中国人工智能迅速发展

郑瑟

　　工信部印发《促进新一代人工智能产业发展三年行动计划(2018-2020年)》，以产业化和集成应用为重点，推进人工智能和制造业深度融合。

　　这是中国推进人工智能产业发展的最新举措之一。近年来中国持续以空前的广度、深度、力度，推进人工智能产业加速发展。

　　中国发展人工智能技术，目的之一在于使其更好地促进经济发展。国家信息中心经济预测部副研究员程伟力说，作为新一轮产业变革核心驱动力，人工智能将进一步释放历次科技革命积蓄的巨大能量，重构生产、分配、消费等环节，形成从宏观到微观的智能化新需求，引发经济结构重大变革。

　　“中国经济发展进入新常态，面临深化供给侧结构性改革的艰巨任务。应当加快人工智能深度应用，培育壮大人工智能产业，为经济增长注入新动能。”程伟力说。

　　目前，人工智能技术正越来越多应用于传统制造业，成为促进后者转型升级的重要着力点之一。

　　中国自动化学会副理事长桂卫华表示，流程工业是传统制造业的基础与核心，因而推进流程工业发展智能制造十分关键。

　　通过应用人工智能技术，能够实现生产关键工序的智能化、精准化，为制造业企业向产业链中高端迈进提供更强的技术保障。例如，随着机器人产业加速与人工智能技术融合，使得机器人变得越来越智能化，在工业生产领域可以发挥更大作用。

　　江苏南京埃斯顿公司的电焊机器人，“手”举焊枪可准确无误对准汽车车身各个点位。“我们通过升级机器人的运动控制算法，使其精度能达到0.5毫米，已经应用到多家汽车企业生产线上。”公司电气工程师陈康说，在智能造车工厂，汽车上线前只有底板和框架，随导轨前行，门框、顶盖、天窗等由机器人一次焊接完成。

　　北京邮电大学电子工程学院教授邓中亮说，人工智能产业将给众多传统产业带来革命性变革，进而创造出更大的经济价值，推动民众生活质量不断提升。

　　“人工智能产业迅猛发展，也使其在整体经济中的占比逐步提升，有利于经济结构的改善优化。”邓中亮说。

　　近年来，中国人工智能迅速发展。数据显示，2007年至2016年，全球人工智能领域论文中，中国占比近20%，发明专利授权量世界第二。过去两年，中国新增人工智能企业数超过前10年的企业数总和，一批龙头骨干企业加速成长。

　　工信部副部长陈肇雄说，目前产学研各界围绕人工智能前沿技术进行全面攻关，图像识别、语音识别、无人驾驶等应用技术进展迅速，智能网联汽车、机器人、无人机、智能家居等领域形成大量特色鲜明的应用案例。

　　智能语音识别领域知名企业科大讯飞推出的语音开放云平台，目前日处理量次数达40亿次，相关技术在同类企业中处于领先地位。公司上半年营收21.02亿元，同比增长43.8%。

　　根据国务院发布的新一代人工智能发展规划，到2030年，中国将实现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。

　　“按照上述数据匡算，届时人工智能产业在中国经济版图中将占有更重要的地位。”程伟力说。

　　世界各国的互联网巨头都在人工智能领域不断发力。如苹果、谷歌、微软、亚马逊等，纷纷成立人工智能实验室，投入越来越多资源抢占人工智能市场，甚至整体转型为人工智能公司，并陆续将人工智能研发成果应用在产品上。

　　“面对更激烈的竞争，中国未来应当继续优化人工智能产业发展环境，促进该产业实现更好的发展，同时也应该鼓励国内企业与国外企业开展更多合作，为全球人工智能产业发展作出贡献。”邓中亮说。

　　虽然经济持续嗡嗡作响，就业仍处于历史高位，人工智能和智能自动化预计将创造更多的就业机会而不是消除，快速上涨的潮流并不能提升所有船只。事实上，有些人可能会难以维持下去，而今天的一些数字巨人将需要自我中断才能保持相关性。

　　"Forrester预测2018年：推算年"假设市场动态将会倾向于"那些采取积极行动并为那些仍然坚持以前工作的人创造存在风险的人"。

　　安全仍然是头等大事，人工智能及其所有的承诺，有可能使网络威胁更加强大和有针对性，帮助创造一个假冒的现实，甚至会欺骗老练的用户分享个人信息。但是，人工智能也可以成为筛选大量信息和识别威胁的重要工具。或者，在智能商业软件的情况下，承认机会。

　　Workday公司首席技术官Joan Korngiebel认为，"人工智能将深入企业，以影响工作如何完成。工业将被打乱，核心职能将大幅度改变，新的工作角色也会被创造出来。"

　　我们现在所谈论的人工智能，源自于一个“度假项目”。达特茅斯学院教授约翰·麦卡锡(John McCarthy)在1956年夏天发明了这个词，当时他邀请了一个研究团队花几个星期的时间来研究如何让机器做一些像使用语言之类的事情。他非常希望能在人类级机器上取得突破。“我们认为可以取得重大进展，”他与合作组织者写道，“如果一个精心挑选的科学家团队在一起花一个夏天的时间来研究的话。”

　　但这个希望没有实现，麦卡锡后来承认，是他过于乐观了。但是，这个研讨会帮助那些梦想着让机器智能化的研究人员聚集到了一个合适的学术领域。

　　塑造人工智能的瞬间

　　1956年

　　达特茅斯夏季人工智能研究项目将一个新领域命名为“人工智能”，该领域涉及的是让软件变得像人类一样聪明。

　　1965

　　麻省理工学院的约瑟夫·维森鲍姆(Joseph Weizenbaum)创建了第一个聊天机器人Eliza，它是一名心理治疗师。

　　1975年

　　Meta-dendral是斯坦福大学开发的一种解释化学分析的程序，使计算机的首次发现发表在了一个参考期刊上。

　　1987年

　　一辆装有两个摄像头和一堆计算机的奔驰车在德国高速公路上行驶了20公里，时速超过了55英里，这是由工程师恩斯特·迪克曼斯(Ernst Dickmanns)领导的一个学术项目。

