人工智能现在的发展前景如何？ 第1页

谢邀。关于发展进程，北冥乘海生老师已经说得很细了，那么我就结合现实生活来说明人工智能的应用，让大家也更多的了解一下。

先引入两个概念，关于人工智能在学术界的分类：
1、 弱人工智能：不具备完全智慧，但能完成某一特定任务的人工智能。

2 、强人工智能：具有完全人类思考能力和情感的人工智能；

【弱人工智能就在你身边】

说到人工智能，第一反应可能是电影里面的机器人，能说能动能跟人类交流。而现实呢，自然是没有这样的善解人意的人工智能机器人。但宽泛意义上的人工智能（即弱人工智能），早已在服务在大家生活的方方面面了，已经开始为社会创造价值。

比如语音助手，在手机、音响、车里甚至你的手表上。最常见的“Hi Siri，帮我查查明天上海的天气”。这里面涉及到了机器如何听懂、理解人类的意图，并且在互联网上找到合适的数据进行回复。

这个其实是最接近大家普遍认知里面人工智能的模样，无奈要让机器理解人类的自然语言，还是路漫漫，特别是人类隐藏在语言里面的情感、隐喻。所以，自然语言处理的一直被视为人类征服人工智能的珠穆拉玛峰。我的回答主页里面也有很多关于自然语言处理（NLP）的相关回答，有兴趣可以点击进入查看哦。

相比于理解自然语言，计算机视觉发展的就顺利的多，它教计算机能“看懂”一些人类交给他们的事物。

比如最常见的出行环境中，停车场的牌照识别。以前得雇一个老大爷天天守在门口抄牌子，现在一个摄像头可以搞定所有的事情。

在购物场景中，如Amazon的无人超市，能够通过人脸识别知道你是不是来过、以前有没有购物过，给你推荐更好的体验。

在家庭生活场景中，每年的CES我们都会看到全球智能家居厂商发布的硬核产品。今年科沃斯发布了第一款基于视觉技术的扫地机器人DG70，它可以识别家里的鞋子、袜子、垃圾桶、充电线，当然除了用到视觉系统之外，还需要机身上各种各样的传感器信息融合处理，才能实现在清扫复杂家居环境时合理避障。

而除了这些身边“有形”的能看能听的人工智能，帮助人类做决策、做预测，也是人工智能的强项。

比如在网购场景下，能够根据你以前的购物习惯，“猜测”你可能喜欢购买这个。

比如刷抖音的时候，机器会学习你的喜好，推荐越来越符合你胃口的视频。

在金融领域，预测未来几天的股市、预测某个地区的房价走势，这都是已经实实在在的真实场景。

现代人工智能本质上，是基于数理统计的机器学习系统（也有基于规则的非统计化人工智能系统，这里不详述）。这样的弱人工智能系统，能够在特定的任务上，在已有的数据集上进行学习，同时能够在今后没见过的场景预测上，获得比较好的结果。对于一些重复性的劳动，人工智能可以极大的降低人工成本的同时，提高效率和质量。

【弱人工智能的工业化】

而且随着深度学习算法和数据的发展，人工智能系统也越来越简单和模块化。越来越多的企业，开始构建符合自己业务需求的人工智能系统。

对于工业界的人工智能项目，一般都不重复造轮子：不会去从零开始写一套机器学习的算法，而往往选择采用一些已有的算法库和算法框架。以前，我们可能会选用已有的SVM, MaxEnt, HMM, CRF算法，来解决不同的机器学习问题。现在随着深度学习的流行（Tensorflow, PyTorch 等等），一套神经网络框架就可以解决几乎所有机器学习问题，进一步降低了机器学习任务的学习以及开发难度。但即便如此，机器学习仍然有很高的学习门槛：需要有很好的数学、统计、线性代数的基础，熟悉相应的机器学习算法原理，有很好的算法建模能力、工程开发调试能力、以及模型调参经验。所以对于很多企业来说，不具有这样能力的开发团队。工业界对于这样的痛点，解决方案是标准化机器学习算法模块。

