一文看懂中国无人驾驶汽车历史进程
深秋的北京，自动驾驶终于来了。
2020年10月11日，百度自动驾驶出租车服务在北京全面开放，市民可在北京经济技术开发区、海淀区、顺义区的数十个自动驾驶出租车站点，直接下单免费试乘自动驾驶出租车服务。
这是继长沙、沧州后，ApolloGORobotaxi开放常态化服务的第三个城市，也是百度自动驾驶车辆在京完成了超过51.9万公里的载人道路测试，取得了开启下一阶段面向社会公众开放的载人应用示范的资质后开启的服务。
从测试到上路，从无到有，中国在无人驾驶领域走的路可谓漫长而艰辛，今天就让我们回顾属于中国自动驾驶的前世今生。
▲中国自动驾驶发展历程大事记
1992年
中国第一辆无人驾驶汽车诞生
上世纪八十年代，我国立项了“遥控驾驶的防核化侦察车”项目，国防科技大学、哈尔滨工业大学和沈阳自动化研究所三家单位参与了该项目的研究制造。在八五期间我国第一辆能够自主行驶的测试样车ATB-1就已正式诞生。这是我国第一辆能够自主行驶的测试样车，其行驶速度可以达到21公里每小时。
ATB-1的诞生标志着中国无人驾驶行业正式起步并进入探索期，无人驾驶的技术研发正式启动。
2011年
红旗无人驾驶车完成286公里路测
2011年7月14日，红旗HQ3首次完成了从长沙到武汉286公里的高速全程无人驾驶试验，实测全程自主驾驶平均时速87公里，创造了我国自主研制的无人车在复杂交通状况下自主驾驶的新纪录。
这标志着我国无人车在复杂环境识别、智能行为决策和控制等方面实现了新的技术突破。
2012年
“军交猛狮Ⅲ号”京津高速行驶
2012年11月24日，“军交猛狮Ⅲ号”完成了114公里的京津高速行驶，这是一辆由黑色现代途胜越野车改装的无人驾驶智能车，由中国军事交通学院研制。车顶安装复杂的视听感知系统，车内装有两台计算机和一台备用计算机组成的执行系统来处理视听感知系统获得的信息，让无人车可以自主进行刹车、油门、制动、换挡等动作。实现了无人工干预的自动行驶。
2015年
国内首辆无人驾驶客车路测完成
2015年8月29日，宇通大型客车从河南省连接郑州市与开封市的城际快速路——郑开大道城铁贾鲁河站出发，在完全开放的道路环境下完成自动驾驶试验，共行驶32.6公里，最高时速68公里，全程无人工干预，不过为了保障安全客车上还是配备了司机。
这也是国内首次客车自动驾驶试验。
2015年
百度完成开放高速路自动驾驶测试
2015年12月，百度对外宣布其无人驾驶车已在国内首次实现城市、环路及高速道路混合路况下的全自动驾驶。百度公布的路测路线显示，百度无人驾驶车从位于北京中关村软件园的百度大厦附近出发，驶入G7京新高速公路，经五环路，抵达奥林匹克森林公园，并随后按原路线返回。
百度无人驾驶车往返全程均实现自动驾驶，并实现了多次跟车减速、变道、超车、上下匝道、调头等复杂驾驶动作以及不同道路场景的切换。测试时最高速度达到100公里/小时。
2016年
长安汽车完成2000公里无人驾驶测试
2016年4月17日，长安汽车宣布完成2000km超级无人驾驶测试项目。长安汽车此次长距离无人驾驶测试总里程超过2000km，在历时近6天，途经四川、陕西、河南、河北等全国多个省市及地区后，最终抵达北京。
根据长安汽车智能汽车技术发展规划，高速路况的长途自动驾驶汽车计划于2018年实现量产，复杂城市路况的完全自动驾驶汽车计划于2025年实现量产。
2016年6月
首个国家智能网联汽车试点示范区成立
2016年6月7日，由工信部批准的国内首个“国家智能网联汽车（上海）试点示范区”封闭测试区正式开园运营。这意味着中国的智能联网和无人驾驶汽车从国家战略高度正式进入实际操作阶段。
而在同年，中国智能汽车大赛举办。
2017年
百度展示高速公路辅助功能增强版演示车
2017年4月17日，百度展示了与博世合作开发的高速公路辅助功能增强版演示车。该车由百度与博世联合打造，集成了百度高精地图和博世道路特征服务，并通过上百万辆配备博世摄像头、毫米波雷达的量产车辆实现数据众包，使高精地图数据做到实时更新。据悉，百度为展示车辆提供了高精地图、自定位、ARHMI（增强现实车规级交互产品）等核心技术。
这辆车已经实现高速公路的部分自动驾驶，包括车道保持和司机监控下的车道自动切换。得益于定位技术，该演示车可以在进出弯道时自动控制车辆速度；同时在增强现实人机界面结束的帮助下，司机能获得更舒适安全的驾驶体验。
2018年
全球首款level4级量产自驾巴士量产下线
2018年7月4日，百度与厦门金龙合作生产的全球首款level4级量产自驾巴士量产下线。“阿波龙”搭载了百度最新Apollo系统，拥有高精定位、智能感知、智能控制等功能。达到自动驾驶L4级的阿波龙巴士，既没有方向盘和驾驶位，更没有油门和刹车，是一辆完完全全意义上的无人自动驾驶汽车。
在政策、技术发展、社会需求等多维度因素的推动下，中国未来有望成为全球最大的智能汽车市场。根据基业常青经济研究院发布的《汽车如何走进智能时代》报告的估计。
预计至2020年，国内智能驾驶市场规模有望达到1214亿元。
▲国内智能驾驶市场规模趋势
可见，自动驾驶已成为汽车行业发展的确定性趋势。自动驾驶最大的意义在于解放驾驶员的双手带来人类空间意义首次的无缝连接，智能汽车使汽车的角色不再局限于交通工具，可以是移动的生活空间，通讯工具，娱乐平台等更富有想象力的定位。
过去，移动意味着自由。今天，连接也成为了幸福的表达。智能化和万物互联的浪潮正让百年汽车工业焕发出了新的活力，移动属性加上各种连接可能，相信未来的汽车会将让时间变得更有效，让生命变得更美好。
人工智能发展简史
编辑导语：人工智能的发展成果越来越显现在我们的日常生活中，它的发展并不是一帆风顺的，而是经历了许多次寒冬，最后才得以爆发。本文讲述了人工智能的发展简史，未来的人工智能又该如何发展，一起来看下。
一、起源提到人工智能的历史，所有书都会提到1956年度的达特茅斯会议，在这次会上人工智能的鼻祖Johnmcarthy是发起人，minsky也积极参与其中，包括我们课本上非常著名的提出信息论的香农本人。
曾经麦卡锡和明斯基都曾经在贝尔实验室为香农打工，当时他们研究的核心就是图灵机，并将此作为智能活动的理论基础。
后来麦卡锡到IBM打工，遇到了研究神经网络的罗切斯特并得到了洛克菲勒基金会的资助，决定在第二年达特茅斯召开人工智能夏季研讨会，这便是人工智能名字的由来。
从1955年到1965年，人工智能进入快速发展时期，在机器学习领域，出现了“跳棋程序”并在1959年实现了人工智能战胜人类的事件打败了当时设计他的设计师Samuel，并在1962年，打败了州跳棋冠军。
在模式识别领域，1956年Oliverselfridge研发了第一个字符识别程序，并在1963年发明了符号积分程序SAINT，在1967年SAINT的升级版SIN就达到了专家级的水准。
同时美国政府也投入了2000万美元资金作为机器翻译的科研经费。当年参加达特茅斯的专家们纷纷发表言论，不出十年，计算机将成为世界象棋冠军、可以证明数学定理、谱写优美的音乐，并且在2000年就可以超过人类。
二、第一次寒冬但在1965年人工智能迎来一个小高潮之后，质疑的声音也随之到来，Samuel设计的跳棋程序停留在了战胜周冠军，机器翻译领域因为一直无法突破自然语言理解（NLP），1966年的美国公布了一份名为“语言与机器”的报告全盘否定了机器翻译的可行性。
