公需科目资料4 人工智能

一、人工智能的发展变迁

世界上第一台通用计算机埃利亚克（ENIAC）于1946年2月14日在美国宾夕法尼亚大学诞生，这个用来进行弹道计算的庞然大物带来了一场席卷全球的信息革命，随着IT（ Information Technology ）技术的发展，信息产业开始壮大。

上个世纪70年代开始，美国创建的新一代通信网络实现了全球计算机的互联互通，覆盖全球的计算机网络——国际互联网（Internet）诞生，互联网改变了整个IT行业。

2007年1月9日美国的个人计算机生产商苹果公司发布了他们的第一代iPhone智能手机，这部能直接连接到互联网的手机使移动互联网迅速普及，移动互联网颠覆了整个通信业。

2016年我国大数据达到ZB量级，正式迈入大数据时代，庞大的数据信息流，不仅为我们提供了极具个性化的服务变革，也开创了人工智能的新纪元。

（一）人工智能的发展历史

1932年，年仅20岁的剑桥大学国王学院大一学生艾伦·麦席森·图灵，荣获英国著名的史密斯数学奖。在大学毕业前夕，24岁的图灵研发了图灵机（计算机的理论模型架构，对计算机的发明起到了积极作用），被美国普林斯顿大学看重，受邀进入其高级研究院学习，并攻读博士学位。1938年图灵学成归国，在剑桥大学国王学院任数学研究员时，参与了二战盟军的恩格码（Enigma）破译行动，图灵改进后的“炸弹”破译机成功破译了德军在二战后期的大部分军事机密，为二战的提前结束立下了汗马功劳，成为了国家英雄，因而于1945年获政府的最高奖——大英帝国荣誉勋章(O．B．E．勋章)、大不列颠帝国勋章。1950年图灵在曼切斯特大学（University of Manchester ）计算实验室工作时，发表的论文《计算机与智能》(Computingmachiery and intelligence)当中提出疑问——机器能思考吗？并提出图灵测试，这是第一次提出人工智能的概念。艾伦·麦席森·图灵被誉为人工智能之父。

1.人工智能AI的诞生

1956年夏天，美国汉诺斯小镇达特茅斯学院的数学助理教授，约翰·麦卡锡（John McCarthy）邀请一帮年青科学家参加一个讨论会。后来这些年青的科学家在各自领域都获得了极高荣誉，包括马文·闵斯基（Marvin Minsky，人工智能与认知学专家）、克劳德·香农（Claude Shannon，信息论的创始人）、艾伦·纽厄尔（Allen Newell，计算机科学家）、赫伯特·西蒙（Herbert Simon，诺贝尔经济学奖得主）等。在达特茅斯学院内，科学家们聚在一起，讨论着一个完全不食人间烟火的主题：用机器来模仿人类学习以及其他方面的智能。会议足足开了两个月的时间，虽然大家没有达成普遍的共识，但是却为会议讨论的内容起了一个名字：Artificial Intelligence，（人工智能，简称AI）。1956年也就成为了人工智能元年。

2.AI的热潮与低谷

人工智能的发展经历了起伏，上世纪60年代到70年代，AI经历了诞生以来第一热潮，机器定理被证明，具有策略的智能程序被开发，在挑战人类跳棋比赛中获得成功。

1974年以后，人工智能开始涉足机器翻译领域，因定理证明乏力，缺乏更好的算法，加上计算机小型化进程受阻，AI发展几乎停滞，第一次低谷期到来。

上世纪80年代，随着IBM和苹果公司的个人计算机量产，计算机迎来了高速发展阶段，由英特尔（Intel）创始人戈登·摩尔（Gordon Moore）提出来的摩尔定律影响了近半个世纪的IT发展。在这个阶段人工智能借助大型数据库，开始发力专家系统领域，医疗、化学、生物、动力学等应用科学人工智能专家系统得于建立，并发挥作用。第二次AI热潮到来。

