中国人工智能计算力发展评估报告
算?+?态中国??智能迈向产业AI化中国人工智能计算力发展评估报告
3内容?录
核?观点....................................................................?、前?......................................................................1.1??智能的定义及核?技术
1.2国家政策引领中国??智能?速发展
1.3数据、算法、算??益成熟，为??智能发展提供富饶的?壤
?、中国??智能算?及应?的发展现状..................2.1算?基础架构的发展
2.2算?是推动产业AI化前进的源动?
2.3?态是产业AI化前进的必经之路
三、中国??智能算?发展评估..................................3.1评估体系框架
3.2评估结果分析
四、?动建议...............................................................4.1对?业?户的建议
4.2对??智能解决?案提供商的建议
04
05
08
18
29
4
?
计算?是承载和推动??智能?向实际应?的基础平台和决定性?量，根据IDC 全球DataSphere的研究，全球新创建的数据量将从2018年的33ZB增?到2025年的175ZB。随着数据持续爆炸性增?及算法的不断演进，未来算?仍有很?的发展空间。?预计2022年，??智能推理市场占?将超过训练市场，GPU依然是数据中?加速的?选，随着边缘、端侧需求的快速增?，??智能芯?市场将迎来多元化发展。?预计2023年，中国??智能基础架构市场将超过80亿美?，未来五年年复合增?率达到33.8%，增速是中国整体基础架构市场的三倍以上。?5G和物联?将推动边缘、端侧??智能基础架构的快速发展，性能、灵活性和能效将成为??未来重点考量因素。?计算?的快速发展极?促进了各?业应?场景的成熟，AI产业化加速向产业AI化迈进。互联?、智慧城市、?融?业产业AI化已经?在了前?。未来五年，制造、零售等?业也有望逐步实现智能化。?互联?依然是??智能算?投资最?的?业，占据中国62.4%的??智能算?投资市场份额；排名前五的?业中，政府和?融?业增?最迅速，2018年同?增?均超过100.0%。???智能与云的融合将进?步加速，未来五年，AIaaS市场规模的年复合增?率为66.0%，将成为推动云计算市场增?的重要细分领域。?软件框架市场TensorFlow和PyTorch凭借性能、灵活性及?态优势依然占据主导地位；百度的深度学习开源平台PaddlePaddle是国内?主开发软件框架的代表。?越来越多的??智能领军企业参与到?业性能评测基准建设中，但总的来说业界?前缺少统?的基准，?多数现有的深度学习性能基准相对单?。随着AI框架不断优化，模型不断迭代以及算法不断更新，各类基准也将持续的完善升级与之适应。?2019年中国??智能城市排?榜，TOP5城市依次为北京、杭州、深圳、上海、?州，排名6-10的城市为合肥、苏州、重庆、南京、西安。跟2018年相?，北京超越杭州位居第?，?州进?第?梯队，苏州、南京、西安?次跻?前?。核?观点
前?
新?轮科技?命和产业变?正在快速推进，?数据的爆发式增?、算法的?新、算?的提升及?络设施的演进驱动??智能发展进?
新阶段，智能化成为技术和产业发展的重要?向。??智能具有显著的溢出效应，将进?步带动其他技术的进步，推动战略性新兴产
业总体突破，正在成为推进供给侧结构性改?的新动能、振兴实体经济的新机遇、建设制造强国和?络强国的新引擎，源源不断地为
数字经济的发展提供持续创新动?。
1.1??智能的定义及核?技术
IDC将??智能定义为具备学习、推理和?我纠正能?的系统。系统通过?然语?、语?、图像、视频等?式与?
类交互，从交互信息中抽取知识建?知识库，并采?机器学习?式建?预测模型，基于模型进?推理给出结果。
机器学习作为实现智能化的关键技术，?可以分为传统的机器学习和深度学习。过去企业对于机器学习的采?更
多是?传统机器学习做简单的预测分析。现在，企业已经开始探索采?深度学习来提?预测的准确率、处理?结
构化数据，采?图算法、知识图谱技术判断相关性等等。从应?落地的?度，除了反欺诈、产品推荐、量化投资
等落地应?场景，IDC也看到?业企业在核??产环节开始测试机器学习应?，例如电?器件?产质检、交通轨道
?花检测、配电站电压器障碍评价等等。
由机器学习?撑的??智能核?技术能?可分成2?类，分别是感知技术和认知技术。现阶段，感知技术的发展已
经相对成熟，认知技术的发展分为三个层次，分别是语?理解；分析、推理以及?格情感，认知技术应?在未来
仍有很?发展空间。
1.2国家政策引领中国??智能?速发展
2015年以来，国家也从政策层?为中国??智能技术的发展提供了利好环境。《新?代??智能发展规划》和《
促进新?代??智能产业发展三年?动计划（2018-2020年）》的发布，不仅就未来??智能相关战略?标、理论
技术、产业经济、?才培养、法律体系等??进?了论述，还重点提出了政府财政及社会资本投资的统筹安排，并
5
6对?撑体系和保障措施进?了详细规划，明确了今后发展?向及?标，进?步加快渗透速度，为产业发展提供有?的政策?持，中国??智能发展突?猛进。在政策的?持引导下，国内科技巨头纷纷布局，产业资本也将更多?光聚焦于??智能的发展和应?。?2016AI产业化元年起，AI发展经历了2017年的产业化布局，2018的AI应?落地之年，?2019年，AI则会着侧重于领域拓宽及各领域内部的竞争。??智能正通过不同的应?快速渗透终端??，使更?阔的??群切实感受到??智能的产品魅?及其实?价值。1.3数据、算法、算??益成熟，为??智能发展提供富饶的?壤作为??智能的三?要素，数据、算法、算??撑起其核?技术的应?，在不同阶段发挥各?的作?，缺?不可。数据、算法、算??态条件?益成熟，??智能发展将迎来新?轮的战略机遇。1.3.1多?技术融合带来数据井喷，未来五年数据市场将持续增?随着多种新兴技术产业的快速发展，数据总量呈现海量聚集爆发式增?。2019年，5G的部署以及物联?的进?步发展，数据的增?速度将越来越快。据IDC统计，世界领先的互联?公司?数据量已达到上千PB，传统?业?头型企业数据量也能达到PB级，个?也能够产?数千TB数据。这些类型丰富、场景各异的数据资源为??智能系统?主学习并建?预测模型提供了丰沃的?壤。除了使?实际数据，未来??智能系统还将越来越多的使??量模拟数据?于模型训练，这也将使得??智能模型的开发速度?幅升。1.3.3算?是??智能发展的基础保障，未来仍有很?的发展空间海量的数据每时每刻都在产?，新的数据正以前所未有的速度和?式存储下来，数据不再是问题；算法经历了数?年的发展，在深度学习和加速计算出现之后，得到了迅速的发展和优化，以最新的MegatronLM语?模型为例，该模型包含了接近百亿个参数，在NLP领域取得突破性进展的同时，给算?也提出了巨?的挑战，算?已经成为承载和推动??智能?向实际应?的基础平台和决定性?量。可以预?，未来随着数据持续爆炸性增?以及算法的不断演进，算?仍有很?的发展空间。
2018年5?欧盟颁布了《?般数据保护条例》
（General Data Protection Regulation，简称
GDPR），该项法规中明确规定了对于个?数据
的定义以及保护规定，???智能的发展?是基
于?量数据来推进。短期看来GDPR为??智能
的发展增加了?些阻?，但这?法规也为??智
能的发展和应?提供了?个良好的环境和有效的
法律监管。相对??，数据保护规范对于智能
?箱、智能?标等AI产业化衍?的针对个?消费者的市场影响较?，?对于??智能在传统?业的渗透影响相对较?，例如制造业。未来中国在数据保护??也将?趋严格，对于企业来说即是机遇?是挑战，中国的企业需要提前布局，有效
规避?险，在转变的过程中获得先机。数据保护
条例会让数据的获取和处理变得更加困难，企业
需要投?更多的??、资?和时间，对于中?企
业来说也是?项巨?的挑战。
1.3.2??智能算法迅速发展，为其应?带来?限可能??智能的算法从上世纪50年代开始，从机器学习到深度学习，经过数?年的不断演进，已经可以满?越来越多的场景需求。通过与垂直?业相结合，新算法层出不穷，向更细化发展，??智能应?的主要?业如互联?、政府对于算法的研究投?也在逐年增加，推动了算法与其应?的结合。计算机视觉（CV）和?然语?处理（NLP）都
需要结合?量的算法，?前，CV的发展已?较
成熟，?NLP因为更注重感知之后的认知，如何
处理?然语?理解、发?、噪??扰等难题，
使其过去的发展相对较为缓慢。最近?年，NLP
领域取得了重要突破，2018年底，?歌发布了
BERT模型，打破了当时?余项NLP测试记录，
?就在不久前，英伟达发布了更?的
MegatronLM语?模型，这些重要的突破为NLP
的应?带来了更加?阔的发展前景，例如医疗
?业的智能诊断，教育?业的语?能?管理，
以及办公?动化、服务机器?、智能法庭、多
语种/??的机器翻译等等。
7
图1
中国人工智能基础架构生态图谱AI算?
供商
应?
提供
商
芯?
提供
商
（AI服务器）
来源：IDC，2019
中国??智能算?及
应?的发展现状
2.1算?基础架构的发展
算?，作为??智能发展进步的基础保障,其发展进步将对??智能技术的进步和?业应?起到根本性的作?。IDC从算?