1969年，发起人之一的minsky发表言论，第一代神经网络（感知机perceptron）并不能学习任何问题，美国政府和美国自然基金会大幅削减了人工智能领域的研究经费。在20世纪70年代人工智能经历了将近10年左右的寒冬时期。
三、第二次高潮与寒冬直到80年代，人工智能进入第二次发展高潮，卡耐基梅隆大学为日本DEC公司设计的XCON专家规则系统（专注于解决某一限定领域的问题，具备2500条规则，专门用于选配计算机配件，因此避免了常识问题）可以为该公司一年节省数千万美金。
同期日本政府拨款8.5亿美元支持人工智能领域科研工作，主要目标包括能够与人交流、翻译语言、理解图像、像人一样进行推理演绎的机器。
但是随后人们发现，专家系统通用性较差，未与概率论、神经网络进行整合，不具备自学能力，且维护专家系统的规则越来越复杂，且日本政府设定的目标也并未实现，人工智能研究领域再次遭遇了财政苦难，随之人工智能发展进入第二次寒冬。
四、第一次算力与算法爆发上世纪90年代，计算机在摩尔定律下的计算机算力性能不断突破，英特尔的处理器每18-24个月晶体管体积可以缩小一倍，同样体积上的集成电路密集度增长一倍、同样计算机的处理运算能力可以翻一倍。
1989年，还在贝尔实验室的杨立坤通过CNN实现了人工智能识别手写文字编码数字图像。
1992年，还在苹果任职的李开复利用统计学方法，设计了可支持连续语音识别的Casper语音助理（Siri的前身），在1997年IBM的国际象棋机器人深蓝战胜国际象棋冠军卡斯帕罗夫（不再止步于州冠军，第一次真正意义上的战胜人类），同年两位德国科学家提出了LSTM网络可用于语音识别和手写文字识别的递归神经网络。
五、算力+算法+数据三驾马车聚齐：发展进入快车道直到2006年，也就是我们身处的这不到20年的时间是当代人工智能快速发展的阶段，同年杰弗里辛顿发表了《learningofmultiplelayersofrepresentation》奠定了当代的神经网络的全新架构。
2007年还在Stanford任教的华裔女科学家李飞飞教授，发起了ImageNet项目，开源了世界上最大的图像识别数据集（超过1400万、2万多标注类别的图像数据集）。
在2006年亚马逊的AWS的云计算平台发布，进一步大幅提升了人工智能网络模型计算所需要的算力。
同时，随着2014年4G时代的到来与智能手机大规模普及，移动互联网的极速发展，催生了覆盖人起居生活工作的方方面面的各色应用，带来了神经网络训练迭代所需的养料“海量的数据”，同时随着IoT物联网的兴起、支持分布式计算（边缘计算）的传感器时序（temporal）数据指数级生成。
六、技术发展离不开政府支持，我国将人工智能列入国家战略2017年我国政府也引发了《新一代人工智能发展规划》明确了我国新一代人工智能发展的战略目标：到2020年，人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点，人工智能技术应用成为改善民生的新途径。
到2025年，人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平，人工智能成为我国产业升级和经济转型的主要动力，智能社会建设取得积极进展；到2030年，人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。
人工智能发展简史–符合事物发展本质-螺旋式上升
回顾人工智能历史发展的60多年间，有上升期、有瓶颈期、有寒冬期，但却一直不断的演进进步，正如恩格斯在《自然辩证法》所说，一切事物都是由螺旋形上升运动是由事物内部矛盾引起的，矛盾双方经过反复斗争，引起对立面的两次否定，两次转化，事物的发展从肯定到否定再到否定之否定，形成一个周期性，每一周期的终点同时又是下一周期的开端。
一个周期接着一个周期，每一周期完成时出现仿佛向出发点的复归，形成由无数“圆圈”衔接起来的无限链条，呈现出螺旋形的上升运动。
而如今的我们，正处在一个人工智能高速发展时代，且已经渗透到人们日常生产、生活、工作的方方面面，大家可能会问，为什么不是10年前、20年前而是现在？
这就不得不提人工智能三要素，分别是：算法、算力和数据，三者缺一不可。而人工智能早期发展的瓶颈，很多都是因为你三要素的一种或者多种要素的缺乏，导致人工智能产业陷入短暂的困境，如下图所示。
而如今，随着4G、5G基础网络通讯设施的快速发展，使万物互联成为可能，全球有天文数字级别的人、设备、传感器被连接，产生海量的数据，而这些数据正是人工智能算法模型迭代的充足养料。
而为什么我国有建设成为人工智能创新中心的底气？因为我们国家在网络基础设施建设方面在全球最为领先，移动互动联网渗透人们生产生活最为彻底，“配送下乡”的电商平台淘宝、拼多多、京东，美团等互联网“买菜”服务下沉到社区，村子里在直播玩短视频的大爷大妈，每个人都不知不觉的在享受着“人工智能”科技发展所带来的红利，同时也被“算法”支配着时间。
困在算法里的外卖小哥、内容平台利用推荐算法向你定向投喂的“猪食内容”、“人脸”信息被滥用，“算法”的偏见与歧视，正如一切事物的两面性一样、技术的发展同时一定会带来负面的影响，引发社会舆论的挑战。
如何更好的保护人们的隐私的同时，让算法更好的为人们服务？如何让人工智能将来不会“觉醒”，失去控制甚至伤害人类？如何让深度学习这个相对黑盒更具可解释性，更安全、更鲁棒？
相信诸位也跟我刚接触这个领域一样带着许多困惑。这些学界和工业界都已经有一些尝试与探讨，我希望在这本书的有限章节中向你尽可能简要但清晰的分享。
七、人工智能的未来在哪？未来人工智能又将去向何从，会像是科幻电影里人工智能终将觉醒、他们因为不具备”人性”可以更加理智的不会错的进化统治甚至“奴役”人类？
还是由于人类生存活动使地球的生态环境不断恶化，“病毒”不断肆虐，人类无法外出，只能沉陷于由人工智能创造的虚拟环境中，像是”头号玩家”所描述的世界，在虚幻世界中实现”自我”价值？
虽然无法先知，但是可以预见的是，人工智能未来一定会具备以下趋势：
从专家系统转向通用型的认知智能，像是我们上文提到的早期只能针对问题解决问题的某个细分领域的人工智能，未来的人工智能是更加通用型的、在感知能力的基础上具备像人一样具备认知智能，除了分类、归纳、检测、识别具备推演、预测的能力；深度学习模型从过去的黑盒不可解释，变得更加具备“可解释性”，从而通过算法模型更公平、更安全、更鲁棒；深度学习向多模态发展，正如人类文明进行学习不仅仅是通过眼睛观看，还有“口眼耳鼻舌身意、色相声香味触法”，因此深度学习需要多传感器的信息融合进行模型学习训练与判断；由于高级任务的带标签训练数据十分匮乏，这会促使人们进一步研究稀疏数据环境中的学习技术，比如，小样本学习和自我监督学习以及如何提升学习的效率以及如何让学习的进度追赶上数据产生的进度，增量学习也是一个解决当前现状的实用方向。数据隐私和数据安全引起社会广泛关注，如何保护隐私的前提下同时进行模型训练迭代，联邦学习已经被大多公司和组织广泛使用。八、总结这本书适用于所有刚刚从其他行业转型的AI产品经理，或作为一名刚毕业即将或者已经踏入职场的“新鲜人”，又或者是对于人工智能这个行业感兴趣想要了解的朋友们，希望通过我的一些经验和案例总结浓缩了七节课，希望可以帮助大家了解人工智能行业的同时，理解人工智能产品经理这个岗位，甚至可以快速实操上手。
