人工智慧整體技術體系和國內外發展情況

人工智慧作為新一輪產業變革的核心驅動力，將進一步釋放歷次科技革命和產業變革積蓄的巨大能量，並創造新的強大引擎，推動智能經濟和智能社會的發展。本文嘗試從根技術、核心共性技術、智能應用技術、典型應用場景四個層面勾勒人工智慧技術的整體技術體系和國內外發展情況。

近年來，人工智慧已經成為國際科技競爭的新焦點。作為多學科交叉結果和通用型技術，人工智慧技術同上下游的相關技術和應用一起形成了錯綜複雜的技術體系網路。這一網路目前初見雛形，但仍處於快速更新、劇烈變化的動態發展狀態。經過多方資料的匯總和梳理，本文嘗試從根技術、核心共性技術、智能應用技術、典型應用場景四個層面勾勒人工智慧技術的整體技術體系和國內外發展情況。初步研判，目前人工智慧產業的發展存在著兩個主要趨勢：一是不斷拓展、深挖核心技術；二是積極尋求在傳統產業的應用空間。

一

根技術：廣泛融合，不斷擴展

數學與工程學始終是人工智慧發展過程中的重要基石。例如1956年達特茅斯會議以來，控制論曾長期處於人工智慧研究的主導理論地位；機器學習演算法的發展過程則可視為數學方法不斷演進的過程。

80年代人工智慧的主流理論逐漸演化為資訊理論，同期也誕生了深度學習演算法。深度學習演算法能夠在近年獲得成功除了得益於自身演算法的不斷完善，還應歸因於三十年來信息學與計算機科學的快速發展。尤其是大數據技術的發展提供了前所未有的豐富數據，使得各類機器學習演算法獲得了充足的學習資源；而計算性能的提升也保證了其潛力的充分發揮。

出於對人類智能的追求，腦科學與認知科學在人工智慧的各個發展階段都是主要參與學科之一。例如人工神經網路的數學理論雛形就是在心理學家Warren Mcculloch的參與下產生的。當前類腦智能更被認為是人工智慧的未來發展方向之一，因此對腦科學與認知科學的研究仍將受到廣泛關注。相關研究可以分為關注基因、蛋白質、神經元、化學信號、電信號的「硬體研究」和關注認知、行為、心理的「軟體研究」兩大類。目前普遍認為後者對於類腦智能的研發更具指導意義。

多項不同根技術的廣泛融合成就了當前人工智慧技術的高速發展。同時這一融合範圍還在不斷擴大。例如隨著智能晶元的發展，集成電路相關技術已經成為了人工智慧技術體系的一部分；量子計算也被納入人工智慧的技術網路中。人工智慧的多學科交叉特色將會越來越顯著。

二

核心共性技術

核心共性技術大致可以分為人工智慧晶元、基礎演算法和系統平台三類。在具體應用中，各種不同演算法是系統平台的基礎；人工智慧晶元作為硬體是演算法的基礎。但在實際的創新鏈中，人工智慧晶元也是基於基礎演算法的特點、需求和指導而開發的。基礎演算法是人工智慧技術發展的根本核心。

1基礎演算法：創新活躍，任重道遠

早期計算智能演算法主要模仿了人類智能的「知識表示與推理」功能。雖然出現了專家系統、幾何證明機、「深藍」等案例，但整體上仍存在效率低下、維護性差、性價比低等難以克服的問題，未能取得商業成功。

機器學習演算法則更進一步，在形式上模擬了人腦的學習功能，即重複訓練次數多的「思考」過程會被強化。這一突破性進步能夠大大提升人工智慧系統的運行效率，並降低編碼成本。人工神經網路演算法是機器學習演算法的重要分支，初步借鑒了人腦神經元的某些運算機制。深度學習演算法是人工神經網路演算法的一個拓展，通過多層神經網路，形成比淺層結構簡單學習更強大的從少數樣本集中歸納數據集本質特徵的能力。近年來，演算法方面的研究始終處於頻繁更新、快速迭代的狀態。目前單純的深度學習演算法已經略顯「過時」。在其基礎上開發的卷積神經網路、循環神經網路、遞歸深度神經網路等成為最新前沿。此外現有演算法的交叉組合，例如深度學習演算法同強化學習演算法綜合形成的深度強化學習方法等也逐步成為新的熱點。在計算智能演算法和機器學習演算法的研發方面，歐美大學佔據絕對的領跑地位。全球排名前30的高校中，美國高校佔比最高，達到22家；我國高校無一上榜。

