资源描述
单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,2019/7/11,#,智慧楼宇智慧安防一体化管控平台建设方案,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,2019/7/11,#,智慧小区云服务平台整体解决方案智慧小区云服务平台整体解决方案智慧小区云服务平台整体解决方案,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,2019/7/11,#,AI,人工智能顶层设计及介绍,2,0,1,9,1,人工智能顶层设计,2,人工智能综述,3,第三次人工智能发展热潮,4,人工智能产业链,5,AI,应用技术案例,一、人工智能顶层设计,中国政府和美国政府都把人工智能当做未来主导型战略,出台发展战略规划,从国家战略层面进行整体推进。,美国和中国都在国家层面建立了相对完整的研发促进机制,协同推进人工智能发展。美国一直处在人工智能基础研究的前沿,保存全球领先地位。中国在基础算法和理论研究方面,还有相当的差距。,2016,年,10,月,为未来人工智能作好准备,报告,国家人工智能研发战略规划,报告,2016,年,12,月,人工智能、自动化和经济,白皮书,2017,年,7,月,8,日,新一代人工智能发展规划,2017,年,7,月,12,日,人工智能与国家安全,报告,2015,年,7,月,“,互联网,+”,人工智能,3,年行动实施方案,2016,年,5,月,关于积极推进“互联网,+”,行动的指导意见,2016,年,3,月,“人工智能”一词写入国家“十三五”规划纲要,一、人工智能顶层设计,解读,新一代人工智能发展规划,新一代人工智能发展规划,1),人工智能发展进入新阶段。,2),人工智能成为国际竞争的新焦点,3),人工智能成为经济发展的新引擎,4),人工智能带来社会建设的新机遇,5),人工智能发展的不确定性带来新挑战,6),我国发展人工智能具有良好基础,7),与发达国家相比仍存在差距,8),主动求变应变,牢牢把握人工智能发展的重大历史机遇,一、战略态势,二、总体要求,(一)指导思想,全面贯彻党的十八大和十八届三中、四中、五中、六中全会精神,深入学习贯彻习近平总书记系列重要讲话精神和治国理政新理念新思想新战略,按照“五位一体”总体布局和“四个全面”战略布局,认真落实党中央、国务院决策部署,深入实施创新驱动发展战略,以加快人工智能与经济、社会、国防深度融合为主线,以提升新一代人工智能科技创新能力为主攻方向,发展智能经济,建设智能社会,维护国家安全,构筑知识群、技术群、产业群互动融合和人才、制度、文化相互支撑的生态系统,前瞻应对风险挑战,推动以人类可持续发展为中心的智能化,全面提升社会生产力、综合国力和国家竞争力,为加快建设创新型国家和世界科技强国、实现“两个一百年”奋斗目标和中华民族伟大复兴中国梦提供强大支撑。,(二)基本原则,二、总体要求,(三)战略目标,一、人工智能顶层设计,解读,新一代人工智能发展规划,二、总体要求,(四)总体部署,发展人工智能是一项事关全局的复杂系统工程,要按照“构建一个体系、把握双重属性、坚持三位一体、强化四大支撑”进行布局,形成人工智能健康持续发展的战略路径。,三、重点任务,一、人工智能顶层设计,解读,新一代人工智能发展规划,三、重点任务,专栏,1,基础理论,1.,大数据智能理论。研究数据驱动与知识引导相结合的人工智能新方法、以自然语言理解和图像图形为核心的认知计算理论和方法、综合深度推理与创意人工智能理论与方法、非完全信息下智能决策基础理论与框架、数据驱动的通用人工智能数学模型与理论等。,2.,跨媒体感知计算理论。研究超越人类视觉能力的感知获取、面向真实世界的主动视觉感知及计算、自然声学场景的听知觉感知及计算、自然交互环境的言语感知及计算、面向异步序列的类人感知及计算、面向媒体智能感知的自主学习、城市全维度智能感知推理引擎。,3.,混合增强智能理论。研究“人在回路”的混合增强智能、人机智能共生的行为增强与脑机协同、机器直觉推理与因果模型、联想记忆模型与知识演化方法、复杂数据和任务的混合增强智能学习方法、云机器人协同计算方法、真实世界环境下的情境理解及人机群组协同。,4.,群体智能理论。研究群体智能结构理论与组织方法、群体智能激励机制与涌现机理、群体智能学习理论与方法、群体智能通用计算范式与模型。,5.,自主协同控制与优化决策理论。