人工智能的应用现状

1. 人工智能的应用现状

大部分学科都有各自的研究领域，每个领域都有其独有的研究课题和研究技术。在人工智能中，这样的分支包含自动定理证明、问题求解、自然语言处理、人工智能方法、程序语言和智能数据检索系统及自动程序设计等等。在过去的30年中，已经建立了一些具有人工智能的微机软件系统。
  
 目前，人工智能的应用领域主要有以下几个方面：一是问题求解。到目前为止，人工智能程序能知道如何思考他们解决的问题;二是逻辑推理与定理证明。逻辑推理是人工智能研究中最持久的领域之一。定理寻找一个证明或反证，不仅需要有根据假设进行演绎的能力，而且许多非形式的工作，在人工智能方法的研究中定理证明是一个极其重要的论题。三是自然语言处理。自然语言的处理是人工智能技术应用与实际领域的典范，目前该领域的主要课题是:计算机系统如何以主题和对话情景为基础，注重大量的尝试一一世界知识和期望作用，生成和理解自然语言。四是智能信息检索技术。信息获取和净精华技术已成为当代计算机科学与技术研究中迫切需要研究的课题，将人工智能技术应用于这一领域是人工智能走向广泛实际应用的契机与突破口。五是专家系统。专家系统是目前人工智能中最活跃、最有成效的研究领域，它是一种具有特定领域内大量知识与经验的程序系统。

2. 人工智能是未来的大趋势吗？

人工智能是未来的大趋势。
机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。
值得一提的是，机器翻译是人工智能的重要分支和最先应用领域。不过就已有的机译成就来看，机译系统的译文质量离终极目标仍相差甚远；而机译质量是机译系统成败的关键。

3. 人工智能发展现状和趋势如何

人工智能行业主要上市公司：海康威视(002415)、科大讯飞(002230)、赛为智能(300044)、东杰智能(300486)、闻泰科技(600745)、中兴通讯(000063)、恒生电子(600570)等
本文核心数据：人工智能市场规模 各层次企业分布 企业技术分布 人工智能细分领域占比等
1、市场规模：中国人工智能行业呈现高速增长态势
人工智能产业是智能产业发展的核心，是其他智能科技产品发展的基础，近年来，中国人工智能产业在政策与技术双重驱动下呈现高速增长态势。根据中国信通院数研中心测算，2020年中国人工智能产业规模为3031亿元人民币，同比增长15.1%。中国人工智能产业规模增速超过全球。
注：中国信通院的市场规模根据IDC数据测算，统计口径与IDC一致，即包括软件、硬件与服务市场。
2、竞争格局：中国人工智能企业主要分布在应用层 占比超过80%
——中国人工智能企业全产业链布局完善
我国作为全球人工智能领域发展较好的地区，无论是人工智能领域的基础层、技术层、应用层，还是人工智能的硬件产品、软件产品及服务，我国企业都有涉及。在国内，除去讯飞等垂直类企业，真正在人工智能有所长进的巨头依然是百度、阿里、腾讯这三家。
——中国人工智能企业主要分布在应用层，占比超过80%
据中国新一代人工智能发展战略研究院2021年5月发布的《中国新一代人工智能科技产业发展报告(2021)》数据，截至2020年底，中国人工智能企业布局侧重在应用层和技术层。其中，应用层人工智能企业数占比最高，达到84.05%;其次是技术层企业数，占比为13.65%;基础层企业数占比最低，为2.30%。应用层企业占比高说明中国的人工智能科技产业发展主要以应用需求为牵引。
3、技术分布：中国人工智能企业核心布局的技术主要为大数据和云计算
从人工智能企业核心技术分布看，大数据和云计算占比最高，达到41.13%;其次是硬件、机器学习和推荐、服务机器人，占比分别为7.64%、6.81%、5.64%;紧随其后，物联网、工业机器人、语音识别和自然语言处理、图形图像识别技术的占比依次为5.55%、5.47%、4.76%、4.72%。
4、细分领域：深度神经网络领域为中国AI研究热门
根据清华大学人工智能研究院、与中国工程院知识智能联合研究中心联合发布的《人工智能发展报告2011-2020》，2011-2020年十大AI研究热点分别为深度神经网络、特征抽取、图像分类、目标检测、语义分割、表示学习、生成对抗网络、语义网络、协同过滤和机器翻译。
更多行业相关数据请参考前瞻产业研究院《中国人工智能行业市场前瞻与投资战略规划分析报告》。