基础架构层?，重点研究和考量芯?、服务器、边缘设备、AIaaS和主流框架等?个??的发展及变化，旨在了解2019-
2020年算?的?新和进步，下?就此进?逐?分析：
2.1.1预计2022年，推理市场占?将超过训练，芯?市场将迎来多元化发展
算法，数据和算?是??智能的三?要素，其中数据的获取以及处理的难度在慢慢下降，算法也在多种深度学习
的框架上不断优化。因此，市场将?光聚焦在将数据和算法协调起来的芯?上。?前，??智能芯??致可分为
以下?类：
8
按照?作负载，??智能芯?可以分为训练芯?和推理芯?，训练是指在已有数据中学习，获得某些能?的过程，对计算的精度要求较?，它直接影响推断的准确度。这就要训练芯?有强?的单芯?计算能?，?前GPU芯?更适合?于训练负载。?推理过程则是指对新的数据，使?这些能?完成特定任务（?如分类、识别等）。9
IDC认为，未来??智能市场，推理环
节将超过训练环节，根据预测，到2022
年推理的市场占?将超过训练，推理类
芯?将是未来最?的潜在市场，也是?
?智能芯?市场的决胜点之?。
2017201820192020202120222023
Training Inference
图2推理和训练市场占比预测
来源：IDC，2019
GPU芯?（Graphics Processing Unit）GPU芯?是基于?吞吐?设计的，拥有
?个由数以千计的更?、更?效的核?组成的?规模并?计算架构。GPU芯?是
单指令、多数据处理，采?数量众多的计算单元和超?的流?线，主要处理图像
领域的运算加速。?前，??智能芯?市场相对?较集中，短期看CPU+GPU芯?
的架构将继续占有领导地位。
FPGA芯?（Field?Programmable Gate Array）FPGA适?于多指令，单数据
流的分析，与GPU相反，因此常?于预测阶段，如云端。FPGA是?硬件实现软件算
法，因此在实现复杂算法??有?定的难度，缺点是价格?较?，其优势为灵活性
强。经常?做ASIC芯?的?批量替代品，近年来也在微软和百度等公司的数据中?
?规模部署，以提供强?的计算?和?够的灵活性。
ASIC芯?（Application Specific Integrated Circuit）ASIC是为实现特定场景
应?要求时，?定制的专?AI芯?。除了不能扩展以外，在功耗、可靠性、体积??
都有优势，尤其在低功耗的移动设备端。但由于该类芯?灵活性相对较差，所以在AI
市场的应?还不够?泛。基于以上优势，ASIC芯?更多的?于端或边缘侧。
?前，??智能领域的主流芯?依然是GPU芯?，其中英伟达和AMD是?较突出的两??商。英伟达的优势在于矩阵运算，先后推出了Pascal GPU和Volta架构；AMD作为GPU的另???商，也推出Radeon Instinct系列，预计将?于数据中?等??智能基础设施上。FPGA经常?做ASIC芯?的?批量替代品，近年来在微软和百度等公司的数据中?有部署，以提供强?的计算?和?够的灵活性。?前市场上应??较多的是Xilinx和Intel两??商。ASIC芯?是针对专?应??特别设计的，所以可以满?体积?，功耗低，保密性强，计算效率?等??需求，并且出货量越?其成本越低。?前，国内主要的ASIC芯?供应商，国内有寒武纪、地平线、华为等，国外有Graphcore等。
IDC预测，??智能芯?的市场将保持?速增?，未来五年复合增?率将达到53.0%。GPU依然是
数据中?加速的?选，随着??智能在边缘推理端的?泛应?，ASIC芯?的市占率将有所增?。
同时，针对不同的领域、?业及应?场景的不同需求，芯?种类将越来越丰富，这也决定了未来
的??智能芯?市场将出现百花?放的局?。
2.1.2未来五年，中国??智能服务器市场复合增?率将超过30%，增速达到中国整体服务器市场增
速的三倍
??智能市场的爆发带动??智能服务器的发展驶?了快?道，服务器?商相继推出搭载GPU、FPGA等多种加速
类型专??向??智能?作负载的??智能服务器，适?于深度学习、计算机视觉、语?识别、?然语?处理、
视频分析等领域，?泛应?于视频监控、图像处理、?动化客服、精准营销推荐等典型AI应?场景。另外，?些?
商也推出了专?的GPU?体机，如英伟达的DGX系列服务器和浪潮的AGX系列服务器。
??智能服务器采?异构架构进?加速计算，可以分为CPU+GPU、CPU+FPGA、CPU+ASIC等多种形式。和传统服务器
相?，??智能服务器在组件上，如内存模块、存储模块、?络模块与传统服务器差别不?，主要的提升为?持更?
容量的内存满?当下实时负载增加的需求，提供更多外置硬盘插槽，并?泛?持NVME∕PCIE等协议，满?数据洪流需
求。除此之外，各??商也在不断完善并发展新的互联协议，例如英伟达推出的可实现GPU之间互联的NVLink协议，
以及Intel推出的?速互联的CXL协议。尽管??智能服务器可以采?多种异构形式，但?前市场上?泛应?的还是
CPU+GPU架构的服务器，随着摩尔定律失效，CPU的物理?艺和核?数已接近极限，在万物皆AI的时代下，数据总量
呈指数级增?，仅由CPU提供算?的传统服务器很难满?这种密集型计算的需求，??前CPU+GPU架构恰好能很好的
解决算?的问题，GPU的并?计算能?适?于??智能起步阶段的?数据量的训练，擅?处理密集型运算应?；另外
??智能推理通常需要实时进?，并且需要强?的处理性能。
未来??智能将会是传统企业数字化转型的关键，到2023年全球35%的员?将开始使?机器?或其他形式的??
智能。随着??智能推理与各?业的深度融合，搭载各类??智能加速卡的服务器将会层出不穷。IDC预计，?于
??智能?作负载的服务器是全球及中国服务器市场中迅速增?的?部分，全球??智能基础设施市场规模2018
年达到67亿美元，同?增?46.0%，?在2023年将达到229亿美元，未来五年复合增?率为27.9%；中国??智能
基础架构市场在2018年约为19亿美元，2023年将达到83亿美元，未来五年复合增?率为33.8%，其中，服务器市
场规模占整个硬件市场85%以上。2018年GPU服务器继续保持?速增?，销售额同?增?131.2%，仍然是??智10
能服务器的主流。其中16卡GPU服务器增?迅速，销售额从2017年的2090万美元增?到2018年的2.63亿美元，同?增速?达1161.7%，在GPU服务器整体份额中的?例从2017年的3.7%增??2018年的20.2%，浪潮在这?细分市场占?最?，份额接近8成。另外，GPU中的M4
、P4、T4型号销售额从2017年的4810万美元，增?到2018年的3.6亿美元，在整个GPU的份
额占?从8.5%提升到27.6%。同时，2018年FPGA销售额达到1300万美元，同??幅增?了
1736.1%，这?趋势表明，中国??智能已逐渐步??规模应?阶段，产业AI化进程正不断
加速。从供应商来看，中国本?供应商占据了?部分国内的市场份额，2018年中国GPU服务
器市场份额排名前三的供应商依次为浪潮、华为和曙光，其中浪潮占?超过50%。浪潮凭借
较早的进???智能领域，通过JDM模式与领先互联?公司进?深?合作，在中国互联??
业，浪潮GPU服务器市场份额超过60%，并不断向传统?业渗透。
2.1.35G和物联?推动边缘、端侧??智能快速发展，性能、灵活性和能效将成为?
?未来重点考量因素
随着5G和物联?的发展，传感器、摄像头等终端设备产?了空前规模的数据量，虽然核?数
据中?对于数据分析、机器学习和??智能算法的开发?关重要，但越来越需要将智能靠近
边缘端以便及时做出决策，“核?计算”向“边缘计算”转化的过程中，将会激发边缘IT基
础设施的进?步发展。
边缘位于终端和核?之间，IDC?将边缘分为轻边缘和重边缘，轻边缘?于特定功能，例如控
制，数据采集和传输的低功耗计算平台，有时也需要提供分析功能，例如?载计算平台等；
重边缘相?轻边缘更靠近核?层，是集成的计算平台，常?部署于?型数据中?，主要提供
IT功能，有时也会集成OT功能。同时，专??向边缘计算和5G?作负载的边缘计算服务器应
运??，具有在极端边缘部署环境中抗?温、防尘、防腐蚀、电磁兼容、抗震等特性，适?