第一章，我们介绍人工智能发展的介绍，从历史到现状再进一步尝试预见其未来。
第二章，我们介绍进入人工智能领域必知必会的基础知识，包括人工智能最为重要的三驾马车，人工智能、机器学习、深度学习之间的关系？对于AI产品经理需要理解的算法模型，如何衡量算法模型的好坏，如何建立评价体系？
第三章，我们介绍产品经理技能“方法论”，包括需求管理能力、向上管理能力、横向管理能力、项目管理能力、产品管理能力包括如何完成一个产品从0到1的构建，包括常用的管理工具/商业工具等，需要具备的数据分析能力、透过数据进行商业分析的能力等
第四章，我们介绍主要与软件算法类相关的人工智能项目，包括人脸算法技术的场景应用：智能相册、AI人像视频美妆、人体算法、手势算法、人像风格化算法等场景应，人脸AI小游戏等直接面向C端消费者场景的项目；
第五章，我们介绍软硬结合的AI算法类项目，包括智能音箱、智能电视、儿童手表、机器狗、智能座舱项目；
第六章，我们介绍B端垂直行业的AI应用类项目，包括智慧工厂、智慧办公、智慧门店项目；
第七章，我们介绍AI产品的商业模式设计。
最后，我们会推荐几本书籍和影视剧作品作为拓展性阅读，希望有余力的同学可以参考阅读。
作者：大仙河 微信号：大仙河知识学堂。专注分享关于人工智能产品、智能硬件、哲学的思考。
本文由@大仙河 原创发布于人人都是产品经理，未经许可，禁止转载
题图来自Unsplash，基于CC0协议
2023年中国人工智能行业发展现状分析，可信人工智能成为行业发展重点「图」
一、概述
1、定义及分类
人工智能是利用数字计算机或者由数字计算机控制的机器，模拟、延伸和扩展人类的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术和应用系统。它是研究、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，是计算机科学的一个分支。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。目前，人工智能按照其智能程度主要可分为弱人工智能、强人工智能和超人工智能三类。
人工智能的分类及相关介绍
资料来源：公开资料整理
2、发展历程
自人工智能诞生以来，已有半个多世纪的发展历程，其发展大致可分为起步、低速发展和蓬勃发展三个阶段。
人工智能的发展历程
资料来源：公开资料整理
二、驱动因素
1、政策
随着我国人工智能产业的不断发展，国家有关部门高度重视行业的发展，陆型出台一系列相关政策促进我国人工智能产业的发展，为人工智能行业的发展提供了明确、广阔的市场前景和良好的政策环境。
中国人工智能行业部分相关政策一览表
资料来源：公开资料整理
2、经济
伴着新一轮科技革命和产业变革持续推进，数字经济已成为当前最具活力、最具创新力、辐射最广泛的经济形态，是国民经济的核心增长极之一。而人工智能作为数字经济重要驱动引擎，也将随着我国数字经济规模的不断增长而向好发展。据资料显示，2020年我国数字经济规模达39.2万亿元，同比增长9.5%。
2015-2021年中国数字经济规模及增速情况
资料来源：信通院，华经产业研究院整理
3、技术
从我国人工智能专利技术情况来看，随着我国人工智能产业的不断发展，我国人工智能相关专利数量也随之快速增长。据资料显示，2021年我国人工智能相关专利申请数量达19945项，同比增长20.6%。
2015-2021年中国人工智能相关专利申请数量情况
资料来源：佰腾网，华经产业研究院整理
三、产业链分析
1、产业链
人工智能行业产业链可分为基础层、技术层和应用层。其中基础层主要包括AI芯片、传感器、大数据、云计算及5G通信等；技术层主要包括计算机视觉、语音识别、自然语言处理、机器学习、知识图谱等；应用层主要包括智慧城市、智能制造、智慧医疗、智慧交通、智慧安防、智慧物流、智慧金融等产业。
人工智能行业产业链示意图
资料来源：公开资料整理
2、AI芯片
AI芯片是人工智能产业核心组成部分之一，随着近年来我国人工智能产业的不断发展，市场对AI芯片需求持续增加，推动了我国AI芯片市场规模的快速增长。据资料显示，2021年我国AI芯片市场规模达426.8亿元，同比增长123.9%。随着未来AI芯片的应用场景不断丰富，不断增长的需求也将促进我国AI芯片市场规模的持续增长。预计到2025年我国AI芯片市场规模将达1780亿元。
2019-2025年中国AI芯片市场规模及增速情况
资料来源：公开资料整理
3、下游端分析
智慧城市是我国人工智能产业重要的应用领域之一，在我国数字经济不断发展，城市化进程加快以及5G、互联网技术的不断发展等多方因素的推动下，我国智慧城市发展迅速，市场规模也随之不断扩大。据资料显示，2021年我国智慧城市市场规模达25万亿元，同比增长29.5%。
2015-2021年中国智慧城市市场规模及增速情况
资料来源：公开资料整理
四、行业现状
1、市场规模
人工智能产业是智能产业发展的核心，是其他智能科技产品发展的基础。近年来，在我国政策的大力支持以及5G通信、大数据、云计算等技术不断发展的共同推动下，我国人工智能产业规模快速增长。据资料显示，2020年我国人工智能行业市场规模达1280亿元，同比增长。预计到2021年市场规模将达1963亿元。
2016-2021年中国人工智能行业市场规模及增速
资料来源：公开资料整理
2、市场结构
从我国人工智能市场结构分布来看，2020年我国人工智能市场中，视觉人工智能占比最高，达43.4%，其次为决策类人工智能和语音及语义人工智能，占比分别为20.9%和18.2%。
2020年中国人工智能行业市场结构分布情况
资料来源：公开资料整理
3、应用结构
从我国人工智能应用结构分布来看，2020年，政府城市治理和运营、互联网和金融领域是我国人工智能主要应用领域，占比之和达79%。其中政府城市治理和运营占比为49%，互联网占比为18%，金融占比为12%。
2020年中国人工智能行业应用结构分布情况
资料来源：公开资料整理
相关报告：华经产业研究院发布的《2022-2027年中国人工智能行业市场运行现状及投资规划建议报告》；
4、企业情况
从企业注册量情况来看，随着近年来我国人工智能行业向好发展，市场规模快速扩张，我国人工智能行业相关企业注册量也快速增长。据资料显示，2021年我国人工智能行业相关企业注册量达35.59万家，同比增长93.6%。
2015-2021年中国人工智能行业相关企业注册量情况
资料来源：企查查，华经产业研究院整理
从人工智能企业核心技术分布看，大数据和云计算占比最高，达到41.13%;其次是硬件、机器学习和推荐、服务机器人，占比分别为7.64%，6.81%，5.64%;物联网、工业机器人、语音识别和自然语言处理分别占比5.55%，5.47%，4.76%。
2020年中国人工智能企业核心技术分布情况
资料来源：公开资料整理
5、投融资情况
从我国人工智能行业投融资情况来看，由于近年来我国人工智能行业规模不断扩张，以及国家政策的大力扶持，行业资本市场十分火热，投资事件和投资金额不断增长。据资料显示，2021年我国人工智能行业投资数量为847起，投资金额达2528.52亿元。