4. 未来人工智能的趋势是什么？

机器人一定在我们的生活中必不可少。因此对于AI智能的到来每个人自然是十分欢迎的。那么AI人工智能在回来到底会是什么样子呢？并且这些机器人到底会变成什么样子呢？

5. 如何看待人工智能的发展现状和未来可能

展望前沿技术探索，未来三到五年最有可能出现突破的就是半监督的学习方法。现在深度卷积神经网络很好，但是它有缺点，即依赖于带标签的完备大数据，没有大数据喂食就不可能达到人类水平，但是要获得完备的大数据，需要付出的资源代价太大，很多应用场景甚至得不到，比如把全世界的火车照片都搜集起来，这是不可能的事。我们希望能够做一些小数据、小样本的半监督学习，训练数据不大，但是还能够达到人类水平。
我们做过很多实验，人为地去掉一半甚至去掉1/4的标签数据去训练深度卷积神经网络，希望网络能够具有举一反三的能力，通过小样本或小数据的学习同样能够达到人类水平。这方面的研究不管是利用生成式对抗网络，还是与传统统计机器学习方法相结合，或者是与认知计算方法的结合，证明难度都挺大。比如我们看到了土狗的照片，从来没见过藏獒、宠物狗，但通过举一反三就能够识别出来。这靠什么？靠推理。人类不完全是基于特征提取，还靠知识推理获得更强的泛化能力。而现在的深度卷积神经网络是靠多级多层的特征提取，如果特征提取不好，识别结果就不好，就达不到人类水平。总之，特征提取要好就必须要有完备的大数据。但不管怎样，相信具有“特征提取+知识推理”的半监督或者无监督的深度卷积神经网络三到五年会有突破，而且还是基于端到端学习的，其中也会融入先验知识或模型。相对而言，通用人工智能的突破可能需要的时间更长，三到五年能不能突破还是未知，但是意义非常重大。
在半监督、无监督深度学习方法突破之后，很多行业应用包括人工智能场景研发都会快速推进。实际应用时我们一般都通过数据迭代、算法迭代向前推进。从这个角度来说，AlphaGo中体现的深度强化学习代表着更大的希望。因为它也是基于深度卷积神经网络的，包括以前用的13层网络，现在用的40层卷积神经网，替代了以前的浅层全连接网络，带来的性能提升是很显著的。
为什么深度强化学习更有意义？首先它有决策能力，决策属于认知，这已经不仅仅是感知智能了。其次AlphaGo依赖的仅仅是小数据的监督学习。3000万的6-9段人类职业棋手的棋局，对人类来说已经是大数据了，但对围棋本身的搜索空间来讲则是一个小数据。不管柯洁还是聂卫平，都无法记住3000万个棋局，但19x19的棋盘格上，因每个交叉点存在黑子、白子或无子三种情况，其组合数或搜索空间之巨大，超过了全宇宙的粒子数。对具有如此复杂度的棋局变化，人类的3000万个已知棋局真的就是一个小数据，AlphaGo首先通过深度监督学习，学习人类的3000万个棋局作为基础，相当于站在巨人的肩膀上，然后再利用深度强化学习，通过自我对弈、左右互搏搜索更大的棋局空间，是人类3000万棋局之外的棋局空间，这就使AlphaGo 2.0下出了很多我们从未见过的棋谱或者棋局。
总的来说，深度强化学习有两大好处，它寻找最优策略函数，给出的是决策，跟认知联系起来。第二，它不依赖于大数据。这就是前面说的小数据半监督学习方法。因为在认知层面上进行探索，而且不完全依赖于大数据，因此意义重大，魅力无穷。相信深度强化学习非常有潜力继续向前发展，将大大扩展其垂直应用领域。但是它本身并不是一个通用人工智能。AlphaGo只能下围棋不能同时下中国象棋、国际象棋，因此还只是专注于一个“点”上面的，仍属于弱人工智能。
实现通用人工智能，把垂直细分领域变宽或者实现多任务而不是单任务学习，对深度神经网络而言，沿什么样的技术途径往前走现在还未知，但是肯定要与基于学习的符号主义结合起来。通用人工智能现在没有找到很好的线索往前走，原因一是因为神经网络本身是黑箱式的，内部表达不可解析，二是因为传统的卷积神经网络本身不能完成多任务学习。可以考虑跟知识图谱、知识推理等符号主义的方法结合，但必须是在新的起点上，即在已有大数据感知智能的基础上，利用更高粒度的自主学习而非以往的规则设计来进行。另外从神经科学的角度去做也是可能的途径之一。

