下載方式

關注「機器人大講堂」微信公眾號，在公眾號主頁面輸入「人工智慧」發送，可免費下載《新一代人工智慧發展白皮書（2017） 》PDF

指導單位、專家顧問及編寫人員

+

顧 問

潘雲鶴 中國工程院院士

指導單位

工業和信息化部信息化和軟體服務業司

指導委員會

謝少鋒 工信部信軟司司長

李冠宇 工信部信軟司副司長

徐曉蘭 中國電子學會副理事長兼秘書長

張宏圖 中國電子學會總部黨委書記兼副秘書長

商 超 工信部信軟司軟體處處長

傅永寶 工信部信軟司軟體處調研員

專家委員會（排名不分先後，按姓氏筆畫排序）

王士進 科大訊飛研究院副院長

韋 青 微軟中國公司首席技術官

宋 波 國安瑞（北京）科技有限公司總經理

劉志堅 京東金融總法律顧問

吳甘沙 馭勢科技聯合創始人兼CEO

季向陽 清華大學自動化系教授

陳麗娟 阿里巴巴人工智慧實驗室負責人

梁家恩 雲知聲信息技術有限公司董事長兼CTO

崔 岩 中德人工智慧研究院院長

蔡雄山 騰訊研究院法律研究中心副主任

編寫單位

中國電子學會

編寫人員

李 頲 周岷峰 馬 良 凌 霞

李 岩 張雅妮 許華磊 張 嬋

張 力 陳濛萌 樊江洋 朱 毅

李俊平 閻德利 謝中業 陳 岩

編製概要

+

（一）編製背景

自1956年概念得以確立以來，人工智慧發展至今已逾60年，隨著所處信息環境和數據基礎的深刻變革，開始邁進新一輪發展階段，呈現出大數據、跨媒體、群體性、自主化、人機融合的發展新特徵，從學術牽引式發展迅速轉變為需求牽引式發展，相比歷史上的任何時刻，都要更加接近於人類智能，既能為進一步掌握城市發展、生態保護、經濟管理、金融風險等宏觀系統提供指導，也能為設計製造、健康醫療、交通管理、能源節約等微觀領域提供解決方案。我國正值工業化、城鎮化、信息化、農業現代化的攻堅階段，迫切需要加快推動人工智慧在國民經濟社會各行業、各領域的創新應用，促進產業提質增效，改善人民生活水平，切實解決經濟運行的重大結構性失衡。針對於此，有必要研究編製新一代人工智慧發展白皮書，明確人工智慧在新時期、新形勢下的技術框架、關鍵環節、應用前景，為推動人工智慧關鍵技術進步和產業化應用推廣提供措施建議，進一步推動我國智能相關的前沿新興產業持續健康快速發展，有力支撐我國信息化和工業化深度融合邁上新台階。

（二）編製目標

一是明確新一代人工智慧的主要發展方向，系統歸納其主要驅動因素及最具典型意義的特徵。

二是研究新一代人工智慧的技術框架，梳理技術演進軌跡，提出基礎性、通用性技術體系。

三是探索新一代人工智慧的產業邊界，劃分產業類別和應用場景，研判相關的投融資特徵及趨勢。

四是提出促進新一代人工智慧及相關技術及產業發展的可行性措施建議，為相關行業主管部門提供決策參考，為行業健康有序發展提供指導依據。

（三）編製方法

一是研究學習國內外相關戰略政策文件，充分借鑒參考國內外主要研究動態和成果。主要包括：美國白宮發布的《為人工智慧的未來做好準備》、《國家人工智慧研究與發展戰略規劃》；英國下議院科學和技術委員會發布的《機器人和人工智慧》、英國政府科學辦公室發布的《人工智慧對未來決策的機會和影響》，以及英國政府在2017年1月宣布的《現代工業戰略》和3月公布的《數字戰略》；日本政府制定的《人工智慧產業化路線圖》；我國出台的《國務院關於積極推進「互聯網+」行動的指導意見》和《「十三五」國家戰略性新興產業發展規劃》中關於人工智慧的部分。同時，針對歐盟的「人腦項目」、德國的「智慧數據項目」、日本的「超智能社會」和「高級綜合智能平台計劃」進行了學習了解。

二是訪談國內知名專家學者，圍繞新一代人工智慧的內涵、外延及特徵趨勢展開充分研討。新一代人工智慧既有創新性又有繼承性，與過往所談論的人工智慧既有聯繫又有區別，在研究內容上既要有突破又要有充分吸收和借鑒。通過與國內人工智慧相關領域的知名院士、高校學者、行業專家的座談交流，尤其是圍繞中國工程院潘雲鶴院士《人工智慧邁向2.0》一文進行的深入學習研討，為白皮書的編製奠定了系統的理論基礎。

三是調研國內外知名人工智慧企業，彙集整理和分析來自實踐應用的典型案例。高度重視人工智慧領域的具體產品、服務及解決方案提供方式，走進國內外一批在技術或產業方面具備領先水平和特色優勢的人工智慧企業展開深度調研，並邀請部分企業的技術或戰略負責人共同參與了白皮書的編製工作。

（四）特別聲明

1、研究主題充分考慮了與國家規劃的互動和呼應

人工智慧的概念從誕生之日開始計算，已經超過60年，並非橫空出世的新興事物。只不過受近年來演算法模式持續優化、數據信息海量增長、運算力大幅提升的影響和帶動，表現出了不同以往的發展水平和特徵。本白皮書一開始研究主題名為「人工智慧2.0」，目前已更改為「新一代人工智慧」，是為了呼應院士研究文章、部委領導講話，以及即將出台的國家級規劃，重點針對人工智慧的新趨勢、新特徵、新模式展開研究，並非是要提出一個全新的研究對象。

2、研究範圍聚焦技術和產業發展

在人工智慧領域，正孕育著堪與相對論、量子理論、計算機、互聯網相提並論的重大創新、變革及突破。人工智慧歷史性地站在了時代的風口，將對人類經濟社會發展帶來智能化浪潮的顛覆性猛烈衝擊。研究人工智慧，就要研究其在人類生產生活中的詳細地位和作用，涉及到方方面面，包括了道德、法律、倫理、文化等領域。本白皮書的編製，主要是為了給相關行業主管部門和企業提供決策參考依據，集中在技術和產業兩大層面展開研究，暫未涉及其他方面。

3、研究內容仍有待進一步豐富完善

當前，各類研究諮詢機構紛紛推出圍繞人工智慧主題的相關報告，各自觀點既有一致性，也存在部分不同意見。本白皮書的主要觀點和內容僅代表編製組在目前對人工智慧的研判和思考，歡迎各方專家學者和企業代表提出寶貴意見，共同推動白皮書的及時更新和糾偏。同時，隨著人工智慧技術的進步、產業的發展、模式的變革，白皮書的內容將得到進一步豐富完善。

一、新一代人工智慧研究綜述

+

人工智慧發軔於1956年在美國達特茅斯（Dartmouth）學院舉行的「人工智慧（Artificial Intelligent，簡稱AI）夏季研討會」，在20世紀50年代末和80年代初先後步入兩次發展高峰，但因為技術瓶頸、應用成本等局限性而均落入低谷。當前，在新一代信息技術的引領下，數據快速積累，運算能力大幅提升，演算法模型持續演進，行業應用快速興起，人工智慧發展環境發生了深刻變化，跨媒體智能、群體智能、自主智能系統、混合型智能成為新的發展方向，人工智慧第三次站在了科技發展的浪潮之巔。

（一）人工智慧簡要發展歷程

從誕生至今，人工智慧已有60年的發展歷史，大致經歷了三次浪潮。第一次浪潮為20世紀50年代末至20世紀80年代初；第二次浪潮為20世紀80年代初至20世紀末；第三次浪潮為21世紀初至今。在人工智慧的前兩次浪潮當中，由於技術未能實現突破性進展，相關應用始終難以達到預期效果，無法支撐起大規模商業化應用，最終在經歷過兩次高潮與低谷之後，人工智慧歸於沉寂。隨著信息技術快速發展和互聯網快速普及，以2006年深度學習模型的提出為標誌，人工智慧迎來第三次高速成長。

圖1 人工智慧發展歷程示意圖

資料來源：中國電子學會整理

1、第一次浪潮：人工智慧誕生並快速發展，但技術瓶頸難以突破

符號主義盛行，人工智慧快速發展。1956年到1974年是人工智慧發展的第一個黃金時期。科學家將符號方法引入統計方法中進行語義處理，出現了基於知識的方法，人機交互開始成為可能。科學家發明了多種具有重大影響的演算法，如深度學習模型的雛形貝爾曼公式。除在演算法和方法論方面取得了新進展，科學家們還製作出具有初步智能的機器。如能證明應用題的機器STUDENT（1964），可以實現簡單人機對話的機器ELIZA（1966）。人工智慧發展速度迅猛，以至於研究者普遍認為人工智慧代替人類只是時間問題。

模型存在局限，人工智慧步入低谷。1974年到1980年。人工智慧的瓶頸逐漸顯現，邏輯證明器、感知器、增強學習只能完成指定的工作，對於超出範圍的任務則無法應對，智能水平較為低級，局限性較為突出。造成這種局限的原因主要體現在兩個方面：一是人工智慧所基於的數學模型和數學手段被發現具有一定的缺陷；二是很多計算的複雜度呈指數級增長，依據現有演算法無法完成計算任務。先天的缺陷是人工智慧在早期發展過程中遇到的瓶頸，研發機構對人工智慧的熱情逐漸冷卻，對人工智慧的資助也相應被縮減或取消，人工智慧第一次步入低谷。

2、第二次浪潮：模型突破帶動初步產業化，但推廣應用存在成本障

數學模型實現重大突破，專家系統得以應用。進入20世紀80年代，人工智慧再次回到了公眾的視野當中。人工智慧相關的數學模型取得了一系列重大發明成果，其中包括著名的多層神經網路（1986）和BP反向傳播演算法（1986）等，這進一步催生了能與人類下象棋的高度智能機器（1989）。其它成果包括通過人工智慧網路來實現能自動識別信封上郵政編碼的機器，精度可達99%以上，已經超過普通人的水平。與此同時，卡耐基·梅隆大學為DEC公司製造出了專家系統（1980），這個專家系統可幫助DEC公司每年節約4000萬美元左右的費用，特別是在決策方面能提供有價值的內容。受此鼓勵，很多國家包括日本、美國都再次投入巨資開發所謂第5代計算機（1982），當時叫做人工智慧計算機。

成本高且難維護，人工智慧再次步入低谷。為推動人工智慧的發展，研究者設計了LISP語言，並針對該語言研製了Lisp計算機。該機型指令執行效率比通用型計算機更高，但價格昂貴且難以維護，始終難以大範圍推廣普及。與此同時，在1987年到1993年間，蘋果和IBM公司開始推廣第一代台式機，隨著性能不斷提升和銷售價格的不斷降低，這些個人電腦逐漸在消費市場上佔據了優勢，越來越多的計算機走入個人家庭，價格昂貴的Lisp計算機由於古老陳舊且難以維護逐漸被市場淘汰，專家系統逐也漸淡出人們的視野，人工智慧硬體市場出現明顯萎縮。同時，政府經費開始下降，人工智慧又一次步入低谷。

3、第三次浪潮：信息時代催生新一代人工智慧，但未來發展存在諸多隱憂

新興技術快速湧現，人工智慧發展進入新階段。隨著互聯網的普及、感測器的泛在、大數據的湧現、電子商務的發展、信息社區的興起，數據和知識在人類社會、物理空間和信息空間之間交叉融合、相互作用，人工智慧發展所處信息環境和數據基礎發生了巨大而深刻的變化，這些變化構成了驅動人工智慧走向新階段的外在動力。與此同時，人工智慧的目標和理念出現重要調整，科學基礎和實現載體取得新的突破，類腦計算、深度學習、強化學習等一系列的技術萌芽也預示著內在動力的成長，人工智慧的發展已經進入一個新的階段。

人工智慧水平快速提升，人類面臨潛在隱患。得益於數據量的快速增長、計算能力的大幅提升以及機器學習演算法的持續優化，新一代人工智慧在某些給定任務中已經展現出達到或超越人類的工作能力，並逐漸從專用型智能向通用型智能過渡，有望發展為抽象型智能。隨著應用範圍的不斷拓展，人工智慧與人類生產生活聯繫的愈發緊密，一方面給人們帶來諸多便利，另一方面也產生了一些潛在問題：一是加速機器換人，結構性失業可能更為嚴重；二是隱私保護成為難點，數據擁有權、隱私權、許可權等界定存在困難。

（二）新一代人工智慧的主要驅動因素

當前，隨著移動互聯網、大數據、雲計算等新一代信息技術的加速迭代演進，人類社會與物理世界的二元結構正在進階到人類社會、信息空間和物理世界的三元結構，人與人、機器與機器、人與機器的交流互動愈加頻繁。人工智慧發展所處的信息環境和數據基礎發生了深刻變化，愈加海量化的數據，持續提升的運算力，不斷優化的演算法模型，結合多種場景的新應用已構成相對完整的閉環，成為推動新一代人工智慧發展的四大要素。

圖2 新一代人工智慧主要驅動因素示意圖

資料來源：中國電子學會整理

1、人機物互聯互通成趨勢，數據量呈現爆炸性增長

近年來，得益於互聯網、社交媒體、移動設備和感測器的大量普及，全球產生並存儲的數據量急劇增加，為通過深度學習的方法來訓練人工智慧提供了良好的土壤。目前，全球數據總量每年都以倍增的速度增長，預計到2020年將達到44萬億GB，中國產生的數據量將佔全球數據總量的近20%。海量的數據將為人工智慧演算法模型提供源源不斷的素材，人工智慧正從監督式學習向無監督學習演進升級，從各行業、各領域的海量數據中積累經驗、發現規律、持續提升。

2、數據處理技術加速演進，運算能力實現大幅提升

人工智慧領域富集了海量數據，傳統的數據處理技術難以滿足高強度、高頻次的處理需求。人工智慧晶元的出現加速了深層神經網路的訓練迭代速度，讓大規模的數據處理效率顯著提升，極大地促進了人工智慧行業的發展。目前，出現了GPU、NPU、FPGA和各種各樣的AI-PU專用晶元。相比傳統的CPU只能同時做一兩個加減法運算，NPU等專用晶元多採用「數據驅動並行計算」的架構，特別擅長處理視頻、圖像類的海量多媒體數據。在具有更高線性代數運算效率的同時，只產生比CPU更低的功耗。