研究面向自主无人系统的协同感知与交互,面向自主无人系统的协同控制与优化决策,知识驱动的人机物三元协同与互操作等理论。,6.,高级机器学习理论。研究统计学习基础理论、不确定性推理与决策、分布式学习与交互、隐私保护学习、小样本学习、深度强化学习、无监督学习、半监督学习、主动学习等学习理论和高效模型。,7.,类脑智能计算理论。研究类脑感知、类脑学习、类脑记忆机制与计算融合、类脑复杂系统、类脑控制等理论与方法。,8.,量子智能计算理论。探索脑认知的量子模式与内在机制,研究高效的量子智能模型和算法、高性能高比特的量子人工智能处理器、可与外界环境交互信息的实时量子人工智能系统等。,一、人工智能顶层设计,解读,新一代人工智能发展规划,三、重点任务,一、人工智能顶层设计,解读,新一代人工智能发展规划,三、重点任务,专栏,2,关键共性技术,1.,知识计算引擎与知识服务技术。研究知识计算和可视交互引擎,研究创新设计、数字创意和以可视媒体为核心的商业智能等知识服务技术,开展大规模生物数据的知识发现。,2.,跨媒体分析推理技术。研究跨媒体统一表征、关联理解与知识挖掘、知识图谱构建与学习、知识演化与推理、智能描述与生成等技术,开发跨媒体分析推理引擎与验证系统。,3.,群体智能关键技术。开展群体智能的主动感知与发现、知识获取与生成、协同与共享、评估与演化、人机整合与增强、自我维持与安全交互等关键技术研究,构建群智空间的服务体系结构,研究移动群体智能的协同决策与控制技术。,4.,混合增强智能新架构和新技术。研究混合增强智能核心技术、认知计算框架,新型混合计算架构,人机共驾、在线智能学习技术,平行管理与控制的混合增强智能框架。,5.,自主无人系统的智能技术。研究无人机自主控制和汽车、船舶、轨道交通自动驾驶等智能技术,服务机器人、空间机器人、海洋机器人、极地机器人技术,无人车间,/,智能工厂智能技术,高端智能控制技术和自主无人操作系统。研究复杂环境下基于计算机视觉的定位、导航、识别等机器人及机械手臂自主控制技术。,6.,虚拟现实智能建模技术。研究虚拟对象智能行为的数学表达与建模方法,虚拟对象与虚拟环境和用户之间进行自然、持续、深入交互等问题,智能对象建模的技术与方法体系。,7.,智能计算芯片与系统。研发神经网络处理器以及高能效、可重构类脑计算芯片等,新型感知芯片与系统、智能计算体系结构与系统,人工智能操作系统。研究适合人工智能的混合计算架构等。,8.,自然语言处理技术。研究短文本的计算与分析技术,跨语言文本挖掘技术和面向机器认知智能的语义理解技术,多媒体信息理解的人机对话系统。,一、人工智能顶层设计,解读,新一代人工智能发展规划,三、重点任务,专栏,3,基础支撑平台,1.,人工智能开源软硬件基础平台。建立大数据人工智能开源软件基础平台、终端与云端协同的人工智能云服务平台、新型多元智能传感器件与集成平台、基于人工智能硬件的新产品设计平台、未来网络中的大数据智能化服务平台等。,2.,群体智能服务平台。建立群智众创计算支撑平台、科技众创服务系统、群智软件开发与验证自动化系统、群智软件学习与创新系统、开放环境的群智决策系统、群智共享经济服务系统。,3.,混合增强智能支撑平台。建立人工智能超级计算中心、大规模超级智能计算支撑环境、在线智能教育平台、“人在回路”驾驶脑、产业发展复杂性分析与风险评估的智能平台、支撑核电安全运营的智能保障平台、人机共驾技术研发与测试平台等。,4.,自主无人系统支撑平台。建立自主无人系统共性核心技术支撑平台,无人机自主控制以及汽车、船舶和轨道交通自动驾驶支撑平台,服务机器人、空间机器人、海洋机器人、极地机器人支撑平台,智能工厂与智能控制装备技术支撑平台等。,5.,人工智能基础数据与安全检测平台。建设面向人工智能的公共数据资源库、标准测试数据集、云服务平台,建立人工智能算法与平台安全性测试模型及评估模型,研发人工智能算法与平台安全性测评工具集。,一、人工智能顶层设计,解读,新一代人工智能发展规划,三、重点任务,一、人工智能顶层设计,解读,新一代人工智能发展规划,三、重点任务,一、人工智能顶层设计,解读,新一代人工智能发展规划,三、重点任务,一、人工智能顶层设计,解读,新一代人工智能发展规划,三、重点任务,一、人工智能顶层设计,解读,新一代人工智能发展规划,四、资源配置,五、保障措施,一、人工智能顶层设计,解读,新一代人工智能发展规划,六、组织实施,一、人工智能顶层设计,解读,新一代人工智能发展规划,一、人工智能顶层设计,美国,AI,战略发展态势,美国充分认识到人工智能的战略意义,从国家战略层面来布局,AI,领域的技术研发。