和尿布的购买有关系吗？答案是，跟尿布一起购买最多的商品就是啤酒。据沃尔玛的分析调查，美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。对于隐藏在啤酒和尿布这类表面上风马牛不相及的商品背后的关联，如果不通过数据挖掘的技术，是没有办法靠拍脑袋的办法想出来的。这就是关联规则挖掘中最经典的例子。
商品之间关联规则可以分为空间关联和时间关联两种，时间关联又可以分为周期关系和顺序关联两种。在一般研究中提到的关联规则，其实仅仅是空间关联，也就是在同一个时间（同一次购买）里，对消费者经常一起购买的商品进行分析，这也是所谓“购物篮分析”的主要支撑技术。
最常见的空间关联规则挖掘技术，是所谓的“支持-置信”分析。以消费者在超市购买商品为例，如果把每一个消费者的一次购买看作一个事件，考虑从商品X到商品Y的关联规则，支持度是指在所有事件中同时购买商品X和商品Y的比例，置信度则是在所有购买了商品X的事件中也购买商品Y的比例。如果支持度和置信度都超过了相应的阈值，则从X到Y的规则被认为是有效的。
基于关联规则的推荐，关联规则关注用户行为的关联模式，可以发现不同商品在销售过程中的相关性，从而增加商品的组合销售。常用的关联规则方法有Apriori算法以及基于Apriori算法改进的FP-Growth算法等。关联规则技术在数据挖掘领域中主要用来处理关系型事物数据库，在电子商务领域被成功应用到购物篮数据中，可以发现不同商品在销售过程中的相关性，从而增加商品的组合销售能力。
关键词语：（最小）支持度，（最小）置信度，阈值，生成频繁项集（那些支持度大于最小支持度阈值的项集称之为频繁项集（frequentitemset）），获得关联项集，推荐项。
关联规则常用的方法是Apriori算法，其用于推荐的原理是：算法首先通过挖掘用户的历史纪录来产生聚集树，获得用户行为的频繁项集，然后定义推荐因子为关联规则的置信度乘以距离，最终通过推荐因子的大小确定推荐项。
关联规则推荐简单、高效，可以离线建模，因此能够保证推荐系统的实时性要求，同时，由于是通过挖掘用户的历史浏览记录来产生推荐，因此可以应用于不同的领域。但是该算法的也存在着较为明显的缺陷，例如如果关联规则的支持度和置信度阈值选取不合适，往往会在增加建模时间成本的同时还会降低推荐质量；新项目（NewItems）由于缺乏历史记录而无法获得推荐；此外随着系统规模的进一步扩大，基于关联规则得到的结果往往过于复杂，影响了推荐的质量。这种方法通常被限制在容易分析内容的商品的推荐，而对于一些较难提取出内容的商品，如音乐CD、电影等就不能产生满意的推荐效果。
1.2基于内容的推荐（Content-based）
基于内容的推荐是信息过滤技术（InformationFiltering）的延续和发展，系统无须获取用户对项目的评价意见，而仅仅通过学习用户的对历史选择项目的信息，来进行新项目的推荐。同时，受限于信息获取技术的发展，基于内容的推荐系统也受到了很多的约束，例如在自动提取一些视频文件、图像、声音文件等多媒体信息的特征时，面临着较大的技术困难，从而也限制了相关领域的应用。此外基于内容的过滤技术只能向用户推荐与其历史兴趣内容属性相似的项目，缺乏对用户潜在兴趣的挖掘能力，在实际应用中存在一定的局限性。
由于基于内容的推荐算法的根本在于信息提取和信息过滤，属于文本处理的研究范畴（特征提取，降维处理，特征建模，相似性计算），理论上的研究也比较成熟，因此现有很多基于内容的推荐系统都是通过分析产品的文本信息进行推荐的。最常用方法就是信息过滤中TF-IDF算法，还有常用的相似性计算方法-余弦相似性计算，阿基米德相似性计算等。
总结来说，基于内容的协同过滤有如下优点：
1)不需要考虑其它用户的兴趣爱好数据，从而也就不存在用户-项目评价矩阵稀疏的问题；