3、深度學習研究成果卓著，帶動演算法模型持續優化

2006年，加拿大多倫多大學教授傑弗里·辛頓提出了深度學習的概念，極大地發展了人工神經網路演算法，提高了機器自學習的能力，例如谷歌大腦團隊在2012年通過使用深度學習技術，成功讓電腦從視頻中「認出」了貓。隨著演算法模型的重要性進一步凸顯，全球科技巨頭紛紛加大了這方面的布局力度和投入，通過成立實驗室，開源演算法框架，打造生態體系等方式推動演算法模型的優化和創新。目前，深度學習等演算法已經廣泛應用在自然語言處理、語音處理以及計算機視覺等領域，並在某些特定領域取得了突破性進展，從有監督式學習演化為半監督式、無監督式學習。

4、資本與技術深度耦合，助推行業應用快速興起

當前，在技術突破和應用需求的雙重驅動下，人工智慧技術已走出實驗室，加速向產業各個領域滲透，產業化水平大幅提升。在此過程中，資本作為產業發展的加速器發揮了重要的作用，一方面，跨國科技巨頭以資本為槓桿，展開投資併購活動，得以不斷完善產業鏈布局，另一方面，各類資本對初創型企業的支持，使得優秀的技術型公司迅速脫穎而出。據美國技術研究公司Venture Scanner的調查報告顯示，截至到2017年12月，全球範圍內總計2075家與人工智慧技術有關公司的融資總額達到65億美元。同時，美國行業研究公司CB Insight公布了對美國人工智慧初創企業的調查結果，這類企業的融資金額約是2012年的10倍。目前，人工智慧已在智能機器人、無人機、金融、醫療、安防、駕駛、搜索、教育等領域得到了較為廣泛的應用。

（三）新一代人工智慧主要發展特徵

在數據、運算能力、演算法模型、多元應用的共同驅動下，人工智慧的定義正從用計算機模擬人類智能演進到協助引導提升人類智能，通過推動機器、人與網路相互連接融合，更為密切地融入人類生產生活，從輔助性設備和工具進化為協同互動的助手和夥伴。主要特徵如下：

圖3 新一代人工智慧主要發展特徵

資料來源：中國電子學會整理

1、大數據成為人工智慧持續快速發展的基石

隨著新一代信息技術的快速發展，計算能力、數據處理能力和處理速度實現了大幅提升，機器學習演算法快速演進，大數據的價值得以展現。與早期基於推理的人工智慧不同，新一代人工智慧是由大數據驅動的，通過給定的學習框架，不斷根據當前設置及環境信息修改、更新參數，具有高度的自主性。例如，在輸入30萬張人類對弈棋譜並經過3千萬次的自我對弈後，人工智慧AlphaGo具備了媲美頂尖棋手的棋力。隨著智能終端和感測器的快速普及，海量數據快速累積，基於大數據的人工智慧也因此獲得了持續快速發展的動力來源。

2、文本、圖像、語音等信息實現跨媒體交互

當前，計算機圖像識別、語音識別和自然語言處理等技術在準確率及效率方面取得了明顯進步，並成功應用在無人駕駛、智能搜索等垂直行業。與此同時，隨著互聯網、智能終端的不斷發展，多媒體數據呈現爆炸式增長，並以網路為載體在用戶之間實時、動態傳播，文本、圖像、語音、視頻等信息突破了各自屬性的局限，實現跨媒體交互，智能化搜索、個性化推薦的需求進一步釋放。未來人工智慧將逐步向人類智能靠近，模仿人類綜合利用視覺、語言、聽覺等感知信息，實現識別、推理、設計、創作、預測等功能。

3、基於網路的群體智能技術開始萌芽

隨著互聯網、雲計算等新一代信息技術的快速應用及普及，大數據不斷累積，深度學習及強化學習等演算法不斷優化，人工智慧研究的焦點，已從單純用計算機模擬人類智能，打造具有感知智能及認知智能的單個智能體，向打造多智能體協同的群體智能轉變。群體智能充分體現了「通盤考慮、統籌優化」思想，具有去中心化、自愈性強和信息共享高效等優點，相關的群體智能技術已經開始萌芽並成為研究熱點。例如，我國研究開發了固定翼無人機智能集群系統，並於2017年6月實現了119架無人機的集群飛行。

4、自主智能系統成為新興發展方向

在長期以來的人工智慧發展歷程中，對仿生學的結合和關注始終是其研究的重要方向，如美國軍方曾經研製的機器騾以及各國科研機構研製的一系列人形機器人等。但均受技術水平的制約和應用場景的局限，沒有在大規模應用推廣方面獲得顯著突破。當前，隨著生產製造智能化改造升級的需求日益凸顯，通過嵌入智能系統對現有的機械設備進行改造升級成為更加務實的選擇，也是中國製造2025、德國工業4.0、美國工業互聯網等國家戰略的核心舉措。在此引導下，自主智能系統正成為人工智慧的重要發展及應用方向。例如，瀋陽機床以i5智能機床為核心，打造了若干智能工廠，實現了「設備互聯、數據互換、過程互動、產業互融」的智能製造模式。

5、人機協同正在催生新型混合智能形態

人類智能在感知、推理、歸納和學習等方面具有機器智能無法比擬的優勢，機器智能則在搜索、計算、存儲、優化等方面領先於人類智能，兩種智能具有很強的互補性。人與計算機協同，互相取長補短將形成一種新的「1+1>2」的增強型智能，也就是混合智能，這種智能是一種雙向閉環系統，既包含人，又包含機器組件。其中人可以接受機器的信息，機器也可以讀取人的信號，兩者相互作用，互相促進。在此背景下，人工智慧的根本目標已經演進為提高人類智力活動能力，更智能地陪伴人類完成複雜多變的任務。

第二章 新一代人工智慧技術框架

+

與早期人工智慧相比，新一代人工智慧正在全新信息環境、海量數據基礎和持續演進、不斷豐富的戰略目標的引領下，依託於雲計算、大數據兩大基礎平台和機器學習、模式識別和人機交互三大通用技術，以新型計算架構、通用人工智慧和開源生態系統為主要導向，持續搭建和完善技術框架體系，不斷逼近技術奇點，深刻變革人類生產生活。

（一）新一代人工智慧的技術演進

1、從原有的CPU架構，轉變為GPU並行運算架構

深度學習演算法運行於CPU架構的指令需求過於複雜。機器學習領域的泰斗傑弗里·辛頓開啟了深度學習在人工智慧領域研究的浪潮，大數據技術帶來的數據洪流滿足了深度學習演算法對於訓練數據量的要求，但是演算法的實現還需要更快更強大的處理器予以支撐。傳統的主流CPU架構如X86、ARM等往往需要數百甚至上千條指令才能完成一個神經元的處理，對於並不需要太多的程序指令，卻需要海量數據運算的深度學習的計算需求，並不能很好地匹配與適應。

GPU架構具備與深度學習相匹配的並行運算能力。GPU（圖形處理器）最初是個人電腦、工作站、遊戲機和一些移動設備上運行繪圖運算工作的微處理器，可以快速處理圖像上的每一個像素點，其海量數據並行運算的能力與深度學習需求非常符合。當前主流的CPU只有4核或者8核，可以模擬出12個處理線程來進行運算，但是普通級別的GPU就包含了成百上千個處理單元，高端的甚至更多，這對於多媒體計算中大量的重複處理過程有著天生的優勢。吳恩達教授領導的谷歌大腦研究工作結果表明，12顆英偉達（Nvidia）公司的GPU可以提供相當於2000顆CPU的深度學習性能，為技術的發展帶來了實質性飛躍，被廣泛應用於全球各大主流深度學習開發機構與研究院所。

2、從單一演算法驅動，轉變為數據、運算力、演算法複合驅動

缺少數據支撐與運算力保證的演算法驅動模式難以持續發展。人工智慧發展以實現計算智能為重要研究方向，充分利用現代高性能計算機的快速計算和記憶存儲能力，設計出神經計算、模糊計算和進化計算等求解演算法，解決優化篩選、單點搜索、邏輯推理等實際應用問題。儘管深度學習概念和淺層學習演算法已經被提出多年，但是一直進展緩慢，究其原因是缺乏海量的數據積累和與之相匹配的高水平計算能力，無法對演算法模型進行持續的改進與優化，只停留在理論研究階段，距離實際應用存在不小的差距。

數據、運算力和演算法複合驅動模式引發人工智慧爆髮式增長。與早期人工智慧相比，新一代人工智慧體現出數據、運算力和演算法相互融合、優勢互補的良好特點。數據方面，人類進入互聯網時代後，數據技術高速發展，各類數據資源不斷積累，為人工智慧的訓練學習過程奠定了良好的基礎。運算力方面，摩爾定律仍在持續發揮效用，計算系統的硬體性能逐年提升，雲計算、並行計算、網格計算等新型計算方式的出現拓展了現代計算機性能，獲得更快的計算速度。演算法方面，伴隨著深度學習技術的不斷成熟，運算模型日益優化，智能演算法不斷更新，提升了模型辨識解析的準確度。

3、從封閉的單機系統，轉變為快捷靈活的開源框架

專家系統本地化特性限制了人工智慧發展步伐。以往的人工智慧專家系統是基於本地化專業知識進行設計開發，以知識庫和推理機為中心而展開，推理機設計內容由不同的專家系統應用環境決定，單獨設定模型函數與運算機制，一般不具備通用性。同時，知識庫是開發者收集錄入的專家分析模型與案例的資源集合，只能夠在單機系統環境下使用且無法連接網路，升級更新較為不便。

開源框架推動構建人工智慧行業解決方案。人工智慧系統的開發工具日益成熟，通用性較強且各具特色的開源框架不斷湧現，如谷歌的TensorFlow、Facebook的Torchnet、百度的PaddlePaddle等，其共同特點均是基於Linux生態系統，具備分散式深度學習資料庫和商業級即插即用功能，能夠在GPU上較好地繼承Hadoop和Spark架構，廣泛支持Python、Java、Scala、R等流行開發語言，與硬體結合生成各種應用場景下的人工智慧系統與解決方案。

4、從學術研究探索導向，轉變為快速迭代的實踐應用導向

學術導向難以滿足複雜數據信息背景下的創新需求。隨著人工智慧的不斷發展，分化產生了不同的學術流派，以符號主義、聯結主義、進化主義、貝葉斯學派、類推學派等為典型。不同學派按照各自對人工智慧領域基本理論、研究方法和技術路線的理解，以學術研究為目的進行探索實踐，一定程度上推動了人工智慧理論與技術的發展。在如今數據環境改變和信息環境變化的背景下，現實世界結構趨向複雜，單純依靠課題立項和學術研究無法持續推動人工智慧滿足當前現實世界的模擬與互動需求，快速變化的應用環境也容易導致理論研究與實際應用相脫節，影響人工智慧技術對經濟發展和社會進步的積極拉動作用。

快速迭代的實踐應用導向加速形成技術發展正循環。目前，人工智慧圍繞醫療、金融、交通、教育、零售等數據較集中且質量較高的行業的實踐需求，在演算法模型、圖像識別、自然語言處理等方面將持續出現迭代式的技術突破，在深度應用中支撐人工智慧實現「數據-技術-產品-用戶」的往複正循環，由學術驅動嚮應用拉動轉化。在人工智慧技術準備期，由於提供數據支撐較少，技術提升度慢，一旦進入應用期，大量的優質數據有助於分析技術弊端，通過對相關技術進行改進升級，提升了產品的應用水平，用戶在得到更好的產品體驗後，繼續為應用平台創造了更大規模的後台數據，用來進行下一步的技術升級與產品改良，由此進入了大規模應用階段。在技術快速迭代發展的過程中，數據累積和大規模應用起到了至關重要的作用，能夠持續推動人工智慧技術實現自我超越。

（二）新一代人工智慧技術體系

新一代人工智慧技術體系由基礎技術平台和通用技術體系構成，其中基礎技術平台包括雲計算平台與大數據平台，通用技術體系包括機器學習、模式識別與人機交互。在此技術體系的基礎上，人工智慧技術不斷創新發展，應用場景和典型產品不斷湧現。

1、雲計算：基礎的資源整合交互平台

雲計算主要共性技術包括虛擬化技術、分散式技術、計算管理技術、雲平台技術和雲安全技術，具備實現資源快速部署和服務獲取、進行動態可伸縮擴展及供給、面向海量信息快速有序化處理、可靠性高、容錯能力強等特點，為人工智慧的發展提供了資源整合交互的基礎平台。尤其與大數據技術結合，為當前受到最多關注的深度學習技術搭建了強大的存儲和運算體系架構，促進了神經網路模型訓練優化過程，顯著提高語音、圖片、文本等辨識對象的識別率。

表1 雲計算主要共性技術

資料來源：中國電子學會整理

2、大數據：提供豐富的分析、訓練與應用資源

大數據主要共性技術包括採集與預處理、存儲與管理、計算模式與系統、分析與挖掘、可視化計算及隱私及安全等，具備數據規模不斷擴大、種類繁多、產生速度快、處理能力要求高、時效性強、可靠性要求嚴格、價值大但密度較低等特點，為人工智慧提供豐富的數據積累和價值規律，引發分析需求。同時，從跟蹤靜態數據到結合動態數據，可以推動人工智慧根據客觀環境變化進行相應的改變和適應，持續提高演算法的準確性與可靠性。

表2 大數據主要共性技術

資料來源：中國電子學會整理

3、機器學習：持續引導機器智能水平提升

機器學習指通過數據和演算法在機器上訓練模型，並利用模型進行分析決策與行為預測的過程。機器學習技術體系主要包括監督學習和無監督學習，目前廣泛應用在專家系統、認知模擬、數據挖掘、圖像識別、故障診斷、自然語言理解、機器人和博弈等領域。機器學習作為人工智慧最為重要的通用技術，未來將持續引導機器獲取新的知識與技能，重新組織整合已有知識結構，有效提升機器智能化水平，不斷完善機器服務決策能力。

表3 機器學習主要共性技術

資料來源：中國電子學會整理

4、模式識別：從感知環境和行為到基於認知的決策

模式識別是對各類目標信息進行處理分析，進而完成描述、辨認、分類和解釋的過程。模式識別技術體系包括決策理論、句法分析和統計模式等，目前廣泛應用在語音識別、指紋識別、人臉識別、手勢識別、文字識別、遙感和醫學診斷等領域。隨著理論基礎和實際應用研究範圍的不斷擴大，模式識別技術將與人工神經網路相結合，由目前單純的環境感知進化為認知決策，同時量子計算技術也將用於未來模式識別研究工作，助力模式識別技術突破與應用領域拓展。

