顧 問
潘云鶴 中國工程院院士
指導單位
工業和信息化部信息化和軟件服務業司
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 工信部信軟司軟件處處長
傅永寶 工信部信軟司軟件處調研員
專家委員會（排名不分先后，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 阿里巴巴人工智能實驗室負責人
梁家恩 云知聲信息技術有限公司董事長兼CTO
崔 巖 中德人工智能研究院院長
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 颋 周岷峰 馬 良 凌 霞
李 巖 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 巖
1、編制背景
自1956年概念得以確立以來，人工智能發展至今已逾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征，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，都要更加接近于人類智能，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，也能為設計制造、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能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。針對于此，有必要研究編制新一代人工智能發展白皮書，明確人工智能在新時期、新形勢下的技術框架、關鍵環節、應用前景，為推動人工智能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臺階。
2、編制目標
（1）明確新一代人工智能的主要發展方向，系統歸納其主要驅動因素及最具典型意義的特征。
（2）研究新一代人工智能的技術框架，梳理技術演進軌跡，提出基礎性、通用性技術體系。
（3）探索新一代人工智能的產業邊界，劃分產業類別和應用場景，研判相關的投融資特征及趨勢。
（4）提出促進新一代人工智能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。
3、編制方法
（1）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《為人工智能的未來做好準備》、《國家人工智能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《機器人和人工智能》、英國政府科學辦公室發布的《人工智能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《人工智能產業化路線圖》；我國出臺的《國務院關于積極推進“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》中關于人工智能的部分。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“高級綜合智能平臺計劃”進行了學習了解。
（2）訪談國內知名專家學者，圍繞新一代人工智能的內涵、外延及特征趨勢展開充分研討。新一代人工智能既有創新性又有繼承性，與過往所談論的人工智能既有聯系又有區別，在研究內容上既要有突破又要有充分吸收和借鑒。通過與國內人工智能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云鶴院士《人工智能邁向2.0》一文進行的深入學習研討，為白皮書的編制奠定了系統的理論基礎。
（3）調研國內外知名人工智能企業，匯集整理和分析來自實踐應用的典型案例。高度重視人工智能領域的具體產品、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能企業展開深度調研，并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制工作。
4、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
人工智能的概念從誕生之日開始計算，已經超過60年，并非橫空出世的新興事物。只不過受近年來算法模式持續優化、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征。本白皮書一開始研究主題名為“人工智能2.0”，目前已更改為“新一代人工智能”，是為了呼應院士研究文章、部委領導講話，以及即將出臺的國家級規劃，重點針對人工智能的新趨勢、新特征、新模式展開研究，并非是要提出一個全新的研究對象。
（2）研究范圍聚焦技術和產業發展
在人工智能領域，正孕育著堪與相對論、量子理論、計算機、互聯網相提并論的重大創新、變革及突破。人工智能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沖擊。研究人工智能，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。本白皮書的編制，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，各類研究咨詢機構紛紛推出圍繞人工智能主題的相關報告，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制組在目前對人工智能的研判和思考，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，隨著人工智能技術的進步、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。
第二章 新一代人工智能技術框架
與早期人工智能相比，新一代人工智能正在全新信息環境、海量數據基礎和持續演進、不斷豐富的戰略目標的引領下，依托于云計算、大數據兩大基礎平臺和機器學習、模式識別和人機交互三大通用技術，以新型計算架構、通用人工智能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）新一代人工智能的技術演進
1、從原有的CPU架構，轉變為GPU并行運算架構
深度學習算法運行于CPU架構的指令需求過于復雜。機器學習領域的泰斗杰弗里·辛頓開啟了深度學習在人工智能領域研究的浪潮，大數據技術帶來的數據洪流滿足了深度學習算法對于訓練數據量的要求，但是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，對于并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，并不能很好地匹配與適應。
GPU架構具備與深度學習相匹配的并行運算能力。GPU（圖形處理器）最初是個人電腦、工作站、游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，其海量數據并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，這對于多媒體計算中大量的重復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可以提供相當于2000顆CPU的深度學習性能，為技術的發展帶來了實質性飛躍，被廣泛應用于全球各大主流深度學習開發機構與研究院所。
2、從單一算法驅動，轉變為數據、運算力、算法復合驅動