同时，工业界人工智能厂商，相比于对机器学习模型在数学上的深入研究，更感兴趣的是如何解决实际问题。

上面提到的科沃斯刚发布的DG70，只给你一个“眼睛”和有限个传感器，但却要求其可以识别日常家居物品：比如前方遇到的障碍物是拖鞋还是很重的家具脚，可不可以推过去？如果遇到了衣服、抹布这种奇形怪状的软布，机器还需要准确识别出来以避免缠绕。

让扫地机器人完成图像识别大致会经过几个步骤：

1. 定义问题：就像刚刚说的，根据扫地机器人的使用场景，就需要识别家居场景里面可能遇到的所有障碍物：家具、桌角、抹布、拖鞋等等。有了这些类别定义，我们才可以训练一个多分类模型，针对扫地机器人眼前看到的物体进行分类，并且采取相应的规避动作。对于很多不了解机器学习的同学来说，能够理解到这一步其实已经是巨大的认知突破了。因为机器智能无法像人类一样去学习，去自我进化，去举一反三。当前阶段的机器智能，永远只能忠实执行人类交给他的任务。
2. 收集数据 & 训练模型：接下来会去接着去收集数据，并且标注数据。现在的深度神经网络动不动就是几百万个参数，具有非常强大的表达能力。因此需要大量的数据，而且是标注数据。所谓的标注数据，就是在收集了有关图片，需要人工标注员，一个个去判断这些图片是否属于上面已定义类别中的某一个。在工业界这个的成本非常昂贵，一个任务一年可能要花费几百万美金，仅仅是去为了做数据标注。有了高质量的标注数据，才有可能驱动深度神经网络去拟合真实世界问题。
3. 本地实现：还有一个很有意思的技术亮点，这个在其他AI产品上不是很常见：这么复杂的人工智能运算，据介绍都是在机器上本地运行的。一方面保护用户隐私，不能将用户数据上传到云端；另一方面，扫地是一个动态过程，很多运算对时效性要求非常高，如果过于依赖网络，稍有延迟可能一不小心就装到墙壁了。

所以，扫地机器人虽小，但其中的涉及的技术领域堪比自动驾驶。

而对于自动驾驶汽车来说，对于信号收集过程，也跟上面差不多。不过为了保证信号精确程度，现代的自动驾驶汽车，除了图像视觉信号之外，车身会配备更多的传感器，精确感知周围环境。

【强人工智能离我们有多远？】

说完了弱人工智能，我们来想象下未来的人工智能。这里必须要提到一部绕不过的美剧《西部世界》。

在《西部世界》中，机器人接待员自我意识的逐步觉醒，让接待员们对人类产生了反抗甚至仇恨的情绪。这也是科幻小说家等诸多名人提醒大家警惕人工智能的场景之一。

但从上所述，大家可以看到，连简单的“识别拖鞋”，都需要经过上面这么复杂的过程。那么如果我们要打造一个西部世界里面那样的强人工智能机器人，又需要多少工作量呢？估计最简单的在复杂环境中自动行走都做不到，更别说能够产生类人情感，甚至对人类产生仇恨、报复等心理。

【结语】

人工智能领域有一大帮顶尖的科学家奋战在算法模型研究第一线，也有一大批厂商，在努力推广、标准化机器学习算法，降低人工智能算法的开发成本，让各行各业的企业能够更加专注于上层业务逻辑，使用已有的人工智能算法来搭建造福社会的AI产品。

几十年前，各种计算机厂家构建的生态系统，迎来了蓬勃的信息化革命。现在迎来的人工智能革命，同样出现了越来越多的人工智能基础提供商，他们也会逐渐形成一个更成熟的人工智能生态，造福其他厂商，造福社会。

“人工智能”这一术语自1956年被提出，到电子计算机作为一种可以模拟人类思维的工具出现，使人工智能这一技术有了一个展现的平台，开始了探索与发展。1997年，IBM公司的“深蓝Ⅱ”超级计算机，击败了国际象棋卫冕冠军Gary·Kasparov，这一现象，标志了人工智能技术的一个完美表现，再到近些年的Alpha Go，人工智能的发展似乎已经到了一个比较高端的程度。