卓越的技术研发机构,理论学科以及各类实验室为人工智能的发展奠定了雄厚的技术基础,并且也取得了大批令人瞩目的研发成果。表明政府在推动人工智能技术发展的过程中发挥着重要作用。反过来,人工智能技术能给当今以及未来的美国社会带来巨大的效益,不仅会提高美国的经济活力和生产力,而且能改善民众福利。,国家人工智能研究和发展战略计划,主要包括下列七大战略:,AI,研究的长期投资战略;(基础研究战略),开发有效的人类与人工智能合作措施战略;(人机交互战略),AI,的伦理、法律和社会学研究战略;(社会学战略),确保,AI,系统的安全战略;(安全战略),开发适用于,AI,培训和测试的公共共享数据集和环境战略;(数据和环境战略),通过标准和基准测量和评估,AI,技术战略;(标准战略),更好的了解国家,AI,研发人力需求战略。(人力战略),一、人工智能顶层设计,美国,AI,战略发展态势,七大战略的具体关系,一、人工智能顶层设计,中国,AI,发展态势,中国人口基数大,移动互联网发展迅速,有庞大的数据资源优势。另外商业化应用场景丰富,在人工智能应用领域将出现更多突破。同时,中国在人工智能研究领域的技术和人才储备也正在快速崛起。,在中国,传统科技巨头百度、阿里巴巴和腾讯目前在人工智能领域处于领先地位。在它们之后,国内还有上百家创业公司正在人工智能的各个方向探索新技术。目前,语音识别和计算机视觉与图像是国内人工智能市场最热门的两个领域。另一方面,传统行业的公司也在积极引入人工智能,以降低自己的运营成本。在人工智能的影响下,新的细分领域将会出现(如无人机和智能机器人),传统行业(如家电、汽车和玩具)也将发生深刻的变革。作为全球最大的汽车市场、最大的家电生产国和最大的无人家生产国,中国正在形成全球最具吸引力的人工智能生态环境。,经过多年的持续积累,中国在人工智能领域取得重要进展,国际科技论文发表量和发明专利授权量已居世界第二,部分领域核心关键技术实现重要突破。语音识别、视觉识别技术世界领先,自适应自主学习、直觉感知、综合推理、混合智能和群体智能等初步具备跨越发展的能力,中文信息处理、智能监控、生物特征识别、工业机器人、服务机器人、无人驾驶逐步进入实际应用,人工智能创新创业日益活跃,一批龙头骨干企业加速成长,在国际上获得广泛关注和认可。加速积累的技术能力与海量的数据资源、巨大的应用需求、开放的市场环境有机结合,形成了中国人工智能发展的独特优势。,一、人工智能顶层设计,中美人工智能产业对比,一、人工智能顶层设计,中美人工智能产业对比,一、人工智能顶层设计,中美人工智能产业对比,一、人工智能顶层设计,中美人工智能产业对比,这一轮的人工智能技术逇应用中,,自动驾驶、智能医疗、智能安防、服务型机器人、智能交通、智能制造、智能娱乐等应用,成为了全球人工智能市场的热点。,三大支撑平台,第一,基础层的开源算法平台,美国成为此次引领全球人工智能算法研究的领头羊,谷歌、,Facebook,、微软都已推出了深度学习算法的开源平台,而国内目前仅有百度推出开放平台,paddle paddle,。,第二,技术层的云平台,除了算法意外,大数据、云计算都是实现人工智能技术应用的关键性设施。从目前中美云服务平台发展的情况来看,作为云计算的“先行者”,北美地区仍占据市场主导地位。虽然中国云服务起步晚于美国,但阿里、腾讯、华为等中国互联网及,IT,企业都推出了领先的云服务平台,,Docker,技术在我国云计算领域逐步从实验阶段走向应用阶段,在云服务的基础技术上中美差距已不大,但在,IT,服务环境、用户认知等方面与美国仍存在差距,但这个差距是很快就能缩小并赶超的。,第三,应用层的应用平台,在人工智能应用平台领域,中、美两国的互联网企业均推出基于人工智能技术的垂直应用平台。在语音平台上,美国有谷歌的,Google,assistant,、亚马逊的,Alexa,、,IBM,的,Watson,、微软的,Cortana,、,Facebook,的,Deeptext,等领先企业的语音平台,国内百度的百度大脑、科大讯飞语音开放平台等,虽然在开放平台的数量上中国不及美国,但从整体布局来看,基本与美国并驾齐驱。,二、人工智能综述,什么是人工智能,人工智能,(,Artificial Intelligence,),领域,简称,AI,,走的更远:它不但试图理解智能实体,而且还试图建造智能实体。,人工智能是最新兴的科学与工程领域之一。