人工智能已經成為國際科技競爭的新焦點

歐盟24國部長日前在比利時首都布魯塞爾簽署了一份聯合宣言，明確歐洲將致力於現代化發展，並將大力推進人工智能發展研究。歐盟委員會公布的消息顯示，塞浦路斯、羅馬尼亞、克羅地亞與希臘因“國內行政程序”限制，暫時未簽署該協議。

歐盟委員會負責數字經濟與社會事務的專員瑪麗亞·加布裏埃爾表示，歐盟將於4月25日發布一份關於人工智能的戰略文件，該文件將概述人工智能技術可能引發的法律問題，旨在消除社會對機器人占領崗位的擔憂情緒。她說，有部分歐盟成員國在人工智能研究領域已經擁有卓越水平，但倘若成員國各自為戰，歐盟就無法在該領域取得全球領先地位。她呼籲歐盟各成員國共同努力合作，以應對與美國、中國等國家的競爭。

為規范人工智能與機器人的使用與管理，歐洲議會於2017年首次建議歐盟委員會起草相關法案。

近日歐盟委員會成立了一個專門的人工智能小組，以廣泛收集相關專家和業界人士的意見。同時，根據歐洲科學和新技術倫理小組發表的聲明，這個歐盟專家小組還將就人工智能應用的倫理問題提供相應的指導意見。

從醫療保健、交通和可持續農業，人工智能可以為我們的社會和經濟發展帶來諸多益處。然而，有關人工智能對未來工作與現行立法的影響等問題也應運而生。這就需要我們展開一場廣泛、開放和極具包容性的討論，看看如何才能在成功開發和使用人工智能的同時不違背基本的倫理環境。

針對這一問題，近日歐盟委員會成立了一個專門的人工智能小組，以廣泛收集相關專家和業界人士的意見。同時，根據歐洲科學和新技術倫理小組發表的聲明，這個歐盟專家小組還將就人工智能應用的倫理問題提供相應的指導意見。

目前，專家小組的征集工作已經開始，4月9日正式結束。歐盟委員會計劃在5月前完成小組的構建工作。據悉，該小組成員的主要任務包括：

就委員會如何在“歐洲人工智能聯盟”中建立廣泛而多樣化的利益相關者社區向歐盟委員會提供建議;支持即將實施的歐洲人工智能倡議(2018年4月);在年底前出台基於歐盟基本權利的倫理發展和人工智能使用准則草案，充分考慮公平性、安全性、透明度、未來工作、民主以及更廣泛地影響“基本權利憲章”的適用等問題。該指導方針將在歐洲委員會獨立咨詢機構歐洲科學和新技術倫理組織(EGE)今天的發言中進行廣泛的磋商和建設之後起草。

該小組將收集並鞏固其他專家與人工智能相關的工作，例如工業技術高級別戰略小組(中間報告)以及責任和新技術專家組。

歐盟委員會將借助多個國家層面倡議活動與歐盟成員國國家、歐洲議會、歐洲經濟與社會委員會、其他地區及國際組織論壇(例如G7)展開密切合作。

人工智能作為新一輪產業變革的核心驅動力，將進一步釋放曆次科技革命和產業變革積蓄的巨大能量，並創造新的強大引擎，推動智能經濟和智能社會的發展。本文嘗試從根技術、核心共性技術、智能應用技術、典型應用場景四個層面勾勒人工智能技術的整體技術體系和國內外發展情況。

近年來，人工智能已經成為國際科技競爭的新焦點。作為多學科交叉結果和通用型技術，人工智能技術同上下遊的相關技術和應用一起形成了錯綜複雜的技術體系網絡。這一網絡目前初見雛形，但仍處於快速更新、劇烈變化的動態發展狀態。經過多方資料的彙總和梳理，本文嘗試從根技術、核心共性技術、智能應用技術、典型應用場景四個層面勾勒人工智能技術的整體技術體系和國內外發展情況。初步研判，目前人工智能產業的發展存在著兩個主要趨勢:一是不斷拓展、深挖核心技術;二是積極尋求在傳統產業的應用空間。

一、根技術:廣泛融合，不斷擴展

數學與工程學始終是人工智能發展過程中的重要基石。例如1956年達特茅斯會議以來，控制論曾長期處於人工智能研究的主導理論地位;機器學習算法的發展過程則可視為數學方法不斷演進的過程。

80年代人工智能的主流理論逐漸演化為信息論，同期也誕生了深度學習算法。深度學習算法能夠在近年獲得成功除了得益於自身算法的不斷完善，還應歸因於三十年來信息學與計算機科學的快速發展。尤其是大數據技術的發展提供了前所未有的豐富數據，使得各類機器學習算法獲得了充足的學習資源;而計算性能的提升也保證了其潛力的充分發揮。