于图像识别、视频监控等边缘AI应?场景，以及物联?、MEC、NFV等5G应?场景。
11
尽管?前??智能摄像头的渗透率较低，?约只有2%的摄像头配置了??智能加速芯?，但年复合增?率?达42.0%，远快于摄像头市场13.9%的平均增速，同时，智能摄像头对于加速芯?的性能要求也会逐年提升。
物联?终端设备以摄像头为例，全球范围内有数以亿计的摄像
头，每天都在产?EB级的数据，其中，中国在全球占?最?。
随着??智能技术的迅速发展，智能摄像头在智慧城市（异常
?为识别、?群异常聚集识别、交通红绿灯配时优化等），制
造（机器视觉质检）等领域被?泛应?，以应对海量的图?和
视频数据处理。?前，36%的中国??正在使?边缘计算设备来分析物联?数
据，领先的服务器?商已经开始布局边缘计算平台。另外，5G
即将商?也将极?推动边缘计算的?规模部署，对于5G?带宽、
低时延、本地化的业务特性，?量的业务需求将发?在边缘场景，
中国的电信运营商也将积极推进MEC边缘云的建设。IDC预计未来
边缘数据中?将会分担部分核?数据中?和端侧功能，与云?起
构建融合计算、存储和?络功能的边缘能?，承载边缘产?的数
据计算、分析等需求，充分释放与?俱增的算?的潜?。
2.1.5软件框架市场逐渐呈现双???之势，并向标准化发展；TensorFlow依然占据主导地位，PyTorch 将从优势领域突破，未来的竞争格局更加激烈
?前，主要的软件框架包括TensorFlow,PyTorch,Caffe,MXNet,CNTK,Theano,PaddlePaddle等，其中被应?最?泛的是TensorFlow和PyTorch。TensorFlow功能全?，可被?于语?识别或图像识别等机器学习和深度学习领域，具有?泛的兼容性和完备的?态系统，?前依然是??接受度最?的主流框架；PyTorch是基于Python语?的?于深度学习计算包，包含?量机器学习、计算机视觉、并?计算、图像、视频处理的库，?常灵活和快速，并且能实现在GPU上的计算优化。从发展趋势来看，软件框架逐渐向标准化发展，例如?歌也开始在TensorFlow最新版本中也提供了动态图?持，增加了易?性；?Facebook将PyTorch和Caffe2的优点整合到?起，?幅增加了其性能，实现了平稳过渡；百度的深度学习开源平台PaddlePaddle是国内?主开发软件框架的代表，其最?的特点就是易?性并?持?业级应?，随着中国对深度学习框架的逐年重视，百度的PaddlePaddle需要建?更完备的?态，未来依然有很?的发展潜?。12
近年来，企业IT基础架构的部署模式已经发?了显著的变化。企业
从传统采购服务器、存储和?络等硬件和软件及服务加速向公有云
上迁移，相应从AI的能?来看，企业也逐步开始向公有云服务供应
商采购云上GPU和FPGA等计算能?以及AI能?的AIaaS服务。AI与
云的融合是必然趋势，AI将会以公有云服务的形式使企业能够轻松
在云上获取AI能?从?有效的访问和使?AI技术。
AIaaS发展潜?巨?，也将成为推动云计算市场发展的最主要动?之?。
IDC预计，未来五年，AIaaS市场规模的年复合增?率将为66.0%，将成为推动云计算市场增?的重要细分领域。AIaaS的发展与AI?态的发展息息相关，在过去?年随着AI在数据、算法和算?的?益成熟，?业应?更加丰富，以及AI产业链各个?商的贡献，尤其是以云服务商为代表的的软件平台型?商在AI平台和技术上的投?与创新，使得AIaaS应?场景更加丰富和成熟。
AI?态中软件平台型?商是不可或缺的?类参与者，软件平台型?
商按照技术分类可以分为通?机器学习平台、可分为通?机器学习
平台、?然语?处理类、计算机视觉类、知识图谱类?商。平台型
?商提供包含了训练好的模型的通?技术平台，可以?向应?场景
提供推理服务。云服务商是典型的软件平台型?商，以阿?云、百
度云、腾讯云、AWS等为代表的云服务商提供包括GPU和FPGA的
云服务器实例，以及语?语义、计算机视觉、?然语?处理、知识
图谱、深度学习等丰富的AIaaS服务，同时提供?向?融、政府、
制造、零售、教育、交通、医疗等?业AI解决?案。
2.1.4??智能与云的融合将进?步加速，未来五年，AIaaS市场规模的年复合增?率为66.0%，将成为推动云计算市场增?的重要细分领域
?前?部分中国的企业已经开始采?机器学
习的数据科学平台，其中互联?和?融?业
的使?率最?；被使?最多的开发语?是
Python和Java，?部分企业在使?阿?云的
PAI以及百度的Infinite平台，其中阿?PAI被
普遍认为灵活性更?，百度的数据科学平台在性能上被更多??认可
随着算?的提?，越来越多的企业和开源组织参与到
??智能开源软件的研发中，新的软件平台正在不断
进?市场。TensorFlow凭借性能及?态优势依然占
据主导地位，PyTorch凭借其灵活性和增强的性能，
具有更?的增?潜?；百度的深度学习开源平台
PaddlePaddle是国内?主开发软件框架的代表。未
来，软件框架所包含的算法更加复杂，对算?的要求
将不断提?。
越来越多的??智能领军企业参与到?业性能评测基准建设中，各类基准将持续创新完善
在??智能技术领域的研究中，业界持续推进Benchmark（基准测试）来对系统、算法和硬件进?研究以评估深度学习的性能。AI领域
Benchmark可以分为云端AI和移动端AI，其中云端AI的Benchmark，针对深度学习核?的训练和推理两个环节，有着不同的评判体系。
?前业界主流的AI Benchmark有DAWNBench、MLPerf等基准。DAWNBench由斯坦福提出，是?种?于端到端深度学习训练和推理的基准套件，
它提供了?组常?的深度学习?作负载，?于在不同的优化策略、模型架构、软件框架、云和硬件上量化训练时间、训练成本、推理延迟和推理成
本。MLPerf由?歌、Intel、NVIDIA、AMD、浪潮、阿?、百度、哈佛、斯坦福等产学界机构组成，MLPerf是衡量机器学习软件框架（如TensorFlow、PyTorch和MXnet）、机器学习硬件平台（包括Google TPU、Intel CPU和Nvidia GPU）和机器学习云平台中训练和推理性能的?个
?泛的基准套件。除此之外，中国??智能?业领军企业也开始积极推进?业基准建设，如SPEC于2019年设?SPEC Machine Learning技术委员会
，由发起者浪潮担任?任主席，Intel担任秘书?，成员包括浪潮、Intel、Alibaba、AMD、ARM、HPE、IBM等12家企业，涵盖了从芯?、整机、
框架、应?等不同产业环节的领先企业和科研机构，以推进机器学习测试标准；另外，阿?巴巴发布的AI Matrix基准，?于阿?内部的芯?设计和
技术选型，同时也?向开发者开放?部分能?。
客观和完善的基准测试可以给AI产业带来活?，同时推进AI技术的?泛应?。但总的来说业界?前仍缺少统?的基准，?多数现有的深度学习性能
基准相对单?。随着??智能框架不断优化，模型不断迭代以及算法不断更新，各类基准也将进?持续的创新、完善、和升级与之适应。
13
14力
能
如
测的解熟和得到广泛应用的时。
图3
20202025互联网71.911.2
13.6
7.9
17.510.8
8.515.4金融零售制造电信教育
智慧城市医疗
15
人工智能经过数十年的发展，已经从实验室阶段到进化到AI产业，领先的人工智能、互联网公司相继推出人工智能产品，例如智能音箱。2019年，智能音箱的市场得到飞速发展，根据IDC报道，2019年第一季度智能音箱市场出货量达到1122万
台，同比增长787.2%，家庭普及率已经和PC、智能电视等产品相当，且未来发展空间巨大。
随着应用场景的不断成熟，人工智能也正逐渐渗透到各行各业，中国人工智能产业AI化将迎来高速发展，IDC预测，未来五年人工智能市场复合增长率将达到44.9%，整体规模将达到175亿美金，其中互联网、政府和金融依然是市场的主
导。目前，中国较为成熟的应用场景包括生物识别、欺诈分析与调查、智能客服、公共安全等。生物识别包括金融行业的身份验证、支付过程中的人脸识别等，该应用场景已经被广泛应用；欺诈分析与调查是指系统利用机器学习自动识别出隐含欺诈行为或存在高欺诈风险的交易活动，该应用的关键在于海量数据相关性分析技术，目前已有诸多银行开始使用；智能客服通过语言或文本学习来了解客户需求并为客户提供服务，降低企业的时间和资源成本，该应用场景主要服务于互联网、金融、电信等行业；公共安全及预警采用图像识别技术追踪视频监控中的可疑人员及行为，实时监控公共场所的安全状态，并利用知识图谱等技术提高政府公共安全部门的紧急事件响应能力，同时达到预防和减少犯罪的效果，维护社会安全。除此之外，基于计算机视觉的内容鉴定和基于数据挖掘的智能推荐和精准营销应用也已经被互联网行业广泛采用。图42023年中国人工智能产业投资额（美元）
来源：IDC中国人工智能基础架构市场跟踪报告，2019H1
市场时间
发展潜力
16
?
预计在2025年之后被?泛应?的场景包括?动驾驶、智能诊断、?适应学习等：
IDC预测，在2020年-2025年，有望得到?泛使?的应?场景包括制造业领域的IT?动化、QC?动化、ERP?动化；零售业的?动结账、客流分析、商品稽核；电信?业的智能?络、智能服务等。
IT?动化是指在IT系统上嵌?机器学习功能，使之能够?我运?并调节，实现?常软件维护?作
的?动化。?动化引擎可以为IT系统制定决策并执?任务，?些?型的企业已经在?数据平台上
部署了应?，随着机器学习的普及和渗透，预计2-3年内将有更多企业实施IT?动化项?；
智能质量管理系统（QC?动化）能够察觉制造流程中可能影响产品质量的规格变化，预测规格的
异常波动，并确保?产过程保持在质量?标之内；
另外，??智能系统通过理解图?、?本、语?等数据，连接不同的?作流程，在未来5年之内
可以实现智能流程?动化（ERP?动化）。典型的场景有发票报销、保险核保理赔等流程的?动化，该类应?不但能够提升??体验，更能为企业带来显著的运营效率提升。
?动驾驶的概念在很早便提出，?于仓储物流的?动驾驶有望在短期内实现，部分领先的电商已开
始部署；?于农业以及?于机场、建筑?地、度假区等封闭场所的?动驾驶?辆，因为场景单?，移动
相对缓慢，也有望在短期内被使?。随着技术进?步发展，更多?动驾驶场景将得以实现，如使?专?
?驶路线的公共交通?动驾驶，杭州已经在进?相关建设。但是?动驾驶要达到允许在任何时间，任何
开放道路上都可以?驶的最终?标还有很?的路要?；
?于医疗?业的智能诊断从不同的数据集（包括医疗记录、实验室测试数据、临床研究和医学影
像等）中提取关键信息，采?语义理解、图像分析技术等辅助患者诊断，或者提供个性化治疗?