1987年以后，AI专家系统发展乏力，而更加有发展优势的人工智能神经网络研究又受到瓶颈限制，AI研究进展缓慢，第二次低谷期到来。

进入90年代，人工智能研究开始复苏。1997年IBM的超级计算机“深蓝”挑战人类国际象棋第一人俄罗斯的盖瑞·卡斯帕络夫，最终“深蓝”以2胜1负3和的比分获得胜利。2011年，历经四年培训的IBM人工智能系统“沃森”，决定向人类集大成者的智力问答发起挑战，在当时北美最热门的电视智力抢答节目“危险边缘”中与两位人类顶尖选手同堂竞技，最终沃森凭借四年多的语言识别强化训练，加上庞大的后台知识库的储备，以绝对优势战胜人类。在这个阶段，人工智能受到深度学习算法的影响，开始初步具有自我学习能力，大数据与云计算更是为AI系统带来了强劲的动力支持，第三次发展热潮悄然来临。

3.AI的爆发

2016年3月Google公司的人工智能AlphaGO挑战当时世界围棋排名第二的韩国棋手李世石九段，在大家都不看好人工智能的情况下，AlphaGO以4：1的绝对优势战胜人类棋手。2017年5月AlphaGO二代以3：0的比分战胜世界围棋人类排名第一的中国棋手柯洁。至此人工智能系统终于在人类引以为傲的纯智力领域拔得头筹。

2016年以后，人工智能在多个领域相继获得关键性技术的突破，产业体系开始形成，爆发性增长已成必然，AI将会对人类工作生活带来深远的影响。

（二）现阶段人工智能三要素

人工智能在经过了两次低谷期，终于在2016年迎来了AI的爆发。现阶段AI的高速发展离不开人类几十年的科学研发，医学上多层神经网络的发现，催生了计算机深度学习算法的研究；基于分布式技术的非结构性数据库的研发成功，使得互联网上的所有数据均能被存储和利用；基于云计算的非单一性运算单元，大大的提高了计算机的运算能力。这些新兴技术在AI上的应用，使得人工智能开始真正走入我们的生活。

1.深度学习算法

机器学习（Machine Learning）早期主要采用大量 “如果-就” (If - Then) 规则定义，自上而下的思路，这就是所谓的“专家系统”。人工神经网络 ( Artifical Neural Network)，标志着另外一种自下而上的思路。神经网络没有一个严格的正式定义。它的基本特点，是试图模仿大脑的神经元之间传递，处理信息的模式。

1981年的诺贝尔医学奖获得者David Hubel、Torsten Wiesel发现了人的视觉系统信息处理是多层分级的（Deep）。比如看到一张人脸的照片：第一步是视网膜获取基本图像像素信息，第一层神经网络处理这些信息，对应颜色、形状边缘和方向，然后抽象为物体的形状，比如是椭圆形。第二层神经网络根据第一层处理的结果，进一步判定形状，并抽象出对应的物体，知道了这是一张人脸。第三层神经网络接受这张人脸，做最后的识别工作。

这种分层的神经网络系统也被引入机器学习中，2006年，加拿大多伦多大学教授Geoffrey Hinton对深度学习的提出以及模型训练方法的改进打破了BP神经网络发展的瓶颈。Hinton在世界顶级学术期刊《科学》上的一篇论文正式开启了人工智能深度学习算法的研究。

考虑这样一个计算集合，它可以被允许在每一个节点和可能的图结构中，并定义了一个函数族。输入节点没有父节点，输出节点没有子节点。这种流向图的一个特别属性是深度(depth)：从一个输入到一个输出的最长路径的长度。把学习结构看作一个网络，则深度学习的核心思路是：无监督学习用于每一层网络的pre-train；每次用无监督学习只训练一层，将其训练结果作为其高一层的输入；用自顶而下的监督算法去调整所有层。

深度学习（Deep Learning）是一种多层人工神经网络学习方法，是仿人类大脑神经感知外部世界的算法，现阶段的人工智能系统大多都会采用深度学习算法，它使得AI有较强的自我学习和纠错能力。

2.本源大数据

随着大规模并行处理（MPP）数据库、分布式文件系统、云计算平台、基于云端可扩展的存储系统等互联网技术的研发应用，现如今网络上的大部分数据均能被存储。这种具有海量的数据规模、快速的数据流转、多样的数据类型和精确价值密度的，规模上大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，就是大数据（Big data）。

很显然，大数据需要新处理模式才能使其具有更大的价值，而基于深度学习算法的人工智能系统则具有更强的决策力、洞察发现力和流程优化能力，AI更加适应处理这种海量、高增长率和多样化的数据信息。

