改編自：《智能制造實踐指南》（作者：黃培，許之穎，張荷芳）

該書正在編審環節中，即将出版，請關注“智造苑”即時獲取新書出版信息~

人工智能的概念第一次被提出是在20世紀50年代，距離現在已60餘年的時間。然而直到近幾年，人工智能才迎來爆發式的增長。究其原因，主要在于日趨成熟的物聯網、大數據、雲計算等技術，這些技術的有機結合，驅動着人工智能技術不斷發展，并取得了實質性的進展。

人工智能是研究開發能夠模拟、延伸和擴展人類智能的理論、方法、技術及應用系統的一門新的技術科學，研究目的是促使智能機器會聽（語音識别、機器翻譯等）、會看（圖像識别、文字識别等）、會說（語音合成、人機對話等）、會思考（人機對弈、定理證明等）、會學習（機器學習、知識表示等）、會行動（機器人、自動駕駛汽車等）。

具體地講，人工智能通過5類基本技術來實現：①信息的感知與獲取技術，即從外界獲得有用的信息，主要包括傳感、測量、信息檢索等技術，它們是人類感覺器官功能的擴展。②信息的傳輸與存儲技術，即交換信息與共享信息，主要包括通信和存儲等技術，他們是人類神經系統功能的擴展。③信息的處理與認知技術，即把信息提煉成為知識，主要包括計算技術和智能技術，他們是人類思維器官認知功能的擴展。④信息綜合與再生技術，即把知識轉變為解決問題的策略，主要包括智能決策技術，他們是人類思維器官決策功能的擴展。⑤信息轉換與執行技術，即把智能策略轉換為解決問題的智能行為，主要包括控制技術，他們是人類效應器官（行動器官）功能的擴展。

人工智能的主要功能可歸納為以下4個方面：

（1）機器感知：感知是感覺與知覺的統稱，它是客觀事物通過感官在人腦中的直接反映。機器感知是研究如何用機器或計算機模拟、延伸和擴展人的感知或認知能力，包括：機器視覺、機器聽覺、機器觸覺等。機器感知是通過多傳感器采集，并經複雜程序處理的大規模信息處理系統。

（2）機器思維：大腦的思維活動是人類智能的源泉，沒有思維就沒有人類的智能。機器感知主要是通過機器思維實現的，機器思維是指将感知得來的機器内部、外部各種工作信息進行有目的的處理。

（3）機器學習：學習是有特定目标的知識獲取過程，也是人類智能的主要标志和獲得知識的基本手段，學習表現為新知識結構的不斷建立和修改。機器學習是計算機自動獲取新的事實及新的推理算法等，是計算機具有智能的根本途徑。

（4）機器行為：行為是生物适應環境變化的一種主要的手段。機器行為研究如何用機器去模拟、延伸、擴展人的智能行為，具體包括：自然語言生成、機器人行動規劃、機器人協調控制等。

對人工智能而言，其關鍵技術包含算法、軟件框架及芯片。算法是推動人工智能發展的重要推動力，算法通過封裝到軟件框架獲得應用，芯片是支撐算法計算能力的關鍵基礎硬件。

1）算法

人工智能涉及的算法主要分為回歸、分類和聚類三種[1]。近年來，以深度學習算法為代表的人工智能技術在諸多領域都實現了突破，但這類算法并不完美。目前，諸如膠囊網絡、生成對抗網絡、遷移學習等算法被提出。

2）軟件框架

軟件框架是算法模型工具庫的集合，可以供各類開發者使用。目前，軟件框架有開源和閉源兩種形式，主流軟件框架基本是開源。從内容上分，業界主要有深度學習訓練軟件框架和推斷軟件框架兩大類别。其中，基于深度學習的訓練框架主要實現對海量數據的讀取、處理及訓練。目前主流的深度學習訓練軟件框架主要有TensorFlow、MXNet、Caffe、PaddlePaddle等。在終端側限定設備性能及功耗等因素的場景應用，也出現了諸多Caffe2go、TensorFlow Lite等開源終端側軟件框架。

3）芯片

人工智能算法的實現需要強大的計算能力支撐，特别是深度學習算法的大規模使用，對計算能力提出了更高的要求。

從應用場景角度看，人工智能（AI）芯片主要有兩個方向，一個是在數據中心部署的雲端，一個是在消費者終端部署的終端。從功能角度看，AI芯片主要是用于訓練和推理。訓練需要極高的計算性能、較高的精度，能處理海量的數據，并具有一定的通用性，以便完成各種各樣的學習任務。推理相對來說，對性能的要求并不高，對精度要求更低，在特定的場景下，對通用性要求也不高，能完成特定任務即可。