6. 如何看待人工智能的发展现状和未来可能

未来： 1、人工智能的进步速度是惊人的，未来我们将开始与人工智能并肩工作。
AlphaGo火了，五场亿人围观的“人机大战”，最终它依托大数据与深度学习的技术优势以4：1的胜利者姿态告诉人们，人工智能真的来了，不再只是电影中的场景，而是现实世界里正在上演的又一轮产业变革，然而这种变革让不少人感到惶恐，一时间各种人工智能威胁人类的声音铺天盖地，据英国科学协会委托网络调研公司YouGov进行的一项调查显示，大约36%的人认为人工智能技术的兴起会对人类长期生存构成威胁。人们在各种人工智能会带来大波“失业潮”的言论中深感忧虑，同时也在如此强悍的AlphaGo会不会被恶意利用等问题上担心不已，那么真实情况到底是怎样的?我们不妨听一下业内的大咖们都持怎样的看法。
AlphaGo被坏人利用怎么办?AlphaGo无思维能力，不必对其担忧
韩国著名棋手李世石九段不敌AlphaGo，不得不承认这是一件让人感到有点可怕的事情，如此强悍的AlphaGo倘若遭到坏人的恶意利用，后果岂不是很严重?
对此创新工场联合创始人汪华在惊蛰论坛中表示，这个担心其实是完全没有必要的，因为无论是自动控制机器人还是AlphaGo的技术进展都是来自于2006年、2007年在深度学习方面的一些突破，但这个东西其实不是真正的人工智能，它只能进行简单重复的模式识别，相当于脑力里面的机械运动，而在真正的所谓的人类思维方面，到目前为止连基础理论都还没有发现和突破，更何谈工程应用，因此没必要担心。此外汪华也表示，以前人类发明的工具大部分都是降低人在体力上的机械重复运动，而现在则是人类历史上第一次有可能发明出一种能降低人类在脑力方面的机械重复劳动的工具，因此他认为对于基础技术的研发不应该在它还没有真正出来的时候就做太多的道德或者价值等方面的限制与干涉。
未来五年人工智能将导致千万人失业?是的!但更应警惕的是让人类丧失斗志
人工智能技术的崛起将导致“失业潮”的发生已基本成为行业的共识。“世界经济论坛”2016年年会，基于对全球企业战略高管和个人的调查发布的报告称，未来五年，机器人和人工智能等技术的崛起，将导致全球15个主要国家的就业岗位减少710万个，2/3将属于办公和行政人员。莱斯大学计算机工程教授摩西·瓦迪近日同样表示，今后30年，电脑可以从事人类的所有工作，他预计，2045年的人类失业率将超过50%。
创新工场董事长兼首席执行官李开复表示，这些强大的机器带给人类的“下岗潮”还不是最可怕的，因为这些机器会产生巨大的商业价值，养活着这些下岗者，进而养活着人类。人类最应该担心的是“人工智能”机器真正可能带来的危机，不是奴役人类，而是让人类丧失斗志，无所事事。
人工智能只有“智商”没“情商”?已诞生情感社交机器人
如果你认为人工智能只能完成高超的逻辑思考，而不会理解人类的情感情绪，包括喜、怒、哀、乐、爱、恨、贪、痴，那就错了。事实上，越来越精准的图像、声音和面部识别系统均能让计算机更好地探查人的情感状态。《福布斯》杂志近期刊文称，随着人工智能技术的发展，基于人工智能的设备不仅可以完成逻辑思考，还将出现类似人类的情感。
而目前也已经出现了情感社交机器人如在北京诞生的“公子小白”，其独有的情感表达系统，能够识别人类情绪，同时能够表达自身情绪。强大的语义识别分析能力及知识库，能够更好地理解人类不同语义及语义中表达的不同情感，并通过数据分析做出最富“人性化”的回应。制造出公子小白机器人的狗尾草智能科技CEO邱楠表示“无论科技如何发展，回归人性、回归情感、重塑连接将依旧是情感机器人所需要努力的方向。”