2015-2021年中国人工智能行业投融资情况
资料来源：IT桔子，华经产业研究院整理
五、竞争格局
1、市场份额
计算机视觉和机器学习是我国人工智能关机技术组成。从计算机视觉市场份额来看，2020年我国计算机视觉市场格局较为分散，其中份额前三的企业分别为商汤、旷视和海康威视，市场份额分别为18%、13%和6%。
2020年中国计算机视觉行业市场份额分布情况
资料来源：IDC，华经产业研究院整理
从机器学习市场来看，行业集中度相对较高，行业CR3达48%。其中第四范式市场份额为25%；华为云市场份额为15%；九章云级市场份额为8%。
2020年中国机器学习平台市场份额分布情况
资料来源：公开资料整理
六、行业发展趋势
新一代人工智能技术迅猛发展，并向社会各个领域加速渗透，这给经济和社会发展带来了新的变革性机遇，也给人类生产生活带来了深刻的变化，与此同时，科技伦理也成为了当前AI产业技术发展与产业应用中的“必答题”。如今，以中国、美国、欧盟为代表的AI产业领头羊均把确保AI安全、可靠、可控的可信人工智能放在了其AI伦理和治理的核心位置，发展可信人工智能正在成为全球的共识。可信人工智能的核心原则是让AI应用满足可靠、安全、可解释、隐私保护、责任明确等条件，是落实AI治理的重要实践，所遵循的可信特征与AI伦理和相关法律法规等要求一脉相承，均将以人为本作为其本质要求。AI企业作为人工智能技术产品化的主体，在可信人工智能的发展实践中正发挥着日益积极的作用，谷歌、微软、百度、京东、旷视等一批国内外企业纷纷投身其中。科技巨头们在可信人工智能上的投入除承担社会公益和行业引领的责任外，在AI商业化上面临越来越多的限制和挑战也是关键驱动因素。以可信人工智能所包含的隐私保护为例，部分AI企业在接受监管机构上市问询时，被重点要求说明其技术、业务及产品中涉及到数据应用的具体环节，相关数据来源与合规性，以及保证数据合规的具体措施等。这种自上而下的监管推动也将与企业内驱形成合力，共同推动可信人工智能的发展与实践，可信人工智能也将成为AI产业下一阶段发展的重点。
华经产业研究院对中国人工智能行业发展现状、市场供需情况等进行了详细分析，对行业上下游产业链、企业竞争格局等进行了深入剖析，最大限度地降低企业投资风险与经营成本，提高企业竞争力；并运用多种数据分析技术，对行业发展趋势进行预测，以便企业能及时抢占市场先机；更多详细内容，请关注华经产业研究院出版的《2022-2027年中国人工智能行业市场全景评估及投资方向研究报告》。
全球人工智能产业发展现状及发展趋势浅析
人工智能是指使用机器代替人类实现认知、识别、分析、决策等功能,是研究、模拟人类智能的理论、方法、技术及应用系统的一门技术科学,其本质是对人的意识和思想的信息过程的模拟。人工智能是一种尖端技术,是新一轮科技革命和产业变革的重要驱动力量,它给经济、政治、社会等带来了颠覆性的影响,或将改变未来的发展格局。在21世纪,人工智能已逐渐成为全球各国新一轮科技战和智力战的必争之地,全球围绕人工智能领域的布局抢位日趋激烈。
一、全球人工智能发展现状
2021年7月8日,世界人工智能大会在上海开幕。根据统计数据评分,全球人工智能排名前10的国家依次为:美国、中国、韩国、加拿大、德国、英国、新加坡、以色列、日本和法国。其中,中国的综合得分为50.6分,美国为66.31分。
(一)美国着重国家和经济安全,力争保持全球领导地位
美国人工智能战略和政策的着力点在于保持其全球“领头羊”地位,并期望对人工智能的发展始终具有主动性与预见性。美国自2013年开始就发布了多项人工智能计划,并提及人工智能在智慧城市、自动驾驶和教育等领域的应用和愿景。2016年,美国将人工智能上升至国家战略层面,出台了《国家人工智能研究与发展计划》,从政策、技术、资金等方面给予一定的支持和保障。特朗普政府执政后,于2019年2月发布了第13859号总统行政令—《维持美国在人工智能领域领导地位的倡议》,从国家战略层面提出美国未来发展人工智能的指导原则,明确指出要集中联邦政府资源发展人工智能,扩大美国的繁荣,增强国家和经济安全,力图保持其在人工智能时代的全球领导地位。2021年6月,拜登政府宣布成立了由12名学术界、政界和产业界人士组成的国家人工智能研究资源工作组(NAIRR),他们将制定一项计划,让人工智能研究人员获得更多政府数据、计算资源和其他工具。该项计划基本继承了《2020年美国人工智能倡议法》的战略诉求。NAIRR的创建是美国政府加速美国国内技术进步的更广泛努力的一部分,美国参议院批准了2500亿美元的投资,用于从人工智能到量子通信等科学研究,这意味着,人工智能战略是拜登政府战略重心之一。
(二)韩国加快构建可持续的人工智能技术能力
韩国拥有雄厚的ICT产业发展根基,这为其发展人工智能奠定了良好的研发与应用生态基础。2018年5月15日,韩国第四次工业革命委员会审议并通过《人工智能研发战略》(以下简称《战略》),旨在重点推广人工智能技术进步,并加快AI在各领域的创新发展,打造世界领先的人工智能研发生态,构建可持续的人工智能技术能力。韩国认为人工智能是经济与社会大变革的核心动力之一,但其AI技术能力与中国和美国相比仍有较大差距,因此提升人工智能技术能力迫在眉睫,事关其能否在第四次工业革命中占得技术主导权。为了加快经济和社会的创新发展,为产业注入新的活力,韩国于2019年12月17日公布了《国家人工智能战略》,旨在凝聚国家力量、发挥自身优势,实现从“IT强国”到“人工智能强国”的转变。根据预算,相关措施若得以实施,到2030年,韩国将在人工智能领域创造455万亿韩元(约合2.7万亿元人民币)的经济效益。
(三)加拿大大力发展人工智能产学研用聚集中心
2017年3月,加拿大政府发布了全球首个人工智能国家战略计划——《泛加拿大人工智能战略(PanCanadianArtificialIntelligenceStrategy)》,计划拨款1.25亿加元支持AI研究及人才培养。该计划还提出了“增加加拿大优秀人工智能研究人员和熟练毕业生的数量”“在加拿大埃德蒙顿、蒙特利尔和多伦多3个主要人工智能中心建立互联的科学卓越节点”“在人工智能发展的经济、伦理、政策和法律意义上发展全球思想领导”以及“支持国家人工智能研究团体”等目标。此外,加拿大在全国范围内形成了数个有代表性城市的人工智能产学研用聚集中心,正是这些中心支撑起了加拿大人工智能发展的基本格局。这些聚集中心包括蒙特利尔、多伦多、埃德蒙顿、滑铁卢、温哥华和魁北克等城市,它们构成了加拿大人工智能研究的中坚力量。如果将加拿大人工智能领域看作一个生态系统,风险投资机构、加速器或孵化器以及公共非盈利机构构成了这个生态系统的土壤,为加拿大人工智能的研发和应用提供基础;各个人工智能产学研用聚集中心有其不同的偏重方向,就像不同种类的作物;各个聚集中心培育出来的初创企业,是人工智能服务人类生活的直接载体,就如作物结出的花朵与果实;国家和地方的政策支持、各领域方向的人才团队构成了人工智能生态的空气和养分;同时,加拿大社会开放,具备吸引外国投资机构、企业实体和人才的良好环境,为整个人工智能生态系统提供了有益补充。
(四)欧盟构建可信人工智能框架,抢占全球伦理规则主导权