正式的研究工作在第二次世界大战结束后迅速展开,,1956,年创造了“人工智能”这个名称本身。,AI,的八种定义,二、人工智能综述,什么是人工智能,教科书定义,人工智能科学的主旨是研究和开发出智能实体,在这一点上它属于工程学。工程的一些基础学科自不用说,数学、逻辑学、归纳学、系统学、控制学、工程学、计算机科学,还包括哲学、心理学、生物学、神经科学、仿生学、经济学、语言学等其他学科的研究,可以说这是一个集数门学科精华的尖端学科。所以说人工智能是一门综合学科。,实用主义定义,人工智能是研究、开发用于模拟、延伸和扩展人的智能理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支。,人工智能之父之一的马文,.,明斯基(,Marvin Minsky,),将其定义为“让机器作本需要人的智能才能够做到的事情的一门科学”,人工智能另一条路线符号派的司马贺(,Herbert A.Simon,),认为智能是对符号的操作,最原始的符号对应于物理客体。,综合定义,人工智能(,Artificial Intelligence,)是指使用机器代替人类实现认知、识别、分析、决策等功能,其本质是对人的意识与思维的信息过程的模拟,是一门综合了计算机科学、生理学、哲学等学科的交叉学科。凡是使用机器代替人类实现认知、识别、分析、决策等功能,均可认为使用了人工智能技术。,作为一种基础技术,理论上讲人工智能能够被应用在各个基础行业(如,AI+,金融、,AI+,医疗、,AI+,传统制造业等),同时也有其如机器人这样具体应用行业的概念。,什么是人工智能?,二、人工智能综述,什么是人工智能,什么是智能?,从智能手机开始,智能这个词已经泛化了。智能手机出现,智能生产、智能制造、智能产品、智能手表等等都涌现出来,今天我们需要重新理解“智能”一词。我把跟智能相关的概念分成三块,分别是自动化,智能化,人工智能。,自动化,Automation,,用机器代替人工完成工作任务。,智能化,Smartness,智能化产品情境下的“智能化”原属于西方的名词,该词其实很有意思,“智能化”诠释为,Smart,。为什么称之为,Smart,?因为,Smart,是副词,可以加后缀,ness,成为名词。亦因为,Smart,可以加,ness,而成为一个名词,这样便可构建以,Smart,为核心的“智能化”概念框架。智能化产品,比较明确,就是,Smartness of Product,。,而在我国当今引用的“智能”产品,在西方可理解为,Smart,,并非,Intelligent,涵盖的意义。在一定程度上拥有较多或者较少的以下功能维度,可以称之为“智能化产品”(,Smartness of Product,),,如自治、自适应、自反应、多功能、自监控、自修复、自维修、自操作,以及拟人交互功能、有能力与其他装置合作等一系列功能。,不是所有的功能都需要,其中有一定功能因素在里面的,我们都把它叫作智能产品。,人工智能,Artificial Intelligence,指让机器能像人那样认知、思考和学习,即用计算机模拟人的智能。,今天,AI,的典型应用领域主要包括:机器定理证明、机器翻译(自然语言理解)、专家系统(问题求解和知识表达)、博弈(树搜索)、模式识别(多媒体认知)、机器人和智能控制(感知和协同)、深度学习和神经网络、优化的知识管理、不同过程需求的自适应环境变化、有人介入的拟人智能等。,在此,“优化的知识管理”与,Smart,相区别的点在于它具有优化的功能,有人介入的拟人智能则指跟人能对话,执行人的命令,与人有思想互通与对话。,智能化系统,Smart System,将网络系统中的机器(计算机)、代理人、传感器、信息数据都数字化,再与人、装置和商业进程连接,使之具有集体意识和思维。,二、人工智能综述,什么是人工智能,图灵测试,图灵测试(,The Turing test,)由艾伦,麦席森,图灵发明,指测试者与被测试者(一个人和一台机器)隔开的情况下,通过一些装置(如键盘)向被测试者随意提问。行多次测试后,如果有超过,30%,的测试者不能确定出被测试者是人还是机器,那么这台机器就通过了测试,并被认为具有人类智能。,人工智能的不同层次,弱人工智能:,弱人工智能是擅长于单个方面的人工智能。比如有能战胜象棋世界冠军的人工智能,但是它只会下象棋,你要问它怎样更好地在硬盘上储存数据,他就不知道怎么回答你了。