表4 模式識別主要共性技術

資料來源：中國電子學會整理

5、人機交互：支撐實現人機物交叉融合與協同互動

人機交互技術賦予機器通過輸出或顯示設備對外提供有關信息的能力，同時可以讓用戶通過輸入設備向機器傳輸反饋信息達到交互目的。人機交互技術體系包括交互設計、可用性分析評估、多通道交互、群件、移動計算等，目前廣泛應用在地理空間跟蹤、動作識別、觸覺交互、眼動跟蹤、腦電波識別等領域。隨著交互方式的不斷豐富以及物聯網技術的快速發展，未來肢體識別和生物識別技術將逐漸取代現有的觸控和密碼系統，人機融合將向人機物交叉融合進化發展，帶來信息技術領域的深刻變革。

表5 人機交互主要共性技術

資料來源：中國電子學會整理

（三）國內外技術對比分析

1、發達國家基礎平檯布局完善，國內仍缺乏自主核心技術

國內企業自主核心技術有待提高，數據開放程度偏低且缺乏必要的保護。雲計算方面，國內雖然有阿里、華為、新華三、易華錄等一批科技公司大力投入研發資源，但核心技術積累依然不足，難以主導產業鏈發展。大數據方面，國內企業仍處於「跟風」國外企業的發展階段，在數據服務內核等方面缺乏積澱與經驗，未能完全實現從IT領域向DT（數據技術）領域的轉型。同時，國內數據應用環境相對封閉，政府公共數據開放程度較低，數據安全保護等級有待提高，數據安全風險評估制度與保障體系有待完善，對大數據技術的升級發展形成了一定的限制因素。

2、發達國家在機器學習和人機交互領域具備先發優勢，國內企業存在技術差距與人才短板

國外機構發力機器學習主流開源框架，積極開發人機交互下一代新型技術。機器學習方面，目前較為流行的開源框架基本都為國外公司或機構所開發，例如TensorFlow、Torchnet、Caffe、DMTK、SystemML等，同時注重大數據、雲計算等基礎支撐信息技術對機器學習研究的促進作用，以及機器學習的應用實踐，已進入研發穩定階段。人機交互方面，國外技術企業基於觸控技術、可穿戴設備、物聯網和車聯網的發展基礎，正在積極開發性價比更高的下一代人機交互新型技術，以對現有產品進行升級並降低成本。

國內機器學習基礎理論體系尚不成熟，缺乏人機交互專業領域人才培養環境。機器學習方面，儘管國內學者在數據挖掘層面取得了一定的研究成績，但對於機器學習的底層技術、實現原理及應用方法缺乏足夠的重視，導致關鍵技術環節缺失與重要領域邊緣化，不利於在國際主流機器學習技術角逐中展開有效競爭。人機交互方面，研究者需要具備數學、計算機學和心理學等相關背景，複合型較強，相比於國外高校都設立單獨的人機交互專業，國內高校開設的專業相對傳統，缺乏交叉複合型人才的培養機制，亟需建立人機交互領域技術人才培養的良好環境。

3、國內外模式識別研究水平基本處於同一起跑線，重點聚焦於語音識別與圖像識別

國內外研究領域基本一致，圍繞前沿技術領域開展持續創新。目前，國內外企業均在圍繞模式識別領域的基礎理論、圖像處理、計算機視覺以及語音信息處理展開集中研究，探索模式識別機理以及有效計算方法，為解決應用實踐問題提供關鍵技術。國外科技公司在模式識別各領域擁有多年的技術積累，深入語音合成、生物認證分析、計算機視覺等前沿技術領域，具備原創性技術突破能力；國內企業在模式識別前沿技術研發方面與國外同行處於並跑狀態，除百度、訊飛等行業龍頭外，眾多初創公司也加入了模式識別研究的技術與應用創新，催生了一批有創意的新型產品。

語音識別和圖像識別準確率明顯提升，國內企業中文語音識別技術相對領先。國內外企業均致力於提高語音識別和圖像識別準確率，谷歌和微軟分別表示旗下的語音識別產品技術出錯率已降至8%和6.3%，微軟研究院開發的圖像識別系統在世界著名的圖片識別競賽ImageNet中獲得多個類別評比的第一名，為下一步的商業化應用奠定了良好基礎。同時，國內企業重點突破中文語音識別技術，搜狗、百度和科大訊飛三家公司各自宣布旗下的中文語音產品識別準確率達到了97%，處於業內領先水平。

第三章 新一代人工智慧的產業化應用

+

（一）新一代人工智慧的產業邊界

一般認為，人工智慧是研究、開發用於模擬、延伸和擴展人類智能的理論、方法、技術及應用系統的科學。迄今為止，出現了機器定理證明、機器翻譯、專家系統、機器學習、機器人與智能控制等一系列研究成果。隨著人工智慧理論和技術的日益成熟，應用範圍不斷擴大，既包括城市發展、生態保護、經濟管理、金融風險等宏觀層面，也包括工業生產、醫療衛生、交通出行、能源利用等具體領域。專門從事人工智慧產品研發、生產及服務的企業迅速成長，真正意義上的人工智慧產業正在逐步形成、不斷豐富，相應的商業模式也在持續演進和多元化。

目前，對人工智慧的認識相對較為統一，但人工智慧產業的概念有待進一步明確，對人工智慧的核心產業和人工智慧帶動的相關產業也需要進行有效區分。我們認為，可以將圍繞人工智慧技術及衍生出的主要應用形成的具有一定需求規模、商業模式較為清晰可行的行業集合，視為人工智慧在當前的核心產業，也即本報告所關注的主體。隨著潛在需求的逐漸明確和商業模式的日漸成熟，人工智慧核心產業的邊界與範圍將逐步擴展。而通過人工智慧核心產業發展所形成的輻射和擴散效應，獲得新提升、新增長的國民經濟其它行業集合，均可視為人工智慧帶動的相關產業。

通過梳理從研發到應用所涉及的產業鏈各個環節，我們進一步將新一代人工智慧在當前的核心產業分為基礎層、技術層和應用層，結合目前常見應用場景，依據產業鏈上下游關係，再將其主要劃分為既相對獨立又相互依存的若干種產品及服務，如下圖所示。

圖4 新一代人工智慧當前核心產業鏈

資料來源：中國電子學會整理

2017年，全球人工智慧核心產業規模已超過370億美元。其中，我國人工智慧核心產業規模已達到56億美元左右。在下一階段，得益於技術持續進步和商業模式不斷完善，全球人工智慧市場需求將進一步快速釋放，帶動2020年全球人工智慧核心產業規模超過1300億美元，年均增速達到60%；其中，我國人工智慧核心產業規模將超過220億美元，年均增速接近65%。

圖5 全球人工智慧核心產業規模及年增長率

資料來源：中國電子學會整理

圖6 我國人工智慧核心產業規模及年增長率

資料來源：中國電子學會整理

（二）基礎層

基礎層主要包括智能感測器、智能晶元、演算法模型，其中，智能感測器和智能晶元屬於基礎硬體，演算法模型屬於核心軟體。隨著應用場景的快速鋪開，既有的人工智慧產業在規模和技術水平方面均與持續增長的市場需求尚有差距，倒逼相關企業及科研院所進一步加強對智能感測器、智能晶元及演算法模型的研發及產業化力度。預計到2020年，全球智能感測器、智能晶元、演算法模型的產業規模將突破270億美元，我國智能感測器、智能晶元、演算法模型的產業規模將突破44億美元。

圖7 2020年全球及我國人工智慧基礎層各產業規模佔比

資料來源：中國電子學會整理

1、智能感測器：智能轉型引領行業發展

智能感測器屬於人工智慧的神經末梢，是實現人工智慧的核心組件，是用於全面感知外界環境的最核心元件，各類感測器的大規模部署和應用是實現人工智慧不可或缺的基本條件。隨著傳統產業智能化改造的逐步推進，以及相關新型智能應用和解決方案的興起，對智能感測器的需求將進一步提升，預計到2020年全球智能感測器的產業規模將超過54億美元，其中我國智能感測器的產業規模為11億美元。

核心技術。智能感測器本質上是利用微處理器實現智能處理功能的感測器，必須能夠自主接收、分辨外界信號和指令，並能通過模糊邏輯運算、主動鑒別環境，自動調整和補償適應環境，以便於大幅減輕數據傳輸頻率和強度，顯著提高數據採集效率。目前，智能感測器集成化、小型化的特點愈發突出，更多的功能被集成在一起，控制單元所需的外圍接插件和分立元件越來越少，促使其通用性更強，應用範圍更寬廣，製造成本也進一步下降。同時，原子材料、納米材料等新材料技術也在智能感測器領域得到日益廣泛的應用，使其表現出更為靈敏的物理性能。

主要產品。智能感測器已廣泛應用於智能機器人、智能製造系統、智能安防、智能人居、智能醫療等各個領域。例如，在智能機器人領域，智能感測器使機器人具有了視覺、聽覺和觸覺，可感周邊環境，完成各種動作，並與人發生互動，包括觸覺感測器、視覺感測器、超聲波感測器等。在智能製造系統領域，利用智能感測器可直接測量與產品質量有關的溫度、壓力、流量等指標，利用深度學習等模型進行計算，推斷出產品的質量，包括液位、能耗、速度等感測器。在安防、人居、醫療等與人類生活密切相關的領域，智能感測器也廣泛搭載於各類智能終端，包括光線感測器、距離感測器、重力感測器、陀螺儀、心律感測器等。

典型企業。智能感測器市場主要由國外廠商佔據，集中度相對較高。由於技術基礎深厚，國外廠商通常多點布局，產品種類也較為豐富，較為典型的有霍尼韋爾、美國壓電、意法半導體、飛思卡爾。如霍尼韋爾生產的產品包括了壓力感測器、溫度感測器、濕度感測器等多個產品類型，涉及航空航天、交通運輸、醫療等多個領域。美國壓電生產的產品涵蓋了加速度感測器、壓力感測器、扭矩感測器等，並涉及核工業、石化、水力、電力、和車輛等多個不同領域。相比之下，我國廠商經營內容仍較為單一，如高德紅外主要生產紅外熱成像儀，華潤半導體主要生產光敏半導體，但其中也出現了華工科技、中航電測等少數企業試水擴大布局範圍。人工智慧根據客觀環境變化進行相應的改變和適應，持續提高演算法的準確性與可靠性。

表6 主要智能感測器及生產企業

資料來源：中國電子學會整理

2、智能晶元：初創企業蓄勢待發

智能晶元是人工智慧的核心，與傳統晶元最大的差別在於架構不同，傳統的計算機晶元均屬於馮·諾依曼體系，智能晶元則仿照大腦的結構設計，試圖突破馮·諾依曼體系中必須通過匯流排交換信息的瓶頸。當前各大科技巨頭正積極布局人工智慧晶元領域，初創企業紛紛入局，隨著市場將進一步打開，預計到2020年全球智能晶元的產業規模將接近135億美元，其中我國智能晶元的產業規模近25億美元。

核心技術。深度學習已成為當前主流的人工智慧演算法，這對於處理器晶元的運算能力和功耗提出了更高要求，目前軟體企業採取的主流方案是通過應用GPU和FPGA提高運算效率，與CPU少量的邏輯運算單元相比，GPU就是一個龐大的計算矩陣，具有數以千計的計算核心，可實現10-100倍應用吞吐量，而且支持對深度學習至關重要的並行計算能力，可以比傳統處理器更加快速，大大加快了訓練過程。同時，一些針對深度學習演算法而專門優化和設計的晶元也已經面市，由於是量身定製，運行更為高效。

主要產品。數據和運算是深度學習的基礎，可以用於通用基礎計算且運算速率更快的GPU迅速成為人工智慧計算的主流晶元。2015年以來，英偉達公司的GPU得到廣泛應用，並行計算變得更快、更便宜、更有效，最終導致人工智慧大爆發。同時，與人工智慧更匹配的智能晶元體系架構的研發成為人工智慧領域的新風口，已有一些公司針對人工智慧推出了專用的人工智慧晶元。如IBM的類腦晶元TureNorth及神經突觸計算機晶元SyNAPSE、高通的認知計算平台Zeroth、英特爾收購的Nervana、浙江大學與杭州電子科技大學的學者合作研製的類腦晶元「達爾文」，中國科學院計算技術研究所的寒武紀晶元。

典型企業。作為核心和底層基礎，智能晶元已經成為各大公司布局的重點領域。目前傳統晶元巨頭如英特爾、英偉達，大型互聯網公司如谷歌、微軟已經在該領域發力，這些公司資金實力雄厚，除了自行研發外，通常也採用收購的方式快速建立競爭優勢。例如，谷歌繼2016年發布第一代TPU 後，於今年穀歌I/O大會上推出了第二代深度學習晶元TPU，英特爾則以167億美元收購FPGA生產商Altera公司。由於智能晶元剛剛興起，技術、標準都處於探索階段，我國晶元廠商換道超車的機會窗口閃現，湧現出了一批優秀的創業型公司，如寒武紀、深鑒科技等。

表7 主要智能晶元及生產企業

資料來源：中國電子學會整理

3、演算法模型：通過開源構建生態已是大勢所趨

人工智慧的演算法是讓機器自我學習的演算法，通常可以分為監督學習和無監督學習。隨著行業需求進一步具化，及對分析要求進一步的提升，圍繞演算法模型的研發及優化活動將越發頻繁。當前，演算法模型產業已初具規模，預計到2020年全球演算法模型產業規模將達到82億美元，我國演算法模型產業規模將突破8億美元。

核心技術。演算法創新是推動本輪人工智慧大發展的重要驅動力，深度學習、強化學習等技術的出現使得機器智能的水平大為提升。全球科技巨頭紛紛以深度學習為核心在演算法領域展開布局，谷歌、微軟、IBM、Facebook、百度等相繼在圖片識別、機器翻譯、語音識別、決策助手、生物特徵識別等領域實現了創新突破。

主要產品。目前，隨著大數據環境的日漸形成，全球演算法模型持續取得應用進展，深度學習演算法成為推動人工智慧發展的焦點，各大公司紛紛推出自己的深度學習框架，如谷歌的TensorFlow，IBM的System ML，Facebook的Torchnet，百度公司的PaddlePaddle。更為重要的是，開源已成為這一領域不可逆的趨勢，這些科技巨頭正著手推動相關演算法的開源化，發起演算法生態系統的競爭。與此同時，服務化也是演算法領域未來發展的重要方向，一些在演算法提供商正將演算法包裝為服務，針對客戶的具體需求提供整體解決方案。