欧盟很早就把发展以智能化为基础的经济模式作为其主要战略目标,注重在研发和人才上的投入,但由于缺乏风险资本和私募股权投资,以及民众过多顾虑隐私保护等问题,其在人工智能上的发展落后于中国和美国。为改变这一现状,欧盟采取多种措施大力发展人工智能,发力构建可信人工智能,力争取得全球主导权。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。2018年12月,欧盟发布了《人工智能协调计划》,提出要进一步增加资金投入、深化人工智能技术创新与应用、完善人才培养和技能培训、构建欧洲数据空间、建立人工智能伦理道德框架、促进公共部门人工智能技术使用、加强国际合作等行动,推进欧洲人工智能的开发与应用,实现欧盟和各国人工智能投资收益最大化,推动发展符合欧中价值观和伦理观念的人工智能,力争在伦理与治理领域占据全球领先地位。欧盟于2020年2月发布的《人工智能白皮书—欧洲追求卓越和信任的策略》,透露了欧盟人工智能将由“强监管”转向“发展和监管并重”,在促进人工智能广泛应用的同时,解决新技术使用所产生的风险问题。
二、我国人工智能发展现状
我国人工智能产业在政策、资本、市场需求的共同推动和引领下快速发展。产业上,我国人工智能企业“质、量”兼顾,同步发展,集聚发展效应明显,产业规模不断扩大,产业链布局不断完善。技术上,论文数量不断攀升,在复杂的国际环境下我国迎难而上,芯片产业突破明显,在国际竞赛中我国企业成果颇丰。为进一步推动技术创新,诸多高校设置人工智能相关专业、成立人工智能学院。融合上,我国人工智能与实体经济融合在广度和深度上都进一步深化,全国人工智能产业形成了特色化的发展格局。
2015年7月,国务院印发《关于积极推进“互联网+”行动的指导意见》。《指导意见》将人工智能作为其主要的十一项行动之一,并明确提出,依托互联网平台提供人工智能公共创新服务,加快人工智能核心技术突破,促进人工智能在智能家居、智能终端、智能汽车、机器人等领域的推广应用;进一步推进计算机视觉、智能语音处理、生物特征识别、自然语言理解、智能决策控制以及新型人机交互等关键技术的研发和产业化。2016年3月,国务院发布《国民经济和社会发展第十三个五年规划纲要(草案)》,人工智能概念进入“十三五”重大工程。2017年3月十二届全国人大五次会议上,“人工智能”首次被写入政府工作报告;7月,国务院发布《新一代人工智能发展规划》,明确指出新一代人工智能发展分三步走的战略目标,到2030年使中国人工智能理论、技术与应用总体达到世界领先水平,成为世界主要人工智能创新中心;10月,人工智能进入十九大报告,将推动互联网、大数据、人工智能和实体经济深度融合;12月,《促进新一代人工智能产业发展三年行动计划(2018-2020年)》的发布,它作为对7月发布的《新一代人工智能发展规划》的补充,详细规划了人工智能在未来三年的重点发展方向和目标,每个方向的目标都做了非常细致的量化。工信部为加快推动我国新一代人工智能产业创新发展,组织实施了人工智能产业创新任务揭榜挂帅工作,在人工智能项目攻关、选才用才方面效果显著。
相关数据显示,2020年人工智能行业核心产业市场规模将超过1500亿元,预计在2025年将超过4000亿元,中国人工智能产业在各方的共同推动下进入爆发式增长阶段,市场发展潜力巨大,未来中国有望发展为全球最大的人工智能市场。
我国高度重视人工智能技术进步与行业发展,人工智能已上升为国家战略。在此背景下,许多地方出台促进人工智能发展的政策,针对人工智能开展了布局,以广东省为例,广州、深圳、佛山等不少基础雄厚的城市都在积极谋划创建人工智能试验区,其中佛山市提出要“创建国家新一代人工智能创新发展试验区”,这一举措对区域在人工智能发展赛道抢占先机十分有利,对于区域人工智能发展有着显著的带动效果。在产业布局方面,佛山市因地制宜,将人工智能与工业制造进行融合。作为全国制造业的重要基地,佛山拥有2.16万亿的工业产值,对促进人工智能和实体经济融合发展有着大量的需求,可以实现人工智能技术在区域的产业化发展。2021年7月,《佛山市推进制造业数字化智能化转型发展若干措施》提出,“建设数字化智能化示范工厂、示范车间,支持技术改造升级”,加大金融财政支持力度、推动产业链协同、增强产业数字化智能化供给能力多措并举,以加快佛山制造业数字化、网络化、智能化转型升级。8月,佛山市南海区对外释放在人工智能方面的新布局,通过聚焦前沿技术,引进高科技企业和高端人才项目,联合高校科研院所共同攻克人工智能领域关键核心技术,一系列举措阐释着佛山市南海区全力打造国内一流的人工智能创新高地,助力打造佛山市制造业数字化智能化转型发展引领区,赋能佛山制造业升级提速的信心。这是佛山市南海区制造业高质量发展的表现,也是佛山市南海区在人工智能发展到新一阶段的布局升级,同时也反映了地方政府在新的时期发展和布局人工智能的信心与决心。
三、人工智能未来发展趋势
在未来的数十年里,人工智能有可能会极大地改变人类社会结构和生存方式。人工智能技术加速融入经济社会发展各领域全过程已是大势所趋。人工智能在重组全球要素资源、重塑全球经济结构、改变全球竞争格局方面将发挥出重要作用。我国面临中华民族伟大复兴战略全局和世界百年未有之大变局,将以国内国际两个大局、发展安全两件大事为出发点,充分发挥海量数据和丰富应用场景优势,促进人工智能与实体经济深度融合,赋能传统产业转型升级,催生新产业新业态新模式。在加强核心技术攻关、加快新型基础设施建设、推动人工智能和实体经济融合发展、规范行业发展和完善行业治理等方面持续发力,促进人工智能创新发展。
参考资料
1.国家工业信息安全发展研究中心.2019-2020人工智能发展报告.2020-7
2.李月白,江晓原.钱学森与20世纪80年代的人工智能热.2019-11
3.广州日报.2020中国人工智能产业白皮书:五年内市场规模预计超过4000亿元.2021-2
4.李贺南,陈奕彤,宋微.2020年韩国人工智能国家战略.2020-4
5.韩联社.韩国斥巨资大力发展人工智能.2020
6.江丰光,熊博龙,张超.我国人工智能如何实现战略突破——基于中美4份人工智能发展报告的比较与解读.2020-1
来源：中国网
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。
深度学习发展历程全讲解
深度学习发展历程