,强人工智能(通用人工智能):人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能,人类能干的脑力活它都能干。创造强人工智能的比创造弱人工智能难得多,我们现在还做不到。,LindaGottfrefson,教授把智能定义为“以种宽泛的心理能力,能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。”强人工智能在进行这些操作时应该和人类一样得心应手。,超人工智能:牛津哲学家,知名人工智能思想家,Nick Bostrom,把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多,包括科学创新、通识和社交技能。”超人工智能可以使各方面都比人类强一点,也可以是各方面都比人类强万亿倍的。超人工智能也正是为什么人工智能这个话题这么火热的缘故,同样也是为什么永生和灭绝这两个词会在本文中多次出现。,二、人工智能综述,领域细分,计算机尚需具有以下能力:,自然语言处理,(,natural language processing,),使之能成功地用英文交流;,知识标识,(,knowledge representation,),以存储它知道的或听到的信息;,自动推理,(,automated reasoning,),以运用存储的信息来回答问题并推出新结论;,机器学习,(,machine learning,),以适应新情况并检测和预测模式;,计算机视觉,(,computer vision,),以感知物体;,机器人学,(,robotics,),以操纵和移动对象。,这六个领域构成了,AI,的大部分内容。,二、人工智能综述,领域细分,哲学家们(回溯到公元前,400,年)考虑的想法是思维在某些方面像机器一样,思维对用某种内部语言编码的知识进行操作,思想用于选择采取什么样的行动,数学家们提供了处理确定的逻辑命题或者不确定的概率命题的工具。他们还建立了理解计算和对算法进行推理的基础。,经济学家们形式化了为决策制定者提供最大化期望结果的决策问题。,神经科学家发现了关于大脑如何进行工作的一些事实,以及它与计算机类型和不同的地方。,心里学家们采用了认为人与动物都是信息处理机的思想。语言学家们说明了语言的使用符合这个模型。,计算机工程师们提供了使用,AI,应用成为可能的强大机器。,控制论处理的是如何设计以环境的反馈为基础的执行最优行动的设备。初始的时候,控制论的数学工具与,AI,相当不同,但是两个领域正越来越靠近。,二、人工智能综述,技术体系,二、人工智能综述,应用领域,三、第三次人工智能发展热潮,2006,年,,Hinton,教授发明了一种训练深层网络的新思路,随后三篇论文炸开了深度学习算法突破口。很快,又有公司发明了用于支持深度学习算法的新型芯片,大大改善了旧芯片计算能力不足的问题。在算法和算力的支持下,互联网存储了,20,多年的大量数据终于找到了它历史的使命:训练机器,!,于是第三次人工智能热潮被掀起了。,虽然,这一次深度学习算法将语音、图像识别率先推向了人类实现的最佳边界,但是目前,AI,算法并不完美,一是算法训练模型只能针对特定领域,通用性差;二是这一代算法太依赖于数据。,AI,推理、思考、联想等智力功能与人类大脑相去甚远,目前,,AI,的发展水平整体上只能算是处于,微智时代,。要想让机器成精,,AI,还需更上几层楼,恐怕要更待些时日。,虽然只是微智时代,但并阻挡不了,AI+,对行业的颠覆,目前应用型技术层出不穷,未来可以预见人工智能与产业应用会产生更深层次的结合。,总结,本次,AI,发展热潮的驱动力主要是包括目前主流应用的基于多层网络神经的深度算法和以及包括芯片、超级计算机、云计算等在内的计算力等。此外,被记录下的海量数据和越发丰富的应用场景也同样推动了,AI,爆发期的到来。,三、第三次人工智能发展热潮,机器学习发展分为两个阶段,起源于上世纪,20,年代的,浅层学习,(,Shallow Learning,)和最近几年才火起来的,深度学习,(,Deep Learning,)。浅层学习的算法中,最先被发明的是神经网络的反向传播算法(,back propagation,),为什么称之为浅层呢,主要是因为当时的训练模型是只含有一层隐含层(中间层)的浅层模型,浅层模型有个很大的弱点就是有限参数和计算单元,特征表达能力弱。