出於對人類智能的追求，腦科學與認知科學在人工智能的各個發展階段都是主要參與學科之一。例如人工神經網絡的數學理論雛形就是在心理學家Warren

Mcculloch的參與下產生的。當前類腦智能更被認為是人工智能的未來發展方向之一，因此對腦科學與認知科學的研究仍將受到廣泛關注。相關研究可以分為關注基因、蛋白質、神經元、化學信號、電信號的"硬件研究"和關注認知、行為、心理的"軟件研究"兩大類。目前普遍認為後者對於類腦智能的研發更具指導意義。

多項不同根技術的廣泛融合成就了當前人工智能技術的高速發展。同時這一融合范圍還在不斷擴大。例如隨著智能芯片的發展，集成電路相關技術已經成為了人工智能技術體系的一部分;量子計算也被納入人工智能的技術網絡中。人工智能的多學科交叉特色將會越來越顯著。

二、核心共性技術

核心共性技術大致可以分為人工智能芯片、基礎算法和系統平台三類。在具體應用中，各種不同算法是系統平台的基礎;人工智能芯片作為硬件是算法的基礎。但在實際的創新鏈中，人工智能芯片也是基於基礎算法的特點、需求和指導而開發的。基礎算法是人工智能技術發展的根本核心。

基礎算法:創新活躍，任重道遠

早期計算智能算法主要模仿了人類智能的"知識表示與推理"功能。雖然出現了專家系統、幾何證明機、"深藍"等案例，但整體上仍存在效率低下、維護性差、性價比低等難以克服的問題，未能取得商業成功。

機器學習算法則更進一步，在形式上模擬了人腦的學習功能，即重複訓練次數多的"思考"過程會被強化。這一突破性進步能夠大大提升人工智能系統的運行效率，並降低編碼成本。人工神經網絡算法是機器學習算法的重要分支，初步借鑒了人腦神經元的某些運算機制。深度學習算法是人工神經網絡算法的一個拓展，通過多層神經網絡，形成比淺層結構簡單學習更強大的從少數樣本集中歸納數據集本質特征的能力。近年來，算法方面的研究始終處於頻繁更新、快速迭代的狀態。目前單純的深度學習算法已經略顯"過時"。在其基礎上開發的卷積神經網絡、循環神經網絡、遞歸深度神經網絡等成為最新前沿。此外現有算法的交叉組合，例如深度學習算法同強化學習算法綜合形成的深度強化學習方法等也逐步成為新的熱點。在計算智能算法和機器學習算法的研發方面，歐美大學占據絕對的領跑地位。全球排名前30的高校中，美國高校占比最高，達到22家;我國高校無一上榜。

盡管在目前獲得了一定的成功，但機器學習算法的機理仍然是統計擬合、暴力計算，並不具備真正的基於理解的學習、推理和決策能力，因此在應用中仍具有極大的局限性。部分專家甚至認為機器學習算法無法真正解決自然語言翻譯、全自主自動駕駛等熱點問題。當前比較明確的面向未來的前沿算法基礎理論中，高級機器學習仍然無法突破機器學習的框架;量子計算主要是配合高級機器學習的發展;類腦智能計算則被許多專家視為新一代人工智能技術的突破口。近期美、日、德、法、歐盟和以色列等主要國家和地區都開展了腦科學與人工智能的聯合研究，但眾多現有類腦智能研究都主要以利用人工智能工具研究腦科學為主，對人工智能研究的推動不足。將兩方面研究緊密結合的機構僅有麻省理工學院、卡內基·梅隆大學和加州大學伯克利分校等少數高校。整體而言，新一代人工智能的基礎算法研究仍然任重道遠。

人工智能芯片:多路線競爭，分領域發展

目前的人工智能芯片根據技術路線可分類三類。首先是通用型的CPU及GPU芯片。CPU的架構和指令集對神經網絡計算的兼容度不夠，性價比和運算效率偏低。但英特爾、ARM在新的CPU產品Xeon

Phi和DynamIQ中強化了對神經網絡計算的支持。GPU的架構比CPU更有利於相關算法的運行。傳統的GPU廠商英偉達和AMD分別推出了Tesla

V100和RadeonInstinctMI25來開拓人工智能芯片的市場空間。英特爾也通過收購的方式推出了Nervana以進入GPU領域。

第二類是FPGA芯片。FPGA具有可定制的特點，使用者可以對芯片進行二次開發使其更加適宜特定的運算環境。由於犧牲了通用性，FPGA芯片的價格相對CPU和GPU而言較為便宜。目前Xilinx

、Altera、Microsemi、Lattice等少數廠商基本壟斷了

FPGA的生產。英特爾通過收購Altera也進入了FPGA芯片的生產環節。基於外購芯片，微軟、百度等領先企業均具有較強的二次開發能力。百度已經推出了基於FPGA的百度大腦芯片。

