序在2016年3月以4:1的總比分戰勝圍棋世界冠軍李世石,并在2016年末至2017年初陸續戰勝了數十位中日韓圍棋高手,AlphaGo不再依靠記錄棋譜而是通過幾百萬次的增強學習建立模型來完成下棋過程。此外,谷歌還開發了單次學習算法,可使用一張照片來識別新物體,這樣的算法能夠應用于自動駕駛汽車的研發中,使自動駕駛汽車對于其他障礙物和汽車的識別更加迅速,提高自動駕駛的反饋速率和安全性。谷歌的人工智能研究還包括人工智能操作系統、人臉識別/圖像識別、語音識別/自然語言處理、智能醫療、游戲以及智能搜索等。

微軟在基于深度學習的語音識別和圖像識別上均有重大突破,并將其應用到諸多微軟產品中,如Skype即時翻譯、小冰聊天機器人和小娜(Cortana)虛擬助理,小娜每天都在為1.13億用戶服務,并已回答了超過120億個問題。此外微軟的人工智能布局也從基礎設施的角度出發,例如建立基于云平臺的人工智能超級云電腦;為開發者提供深度學習工具包——CNTK（分布式運算神經網絡框架）,幫助客戶快速搭建人工智能模型;提供人臉識別等一些智能算法的應用程序編程接口（Application Programming Interface,API）,簡化開發者的工作等。

蘋果公司的人工智能技術多數已經實現在產品中,如將深度神經網絡（Deep Neural Networks,DNN）算法引入Siri等語音識別應用中以提升語音識別的正確率,在Apple Store中使用深度學習算法辨別是否存在賬戶盜用情況,在Apple Watch上采用人臉識別技術辨析用戶是否處于鍛煉狀態等。2016年3月,蘋果發布了對于圖像訓練的人工智能報告,提出一種“模擬+無監督”的學習方法以提高圖像識別能力。

Facebook目前擁有兩個成熟的人工智能實驗室,進行人工智能科學研究和機器學習研究,致力于為Facebook服務提供圖像、語音、交互等方面的功能,并滿足用戶的個性化需求。Facebook目前正在通過對虛擬現實、增強現實以及機器人等人工智能軟件應用和硬件的研究建立人工智能生態系統,以期實現人工智能與人類生活的對接。

我國的人工智能技術創新主要以3個互聯網公司為首（BAT）,其中阿里巴巴和騰訊主要以拓展人工智能應用領域為主要工作方向,百度則以深度學習技術為核心進行多領域的應用開發。百度的語音識別、圖像識別、自然語言處理等方面的應用均達到了國際領先水平,其研發的自動駕駛汽車已在2015年底完成了上路實測,而且發布了Apollo計劃向汽車行業及自動駕駛領域的合作伙伴提供軟件開放平臺以協助搭建自動駕駛系統。同時百度也已經建成名為 “百度大腦”的人工智能系統,由超大規模神經網絡、萬億級參數、億級訓練數據組成,能夠完成語音、圖像、自然語言處理和用戶畫像四大功能,目前已經達到了4歲兒童的智力水平。

2.3 人工智能技術的行業解決方案

1）生物識別。生物識別是指采用人體的生物標識（如指紋、人臉、虹膜等）進行比對,進而完成身份確認的一種技術方法。生物識別領域的主要特點是需要對大量的樣本數據進行建模和計算,而人工智能技術的并行計算能力和迭代優化能力可以很好地保證數據處理的快速和準確。在生物識別應用領域,人工智能技術可以完成兩方面的工作：一方面是將樣本數據進行特征提取形成訓練數據,通過訓練數據訓練識別模型;另一方面是通過學習模型完成生物信息的自動比對。

2）自動駕駛。自動駕駛系統是一個集環境感知、規劃決策、多等級輔助駕駛等功能于一體的綜合系統,通過終端感知信息收集、云端匯聚計算以及多協同決策下發來完成整個工作流程。而人工智能技術的自主決策和自愈合等特性可以完成分布式的計算和決策,并通過自愈合、自適應的能力保證V2X通信的順暢。在自動駕駛領域中,人工智能技術的工作包括：使用機器學習理論的模式識別系統將路況信息自動識別出來,供自動駕駛系統作為汽車運行的依據;使用汽車自動運行系統,利用人工智能技術完成數據分析,從而自主地完成決策制定^[14]。

3）自然語言處理。自然語言處理系統是一種讓機器理解人類語言的系統。基于機器學習算法,可以從數據中挖掘出語言學的一般性規律來助力機器對人類語言的理解,實現以規則和統計相結合的自然語言處理,而深度學習技術則可以有效地提升聲音/文本語義處理、聲學模型與語言模型建模、自然語言處理等領域的性能水平。