案。智能诊断已经在肺结节、眼底病变等领域采?，?要实现完全辅助临床决策，同样还需要较
??段时间。
2.3?态是跨越鸿沟的必经之路
通过本次调研我们看到，?部分?业??对于??智能采取了开放的?态，但是未来的挑战在于如何快速建??
?智能的应?。传统企业的IT供应商不具备??智能技术的优势，???智能技术的开发者对于垂直?业?没有很
强的耦合?。算?虽然提供了前进的源动?，但??智能在产业的渗透最终还需要可供??的公路。?前，中国已经
有部分领军企业开始推动??智能?态的建?，例如前?提到的阿?和百度等互联?企业，通过在公有云上提供AI服
务来帮助企业解决应?落地的问题。在本地环境，也有浪潮等??智能领先企业在推动?态的建设，浪潮提出的“元
脑”?态，包含??智能算?、算法框架和服务，拉通?业??、扎根?业的SV、SI，以及??智能开发者，提供?
向场景的整体解决?案。未来，基于?态的创新变得?益重要，如何构建产业?态，为更多上下游供应商提供整合的
平台，为最终??输出理想的解决?案在未来也变得?关重要。
2019年，在算?+?态的推动下，??智能正加速在各个传统?业的渗透，企业应该提前制
17
中国??智能
算?发展评估
IDC从宏观经济、技术成熟度、劳动供给三个维度对??智能算?的发展?平和未来发展潜?进?评估，重点考量了包括经济状况、基础架构、第三平台、?员?平等核?因素。这些因素对本次评估的定性和定量部分?关重要。如下表所?：
18
宏观经济
技术成熟度
劳动供给
19
3.2评估结果分析
3.2.1中国??智能市场未来五年将持续保持?增?率，硬件市场规模占?将持续在50%以上
IDC将??智能市场按技术类别分成硬件、软件和服务，未来5年中国??智能市场总体规模将继续保持?增?率，年复合增?率将达到44.9%并超过170亿美?。在整个??智能市场中，硬件市场规模异常突出，IDC预测，2023年??智能硬件市场将达到83亿美?。???原因是中国市场投资新兴技术时倾向于?先投资硬件，另???原因是在??智能模型的训练及预测市场中，以图形处理器（GPU）为代表的异构服务器价格远?于CPU，IDC预计在2021年之前，??智能硬件市场规模占?都将在50%以上，其中，服务器市场规模占整个硬件市场85%以上。
服务软件硬件总体GAGR 总体
GR
04k
8k
12k
16k
2k
6k
10k
14k
18k
20k
34.2%
23.4%02k
4k
6k 8k 1k 3k 5k
7k
20
图5中国人工智能整体市场规模及预测，2018-2023
数据来源：IDC 2019数据来源：IDC 2019
图6中国人工智能服务器市场规模及预测，2018-2023
服务器服务器GAGR 服务器GR $M
213.2.2??接受度相?去年有较?提?，未来投资计划也随之增?
根据IDC调研结果显?，2019年中国??智能的市场接受度从2017年的10%提升到45%，同时，82%未使???智能的企业计划在未来1-2年内部署，?部分正在采???智能的企业计划在未来两年增加?少?倍的部署投资，??智能市场未来两年仍将保持?速增?。另外我们看到，企业部署??智能最主要的原因是希望通过采???智能来缩短流程所需时间、降低??需求以及降低企业总成本，除此之外，还有提??产效率、提?资产利?率等主要原因。通过越多越多的??智能场景被采?并验证，??对??智能带来的的巨?收益有了更
深的认知，并希望通过??智能技术更有效的实现企业?标。
25%35%45%55%65%75%85%74%68%
58%
52%
36%
缩短流程时间
降低??需求降低成本提?员??产效率提?资产利?率
从加速?式来看，超过50%的??选择采?CPU+GPU的加速?案，其中互联???相?其他?业更多
的采?；CPU+FPGA的加速?案在政府、?融和服务?业被较多采?。?前，只有不到10%的??选
择CPU+ASIC的加速?案。另外，企业认为??智能加速?案最重要的三个因素分别是：计算能?、可
扩展性和稳定性。
数据来源：IDC 2019中国人工智能用户市场调研，N=200数据来源：IDC 2019中国人工智能用户市场调研，N=200
图7
如果您目前还没有采用过人工智能，您计划
什么时间采用？图8您认为采用人工智能会给您的企业带来哪些价值？
人工智能习题&答案-第4章-计算智能1-神经计算-模糊计算
第四章计算智能（1）：神经计算模糊计算4-1 计算智能的含义是什么？它涉及哪些研究分支？ 贝兹德克认为计算智能取决于制造者提供的数值数据，而不依赖于知识。计算智能是智力的低层认知。 主要的研究领域为神经计算，模糊计算，进化计算，人工生命。 4-2 试述计算智能（CI）、人工智能（AI）和生物智能（BI）的关系。 计算智能是智力的低层认知，主要取决于数值数据而不依赖于知识。人工智能是在计算智能的基础上引入知识而产生的智力中层认知。生物智能，尤其是人类智能，则是最高层的智能。即CI包含AI包含BI 4-3 人工神经网络为什么具有诱人的发展前景和潜在的广泛应用领域？ 人工神经网络具有如下至关重要的特性： (1) 并行分布处理 适于实时和动态处理 (2)非线性映射 给处理非线性问题带来新的希望 (3) 通过训练进行学习 一个经过适当训练的神经网络具有归纳全部数据的能力，能够解决那些由数学模型或描述规则难以处理的问题 (4) 适应与集成 神经网络的强适应和信息融合能力使得它可以同时输入大量不同的控制信号，实现信息集成和融合，适于复杂，大规模和多变量系统 (5) 硬件实现 一些超大规模集成是电路实现硬件已经问世，使得神经网络成为具有快速和大规模处理能力的网络。 4-4 简述生物神经元及人工神经网络的结构和主要学习算法。
生物神经元 大多数神经元由一个细胞体(cell body或soma)和突(process)两部分组成。突分两类，即轴突(axon)和树突(dendrite)，轴突是个突出部分，长度可达1m，把本神经元的输出发送至其它相连接的神经元。树突也是突出部分，但一般较短，且分枝很多，与其它神经元的轴突相连，以接收来自其它神经元的生物信号。 轴突的末端与树突进行信号传递的界面称为突触(synapse)，通过突触向其它神经元发送信息。对某些突触的刺激促使神经元触发(fire)。只有神经元所有输入的总效应达到阈值电平，它才能开始工作。此时，神经元就产生一个全强度的输出窄脉冲，从细胞体经轴突进入轴突分枝。这时的神经元就称为被触发。突触把经过一个神经元轴突的脉冲转化为下一个神经元的兴奋或抑制。学习就发生在突触附近。 每个人脑大约含有10^11-10^12个神经元，每一神经元又约有10^3-10^4个突触。神经元通过突触形成的网络，传递神经元间的兴奋与抑制。大脑的全部神经元构成极其复杂的拓扑网络群体，用于实现记忆与思维。 人工神经网络的结构 人工神经网络由神经元模型构成。每个神经元具有单一输出，并且能够与其它神经元连接，存在许多输出连接方法，每种连接方法对应于一个连接权系数。 人工神经网络的结构分为2类， (1)递归(反馈)网络 有些神经元的输出被反馈至同层或前层神经元。信号能够从正向和反向流通。Hopfield网络，Elmman网络和Jordan网络是代表。 (2) 前馈网络 具有递阶分层结构，由一些同层神经元间不存在互连的层级组成。从输入层至输出层的信号通过单向连接流通，神经元从一层连接至下一层，不存在同层神经元之间的连接。多层感知器(MLP)，学习矢量量化网络(LVQ)，小脑模型连接控制网络(CMAC)和数据处理方法网络(GMDH)是代表。 人工神经网络的主要学习算法 (1) 指导式(有师)学习 根据期望和实际的网络输出之间的差来调整神经元连接的强度或权。包括Delta规则，广义Delta规则，反向传播算法及LVQ算法。 (2) 非指导(无导师)学习 训练过程中，神经网络能自动地适应连接权，以便按相似特征把输入模式分组聚集。包括
2018年中国人工智能产业白皮书
２０１８年中国人工智能产业白皮书
册子 / 报告标题|章节标题 目录 主要发现 1第一章人工智能行业综述篇 3 1.1 全球及中国发展概况 4 1.1.1 全球市场 4 1.1.2 发展驱动力 6 1.1.3 面临挑战 11 1.2 人工智能产业链 12 1.2.1 基础层 13 1.2.2 技术层 14 1.2.3 应用层 16 1.3 中国人工智能领域投资 17 1.3.1 投资热点及趋势 17 1.3.2 进击的巨头 19第二章人工智能商业化应用篇 21 2.1 数字政府：政策利好加速政府智能化变革 23 2.2 金融：人工智能变革金融经营全过程 26 2.3 汽车：人工智能正在重塑汽车产业生态 30 2.4 医疗：人工智能加速医疗技术革新 34 2.5 零售：人工智能应用从个别走向聚合 38 2.6 制造业：人工智能应用潜力被低估 44第三章中国主要人工智能产业发展区域及定位 47 3.1 中国人工智能企业分布重点城市 48 3.2 人工智能产业园 57 3.3 杭州未来科技城人工智能发展建议 59 02