典型企業。目前，在演算法模型領域具備優勢的企業基本均為知名的科技巨頭，正在通過構建聯盟關係，擴展戰略定位等方式布局人工智慧產業。2016年9月，Facebook、亞馬遜、谷歌Alphabet、IBM和微軟自發聚集在一起，宣布締結新的人工智慧夥伴關係，10月，谷歌公司更是調整戰略方向從移動優先轉變為人工智慧優先。我國科技企業也紛紛落子人工智慧，2017年3月，阿里巴巴正式推出「NASA」計劃，騰訊成立人工智慧實驗室，5月，百度公司將戰略定位從互聯網公司變更為人工智慧公司，發展人工智慧已經成為科技界的共識。

表8 主要演算法模型及相關機構

資料來源：中國電子學會整理

（三）技術層

技術層主要包括語音識別、圖像視頻識別、文本識別等產業，其中語音識別已經延展到了語義識別層面，圖像視頻識別包括了人臉識別、手勢識別、指紋識別等領域，文本識別主要是針對印刷、手寫及圖像拍攝等各種字元進行辨識。隨著全球人工智慧基礎技術的持續發展與應用領域的不斷豐富，人工智慧技術層各產業未來將保持快速增長態勢。預計到2020年，全球語音識別、圖像視頻識別、文本識別等人工智慧技術層產業規模將達到342億美元，我國人工智慧技術層產業規模將突破66億美元。

圖8 2020年全球及我國人工智慧技術層各產業規模佔比

資料來源：中國電子學會整理

1、語音識別：正在步入應用拉動的快速增長階段

語音識別（Speech Recognition，SR）技術是將人類語音中的辭彙內容轉換為計算機可讀的輸入，例如按鍵、二進位編碼或者字元序列。語音識別技術與其他自然語言處理技術如機器翻譯及語音合成技術相結合，可以構建出更加複雜的應用及產品。在大數據、移動互聯網、雲計算以及其他技術的推動下，全球的語音識別產業已經步入應用快速增長期，未來將代入更多實際場景，預計到2020年全球語音識別產業規模將達到236億美元，國內語音識別產業規模達到44.2億美元。

核心技術。語音識別的主要目的是讓智能設備能夠具有和人類一樣的聽識能力，同時將人類語言所表述的自然語義自動轉換為計算機能理解和操作的結構化語義，完成實時的人機交互功能。近年來，語音喚醒技術、聲學前端處理技術、聲紋識別技術、語義理解技術、對話管理技術等語音識別領域核心技術的蓬勃發展，有助於構建智能語音交互界面系統，提高語音識別的準確率與響應速度，滿足垂直領域對自然語義識別和聲音指令的應用需求，為用戶提供自然、友好和便捷的人機交互體驗。

主要產品。伴隨著移動互聯網技術的發展與智能硬體設備的普及，人類已經不再滿足於鍵盤輸入和手寫輸入等傳統人機交互方式，語音識別技術在電子信息、互聯網、醫療、教育、辦公等各個領域均得到了廣泛應用，形成了智能語音輸入系統、智能語音助手、智能音箱、車載語音系統、智能語音輔助醫療系統、智能口語評測系統、智能會議系統等產品，可以通過用戶的語音指令和談話內容實現陪伴聊天、文字錄入、事務安排、信息查詢、身份識別、設備控制、路徑導航、會議記錄等功能，優化了複雜的工作流程，提供了全新的用戶應用體驗。

典型企業。語音識別領域具有較高的行業技術壁壘，在全球範圍內，只有少數的企業具有競爭實力。目前，Nuance、蘋果、三星、微軟、谷歌、科大訊飛、雲知聲、百度、阿里、凌聲芯、思必馳等知名企業均重點攻克語音識別技術，推出大量相關產品。Nuance曾經是全球最大的語音識別技術提供商，側重於為服務提供商提供底層技術解決方案，隨著企業戰略目標以及商業環境的改變，目前轉型為客戶端解決方案提供商；蘋果公司以Siri語音助手為平台關聯iOS系統相關應用與服務，傾向於改善用戶的智能手機使用體驗和創新商業模式；微軟致力於提高語音識別技術的準確率，英語的語音識別轉錄詞錯率僅5.9%，達到了專業速錄員水平，並將相關技術應用於自身產品「小冰」和「小娜」之中；科大訊飛作為國內智能語音和人工智慧產業的領導者，中文語音識別技術已處於世界領先地位，並逐漸建立中文智能語音產業生態；雲知聲重點構建集機器學習平台、語音認知計算和大數據交互介面三位一體的智能平台，垂直應用領域集中於智能家居和車載系統；阿里人工智慧實驗室藉助「天貓精靈」智能音箱構建基於語音識別的智能人機交互系統，並通過有效接入第三方應用實現生活娛樂功能的進一步拓展。

圖9 語音識別主要產品及典型企業

資料來源：中國電子學會整理

2、圖像視頻識別：在安防監控市場具有巨大增長潛力

圖像識別（Image Recognition，IR）技術是指利用計算機對圖像進行處理、分析和理解，以識別各種不同模式狀態下的目標和對象，包括人臉、手勢、指紋等生物特徵。視頻從工程技術角度可以理解成靜態圖像的集合，所以視頻識別與圖像識別的定義和基本原理一致，在識別量和計算量上明顯提高。隨著人類社會環境感知要求的不斷提升和社會安全問題的日益複雜，人臉識別和視頻監控作用更加突出，圖像視頻識別產業未來將迎來爆髮式增長，預計到2020年全球圖像視頻識別產業規模將達到82億美元，國內圖像視頻識別產業規模達到15.2億美元。

核心技術。圖像視頻識別是通過計算機模擬人類器官和大腦感知辨別外界畫面刺激的過程，既要有進入感官的信息,也要有記憶中存儲的信息，對存儲的信息和接受的信息進行比較加工，完成圖像視頻的辨識過程。圍繞以上特定需求，圖像預處理技術、特徵提取分類技術、圖像匹配演算法、相似性對比技術、深度學習技術等構成了圖像視頻識別的核心技術體系框架，能夠對通過計算機輸入和照相機及攝像頭獲取的圖片視頻進行變換、壓縮、增強復原、分割描述等操作，顯著提高圖像視頻識別質量和清晰度，有助於快速準確完成圖像視頻的響應分析流程。

主要產品。隨著工業生產及生活消費領域影像設備的日益普及，每天都會產生海量蘊含豐富價值和信息的圖片及視頻，單靠人力無法進行分揀處理，需要藉助圖像視頻識別功能進行集中快速獲取與解析。目前，智能圖片搜索、人臉識別、指紋識別、掃碼支付、視覺工業機器人、輔助駕駛等圖像視頻識別產品正在深刻改變著傳統行業，針對種類繁雜、形態多樣的圖形數據和應用場景，基於系統集成硬體架構和底層演算法軟體平台定製綜合解決方案，面向需求生成圖像視頻的模型建立與行為識別流程，為用戶提供豐富的場景分析功能與環境感知交互體驗。

典型企業。近年來，國內外從事圖像視頻識別的公司顯著增加，谷歌、Facebook、微軟、曠視科技、圖普科技、格靈深瞳等國內外知名企業重點集中在人臉識別、智能安防和智能駕駛等領域進行技術研發與產品設計。國外公司大多進行底層技術研發，同時偏重於整體解決方案的提出，積極建立開源代碼生態體系，如谷歌推出Google Lens應用實時識別手機拍攝的物品並提供與之相關的內容，Facebook開源三款智能圖片識別軟體，鼓勵研發者們圍繞其圖像視頻識別技術框架開發各類功能豐富的應用產品；國內企業直接對接細分領域，商業化發展道路較為明確，如曠視科技目前重點研發人臉檢測識別技術產品，加強管控卡口綜合安檢、重點場所管控、小區管控、智慧營區等領域的業務布局，圖普科技在阿里雲市場提供色情圖像和暴恐圖像識別的產品和服務，確定準確率超過99.5%，滿足了雲端用戶的安全需求。

表10 圖像視頻識別主要產品及典型企業

資料來源：中國電子學會整理

3、文本識別：全面進入雲端互聯時代

文本識別（Text Recognition，TR）技術是指利用計算機自動識別字元，包括文字信息的採集、信息的分析與處理、信息的分類判別等內容。文本識別可以有效提高如徵信、文獻檢索、證件識別等業務的自動化程度，簡化工作流程，提高相關行業效率。隨著政府、金融、教育、科技等領域需求的進一步上升，文本識別將在工業自動化流程與個人消費領域取得長足發展，預計到2020年全球文本識別產業規模將達到24億美元，國內文本識別產業規模達到6.6億美元。

核心技術。文本識別技術目前正由嵌入式設備本地化處理向雲端在線處理全面演進發展，過去由滑鼠與鍵盤輸入的文本信息，現在則主要由攝像頭、麥克風和觸摸屏採集獲取。在此基礎上，以往的文本識別核心技術，如模版匹配技術、字元分割技術、光學字元識別技術（Optical Character Recognition，OCR）、邏輯句法判斷技術等需要與應用程序編程介面（API）技術、智能終端演算法技術、雲計算技術等結合，衍生出面向雲端與移動互聯網的新型文本識別系統，通過開放的平台與服務為廣大的企業及個人用戶提供方便快捷的服務。

主要產品。當今信息社會背景下，文本信息不僅體量巨大，表現形式也日趨複雜，包括印刷體、手寫體以及通過外接設備輸入到計算機系統的字元圖形。同時，隨著世界不同語言文明地區交流逐漸增多，對實時語言文本翻譯系統的需求更加強烈。目前，基於文本識別技術開發的文件掃描、名片識別、身份證信息提取、文本翻譯、在線閱卷、公式識別等產品正在金融、安防、教育、外交等領域得到廣泛應用，通過不同的授權級別，為企業級用戶部署專業的文檔管理、移動辦公與信息錄入基礎設施，同時為個人用戶提供個性化的人脈建立、信息諮詢和遠程教育服務。

典型企業。隨著文本識別在各類垂直應用領域的應用逐漸普及，國內外企業也結合自身業務和區域發展特色積極展開布局。谷歌、微軟、亞馬遜等跨國科技巨頭在自身產品服務中內嵌文本識別技術，以增強產品使用體驗和用戶粘度，如谷歌推出的在線翻譯系統可提供80種語言之間的即時翻譯，並將自身的語音識別技術與文本識別相結合，提高了翻譯效率。國內公司在中文文本識別領域也有多年積累，具備良好的技術優勢與產業背景，漢王科技、百度、騰訊等均有較為成熟的產品推出，如漢王正在構建以識別雲和設備云為核心的文本識別2.0系統。

表11 文本識別主要產品及典型企業

資料來源：中國電子學會整理

（四）應用層

應用層主要包括智能機器人、智能金融、智能醫療、智能安防、智能駕駛、智能搜索、智能教育、智能製造系統及智能人居等產業。其中，智能機器人產業規模及增速相對突出；智能金融、智能駕駛、智能教育的用戶需求相對明確且市場已步入快速增長階段；智能安防集中於行業應用和政府採購，市場集中度相對較高；智能搜索、智能人居的產品尚未完善，市場正在逐步培育；智能醫療則涉及審批機制，市場尚未放量。預計到2020年，全球人工智慧應用層產業規模將達到672億美元，其中，智能機器人、智能駕駛、智能教育、智能安防及智能金融的產業規模將超過68%，同時我國人工智慧應用層產業規模將突破110億美元。

圖9 2020年全球及我國人工智慧應用層各產業規模佔比

資料來源：中國電子學會整理

1、智能機器人

智能機器人是指具備不同程度類人智能，可實現「感知-決策-行為-反饋」閉環工作流程，可協助人類生產、服務人類生活，可自動執行工作的各類機器裝置，主要包括智能工業機器人、智能服務機器人和智能特種機器人。受智能工業機器人助推智能製造升級和智能家用服務機器人率先放量的帶動，智能機器人全球產業規模在2020年會接近90億美元，我國將達到25億美元。

核心技術。由於高頻人機互動特點，智能機器人的核心技術重點聚焦在智能感知、智能認知和多模態人機交互領域。同時依據應用領域的不同，智能機器人也存在著大量帶有典型行業特徵的特色關鍵技術。智能工業機器人運用感測技術和機器視覺技術，具備觸覺和簡單的視覺系統，更進一步運用人機協作、多模式網路化交互、自主編程等技術增加自適應、自學習功能，引導工業機器人完成定位、檢測、識別等更為複雜的工作，替代人工視覺運用於不適合人工作業的危險工作環境或人工視覺難以滿足要求的場合；智能家用服務機器人重點應用移動定位技術和智能交互技術，達到服務範圍全覆蓋及家用陪護的目的；智能醫療服務機器人重點突破介入感知建模、微納技術和生肌電一體化技術，以達到提升手術精度、加速患者康復的目的；智能公共服務機器人重點運用智能感知認知技術、多模態人機交互技術、機械控制和移動定位技術等，實現應用場景的標準化功能的呈現和完成；智能特種機器人運用仿生材料結構、複雜環境動力學控制、微納系統等前沿技術，替代人類完成高危環境和特種工況作業。

主要產品。智能工業機器人領域，隨著柔性生產模式的轉型，具備感知、規劃、學習能力的智能定位機器人和智能檢測機器人加速出現，智能定位機器人通過機器視覺系統結合雙目攝像頭，引導機械手進行準確的定位和運動控制，不僅可以完成對工件的抓取和放置等操作，同時還能進行焊縫、拋光、噴塗、外殼平整等多項作業；智能檢測機器人用機器視覺檢測方法大大提高生產效率和生產的自動化程度。智能服務機器人領域，隨著人均收入水平的提升，對家用工具智能化程度的需求日益增長，掃地機器人、擦窗機器人等智能家政服務產品大量湧現；同時由於全球老齡化引發的社會問題，情感陪護類機器人市場需求也逐步成熟，輔助人類進行陪伴和溝通；隨著全球醫療投入的持續增加以及微創類手術需求的快速上升，智能醫療服務機器人進一步促進了醫療解決方案的高效化和精準化。智能特種機器人領域，人類工作及探索的環境邊界不斷拓展，為降低在高危及不確定環境的工作難度，智能軍用機器人、應急救援機器人及消防機器人等正在逐漸代替人類從事高危環境和特殊工況；無人機則廣泛應用在警用、城市管理、農業、地質、氣象、電力、搶險救災、視頻拍攝等行業，實現大面積巡查，完成實時監測和評估。