人工智能的发展历程中，慢慢引起了人们对于人工智能的一些恐惧，艾萨克·阿西莫夫（Isaac Asimov）曾在自己科幻小说中描绘出的一些担忧，随着如今科技的神速进步，好像真的会在不远的未来变成真实。

但那些都太遥远了，在现如今的世界背景之下，各国都把人工智能列为一项备受重视的技术，我们国家也不例外。

最近京东就举办了一场人工智能创新峰会，现任我国科技部创新发展司副司长的余建在峰会上提到了当今世界各国对于人工智能技术的重视以及发展状况，并明确表示国家对于人工智能发展的高度重视，为此说明了我国在发展人工智能技术上确立了一个“三步走”的战略。

同时他还代表国家的立场表示了：人工智能技术是引领未来的创新性技术，且在国家经济以及互联网、大数据及超级计算机的发展之下，AI技术的发展也进入了具有深度学习，跨界融合，人机协同，群智开发自主操控等特性的新阶段。这些具有新特性的AI技术将对人类的生产、生活乃至思维模式都产生重大的影响。

国内现有的以BAT为首，外加科大讯飞四所公司所构筑的的人工智能平台，基本成为了我国人工智能领域的四大支撑，此外，国家还鼓励企业作为人工智能发展的主体，并坚持以市场作为发展的主导。

由此足可以想见，人工智能领域的发展在国家策略的支持下，拥有着相当光明的前景。

此外，人工智能领域的知名科学家，原IBM Woston
Group的首席科学家周伯文博士，现在在京东作为副总裁并主管人工智能研究与相关平台的业务。不太了解的人大概也会对IBM这个词有点印象，我在前文中也有提过，就是1997年击败国际象棋大师的“深蓝Ⅱ”所属的那家公司。

周伯文在这次峰会上也发表了相当精彩的演讲，他借用当初开发C语言的科学家在第一行代码中所用的“Hello World”表明了这次京东AI技术所怀揣的抱负。接着提出了今后人工智能的发展拥有三个阶段，而现在我们仅处于最初级的阶段，如果将人工智能做好做完全，其规模将比现在要大十倍甚至百倍。

他所认为的人工智能发展的三个阶段分别为：

1，目前我们所处的阶段，人工智能依然依赖于专家设置的体系结构，学习性也依赖于人工设计的算法。

2，广义性的人工智能，广义性的人工智能可以选择性的通过不同的来源，而不是像现在一样依赖于标准的数据学习，并且由此它可以进行长久性的终身学习，因为它的特性给了它一个适应环境的能力，拥有自适应的构架来进行终身学习。

3，就是现在大部分公司所说自己在做的通用人工智能，在他的研究中认为所谓的通用人工智能是一个长期目标，这个长期还用了非常两个字形容，并需要长期的努力才能去实现。所以通用人工智能在目前是没有一个具体严格的定义的，他给通用人工智能的定义是具有高度且极其强大的自主性。

因为第三阶段是一个无法具体严格去定义的庞大概念，所以周伯文博士着重讲了对于广义性人工智能的七个研究课题，毕竟广义性人工智能是人工智能领域发展的下一个关键阶段。这七个课题分别为：

1，针对这方面的发展，首先要解决的问题是让人工智能的学习从现有的单任务学习变成广泛的终身学习。

2，要去研究相对于单任务学习的多任务学习。

3，抛开如今所依赖的大量被标注的数据学习，需要让人工智能的学习保证一个无间隔且不受“信号”影响的学习状态。

4，要让人工智能摆脱如今依然需要人工构架的现状，逐步实现其自适应的构架。

5，让人工智能可以去运用一些已学习过的去解决一些其它可以解决的问题。

6，让目前的人工智能，尤其是基于深度学习的人工智能在针对某些工作时可以避免黑盒子理论

7，优化人工智能的算法问题。

他在演讲中已经把对于国内人工智能研究的现状与研究方向描述的相当清楚了，而当清楚了研究现状与方向，下一步需要解决的问题，在周志华教授的演讲中也有了清晰的描述。

周志华教授是南京大学计算机系的知名教授，在人工智能业界更是享有盛誉。前段时间南京大学计算机系成立了国内首个人工智能学院，相信周志华教授在其中给予的助力不容小视，因为他认为，目前制约了国内人工智能技术发展的一项重要因素，是相关领域高精尖人才的匮乏。