　　1997年

　　IBM的计算机深蓝打败了国际象棋世界冠军加里·卡斯帕罗夫(Garry Kasparov)。

　　2004年

　　五角大楼将DARPA超级挑战赛阶段化，这是一项在莫哈韦沙漠的自动驾驶汽车竞赛，催动了自动驾驶汽车工业化。

　　2012年

　　在一个名为“深度学习”的细分领域，研究人员通过展示他们的想法可以使语音和图像识别更加准确，从而激发了新的公司对人工智能的兴趣。

　　2016年

　　由谷歌旗下DeepMind开发的AlphaGo打败了世界围棋冠军李世石。

　　早期的工作通常集中在解决数学和逻辑上相当抽象的问题上。但不久之后，人工智能开始在更多的人工任务上显示出有希望的结果。在20世纪50年代末，亚瑟·塞缪尔(Arthur Samuel)发明了一个程序，学会了怎么下跳棋。1962年，在比赛中战胜了一位大师。1967年, 一个叫做 Dendral 的程序表明, 它可以复制化学家解释化学样品组成的质谱数据的方式。

　　随着人工智能领域的发展，制造智能机器的策略也有所不同。一些研究人员试图将人类的知识转化为代码，或者为诸如理解语言这样的任务制定规则。另一些则是受到了学习人类和动物智能的重要性的启发。他们建立的系统可以随着时间的推移变得更好，也许是通过模拟进化或者从样本数据中学习。这个领域建立了一个又一个的里程碑，计算机也掌握了很多以前只能由人来完成的任务。

　　深度学习，是当前人工智能领域的快速爆发的燃料，它是人工智能领域最古老的想法之一。这项技术是通过数学的网络传递数据，整个网络都是仿造大脑细胞是如何工作的来建成的，所以被称为人工神经网络。当一个网络处理训练数据时，网络的各个部分之间的连接会进行调整，从而建立一个解释未来数据的能力。

　　人工神经网络在达特茅斯研讨会之后不久就成为了人工神经网络的一个既定理念。例如，在1958年, 充满空间的感知器马克1号(Perceptron Mark 1)就学会了区分不同的几何图形, 并被《纽约时报》称为"为阅读和增长智慧而设计的计算机的胚胎" 。但是，在1969年，麻省理工学院的马文•明斯基(Marvin Minsky)与人联合撰写了一本颇具影响力的书中指出，神经网络的作用并不是很强大，紧接着它就“失宠”了。

　　但并不是所有人都认可明斯基的观点。有一些研究人员在过去的几十年里一直在坚持研究这项技术，并保持着它的生命力。直到2012年，他们才被证明是正确的。当时一系列的实验表明，由大量数据和强大的计算机芯片提供的神经网络可以赋予机器新的感知能力。

　　一个值得注意的结果是, 多伦多大学的研究人员在一年一度的对图像进行分类的竞赛中击败了竞争对手。在另一项研究中，来自IBM、微软和谷歌的研究人员联合发表了一份研究报告，结果显示深度学习也能显著提高语音识别的准确度。从这个时候开始，科技公司开始疯狂地招聘所有他们能找到的深度学习专家。

　　人工智能的未来

　　哪怕人工智能领域取得的进去在明天会停止，但也不要期望它能停下改变世界的脚步。

　　谷歌、微软和亚马逊等大型科技公司积累了大量的人工智能人才和令人印象深刻的计算机阵列，以支持他们的核心业务——投放广告或预测你的下一笔交易。

　　他们也开始尝试通过邀请其他人在他们的网络上运行人工智能项目来赚钱，这将有助于推动医疗保健或国家安全等领域的进步。人工智能硬件的改进、机器学习培训课程的增长以及开源机器学习项目也将加速人工智能向其他行业的传播。

　　与此同时，消费者可以期待更多的设备和服务与人工智能功能相结合。尤其是谷歌和亚马逊，机器学习的改进将使他们的虚拟助手和智能音箱更加强大。就拿亚马逊来说，它设计了一款配备了摄像头的设备，能够识别出其主人，并监控周围的世界。

　　商业上的可能性将会使人工智能研究者迎来黄金时代。关于研究如何制造智能机器的实验室比以往任何时候都要多，它们所获得的资金也更充足。但仍旧有很多工作要做：尽管人工智能领域最近取得了一些进展，但在不久的将来，还是会有很多事情是机器无法做到的，比如理解语言的细微差别，常识推理，以及从一个或两个例子中学习一项新技能。如果人工智能软件想要接近人类的多面性、适应性和创造性智慧，就必须要攻克这些难关。一个深度学习的先驱，谷歌的杰夫•辛顿(Geoff Hinton)认为，想要在这一重大挑战上取得进展, 就必须重新思考该领域的一些基础。

　　随着人工智能系统变得越来越强大，它们也必将面临越来越多的审查。政府在刑事司法等领域使用软件通常是有缺陷的，或者是保密的，像Facebook这样的公司已经开始正视自己算法的缺点。更强大的人工智能有可能造成更严重的问题，例如，长期存在的对女性或黑人的偏见。一些民间社会团体，甚至是科技行业本身也在探索人工智能的安全和伦理准则。想要在机器变得更加智能过程中获取好处，我们需要更加聪明地对待机器。

　　根据新华社、人民网、经济日报等採编【版权所有，文章观点不代表华发网官方立场】