发布时间：2024-03-28 19:26:07 来源：米乐m6米乐平台 作者：M6米乐最新下载地址
根据国家标准化管理委员会发布的《人工智能标准化（2018年）》，人工智能（AI）是指利用数字计算机或者由数字计算机控制的机器，模拟、延伸和扩展人类的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术和应用系统。
人工智能是计算机科学的一个分支，被定义为能够模拟与人类大脑相关联的认知智能行为的“机器”，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。1956年由约翰.麦卡锡首次提出，当时的定义为“制造智能机器的科学与工程”。人工智能目的就是让机器能够像人一样思考，让机器拥有智能。时至今日，人工智能的内涵已经大大扩展，是一门交叉学科。
人工智能可以被划分为两个类别，即弱人工智能（Artificial Narrow Intelligence，ANI）与强人工智能（Artificial General Super Intelligence，AGI），弱人工智能只能完成单一、特定的任务，而强人工智能可以在各方面与人类的技能相类似。
人工智能是建立在数据之上的技术。人工智能发展的高度取决于数据为其提供的大量知识和丰富的经验，即通过在各个领域巨大的数据库中进行采集、加工、处理、分析和挖掘；在有丰富数据的基础上，通过人工智能算法，形成有价值的信息和知识模型，以此为人类提供服务。
人工智能是智能化机器，是智能物体与人类智慧的融合。人工智能系统能够借助传感器等硬件对外界环境进行感知。具体而言，通过人的五种基本感觉，视、听、嗅、味、触接收各方信息，并以此通过文字、语音、表情输出必要的反应。借助人工智能作为现实与虚拟的接口，可实现人类与机器、人类与人类之间的共同协作。
人工智能具有适应特性，能够随环境、数据或任务变化自动调节参数，优化模型。充分利用机器洞察人心的能力、人类对机器的驾驭能力，深入数字化连接，实现机器的自我迭代。
数据、算力、算法是人工智能三要素。人工智能模型的应用分为训练、推理两大环节。其中，数据与算力是模型训练的基础，算法是模型实现路径，近年人工智能的快速发展得益于三大要素的共同进步。
数据：人工智能“燃料”，全球数据量指数级增长。深度学习算法是推动人工智能技术突破性发展的关键技术理论，大量训练数据的训练支撑是深度学习算法的基础。训练数据越多、越完整、质量越高，模型推断的结论越可靠。根据DimensionalResearch的全球调研报告，72%的受访者认为至少使用超过10万条训练数据进行模型训练，才能保证模型的有效性和可靠性。根据中国信通院数据，到2035年，全球数据量将达2142ZB，是2020年数据量的45-46倍。数据量的指数级增长有望为人工智能产业发展提供“燃料”。
算力：人工智能“底座”，AI芯片是核心。人工智能模型的训练依赖大量算力支持，海量算力是大规模训练及生产人工智能模型的前提。数据海量增加，算法模型愈加复杂，应用场景的深入和发展，带来了对算力需求的快速提升。根据《2022-2023中国人工智能计算力发展评估报告》，2021年中国智能算力规模达155.2每秒百亿亿次浮点运算（EFLOPS），2022年智能算力规模将达到268.0EFLOPS，预计到2026年智能算力规模将进入每秒十万亿亿次浮点计算（ZFLOPS）级别，达到1,271.4EFLOPS，2021-2026年期间年复合增长率达52.3%，而同期通用算力规模年复合增长率为18.5%。
AI芯片专门用于处理人工智能相关的计算任务，其架构针对人工智能算法和应用进行专门优化，具有高效处理大量结构化和非结构化数据的特征。AI芯片类型包括GPU、NPU、ASIC、FPGA等，其中GPU是主要的人工智能加速芯片，根据《2022-2023中国人工智能计算力发展评估报告》，2021年GPU占据中国AI芯片约89%的份额。
算法：人工智能“发动机”，深度学习是主流方向。2006年深度学习算法的提出使AI进入新发展阶段，其通过卷积的方式，取代了机器学习中特征提取环节。我们认为，近年AI应用的繁荣来源于AI算法持续突破创新，而且是在大数据、大算力的支持下发挥出较大的威力。深度学习典型算法包括卷积神经网络（CNN）、递归神经网络（RNN）、前馈神经网络（FNN）、生成对抗网络（GAN）等。2017年谷歌提出Transformer算法，此后Transformer广泛应于自然语言处理，并逐步在计算机视觉等领域应用，OpenAI最近发布的ChatGPT也是以此为基础构建。
人工智能第一次发展浪潮：推理与搜索占据主导，但由于当时机器计算能力的不足而经历了第一次低迷期。人工智能（ArtificialIntelligence，缩写AI），是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。这一概念最早由麻省理工学院的约翰·麦卡锡在1956年的达特茅斯会议上提出，随之迎来了人工智能的第一次发展浪潮（1956-1974）。这一时期的核心在于让机器具备逻辑推理能力，通过推理与搜索尝试开发能够解决代数应用题、证明几何定理、使用英语的机器。该阶段的成果几乎无法解决实用问题，另外实际应用中人工智能计算量的增长是惊人的，特别是模拟人类感知带来的巨大运算量远超70年代的计算能力，因此人工智能经历了第一次低迷期。
