人工智能将实现提效降本 延续人类智慧核心价值

　　1、人工智能三起三落，60年登上围棋之巅
 

　　20世纪50年代到70年代初，人们认为如果能赋予机器逻辑推理能力，机器就能具有智能，人工智能研究处于"推理期"。当人们意识到人类之所以能够判断、决策，除了推理能力外，还需要知识，人工智能在20世纪70年代进入了"知识期"，大量专家系统在此时诞生。随着研究向前进展，专家发现人类知识无穷无尽，且有些知识本身难以总结后交给计算机，于是一些学者诞生了将知识学习能力赋予计算机本身的想法。发展到20世纪80年代，机器学习真正成为一个独立的学科领域、相关技术层出不穷，深度学习模型以及AlphaGo增强学习的雏形-感知器-均在这个阶段得以发明。随后由于早期的系统效果的不理想，美国、英国相继缩减经费支持，人工智能进入低谷。 80 年代初期，人工智能逐渐成为产业， 但又由于5代计算机的失败再一次进入低谷。2010年后，相继在语音识别、计算机视觉领域取得重大进展，围绕语音、图像等人工智能技术的创业大量涌现，从量变实现质变。
 

　　2、工业革命使手工业自动化，机器学习则使机器本身自动化
 

　　将样本数据输入计算机，一般算法会利用数据进行计算然后输出结果，机器学习的算法则大为不同，输入的是数据和想要的结果，输出的则为算法模型，即把数据转换成结果的算法模型。通过机器学习，计算机能够自己生成模型，进而提供相应的判断，达到某种人工智能的结果的实现。因此，在数据的"初始表示"(如图像的"像素")与解决任务所需的"合适表示"相距甚远的时候，可尝试使用深度学习的方法。工业革命使手工业自动化，而机器学习则使机器本身自动化。近几年掀起人工智能热潮的深度学习属于机器学习的一个子集，在思想和理论上并未显著超越二十世纪八十年代中后期神经网络学习的研究，但得益于海量数据的出现、计算能力的提升，原来复杂度很高的算法得以落地使用，并在边界清晰的领域获得比过去更精细的结果，大大推动了机器学习在工业实践中的应用。2018年2月，《麻省理工科技评论》揭晓2018年"全球十大突破性技术"榜单，GAN(对抗性神经网络，一种特殊的深度学习算法)位列其中。
 

　　3、国家政策鼎力支持，人工智能道德与威胁问题仍需思考
 

　　伴随政策支持的逐步深入，中国政府将有力推动新一代人工智能技术的产业化与集成应用，促进新一代人工智能产业发展，推动制造强国和网络强国建设，助力实体经济转型升级，构筑我国人工智能发展的先发优势。此外，相比美国和英国，中国对人工智能的支持力度虽更大，但较少关注人工智能的道德伦理问题、是否在开发对社会切实有益的人工智能以及应当小化技术进步所带来的威胁问题。
 

　　二、人工智能典型技术剖析
 

　　1、语音识别、自然语言处理、语音合成等技术
 

　　人类因为具有语言的能力而区别于其他物种，自然语言处理即研究人与计算机直接以自然语言的方式进行有效沟通的各种理论和方法，涉及机器翻译、阅读理解、对话问答等，因为语言在词法、句法、语义等不同层面的不确定性及数据资源的有限性、背景知识的复杂性等各方面限制，自然语言处理技术仍有非常大的提升空间，仅在特定领域可取得较好的应用，鲁棒性存在大量挑战。在自然语言处理之前，声纹识别可根据说话人的声纹特征识别出说话人，语音识别技术可赋予机器感知能力(在深度学习的驱动下，目前近场语音识别准确率可达98%，远场、抗噪、多人等非限定或非配合条件下的识别有待进步)，将声音转为文字供机器处理，在机器生成语言之后，语音合成技术可将语言转化为声音，形成完整的自然人机语音交互，这样的语音交互系统可看作一个虚拟对话机器人，具体技术流程如下图所示。
 

　　从覆盖范围的角度来说，知识图谱可分为应用相对广泛的通用知识图谱和专属于某个特定领域的行业知识图谱。通用知识图谱注重横向广度，强调融合更多的实体，主要应用于智能搜索、智能问答等领域。行业知识图谱注重纵向深度，需要考虑到不同的业务场景与使用人员，通常需要依靠特定行业(如金融、公安、医疗、电商等)的数据来构建，实体的属性与数据模式往往比较丰富。
 

　　2、视觉感知逐步实现商用价值，视觉认知仍有待探索