深度学习综述1基本概念2人工智能发展和内容2.1AI目标2.2AI领域3机器学习发展内容3.1发展阶段3.2任务3.3目标3.4算法3.5学习方式4深度学习发展内容4.1深度学习的发展历程4.2深度学习算法4.2.1神经网络的本质：4.3深度学习特点4.4最新研究，很重要5卷积神经网络发展内容5.1卷积神经网络介绍5.2卷积神经网络处理计算机视觉的原理致谢1基本概念人工智能(ArtificialIntelligence)，英文缩写为AI。它是研究、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，是计算机科学的一个分支。人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。该领域的研究包括语音识别、图像识别、机器人、自然语言处理、智能搜索和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也有可能超过人的智能。机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征，最前沿的研究领域之一。深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。ANN本质上是一种运算模型,由大量的神经元节点相互连接构成。每个节点可以当做是一个神经元,节点中包含激励函数,根据其输入判断其输出。深度学习本质上是一种新兴的机器学习算法,其基本模型框架是基于ANN的,如含有多隐层的感知器。深度学习概念由Hinton于2006年在《Science》上发表的论文《DeepLearning》提出。（刘俊一.基于人工神经网络的深度学习算法综述[J].中国新通信,2018,20(06):193-194.）（1）严格意义上说，人工智能和机器学习没有直接关系，只不过目前机器学习的方法被大量的应用于解决人工智能的问题而已。目前机器学习是人工智能的一种实现方式，也是最重要的实现方式。早期的机器学习实际上是属于统计学，而非计算机科学的;而二十世纪九十年代之前的经典人工智能跟机器学习也没有关系。（2）深度学习是机器学习研究中的一个新的领域，是机器学习现在比较火的一个方向，其本身是神经网络算法的衍生，在图像、语音等富媒体的分类和识别上取得了非常好的效果。其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
2人工智能发展和内容2.1AI目标（1）逻辑推理。使计算机能够完成人类能够完成的复杂心理任务。例如下棋和解代数问题。（2）知识表达。使计算机能够描述对象，人员和语言。例如能使用面向对象的编程语言Smalltalk。（3）规划和导航。使计算机从A点到B点。例如，第一台自动驾驶机器人建于20世纪60年代初。（4）自然语言处理。使计算机能够理解和处理语言。例如把英语翻译成俄语，或者把俄语翻译成英语。（5）感知。让电脑通过视觉，听觉，触觉和嗅觉与世界交流。（6）紧急智能。也就是说，智能没有被明确地编程，而是从其他AI特征中明确体现。这个设想的目的是让机器展示情商，道德推理等等。
2.2AI领域（1）机器学习是人工智能领域，使计算机不用明确编程就能学习。（2）搜索和优化算法，如梯度下降迭代搜索局部最大值或最小值。（3）约束满足是找到一组约束的解决方案的过程，这些约束施加变量必须满足的条件。（4）逻辑推理。人工智能中逻辑推理的例子是模拟人类专家决策能力的专家计算机系统。（5）概率推理是将概率论的能力去处理不确定性和演绎逻辑的能力来利用形式论证的结构结合起来。其结果是一个更丰富和更具表现力的形式主义与更广泛应用领域。（6）控制理论是一种正式的方法来找到具有可证性的控制器。这通常涉及描述像机器人或飞机这样的物理系统的微分方程组。
3机器学习发展内容3.1发展阶段1950年(艾伦.图灵提议建立一个学习机器)，从20世纪50年代研究机器学习以来，不同时期的研究途径和目标并不相同，可以划分为四个阶段。第一阶段是20世纪50年代中叶到60年代中叶，这个时期主要研究“有无知识的学习”。第二阶段从20世纪60年代中叶到70年代中叶，这个时期主要研究将各个领域的知识植入到系统里，在本阶段的目的是通过机器模拟人类学习的过程。比如专家系统。第三阶段从20世纪70年代中叶到80年代中叶，称为复兴时期。在此期间，人们从学习单个概念扩展到学习多个概念，探索不同的学习策略和学习方法，且在本阶段已开始把学习系统与各种应用结合起来，并取得很大的成功。第四阶段20世纪80年代中叶,是机器学习的最新阶段。机器学习已成为新的学科，它综合应用了心理学、生物学、神经生理学、数学、自动化和计算机科学等形成了机器学习理论基础。
3.2任务机器学习的研究主要分为两类研究方向：第一类是传统机器学习的研究，该类研究主要是研究学习机制，注重探索模拟人的学习机制；第二类是大数据环境下机器学习的研究，该类研究主要是研究如何有效利用信息，注重从巨量数据中获取隐藏的、有效的、可理解的知识。根据训练数据是否拥有标记信息，学习任务可大致划分为两大类"监督学习"(supervisedlearning)和"无监督学习"(unsupervisedlearning)，亦称“有导师学习“和“无导师学习”确切地说，是"未见示例"(unseeninstance)。分类和回归是前者的代表，而聚类则是后者的代表。
3.3目标机器学习的目标是使学得的模型能很好地适用于"新样本"，而不是仅仅在训练样本上工作得很好;学得模型适用于新样本的能力，称为"泛化"(generalization)能力.具有强泛化能力的模型能很好地适用于整个样本空间.于是，尽管训练集通常只是样本需间的一个很小的采样，我们仍希望它能很好地反映出样本空间的特性，否则就很难期望在训练集上学得的模型能在整个样本空间上都工作得很好。
3.4算法机器学习的经典算法主要有五种类型,分别为:(1)聚类算法,采用各种距离度量技术将一系列的数据点划分到K类中,划分后的聚类结构具有类内相似、类间差距最大的特点。(2)分类算法,事先按照一定的标准给一组对象集合进行分类,并赋予类标签,训练出学习模型,利用该模型对未知对象进行分类。(3)回归算法,综合考虑整个数据集中因变量和自变量之间的关系进行建模,进而利用模型对给定的自变量进行计算得到预测值。(4)关联规则算法,在整个事务型数据中分析同时出现次数较多的频繁项集,并将出现次数满足一定阈值的频繁项集作为关联项集。(5)降维算法,在机器学习过程中由于对象属性较多,为了降低计算复杂度利用各种度量技术将高维空间中的数据转换成低维空间中的数据。（摘自：并行机器学习算法基础体系前沿进展综述）（1）人工智能的常用十种算法_人工智能_fanyun的博客-CSDN博客https://blog.csdn.net/fanyun_01/article/details/83505856（2）(5条消息)人工智能常见算法简介_人工智能_nfzhlk的专栏-CSDN博客https://blog.csdn.net/nfzhlk/article/details/82725769?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase（3）周志华老师的西瓜书很不错。
3.5学习方式机器学习按照学习方法分类可分为:监督学习、无监督学习、半监督学习和强化学习、若监督学习。（1）监督学习（Supervisedlearning），监督学习指的是用打好标签的数据训练预测新数据的类型或值。（2）无监督学习（Unsupervisedlearning），无监督学习是在数据没有标签的情况下做数据挖掘,无监督学习主要体现在聚类。简单来说是将数据根据不同的特征在没有标签的情况下进行分类。无监督学习的典型方法有k-聚类及主成分分析等。（3）半监督学习（Semi-Supervisedlearning），半监督学习根据字面意思可以理解为监督学习和无监督学习的混合使用。事实上是学习过程中有标签数据和无标签数据相互混合使用。一般情况下无标签数据比有标签数据量要多得多。（4）强化学习（Reinforcementlearning），强化学习是通过与环境的交互获得奖励,并通过奖励的高低来判断动作的好坏进而训练模型的方法，可以得到一个延迟的反馈，并且只有提示你是离答案越来越近还是越来越远。（5）弱监督学习，弱监督通常分为三种类型：不完全监督（半监督学习）、不确切监督、不准确监督。不确切监督：训练的数据有一个弱标签，希望通过深度学习，得到一个强标签。比如说，知道一张图片是一只猫，通过训练知道猫在那里，将猫和背景分离开来。不准确监督：有些标签是错误的，不准确的。