儘管在目前獲得了一定的成功，但機器學習演算法的機理仍然是統計擬合、暴力計算，並不具備真正的基於理解的學習、推理和決策能力，因此在應用中仍具有極大的局限性。部分專家甚至認為機器學習演算法無法真正解決自然語言翻譯、全自主自動駕駛等熱點問題。當前比較明確的面向未來的前沿演算法基礎理論中，高級機器學習仍然無法突破機器學習的框架；量子計算主要是配合高級機器學習的發展；類腦智能計算則被許多專家視為新一代人工智慧技術的突破口。近期美、日、德、法、歐盟和以色列等主要國家和地區都開展了腦科學與人工智慧的聯合研究，但眾多現有類腦智能研究都主要以利用人工智慧工具研究腦科學為主，對人工智慧研究的推動不足。將兩方面研究緊密結合的機構僅有麻省理工學院、卡內基·梅隆大學和加州大學伯克利分校等少數高校。整體而言，新一代人工智慧的基礎演算法研究仍然任重道遠。

2人工智慧晶元：多路線競爭，分領域發展

目前的人工智慧晶元根據技術路線可分類三類。首先是通用型的CPU及GPU晶元。CPU的架構和指令集對神經網路計算的兼容度不夠，性價比和運算效率偏低。但英特爾、ARM在新的CPU產品Xeon Phi和DynamIQ中強化了對神經網路計算的支持。GPU的架構比CPU更有利於相關演算法的運行。傳統的GPU廠商英偉達和AMD分別推出了Tesla V100和RadeonInstinctMI25來開拓人工智慧晶元的市場空間。英特爾也通過收購的方式推出了Nervana以進入GPU領域。

第二類是FPGA晶元。FPGA具有可定製的特點，使用者可以對晶元進行二次開發使其更加適宜特定的運算環境。由於犧牲了通用性，FPGA晶元的價格相對CPU和GPU而言較為便宜。目前Xilinx 、Altera、Microsemi、Lattice等少數廠商基本壟斷了 FPGA的生產。英特爾通過收購Altera也進入了FPGA晶元的生產環節。基於外購晶元，微軟、百度等領先企業均具有較強的二次開發能力。百度已經推出了基於FPGA的百度大腦晶元。

第三類是ASIC晶元。此類晶元是徹底的專用晶元，也不具備編輯功能。設計新ASIC晶元的前期投入較高，但大規模生產後能夠實現極低廉的成本。ASIC晶元對特定計算的運行效率極高，但也僅能應用於特定計算。目前ASIC晶元分兩個技術方向。（1）脈衝神經網路晶元，以IBM的TureNorth為代表，以脈衝長短模擬大腦神經元間的交流活動。（2）機器學習晶元，以谷歌TPU和我國寒武紀為代表，以概率變化模擬大腦神經元間的交流活動。比較而言，後者直接針對機器學習演算法的需要，目前在商業化應用競爭中佔據優勢，高通的Zeroth即是從早期的脈衝神經網路晶元轉為現今的機器學習晶元方向。前者仍需憶阻器等基本原件的進一步發展，但對於類腦演算法研究而言有著長遠的意義。

整體而言，三類人工智慧晶元各有特點，都具有對應的潛在細分市場空間。不同場合下對通用性、成本、性能的不同要求會產生不同的解決方案。蘋果A11、華為麒麟970中的人工智慧模塊以及谷歌TPU都只是用於配合CPU完成特定運算。