册子 / 报告标题|章节标题主要发现 1. 中国人工智能产业发展迅速，但整体实力仍落后于美国。中国已成为人工 智能发展最迅速的国家之一，2018年中国人工智能市场规模有望超过300亿 元人民币。人工智能企业数量超过1000家，位列全球第二。本次人工智能浪 潮以从实验室走向商业化为特征，其发展驱动力主要来自计算力的显著提升、 多方位的政策支持、大规模多频次的投资以及逐渐清晰的用户需求。与此同 时，中国处于人工智能发展初期，基础研究、芯片、人才方面的多项关键指标 与美国差距较大。 2. 中国企业价值链布局侧重技术层和应用层，对需要长周期的基础层关注 度较小。人工智能产业链分为基础层（芯片、算法框架）、技术层（计算机视 觉、自然语义理解、语音识别、机器学习）和应用层（垂直行业/精确场景）。中 国企业布局比较偏好技术相对成熟、应用场景清晰的领域，对基础层关注度 较小。瞄准AI专用芯片或将为中国企业另辟蹊径。 3. 科技巨头生态链博弈正在展开，创业企业则积极发力垂直行业解决方案， 深耕巨头的数据洼地，打造护城河。科技巨头构建生态链，已经占据基础设 施和技术优势。创业企业仅靠技术输出将很难与巨头抗衡，更多的创业企业 将发力深耕巨头的数据洼地（金融、政府事务、医疗、交通、制造业等），切入 行业痛点，提供解决方案，探索商业模式。 4. 政府端是目前人工智能切入智慧政务和公共安全应用场景的主要渠道， 早期进入的企业逐步建立行业壁垒，未来需要解决数据割裂问题以获得长 足发展。各地政府的工作内容及目标有所差异，因而企业提供的解决方案并 非是完全标准化的，需要根据实际情况进行定制化服务。由于政府一般对于 合作企业要求较高，行业进入门槛提高，强者恒强趋势明显。 5. 人工智能在金融领域的应用最为深入，应用场景逐步由以交易安全为主 向变革金融经营全过程扩展。传统金融机构与科技企业进行合作推进人工 智能在金融行业的应用，改变了金融服务行业的规则，提升金融机构商业效 能，在向长尾客户提供定制化产品的同时降低金融风险。 6. 医疗行业人工智能应用发展快速，但急需建立标准化的人工智能产品市 场准入机制并加强医疗数据库的建设。人工智能的出现将帮助医疗行业解决 医疗资源的短缺和分配不均的众多民生问题。但由于关乎人的生命健康，医疗 又是一个受管制较严的行业。人工智能能否如预期广泛应用，还将取决于产 品商业化过程中如何制定医疗和数据监管标准。 03
2016年全球及中国人工智能产业发展分析报告
2016年2月出版
正文目录 1、人工智能是利用人工计算实现人类智能 (4) 1.1、本质：人工智能的本质是对人类智能的模拟甚至超越 (4) 1.2、原理：利用一系列算法驱动电脉冲模拟人脑神经元的运作过程 (5) 2、全球人工智能千亿市场爆发在即，AI+引领未来商业模式新风向 (6) 2.1、人工智能起源于上世纪50 年代，2006 年起进入加速发展的新阶段 (6) 2.2、发达国家火热布局，2040 年或有可能实现广义人工智能 (7) 2.2.1、欧盟：人脑工程项目（HBP） (8) 2.2.2、美国：大脑研究计划（BRAIN） (8) 2.2.3、日本：大脑研究计划（Brain/MINDS） (9) 2.3、下游应用需求迫切+上游技术基础成型，人工智能全球市场规模超千亿 (10) 2.3.1、下游应用需求倒逼、上游技术成型推动，人工智能技术加速发展 (10) 2.3.2、人工智能逐渐受到机构重视，2020 年全球市场规模超千亿 (11) 2.4、人工智能推动传统产业变革，AI+将成为未来普遍的商业模式 (13) 3、人工智能领域风云迭起，科技巨头雄霸天下 (14) 3.1、北美及西欧地区公司数量激增，科技巨头和初创企业是主要玩家 (14) 3.2、感知层技术领域竞争白热化，机器学习等空白蓝海已成大势所趋 (15) 3.3、投资+收购+顶级人才招聘、科技巨头动作频频上演实力争夺 (17) 4、2020年我国人工智能市场规模近百亿，有望实现弯道超车 (19) 4.1、受益四大利好因素，人工智能发展势头良好有望实现弯道超车 (19) 4.2、投资机构青睐有加，2020 年中国人工智能市场规模近百亿 (20) 4.3、感知智能试点阶段，预计我国将在5~10 年内实现感知智能全面普及 (22) 5、行业火爆：企业数量激增发展迅猛，机器人等是典型应用场景 (24) 5.1、巨头基础层切入引发技术革新，创业公司应用层进入带来产业升级 (24) 5.2、机器人、虚拟服务等是目前的典型应用场景，未来将进入各行各业 (26) 5.3、产业投资偏爱应用类企业，软件服务和机器视觉是热门细分领域 (29) 6、海外人工智能企业一览 (29) 6.1、人工智能基础平台领域：IBMWatson (29) 6.2、机器学习领域：Wise.io 实现高效大数据分析 (31) 6.3、语音识别和自然语言处理领域：Facebook、Apple、Microsoft (32) 6.4、图像识别领域：Clarifai 超越传统图像识别界限 (35) 6.5、预测分析领域：Google 云计算能力打造顶级预测API (35) 6.6、先发优势、技术实力、下游爆发潜力是人工智能企业的核心竞争力 (37) 7、我国人工智能投资机遇 (38) 7.1、投资逻辑：短期看好应用开发领域，长期技术研究是投资大势 (38) 7.2、主要公司分析 (39) 7.2.1、科大讯飞 (39) 7.2.2、东方网力 (40) 7.2.3、佳都科技 (41) 7.2.4、新松机器人 (42) 图表目录
2018-2019年中国人工智能计算力发展评估报告重磅发布
2018-2019年中国人工智能计算力发展评估报告重磅发布 进入21世纪，信息技术引领的第三次工业革命改变了人类的生产和生活的方式。借助信息技术，人类社会实现了人与人的连接、人与物的连接以及物与物的连接，同时也产生了海量数据。 当DT时代到来，数据成为企业新的固定资产，如何准确处理、分析和应用数据，使其成为新的生产力成为问题。借助人工智能，实现人与物两两之间关系的转变，成为破局关键。
在人工智能的三驾马车中，数据不是问题，算法历经数十余年发展已相对成熟。毫无疑问，算力决定着人工智能整体的发展状况，也是承载和推动人工智能走向实际应用的基础平台和决定性力量。 2017年7月8日，国务院《新一代人工智能发展规划》提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施，部署构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国。 时至今日，中国人工智能是怎样的发展现状，算力在场景、行业以及地域上又呈现何种态势？ 基于此，浪潮联合IDC共同研究发布《2018-2019 年中国人工智能计算力发展评估报告》，试图通过对中国人工智能市场的全面洞察与客户调研，客观全面的展现中国人工智能计算发展现状与趋势，并针对人工智能行业发展提出具体行动建议。 报告亮点： 1.人工智能将成为引领第四次工业革命的核心驱动力，2022年时中国的人工智能市场投资规模将超过百亿美元，未来五年复合增长率超过 59%，其中人工
智能基础架构硬件市场规模将超过千亿人民币。 2.人工智能的算力分布将呈现“二八法则”：早期阶段，80%的算力集中在训练场景；未来大规模应用阶段，80%的算力将集中在推理场景。 3.从行业维度上，人工智能行业应用情况与算力投资行业分布保持一致，互联网、政府、服务和金融行业是中国人工智能算力发展的领先行业；从地域维度上，人工智能算力分布呈现明显地域属性，地域人工智能热图和 TOP10 的城市排行榜显示，排在首位的并非北上广，而是杭州，合肥进入前五。 4.针对行业客户和人工智能解决方案提供商分别给出的行动建议。 进一步了解《2018-2019 年中国人工智能计算力发展评估报告》，请点此链接下载报告原文
第四章 计算智能1 人工智能课程 北京大学
第四章计算智能(1) 教学内容：本章讨论计算智能所涉及的领域和范围，计算智能的含义及它与传统的人工智能的区别。介绍人工神经网络的由来、特性、结构、模型和算法；神经网络的表示和推理。简要地介绍模糊数学的基本概念、运算法则、模糊逻辑推理和模糊判决等。 教学重点：计算智能；人工神经网络的结构、模型和算法，以及表示和推理。 教学难点：人工神经网络的结构、算法和推理；模糊数学的运算法则和模糊逻辑推理。 教学方法：课堂教学为主。适当提问，加深学生对概念的理解。 教学要求：通过对本章的学习，使学生掌握人工神经网络的结构、模型和算法，了解计算智能所涉及的领域和范围，了解人工神经网络的特性、表示和推理，了解模糊数学的基本概念、运算法则、模糊逻辑推理和模糊判决等。 4.1概述 教学内容：本节介绍计算智能所涉及的领域和范围，计算智能的含义及其与传统人工智能的区别。贝兹德克提出的“ABC”，及它与神经网络（NN）、模式识别（PR）和智能（I）之间的关系。 教学重点：计算智能的含义及其与传统的人工智能的区别。 教学难点：“ABC”及其与神经网络（NN）、模式识别（PR）和智能（I）之间的关系。 教学方法：课堂教学。 教学要求：掌握计算智能的含义，了解计算智能与传统的人工智能有何区别。了解贝兹德克提出的“ABC”及其与神经网络（NN）、模式识别（PR）和智能（I）之间的关系。 信息科学与生命科学的相互交叉、相互渗透和相互促进是现代科学技术发展的一个显著特点。 计算智能涉及神经网络、模糊逻辑、进化计算和人工生命等领域，它的研究和发展正是反映了当代科学技术多学科交叉与集成的重要发展趋势。
把神经网络（NN）归类于人工智能（AI）可能不大合适，而归类于计算智能（CI）更能说明问题实质。进化计算、人工生命和模糊逻辑系统的某些课题，也都归类于计算智能。 计算智能取决于制造者（manufacturers）提供的数值数据，不依赖于知识；另一方面，人工智能应用知识精品（knowledge tidbits）。人工神经网络应当称为计算神经网络。 第一个对计算智能的定义是由贝兹德克（Bezdek）于1992年提出的。 尽管计算智能与人工智能的界限并非十分明显，然而讨论它们的区别和关系是有益的。马克斯（Marks）在1993年提到计算智能与人工智能的区别，而贝兹德克则关心模式识别（PR与生物神经网络（BNN）、人工神经网络（ANN）和计算神经网络（CNN）的关系，以及模式识别与其它智能的关系。忽视ANN与CNN 的差别可能导致对模式识别中神经网络模型的混淆、误解、误表示和误用。 提问：计算智能与人工智能的区别和关系如何。 贝兹德克对这些相关术语给予一定的符号和简要说明或定义。 他给出有趣的ABC： A－Artificial，表示人工的（非生物的），即人造的 B－Biological，表示物理的＋化学的＋（？？）＝生物的 C－Computational，表示数学＋计算机 图4.1表示ABC及其与神经网络（NN）、模式识别（PR）和智能（I）之间的关系。