7. 人工智能未来的发展趋势

要说最近几年最火热的词是什么，那应该就是人工智能了。人工智能的概念早在1956年就提出，经过几十年的发展，才真正地走进人们的生活中，相信大家都能从自己的生活中体验到人工智能为我们带来的便利，而现在，人工智能的发展其实并没有多么完善，今后人工智能的发展还会持续高速的继续，那么人工智能未来的发展趋势都有哪些呢？
一、人工智能技术大规模应用，人工智能产品全面进入我们的生活
关于人工智能产品，大家最熟悉和了解的应该就是我国通讯行业的巨头——华为公司自主研发的AI芯片了，而由苹果公司推出的iPhoneX系列手机搭载的也是AI智慧芯片，我们的生活正在慢慢的出现更多的人工智能产品。经常刷抖音的朋友应该都被那些银行服务厅里的智能机器人给吸引了吧，而人工智能应用在这些方面，只是我们生活的冰山一角，为了，人工智能将会更多的应用到商业，由商家开发的人工智能产品也将会充斥在我们生活的每个角落。
二、人工智能成为一种可购买的智慧服务
人类研究人工智能，归根究底还是要为人类服务，人工智能和不同行业的结合发展，能让我们的生活变得更加的方便，或者说“懒”，这就跟人类使用工具一样，其本质都是“偷懒”和高效。相信去年春节期间百度研发的无人驾驶汽车大家都见识过了，对于人工智能的可应用来说，这只是其中之一，在未来，当让观众大规模的应用到我们生活的各个方面的时候，我们就可以通过购买的方式来享受人工智能带给我们的服务。想象一下，开车的时候睡着了却仍然能到达目的地，是不是很刺激呢？
三、人工智能取代人力，对全球的经济产生影响
说到人工智能，大多数人都是比较期待的，当然也有少数人会怀着担忧的心态看到它，因为人工智能的发展，让我们看到了人工智能的高效和服从，那么在未来，当人工智能的发展进入到一个全新的领域阶段，它是不是就能够取代现在一些行业所需要的人工劳动呢？如果是的话，那么将会有大面积的失业问题出现，因为人工智能的发展，能够在短时间内对其进行量产，这样就会有很多人下岗，对全球的经济和社会来说，影响都是巨大的。
人工智能的发展势不可挡，现在的人工智能已经为我们的生活带来了不少的便利，但随着技术的持续发展，人工智能究竟会为我们带来什么样的影响是不好预计的，可以预料的是，我们会因为人工智能的飞速发展而享受更多更好的服务，但会不会产生坏的影响，小编只能说，这个问题就要交给未来决定了。

