一、人工智能综述
1.人工智能的起源
在AI历史上，有逻辑规律和统计规律之争，具体而言，人工智能有两大主流学派
符号主义：又称为计算主义或逻辑主义，它认为智能需要通过精确的逻辑推理计算实现。这是传统的人工智能方法，最典型的例子是专家系统和知识库，现在有了一个更优雅的名字，叫知识图谱。
统计主义：它更注重从数据和经验中学习统计规律。目前绝大多数机器学习方法都属于统计主义，因为我们目前仍然缺乏让电脑自动提炼和运用逻辑规律的有效方法。
这两大学派各有所长，都经历过数次兴衰，人工智能也曾经理两次浪潮与两次低谷，目前我们正位于第三次浪潮，而这一切与计算机硬件的发展有着密不可分的联系。
在两千多年前，从春秋战国时期《列子》中描述的偃师造人，到古希腊传说中的青铜机器人Talos，人类就曾梦想创造出与人类具有相同行为模式的智能机器。而17世纪Leibnitz的数学逻辑与Pascal的机器加法机，可谓是人工智能算法和硬件的先驱。
部分摘自《深度卷积网络-原理与实践》一书
2.人工智能的范畴
亚瑟·塞缪尔（），机器学习：使计算机无需明确编程就能学习的研究领域。TomMitchell（）学习问题：一个计算机程序被称为从经验E中学习关于某个任务T和某个性能度量P，如果它在T上的性能（用P度量）可以随着经验E的提高而提高。
3.人工智能研究方向–技术分类
人类语言技术（包括自然语言处理及语音技术）
计算机视觉（包括图像、视频及三维视觉等）
机器人与自动化技术（自动驾驶技术等）
机器学习算法（深度学习与强化学习等）
智能基础设施（芯片、云计算与物联网等）
数据智能技术（大数据、知识图谱与推荐系统等）
前沿智能技术（脑机接口、量子计算与沉浸式技术等）
4.人工智能研究方向
5.论文收录方向
6.人工智能应用状况
企业和政府对人工智能的应用逐渐升温。在决定企业产生经济效益的各个环节，都已经能够看到人工智能的身影：AI帮助人们安全生活、远程交易、边界通行；深度学习和知识图谱帮助企业在生产过程中分析预测、科学决策；人机对话提升了拜访等级、服务响应中的用户体验。人工智能将催生新技术、新产品、新产业、新业态、新模式，实现社会生产力的整体跃升，推动社会进入智能经济时代。
数据来自艾瑞咨询7.人工智能产业规模
年，人工智能预计达到超过亿元规模，疫情环境下，年的业务高速增长主要由AI开放平台API贡献，到年，产业规模预计超过亿元。大约30%-45%的市场是人工智能创业企业所占据，外围赛道切换而来的互联网公司、云服务公司、大数据公司、信息技术服务公司、通信设备公司以及个别科研院所切分其余市场。
数据来自艾瑞咨询8.人工智能主要赛道
在应用领域：
计算机视觉
人机交互与智能语音
对话机器人
机器学习与数据挖掘
金融数据分析
联邦学习
知识图谱
软件定义芯片
数据来自艾瑞咨询9.特殊场景下技术难题的解决
在人类语言技术方面，主要体现在语音技术下的语音识别以及自然语言处理方面的机器翻译、问答以及情感分析任务，这些技术任务领域都是在整体技术指标达到超越人类的一定阈值之后转入研究解决个别的具体实际问题，如语音技术方面的噪音、方言、鸡尾酒会问题，自然语言处理方面的小语种、多语种、一词多义等语义理解问题，以及计算机视觉任务普遍面对的环境光、背景杂物、以及分辨率影响等特殊场景的技术难题。即技术标准度提升错误率下降的情况下，重点强化鲁棒性。
与此同时，这些已经落地的技术任务还共同面临着场景切换的问题，主要是不同垂直领域的语言或图像识别任务需要采取不同的数据训练出的模型进行应对，而未来基于无监督学习的研究会更加侧重这些技术的跨领域、跨场景融合，使得一个模型可以解决多个不同场景的问题。
10.无监督学习是未来技术突破的主要着力点
在语言技术和视觉技术这两个人工智能感知层应用落地最成熟的两个技术领域，无监督学习都是被提及频率最高的技术发展趋势。NLP领域目前是最成功的大规模预训练语言模型（BERT等）证明了无监督学习在自然语言处理类任务里的可行性预发展潜力，transformer体系结构已成为NLP任务的实际标准，开始扩展至最相关的语音技术领域。而计算机视觉领域相比NLP更早使用注意力机制，但对于transformer模型的应用仍然受到卷积网络结构本身的限制。GoogleBrain团队开发的最新视觉transformer模型（ViT）已经在突破这种限制上做出了可行的尝试，通过对大量数据的预训练，该模型已经可以成功迁移运营在多个中小型CV数据集（如ImageNet、CIFAR-00、VTAB等）上并取得目前最先进的SOTA表现。
11.移动设备和IoT设备开始承担更多AI/ML计算
随着移动智能手机和IoT设备的计算能力越来越强，用户和监管机构对数据隐私的保护越来越重视，同时移动网络5G的逐步部署落地，移动设备和IoT设备会进行更多的AI/ML的计算和训练。这使得人工智能离数据更近，离用户更近，也能更迅速的进行迭代升级。一方面，云计算发展依旧迅猛，并逐渐向边缘计算发展，主力物联网智能化；另一方面，AI芯片也逐渐走向云端、边缘端以及物联网设备终端，有实力的科技公司将AI算力打包称服务，即合理利用了自身多余的算力资源，又降低了不具备相关科研实力的中小企业可以以更低的成本使用到足够的资源，完成自身的AI开发预部署需求，这与近年来媒体讨论度颇高的无服务计算又着一致的思想理念。可以预见，随着5G技术的逐渐成熟，将会有越来越多的物联网设备和相关应用，进一步促使相关的云计算和芯片产业与之共同发展前进。
12.图神经网络、图深度学习、大规模图计算平台
近年来，爱社交网络、知识图谱以及生物信息学和神经科学中图形的重要性所驱动，将深度学习模型应用在不规则图结构的数据上逐渐称为了一种新型趋势。这些基于图神经网络（图神经网络，GNN）通常将神经网络模型应用在图中与顶点和边相关的特征上，传播运算结果并进行聚合，从而胜场下一级特征，目前已经在分类、嵌入、问答等多种不同的目标应用中取得最佳表现效果。
-年，无论是在自然语言处理、计算机视觉、亦或机器学习的相关学术会议上，图神经网络的相关论文均占据着不小比例。这种方法“将端到端学习与归纳推理相结合，业界普遍认为其有望解决深度学习无法处理的因果推理、可解释性等一些列瓶颈问题。”相比传统的文本、语音、图像数据格式，图结构是一种泛用性更强且更能代表显示世界真实情况的数据表示方式。随着知识图谱与推荐系统得到越来越广阔的应用，能够更切合相关数据表示的图神经网络深度学习未来大有可为，这也是越来越多的云计算平台开发布局大规模图计算的主要原因。
13.深度学习的可解释性与AI安全
黑盒问题是自深度学习诞生起便一直伴随其中的主要问题与平静之一，尽管深度学习技术的发展日新月异，在准确率等技术指标上取得了惊人的成就，但是对于模型的可解释性方面提升仍然不大。这极大地影响了相关技术在一些对模型结果的可信度和可解释性有着高要求的行业（如金融和医学）的应用。与此同时，伴随着AI技术的不断发展，用户对于技术的
转载请注明：http://www.0431gb208.com/sjszjzl/2351.html