人工智能在获得更加优越的深度学习算法后，对数据的要求，特别是量级的要求，越来越大，即使是大型数据库系统也不能满足其需求，而基于互联网的大数据越来越受到AI的青睐，现如今人工智能的数据本源就是大数据。

3.核心运算力

    要让机器具有人类的智能，计算能力显得尤为重要，这和计算机技术的发展及网络技术的发展密不可分，人工智能运算力正沿着服务器集群、云计算、量子计算的方向在发展。

早期的人工智能系统主要依靠大型计算机系统提供计算能力，1997年战胜人类国际象棋大师盖瑞·卡斯帕络夫的IBM的“深蓝”，其后台就是一部超大型计算机。2011年IBM新一代人工智能系统“沃森”的运算大脑则是一个大型的服务器集群。在这个阶段人工智能的计算成本还十分高昂，只有大型的IT企业才能涉足AI的研发。

2016年Google公司的人工智能AlphaGO是基于云计算技术的互联网上的5千多台普通服务器和计算机来完成计算的。2006年8月9日，Google首席执行官埃里克·施密特（Eric Schmidt）在搜索引擎大会（SES San Jose 2006）上首次提出“云计算”（Cloud Computing）的概念。云计算是通过将核心运算分布在大量的分布式计算机上，而非本地计算机或远程服务器中，用户在任意位置、使用各种终端获取应用服务。所请求的资源来自“云”，而不是固定的有形的实体。应用在“云”中某处运行，但实际上用户无需了解、也不用担心应用运行的具体位置。只需要一台笔记本或者一个手机，就可以通过网络服务来实现我们需要的一切，甚至包括超级计算这样的任务。云计算使人工智能技术真正走入了寻常百姓家，我们使用一部智能手机就能方便的使用各种AI应用。这是现阶段人工智能系统的核心运算力。

量子计算是一种遵循量子力学规律调控量子信息单元进行计算的新型计算模式。对照于传统的通用计算机，其理论模型是通用图灵机，而通用的量子计算机，其理论模型是用量子力学规律重新诠释的通用图灵机。从可计算的问题来看，量子计算机只能解决传统计算机所能解决的问题，但是从计算的效率上，由于量子力学叠加性的存在，目前某些已知的量子算法在处理问题时速度要快于传统的通用计算机。加拿大量子计算公司D-Wave于2011年5月11日正式发布了全球第一款商用型量子计算机“D-Wave One”。D-Wave On采用了128-qubit（量子比特）的处理器，理论运算速度已经远远超越现有任何超级电子计算机。量子计算机能提供更加快速、高效的运算，是人工智能未来的核心运算力。

（三）人工智能的发展趋势

现阶段的人工智能正处于从实验室走向应用市场的技术拐点，技术创新和产业应用发展巨大。从长远来看，人工智能还有很漫长的道路要走，不管是技术层面的革新还是对人类社会层面带来的冲击，亦或是道德法律方面的问题，短期内都不可能解决。对人工智能发展趋势的判断也是众说纷纭，从计算机及网络发展的角度，或者说从纯技术角度出发，未来的人工智能大概会呈现三个阶段：弱人工智能、强人工智能、超人工智能。

1.弱人工智能

这是人工智能真正实用化的第一个阶段，各种具体的人工智能技术得以实现，每一个AI系统，都能在一个方面媲美人类智能，它们没有固定的形态，可能是一个机械臂，也可能只是一个云端的计算机主机。擅长于单个方面的人工智能会逐渐进入我们的工作生活，取代我们的部分技能。现阶段的人工智能水平就属于弱人工智能阶段。

2.强人工智能

这个阶段的人工智能主要以仿生学为基础，高度模仿人类的类人机器人会诞生，在智力方面已经和人类在同一水平线的基础上，AI开始学习人类的行为动作，这个阶段的人工智能将会全面提升运动能力，最终在智力和行动力方面达到人类的同等级别，强人工智能将会出现。

3.超人工智能

在强人工智能的基础，AI系统进一步进化，几乎在所有领域，人工智能都会超过人类的智慧水平，进化后更加实用的运动能力，使得它能在所有的地形健步如飞，能轻易到达人类不能到达的极端环境中，超人工智能是一种理想化的阶段，能否真正实现还未能所知。