对人工智能的认识
人工智能 摘要：人工智能（Artificial Intelligence）是用人工的方法和技术模仿、延伸和扩展人的智能，实现某些“机器思维”，本文在阐述人工智能定义的基础上，具体介绍人工智能的应用技术。 关键词：人工智能；机器思维；符号智能 本学期我们学习了人工智能导论这门课，该课程主要研究如何用计算机模仿和实现人类的智能。人工智能是使计算机能够思维，使机器具有智力，能够在各类环境下像人一样自主的交互式的执行各种任务的一种综合性的技术。下面我将对我所认识的人工智能技术做一个简要的概述。 人工智能技术是包含符号智能、计算智能、集成智能和分布智能等在内的智能科学技术。它一方面用于建立人类智能模型，一方面用于建立智能（专家的）计算机系统。这两者之间既有联系，又不是同一回事，它如同研究鱼类游走与船只运行一样。计算机程序（语言）是建立人类思维过程理论最适宜的表达工具，就像各种微分方程式是物理学理论的表达语言一样。当计算机的程序把一个复杂符号系统的状态和时间轨迹描绘出来时，也正像一组微分方程式把物理理论过程描述出来一样，可以说是建立了一个符号系统的理论。从生物的观点来看，智能实际上是在生物的遗传、变异、生长以及外部环境的自然选择中产生的。在用进废退、优胜劣汰的过程中，适应度高的（头脑）结构被保存下来，智能水平随之提高。基于这种认识，我们采用数值计算的方法去模拟和实现人类的智能。通过神经计算、进化计算、模糊计算、免疫计算、DNA计算和人工生命构成计算智能系统。由于人本身的复杂性行为，需要使用某种已有的智能技术才能模拟，像一些低等动物如六脚爬行动物使用某种智能技术（如遗传算法）即可模拟其行走捕食等行为，对人行为的模拟再结合智能计算方法可以出现各种复杂的智能系统。在逻辑上和物理上协调各自的智能行为，实现人工智能问题的程序化求解。因此，计算机程序就具有了思维的能力。从这个观点来看待人类的思维模拟过程，计算机就可以模拟人类思维说明许多难以说清楚的现象，如直觉、顿悟和灵感等。人工智能方法需解决不完全信息处理、机器学习、复杂系统构造和自动化等方面的问题。为此，“现场人工智能”的概念被提出，强调研究人工智能问题，必须把它放在应用环境中，与环境交互作用，才能构造出实用化的系统。 人工智能是一门正在快速发展的年轻学科，它的研究和应用领域十分广泛，对其中的不少问题专家们还在深入研究，其前景诱人，但又任重而道远。 参考文献：王万森.人工智能原理及其应用.北京：电子工业出版社，2010 Artificial Intelligence Abstract: AI (Artificial Intelligence) is to use artificial methods and techniques to imitate , extension and expansion of human intelligence ,to achieve some of the “machine thinking” . In explaining the basis of the definition of artificial intelligence , it detailed analyses the application methods . Key words: Artificial Intelligence ；Machine Thought ；Symbol Smart
2019年中美人工智能产业分析报告
2019年中美人工智能产业分析报告 2019年8月
目录 一、走进人工智能新时代 (6) 1、人工智能是什么 (6) 2、中美两国引领全球人工智能发展 (8) 二、多角度对比中美人工智能投资 (11) 1、看规模，中国人工智能投资额已超过美国 (11) 2、看轮次，中国人工智能投融资更偏早期 (12) 3、看投向，中国重应用层而美国重基础层 (13) 三、人工智能带来新机会，中国有望从AI芯片突围 (18) 1、人工智能的发展加速芯片专用化进程 (18) 2、高端人才缺乏是中美AI芯片领域投资差异的最大原因 (21) （1）美国在芯片领域起步早，巨头众多，培养并积累了丰富的人才 (21) （2）美国芯片和互联网巨头众多，为资本退出提供更多选择 (22) （3）美国芯片产业链齐全，产业布局完整 (24) 3、换道超车，中国在AI芯片上可以有所作为 (25) （1）AI芯片处于发展早期，竞争格局未定 (25) （2）边缘AI芯片领域，广阔的应用场景为中国提供巨大机会 (28) （3）芯片自主可控呼声高涨，政策为芯片研发保驾护航 (28) 四、深入落地，计算机视觉仍有广阔的应用场景 (30) 1、计算机视觉是中国人工智能市场的最大组成部分 (30) 2、多重因素促成中美计算机视觉领域投资差异 (33) （1）安防千亿市场成为拉动中国计算机视觉发展的最大需求 (33) （2）我国计算机视觉技术领先，在数据方面占有优势 (35) （3）中国消费者对新技术接受度更高 (36)
3、对比美国，看好中国计算机视觉应用领域进一步拓宽 (37) （1）新零售 (38) （2）医疗影像 (38) （3）保险行业 (39) （4）工业制造 (39) 五、主要风险 (40) 1、人工智能芯片研发不及预期 (40) 2、计算机视觉技术发展不及预期 (40)
2020年中国人工智能产业发展分析报告
2020年中国人工智能产业发展分析报告
目录 一、对2020年形势的基本判断 (4) （一）从产业链建设看，人工智能数据、算法、算力生态条件日益成熟。 4 （二）从政策推动来看，全国各级地方将根据自身实际情况申报和落地人工智能创新应用先导区。 (6) （三）从投融资情况看，我国人工智能产业投资市场将关注易落地的底层技术公司。 (7) 二、需要关注的几个问题 (9) （一）我国人工智能领域的基础创新投入严重不足。 (9) （二）我国人工智能产业的算力算法核心基础相对薄弱。 (10) 三、应采取的对策建议 (13) （一）以算力为核心加强人工智能基础能力建设。 (13) （二）体系化梳理我国人工智能产业供应链现状。 (13) （三）推动国内人工智能企业加快开拓国内外应用市场并提升出海抗风险能力。 (14) （四）在国际社会上提出发展“负责任的人工智能”。 (14)
【内容提要】 2019年以来，中国人工智能产业发展迅猛，在产业链建设、政策推动、投融资发展上取得新进展，但也面临各种内外部压力和挑战。展望2020年，全国各级地方将根据自身实际情况申报和落地人工智能创新应用先导区，国内人工智能产业投融资将更关注落地前景好的底层技术公司，但产业整体面临的外部形势将更为严峻。需关注的问题有我国人工智能领域的基础创新投入严重不足，国内人工智能产业的算力算法基础相对薄弱，以算法战、深度伪造为代表的人工智能技术滥用给我国经济社会带来潜在负面影响等。基于上述分析，赛迪智库电子信息研究所提出，以算力为核心加强人工智能基础能力建设、体系化梳理我国人工智能产业供应链现状、加快开拓国内外应用市场并提升出海抗风险能力、发展“负责任的人工智能”等措施建议。 2019年人工智能数据、算法、算力生态条件日益成熟，我国人工智能产业发展将迎来新一轮战略机遇，智能芯片、智能无人机、智能网联汽车、智能机器人等细分产业，以及医疗健康、金融、供应链、交通、制造、家居、轨道交通等重点应用领域发展势头良好。展望2020年，全国各级地方将根据自身实际情况申报和落地人工智能创新应用先导区，国内人工智能产业投融资将更关注易落地的底层技术公司，但同时产业发展的外部形势将更为严峻，美国对我国人工智能产业的压制可能从上游元器件转向下游行业应用。
人工智能基础算法
一、粒子群算法 粒子群算法，也称粒子群优化算法(Particle Swarm Optimization )，缩写为PSO , 是近年来发展起来的一种新的进化算法((Evolu2tionary Algorithm - EA )。PSO 算法属于进化算法的一种，和遗传算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的交叉(Crossover)和变异(Mutation)操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。 优化问题是工业设计中经常遇到的问题，许多问题最后都可以归结为优化问题.为了解决各种各样的优化问题，人们提出了许多优化算法，比较著名的有爬山法、遗传算法等?优化问题有两个主要问题：一是要求寻找全局最小点，二是要求有较高的收敛速度.爬山法精度较高，但是易于陷入局部极小.遗传算法属于进化算法(EvolutionaryAlgorithms)的一种，它通过模仿自然界的选择与遗传的机理来寻找最优解.遗传算法有三个基本算子：选择、交叉和变异.但是遗传算法的编程实现比较复杂,首先需要对问题进行编码，找到最优解之后还需要对问题进行解码，另外三个算子的实现也有许多参数，如交叉率和变异率，并且这些参数的选择严重影响 解的品质，而目前这些参数的选择大部分是依靠经验.1995年Eberhart博士和kenn edy 博士提出了一种新的算法；粒子群优化(ParticalSwarmOptimizatio n-PSO) 算法.这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性. 粒子群优化(ParticalSwarmOptimization-PSO)算法是近年来发展起来的一种新的进化算法(Evolu2tionaryAlgorithm-EA).PSO 算法属于进化算法的一种,和遗传算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质.但是它比遗传算法规则更为简单,它没有遗传算法的交叉(Crossover) 和变异(Mutation)操作.它通过追随当前搜索到的最优值来寻找全局最优 二、遗传算法 遗传算法是计算数学中用于解决最佳化的，是进化算法的一种。进化算法最初是 借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法通常实现方式为一种模拟。对于一个最优化问题，一 定数量的候选解(称为个体)的抽象表示(称为染色体)的种群向更好的解进化。传统上，解用表示(即0和1的串)，但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体(基于它们的适应度)，通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。