8. 人工智能的技术研究

用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。 如今没有统一的原理或范式指导人工智能研究。许多问题上研究者都存在争论。其中几个长久以来仍没有结论的问题是：是否应从心理或神经方面模拟人工智能?或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提议人工智能应归类为SYNTHETIC INTELLIGENCE，[29]这个概念后来被某些非GOFAI研究者采纳。大脑模拟主条目：控制论和计算神经科学20世纪40年代到50年代，许多研究者探索神经病学，信息理论及控制论之间的联系。其中还造出一些使用电子网络构造的初步智能，如W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。 这些研究者还经常在普林斯顿大学和英国的RATIO CLUB举行技术协会会议.直到1960, 大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。符号处理主条目：GOFAI当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学, 斯坦福大学和麻省理工学院，而各自有独立的研究风格。JOHN HAUGELAND称这些方法为GOFAI(出色的老式人工智能)。[33] 60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。基于控制论或神经网络的方法则置于次要。[34] 60~70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学, 运筹学和经营科学。他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。这方法一直在卡内基梅隆大学沿袭下来，并在80年代于SOAR发展到高峰。基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，JOHN MCCARTHY认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示, 智能规划和机器学习. 致力于逻辑方法的还有爱丁堡大学，而促成欧洲的其他地方开发编程语言PROLOG和逻辑编程科学.“反逻辑”斯坦福大学的研究者 (如马文·闵斯基和西摩尔·派普特)发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。ROGER SCHANK 描述他们的“反逻辑”方法为 SCRUFFY .常识知识库 (如DOUG LENAT的CYC)就是SCRUFFYAI的例子,因为他们必须人工一次编写一个复杂的概念。基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划,这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。子符号法80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，机器人，机器学习和模式识别。很多研究者开始关注子符号方法解决特定的人工智能问题。自下而上, 接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEY BROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征(如移动，感知和形象)。计算智能80年代中DAVID RUMELHART 等再次提出神经网络和联结主义. 这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴。统计学法90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因。共用的数学语言也允许已有学科的合作（如数学，经济或运筹学）。STUART J. RUSSELL和PETER NORVIG指出这些进步不亚于“革命”和“NEATS的成功”。有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标。集成方法智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。最简单的智能AGENT是那些可以解决特定问题的程序。更复杂的AGENT包括人类和人类组织（如公司）。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法。范式同时也给研究者提供一个与其他领域沟通的共同语言--如决策论和经济学（也使用ABSTRACT AGENTS的概念）。90年代智能AGENT范式被广泛接受。AGENT体系结构和认知体系结构研究者设计出一些系统来处理多ANGENT系统中智能AGENT之间的相互作用。一个系统中包含符号和子符号部分的系统称为混合智能系统 ,而对这种系统的研究则是人工智能系统集成。分级控制系统则给反应级别的子符号AI 和最高级别的传统符号AI提供桥梁，同时放宽了规划和世界建模的时间。RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一个早期的分级系统计划。 机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。值得一提的是，机器翻译是人工智能的重要分支和最先应用领域。不过就已有的机译成就来看，机译系统的译文质量离终极目标仍相差甚远；而机译质量是机译系统成败的关键。中国数学家、语言学家周海中教授曾在论文《机器翻译五十年》中指出：要提高机译的质量，首先要解决的是语言本身问题而不是程序设计问题；单靠若干程序来做机译系统，肯定是无法提高机译质量的；另外在人类尚未明了大脑是如何进行语言的模糊识别和逻辑判断的情况下，机译要想达到“信、达、雅”的程度是不可能的。 ⒈ MASSACHUSETTS INSTITUTE OF TECHNOLOGY麻省理工学院⒉ STANFORD UNIVERSITY斯坦福大学(CA)⒊ CARNEGIE MELLON UNIVERSITY卡内基美隆大学(PA)⒋ UNIVERSITY OF CALIFORNIA-BERKELEY加州大学伯克利分校⒌ UNIVERSITY OF WASHINGTON华盛顿大学⒍ UNIVERSITY OF TEXAS-AUSTIN德克萨斯大学奥斯汀分校⒎ UNIVERSITY OF PENNSYLVANIA宾夕法尼亚大学⒏ UNIVERSITY OF ILLINOIS-URBANA-CHAMPAIGN 伊利诺伊大学厄本那—香槟分校⒐ UNIVERSITY OF MARYLAND-COLLEGE PARK马里兰大学帕克分校⒑ CORNELL UNIVERSITY 康奈尔大学 (NY)⒒ UNIVERSITY OF MASSACHUSETTS-AMHERST马萨诸塞大学AMHERST校区⒓ GEORGIA INSTITUTE OF TECHNOLOGY佐治亚理工学院UNIVERSITY OF MICHIGAN-ANN ARBOR 密西根大学-安娜堡分校⒕ UNIVERSITY OF SOUTHERN CALIFORNIA南加州大学⒖ COLUMBIA UNIVERSITY哥伦比亚大学(NY)UNIVERSITY OF CALIFORNIA-LOS ANGELES加州大学洛杉矶分校⒘ BROWN UNIVERSITY布朗大学(RI)⒙ YALE UNIVERSITY耶鲁大学(CT)⒚ UNIVERSITY OF CALIFORNIA-SAN DIEGO加利福尼亚大学圣地亚哥分校⒛ UNIVERSITY OF WISCONSIN-MADISON威斯康星大学麦迪逊分校 1、中国科学院自动化研究所2、清华大学3、北京大学4、南京理工大学5、北京科技大学6、中国科学技术大学7、吉林大学8、哈尔滨工业大学9、北京邮电大学10、北京理工大学11、厦门大学人工智能研究所12、西安交通大学智能车研究所13、中南大学智能系统与智能软件研究所14、西安电子科技大学智能所15、华中科技大学图像与人工智能研究所16、重庆邮电大学17、武汉工程大学