典型企業。智能工業機器人領域，國際四大巨頭仍佔據較高市場份額，日本發那科和安川、德國庫卡、瑞士ABB、義大利柯馬側重具有分揀和裝配能力的智能工業機器人，英國Meta、德國Scansonic、日本安川聚焦激光視覺焊縫跟蹤系統；國內智能工業機器人「三巨頭」新松、雲南昆船和北京機科佔據國內90%市場份額，均有典型產品推出，新松重點提供自動化裝配與檢測生產線、物流與倉儲自動化成套設備，雲南昆船側重煙草行業服務，北京機科主要應用於印鈔造幣、輪胎及軍工領域。智能服務機器人領域，美國iRobot、中國科沃斯、美國IntuitiveSurgica、以色列Rewalk、荷蘭Hot-Cheers分別聚焦於清潔、手術、康復及分揀等細分領域。智能特種機器人領域，波士頓動力圍繞著擁有液壓驅動核心技術的「大狗」機器人，不斷構築技術壁壘；大疆在國內消費級無人機領域佔有率達75%，成為估值超百億美元的「獨角獸」企業；美國Howeand Howe Techonologies則專註生產消防機器人，應用於應急救援場景。

表12 智能機器人主要產品及典型企業

資料來源：中國電子學會整理

2、智能金融

金融行業與整個社會存在巨大的交織網路，每時每刻都能夠產生金融交易、客戶信息、市場分析、風險控制、投資顧問等多種海量數據。促進人工智慧技術與金融行業相融合，在前端可以增強用戶的便利性和安全性，在中台支持授信、各類金融交易和金融分析中的決策，在後台用於風險防控和監督。這將大幅改變金融行業現有格局，推動銀行、保險、理財、借貸、投資等各類金融服務的個性化、定製化和智能化。受智能客服、金融搜索引擎及身份驗證入口級產品的廣泛普及和應用，智能金融全球產業規模在2020年會接近52億美元，我國將達到8億美元。

核心技術。當前，線上交易引發的隱私泄露及金融詐騙頻出，同時隨著移動終端和金融機構客戶端的普及，提取的用戶金融數據逐步豐富，金融機構線上服務能力和用戶隱私和交易風控就變得至關重要，語音識別、自然語音處理、計算機視覺、生物特徵識別和機器學習等技術得到了廣泛應用。語音識別與自然語音處理技術可以為前端服務客戶實現批量人性化和個性化的服務；計算機視覺與生物特徵識別技術則為金融支付驗證提供了保障；機器學習技術一方面通過導入海量金融交易數據，從中分析信用卡數據，識別欺詐交易，並提前預測交易變化趨勢，另一方面通過構建金融知識圖譜將不同來源的結構化和非結構化的數據整合到一起，建立基於大數據的完整徵信授信體系。

主要產品。基於電話、網頁在線、微信、簡訊及APP等多模式多頻次的金融信息及服務獲取渠道，相對較為成熟並已經逐步推廣的產品包括智能客服、金融搜索引擎和身份驗證，通過構建知識圖譜實現理解答覆及信息關聯體系、提供遠程開戶和刷臉支付等便捷方式幫助金融機構節省人力成本。同時，隨著用戶消費及信貸能力的逐步提升，也湧現出一批徵信和風險控制的產品，但受限於資料庫的規模和數據源的相對難以獲取，目前大部分集中在客觀呈現款人、企業間、行業間的信息維度關聯方面。此外，金融類或資產管理類公司為持續提供用戶理財和升值的資產組合推出了智能投顧產品，可根據歷史經驗和新的市場信息來預測金融資產的價格波動趨勢，以此創建符合風險收益的投資組合。

典型企業。智能客服、身份驗證和金融搜索引擎領域創新企業較多，著重於引流擴量。智齒科技、網易七魚及美國DigitalGenius均著重通過用戶體驗提升客戶量，曠世科技、商湯科技及依圖圍繞著人臉識別的核心技術進入金融領域，融360、好貸網、資信客聚焦垂直領域打造金融服務的入口。徵信及風控領域企業以大數據為壁壘，逐步出現行業龍頭。啟信寶和美國ZestFinance不斷擴容數據基礎，形成「平台黑洞」優勢，啟信寶通過提取100多家官方網站數據產品側重呈現客觀數據整合，ZestFinance則使用谷歌的大數據模型建立信用評分體系。智能投顧多為金融機構專業人才或者投資顧問公司轉型而來，美國Wealthfront、彌財、財鯨等主要通過投資ETF組合以達到資產配置，理財魔方、錢景私人理財則專註基金產品的覆蓋，雪球和金貝塔等以對量化策略、投資名人的股票組合的跟投為內容展開資訊傳遞和信息交流。

表13 智能金融主要產品及典型企業

資料來源：中國電子學會整理

3、智能醫療

促使智能機器和設備代替醫生完成部分工作，更多地觸達用戶，只是智能醫療功用的部分體現。運用人工智慧技術對醫療案例和經驗數據進行深度學習和決策判斷，顯著提高醫療機構和人員的工作效率並大幅降低醫療成本，才是智能醫療的核心目標。同時，通過人工智慧的引導和約束，促使患者自覺自查、加強預防，更早發現和更好管理潛在疾病，也是智能醫療在未來的重要發展方向。

核心技術。醫療水平的提升和醫療設備的完善使得患者就診過程會產生與日俱增的就診數據，爆炸式信息增長讓醫生無法無差錯的完成診斷和治療，同時隨著人們健康意識的加強，預防性和精準性治療同時受到關注。圖像識別、語音語義識別、深度學習技術在醫療領域得到廣泛應用。圖像識別、語音語義識別技術可充分獲取患者的飲食習慣、鍛煉周期、服藥習慣等個人生活習慣信息以對症下藥，深度學習技術可通過計算機模擬預測藥物活性、安全性和副作用，降低藥物研發周期，並輔助醫生工作實現更精準診斷和治療。

主要產品。期待健康長壽的意願隨著人們生活質量的提高持續增強，適用於生活化的身體管理的智能健康管理產品率先成為熱點，以數據形式引導個人生活習慣以達到基於精準醫學的健康管理。同時，醫生為能進行更精準並且效率更高的診斷和治療，往往會圍繞著醫療領域過往沉澱的大量病理案例，不斷從預防的角度規避疾病或提前預測藥物的可行性，智能影像、智能診療等智能醫療產品快速興起，逐漸取代經驗診斷，通過大量的影像數據和診斷數據模擬醫療專家的思維、診斷推理和治療過程，從而給出更可靠的診斷和治療方案。

典型企業。智能健康管理多面向消費端客戶，創新企業大量湧現，大部分集中在美國。如Next IT、Sense.ly和AiCure均是從日常健康管理切入移動醫療，Welltok則通過可穿戴設進行健康干預。智能診療領域取得顯著進展，IBM Watson以腫瘤為重心，在慢病管理、精準醫療、體外檢測等九大醫療領域中實現突破，美國MedWhat、英國Babylon Health和中國拍醫拍、康夫子正在聚焦智能診療的單個應用進入該領域。智能影像領域以創新企業為主，圍繞影像數據源競爭激烈。美國Butterfly Network和中國推想科技著重打造影像設備，美國Enlitic則重點關注癌症監測，中國Deepcare圍繞SaaS模式為行業提供「演算法+有效數據」服務。

表14 智能醫療主要產品及典型企業

資料來源：中國電子學會整理

4、智能安防

隨著高清視頻、智能分析、雲計算和大數據等相關技術的發展，傳統的被動防禦安防系統正在升級成為主動判斷和預警的智能安防系統。安防行業也從單一的安全領域向多行業應用、提升生產效率、提高生活智能化程度方向發展，為更多的行業和人群提供可視化、智能化解決方案。隨著智慧城市、智能建築、智慧交通等智能化產業的帶動，智能安防也將保持高速增長，預計在2020年全球產業規模實現106億美元，我國會達到20億美元。

核心技術。隨著平安城市建設的不斷推進，監控點位越來越多，從最初的幾千路到幾萬路甚至於到現在幾十萬路的規模，依託視頻和卡口產生的海量數據，智能安防已經延展到事後追查、事中防範響應、事前預防的全生命周期。目標檢測、目標跟蹤和目標屬性提取等視頻結構化技術，以及海量數據管理、大規模分散式計算和數據挖掘等大數據技術已經取代傳統的人海戰術，實時分析視頻內容，探測異常信息，進行風險預測。視頻結構化技術可以通過識別目標並持續跟蹤生成圖片結果，提取目標屬性歸納可視化特徵；大數據技術則用於採集、存儲人工智慧應用所涉及的全方位數據資源，並基於時間軸進行數據累積，開展特徵匹配和模型模擬，輔助安防部門更快、更准地找到有效的資源，進行風險預測和評估。

主要產品。為避免社會不穩定事件頻頻發生的影響，各國對治安和安防的需求都在不斷上升，這對更高效、更精準、覆蓋面更廣的安防服務提出新的需求，公安、交通、樓宇這些代表性的行業都已開始積極利用基於人工智慧的硬體及定製化系統。智能公安管理系統匯總海量城市級信息，可對嫌疑人的信息進行實時分析，將犯罪嫌疑人的軌跡鎖定由原來的幾天縮短到幾分鐘，同時其強大的交互能力還能與辦案民警進行自然語言方式的溝通，真正成為辦案人員的專家助手。智能交通管理系統實時掌握城市道路上通行車輛的軌跡信息、停車場的車輛信息以及小區的停車信息，預測交通流量變化和停車位數量變化，合理調配資源、疏導交通，提升整個城市的運行效率。智能樓宇管理系統綜合控制著建築的安防、能耗，對於進出大廈的人、車、物實現實時的跟蹤定位，監控大樓的能源消耗，使得大廈的運行效率最優。

典型企業。從提供的產品類型來看，智能安防領域的企業主要分為人工智慧晶元、硬體和系統、軟體演算法三大類別。在晶元領域，跨國巨頭企業占較高市場份額，如美國英偉達和英特爾。在硬體和系統領域，各國均以採購本國產品為主，國內主要採購對象為海康威視、大華集團，海康具有深厚的技術積累和成規模的研發團隊，大華持續構建廣泛的營銷網路；美國則有ADT、DSC、OPTEX等高端品牌佔據了安防市場大部分份額。在軟體演算法領域，美國谷歌、Facebook、微軟開源代碼並提供整體解決方案，中國曠視科技、商湯科技、雲從科技等企業也在專註於技術創新研發。

表15 智能安防主要產品及典型企業

資料來源：中國電子學會整理

5、智能駕駛

智能駕駛通過車上搭載感測器，感知周圍環境，通過演算法的模型識別和計算，輔助汽車電子控制單元或直接輔助駕駛員做出決策，從而讓汽車行駛更加智能化，提升汽車駕駛的安全性和舒適性。根據智能化水平的不同，同時參考SAE的評級標準，可將智能駕駛由低到高分為五個級別，依次是駕駛支援、部分自動化、有條件自動化、高度自動化、完全自動化。在未來各國智能駕駛相關政策法規逐漸成型、行業內技術不斷完善、智能駕駛企業積極推動應用落地的情況下，智能駕駛產業規模將保持持續擴大趨勢，預計在2020年全球產業規模實現95億美元，我國會達到12億美元。

核心技術。隨著汽車產業的成熟和普及，各城市交通擁堵愈發嚴重，汽車尾氣帶來的環境污染也逐漸影響了人們的生活環境和空氣質量，應用計算機視覺、深度學習和知識圖譜技術的智能化環保型駕駛方式為解決經濟問題和社會問題創造良機。計算機視覺技術對周圍的交通環境，如本車在哪裡、其它車在哪裡、道路多寬、限速多少、現在是紅燈還是綠燈等進行識別；深度學習技術和知識圖譜構建理解、規劃、決策以及經驗，比如紅燈要停車、路口要減速、何時及如何換道、當前加速還是減速等，同時按照時間順序更好地統籌安排車輛使用提高車輛的使用效率，減少車輛消費總量，有效減少碳排放；機器學習操控汽車，如方向盤是否轉到位、油門剎車檔位如何協調等。

主要產品。智能駕駛核心依靠感知探測一定範圍內障礙物，並依據已設置好的路線規劃實施駕駛行為，各式車載雷達、感測器、輔助駕駛系統和高精地圖可以實現駕駛、車和路的交互與融合。車載雷達可探測路肩、車輛、行人等的方位、距離及移動速度，視覺感測器用來識別車道線、停止線、交通信號燈、交通標誌牌、行人及車輛等信息，定位感測器用來實時獲取經緯度坐標、速度、加速度、航向角等高精度定位，車身感測器通過整車網路介面獲取諸如車速、輪速、檔位等車輛本身的信息，高級輔助駕駛系統（ADAS）實時收集車內外的環境數據以及時察覺潛在危險，高精度地圖實現地圖匹配、輔助環境感知、路徑規劃的作用。

典型企業。智能駕駛分為三層金字塔供應鏈格局，頂層包括整車及整體解決方案，中層是指高級輔助駕駛系統，底層是指零部件供應商。在整車及整體解決方案層級，科技型公司憑藉在人工智慧、人機交互方面的優勢搶佔市場份額。特斯拉通過成熟硬體和機器學習打造智能駕駛商用化車型，谷歌則重點完善智能駕駛方案並向整車製造能力延伸。在高級輔助駕駛系統層級，供應商基本由跨國巨頭壟斷。德國博世在感測器、自動駕駛、控制、軟體等領域共計擁有約450項專利，美國德爾福則通過資本手段布局全產業鏈，以色列Mobileye在攝像頭視覺系統領域佔據國際領先地位。在底層零部件供應商層級，中國廠商比重日益增強，圍繞某些部件實現技術突破，打造細分市場龍頭，如四維圖新的車載晶元、拓普集團的智能剎車系統IBS、索菱股份的車載智能系統CID、寧波高發的CAN 匯流排控制系統、興民智通的智能用車系統駕寶盒子、盛路通信的夜間駕駛輔助系統、車道偏移提醒系統、盲區檢測系統及萬安科技的電子制動產品等。

表16 智能駕駛主要產品及典型企業

資料來源：中國電子學會整理

6、智能搜索

智能搜索是結合了人工智慧技術的新一代搜索，除了能提供傳統的快速檢索、相關度排序等功能，還能提供用戶角色登記、用戶興趣自動識別、內容的語義理解、智能信息化過濾和推送等功能，具有信息服務的智能化、人性化特徵，允許採用自然語言進行信息的檢索，為用戶提供更方便、更確切的搜索服務。