第三類是ASIC芯片。此類芯片是徹底的專用芯片，也不具備編輯功能。設計新ASIC芯片的前期投入較高，但大規模生產後能夠實現極低廉的成本。ASIC芯片對特定計算的運行效率極高，但也僅能應用於特定計算。目前ASIC芯片分兩個技術方向。(1)脈沖神經網絡芯片，以IBM的TureNorth為代表，以脈沖長短模擬大腦神經元間的交流活動。(2)機器學習芯片，以穀歌TPU和我國寒武紀為代表，以概率變化模擬大腦神經元間的交流活動。比較而言，後者直接針對機器學習算法的需要，目前在商業化應用競爭中占據優勢，高通的Zeroth即是從早期的脈沖神經網絡芯片轉為現今的機器學習芯片方向。前者仍需憶阻器等基本原件的進一步發展，但對於類腦算法研究而言有著長遠的意義。

整體而言，三類人工智能芯片各有特點，都具有對應的潛在細分市場空間。不同場合下對通用性、成本、性能的不同要求會產生不同的解決方案。蘋果A11、華為麒麟970中的人工智能模塊以及穀歌TPU都只是用於配合CPU完成特定運算。

系統平台:多方混戰，搶占地盤

實際應用中，可能被用到的大量不同基礎算法需要整合成為集成化、高度兼容的軟件工具來發揮作用。較完備的工具軟件包形成了穩定的系統環境。圍繞一些開源系統往往還會形成全球共享的研究成果交流平台。在系統平台領域搶占話語權，就能在人工智能時代形成類似PC時代Windows系統或手機時代安卓系統的優勢市場地位。當前人工智能系統平台處於活躍發展、普遍競爭的狀態，尚未產生穩定格局。Facebook、IBM等大公司和許多創業型小公司都推出了自己的開源項目。蘋果通過收購Turi公司涉足了這一領域。我國的百度也在近期推出了自己的開源平台PaddlePaddle。穀歌則完全基於其Tensor

Flow平台設計出了TPU芯片，在戰略層面打通了軟硬件市場的布局。

三、智能應用技術:感知、決策、執行集成化

智能應用技術是核心共性技術基礎上的具體應用研究，主要是解決了某種特定類型問題的解決方案。某項專項技術可能用於許多不同的應用場景;特定應用場景也往往包含了多項專項技術。

智能傳感器方面，目前國際一流傳感器的市場基本被外國公司所壟斷，我國的產業和研發實力明顯處於劣勢。模式識別在廣義上既包括一些共性理論，也包括在語音、圖像、自然語言分析等方面的具體識別技術，在此分別表述為模式識別理論和感知與理解技術。智能決策分析則主要側重數據挖掘方向的專項應用。機器人、無人機、自動駕駛汽車也開始大量應用基於機器學習的智能控制技術。此外，人機交互也是當前的重點之一。

以往在機器人及自動化領域的研究中，經常依照感知、決策、執行三個環節來分析其技術體系，人工智能的發展則逐步模糊了三者的邊界。例如機器視覺既包含基於視覺傳感器的感知環節，也是對視覺信號進行分析處理和判斷的決策環節。人機交互則同時涉及了以人為對象的感知和執行兩個環節。未來人工智能技術將進一步推動感知、決策、執行的集成化水平。

四、典型應用場景:熱點集中，各顯神通

以新增企業的業務方向為標准，近年人工智能產業關注度最集中的細分領域為機器視覺、自然語言處理和自動駕駛。這三類專項智能技術所派生的應用場景也是當前人工智能市場的主要熱點。例如機器視覺技術發展出的網絡圖像審核、人臉識別、虹膜識別、設備登錄驗證、金融身份驗證、安防監控等應用;自然語言處理技術發展出的語音輸入、機器翻譯、擬人交流、智能客服等應用。

這些焦點應用中，比較成熟的自然語言處理、機器視覺及圖像識別、語音識別等基本都局限在信息產業之內。能夠同實體經濟掛鉤的自動駕駛雖然獲得廣泛關注但短期內尚難以突破。目前尋找能夠對接傳統制造和服務業的應用點是人工智能產業發展的重要任務，也是人工智能"通用型"應用的必然需要。

目前對新應用領域的探索主要分為三種情況。(1)龍頭引領，即領先企業的戰略意志推動新應用市場的開辟，並利用技術、資金、影響力等方面的優勢而暫時處於無人競爭的狀態。例如IBM基於沃森所提供的醫療診斷、法律咨詢等服務，以及阿裏巴巴所提出的城市大腦。(2)主動吸收，即一些專業性較強的行業主動吸收人工智能方法改善自身產品水平，主導者是業內原有的成熟主體而非新興的人工智能企業。這也是最能體現人工智能"通用型"的應用類型。例如財務分析、科研輔助、交融交易分析等。(3)有待開拓，即相關領域理論上存在應用人工智能的可能，但尚缺乏實用性強、市場空間大的成熟產品。例如防災減災、基礎設施維護、智能制造、智能教育等。

根據中國電子報、海外網、經濟日報等採編【版權所有，文章觀點不代表華發網官方立場】