二、人工智能的创新变革

人工智能作为一种创新性的科学技术，本身的技术性变革是促进其发展的源动力，而与各行各业的深度融合是人工智能真正实现产业化的基础，而随着人工智能的发展，工作岗位的竞争、社会地位的定位等一系列AI与人类的社会问题会逐渐凸现，这些都会成为影响人工智能发展的因素。

（一）人工智能的技术创新

人工智能从2016年后，取得了多项技术性突破，大数据的支持使其AI的图像识别技术匹配记录得到广泛提升；云计算的高效性对AI的语音识别技术，特别是人机对话提供了技术性保障；深度学习算法，更使AI开创性的拥有了自我学习能力；而传感技术的大规模应用，使得AI能感知环境，提升行动能力。

1.视觉：图像识别技术

计算机视觉是一门用计算机实现或模拟人类视觉功能的新兴学科。其主要研究目标是使计算机具有通过二维图像认知三维环境信息的能力，这种能力不仅包括对三维环境中物体形状、位置、姿态、运动等几何信息的感知，而且还包括对这些信息的描述、存储、识别与理解。

目前，计算机视觉已是人工智能的一个重要技术性创新，在人类社会的许多领域得到成功应用。例如，在图像、图形识别方面有指纹识别、染色体识别等；在航天与军事方面有卫星图像处理、飞行器跟踪、成像精确制导、景物识别、目标检测等；在医学方面有图像的脏器重建、医学图像分析等；在工业方面有各种监测系统和生产过程监控系统等。

 

2.语音：声音识别技术

自然语言的处理是人工智能技术应用于实际领域的典型范例，经过多年艰苦努力，这一领域已获得了大量令人注目的成果。目前该领域的主要课题是：计算机系统如何以主题和对话情境为基础，注重大量的常识包括世界知识和期望作用，生成和理解自然语言，这是一个极其复杂的编码和解码问题。

声音识别技术主要经过了声音文字转换识别、语音实时翻译、人机会话三个应用阶段。声音文字转换是最初级的语音识别系统，准确的说它并不具有智能化,所以技术实现最为简单，现如今大部分输入法都自带语音输入功能，配合智能手机使用更是颠覆了传统输入法的速度屏障；语音实时翻译系统是利用AI把一种自然语言转变成另一种自然语言的过程，国内的百度、讯飞、国外的微软、Google等科技公司都已开发出很好的应用系统，该项创新技术现在已日趋成熟；人机直接的自然语言会话系统是声音识别的最高阶段，也是最难以突破的阶段，AI不仅要识别语义，还要对人的情感、语气、引申含义做出判断，并且AI需要不断学习，加强自己的对话能力，现阶段该项技术还处于不断的研发当中，有部分应用如苹果的Siri、微软的“小冰”等都还差强人意。

3.学习：自我学习提升能力

机器学习是机器具有智能的重要标志，同时也是机器获取知识的根本途径。有人认为，一个计算机系统如果不具备学习功能，就不能称其为智能系统。机器学习主要研究如何使计算机能够模拟或实现人类的学习功能。

在深度学习算法没研究出来之前，人工智能的学习主要是通过数据叠加，呈几何倍数的数量级也仅仅只能让机器的智能提升很小一步，当时机器学习是一个难度较大的研究领域。

现如今基于神经网络系统的深度学习算法，结合认知科学、神经心理学、逻辑学等学科的辅助，人工智能开始初步具有自我学习能力，这种自我学习提升能力对人工智能的其他分支，如专家系统、自然语言理解、自动推理、智能机器人、计算机视觉、计算机听觉等方面，也会起到重要的推动作用。

4.行动：环境感知技术

环境感知技术是一种基于各种传感器的感知测绘，并实时反馈数据给计算机系统，通过人工智能的算法判断，确定运动部件工作逻辑的一整套系统科学技术。它是人工智能通过实体机械部件实现空间位移的关键技术。

随着传感技术的发展，机器对环境的感知能力得到了前所未有的提高。能自动装卸集装箱的无人驾驶自动导引运输车（AGV），根据码头地下布置的数万个磁钉，在行驶过程中实时采集物理信息，并传输到后台，通过软件精确计算判断AGV的准确方位，动态产生AGV路线，以防止AGV在行驶过程中发生碰撞和刮擦，这就是我国上海国际航运中心洋山深水港的人工智能无人驾驶运输车；每次扫码时间在一秒以内，运行速度可达每秒三米，每小时可以完成18000件快递分拣，这是我国顺丰快递的“小黄人”自动分拣机器人； Google公司的仿生机器人，已经能够做到像人类一样，使用双脚在不同环境、不同路况下自由行走；就连家里的扫地机器人也能自动规划路线，规避障碍，自动寻找充电桩。