核心技術。在信息爆炸時代，用戶需要通過最短時間鎖定最有價值信息。為匹配用戶的請求，實現網路資源快速檢索，搜索的方式和演算法都有變化。應用到搜索方式的主要技術有語音識別、圖像識別和文本識別，改善搜索演算法的技術則包括啟發式搜索演算法、智能代理技術及自然語言查詢。語音識別、圖像識別和文本識別可全方位識別搜索信息輸入屬性，提升搜索的便捷性和準確度。啟發式搜索演算法、智能代理技術及自然語言查詢可根據相關度及用戶興趣的評價函數選擇最匹配信息鏈接，自動地將用戶感興趣的、對用戶有用的信息提交給用戶，並引入用戶反饋來完善檢索機制，實現自然語言的信息檢索，為用戶提供更方便、更確切的搜索服務。

主要產品。隨著信息技術的迅速發展和互聯網的廣泛普及，網路上信息量成幾何級數的增長，傳統的搜索引擎技術在日益龐大的信息量面前逐漸顯得力不從心，多樣化的搜索方式和更精準的搜索演算法產品應運而生。淘淘搜和百度搜圖、聽歌識曲、高德地圖和百度地圖、墨跡天氣等產品，分別滿足用戶在圖像搜索、語音搜索、定位搜索、天氣搜索等場景的信息匹配和推送。出門問問、呱呱財經等產品則聚焦於垂直類智能搜索領域，實現用戶對某具體領域單點信息需求的充分篩選。

典型企業。在提供智能搜索方式的企業中，阿里巴巴、百度從文本搜索延伸至圖像搜索，英國Shazam、中國酷狗、網易、獵曲奇兵不斷提升語音搜索的準確率，百度、高德均推出基於定位搜索的高精地圖，墨跡風雲科技公司專註天氣搜索成為移動端用戶量第一。在提供智能搜索演算法的企業中，傳統搜索引擎巨頭升級為主，創新企業多聚焦垂直領域。科技巨頭如美國谷歌、Wolfram Alpha、中國百度、雅虎、搜狐等專註技術驅動，創新企業如齊聚科技則側重服務驅動。

表17 智能搜索主要產品及典型企業

資料來源：中國電子學會整理

7、智能教育

智能教育側重啟發與引導，關注學生個性化的教育和交互，學生能夠獲得實時反饋和自動化輔導，家長可以通過更為便捷和成本更低的方式看到孩子實時學習情況，老師能收穫更豐富的教學資源、學生個性化學習數據來實現因材施教，學校也能提供高質量的教育，政府則將更容易為所有人提供可負擔、更均衡的教育。自動化輔導優先通過搜題的應用取得爆髮式增長，預計2020年全球智能教育產業規模可達108億美元，我國將接近10億美元。

核心技術。智能教育建立在與學生充分的交互和數據獲取的基礎上，並在海量的教育數據中，匹配用戶的學習需求，最終能夠完成輔助教育和評估反饋，語音語義識別、圖像識別、知識圖譜和深度學習技術應用較多。語音語義識別、圖像識別實現了規模化的自動批改和個性化反饋；知識圖譜和深度學習技術搜集學生學習數據並完成自動化輔導和答疑，預測學生未來表現，智能化推薦最適合學生的內容，最終高效、顯著地提升學習效果。

主要產品。對教師人力資源的過度依賴是教育行業問題根本所在，能夠輔助教育過程、提升教師效率，同時激發學生自主學習興趣的產品，率先得到市場的認可，目前相對成熟的產品有自動化輔導、智能測評和個性化學習。自動化輔導可在兩秒內反饋出答案和解題思路，手寫的題目的識別正確率也已達到70%以上，大幅提升學生的學習效率。智能測評不僅可以對用戶跟讀進行語音測評和指導，同時還能通過手寫文字識別、機器翻譯、作文自動評閱技術實現規模化閱卷的作業測評。個性化學習基於學習行為的數據分析，推薦適合學生水平的學習內容。

典型企業。從事自動化輔導和個性化學習的企業均聚焦單一產品功能和教育區間，目前主要通過融資方式持續補貼用戶提升獲客能力。美國的Volley 和中國的猿題庫、作業幫、學霸君和阿凡題聚焦K12教育的題庫輔導和答疑，均推出拍照搜題完成題庫答疑或老師答疑，中國郎播網、英語流利說和多鄰國等側重語言輔導，美國Newsela、LightSail等建立閱讀資料庫個性化提供閱讀材料。智能測評企業主要集中在英語科目，如中國科大訊飛以智能語音技術為核心推出智能閱卷系統，批改網和美國LightSide通過資料庫匹配完成文本測評。

表18 智能教育主要產品及典型企業

資料來源：中國電子學會整理

8、智能人居

智能人居以家庭住宅為平台，基於物聯網技術和雲計算平台構建由智能家居生態圈，涵蓋智能冰箱、智能電視、智能空調等智能家電，智能音箱、智能手錶等智能硬體，智能窗帘、智能衣櫃、智能衛浴等智能家居，智能人居環境管理等諸多方面，可實現遠程控制設備、設備間互聯互通、設備自我學習等功能，並通過收集、分析用戶行為數據，為用戶提供個性化生活服務，使家居生活安全、舒適、節能、高效、便捷。

核心技術。隨著移動互聯網技術的大規模普及應用，為人們精細化掌控人居環境質量與模式提供了基礎支撐，人工智慧技術的持續發展，又進一步促使人居環境中的管理、輔助、通信、服務、信息獲取等功能再次實現智能化的組合優化，以達到藉助科技手段管理生活方式的目的。在此背景下，感測器技術、無線及近場通訊設備、物聯網技術、深度學習、大數據及雲計算技術得到較多應用。感測器和通訊設備對人居環境進行監測形成的數據流，會通過雲計算和深度學習建立相應模型，再依託家用物聯網對室內的電器設備乃至整個建築的實時控制，將模型對應的參數和狀態優化方案反饋到人居環境中，為人居生活的計劃、管理、服務、支付等方面提供支持。

主要產品。隨著技術的進步、人均收入的提升和對舒適生活環境的追求，人們需要的不僅是具備傳統的居住功能的住宅，同時也需要兼備智能監測、環境控制、信息交互等全方位感知功能的智能居住環境。智能家居作為終端首先備受市場關注，具有通信功能的家用智能硬體及設備在大數據和雲計算技術的支持下，能夠完成遠程控制、網路通信、防盜報警等較為複雜的任務。智能人居管理系統是以搭載大量移動互聯網應用為基礎，實現人居環境智能化改造，如生成家庭裝潢設計與傢具擺放設計，通過天氣數據、已有服裝數據、所處場合的風格自動生成穿衣指南，或者通過人工助手藉助語音識別、語義分析等技術，滿足人類在生活中的一些日常即時需求。

典型企業。具備智能人居解決方案提供能力的龍頭企業眾多，可大致分為傳統家電廠商、智能硬體廠商、互聯網電商及創新企業，各家布局方式互不相同。海爾、美的聚焦智能家居終端，小米側重於面向眾多開發者提供硬體開放式介面，華為致力於提供軟硬體一體化樓宇級解決方案，京東通過輕資產、互聯網化的運營模式號召合作夥伴加入其線上平台和供應鏈，國安瑞通過數據挖掘提供覆蓋操作終端硬體、系統智能雲平台、建築智能設備的閉環解決方案提升室內人居感受。

表19 智能人居主要產品及典型企業

資料來源：中國電子學會整理

（五）國內外產業對比分析

1、基礎層產業國外多點布局產品種類豐富，國內技術相對薄弱但初創企業表現活躍

國外企業憑藉領先的技術優勢展開全產業鏈布局。人工智慧產業近年來不斷突破新的極限，在深度和廣度上都得到良好發展，很大程度上受益於智能感測器、智能晶元和演算法模型等基礎層產業的爆髮式增長。國外科技企業及機構依賴強大的資源整合能力與持續創新功能，不斷加快基礎層底層技術研發與應用產品實踐步伐，圍繞智能硬體與軟體核心演算法產業鏈上下游進行有效部署，打造面向市場實際應用需求的產品體系與創新機制，催生了以新型時差測距感測器、類腦晶元、大規模卷積神經網路深度學習演算法等為代表的前沿技術產品，有效促進基礎層產業對技術層和應用層產業的支撐推動作用。

國內初創企業有望實現創新突破。目前，基礎層產業的核心技術大部分仍掌握在國外企業手中，為我國企業自主開展研髮帶來了不利的壁壘封鎖，限制了產業整體發展。但是，國內企業及科研機構進一步加強了對感測器、底層晶元及演算法等基礎層技術的研發力度，持續加大研究投入，以寒武紀、深鑒科技、雲知聲為代表的一批國內初創企業在智能晶元和演算法模型方面已推動展開相關研發工作，取得了一定的技術積累，形成了較為完整的技術和產品體系，有望在未來引領產業創新發展。

2、技術層產業國外業已打通應用端，國內圍繞特定領域實施產品精準投放

國外企業聚焦語音識別和圖像識別領域推出成熟商業應用。在多元化的應用環境驅動影響下，語音識別和圖像識別正從科研、國防、醫療等專用領域逐漸走入智能化、娛樂化的工作與生活場景，受到國外企業的廣泛關注。谷歌、微軟、亞馬遜等國外技術公司重點圍繞個人語音助手和人臉識別等展開技術研究與產品開發，打造出較為成熟的商業模式，誕生了一批符合實際應用場景需求，具備獨特競爭優勢的商業化產品，滿足了用戶在信息安全、多媒體交互和社交娛樂等方面的實際訴求。

國內企業瞄準安防、家居及教育等領域展開特定產品開發。由現實國情和具體市場需求所決定，國內企業的技術層產品研發側重於安防監控、智能家居及教育培訓等特定領域，形成了一批內容豐富、功能完善的優秀產品。曠視科技、海康威視等企業重點研發人臉檢測識別、指紋識別等技術產品，用於綜合案件和重要場所管控等領域。華為、雲知聲、國安瑞等企業成功將語音識別、人臉識別等技術應用於智能家居領域，打造舒適便捷的人居環境。科大訊飛、漢王等企業則圍繞語音交互、語義理解、文本識別等關鍵技術打造在線閱卷、在線輔導以及口語評測等產品，廣泛服務於遠程教育和技能培訓。

3、應用層產業國外較多依賴技術內生髮展驅動，國內較為注重商業模式創新

國外企業注重技術進步對應用領域創新的推動放大作用。人工智慧應用層領域眾多，各領域交叉性較強，內在聯繫緊密，呈現相互促進融合發展態勢。以深度學習為例，主流的通用開源深度學習框架，可以作為人工智慧底層技術平台，在包括智能機器人、智能醫療、智能駕駛、智能教育等應用層各方面得到廣泛應用，一旦深度學習技術有所創新，其產生的積極影響將惠及多個應用層領域，而這些應用層領域之間的相互促進作用又會繼續放大技術進步成果，帶來創新倍增效應。基於此，國外企業在持續拓展人工智慧應用範圍的同時，始終堅持底層技術研發為主導的優先發展戰略，聚焦技術的內生增長潛力，不斷尋找挖掘新的應用需求。

國內企業立足市場特色加快商業模式創新步伐。國內人工智慧應用層企業立足個人消費與生活服務領域，關注垂直行業應用需求，有效細分目標市場，積極整合閑置資源，注重挖掘數據價值，通過商業模式的不斷創新對應用層各領域進行持續滲透，著眼於增加產品的實用功能和改善用戶體驗。同時，大部分從事人工智慧的國內企業也是由互聯網業務起家，借鑒以往移動互聯網和O2O（Online and Offline，線上線下）模式的成功商業經驗，注重社區平台對用戶和商家的分類功能及點對點服務特性，關注數據價值，構建人工智慧應用精準營銷和優質體驗的業務生態體系。

第四章 投融資特徵及趨勢

+

（一）全球人工智慧領域融資總額持續增長但增速放緩

全球智能化浪潮的興起，引發人工智慧成為創業熱點，各類風險投資紛紛佔位人工智慧各應用領域，跨國科技巨頭則圍繞自身人工智慧戰略，通過投資和併購方式布局產業生態，由此帶來了人工智慧領域融資熱度持續增高。截止2017年末，全球人工智慧公司已突破2075家，跨越25個子門類，融資金額高達65億美元。但是，創業企業隨著融資到位，助力產品、數據和商業模式的不斷完善，已逐步成為細分領域的龍頭企業或者獨角獸企業，單項目融資金額規模正在逐步增大，同時隨著市場集中度的增高，人工智慧領域創業成功的幾率有所下降，使得融資增速逐漸放緩。預計到2020年，全球人工智慧融資金額增速會由2017年的33%下降至20%。

圖10全球人工智慧企業投融資金額總量（2015-2020年）

資料來源：中國電子學會整理

（二）國內人工智慧投資規模有望出現V型反轉且大額項目頻發

在移動互聯網、O2O等技術和商業模式的推動下，風險投資市場在2015年整體偏好高估值，當年國內人工智慧投資總規模高達8.9億美元。但隨著風險投資市場的逐漸成熟，在經過近三年的爆髮式投資及對高估值項目的推崇之後，國內風險投資生態系統正在走下融資高峰，逐步回歸到正常、健康的投資環境。在經歷了2016年的短暫低谷後，2017年國內人工智慧投資金額再創新高，達到10.3億美元。隨著投資市場的沉澱，人工智慧技術不斷突破，商業模式持續創新，逐漸培育出了產品和應用具有相當規模的優質企業和項目。同時，創業企業隨著規模增長，持續發展所需金額較大，在後續融資階段吸收了大部分的風險基金，近期大額投資案例頻發，投資熱點主要集中在人工智慧領域的技術層和應用層，如自然語言處理類的今日頭條、智能搜索類的出門問問等，融資額均超過1.5億美元。

圖11 我國人工智慧企業投融資金額總量（2015-2020年）

資料來源：中國電子學會整理

（三）深度學習、圖像視頻識別和文本識別是資本市場當前力捧的熱點

深度學習、圖像視頻識別和文本識別應用範圍較廣，市場潛力巨大，率先成為資本競相追逐的對象。深度學習演算法成為推動人工智慧發展的焦點，相繼在圖片識別、機器翻譯、語音識別、決策助手、生物特徵識別等領域實現了創新突破，截止2017年，全球深度學習領域在技術層和應用層的融資總額高達33億美元。圖像視頻識別廣泛應用於智能工業機器人、智能醫療、智能安防、智能駕駛等領域，全球共計融資總額高達16.6億美元。文本識別則應用於智能投顧、智能客服、智能搜索、智能教育等領域，全球融資總額超過9.3億美元。