2)能处理项目冷启动问题。当一个新项目加入到系统后，可以通过对项目特征的提取，通过匹配用户的历史选择信息来对特定用户产生推荐，同时推荐结果也能兼顾一些不是很流行的项目；
3)由于推荐的结果是根据项目的特征进行选择的，因此可以解释为什么推荐这些项目。
4)已有较为完善的理论体系，如关于文本处理和信息分类学习方面的技术已相当成熟。
其不足之处：
此外基于内容的过滤技术只能向用户推荐与其历史兴趣内容属性相似的项目，推荐的结果往往会造成过度特殊化(Over-specializationProblem)的问题，缺乏对用户潜在的挖掘能力；最后，当一个新用户进入到推荐系统时，由于在系统上没有任何历史记录，会导致无法正确且实时的做出有效的
1.3 协同过滤推荐（CollaborativeFiltering）
协同过滤技术是目前推荐系统中最成功和应用最广泛的技术，在理论研究和实践中都取得了快速的发展，它根据用户的历史选择信息和相似性关系，收集与用户兴趣爱好相同的其他用户的评价信息来产生推荐。
协同过滤也称为社会过滤，它计算用户间偏好的相似性，在相似用户的基础上自动的为目标用户进行过滤和筛选，其基本思想为具有相同或相似的价值观、思想观、知识水平和兴趣偏好的用户，其对信息的需求也是相似的。因此相对于传统的推荐方法，协同过滤技术体现出的一个显著的优势是能够推荐一些难以进行内容分析的项目，比如信息质量、个人品味等抽象的资源对象。另外协同过滤技术能够有效的使用其他兴趣相似用户的评价信息，从而利用较少的用户反馈，加快了个性化学习的速度，同时利于发现用户的隐藏兴趣。从1992年该技术的思想首次被提出以来，协同过滤技术以其广阔的应用价值，受到了越来越多学者的关注，并成为一个重要的研究热点。
协同过滤技术是利用户间的兴趣偏好相似性来产生推荐，且推荐的过程是完全自动的，即推荐结果的产生是系统从用户的购买行为或浏览记录等隐式信息中得到的，无需用户通过填写调查表格等方式来明确自己的兴趣信息。
相对于其它的推荐技术，由于协同过滤不依赖于抽取推荐对象的特征信息来了解用户的兴趣，并能够发现用户的潜在兴趣，具备较高的个性化程度，因此协同过滤技术受到越来越多研究者的关注，并广泛应用于在电子商务推荐领域。
1.3.1与传统文本过滤相比，协同过滤有下列优点:
1.能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐;
2.能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤;
3.推荐的新颖性。正因为如此，协同过滤在商业应用上也取得了不错的成绩。Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。
因此，协同过滤的基本出发点可以总结为：（1）用户是可以按兴趣分类；（2）用户对不同的信息评价包含了用户的兴趣信息；（3）用户对一个未知信息的评价将和其相似（兴趣）用户的评价相似。这三条构成了协同过滤系统的基础。
1.3.2传统系统规律算法的步骤如下所示：
(1)评分标示：
传统协同过滤推荐算法的输入数据是一个m×n的用户-项目评分矩阵
（2）紧邻选择：
协同过滤算法的推荐原理就是查找与目标用户相似的近邻用户，通过近邻用户的评价对目标用户产生推荐。近邻用户的选择方法如下：计算目标用户与推荐系统中其他所有用户的相似性，根据相似性排序从大到小依次选择前面的K个最相似的用户作为目标用户的近邻集合。
这其中，相似性度量方法的选择对于推荐精度有着至关重要的影响，常用的相似性度量方法:有欧几里得距离、皮尔逊相关（PearsonCorrelationSimilarity）、余弦相似性（CosineSimilarity）、Tanimoto系数即修正的余弦相似性（AdjustedCosineSimilarity）等
（3）产生推荐