缺少數據支撐與運算力保證的算法驅動模式難以持續發展。人工智能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算法，解決優化篩選、單點搜索、邏輯推理等實際應用問題。盡管深度學習概念和淺層學習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、運算力和算法復合驅動模式引發人工智能爆發式增長。與早期人工智能相比，新一代人工智能體現出數據、運算力和算法相互融合、優勢互補的良好特點。數據方面，人類進入互聯網時代后，數據技術高速發展，各類數據資源不斷積累，為人工智能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，計算系統的硬件性能逐年提升，云計算、并行計算、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。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能發展步伐。以往的人工智能專家系統是基于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絡，升級更新較為不便。
開源框架推動構建人工智能行業解決方案。人工智能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涌現，如谷歌的TensorFlow、Facebook的Torchnet、百度的PaddlePaddle等，其共同特點均是基于Linux生態系統，具備分布式深度學習數據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，與硬件結合生成各種應用場景下的人工智能系統與解決方案。
4、從學術研究探索導向，轉變為快速迭代的實踐應用導向
學術導向難以滿足復雜數據信息背景下的創新需求。隨著人工智能的不斷發展，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能領域基本理論、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能理論與技術的發展。在如今數據環境改變和信息環境變化的背景下，現實世界結構趨向復雜，單純依靠課題立項和學術研究無法持續推動人工智能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，影響人工智能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，人工智能圍繞醫療、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能實現“數據-技術-產品-用戶”的往復正循環，由學術驅動向應用拉動轉化。在人工智能技術準備期，由于提供數據支撐較少，技術提升度慢，一旦進入應用期，大量的優質數據有助于分析技術弊端，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后，繼續為應用平臺創造了更大規模的后臺數據，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能技術實現自我超越。
（二）新一代人工智能技術體系
新一代人工智能技術體系由基礎技術平臺和通用技術體系構成，其中基礎技術平臺包括云計算平臺與大數據平臺，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，人工智能技術不斷創新發展，應用場景和典型產品不斷涌現。
1、云計算：基礎的資源整合交互平臺
云計算主要共性技術包括虛擬化技術、分布式技術、計算管理技術、云平臺技術和云安全技術，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，為人工智能的發展提供了資源整合交互的基礎平臺。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，促進了神經網絡模型訓練優化過程，顯著提高語音、圖片、文本等辨識對象的識別率。
表1 云計算主要共性技術
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采集與預處理、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，為人工智能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，可以推動人工智能根據客觀環境變化進行相應的改變和適應，持續提高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算法在機器上訓練模型，并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能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于認知的決策
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范圍的不斷擴大，模式識別技術將與人工神經網絡相結合，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于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、發達國家基礎平臺布局完善，國內仍缺乏自主核心技術
國外企業技術領先且大量布局公有云業務領域，大數據業務經驗成熟、分工明確且數據開放程度較高。云計算方面，國外云計算企業基礎技術相對領先，服務器虛擬化、網絡技術（SDN）、存儲技術、分布式計算、OS、開發語言和平臺等核心技術基本上都掌握在少數國外公司手中，憑借著強大的創新和資本轉化能力，有能力支持技術不斷推陳出新。同時，國外企業在細分領域都有所布局，形成了完善的產業鏈配合，提供各種解決方案的集成，可以滿足多場景使用要求。大數據方面，國外公司在大數據技術各個領域方面分工明確，有的專注于數據挖掘，有的專注于數據清洗，也有的專注于數據存儲與管理。同時，國外從事大數據技術研發的企業有很大一部分是由傳統的數據公司轉型而來，如IBM、甲骨文（Oracle）、易安信（EMC，2015年10月被戴爾公司收購）等，這類公司在大數據概念興起之前就早已充分接觸數據領域業務，在數據科學領域有較強的研發能力。國外數據保護制度相對完善，數據開放標準成熟，為大數據技術研發提供了良好的外部環境。
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。云計算方面，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，國內企業仍處于“跟風”國外企業的發展階段，在數據服務內核等方面缺乏積淀與經驗，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、云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，國外技術企業基于觸控技術、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并降低成本。
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，盡管國內學者在數據挖掘層面取得了一定的研究成績，但對于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，不利于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，復合型較強，相比于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，缺乏交叉復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于同一起跑線，重點聚焦于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于并跑狀態，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。國內外企業均致力于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%，處于業內領先水平。
(審核編輯: 智匯張瑜)
分享