表20 全球各領域人工智慧企業融資額前五名

數據統計時間2010.1.1至2017.12.30

資料來源：中國電子學會整理

（四）全球科技巨頭通過投資併購圍繞人工智慧構築差異化競爭力

人工智慧被全球巨頭企業視為下一次技術革命的突破點，研發和投資併購同步發力並且側重點各異。谷歌在研發方面依託人工智慧改善搜索功能並開源機器學習系統，在投資方面通過收購Wavii、Moodstocks、SayNow等完成文本識別、圖像視頻識別、語音識別的技術布局，收購深度學習技術公司DeepMind完善開源平台能力，收購Kaggle擴大在開發者層面和人工智慧開源平台方面的優勢。蘋果則集中在虛擬助手和深度學習平台的創業型小公司，購入Vocal IQ讓Siri在虛擬助手領域取得領先，同時也收購了面向開發者和數據科學家的深度學習平台Turi。IBM重點圍繞Watson平台的功能完善開展投資併購，收購Blekko豐富和深化Watson認知計算的能力，收購AlchemyAPI加強Watson人工智慧與計算服務能力，收購Cognea增強Watson系統對話的能力。微軟投資了Agolo和Bonsai公司，分别致力於布局開發先進摘要軟體企業和部署智能系統。亞馬遜通過收購語音識別公司Yap和語音助理公司Evi，構建了語音操作系統Alexa的雛形，並不斷完善Alexa的應用能力，逐步整合智能家居語音控制系統。

表21 全球科技巨頭主要收購企業

資料來源：中國電子學會整理

第五章 新一代人工智慧中長期技術及產業發展趨勢

+

（一）技術趨勢

1、既有架構面臨挑戰，新型人工智慧晶元呼之欲出

人工智慧晶元由非定製化向定製化方向發展。人工智慧推動新一輪計算革命，深度學習需要海量數據並行運算，傳統計算架構已無法支撐深度學習的大規模並行計算需求。目前使用的GPU、FPGA（可編程門陣列晶元）均非人工智慧定製晶元，存在著一定的局限性，深度學習需要更適應此類演算法的新的底層硬體來加速計算過程。目前，谷歌公司已經開發出新型TPU（張量處理器），可以在晶元中節省出更多的操作時間，適用於更複雜和強大的機器學習模型，並且能夠進行快速部署；英特爾以167億美元收購了FPGA廠商Altera後，也在研究CPU+FPGA的異構方案，以達到更好適應人工智慧時代的定製化計算的目的。

量子計算引領下一代人工智慧晶元發展潮流。對於目前的經典計算機，處理器的計算性能已漸漸遠離摩爾定律，在IBM推出5 nm製程工藝之後，CPU中晶體管的數量已很難再實現每兩年翻一番的預期。在更小尺寸的工藝條件下，晶體管性能受限於電子特性將變得不再可靠。量子計算將為人工智慧帶來革命性的發展機遇，量子比特數量會以指數增長的形式快速上升，小型化的量子晶元可以使人工智慧前端系統的快速實時處理成為可能。未來，車載智能系統、無人機智能系統等領域或將首先應用量子計算晶元系統。

2、經濟社會發展存在迫切需求，專用智能向通用智能升級

人類生產生活方式變革對人工智慧提出了新的發展需要。隨著科技不斷發展和社會結構深入變革，人類面臨著生活、生產、資源、環境等方面一系列需要回答的重大問題，現有的認知水平和治理能力面臨著前所未有的挑戰。在博弈、識別、控制、預測等專業領域以及城市發展、生態保護、經濟管理、金融風險等宏觀系統方面，迫切需要一種範圍廣、集成度高、適應力強的通用智慧，提供從輔助性決策工具到專業性解決方案的升級，顯著提升人類閱讀、管理、重組知識的能力。

通用人工智慧具備連接人工智慧和人類特徵的優勢。通用人工智慧（Artificial General Intelligence，AGI）具備執行一般智慧行為的能力，可以將人工智慧和意識、感性、知識和自覺等人類的特徵互相連結，具備減少對領域知識的依賴性、提高處理任務的適用性以及實現機器自主認知的糾偏性等特點。通用智能將具備處理多種類型任務和適應未曾預料情形的能力，其實質進展將真正開啟智能化革命的序幕，與現有物理及信息世界高度融合，深刻影響社會經濟發展的各個方面。

3、技術平台開源化已成趨勢，圍繞超級智能生態系統的競爭即將展開

全球主流技術廠商紛紛圍繞深度學習開放技術平台。2015年12月，人工智慧初創公司Open AI開源其研究成果OpenAI Gym，拉開了全球科技巨頭開放各自的深度學習技術平台的序幕，如谷歌和Facebook分別將深度學習平台TensorFlow和Torchnet全面開源，微軟開源CNTK，DeepMind 宣布開源深度學習訓練平台Labyrinth並改名為DeepMind Lab；國內百度公布了旗下的深度學習平台PaddlePaddle，騰訊公布一站式深度學習平台DI-X等。深度學習技術平台的開源化，一方面能夠使平台吸引潛在用戶，提高應用潛力，在深度學習領域進行持續創新；另一方面，各科技公司未來將圍繞開源平台建立人工智慧超級生態系統，進一步整合技術與應用，有效布局人工智慧全產業鏈。

構建超級生態系統成為未來人工智慧技術發展與競爭的主流。下一階段，藉助人工智慧超級生態系統，科技公司可以將人工智慧領域複雜的推理能力應用到之前缺乏機器學習經驗的其它領域，更加方便地指導用戶使用機器學習訓練其商用模型，評估與優化系統潛力，同時利用收集到的數據對用戶的下一步行為做出更好的規劃與建議，促進應用水平提高。圍繞各自的生態系統，科技巨頭們將在人工智慧技術與產業的戰場展開激烈競爭，角逐行業優勢，爭奪產業主導話語權。

（二）產業趨勢

1、人工智慧產業仍將保持爆髮式增長

全球正在經歷科技和產業高度耦合、深度迭加的新一輪變革，創新已由單一領域的離散式突破向跨領域的群體性突破轉變，由單一的產品創新向集大成的系統創新轉變，信息、生命、材料、製造、能源等領域競相出現重大突破。其中，人工智慧的表現一枝獨秀，已歷史性地站在了變革的風口，作為下一階段科技變革浪潮的新引擎，將滲透至各行各業，助力傳統行業實現跨越式升級，帶來廣闊的發展前景與良好的市場機遇。以微軟、谷歌、Facebook以及百度、阿里、騰訊等為代表的國內外科技巨頭紛紛積極卡位，布局人工智慧全產業鏈，各路資本也競相角逐人工智慧產業潛在增長點，充分展示了對於未來市場的樂觀預判。得益於人工智慧技術的不斷升級以及商業模式的推陳出新，全球人工智慧產業需求將進一步放量，2020年全球人工智慧產業規模將超過1100億美元，年均增速達到47.8%，我國人工智慧產業規模也將達到180億美元，年均增速達到56.5%。在產業規模整體爆髮式增長的背景下，基礎層、技術層和應用層的各細分領域也將保持同步增長態勢，尤其以應用層各產業領域的增長表現最為搶眼。

2、我國將成為全球人工智慧產業發展的重要推動者

人工智慧已受到世界各主要科技強國的廣泛關注，成為以新一輪科技革命為基礎的國家競爭制高點。歐盟的「人腦計劃」、日本的「人工智慧/大數據/物聯網/網路安全綜合項目」以及美國的《國家人工智慧研究與發展戰略規劃》，都將人工智慧全面提升到國家戰略層面。目前，美國仍然是全球人工智慧產業發展的主導者，憑藉著數量眾多、實力雄厚的科技企業和資源豐富、人才濟濟的高校與科研機構，美國從人工智慧的底層技術到應用市場都擁有無可比擬的巨大優勢。我國目前已經是人工智慧大國，影響力穩步提升，從2016年起將人工智慧領域建設已上升至國家戰略層面，相關政策進入全面爆發期。得益於人工智慧產業對經濟的積極影響和良好的應用市場背景，未來幾年內有望持續獲得國家大力支持，眾多企業、高校及科研機構也將不斷加大技術及應用研發投入力度，共同推動我國保持並發展自身競爭優勢，深度參與全球人工智慧產業合作競爭。

3、智能晶元、智能機器人及智能駕駛等熱點應用將持續受到關注

人工智慧目前已經跨越了單純依靠數據獲取來實現技術提升與推動應用發展的階段，傳統的API（Application Programming Interface，應用程序編程介面）開放和積木式創新已經無法滿足人工智慧的技術發展，數據與應用的迭代式螺旋上升發展將推動人工智慧應用層產業的跨越式發展。在下一階段，預期智能晶元、智能機器人及智能駕駛等產業將率先落地，憑藉技術的早期積累與資本的持續注入佔據相當的市場份額。智能晶元領域將由現有的CPU+GPU與CPU+FPGA異構模式，向新型人工智慧專用晶元及量子晶元過渡，顛覆現有晶元產業格局；智能機器人將會應用到越來越多的特定場景之中，實力雄厚的機器人公司或將首先開發出適用於多個商業領域的通用型機器人，輕鬆適應不同環境；智能駕駛領域也將成為未來科技公司競爭的主戰場，絕大部分車輛將達到2至3級駕駛能力（部分自動化和有條件自動化駕駛），而4至5級的駕駛（高度自動化和完全自動化駕駛）將會創造更大的產業發展機遇。

4、「平台+場景應用」主導的新型商業模式即將出現

現有的人工智慧技術主要聚焦於為服務商提供解決方案，直接面對消費者端的產品相對較少。未來，隨著人工智慧產業的深入發展以及市場化機制的不斷成熟，平台化趨勢會更加突出，將出現若干主導平台加廣泛場景應用的競爭格局，催生出更多新型的商業模式。通過海量優質的多維數據結合大規模計算力的投入，以應用場景為介面，人工智慧產業將構建起覆蓋全產業鏈生態的商業模式，滿足用戶複雜多變的實際需求。同時，具備新型晶元、移動智能設備、大型伺服器、無人車、機器人等設備研發製造能力的企業也能夠結合應用環境，提供高效、低成本的運算能力和服務，與相關行業進行深度整合，從基礎設施提供逐漸向產業鏈下游服務延伸拓展。

5、科技巨頭企業的優勢地位將受到初創公司的挑戰

目前全球人工智慧產業的發展實際上是由少數科技巨頭公司主導，包括國內的BAT（百度、阿里、騰訊），以及國外的FAMGA（指Facebook、亞馬遜、微軟、谷歌和蘋果，截至2017年7月全球市值最高的五個公司）。憑藉著強大的技術和資本壟斷能力，科技巨頭公司在目前代表著全球人工智慧產業發展的最前沿，強勢保持人工智慧科技創新與產業發展的優勢地位。但除科技巨頭之外，全世界還有千餘家人工智慧初創企業，半數以上已經獲得投資機構青睞，數量以美國和中國居多。短期來看，科技巨頭們雖然在人工智慧各領域都已投下棋子，但大多是為企業自身以及企業相關業務進行服務，業務面廣卻並非無懈可擊，初創公司往往聚焦於行業某細分領域並深入探索，與科技巨頭在某些領域相比存在一定的比較優勢。同時，廣闊的市場容量對產業化應用提出了更加層次化的需求，初創企業可以結合自身特點進行選擇化競爭，避開與科技巨頭的直接較量。

6、行業監管問題迫切需要引起各方重視

任何新興科技產業從誕生到具體落地，都需要面臨技術、商業、法律和政策層面的諸多挑戰。在當前人工智慧產業正處於蓬勃發展階段的同時，必須認真考慮到未來行業監管措施的制定與實施。人工智慧開發者在收集和使用數據的過程中，需要採取適當的技術手段保護個人隱私安全，防止個人信息的泄露、篡改及損毀；在訓練和設計過程中需要具備廣泛的包容性，應該充分考慮弱勢群體的利益，並對道德與法律的極端情況設置特別的判斷規則；在技術或者產品的研發流程中，必須設置行政許可和准入限制，研判如何發放人工智慧產品在各細分領域的應用牌照。人工智慧行業的監管問題不是單獨哪一個群體面臨的問題，具有廣泛的社會性、系統性與複雜性，需要企業、政府、用戶、科技社團等第三方組織共同參與、群策群力，構建促進人工智慧產業良好發展的創新應用生態環境。

第六章 推動新一代人工智慧發展的措施建議

+

（一）引導樹立正確發展理念

一是依託國家新一代人工智慧發展規劃制定詳細指導意見和行動指南。圍繞人工智慧技術和產業發展在動能、路徑、舉措方面的現實要求，按照供給側結構性改革的總體部署，以催生經濟增長新動能，形成結構調整新模式，培育產業升級新業態，塑造國際競爭新優勢為導向，以人工智慧催生的各類新興產品、組織業態、產業結構、商業模式為核心，將著力推進人工智慧技術及產業發展作為具備一定條件和基礎區域的經濟社會發展戰略規劃體系的重要組成，形成科學、可行、持續的工作方案。

二是將與人工智慧融合發展作為傳統產業變革創新的重要方向。要引導傳統產業充分認識到「信息」與「智能」已經成為新的生產要素，與勞動、資本、土地等其他財富創造要素具有同等重要的地位，國民經濟社會已經從工業經濟時代進入信息經濟時代，並且必將步入智能經濟時代。圍繞著新興生產要素即將出現從生產工具到基礎設施，從產業形態到商業模式的一系列重大變革。要充分借鑒、吸收、消化國外先進企業的既有成功經驗，提煉、歸納、總結出符合國內企業基本情況、發展基礎和行業特性的人工智慧融合創新重點和發展路徑，將人工智慧作為創造產業新形態、重塑產業新競爭力的重要支撐和關鍵抓手。

（二）構建政府新型治理體系

一是推動監管、財稅、立法領域的體制機制創新。人工智慧與傳統產業融合將催生大量新業態、新模式，要推動監管方式適時革新，從有章可循式的細則性管理轉向「法無禁止即可為」式的調控性管理，為創新行為預留儘可能充足的發展空間，在財稅和立法領域予以一定寬鬆環境，鼓勵新生事物誕生和成長。同時，要積極探索政府、企業、行業協會及中介組織共同參與的多元化協同治理機制。