,2006,年,,Hinton,和他的学生,R.R.Salakhutdinov,在,Science,上发表了一篇文章(,Reducing the dimensionality of data with neural networks,),成功训练出多层神经网络,改变了整个机器学习的格局,虽然只有,3,页纸但现在看来字字千金。这篇文章有两个主要观点:,1,)多隐层神经网络有更厉害的学习能力,可以表达更多特征来描述对象;,2,)训练深度神经网络时,可通过降维(,pre-training,)来实现,老教授设计出来的,Autoencoder,网络能够快速找到好的全局最优点,采用无监督的方法先分开对每层网络进行训练,然后再来微调。,传统神经网络与多隐层神经网络,三、第三次人工智能发展热潮,自深度学习被,Hinton,在,Science,发表以来,短短的不到,10,年时间里,带来了在视觉、语音等领域革命性的进步,引爆了这次人工智能的热潮。虽然目前仍然存在很多差强人意的地方,距离强人工智能还是有很大距离,它是目前最接近人类大脑运作原理的算法,我相信在将来,随着算法的完善以及数据的积累,甚至硬件层面仿人类大脑神经元材料的出现,深度学习将会更进一步的让机器智能化。,最后,我们以,Hinton,老先生的一段话来结束这篇文章:“,It has been obvious since the 1980s that backpropagation through deep autoencoders would be very effective for nonlinear dimensionality reduction,provided that computers were fast enough,data sets were big enough,and the initial weights were close enough to a good solution.All three conditions are now satisfied.”,(自从上世纪,80,年代我们就知道,如果有,计算机足够快、数据足够大、初始权重值足够完美,,基于深度自动编码器的反向传播算法是非常有效的。,现在,这三者都具备了,。),基本完整的深度学习流程,在,AI,发展的不同阶段,驱动力各有侧重,我们可以将,AI,的发展划分为三个阶段:,技术驱动阶段、数据驱动阶段和场景驱动阶段。,技术驱动,技术驱动阶段集中诞生了基础理论、基本规则和基本开发工具。,在此阶段,算法和计算力对,AI,的发展起到主要推动作用。,现在主流应用的基于多层网络神经的深度算法,一方面不断加强从海量数据库中自行归纳物体特征的能力,一方面不断加强对新事物多层特征提取、描述和还原的能力。,对算法来说,归纳和演绎同样重要,,最终目的是提高识别效率。最新,ImageNet,测试结果显示,,AI,错误率低达,3.5%,,而人类对同一数据库识别错误率在,5.1%,,理想情况下,计算机图像识别能力已超越人类。,如左图所示,每年在,ImageNet,测试中错误率最低的算法模型都不尽相同(从,NEC,到,ResNet,),这也反映了人们对于算法的不断探究、更迭过程。,三、第三次人工智能发展热潮,技术驱动,提高识别效率除依靠算法之外,也离不开计算力的支持。,计算力可以分三个维度展开:芯片、超级计算机、云计算。,芯片:,人工智能领域作为一个数据密集的领域,传统的数据处理技术难以满足高强度并行数据的处理需求。为解决此问题,继,CPU,之后,相继出现了,GPU,、,NPU,、,FPGA,、,DSP,等“,AI”,芯片。,1999,年,,Nvidia,公司发布了全球首款图片处理芯片,GPU,;,2016,年,寒武纪发布了全球首款深度学习专用处理器芯片,NPU,,芯片的更迭、进步可从根本上提高计算性能。,超级计算机:,其基本组成组件与个人电脑的概念无太大差异,但规格与性能则强大许多,是一种超大型电子计算机。我国自主超级计算机“神威,太湖之光”,其处理器为众核,CPU“,申威,26010”,,整台“神威,太湖之光”共包含,40960,块处理器;打败李世石的,AlphaGo,共包含,1202,个,CPU,和,176,个,GPU,;打败柯洁的升级版,AlphaGo,使用到了,TPU,,但数量只有,4,颗。,可以发现,真正用于人工智能的超级计算机芯片还只是处于,CPU,、,GPU,层,如何将更适用于网络神经算法的,NPU,、,FPGA,等芯片量产化并融合入超级计算机芯片矩阵,是在人工智能发展的第一阶段,技术驱动阶段应该重点努力的方向之一。