4）網絡自主優化。目前的網絡部署是一個非常復雜的問題,不僅需要考慮不同制式的基站以及不同規格的接入終端,同時為了保證邊緣用戶服務質量以及通信系統本身的能耗問題,需要對于基站發射功率、波束角度、中繼節點位置、天線數量等很多參數進行綜合部署。應用神經網絡和模糊邏輯,一方面可以處理復雜的多輸入數據,另一方面可通過隸屬函數定式處理一些模糊的參數設定。

 3 人工智能技術發展面臨的問題與建議

3.1 人工智能技術發展面臨的問題

人工智能技術在近年來的發展異常迅速,各國的資金和科研投入力度也非常大,但人工智能技術的發展仍然存在一定的瓶頸。

1）計算能力。計算能力是制約人工智能技術發展的一個關鍵問題,不管是多層神經網絡還是最簡單的專家系統,人工智能技術都涉及處理大量數據并進行迭代計算,這需要大量的計算資源配合。在大型互聯網企業,大規模機器學習算法經常用于處理十億至千億級別的樣本,以及高達一億乃至數十億以上數據特征的大規模數據集^[15]。而一些特別的人工智能應用場景（如自動駕駛、虛擬現實等）還會對計算速度和反饋時延有非常嚴格的要求,這就對計算能力和計算基礎設施建設提出了更高的要求。

2）安全性。安全性是目前人工智能技術發展面臨的另一個問題。人工智能技術通常需要收集大量的感知數據并進行匯總,在數據傳輸和數據存儲方面如果存在安全性問題會損害用戶利益,也會影響到人工智能技術的應用范圍,進而導致一些對安全要求較高的領域如金融、社保等行業中的人工智能研究進展放緩。

3）可靠性和易用性。在人工智能技術涉及的計算過程中,特別是在非監督的機器學習計算過程中,數據計算的精度和準確度會影響到決策制定的可靠性。而在面向大數據處理時,人工智能系統的易用性與機器學習的精度是同等重要的,如果能夠用常規程序設計方法來有效完成大數據的復雜分析處理,將會極大地減輕開發人員的工作量,使人工智能的應用領域進一步擴展^[15]。

3.2 人工智能技術的發展建議

1）政策監管。監管部門應對人工智能進行系統的政策監管,對于人工智能所涉及到的感知、收集、傳輸、存儲、計算等環節進行把控,建立健全的政策監管體系。

2）標準建設。目前研究人工智能的標準化組織和聯盟數量眾多,相關標準和文件也比較雜亂,應盡快建設人工智能綜合標準化框架,保證人工智能的標準建設形成一定體系,將標準建設統一化、規范化。

3）技術研究。在加強人工智能相關算法、架構和機制研究的同時,還要關注人工智能相關基礎設施的技術研究,保證基礎設施的計算能力跟得上算法的演進步伐,并在人工智能算法研究中逐步減少對于資源的占用,形成輕量級的核心算法。

 4 結語

本文論述了人工智能技術的起源和發展,明晰了人工智能技術的定義和范疇,分析了人工智能的核心技術和應用場景,研究了目前基于人工智能的行業解決方案,并提出了人工智能技術在發展中面臨的問題和建議。本文在人工智能技術持續突破、產品創新不斷涌現的背景下,探討了人工智能技術的不同應用場景,展現了人工智能的優勢以及帶給不同領域的推動力和創新力,以期為相關研究提供參考。

(編輯:鄒海彬)

參考文獻

[1] 賀倩. 人工智能技術在移動互聯網發展中的應用[J]. 電信網技術, 2017(2): 1-4.

HE Qian.The application of artificial intelligence technology in the development of mobile internet[J]. Telecommunications Network Technology, 2017(2): 1-4.

[2] LI B H, HOU B C, YU W T, et al.Applications of artificial intelligence in intelligent manufacturing: a review[J]. Frontiers of Information Technology & Electronic Engineering, 2017, 18(1): 86-96.

[3] 楊濤. 對人工智能在金融領域應用的思考[J]. 國際金融, 2016(12): 24-27.

[4] 李文萃, 王世文, 李雄, 等. 基于人工智能的電網企業信息安全防控體系[J]. 電力信息與通信技術, 2017, 15(2): 105-109.

LI Wen-cui, WANG Shi-wen, LI Xiong, et al.An information security prevention system of power grid enterprises based on artificial intelligence[J]. Electric Power Information and Communication Technology, 2017,15(2): 105-109.

[5] LUGER G F.人工智能: 復雜問題求解的結構和策略[M]. 6版. 北京: 機械工業出版社, 2009.

[6] 鐘義信. 信息轉換原理: 信息、知識