人工智能第二次发展浪潮（1980-1987）：专家系统开始商业化，场景局限性限制其发展。这一时期的核心是基于“专家系统”思想，让AI程序能解决特定领域问题，知识库系统和知识工程成为了这一时期的主要研究方向，专家系统能够根据该领域已有的知识或经验进行推理和判断，从而做出可以媲美人类专家的决策。典型代表如医学专家系统MYCIN，MYCIN具有450条规则，其推导患者病情的过程与专家的推导过程类似，开处方的准确率可以达到69%，该水平强于初级医师，但比专业医师（准确率80%）还是差一些。随着人们发现专家系统具有很强的场景局限性，同时面临着升级迭代的高难度和高昂的维护费用，AI技术发展经历了第二次低迷期。
从1993年开始，AI技术步入了第三次发展浪潮：深度学习引领浪潮。这一时期，计算性能上的障碍被逐步克服，2006年深度学习这一重要理论被提出，并解决了训练多层神经网络时的过拟合问题。2011年以来，深度学习算法的突破进一步加速了AI技术发展的第三次浪潮，标志性事件是2012年ImageNet图像识别大赛，其深度CNN网络的错误率仅为15%左右，远远好于第二名支持向量机算法的26%，这一结果迅速点燃了产业对神经网络和深度学习的兴趣，深度学习也快速的实现了商业化。
第一次浪潮：核心是符号主义（逻辑主义），最重要的成果是逻辑推理、启发式搜索，第一次浪潮中产生的方法主要是基于知识或模型驱动的，建立在“if-then”结构的人工设定的形式逻辑基础；
第二次浪潮：专家系统推动人工智能从理论走向实际，BP算法解决非线性分类，成果集中在语音识别、语音翻译等领域；
近年来，在大数据、算法和计算机能力三大要素的共同驱动下，人工智能进入高速发展阶段，其识别率、准确率均有大幅提高，在诸多落地场景中都展现了很强的实用性。
人工智能行业整体市场呈现高速增长趋势。2021年全球市场人工智能市场收入规模（含软件、硬件及服务）达850亿美元。IDC预测，2022年该市场规模将同比增长约20%至1017亿美元，并将于2025年突破2000亿美元大关，CAGR达24.5%。根据德勤数据，中国人工智能市场规模由2017年的709亿元增长至2025年的5460亿元，年均复合增长率为29%。
行业长期发展战略清晰明确，政策重点支持。我国2017年提出《新一代人工智能发展规划》，对人工智能的行业发展提出了明确的战略目标，预计到2030年，我国要形成较为成熟的人工智能理论和技术体系，产业竞争力达到国际领先水平。后续密集出台了一系列相关的支持性政策，我国人工智能在国家战略层面，分别从技术突破、人才培养、创新平台、伦理要求、场景应用等方面，形成了一套综合、系统的人工智能建设和发展的顶层设计。近期的政策中更加注重人工智能的场景应用，通过人工智能与实体经济的深度融合，培育新的经济增长点。
我国政府高度重视人工智能行业的发展。2017年以来多次在政府工作报告中提及人工智能产业，2022年提出加快发展工业互联网，培育壮大集成电路、人工智能等数字产业，提升关键软硬件技术创新和供给能力。接下来，人工智能项目会更加注重于场景创新与应用，促进我国经济的高质量发展。
运算智能：即快速计算和记忆存储能力。计算机比较具有优势的便是运算能力和存储能力，现阶段计算智能应用已经实现并逐渐成熟，1996年IBM的深蓝计算机战胜了当时的国际象棋冠军卡斯帕罗夫，这一事件标志着人类在强运算型场景下的计算能力已经不如机器算力了。
感知智能：即类似人的视觉、听觉、触觉等对外界刺激做出反应的能力。人和动物能够通过各种智能感知能力与自然界进行交互。机器通过AI技术，也可实现这种类人智能，如自动驾驶汽车就是通过激光雷达等感知设备和人工智能算法实现这样的感知智能的。当前人类社会的AI技术正处于感知智能不断完善的阶段。
认知智能：通俗讲是一种“能理解会思考”的能力。未来机器能在没有数据信息被动输入的情况下，主动进行环境感知、信息采集、逻辑判断、做出决策等，实现类人智能。在这一阶段机器能够替代大量的传统体力劳动，并辅助人们做出理论上的最优决策。
机器学习人工智能的核心，是使计算机具有智能的根本途径。机器学习专注于算法，允许机器学习而不需要编程，并在暴露于新数据时进行更改，让计算机不依赖确定的编码指令，模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。基于处理数据种类的不同，可分为有监督学习、无监督学习、半监督学习和强化学习等几种类型。基于学习方法的分类，可分为归纳学习、演绎学习、类比学习、分析学习。基于数据形式的分类，可分为结构化学习和非结构化学习。
机器视觉是指用机器代替人眼来做测量和判断，自动采集并分析图像，以获取控制或评估特定零件和特定活动所需的数据。机器视觉是一项综合技术，包括图像处理、机械工程技术、控制、电光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术（图像增强和分析算法、图像卡、I/O卡等）。
自然语言处理（NLP）是指利用人类交流所使用的自然语言与机器进行交互通讯的技术。通过人为对自然语言的处理，使得计算机对其能够可读并理解。自然语言处理技术是人工智能最早的应用技术，该技术细分领域包括文本分类和聚类、信息检索和过滤、机器翻译等。文本分类和聚类按照关键字词做出统计，建造一个索引库，用于检索。信息检索和过滤是对网络关键词进行瞬时检查并运行处理，机器翻译是利用深度学习算法，进行语言翻译并提升正确性。
AI芯片主要有传统芯片和智能芯片两类，另外还有受生物脑启发设计的类脑仿生芯片等。传统芯片可以覆盖人工智能程序底层所需要的基本运算操作，但在芯片架构、性能等方面无法适应人工智能技术与应用的快速发展；智能芯片是专门针对人工智能领域设计的芯片，包括通用和专用两种类型。其中通用型智能芯片具有普适性，在人工智能领域内灵活通用；专用型智能芯片是针对特定的应用场景需求设计的。
生物识别技术是指通过人类生物特征进行身份认证的一种技术，人类的生物特征通常具有可测量或可自动识别和验证、遗传性或终身不变等特。