,三、第三次人工智能发展热潮,技术驱动,超级计算机:,云计算:,与主要应用于密集型计算的超级计算机不同,云计算依靠其灵活的扩展能力主要应用于社交网络、企业,IT,建设和信息化等数据密集型、,I/O,密集型的领域。,我们分析认为,当,AI,跨越入第二阶段,数据驱动阶段后,算法和计算力将变成人工智能领域的基础设施,“,水、电、煤”。就目前看来,多项算法开源平台已将,AI,算法引入统一、公用阶段,运算力也必将向同样的趋势发展。云计算则是一个初步尝试,未来,计算力的发展方向或将是云计算和超级计算机技术结合,为企业提供既可密集运算又可灵活扩展的计算服务,将人工智能赋能全行业。,三、第三次人工智能发展热潮,数据驱动,人工智能发展的第二个阶段,算法和计算力已基本不存在壁垒,,数据将成为主要驱动力,,推动人工智能更迭。此阶段,大量结构化、可靠的数据被采集、清洗和积累,甚至变现。例如,大量的数据基础上可以精确地描绘消费者画像,制定个性化营销方案,提高成单率,缩短达到预设目标的时间,推动社会运行效率提升。,场景驱动,到了人工智能发展的第三个阶段,,场景驱动作为主要驱动力,,不仅可以针对不同用户做个性化服务,而且可在不同的场景下执行不同的决策。此阶段,对数据收集的维度和质量的要求更高,并且可实时根据不同的场景,制定不同的决策方案,推动事件向良好的态势发展,帮助决策者更敏锐的洞悉事件根本,产生更精准更智慧的决策。,三、第三次人工智能发展热潮,在目前的,AI,微智时代,创业公司大致可分为三个梯队:广义机器人、自然语言处理、计算机视觉与图像。,三、第三次人工智能发展热潮,技术实力是,AI,公司的核心竞争力之一,而技术,+,产品,+,行业落地更是其胜负关键。新一代人工智能的繁荣,犹如一棵枝叶繁茂的大树,渗透至各行业的蓝天之中,服务于众多领域。,报告数据显示,医疗行业成为,AI,应用最为火热的行业,其中包括了医疗影像诊断、医学病历分析等方向,目前弱人工智能更容易在医学这种专业性较强但不要求通用能力的行业发挥作用;,汽车行业则凭借自动驾驶相关,AI,技术脱颖而出位列第二,有,80,家,AI,公司业务和汽车相关,其中,30,家专注于自动驾驶相关技术;,排在之后的,AI,技术行业应用方向,无可厚非包括了教育、金融、制造、安防、家居等行业。,三、第三次人工智能发展热潮,资本扶持下,,AI,有望于,2022,年达到约,700,亿元的市场规模,来自,Venture Scanner,的数据显示,,2011-2016,年,AI,行业的融资额年复合增长率为,49%,,而,2017,年仅第一季度,AI,行业全球融资额度就超过,20,亿美元,因此,Venture Scanner,预测,2017,年,AI,融资额将超过,2016,,成为近年来融资额度最高的年份。,三、第三次人工智能发展热潮,资本扶持下,,AI,有望于,2022,年达到约,700,亿元的市场规模,来自,Statista,的数据显示,,2025,年全球,AI,的市场规模预计为,368,亿美元。综合考虑了我国人工智能的爆发节点、技术成熟度等因素,,我们认为保守估计最迟至,2019,年我国,AI,的市场规模将突破百亿元,而,2022,年这一数字应在接近,700,亿元左右。,三、第三次人工智能发展热潮,四、人工智能产业链,AI,产业链主要包括技术支撑层、基础应用层和方案集成层,完整的人工智能产业链可以分为,技术支撑层、基础应用层和方案集成层,或者说应用场景层。,技术支撑层,主要由,AI,芯片、传感器等硬件和算法模型(软件)和两部分构成。其中传感器与,IoT,的感知层相似,包括,GPU,、,FPGA,、,NPU,等在内的,AI,芯片负责运算,算法模型则负责训练数据。,基础应用层,的技术则是为了让机器完成对外部世界的探测,主要由计算机视觉、语音识别等感知层和语义识别等认知层构成,这些技术是机器能够做出分析判断的基础。此外,在感知与认知技术之下还有数据标注作为其底层支撑。,方案集成层,是集成了某种或多种基础应用技术的、面向如工业、自动驾驶、家居、仓储物流、金融、医疗等不同应用场景的产品或方案。,四、人工智能产业链,海外产业图谱(美国为主),四、人工智能产业链,中国产业图谱,四、人工智能产业链,数据分析,整体分布,海外公司多聚焦应用层,技术支撑层和基础应用层已经历过并购重组,留存企业相对集中,中国市场成熟度偏弱,方案集成层发展相对滞后,基础应用层仍占据越,1/3,的企业,两层次之间尚未形成清晰的界限。