他在演讲中还就深度学习对深度神经网络进行了阐述，并表明自己的团队由此思考出了一个”深度森林模型“，用于探求深度神经网络之外的模型。

相信此举将对于国内人工智能领域的发展起到至关重要的作用，我们知道，深度神经网络是目前我们对于深度学习的一个解释，几乎可以在两者之间画个等号，现如今的科技发展水平，我们拥有了大数据，还有着超强性能的计算机，以及在长久的发展中我们掌握了更大量更优秀的训练方法，导致我们更能利用深度神经网络以发展人工智能，但深度神经网络依然有着很多缺陷，需要对相应的参数进行耗费大量精力的调整，可这些调整的经验很难共享，就导致了结果的可重复性大大降低，于是需要一个深度神经网络之外的模型来优化这些已经发现的问题。

虽然周志华教授提出了人才匮乏制约了人工智能技术的发展，但是既然已经在高校中拥有了第一个人工智能学院，我相信，我们国家将会在不久的未来有越来越多的人才出现，再加之国家对于人工智能技术的重视，相信也能吸引到大量的技术人员以及企业投身于此。就以此次举办峰会的京东为例吧，不论是之前挖角IBM得到了周伯文，还是现有团队中专门AI研究部门里的何晓东博士，梅涛博士，郭进博士以及黄静博士，在更细化的领域内都是佼佼者，并且在周志华教授的演讲中我们也可以知晓，京东已经和南京大学成立的人工智能学院达成了合作，即是说京东在未来可能会拥有大量的专业人才继续对人工智能研究部门进行填充。

而针对周伯文所提出的问题，他也给出了一个人工智能是一种思维方式的解读，并将探索企业将如何利用AI去适应新的环境、新的社会、与新的规划，以及如何将AI应用于物流、金融、电商及公共事业，又或者是探索更为立体的将AI应用于城市到农村。

在这样的观点之下人工智能将影响到深入社会各界、各阶层和各领域，由此他提出了京东有着一个“从0到1，从1到N，从N到无穷”的技术发展方向。

“0到1”是指他想要做一个人工智能创造者，去做一个从无到有的研究。

“1到N”是指将这个从无到有的研究更新、升级、深化、完善。

“N到无穷”希望能够获得更多的人才，一起完成把人工智能，更完美更完善的应用于各个领域的野望。

这次的人工智能创新峰会其实也是京东Neuhub人工智能平台的揭幕式，这个人工智能平台也是京东希望能够利用它的功能，吸引到更多的人才帮助京东完成它对于人工智能技术的野心。

北京大学信息学院的孙进博士在峰会上提到了这样一句话，说京东不仅进行了人工智能产业的研发，也在进行着人工智能领域的基础研究。

周伯文在演讲中所表达的对于人工智能领域的思考，从大环境下的发展趋势，到具体环节所要解决的问题，都在印证着孙进博士的这句话。余健副司长在发言中说到希望企业作为人工智能发展的主体，但若企业仅仅只去研发具体的人工智能产业，而忽略了对其基本问题的探索，人工智能的发展也许并不能够达到一个足够的高度。

余健副司长在会上的发言代表了国家政策的扶持，孙进博士的这句点评更是代表学术界，表示了对京东在人工智能领域上态度的肯定。

总体而言，人工智能领域的发展在我看来是有着相当的前景的。

世界各国争相发展相关产业的大环境之下，整个产业都得到了国家的重视与支持，这是天时；从峰会上可以看出人工智能学术界思想碰撞的氛围，这是地利；未来可见的，将会出现的大量相关专业人才，这是人和。

天时地利人和都已具备，人工智能的发展壮大也许只是时间的问题了吧。