4深度学习发展内容4.1深度学习的发展历程（1）1943年,心理学家McCulloch和数理逻辑学家Pitts提出了神经元的第1个数学模型———MP模型（以他们两的名字命名）[1].它大致模拟了人类神经元的工作原理,但需要手动设置权重,十分不便。MP模型具有开创意义,为后来的研究工作提供了依据.（2）1958年,Rosenblatt[2]教授提出了感知机模型(perceptron),Rosenblatt在MP模型的基础之上增加了学习功能,提出了单层感知器模型,第一次把神经网络的研究付诸实践[2,3].尽管相比MP模型,该模型能更自动合理地设置权重,但同样存在较大的局限,难以展开更多的研究。（3）Minsky教授于和Paper教授于1969年证明了感知机模型只能解决线性可分问题,不能够处理线性不可分问题，并且否定了多层神经网络训练的可能性,甚至提出了“基于感知机的研究终会失败”的观点,此后十多年的时间内,神经网络领域的研究基本处于停滞状态。（4）20世纪80年代,计算机飞速发展,计算能力相较以前也有了质的飞跃。直至1986年,Rumelhart等人[4]在Nature上发表文章,提出了一种按误差逆传播算法训练的多层前馈网络—反向传播网络(BackPropagationNetwork,BP网络),解决了原来一些单层感知器所不能解决的问题.BP算法的提出不仅有力地回击了Minsky教授等人的观点,更引领了神经网络研究的第二次高潮。随后,玻尔兹曼机、卷积神经网络、循环神经网络等神经网络结构模型均在这一时期得到了较好的发展。（5）由于在20世纪90年代,各种浅层机器学习模型相继被提出,较经典的如支持向量机[5],而且当增加神经网络的层数时传统的BP网络会遇到局部最优、过拟合及梯度扩散等问题,这些使得深度模型的研究被搁置.（6）1990年,LeCun等[4]提出了现代CNN框架的原始版本,之后又对其进行了改进,于1998年提出了基于梯度学习的CNN模型——LeNet-5[5],并将其成功应用于手写数字字符的识别中,1998年的LeNet.最早提出了卷积神经网络，并用于手写数字识别.只是由于当时缺乏大规模的训练数据,计算机的计算能力也有限,所以LeNet在解决复杂问题(例如大规模的图像和视频分类问题)时,效果并不好（陈超,齐峰.卷积神经网络的发展及其在计算机视觉领域中的应用综述[J].计算机科学,2019,46(03):63-73.）这篇paper写的很好。（7）2006年,机器学习领域泰斗Hinton[5]及其团队在Science上发表了关于神经网络理念突破性的文章,首次提出了深度学习的概念,并指明可以通过逐层初始化来解决深度神经网络在训练上的难题。该理论的提出再次激起了神经网络领域研究的浪潮。Hinton教授解决了BP神经网络算法梯度消失的问题,深度学习的思想再次回到了大众的视野之中,也正因为如此,2006年被称为是深度学习发展的元年。前6个发展历史的参考文献（付文博,孙涛,梁藉,闫宝伟,范福新.深度学习原理及应用综述[J].计算机科学,2018,45(S1):11-15+40.）（周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报,2017,40(06):1229-1251.）（8）2011年,吴恩达领导Google科学家们用16000台电脑成功模拟了一个人脑神经网络;（9）2012年,Hinton教授带领团队参加ImageNet图像识别比赛。在比赛中,Hinton团队所使用的深度学习算法一举夺魁,其性能达到了碾压第二名SVM算法的效果,自此深度学习的算法思想受到了业界研究者的广泛关注。深度学习的算法也渐渐在许多领域代替了传统的统计学机器学习方法,成为人工智能中最热门的研究领域（周晟颐.深度学习技术综述[J].科技传播,2018,10(20):116-118.DOI:10.16607/j.cnki.1674-6708.2018.20.058）（10）2013年,欧洲委员会发起模仿人脑的超级计算机项目,同年1月,百度宣布成立深度学习研究院。（11）2014年,2014年出现了两个很有影响力的卷积神经网络模型——依旧致力于加深模型层数的VGGNet和在模型结构上进行优化的InceptionNet深度学习模型Top-5在ImageNet2014计算机识别竞赛上拔得头筹,同年,腾讯和京东也分别成立了自己的深度学习研究室。（12）2014年,生成对抗网络[6]的提出是深度学习的又一突破性进展,将生成模型和判别模型紧密联系起来。（乔风娟,郭红利,李伟,李彬.基于SVM的深度学习分类研究综述[J].齐鲁工业大学学报,2018,32(05):39-44.DOI:10.16442/j.cnki.qlgydxxb.2018.05.008）（13）2016年,AlphaGo击败围棋世界冠军李在石,同年9月,中国科学院计算技术研究所发布“寒武纪1A”深度神经元网络处理器。这一切都显著地表明了一个事实:深度学习正在有条不紊地发展着,其影响力不断扩大。(付文博,孙涛,梁藉,闫宝伟,范福新.深度学习原理及应用综述[J].计算机科学,2018,45(S1):11-15+40.)
这篇文章写的很详细（张荣,李伟平,莫同.深度学习研究综述[J].信息与控制,2018,47(04):385-397+410.DOI:10.13976/j.cnki.xk.2018.8091）
2008年到2017年知网上深度学习相关论文发表数量和比例趋势图
对一幅图像来说，像素级的特征是没有意义的复杂的图像都是由一些基本的图像构成。
4.2深度学习算法4.2.1神经网络的本质：理解具有全连接层的神经网络的一个方式是：可以认为它们定义了一个由一系列函数组成的函数族，网络的权重就是每个函数的参数。
神经网络可以近似任何连续函数。
基于深度学习的算法有分类和回归两类。回归问题指预测出一个连续值的输出,例如可以通过房价数据的分析,根据样本的数据输入进行拟合,进而得到一条连续的曲线用来预测房价。分类问题指预测一个离散值的输出,例如根据一系列的特征判断当前照片是狗还是猫,输出值就是1或者0。深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及6类方法：(1)基于卷积运算的神经网络系统，即卷积神经网络(CNN)。(2)基于多层神经元的自编码神经网络，包括自编码(Autoencoder)以及近年来受到广泛关注的稀疏编码两类(SparseCoding)。(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(DBN)。（4）限制玻尔兹曼机（ＲｅｓｔｒｉｃｔｅｄＢｏｌｔｚｍａｎｎＭａｃｈｉｎｅ，ＲＢＭ）（5）循环神经网络（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ，ＲＮＮ）（6）生成对抗网络(GAN)深度神经网络分为以下3类(如下图所示).
