报告发布中国电子学会发布新一代人工智能发展白皮书(2017)

报告发布中国电子学会发布新一代人工智能发展白皮书

(2017)

指导单位、专家顾问及编写人员

顾问潘云鹤中国工程院院士

指导单位工业和信息化部信息化和软件服务业司

指导委员会谢少锋工信部信软司司长李冠宇工信部信软司副司长徐晓兰中国电子学会副理事长兼秘书长张宏图中国电子学会总部党委书记兼副秘书长商超工信部信软司软件处处长

傅永宝工信部信软司软件处调研员

专家委员会（排名不分先后，按姓氏笔画排序）王士进科大讯飞研究院副院长韦青微软中国公司首席技术官宋波国安瑞（北京）科技有限公司总经理刘志坚京东金融总法律顾问吴甘沙

驭势科技联合创始人兼CEO 季向阳清华大学自动化系教授陈丽娟阿里巴巴人工智能实验室负责人梁家恩云知声信息技术有限公司董事长兼CTO 崔岩中德人工智能研究院院长蔡雄山腾讯研究院法律研究中心副主任

编写单位中国电子学会

编写人员李颋周岷峰马良

凌霞李岩张雅妮许华磊

张婵张力陈濛萌樊江洋

朱毅李俊平阎德利谢中业

陈岩

报告链接:https://https://www.360docs.net/doc/2911957801.html,/s/1oAn8flo 密码:3gme编制概要

（一）编制背景

自1956年概念得以确立以来，人工智能发展至今已逾60年，随着所处信息环境和数据基础的深刻变革，开始迈进新一轮发展阶段，呈现出大数据、跨媒体、群体性、自主化、人机融合的发展新特征，从学术牵引式发展迅速转变为需求牵引式发展，相比历史上的任何时刻，都要更加接近于人类智能，既能为进一步掌握城市发展、生态保护、经济管理、金融风险等宏观系统提供指导，也能为设计制造、健康医疗、交通管理、能源节约等微观领域提供解决方案。我国正值工业化、城镇化、信息化、农业现代化的攻坚阶段，迫切需要加快推动人工智能在国民经济社会各行业、各领域的创新应用，促进产业提质增效，改善人民生活水平，切实解决经济运行的重大结构性失衡。针对于此，有必要研究编制新一代人工智能发展白皮书，明确人工智能在新时期、新形势下的技术框架、关键环节、应用前景，为推动人工智能关键技术进步和产业化应用推广提供措施建议，进一步推动我国智能相关的

前沿新兴产业持续健康快速发展，有力支撑我国信息化和工业化深度融合迈上新台阶。

（二）编制目标

一是明确新一代人工智能的主要发展方向，系统归纳其主要驱动因素及最具典型意义的特征。

二是研究新一代人工智能的技术框架，梳理技术演进轨迹，提出基础性、通用性技术体系。

三是探索新一代人工智能的产业边界，划分产业类别和应用场景，研判相关的投融资特征及趋势。

四是提出促进新一代人工智能及相关技术及产业发展的可行性措施建议，为相关行业主管部门提供决策参考，为行业健康有序发展提供指导依据。

（三）编制方法

一是研究学习国内外相关战略政策文件，充分借鉴参考国内外主要研究动态和成果。主要包括：美国白宫发布的《为人工智能的未来做好准备》、《国家人工智能研究与发展战略规划》；英国下议院科学和技术委员会发布的《机器人和人工智能》、英国政府科学办公室发布的《人工智能对未来决策的机会和影响》，以及英国政府在2017年1月宣布的《现代工业战略》和3月公布的《数字战略》；日本政府制定的《人工智能产业化路线图》；我国出台的《国务院关于积极推进“互联网”行动的指导意见》和《“十三五”国家战略性新

兴产业发展规划》中关于人工智能的部分。同时，针对欧盟的“人脑项目”、德国的“智慧数据项目”、日本的“超智能社会”和“高级综合智能平台计划”进行了学习了解。

二是访谈国内知名专家学者，围绕新一代人工智能的内涵、外延及特征趋势展开充分研讨。新一代人工智能既有创新性又有继承性，与过往所谈论的人工智能既有联系又有区别，在研究内容上既要有突破又要有充分吸收和借鉴。通过与国内人工智能相关领域的知名院士、高校学者、行业专家的座谈交流，尤其是围绕中国工程院潘云鹤院士《人工智能迈向2.0》一文进行的深入学习研讨，为白皮书的编制奠定了系统的理论基础。