3系統平台：多方混戰，搶佔地盤

實際應用中，可能被用到的大量不同基礎演算法需要整合成為集成化、高度兼容的軟體工具來發揮作用。較完備的工具軟體包形成了穩定的系統環境。圍繞一些開源系統往往還會形成全球共享的研究成果交流平台。在系統平台領域搶佔話語權，就能在人工智慧時代形成類似PC時代Windows系統或手機時代安卓系統的優勢市場地位。當前人工智慧系統平台處於活躍發展、普遍競爭的狀態，尚未產生穩定格局。Facebook、IBM等大公司和許多創業型小公司都推出了自己的開源項目。蘋果通過收購Turi公司涉足了這一領域。我國的百度也在近期推出了自己的開源平台PaddlePaddle。谷歌則完全基於其Tensor Flow平台設計出了TPU晶元，在戰略層面打通了軟硬體市場的布局。

三

智能應用技術：感知、決策、執行集成化

智能應用技術是核心共性技術基礎上的具體應用研究，主要是解決了某種特定類型問題的解決方案。某項專項技術可能用於許多不同的應用場景；特定應用場景也往往包含了多項專項技術。

智能感測器方面，目前國際一流感測器的市場基本被外國公司所壟斷，我國的產業和研發實力明顯處於劣勢。模式識別在廣義上既包括一些共性理論，也包括在語音、圖像、自然語言分析等方面的具體識別技術，在此分別表述為模式識別理論和感知與理解技術。智能決策分析則主要側重數據挖掘方向的專項應用。機器人、無人機、自動駕駛汽車也開始大量應用基於機器學習的智能控制技術。此外，人機交互也是當前的重點之一。

以往在機器人及自動化領域的研究中，經常依照感知、決策、執行三個環節來分析其技術體系，人工智慧的發展則逐步模糊了三者的邊界。例如機器視覺既包含基於視覺感測器的感知環節，也是對視覺信號進行分析處理和判斷的決策環節。人機交互則同時涉及了以人為對象的感知和執行兩個環節。未來人工智慧技術將進一步推動感知、決策、執行的集成化水平。

四

典型應用場景：熱點集中，各顯神通

以新增企業的業務方向為標準，近年人工智慧產業關注度最集中的細分領域為機器視覺、自然語言處理和自動駕駛。這三類專項智能技術所派生的應用場景也是當前人工智慧市場的主要熱點。例如機器視覺技術發展出的網路圖像審核、人臉識別、虹膜識別、設備登錄驗證、金融身份驗證、安防監控等應用；自然語言處理技術發展出的語音輸入、機器翻譯、擬人交流、智能客服等應用。

這些焦點應用中，比較成熟的自然語言處理、機器視覺及圖像識別、語音識別等基本都局限在信息產業之內。能夠同實體經濟掛鉤的自動駕駛雖然獲得廣泛關注但短期內尚難以突破。目前尋找能夠對接傳統製造和服務業的應用點是人工智慧產業發展的重要任務，也是人工智慧「通用型」應用的必然需要。

目前對新應用領域的探索主要分為三種情況。（1）龍頭引領，即領先企業的戰略意志推動新應用市場的開闢，並利用技術、資金、影響力等方面的優勢而暫時處於無人競爭的狀態。例如IBM基於沃森所提供的醫療診斷、法律諮詢等服務，以及阿里巴巴所提出的城市大腦。（2）主動吸收，即一些專業性較強的行業主動吸收人工智慧方法改善自身產品水平，主導者是業內原有的成熟主體而非新興的人工智慧企業。這也是最能體現人工智慧「通用型」的應用類型。例如財務分析、科研輔助、交融交易分析等。（3）有待開拓，即相關領域理論上存在應用人工智慧的可能，但尚缺乏實用性強、市場空間大的成熟產品。例如防災減災、基礎設施維護、智能製造、智能教育等。

作者：沈應龍，上海市科學學研究所產業創新研究室助理研究員、博士。本文為上海市科學學研究所「人工智慧研究組」研究成果。文章觀點不代表主辦機構立場。

◆◆◆

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！