协同过滤算法一个基本的假设就是具有相似喜好的用户对于同一个项目会给出相似的评分。因此，目标用户的近邻集合生成后，就可以根据近邻集合中用户的评分，来预测目标用户对于未评分项目的评分。
1.3.3总结：
协同过滤技术在推荐系统中取得了广泛的应用和巨大的成功，但是随着互联网的发展和普及，用户人数和商品、网络资源的爆增，站点结构复杂度的增加，以及网络信息安全的不断升级，协同过滤推荐系统也面临着如下诸多问题和挑战：
1） 数据稀疏
2）冷启动问题：冷启动问题包含新用户问题（newuserproblem）和新项目问题（newitemproblem）两种情况。新用户问题是指当一个新用户加入到推荐系统时，由于没有该用户的历史评分数据，因此无法根据评分信息对新用户进行推荐服务。新项目问题是指当一个全新的商品加入到推荐系统中后，由于没有用户对其进行过评价，则在系统运行的初期，它将很难获得推荐。新项目问题可以通过结合基于内容的推荐（项目的属性信息）等方法，来缓解冷启动问题。
3）可扩展性问题
4）鲁棒性问题：推荐系统能否识别此种情况，去除恶意用户及异常数据，提高推荐系统的可靠性，这也是目前推荐系统鲁棒性方面所需要重点关注的问题。
5）隐性喜好发现
1.3.4、常用协同过滤算法：
(1) 基于内存的协同过滤
1.1 基于item的协同过滤(item-basedCF):通过用户对不同item的评分来评测item之间的相似性，基于item之间的相似性做出推荐；
1.2 基于user的协同过滤(user-basedCF):通过不同用户对item的评分来评测用户之间的相似性，基于用户之间的相似性做出推荐；
(2) 基于模型的协同过滤:基于矩阵分解(MatrixFactorization)的协同过滤
(3) 混合式协同过滤
1.4 混合推荐技术（HybridRecommendation）
鉴于各种推荐方法都有优缺点和技术特点，且具有将强的互补性，因此在实际推荐系统中，通常采用组合推荐（HybridRecommendation）的方式来对用户做出推荐。目前的组合推荐方法中，较为流行的是将协同过滤和基于内容推荐相结合，最简单的做法就是用协同过滤推荐方法和基于内容的方法分别得到一个推荐结果，最终结果由这两者然后按照一定的原则组合产生。
1.5各推荐技术应用
解码人工智能根技术
[[384631]]
◇作为算力算法的关键基础，人工智能芯片、人工智能框架的性能决定着人工智能产业的发展
◇随着中美竞争态势加剧，人工智能成为大国竞争的新焦点。与美国相比，我国目前人工智能的短板就是关键根技术的缺失
◇“十四五”时期人工智能规划需要关注的重点就是如何通过明确我国人工智能技术发展路线，发挥我国制度优势，促进人工智能根技术突破和创新
AlphaGo再次进化。
2020年12月，据《自然》杂志报道，DeepMind公司的一项研究提出了MuZero算法，可以在不知道规则的情况下，通过自己试验，掌握围棋、国际象棋等游戏，被认为在寻求通用人工智能算法方面迈出重要一步。
许多人还记得，2016年，这个人工智能程序的“前辈”AlphaGo第一次战胜人类世界顶级围棋选手。一年后，继任者AlphaGoZero通过规则输入和自我博弈进行学习，在仅40天的训练后成功击败上一代产品。不久之后，9小时掌握国际象棋、12小时掌握日本将棋、13天掌握围棋的AlphaZero出世……
是什么让人工智能飞速进化?
如果把人工智能比作一棵“技术树”，击败人类棋手的人工智能程序只是“树冠”，为整棵树提供滋养、使其不断升级的，则是围绕基础软硬件的人工智能根技术。
中国科学技术信息研究所党委书记赵志耘告诉《瞭望》新闻周刊记者，人工智能根技术，是指那些能够支撑人工智能技术发展和支撑人工智能产业衍生的基础研究和关键技术，比如人工智能芯片、系统框架等。
根深叶茂。某种程度上，根技术，决定着产业发展的兴衰。
根技术左右人工智能生态
人工智能对计算能力的需求有多强?