,单层分布,方案集成层:,海外市场以软件为主,占比,82%,,集中在医疗、金融、销售等数据基础最好的领域;中国技术支撑层和基础应用层整体水平较弱,因此方案集成层还未进入爆发阶段。,基础应用层:,中外相似,均以软件能力为核心构建技术输出平台,巨头企业纷纷参与,技术支撑层:,门槛高,仅少量企业有能力参与;其中海外以巨头为主。中国仍有少量创业尝试,中国特性,“视觉识别”受益于安防等直接的商业机会,是目前最热的空额防风扣,包括“人脸识别”、“图像识别”、“机器视觉,|,等方向,囊括了近,6,成技术层企业。,顺应对语音交互方式的预期,“语音识别”、“语音分析”正在成为新的机遇,,BAT,近期也在该领域开始了相应的布局。,五、,AI,应用技术案例,数据标注,(海天瑞声),专注做淘金路上的卖水者,为语音、语义识别企业提供语料服务,数据是人工智能行业的燃料,虽然互联网存在发展的近,50,年来积攒了海量数据,但非结构化和难以融合两大特点一直是数据应用过程中的行业痛点。由此便出现了专门负责数据标注的公司来完成数据结构化的初步工作。目前专注于该领域的公司国外有,Appen,,国内有海天瑞声等。本报告将以海天瑞声为例介绍数据标注在,AI,领域的作用。海天瑞声主要针对,B,端客户提供数据采集及标注服务,其资源库覆盖语音、文本、图像、视频等多个领域。其中语音库利用手机、座机、车载以及其他特殊麦克风和嵌入式设备等语音终端获取语料,结合人工、隐马算法、拼接算法等对语音数据进行语义、语法、音素等多种层次的标示,让机器从中学习规律,以便实现人机语音交互技术的实现。另外还可根据特别情况,提供定制开发语音转写,/,标注辅助工具和软件,五、,AI,应用技术案例,数据标注,(海天瑞声),专注做淘金路上的卖水者,为语音、语义识别企业提供语料服务,在语料数量方面,海天瑞声的语音库目前包含,110+,种语言,覆盖全球,75,个地区,其中包括多种稀有语种数据资源;场景丰富,包括车载语音、中英混读、儿童语音库、远场识别库等。目前,共储备超过,50,万个小时录音时长;,60,多种语言的发音词典,,850,万词条;拥有超过,600,个可授权使用的人工智能数据资源类产品。,当大量的非结构化数据被,Appen,、海天瑞声这样的公司标注成为结构化数据之后,就能够为其他,AI,公司所用了。这些结构化的数据将主要被用来训练算法模型,然后应用到语音、语义、图像识别等技术领域以及安防、自动驾驶等应用场景。,但由于目前的数据标注公司多数还是采用人工标注的方法,因此国外很多大公司选择自建团队完成数据标注的工作以保证准确度。此外,还有类似,Amazon Mechanical Turk,这样的众包平台也可以帮助,AI,公司完成数据标注的工作,但是这样通过众包方式完成的数据标注往往无法保证其准确性。,五、,AI,应用技术案例,语音识别,语音识别过程虽存在难点,但目前技术已趋于成熟,语音识别是将语音转换为文本的技术,是自然语言处理的一个分支。前台主要步骤分为信号搜集、降噪和特征提取三步,提取的特征在后台由经过语音大数据训练得到的语音模型对其进行解码,最终把语音转化为文本,实现达到让机器识别和理解语音的目的。根据公开资料显示,目前语音识别的技术成熟度较高,已达到,95%,的准确度。然而,需要指出的是,从,95%,到,99%,的准确度带来的改变才是质的飞跃,将使人们从偶尔使用语音变到常常使用。,语音识别作为一种一维时域信号,在实际操作中主要有两个难点。首先是数据的获取、清洗。语音识别需要大量细分领域的标准化语料数据作为支撑,尤其是各地方言的多样性更是加大了语料搜集的工作量。据媒体消息,苹果,iOS 10.3,版本中,Siri,已支持上海话。,第二个难点是语音特征的提取,目前主要通过具备多层神经网络的深度学习来解决,多层的神经网络相当于一个特征提取器,可对信号进行逐层深化的特征描述,最终从部分到整体,从笼统到具象,做到最大程度地还原信号原始特征。,据,Research and Markets,研究报告显示,全球智能语音市场将持续显著增长,预计到,2020,年,全球语音市场规模预计将达,191.7,亿美元。根据,Capvision,报告显示,从语音行业市场份额角度来看,全球范围内,由,Nuance,领跑,国内则是科大讯飞占据主导地位。,五、,AI,应用技术案例,语音识别,(科大讯飞),科大讯飞专注于,To B,的语音识别技术,目前已领跑中文语音市场,科大讯飞创办于,1999,年,主要从事智能语音及语言技术、人工智
展开阅读全文