二是推動相關行政機構的治理組織架構優化調整。根據人工智慧產業發展以及與傳統產業融合所產生的新現象、新局面，積極應對在研發、生產、銷售、服務、管理等領域面臨的新問題，以構建與人工智慧發展需求相契合的適應性制度為導向，以提升治理效率和有利於調整優化治理措施為著力點，突出治理組織架構變革的動態性和適應性，杜絕多頭治理，避免推諉塞則，打破各種「玻璃門」和「彈簧門」。

（三）持續加強核心創新能力

一是集中力量突破重點領域核心關鍵技術。以人工智慧技術安全可控發展為導向，組織實施人工智慧重大技術攻關工程，研究制定雲計算、大數據底層技術與機器學習、模式識別、人機交互通用技術的安全可控發展路線圖。重點突破演算法模型與智能晶元的技術瓶頸，圍繞大數據智能、互聯網群體智能、跨媒體智能、人機混合智能、自主智能系統等開展前瞻性、基礎性研究，制定長期發展戰略及分階段目標，積極探索變革性創新，力爭從「跟隨式」發展躍升為「引領式」發展。

二是加快推進「雙創」平台建設。將具備人工智慧發展意願和基礎，規模大、實力強、管理好、素質高的龍頭企業作為「雙創」的重要主體，充分發揮大企業技術、管理、人才、渠道、資金、市場優勢，通過設立產業投資基金、開展供應鏈金融服務、搭建創業孵化平台和協同創新平台等模式，加速技術成果轉化，助推一批人工智慧領域的中小企業快速成長。依託行業協會及中介機構設立開放式「雙創」平台，促進企業間的資源協同與供需對接。鼓勵傳統企業和人工智慧企業聯合搭建基於在線網路的「雙創」平台，推動企業發展理念、戰略、組織、流程、管理和商業模式創新。

（四）著力夯實關鍵發展基礎

一是抓緊搶佔數據開放的戰略高地。大力提倡數據思維，加強全社會數據編碼應用，有組織有計劃地挖掘生產、生活、醫療等領域的數據資源潛在應用價值，並推動數據安全法治化，保護國家數據安全，保護公民數據權益，做好構建全球數字資源平台的前瞻謀劃。在充分保護公共安全和個人隱私的前提下，對一些基礎性的可公開數據進行開放共享，建成共有數據池，使得更多的人工智慧領域中小型創新創業企業能夠享受到這些基礎資源，促進演算法模型和解決方案的優化升級，發掘更多的潛在增長點。

二是探索新型複合型人才的教育培訓機制。加大人工智慧人才培養力度，選擇若干高水平大學，設立人工智慧研究與培訓中心，加大博士碩士培訓規模，加深與機械、設計、醫療、電信、經濟、城市規劃等相關應用領域合作，加強與計算機科學、神經科學、認知科學、心理學等相關知識體系融合互動。鼓勵具備能力的高校及科研機構搭建綜合性平台，為相關研究人員提供交叉學科培訓和應用交流對接。

（五）完善資本市場支撐環境

一是進一步建設相對寬鬆的融資環境。鼓勵商業銀行加大對有能力提供行業解決方案的人工智慧企業融資的支持力度，適當降低抵押品等方面的要求。細化對知識產權質押貸款的價值評估標準和操作細則，適當減少創新創業型人工智慧領域中小企業在申請知識產權質押貸款時的附加條件。規範發展債券市場，適度降低企業發債門檻。積極穩妥推進股票發行註冊制改革，加快多層次股權市場建設，降低創業板准入門檻，力爭加快建立戰略新興產業板，完善人工智慧與傳統產業融合催生的新技術、新業態、新模式主導下的創新型企業融資體系。

二是研究設立人工智慧與傳統產業融合創新發展專項基金。發揮政府資金的槓桿和乘數效應，引導整合社會資金，探索建立支持人工智慧與傳統產業融合創新的專項發展基金。在運作模式上採取政府引導、市場運作的模式，尊重市場規律，借鑒國際國內成功的產業發展基金管理運作經驗，緊密結合國家重大戰略決策，著力於培育發展人工智慧與傳統產業融合創新催生的大量新技術、新業態、新模式。一方面與地方相關園區基地緊密合作，參股區域性投資基金，逐步形成全國布局；另一方面參股社會資本，引導其科學合理有序地發展人工智慧與傳統產業融合創新的各項新業務。

（六）充分發揮行業組織作用

一是組織開展前瞻規劃研究。圍繞新一代人工智慧發展特色及內涵外延框架，針對人工智慧與傳統產業融合創新帶來的經濟新變革，組織相關領域的協會、聯盟和研究機構及時開展前瞻性研究，結合新一代人工智慧發展趨勢，對正在和將要出現的一大批新技術、新產品、新業態、新模式進行研判，提前規劃發展路線圖和戰略重點，並對財稅和立法領域面臨的新問題進行專題研討，提出政府治理模式變革的參考依據，發揮行業指導作用，提供智力支持。

二是打造促進人工智慧技術及產業發展的創新服務體系。由行業主管部門牽頭，以相關行業協會及聯盟為依託，成立國家級的人工智慧技術及產業發展促進中心，聘請院士級專家為中心顧問，圍繞人工智慧發展及與傳統產業融合的現狀及問題，建立和完善網路化、專業化、社會化的創新服務體系，開展成果轉化、產融對接、檢驗檢測、人才培訓、專利申報、知識產權保護等服務，打造實體業務與網路平台的融合運行機制，探索以企業為主體的市場化運作模式。

（七）實現全球統籌協調發展

一是持續研究制定具備國際視野的標準規範體系。圍繞人工智慧當前階段在具體行業的融合創新和應用推廣需求，率先開展關鍵技術和領域的標準規範研究制定工作，積极參与國際相關標準制定，考慮在中文語音識別等特色優勢領域重點推動團體標準的制定、完善和實施。推動提出符合中長期發展趨勢的人工智慧標準總體布局與框架，建立面向國際的，具有科學性、系統性、前瞻性的人工智慧標準規範體系。

二是有效加強多元化國際合作。引導和支持國內人工智慧企業與國際人工智慧領先企業、知名高校、科研機構的緊密合作，及時追蹤研究人工智慧領域的國際前沿動態，鼓勵國內人工智慧企業與國外相關企業和機構在國內聯合成立技術研發及產業化中心。積極依託「一帶一路」，推動布局人工智慧的國際研究基地、研發中心和人員培訓。

七、推動新一代人工智慧發展的措施建議

+

（一）引導樹立正確發展理念

一是依託國家新一代人工智慧發展規劃制定詳細指導意見和行動指南。圍繞人工智慧技術和產業發展在動能、路徑、舉措方面的現實要求，按照供給側結構性改革的總體部署，以催生經濟增長新動能，形成結構調整新模式，培育產業升級新業態，塑造國際競爭新優勢為導向，以人工智慧催生的各類新興產品、組織業態、產業結構、商業模式為核心，將著力推進人工智慧技術及產業發展作為具備一定條件和基礎區域的經濟社會發展戰略規劃體系的重要組成，形成科學、可行、持續的工作方案。

二是將與人工智慧融合發展作為傳統產業變革創新的重要方向。要引導傳統產業充分認識到「信息」與「智能」已經成為新的生產要素，與勞動、資本、土地等其他財富創造要素具有同等重要的地位，國民經濟社會已經從工業經濟時代進入信息經濟時代，並且必將步入智能經濟時代。圍繞著新興生產要素即將出現從生產工具到基礎設施，從產業形態到商業模式的一系列重大變革。要充分借鑒、吸收、消化國外先進企業的既有成功經驗，提煉、歸納、總結出符合國內企業基本情況、發展基礎和行業特性的人工智慧融合創新重點和發展路徑，將人工智慧作為創造產業新形態、重塑產業新

競爭力的重要支撐和關鍵抓手。

（二）構建政府新型治理體系

一是推動監管、財稅、立法領域的體制機制創新。人工智慧與傳統產業融合將催生大量新業態、新模式，要推動監管方式適時革新，從有章可循式的細則性管理轉向「法無禁止即可為」式的調控性管理，為創新行為預留儘可能充足的發展空間，在財稅和立法領域予以一定寬鬆環境，鼓勵新生事物誕生和成長。同時，要積極探索政府、企業、行業協會及中介組織共同參與的多元化協同治理機制。

二是推動相關行政機構的治理組織架構優化調整。根據人工智慧產業發展以及與傳統產業融合所產生的新現象、新局面，積極應對在研發、生產、銷售、服務、管理等領域面臨的新問題，以構建與人工智慧發展需求相契合的適應性制度為導向，以提升治理效率和有利於調整優化治理措施為著力點，突出治理組織架構變革的動態性和適應性，杜絕多頭治理，避免推諉塞則，打破各種「玻璃門」和「彈簧門」。

（三）持續加強核心創新能力

一是集中力量突破重點領域核心關鍵技術。以人工智慧技術安全可控發展為導向，組織實施人工智慧重大技術攻關工程，研究制定雲計算、大數據底層技術與機器學習、模式識別、人機交互通用技術的安全可控發展路線圖。重點突破演算法模型與智能晶元的技術瓶頸，圍繞大數據智能、互聯網群體智能、跨媒體智能、人機混合智能、自主智能系統等開展前瞻性、基礎性研究，制定長期發展戰略及分階段目標，積極探索變革性創新，力爭從「跟隨式」發展躍升為「引領式」發展。

二是加快推進「雙創」平台建設。將具備人工智慧發展意願和基礎，規模大、實力強、管理好、素質高的龍頭企業作為「雙創」的重要主體，充分發揮大企業技術、管理、人才、渠道、資金、市場優勢，通過設立產業投資基金、開展供應鏈金融服務、搭建創業孵化平台和協同創新平台等模式，加速技術成果轉化，助推一批人工智慧領域的中小企業快速成長。依託行業協會及中介機構設立開放式「雙創」平台，促進企業間的資源協同與供需對接。鼓勵傳統企業和人工智慧企業聯合搭建基於在線網路的「雙創」平台，推動企業發展理念、戰略、組織、流程、管理和商業模式創新。

（四）著力夯實關鍵發展基礎

一是抓緊搶佔數據開放的戰略高地。大力提倡數據思維，加強全社會數據編碼應用，有組織有計劃地挖掘生產、生活、醫療等領域的數據資源潛在應用價值，並推動數據安全法治化，保護國家數據安全，保護公民數據權益，做好構建全球數字資源平台的前瞻謀劃。在充分保護公共安全和個人隱私的前提下，對一些基礎性的可公開數據進行開放共享，建成共有數據池，使得更多的人工智慧領域中小型創新創業企業能夠享受到這些基礎資源，促進演算法模型和解決方案的優化升級，發掘更多的潛在增長點。

二是探索新型複合型人才的教育培訓機制。加大人工智慧人才培養力度，選擇若干高水平大學，設立人工智慧研究與培訓中心，加大博士碩士培訓規模，加深與機械、設計、醫療、電信、經濟、城市規劃等相關應用領域合作，加強與計算機科學、神經科學、認知科學、心理學等相關知識體系融合互動。鼓勵具備能力的高校及科研機構搭建綜合性平台，為相關研究人員提供交叉學科培訓和應用交流對接。

（五）完善資本市場支撐環境

一是進一步建設相對寬鬆的融資環境。鼓勵商業銀行加大對有能力提供行業解決方案的人工智慧企業融資的支持力度，適當降低抵押品等方面的要求。細化對知識產權質押貸款的價值評估標準和操作細則，適當減少創新創業型人工智慧領域中小企業在申請知識產權質押貸款時的附加條件。規範發展債券市場，適度降低企業發債門檻。積極穩妥推進股票發行註冊制改革，加快多層次股權市場建設，降低創業板准入門檻，力爭加快建立戰略新興產業板，完善人工智慧與傳統產業融合催生的新技術、新業態、新模式主導下的創新型企業融資體系。

二是研究設立人工智慧與傳統產業融合創新發展專項基金。發揮政府資金的槓桿和乘數效應，引導整合社會資金，探索建立支持人工智慧與傳統產業融合創新的專項發展基金。在運作模式上採取政府引導、市場運作的模式，尊重市場規律，借鑒國際國內成功的產業發展基金管理運作經驗，緊密結合國家重大戰略決策，著力於培育發展人工智慧與傳統產業融合創新催生的大量新技術、新業態、新模式。一方面與地方相關園區基地緊密合作，參股區域性投資基金，逐步形成全國布局；另一方面參股社會資本，引導其科學合理有序地發展人工智慧與傳統產業融合創新的各項新業務。

（六）充分發揮行業組織作用

一是組織開展前瞻規劃研究。圍繞新一代人工智慧發展特色及內涵外延框架，針對人工智慧與傳統產業融合創新帶來的經濟新變革，組織相關領域的協會、聯盟和研究機構及時開展前瞻性研究，結合新一代人工智慧發展趨勢，對正在和將要出現的一大批新技術、新產品、新業態、新模式進行研判，提前規劃發展路線圖和戰略重點，並對財稅和立法領域面臨的新問題進行專題研討，提出政府治理模式變革的參考依據，發揮行業指導作用，提供智力支持。

二是打造促進人工智慧技術及產業發展的創新服務體系。由行業主管部門牽頭，以相關行業協會及聯盟為依託，成立國家級的人工智慧技術及產業發展促進中心，聘請院士級專家為中心顧問，圍繞人工智慧發展及與傳統產業融合的現狀及問題，建立和完善網路化、專業化、社會化的創新服務體系，開展成果轉化、產融對接、檢驗檢測、人才培訓、專利申報、知識產權保護等服務，打造實體業務與網路平台的融合運行機制，探索以企業為主體的市場化運作模式。

（七）實現全球統籌協調發展

一是持續研究制定具備國際視野的標準規範體系。圍繞人工智慧當前階段在具體行業的融合創新和應用推廣需求，率先開展關鍵技術和領域的標準規範研究制定工作，積极參与國際相關標準制定，考慮在中文語音識別等特色優勢領域重點推動團體標準的制定、完善和實施。推動提出符合中長期發展趨勢的人工智慧標準總體布局與框架，建立面向國際的，具有科學性、系統性、前瞻性的人工智慧標準規範體系。

二是有效加強多元化國際合作。引導和支持國內人工智慧企業與國際人工智慧領先企業、知名高校、科研機構的緊密合作，及時追蹤研究人工智慧領域的國際前沿動態，鼓勵國內人工智慧企業與國外相關企業和機構在國內聯合成立技術研發及產業化中心。積極依託「一帶一路」，推動布局人工智慧的國際研究基地、研發中心和人員培訓。

來源： CIE智庫，中國電子學會

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！