三是调研国内外知名人工智能企业，汇集整理和分析来自实践应用的典型案例。高度重视人工智能领域的具体产品、服务及解决方案提供方式，走进国内外一批在技术或产业方面具备领先水平和特色优势的人工智能企业展开深度调研，并邀请部分企业的技术或战略负责人共同参与了白皮书的编制工作。

（四）特别声明

1、研究主题充分考虑了与国家规划的互动和呼应

人工智能的概念从诞生之日开始计算，已经超过60年，并非横空出世的新兴事物。只不过受近年来算法模式持续优化、数据信息海量增长、运算力大幅提升的影响和带动，表

现出了不同以往的发展水平和特征。本白皮书一开始研究主题名为“人工智能2.0”，目前已更改为“新一代人工智能”，是为了呼应院士研究文章、部委领导讲话，以及即将出台的国家级规划，重点针对人工智能的新趋势、新特征、新模式展开研究，并非是要提出一个全新的研究对象。

2、研究范围聚焦技术和产业发展

在人工智能领域，正孕育着堪与相对论、量子理论、计算机、互联网相提并论的重大创新、变革及突破。人工智能历史性地站在了时代的风口，将对人类经济社会发展带来智能化浪潮的颠覆性猛烈冲击。研究人工智能，就要研究其在人类生产生活中的详细地位和作用，涉及到方方面面，包括了道德、法律、伦理、文化等领域。本白皮书的编制，主要是为了给相关行业主管部门和企业提供决策参考依据，集中在技术和产业两大层面展开研究，暂未涉及其他方面。

3、研究内容仍有待进一步丰富完善

当前，各类研究咨询机构纷纷推出围绕人工智能主题的相关报告，各自观点既有一致性，也存在部分不同意见。本白皮书的主要观点和内容仅代表编制组在目前对人工智能的研

判和思考，欢迎各方专家学者和企业代表提出宝贵意见，共同推动白皮书的及时更新和纠偏。同时，随着人工智能技术的进步、产业的发展、模式的变革，白皮书的内容将得到进一步丰富完善。

第一章新一代人工智能研究综述

人工智能发轫于1956年在美国达特茅斯（Dartmouth）学院举行的“人工智能（Artificial Intelligent，简称AI）夏季研讨会”，在20世纪50年代末和80年代初先后步入两次发展高峰，但因为技术瓶颈、应用成本等局限性而均落入低谷。当前，在新一代信息技术的引领下，数据快速积累，运算能力大幅提升，算法模型持续演进，行业应用快速兴起，人工智能发展环境发生了深刻变化，跨媒体智能、群体智能、自主智能系统、混合型智能成为新的发展方向，人工智能第三次站在了科技发展的浪潮之巅。

（一）人工智能简要发展历程

从诞生至今，人工智能已有60年的发展历史，大致经历了三次浪潮。第一次浪潮为20世纪50年代末至20世纪80年代初；第二次浪潮为20世纪80年代初至20世纪末；第三次浪潮为21世纪初至今。在人工智能的前两次浪潮当中，由于技术未能实现突破性进展，相关应用始终难以达到预期效果，无法支撑起大规模商业化应用，最终在经历过两次高潮与低谷之后，人工智能归于沉寂。随着信息技术快速发展和互联网快速普及，以2006年深度学习模型的提出为标志，人工智能迎来第三次高速成长。

1、第一次浪潮：人工智能诞生并快速发展，但技术瓶颈难以突破

符号主义盛行，人工智能快速发展。1956年到1974年是人工智能发展的第一个黄金时期。科学家将符号方法引入统计方法中进行语义处理，出现了基于知识的方法，人机交互开始成为可能。科学家发明了多种具有重大影响的算法，如深度学习模型的雏形贝尔曼公式。除在算法和方法论方面取得了新进展，科学家们还制作出具有初步智能的机器。如能证明应用题的机器STUDENT（1964），可以实现简单人机对话的机器ELIZA（1966）。人工智能发展速度迅猛，以至于研究者普遍认为人工智能代替人类只是时间问题。

模型存在局限，人工智能步入低谷。1974年到1980年。人工智能的瓶颈逐渐显现，逻辑证明器、感知器、增强学习只能完成指定的工作，对于超出范围的任务则无法应对，智能水平较为低级，局限性较为突出。造成这种局限的原因主要体现在两个方面：一是人工智能所基于的数学模型和数学手段被发现具有一定的缺陷；二是很多计算的复杂度呈指数级增长，依据现有算法无法完成计算任务。先天的缺陷是人工智能在早期发展过程中遇到的瓶颈，研发机构对人工智能的热情逐渐冷却，对人工智能的资助也相应被缩减或取消，人工智能第一次步入低谷。