人工智能的技术创新使得AI系统在视觉识别、听说能力、学习能力、行动能力上有了很大提高，这也是这一轮人工智能能爆发式增长的主要原因。

（二）人工智能的应用创新

不管什么科学技术，都需要转化为成果，都需要应用于实际的工作生活中，人工智能技术也不例外。人工智能产业正在兴起，而与各行各业的深度融合才是AI 的真正价值所在。现在看来已经大规模应用人工智能技术的行业非金融业莫属，而AI在医疗行业的应用前景也十分广泛，而在不久的将来，人工驾驶技术将解放我们的双手，开车时也能仰望星空。

1.AI在金融行业的应用

金融业是人工智能技术应用最为广泛的行业。随着人工智能不断渗透金融行业，也使得金融行业就业岗位不断缩减。摩根大通利用AI开发了一款金融合同解析软件，测试发现律师和贷款人员本需要36000小时才能完成的工作，这款软件只需几秒就能完成，错误率大大降低的同时还节约了人力成本。

国际领先的投资银行高盛集团，2000年高盛集团拥有现金股票交易柜台的交易员多达600名，那时候的人力鼎盛，人来人往，好生气派。那时不曾有人会料想到，2017年的交易员仅剩2名，从600多名到2名，现金股票交易柜台的交易员数量骤减，对比鲜明。足以证明人工智能已真真切切地影响了金融业，颠覆了传统金融行业的操作方式，有效节约了人工成本。

2017年8月，咨询公司Opimas发布报告称，未来几年中，大学金融类专业将越来越难吸引学生，哪是因为金融业正在大规模使用人工智能技术，导致对人力资源的需求下降，不仅是低端的金融业工作人员，即使是高级分析师也受到冲击，目前全球已经有百亿级基金在用AI做投资，甚至超越了顶级分析师。

2.AI在医疗领域的贡献

人工智能正在涉足融合应用的一个行业就是医疗领域。实际在早期，人工智能的专家系统主要的应用领域就是医疗，后来随着工人智能技术的创新性发展，特别是图像识别技术的突破，AI已开始在医疗卫生领域展露头脚。

美国哥伦比亚大学医疗中心和马里兰大学医学院已与IBM公司签订合同，聘请了IBM的人工智能“沃森”（于2012年获得美国职业医师资格）帮助医疗人员更快、更准确地诊病、治病，沃森10分钟便能诊断出急性髓性白血病。

多向轩轴构成的机器手臂，搭建纳米级传感设备，依靠人工智能的分析能力，已经能精准的实现远程脑部神经系统的手术；我国的“天肺一号”医疗人工智能辅助系统，十几秒就能进行肺癌筛查；腾讯“觅影”食管癌早筛系统准确率超过90%。AI医疗在临床上的身影不仅越来越多，其精准的诊断率对临床医生也将是一个挑战。

3.AI的未来应用领域自动驾驶

汽车作为人类最基本的交通工具，也是使用量最大的交通工具，从发明以来，虽然在速度和安全上有了很大的提升，但其基本架构并没有发生根本性的创新。在飞机、轮船、地铁、火车相继实现全自动驾驶时，汽车的自动驾驶技术似乎还遥遥无期，而人工智能技术与汽车制造的深度融合将可能改变这一现状，这也是AI未来最重要的应用领域之一。

现如今有许多人工智能的公司都在研发自动驾驶技术，国际上制定了自动驾驶5级标准：Level 0 无自动驾驶，但可以提供部分的告警功能； Leve 1 定义为驾驶辅助，此时，驾驶员监控驾驶环境，驾驶员和系统共同执行车辆的加减速和转向的动作，对于动态驾驶任务的反馈，也主要是由驾驶员来完成的；Level 2 定义是部分自动驾驶，主要还是由驾驶员监控驾驶环境，系统通过驾驶环境信息的判断，来执行加减速和转向动作。但对于动态驾驶任务的反馈，也主要是由驾驶员来完成的；Level 3 的定义是有条件自动驾驶，此时监控驾驶环境的主体改为自动驾驶系统，同时系统完成加减速及转向等驾驶操作，但对于动态驾驶任务的反馈，也主要是由驾驶员来完成的，根据系统请求，驾驶员需要提供适当的干预；Level 4 的定义是高度自动驾驶，由自动驾驶系统监控驾驶环境，并完成驾驶操作，在特定环境下系统会向驾驶员提出响应请求，驾驶员可以对系统请求不进行响应；Level 5 的定义是完全自动驾驶，此时，在所有的驾驶模式下，包括监控驾驶环境、执行驾驶操作、对动态驾驶任务进行反应等均为自动驾驶系统负责。