基于GPU计算能力的人工智能
基于GPU计算能力的人工智能
伴随着人工智能新一波的爆发，图像识别等新技术的发展、GPU计算能力的提升，都对智慧城市进行了新阐释。AI技术如何重新定义城市、交通、乃至个人生活？AI技术如何真正在智慧城市或者是人工智能城市里面取得突破？ 在英伟达GTC 2017大会现场，商汤科技CEO徐立就此发表了相关看法。他认为，智慧城市是在整个城市服务水平的提升，我们理解的从工业城市到智慧城市的发展，是一个必然的趋势。徐立还提出了在AI城市中，可能出现的几个商业场景。 非常有幸有机会在这里跟大家分享商汤科技在智慧城市中应用的一点想法，讲到智慧城市，或者是人工智能城市，我们虽然做人工智能，人工智能城市到底是什么样的情况，也听了几位的演讲，还是挺有感触的，跟他们一直也交流在这一方面的心得，现在大家来看，人工智能对这个行业的影响和变革，其实还是非常大的。 从我们现在的思考，从这一波技术带来的变革，英伟达对整个行业的变化，现在进入了第四次工业革命的时代，包括说我们是大数据的变革，人工智能的变革，引领的是整个行业的产业升级。放到更高的维度来看的，我们可以看到其实人类发生了几次革命，农业革命带来的是农业城镇的建设和变化。再就是工业革命，形成的是物理的提升，有工业城市的建设。现在这一波是技术革命，包括数字，包括说数字化，包括说我们讲的大数据，还有现在的人工智能，必然会带来整个城市的升级。如果我们对智慧城市从这么一个角度来看，智慧城市其实是在整个城市服务水平的提升，我们理解的从工业城市到智慧城市的发展，是一个必然的趋势。 数据是智慧城市一个很核心的标准 讲到智慧城市，或者是AI City，我们也是处在一个比较模糊的状态，因为智慧城市的定义是随着时间变化而变化。刚才讲的安防摄像头，你要知道全世界的安防工作，每天都在使用。现在新兴楼宇有大量的数字
我国人工智能的发展战略是()
我国人工智能的发展战略是() 战略重点之一：建立完善的数据生态系统 海量数据是训练人工智能系统、吸引人才、加速创新的核心要素之一。中国可以通过建立并落实数据规范、向私营领域开放公共数据、鼓励跨国数据交流来构建一个更为完善的数据生态系统。 首先，建立数据标准是进行广泛数据分享和实现系统间交互操作的重要前提条件，有助于提升物联网及人工智能技术的价值。潜在的庞大数据体量是中国的天然优势，使中国有机会在国际上更好地发挥领头羊的作用。而且，在与中文语言相关的数据规范制定方面，中国也应起到主导作用。 对于特定行业数据，政府可要求现有的监管机构制定必要规则。比如美国证券交易委员会在2009年出台规定，要求所有上市公司使用XBRL(可扩展商业 报告语言)格式发布财报，确保所有公开数据的机器可读性。 其次，为了提升数据的多样性，政府应提高公共数据的开放程度，并带头建设行业数据库。这些举措同时能够提升公共服务质量、提供政策制定洞见，从而带来额外益处。比如纽约市政府就建立了公开数据门户网站，为市民提供经济发展、医疗、休闲、公共服务等领域的数据。 2012年纽约市还颁布了《开放数据法案》，要求政府部门使用机器可读取的数据并建立API(应用程序编程接口)，方便软件研发人员直接连接政府系统并获取数据。 最后，中国政府还需考虑国际数据流的价值。麦肯锡全球研究院的调查表明，2014年，跨境数据流为全球经济创造了2.8万亿美元的价值，对经济增长的贡献已经超过实体贸易。此外，研究还指出，由于经济体需要接触全球的思想、研究、科技、人才和最佳实践案例，数据流入和流出都能十分重要。 数据是未来的货币。例如在医学研究中，如果没有全球海量临床数据的支持，人工智能的潜力就无法得到充分挖掘。过多的桎梏将会束缚中国的人工智能企业，导致其丧失开发具有全球竞争力产品的能力。 战略重点之二：拓宽人工智能在传统行业的应用 只有当人工智能技术在中国真正普遍的应用于传统行业，而不仅仅属于科技巨头时，其经济潜力才会充分彰显。提升各行各业的生产力水平将创造巨大的价值，但中国首先需要克服重重障碍。
人工智能十大算法总结
5-1 简述机器学习十大算法的每个算法的核心思想、工作原理、适用 情况及优缺点等。 1）C4.5 算法： ID3 算法是以信息论为基础，以信息熵和信息增益度为衡量标准，从而实现对数据的归纳分类。ID3 算法计算每个属性的信息增益，并选取具有最高增益的属性作为给定的测试属性。C4.5 算法核心思想是ID3 算法，是ID3 算法的改进，改进方面有： 1）用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足； 2）在树构造过程中进行剪枝 3）能处理非离散的数据 4）能处理不完整的数据 C4.5 算法优点：产生的分类规则易于理解，准确率较高。 缺点： 1)在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。 2)C4.5 只适合于能够驻留于内存的数据集，当训练集大得无法在内存容纳时程序无法运行。 2）K means 算法： 是一个简单的聚类算法，把n 的对象根据他们的属性分为k 个分割，k < n。算法的核心就是要优化失真函数J,使其收敛到局部最小值但不是全局最小值。 其中N 为样本数，K 是簇数，rnk b 表示n 属于第k 个簇，uk 是第k 个中心点的值。 然后求出最优的uk 优点：算法速度很快 缺点是，分组的数目k 是一个输入参数，不合适的k 可能返回较差的结果。 3）朴素贝叶斯算法： 朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。算法的基础是概率问题，分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。朴素贝叶斯假设是约束 性很强的假设，假设特征条件独立， 但朴素贝叶斯算法简单，快速，具有较小的出错率。在朴素贝叶斯的应用中，主要研究了电子邮件过滤以及文本分类研究。 4)K 最近邻分类算法（KNN） 分类思想比较简单，从训练样本中找出K个与其最相近的样本，然后看这k个样本中哪个类别的样本多，则待判定的值（或说抽样）就属于这个类别。缺点： 1）K 值需要预先设定，而不能自适应 2）当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K 个邻居中大容量类的样本占多数。 该算法适用于对样本容量比较大的类域进行自动分类。 5)EM 最大期望算法 EM 算法是基于模型的聚类方法，是在概率模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量。E步估计隐含变量，M步估计其他参数，交替将极值推向最大。EM 算法比K-means 算法计算复杂，收敛也较慢，不适于大规模数据集和高维数据，但比K-means 算法计算结果稳定、准确。EM 经常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域。 6）PageRank 算法
中国人工智能发展白皮书2020
2019年人工智能发展白皮书
风起云涌：人工智能关键技术不断取得突破 相得益彰：人工智能赋能产业与应用场景 百川归海：人工智能开放创新平台逐步建立 各领风骚：全球人工智能公司一览 目 录 01 02 03 04
前言 人工智能是一个很宽泛的概念，概括而言是对人的意识和思维过程的模拟，利用机器学习和数据分析方法赋予机器类人的能力。人工智能将提升社会劳动生产率，特别是在有效降低劳动成本、优化产品和服务、创造新市场和就业等方面为人类的生产和生活带来革命性的转变。据Sage预测，到2030年人工智能的出现将为全球GDP带来额外14%的提升，相当于15.7万亿美元的增长。全球范围内越来越多的政府和企业组织逐渐认识到人工智能在经济和战略上的重要性，并从国家战略和商业活动上涉足人工智能。全球人工智能市场将在未来几年经历现象级的增长。据中国产业信息网和中国信息通信研究院数据，世界人工智能市场将在2020年达到6800亿元人民币，复合增长率达26.2%，而中国人工智能市场也将在2020年达到710亿元人民币，复合增长率达44.5%。 我国发展人工智能具有多个方面的优势，比如开放的市场环境、海量的数据资源、强有力的战略引领和政策支持、丰富的应用场景等，但仍存在基础研究和原创算法薄弱、高端元器件缺乏、没有具备国际影响力的人工智能开放平台等短板。此份报告不但对人工智能关键技术（计算机视觉技术、自然语言处理技术、跨媒体分析推理技术、智适应学习技术、群体智能技术、自主无人系统技术、智能芯片技术、脑机接口技术等）、人工智能典型应用产业与场景（安防、金融、零售、交通、教育、医疗、制造、健康等）做出了梳理，而且同时强调人工智能开放平台的重要性，并列举百度Apollo开放平台、阿里云城市大脑、腾讯觅影AI辅诊开放平台、科大讯飞智能语音开放创新平台、商汤智能视觉开放创新平台、松鼠AI智适应教育开放平台、京东人工智能开放平台NeuHub、搜狗人工智能开放平台等典型案例呈现给读者。最后，列举国内外优秀的人工智能公司与读者共勉。随着技术的进步、应用场景的丰富、开放平台的涌现和人工智能公司的创新活动，我国整个人工智能行业的生态圈也会逐步完善，从而为智慧社会的建设贡献巨大力量。