2、第二次浪潮：模型突破带动初步产业化，但推广应用存在成本障

数学模型实现重大突破，专家系统得以应用。进入20世纪

80年代，人工智能再次回到了公众的视野当中。人工智能相关的数学模型取得了一系列重大发明成果，其中包括著名的多层神经网络（1986）和BP反向传播算法（1986）等，这进一步催生了能与人类下象棋的高度智能机器（1989）。其它成果包括通过人工智能网络来实现能自动识别信封上邮

政编码的机器，精度可达99%以上，已经超过普通人的水平。与此同时，卡耐基·梅隆大学为DEC公司制造出了专家系统（1980），这个专家系统可帮助DEC公司每年节约4000

万美元左右的费用，特别是在决策方面能提供有价值的内容。受此鼓励，很多国家包括日本、美国都再次投入巨资开发所谓第5代计算机（1982），当时叫做人工智能计算机。成本高且难维护，人工智能再次步入低谷。为推动人工智能的发展，研究者设计了LISP语言，并针对该语言研制了Lisp 计算机。该机型指令执行效率比通用型计算机更高，但价格昂贵且难以维护，始终难以大范围推广普及。与此同时，在1987年到1993年间，苹果和IBM公司开始推广第一代台式机，随着性能不断提升和销售价格的不断降低，这些个人电脑逐渐在消费市场上占据了优势，越来越多的计算机走入个人家庭，价格昂贵的Lisp计算机由于古老陈旧且难以维护逐渐被市场淘汰，专家系统逐也渐淡出人们的视野，人工智能硬件市场出现明显萎缩。同时，政府经费开始下降，人工智能又一次步入低谷。

3、第三次浪潮：信息时代催生新一代人工智能，但未来发展存在诸多隐忧

新兴技术快速涌现，人工智能发展进入新阶段。随着互联网的普及、传感器的泛在、大数据的涌现、电子商务的发展、信息社区的兴起，数据和知识在人类社会、物理空间和信息空间之间交叉融合、相互作用，人工智能发展所处信息环境和数据基础发生了巨大而深刻的变化，这些变化构成了驱动人工智能走向新阶段的外在动力。与此同时，人工智能的目标和理念出现重要调整，科学基础和实现载体取得新的突破，类脑计算、深度学习、强化学习等一系列的技术萌芽也预示着内在动力的成长，人工智能的发展已经进入一个新的阶段。

人工智能水平快速提升，人类面临潜在隐患。得益于数据量的快速增长、计算能力的大幅提升以及机器学习算法的持续优化，新一代人工智能在某些给定任务中已经展现出达到或超越人类的工作能力，并逐渐从专用型智能向通用型智能过渡，有望发展为抽象型智能。随着应用范围的不断拓展，人工智能与人类生产生活联系的愈发紧密，一方面给人们带来诸多便利，另一方面也产生了一些潜在问题：一是加速机器换人，结构性失业可能更为严重；二是隐私保护成为难点，数据拥有权、隐私权、许可权等界定存在困难。

（二）新一代人工智能的主要驱动因素

当前，随着移动互联网、大数据、云计算等新一代信息技术的加速迭代演进，人类社会与物理世界的二元结构正在进阶到人类社会、信息空间和物理世界的三元结构，人与人、机器与机器、人与机器的交流互动愈加频繁。人工智能发展所处的信息环境和数据基础发生了深刻变化，愈加海量化的数据，持续提升的运算力，不断优化的算法模型，结合多种场景的新应用已构成相对完整的闭环，成为推动新一代人工智能发展的四大要素。

1、人机物互联互通成趋势，数据量呈现爆炸性增长

近年来，得益于互联网、社交媒体、移动设备和传感器的大量普及，全球产生并存储的数据量急剧增加，为通过深度学习的方法来训练人工智能提供了良好的土壤。目前，全球数据总量每年都以倍增的速度增长，预计到2020年将达到44万亿GB，中国产生的数据量将占全球数据总量的近20%。海量的数据将为人工智能算法模型提供源源不断的素材，人工智能正从监督式学习向无监督学习演进升级，从各行业、各领域的海量数据中积累经验、发现规律、持续提升。