前馈深度网络(feed-forwarddeepnetworks,FFDN),由多个编码器层叠加而成,如多层感知机(multi-layerperceptrons,MLP)[31-32]、卷积神经网络(convolutionalneuralnetworks,CNN)[33-34]等.反馈深度网络(feed-backdeepnetworks,FBDN),由多个解码器层叠加而成,如反卷积网络(deconvolutionalnetworks,DN)[30]、层次稀疏编码网络(hierarchicalsparsecoding,HSC)[35]等.双向深度网络(bi-directionaldeepnetworks,BDDN),通过叠加多个编码器层和解码器层构成(每层可能是单独的编码过程或解码过程,也可能既包含编码过程也包含解码过程),如深度玻尔兹曼机(deepBoltzmannmachines,DBM)[36-37]、深度信念网络(deepbeliefnetworks,DBN)[26]、栈式自编码器(stackedauto-encoders,SAE)[38]等.（尹宝才,王文通,王立春.深度学习研究综述[J].北京工业大学学报,2015,41(01):48-59.）深度学习发展非常迅速,涌现出诸多模型。深度置信网络、自编码器[9]、卷积神经网络[10]和循环神经网络[11]构成了早期的深度学习模型,随后由这些模型演变出许多其他模型,主要包括稀疏自编码器[12]、降噪自编码器[13]、堆叠降噪自编码器[14]、深度玻尔兹曼机[15]、深度堆叠网络[16]、深度对抗网络[17]和卷积深度置信网络[18]等（[1]史加荣,马媛媛.深度学习的研究进展与发展[J].计算机工程与应用,2018,54(10):1-10.）
4.3深度学习特点深度网络[12-13]包含多层非线性映射,具有多个隐藏层,每一层提取出相应的特征,经过多层次的提取和结合,得到更有利于分类的高级特征。其特点可以概括为:1)深层次，2)非线性，3)逐层特征提取，深度学习模型有支持向量机无法比拟的非线性函数逼近能力,能够很好地提取并表达数据的特征,深度学习模型的本质是特征学习器[30]。（乔风娟,郭红利,李伟,李彬.基于SVM的深度学习分类研究综述[J].齐鲁工业大学学报,2018,32(05):39-44.DOI:10.16442/j.cnki.qlgydxxb.2018.05.008）DNN的两个非常重要的特征是多层和非线性.DNN的两个非常重要的特征是多层和非线性[30],多[30],多层是为了符合分布式知识表达(1.1节)的要求,非线性是为了解决更加复杂的问题（张政馗,庞为光,谢文静,吕鸣松,王义.面向实时应用的深度学习研究综述[J].软件学报,1-25.DOI:10.13328/j.cnki.jos.005946）。
4.4最新研究，很重要AutoML(AutomatedMachineLearning)[82]和神经架构搜索(NeuralArchitectureSearch,NAS)的发展促进了深度学习模型的自动化设计.AutoML是模型选择、特征抽取和超参数调优等一系列自动化方法,可以实现自动训练有价值的模型.机器学习最耗费人力的部分主要是数据清洗和模型调参,而这部分过程如果采用自动化方式实现将会加快网络模型的开发过程.（张政馗,庞为光,谢文静,吕鸣松,王义.面向实时应用的深度学习研究综述[J].软件学报,1-25.DOI:10.13328/j.cnki.jos.005946）另外可以将深度学习与svm结合，深度学习中全连接层将输出转化为一维向量，将得到的一维向量作为SVM的输入,进行训练,并在测试集上进行验证。（乔风娟,郭红利,李伟,李彬.基于SVM的深度学习分类研究综述[J].齐鲁工业大学学报,2018,32(05):39-44.DOI:10.16442/j.cnki.qlgydxxb.2018.05.008）随着人类社会的飞速发展，在越来越多复杂的现实场景任务中，需要利用ＤＬ来自动学习大规模输入数据的抽象表征，并以此表征为依据进行自我激励的ＲＬ，优化解决问题的策略．决问题的策略．由此，谷歌的人工智能研究团队ＤｅｅｐＭｉｎｄ创新性地将具有感知能力的ＤＬ和具有决策能力的ＲＬ相结合，形成了人工智能领域新的研究热点，即深度强化学习（ＤｅｅｐＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇ，ＤＲＬ）．（刘全,翟建伟,章宗长,钟珊,周倩,章鹏,徐进.深度强化学习综述[J].计算机学报,2018,41(01):1-27.）。（张昱航.基于端到端的深度网络优化算法[D].中国科学院大学(中国科学院深圳先进技术研究院),2020.这篇文章介绍的很详细
5卷积神经网络发展内容5.1卷积神经网络介绍卷积神经网络具有局部感知、共享权重和池化降采样三大特点,被广泛应用于图像处理中（吴雨茜,王俊丽,杨丽,余淼淼.代价敏感深度学习方法研究综述[J].计算机科学,2019,46(05):1-12.）。广泛应用于图像分类和物体识别等场景.CNN网络的架构可以用公式[3]来[3]来表示:输入层→(卷积层+→池化层?)+→全连接层+,其中“卷积层+”表示一层或多层卷积层(CONV),“池化层?”表示没有或一层池化层(POOL).卷积层的全连接层+,其中“卷积层+”表示一层或多层卷积层(CONV),“池化层?”表示没有或一层池化层(POOL).卷积层的以极大减少训练阶段需要优化的总参数量.池化层可以非常有效地缩减矩阵的尺寸(主要用于减小矩阵的长和宽),从而减少最后全连接层中的参数,并有防止过拟合的作用。卷积、非线性变换（激活函数）和下采样3个阶段构成的单层卷积神经网络如下图所示.。（尹宝才,王文通,王立春.深度学习研究综述[J].北京工业大学学报,2015,41(01):48-59.）
多层卷积神经网络深度学习算法具有可移植性。（肖堃.多层卷积神经网络深度学习算法可移植性分析[J/OL].哈尔滨工程大学学报:1-6[2020-05-0714:46].）
5.2卷积神经网络处理计算机视觉的原理**对一幅图像来说，像素级的特征是没有意义的复杂的图像都是由一些基本的图像构成。**浅层卷积层可以得到物体的边缘信息，深层卷积层可以得到物体更抽象更细节的信息。
另外一个计算原理就是：本质上就是一个个线性方程，比如y=ax+b,进行曲线的拟合。使得交叉熵或其它损失函数指最小。神经元模型是从神经元上受到了启发，但是在计算机视觉图片和卷积神经网络中是受大脑皮层的启发。
致谢对本文中所用到的资料的作者表示最崇高的感谢！