從技術架構來看AI芯片有四類：一是通用性芯片，如GPU；二是以FPGA（field programmable gate array，現場可編程門陣列）為代表的半定制化芯片，如深鑒科技的DPU；第三，ASIC（application specific integrated circuit，專用集成電路）全定制化芯片，如谷歌的TPU；第四，類腦芯片。在訓練環節，可以使用GPU、FPGA以及ASIC；用于終端推斷的計算芯片主要以ASIC為主。

從1943年開始神經網絡理論研究，到1956年達特矛斯會議提出“人工智能”這一概念到現在，人工智能經曆了早期的研究熱潮，實現困難導緻的寒冬，以及近年來再次爆發多個階段[2]（如表1所示）。

表1 人工智能發展重大事件

人工智能迎來爆發式的增長離不開物聯網、大數據、雲計算等技術的快速發展，物聯網使得大量數據能夠被實時獲取，大數據為深度學習提供了數據資源及算法支撐，雲計算則為人工智能提供了開放平台。這些技術的有機結合，驅動着人工智能技術不斷發展，并取得了實質性的進展。尤其是2016年3月AlphaGo與李世石的人機大戰，将人工智能推到了風口浪尖，引爆了新一輪的人工智能熱潮。關于人工智能的研究和應用開始遍地開花，人工智能産業迎來爆發式增長，産業規模迅速擴大。

人工智能對社會和經濟影響的日益凸顯，各國政府也先後出台了對人工智能發展的政策，并将其上升到國家戰略的高度。圖1是包括美國、中國和歐盟在内的多國和地區頒布的國家層面的人工智能發展政策。

圖1 各國人工智能最新政策（來源：政府工作報告，公開資料，德勤研究）

目前，随着人工智能技術的日臻完善，在技術層面，AutoML 等工具的出現降低了深度學習的技術門檻；在硬件層面，各種專用芯片的湧現為深度學習的大規模應用提供了算力支持；物聯網、量子計算、5G 等相關技術的發展也為深度學習在産業的滲透提供了諸多便利。

伴随着國内外科技巨頭對人工智能技術研發的持續投入，以深度學習為框架的開源平台極大降低了人工智能技術的開發門檻，有效提高了人工智能應用的質量和效率。未來，各行各業将會大規模應用深度學習技術實施創新，加快産業轉型和升級的節奏。其次，自動機器學習 AutoML 的快速發展将大大降低機器學習成本，擴大人工智能應用普及率；多模态深度語義理解将進一步成熟并得到更廣泛應用。

在硬件上，人工智能芯片将逐漸大規模落地。端側人工智能芯片将會顯現出更加低成本化、專業化以及系統集成化的重要特征。同時，NPU将成為下一代端側通用CPU芯片的基本模塊，未來越來越多的端側CPU芯片都會以深度學習為核心支撐進行全新的芯片規劃。

此外，随着 5G 和邊緣計算的融合發展，算力将突破雲計算中心的邊界，向萬物蔓延，将會産生一個個泛分布式計算平台，對時間和空間的洞察将成為新一代物聯網平台的基礎能力。這也将促進物聯網與能源、電力、工業、物流、醫療、智能城市等更多場景發生融合，創造出更大的價值。在量子計算方面，可編程的中等規模有噪量子設備的性能會得到進一步提升并初步具備糾錯能力，最終将可運行具有一定實用價值的量子算法，量子人工智能的實際應用也将得到極大助力。未來也将會湧現一大批高質量的量子計算平台和軟件，人工智能技術将與之實現深度融合。

[1]中國信息通信研究院,中國人工智能産業發展聯盟.人工智能發展白皮書技術架構篇（2018年）[R].北京:中國信息通信研究院，中國人工智能産業發展聯盟,2018.

[2] 彭健.人工智能的關鍵性技術[J].互聯網經濟,2018(12):46-51.

來源：智造苑

中國工程科技知識中心（以下簡稱”知識中心”）是經國家批準建設的國家工程科技領域公益性、開放式的知識資源集成和服務平台建設項目，是國家信息化建設的重要組成部分。

知識中心建設以滿足國家經濟科技發展需要為總體目标，通過彙聚和整合我國工程科技相關領域的數據資源，以資源為基礎、以技術為支撐、以專家為骨幹、以需求為牽引，建立集中管理、分布運維的知識中心服務平台。

知識中心以為國家工程科技領域重大決策、重大工程科技活動、企業創新與人才培養提供信息支撐和知識服務為宗旨，最終建設成為國際先進、國内領先、具有廣泛影響力的工程科技領域信息彙聚中心、數據挖掘中心和知識服務中心。

中國工程科技知識中心公衆号：知領

中國工程科技知識中心微博：知領直播

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!