据硅谷非营利组织OpenAI测算，2012年开始，全球人工智能训练所用的计算量呈现指数增长，平均每3.43个月便会翻一倍，目前计算量已扩大30万倍，远超算力增长速度。传统的CPU架构早已无法满足深度学习对算力的需求，AlphaGo的硬件基础就是专注神经网络算法、大幅加快运算速度的TPU芯片。
可以说，作为算力的关键基础，人工智能芯片的性能决定着人工智能产业的发展。
清华大学微纳电子系教授魏少军指出，现有CPU、GPU、FPGA等芯片的基本架构早在这次人工智能突破之前就已经存在了，并不是为人工智能而专门设计的，因此不能完美地承担实现人工智能的任务。人工智能对芯片的要求，除了足够的算力和极高的能效比，还需要一个高能效、通用的计算引擎。
魏少军认为人工智能芯片至少应有以下几个特质：第一，可编程性，要适应算法的演进和应对多样性，因为算法不稳定，在不断变化;第二，架构动态可变性，要适应不同算法;第三，高效的架构变换能力，因为不同的运算要求变换不同的架构。
除此之外，AlphaGo之所以能在极短时间内快速“进化”，算法的提升同样功不可没，背后是人工智能算法框架使然。
赛迪智库信息化与软件产业研究所信息技术研究室负责人许亚倩说，算法框架能够极大地提高人工智能学习效率。一方面，算法框架降低了深度学习的难度，提供进行深度学习的底层架构、接口，以及大量训练好的神经网络模型，减少用户的编程耗时。另一方面，大部分深度学习框架具有良好的可扩展性，支持将复杂的计算任务优化后在多个服务器的CPU、GPU或TPU中并行运行，缩短模型的训练时间。
此外，许亚倩认为，算法框架还是人工智能核心生态圈建立的关键环节。算法框架是决定人工智能技术、产业、应用的核心环节，是人工智能核心生态圈建立的基础和关键。算法框架的研发能够促进生态圈关联及外围的芯片、系统、软硬件平台等产业发展，从而促进人工智能核心生态圈的建设。
欧美发达国家已经在人工智能算法框架方面进行了大量的研究和开发应用。Google、亚马逊、微软、IBM等国际科技巨头纷纷布局算法框架，抢占技术和市场先机，开发开源了TensorFlow、PyTorch等一批主流人工智能算法框架。
根技术是关键短板
“随着中美竞争态势加剧，人工智能成为大国竞争的新焦点。与美国相比，我国目前人工智能的短板就是关键根技术的缺失。”赵志耘说。
受访专家指出，近年来，我国人工智能在技术与应用方面取得了巨大进展，在国际上具备了一定的竞争力，但基础层整体实力较弱，缺乏人工智能框架、人工智能芯片等根技术的支撑——芯片大多依赖进口，计算力方面的基础薄弱，且开源框架受制于国外巨头。
据了解，我国芯片进口额已经连续多年超过石油，2019年超过3000亿美元;操作系统、高端光刻机仍被国外公司垄断，90%以上传感器来自国外。
赛迪智库人工智能产业形势分析课题组研究指出，在人工智能的算力支持方面，IBM、HPE、戴尔等国际巨头稳居全球服务器市场前三位，浪潮、联想、新华三等国内企业市场份额有限;国内人工智能芯片厂商需要大量依靠高通、英伟达、AMD、赛灵思、美满电子、EMC、安华高、联发科等国际巨头供货，中科寒武纪等国内企业发展刚刚起步。
用清华大学电子工程系教授汪玉的话概括，大致上国内人工智能芯片在需要聪明智慧的环节做得不错，但在需要积累沉淀的环节做得却不够好。专家指出，我国人工智能芯片在通用化、产业链完整度、高速接口和专用的集成电路IP核等方面都存在短板。
“对于人工智能芯片产业来说，仅有好的硬基础是不够的，在硬基础上再做出好的软件，才能做得更好。”中国信息通信研究院云计算与大数据研究所总工程师王蕴韬强调说。
目前，我国在基础软件方面仍面临外国厂商独大的局面。数据显示，中国服务器发货量占全球28%，中国的操作系统销售额则占全球不足6%。从全球市场份额来看，中国应用软件基本达成了“三分天下有其一”的格局。但从技术底座来看，只有约10%的政府类应用软件运行在中国的技术底座上，其余九成的应用还是以国外技术底座为主。
瞭望智库联合莫干山研究院发布的《赋能数字经济拥抱算力时代》报告则指出，我国新计算产业底层技术架构和标准由国外企业主导，存在较高产业安全风险。自第一代电子管计算机ENIAC面世以来，CPU外围所有的接口总线标准制定权，都掌握在国外企业手中，我国企业只能在既定框架内谋求发展。