人工智能习题&答案-第5章-计算智能2-进化计算-人工生命
第五章计算智能(2):进化计算人工生命5-1 什么是进化计算？它包括哪些内容？它们的出发点是什么？ 什么是？ 进化计算包括遗传算法，进化策略，进化编程和遗传编程。 出发点？ 5-2 试述遗传算法的基本原理，并说明遗传算法的求解步骤。 基本原理？ 求解步骤： (1) 随机产生一个由确定长度的特征字符串组成的初始种群体 (2) 对该字符串种群迭代地执行下步的步骤[1]和步骤[2]，直到满足停止准则为止： [1] 计算种群中每个个体字符中的适应值 [2] 应用复制，交叉和变异等遗传算子产生下一代种群 (3) 把在后代中出现的最好个体字符指定为遗传算法的执行结果，这个结果可以表示问题的一个解。 5-3 如何利用遗传算法求解问题，试举例说明求解过程。 5-4 用遗传算法求的最大值 5-5 进化策略是如何描述的？ 最简单的进化策略可描述如下：
P137 5-6 简述进化编程的机理和基本过程，并以四状态机为例说明进化编程的表示。 机理？ 基本过程？ P139 5-7 遗传算法、进化策略和进化编程的关系如何？有何区别？ 关系： 它们都是模拟生物界自然进化过程而建立的鲁棒性计算机算法。 区别 进化策略和进化编程把变异作为主要搜索算子，标准遗传算法中，变异处于次要位置。 交叉在遗传法起着重要作用，而在进化编程中却被完全省去，在进化策略中与自适应结合使用，起了很重要的作用。 标准遗传算法和进化编程都强调随机选择机制的重要性，而进化策略的选择是完全确定的。进化策略和进化编程，确定地把某个个体排除在被选择之外，而标准遗传算法都对每个个体指定一个非零的选择概率。 5-8 人工生命是否从1987年开始研究？为什么？ 不是。 1987年第一次人工生命研讨会上，美国圣塔菲研究所非线性研究组的兰顿正式提出了人工生命的概念，建立起人工生命新学科。 20世纪，60年代，罗森布拉特研究感知机，斯塔尔建立细胞活动模型，林登迈耶提出了生长发育中的细胞交互作用数学模型。 70年代，康拉德等人研究人工仿生系统中的自适应，进化和群体动力学，提出不断完善的“人工世界”模型。细胞自动机被用于图像处理。康韦提出生命的细胞自动机对策论。 80年代，人工神经网络再度兴起，促进了人工生命的发展。
人工智能期末试题与答案完整版(最新)
一单项选择题（每小题 2 分，共 10 分） 1.首次提出“人工智能”是在（ D ）年 A.1946 B.1960 C.1916 D.1956 2.人工智能应用研究的两个最重要最广泛领域为：B A. 专家系统、自动规划 B.专家系统、机器学习 C. 机器学习、智能控制 D.机器学习、自然语言理解 3. 下列不是知识表示法的是 A 。 A：计算机表示法B：“与 / 或”图表示法 C：状态空间表示法D：产生式规则表示法 4.下列关于不确定性知识描述错误的是 C。A：不确 定性知识是不可以精确表示的B：专家知识通常属 于不确定性知识C：不确定性知识是经过处理过的 知识 D：不确定性知识的事实与结论的关系不是简单的“是”或“不是”。 5.下图是一个迷宫， S0是入口， S g是出口，把入口作为初始节点，出口作为目标节点，通道作为分支，画出从入口S0出发，寻找出口Sg 的状态树。根据深度优先搜索方法搜索的路径是C。 A： s0-s4-s5-s6-s9-sg B： s0-s4-s1-s2-s3-s6-s9-sg C： s0-s4-s1-s2-s3-s5-s6-s8-s9-sg D：s0-s4-s7-s5-s6-s9-sg 二填空题（每空 2 分，共 20 分） 1. 目前人工智能的主要学派有三家：符号主义、 2.问题的状态空间包含三种说明的集合， 状态集合 G 。 进化主义 初始状态集合S 和连接主义、 操作符集合 。 F 以及目标 3、启发式搜索中，利用一些线索来帮助足迹选择搜索方向，这些线索称为启发式(Heuristic)信息。 4、计算智能是人工智能研究的新内容，涉及神经计算、模糊计算和进化计算等。 5、不确定性推理主要有两种不确定性，即关于结论的不确定性和关于证据的不确 定性。
中国城市人工智能发展报告
2020年中国城市人工智能发展指数报告 人工智能应用场景较为广泛且多元化，在金融、安防、教育、医疗、零售、机器人等领域都有相对广泛的应用。 5大维度、20个三级指标，全面剖析中国36个城市人工智能发展情况 2020年是全面建成小康社会与“十三五”规划收官之年，为了实现全面建设小康社会的发展目标、增强经济发展韧性，我国各级政府重视培育壮大新动能，将新型基础设施建设（以下简称“新基建”）作为重要的逆周期调节手段，来实现惠民生、稳增长、补短板、调结构和促创新的目的。 人工智能作为新型基础设施建设的七大建设领域之一，能够实现人类智慧与机器的结合。通过推动人工智能发展，并与云计算、大数据等技术不断融合，可以实现推动产业升级，促进经济发展的作用。 从产业链各环节着手，洞察人工智能发展情况 通过对人工智能产业链进行梳理，将产业链划分为基础层、技术层和应用层。基础层主要包括芯片、传感器、计算平台等；技术层则由计算机视觉技术、语音识别、机器学习、自然语言处理等构成；在应用层中，人工智能应用场景较为广泛且多元化，在金融、安防、教育、医疗、零售、机器人等领域都有相对广泛的应用。
以36个人工智能重点城市为对象，多维度构建指标体系
筛选出36个人工智能重点城市参与人工智能发展指数研究，并构建由5个一级指标，12个二级指标和20个三级指标组成的综合指数评价体系。五类一级指标分别为城市发展环境、资金支持力度、研发能力、基础支持情况和发展成效，从5个角度全面、综合分析城市人工智能发展情况。 城市人工智能发展总指数从城市发展环境、资金支持力度、研发能力、基础支持情况和发展成效角度出发，考察各城市人工智能发展情况。
人工智能企业现状分析报告
人工智能企业现状分析报告 目录 第一节人工智能企业现状分析 (2) 一、人工智能企业现状发展阶段 (2) 二、人工智能企业现状发展概况 (2) 三、人工智能企业现状商业模式分析 (3) 第二节人工智能企业发展现状 (4) 一、人工智能企业现状分析 (4) 二、人工智能企业发展分析 (4) 第三节人工智能企业分析报告 (4) 第一节人工智能企业现状分析 一、人工智能企业现状发展阶段 近些年来，我国人工智能领域有取得了飞速发展。英飞拓人工智能企业是一家创新型、信息化、集成化的整体安防制造商，致力于为全球英飞拓人工智能安防提供最高端、最安全、最值得信赖的解决方案。科大讯飞语音识别技术已经处于国际领先地位，其语音识别和理解的准确率均达到了世界第一，自2006年首次参加国际权威的Blizzard Challenge大赛以来，一直保持冠军地位。百度推出了度秘和自动驾驶汽车。腾讯推出了机器人记者Dreamwriter和图像识别产品腾讯优图。阿里巴巴推出了人工智能平台DTPAI和机器人客服平台。清华大学研发成功的人脸识别系统以及智能问答技术都已经获得了应用。中科院自动化所研发成功了“寒武纪”芯片并建成了类脑智能研究平台。华为也推出了MoKA人工智能系统。
人工智能作为一种通用目的技术（GPT），是当前科技创新和推动产业升级转型的焦点。人工智能的发展及其在各个领域的应用，将会显著改变几乎所有行业原来发展的路径，不断催生新的业态和新的商业模式，形成新的发展空间，同时也为我国促进科技创新、提升国家竞争优势甚至赶超发达国家带来了新的机遇。 二、人工智能企业现状发展概况 人工智能（Artificial Intelligence，简称AI）是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。人工智能是计算机学科的一个分支，既被称为20世纪世界三大尖端科技之一，也被认为是21世纪三大尖端技术之一。 近年来，我国人工智能产业获得快速发展。我国市场的工业机器人销量猛增我国智能语音交互、指纹识别、人脸识别、虹膜识别等产业规模迅速扩大。同时，我国已经拥有国家重点实验室等设施齐全的研发机构和优秀的人工智能研发队伍，研发产出数量和质量也有了很大提升。很多企业也积极布局，如百度的百度大脑计划、科大讯飞超脑计划、京东智能聊天机器人等。 目前我国自主知识产权的文字识别、语音识别、中文信息处理、智能监控、生物特征识别、工业机器人、服务机器人、无人驾驶汽车等智能科技成果已进入广泛的实际应用。也正基于此，我国出台了大量支持人工智能发展的政策。2015年7月1日，国务院印发《关于积极推进"互联网+"行动的指导意见》，将"互联网+人工智能"列为11项重点行动之一；而时至11月，《机器人产业"十三五"发展规划》草案已基本制定完成。另外“中国制造2025”重点领域技术路线图构建了中国机器人产业发展蓝图的同时扩大了人工智能的关注度。