2、数据处理技术加速演进，运算能力实现大幅提升

人工智能领域富集了海量数据，传统的数据处理技术难以满足高强度、高频次的处理需求。人工智能芯片的出现加速了深层神经网络的训练迭代速度，让大规模的数据处理效率显著提升，极大地促进了人工智能行业的发展。目前，出现了

GPU、NPU、FPGA和各种各样的AI-PU专用芯片。相比传统的CPU只能同时做一两个加减法运算，NPU等专用芯片多采用“数据驱动并行计算”的架构，特别擅长处理视频、图像类的海量多媒体数据。在具有更高线性代数运算效率的同时，只产生比CPU更低的功耗。

3、深度学习研究成果卓著，带动算法模型持续优化

2006年，加拿大多伦多大学教授杰弗里·辛顿提出了深度学习的概念，极大地发展了人工神经网络算法，提高了机器自学习的能力，例如谷歌大脑团队在2012年通过使用深度学习技术，成功让电脑从视频中“认出”了猫。随着算法模型的重要性进一步凸显，全球科技巨头纷纷加大了这方面的布局力度和投入，通过成立实验室，开源算法框架，打造生态体系等方式推动算法模型的优化和创新。目前，深度学习等算法已经广泛应用在自然语言处理、语音处理以及计算机视觉等领域，并在某些特定领域取得了突破性进展，从有监督式学习演化为半监督式、无监督式学习。

4、资本与技术深度耦合，助推行业应用快速兴起

当前，在技术突破和应用需求的双重驱动下，人工智能技术已走出实验室，加速向产业各个领域渗透，产业化水平大幅提升。在此过程中，资本作为产业发展的加速器发挥了重要的作用，一方面，跨国科技巨头以资本为杠杆，展开投资并购活动，得以不断完善产业链布局，另一方面，各类资本对

初创型企业的支持，使得优秀的技术型公司迅速脱颖而出。据美国技术研究公司Venture Scanner的调查报告显示，截至到2017年12月，全球范围内总计2075家与人工智能技术有关公司的融资总额达到65亿美元。同时，美国行业研究公司CB Insight公布了对美国人工智能初创企业的调查结果，这类企业的融资金额约是2012年的10倍。目前，人工智能已在智能机器人、无人机、金融、医疗、安防、驾驶、搜索、教育等领域得到了较为广泛的应用。

（三）新一代人工智能主要发展特征

在数据、运算能力、算法模型、多元应用的共同驱动下，人工智能的定义正从用计算机模拟人类智能演进到协助引导

提升人类智能，通过推动机器、人与网络相互连接融合，更为密切地融入人类生产生活，从辅助性设备和工具进化为协同互动的助手和伙伴。主要特征如下：

1、大数据成为人工智能持续快速发展的基石

随着新一代信息技术的快速发展，计算能力、数据处理能力和处理速度实现了大幅提升，机器学习算法快速演进，大数据的价值得以展现。与早期基于推理的人工智能不同，新一代人工智能是由大数据驱动的，通过给定的学习框架，不断根据当前设置及环境信息修改、更新参数，具有高度的自主性。例如，在输入30万张人类对弈棋谱并经过3千万次的自我对弈后，人工智能AlphaGo具备了媲美顶尖棋手的棋力。

随着智能终端和传感器的快速普及，海量数据快速累积，基于大数据的人工智能也因此获得了持续快速发展的动力来源。

2、文本、图像、语音等信息实现跨媒体交互

当前，计算机图像识别、语音识别和自然语言处理等技术在准确率及效率方面取得了明显进步，并成功应用在无人驾驶、智能搜索等垂直行业。与此同时，随着互联网、智能终端的不断发展，多媒体数据呈现爆炸式增长，并以网络为载体在用户之间实时、动态传播，文本、图像、语音、视频等信息突破了各自属性的局限，实现跨媒体交互，智能化搜索、个性化推荐的需求进一步释放。未来人工智能将逐步向人类智能靠近，模仿人类综合利用视觉、语言、听觉等感知信息，实现识别、推理、设计、创作、预测等功能。

3、基于网络的群体智能技术开始萌芽

随着互联网、云计算等新一代信息技术的快速应用及普及，大数据不断累积，深度学习及强化学习等算法不断优化，人工智能研究的焦点，已从单纯用计算机模拟人类智能，打造具有感知智能及认知智能的单个智能体，向打造多智能体协同的群体智能转变。群体智能充分体现了“通盘考虑、统筹优化”思想，具有去中心化、自愈性强和信息共享高效等优点，相关的群体智能技术已经开始萌芽并成为研究热点。例如，我国研究开发了固定翼无人机智能集群系统，并于2017