以人工智能框架这样的基础软件为例，深度学习主流框架TensorFlow、Caffe等均为美国企业或机构掌握，国内还缺少自主可控的全场景计算框架，且目前计算框架存在开发门槛高、运行成本高、部署难度大等亟待解决的问题。
《赋能数字经济拥抱算力时代》报告指出，目前西方国家以超30%的投入主导全球关键开源社区和开源项目。GitHub(一个面向开源及私有软件项目的托管平台)2019年年度报告显示，在其4000万的用户(开发人员)中，美国开发人员占30%，其他国家的开发人员占到70%;年度最受欢迎的Top10开源软件和项目，均由谷歌、微软、Facebook等美国公司主导。虽然2020年，来自美国的开源贡献者下降到22.7%，越来越多的开发者来自中国(9.76%)和印度(5.2%)，但总体来看，我国在开源社区和项目的贡献度仍然不高，影响力有待进一步提高。
超前布局突破根技术制约
赵志耘认为，“十四五”时期人工智能规划需要关注的重点是如何通过明确我国人工智能技术发展路线，发挥我国制度优势，促进人工智能根技术突破和创新。
人工智能芯片方面，专家表示，首先需要全面布局，在政府层面加强对通用芯片支持力度。在技术路径上，遵循全面布局，分步突破原则，近期重点突破以NPU为代表的ASIC芯片，远期突破GPU、FPGA等通用芯片;在应用环节上逐步拓展，从边缘端逐步扩展到云端，从推理芯片拓展到训练芯片;同时探索多种芯片高效协同运行的芯片解决方案。由于ASIC芯片专用性强，不同厂商往往需根据应用场景需求自主研发;而GPU、FPGA等通用芯片由于有标准化产品，国内终端应用厂商自主研发或国产化替代意愿不强。因此，政府层面应在GPU和FPGA等通用芯片领域加强布局推广力度。
此外，加强类脑芯片等前沿性领域布局。充分发挥国内高校以及科研院所力量，布局类脑芯片等前沿性领域。该领域国际巨头尚未形成技术及知识产权壁垒，提前布局将使我国在人工智能芯片领域存在换道超车的可能性。
赛迪顾问股份有限公司的研究认为，人工智能芯片未来将呈现新发展趋势。如芯片开发将从技术难点转向场景痛点。目前，人工智能芯片设计更多地是从技术角度出发，以满足特定性能需求。未来，芯片设计需要从应用场景出发，借助场景落地实现规模发展。又如，技术路线将从专用芯片转向通用芯片。目前应用于人工智能领域的芯片多为特定场景设计，不能灵活适应多场景需求，未来需要专门为人工智能设计灵活、通用的芯片。另外，现阶段人工智能芯片产业的发展方式大多以企业为主体，产品上下游企业的运营和管理相对独立，但同环节的企业却高度竞争，未来产业发展应以合作为主线，形成产业生态。
北京大学经济学院教授、深圳市湾区数字经济与科技研究院院长曹和平表示，发展人工智能芯片要有产业思维。“要做产业，而不仅仅是做产品。要在促进芯片产业发展的前提下做芯片，在全景产业链条下做芯片的外部性成本更低。”
中国工程院院士高文认为，开源是软件时代非常关键的一条技术路线，人工智能领域也应该采用。
中国工程院院士倪光南表示，芯片设计门槛极高，只有极少数企业能够承受中高端芯片研发成本，这也制约了芯片领域创新。我国可以借鉴开源软件成功经验，降低创新门槛，提高企业自主能力，发展国产开源芯片。
人工智能框架方面，专家指出，新一代人工智能开源计算框架，首先要让人工智能专家、工程师、数据科学家们可以更好地使用;其次，计算框架需要满足人工智能全场景的应用需求，更好地保护数据隐私;并且可开源，通过开源形成广泛的应用生态，广泛支持不同类型的人工智能芯片、硬件设备、应用等。目前，深度学习框架开源已成趋势。旷视深度学习框架天元、华为深度学习框架MindSpore皆已正式开源。
赵志耘还建议，应通过集约化建设人工智能基础设施和计算中心等，进一步利用长板，加快人工智能与行业深度融合，培养多层次人才，确保我国人工智能产业在中长期国际竞争中持续保持领先。
目前，新基建正带动一批人工智能基础设施落地。2020年以来，河南、安徽、广州等地均有数据中心项目启动。去年，总投资超150亿元的腾讯长三角人工智能超算中心及产业基地落户上海松江区，武汉人工智能计算中心也启动建设。赵志耘认为，人工智能计算中心是人工智能产业的基础算力供给平台，能极大发挥集聚效应，承担人工智能领域的国家重大战略需求、基础共性技术攻关、前瞻性基础与算法研究，并能带动当地优势产业领域的人工智能核心技术研发及应用，促进高端人才培养。
人工智能芯片与人工智能框架代表企业