年6月实现了119架无人机的集群飞行。

4、自主智能系统成为新兴发展方向

在长期以来的人工智能发展历程中，对仿生学的结合和关注始终是其研究的重要方向，如美国军方曾经研制的机器骡以及各国科研机构研制的一系列人形机器人等。但均受技术水平的制约和应用场景的局限，没有在大规模应用推广方面获得显著突破。当前，随着生产制造智能化改造升级的需求日益凸显，通过嵌入智能系统对现有的机械设备进行改造升级成为更加务实的选择，也是中国制造2025、德国工业4.0、美国工业互联网等国家战略的核心举措。在此引导下，自主智能系统正成为人工智能的重要发展及应用方向。例如，沈阳机床以i5智能机床为核心，打造了若干智能工厂，实现了“设备互联、数据互换、过程互动、产业互融”的智能制造模式。

5、人机协同正在催生新型混合智能形态

人类智能在感知、推理、归纳和学习等方面具有机器智能无法比拟的优势，机器智能则在搜索、计算、存储、优化等方面领先于人类智能，两种智能具有很强的互补性。人与计算机协同，互相取长补短将形成一种新的“1 1>2”的增强型智能，也就是混合智能，这种智能是一种双向闭环系统，既包含人，又包含机器组件。其中人可以接受机器的信息，机器也可以读取人的信号，两者相互作用，互相促进。在此

背景下，人工智能的根本目标已经演进为提高人类智力活动能力，更智能地陪伴人类完成复杂多变的任务。

第二章新一代人工智能技术框架

与早期人工智能相比，新一代人工智能正在全新信息环境、海量数据基础和持续演进、不断丰富的战略目标的引领下，依托于云计算、大数据两大基础平台和机器学习、模式识别和人机交互三大通用技术，以新型计算架构、通用人工智能和开源生态系统为主要导向，持续搭建和完善技术框架体系，不断逼近技术奇点，深刻变革人类生产生活。

（一）新一代人工智能的技术演进

1、从原有的CPU架构，转变为GPU并行运算架构

深度学习算法运行于CPU架构的指令需求过于复杂。机器学习领域的泰斗杰弗里·辛顿开启了深度学习在人工智能领域研究的浪潮，大数据技术带来的数据洪流满足了深度学习算法对于训练数据量的要求，但是算法的实现还需要更快更强大的处理器予以支撑。传统的主流CPU架构如X86、ARM 等往往需要数百甚至上千条指令才能完成一个神经元的处理，对于并不需要太多的程序指令，却需要海量数据运算的深度学习的计算需求，并不能很好地匹配与适应。

GPU架构具备与深度学习相匹配的并行运算能力。GPU（图形处理器）最初是个人电脑、工作站、游戏机和一些移动设备上运行绘图运算工作的微处理器，可以快速处理图像上的

每一个像素点，其海量数据并行运算的能力与深度学习需求非常符合。当前主流的CPU只有4核或者8核，可以模拟出12个处理线程来进行运算，但是普通级别的GPU就包含了成百上千个处理单元，高端的甚至更多，这对于多媒体计算中大量的重复处理过程有着天生的优势。吴恩达教授领导的谷歌大脑研究工作结果表明，12颗英伟达（Nvidia）公司的GPU可以提供相当于2000颗CPU的深度学习性能，为技术的发展带来了实质性飞跃，被广泛应用于全球各大主流深度学习开发机构与研究院所。

2、从单一算法驱动，转变为数据、运算力、算法复合驱动缺少数据支撑与运算力保证的算法驱动模式难以持续发展。人工智能发展以实现计算智能为重要研究方向，充分利用现代高性能计算机的快速计算和记忆存储能力，设计出神经计算、模糊计算和进化计算等求解算法，解决优化筛选、单点搜索、逻辑推理等实际应用问题。尽管深度学习概念和浅层学习算法已经被提出多年，但是一直进展缓慢，究其原因是缺乏海量的数据积累和与之相匹配的高水平计算能力，无法对算法模型进行持续的改进与优化，只停留在理论研究阶段，距离实际应用存在不小的差距。

数据、运算力和算法复合驱动模式引发人工智能爆发式增长。与早期人工智能相比，新一代人工智能体现出数据、运算力和算法相互融合、优势互补的良好特点。数据方面，人

类进入互联网时代后，数据技术高速发展，各类数据资源不断积累，为人工智能的训练学习过程奠定了良好的基础。运算力方面，摩尔定律仍在持续发挥效用，计算系统的硬件性能逐年提升，云计算、并行计算、网格计算等新型计算方式的出现拓展了现代计算机性能，获得更快的计算速度。算法方面，伴随着深度学习技术的不断成熟，运算模型日益优化，智能算法不断更新，提升了模型辨识解析的准确度。

3、从封闭的单机系统，转变为快捷灵活的开源框架

专家系统本地化特性限制了人工智能发展步伐。以往的人工智能专家系统是基于本地化专业知识进行设计开发，以知识库和推理机为中心而展开，推理机设计内容由不同的专家系统应用环境决定，单独设定模型函数与运算机制，一般不具备通用性。同时，知识库是开发者收集录入的专家分析模型与案例的资源集合，只能够在单机系统环境下使用且无法连接网络，升级更新较为不便。

开源框架推动构建人工智能行业解决方案。人工智能系统的开发工具日益成熟，通用性较强且各具特色的开源框架不断涌现，如谷歌的TensorFlow、Facebook的Torchnet、百度的PaddlePaddle等，其共同特点均是基于Linux生态系统，具备分布式深度学习数据库和商业级即插即用功能，能够在GPU上较好地继承Hadoop和Spark架构，广泛支持Python、Java、Scala、R等流行开发语言，与硬件结合生成各种应用

场景下的人工智能系统与解决方案。

4、从学术研究探索导向，转变为快速迭代的实践应用导向学术导向难以满足复杂数据信息背景下的创新需求。随着人工智能的不断发展，分化产生了不同的学术流派，以符号主义、联结主义、进化主义、贝叶斯学派、类推学派等为典型。不同学派按照各自对人工智能领域基本理论、研究方法和技术路线的理解，以学术研究为目的进行探索实践，一定程度上推动了人工智能理论与技术的发展。在如今数据环境改变和信息环境变化的背景下，现实世界结构趋向复杂，单纯依靠课题立项和学术研究无法持续推动人工智能满足当前现

实世界的模拟与互动需求，快速变化的应用环境也容易导致理论研究与实际应用相脱节，影响人工智能技术对经济发展和社会进步的积极拉动作用。

快速迭代的实践应用导向加速形成技术发展正循环。目前，人工智能围绕医疗、金融、交通、教育、零售等数据较集中且质量较高的行业的实践需求，在算法模型、图像识别、自然语言处理等方面将持续出现迭代式的技术突破，在深度应用中支撑人工智能实现“数据-技术-产品-用户”的往复正循环，由学术驱动向应用拉动转化。在人工智能技术准备期，由于提供数据支撑较少，技术提升度慢，一旦进入应用期，大量的优质数据有助于分析技术弊端，通过对相关技术进行改进升级，提升了产品的应用水平，用户在得到更好的产品

体验后，继续为应用平台创造了更大规模的后台数据，用来进行下一步的技术升级与产品改良，由此进入了大规模应用阶段。在技术快速迭代发展的过程中，数据累积和大规模应用起到了至关重要的作用，能够持续推动人工智能技术实现自我超越。

（二）新一代人工智能技术体系

新一代人工智能技术体系由基础技术平台和通用技术体系构成，其中基础技术平台包括云计算平台与大数据平台，通用技术体系包括机器学习、模式识别与人机交互。在此技术体系的基础上，人工智能技术不断创新发展，应用场景和典型产品不断涌现。

1、云计算：基础的资源整合交互平台

云计算主要共性技术包括虚拟化技术、分布式技术、计算管理技术、云平台技术和云安全技术，具备实现资源快速部署和服务获取、进行动态可伸缩扩展及供给、面向海量信息快速有序化处理、可靠性高、容错能力强等特点，为人工智能的发展提供了资源整合交互的基础平台。尤其与大数据技术结合，为当前受到最多关注的深度学习技术搭建了强大的存储和运算体系架构，促进了神经网络模型训练优化过程，显著提高语音、图片、文本等辨识对象的识别率。

2、大数据：提供丰富的分析、训练与应用资源

大数据主要共性技术包括采集与预处理、存储与管理、计算

模式与系统、分析与挖掘、可视化计算及隐私及安全等，具备数据规模不断扩大、种类繁多、产生速度快、处理能力要求高、时效性强、可靠性要求严格、价值大但密度较低等特点，为人工智能提供丰富的数据积累和价值规律，引发分析需求。同时，从