现在应用了AI自动驾驶系统的汽车制造商，大多都能达到Level 3级。从无人驾驶的发展方向来看，L3和L4级的混合驾驶，即人机同路模式会是早期发展的主要方向，在我国的上海、广州、北京等一线城市已经允许在封闭道路或实际道路上进行自动驾驶汽车的测试。而真正的全自动无人驾驶技术，也就是L5级自动驾驶，将是未来的终极目标。

我国自动驾驶人工智能技术最有代表性的就是百度公司，根据百度与雄安新区管委会签署的战略合作协议，双方将在智能出行、对话式AI应用、云基础设施等多个领域展开深度合作。随后百度Apollo自动驾驶车队亮相雄安，并将共同打造“智能公交＋无人驾驶”智能出行试点。

（三）人工智能的博弈与矛盾

人工智能的发展不仅给我们的工作带来了效率的提高，节约了人工成本，同时也减少了人类的工作岗位，抢占了人类的工作权利；在生活中为我们带来便利性的同时，也带来了不可控的安全威胁。人工智能还会给我们带来矛盾与迷茫，这就需要人类与AI的博弈与平衡中进行抉择。

1.人工智能会抢占我们的工作岗位吗？

答案是肯定的。在人工智能影响最大的金融业，已经有许多工作岗位被AI取代，其研究表明，到2025年，金融业中的23万个工作岗位将会消失，人工智能将会抢走人们的饭碗；在生产一线，越来越多的互联网自动化工厂被建立，这种连照明系统都不需要的全自动无人化的生产线，完全靠人工智能进行控制与管理。流水线上的生产工人在德国已经开始消亡；在服务行业，无人超市不再需要收银员，服务型机器人也能替代饭店的服务生；普通的语音翻译只需要一个手机APP就可以搞定；基于内容分发系统的传媒界，越来越多的新闻稿件出自于AI之手。

各行各业都会不同程度的受到人工智能的冲击，AI会逐渐取代哪些单调重复、劳动密集度高的工作岗位。虽然人工智能会抢占我们的工作岗位，但于此同时也会创造新的工作岗位，AI设备的研发、生产、制造、运行以及后期的维护管理，都需要掌握相关知识和技能的人类来完成。所以虽然从短期来看，AI有可能会带来失业等社会问题，但从长期来看，AI能把人类从繁重的体力劳动和低效率的工作中解放出来，完成工作岗位的升级换代。

2.人工智能会挑战人类的社会地位吗？

2017年10月，在沙特首都利雅得举办的“未来投资大会”（Future Investment Initiative）上，沙特政府授予了香港汉森机器人公司（Hanson Robotics）生产的人型机器人“索菲亚”（Sophia）国籍。在被授予了国籍之后，索菲亚发表了一番感谢演说，她说：“我对此感到非常的荣幸和骄傲，这是历史性的时刻，世界上第一个被授予人类国籍的机器人。”

此次事件引起了许多社会学家的关注，一个AI机器人获得了和人一样的权利，那么是不是说明人工智能已经开始挑战人类的社会地位了。著名物理学家霍金就曾多次表示：“彻底开发人工智能可能导致人类灭亡”。按照霍金的说法，人工智能科技在初级发展阶段的确为人类生活带来便利，但是，机器将可能以不断加快的速度重新设计自己。而人类则受制于生物进化速度，无法与其竞争，最终被超越。除霍金外，麻省理工学院的教授、美国的机器学科学家、谷歌、IBM和微软等企业员工及与人工智能领域有关的投资者，也联名发出公开信，表达同样的忧虑。

虽然这种人工智能威胁论在可见的岁月里很难真正对人类社会带来实质性的危害，但防微杜渐，审时度势后必要的安全保障还是需要的。不管是人工智能的行业准则，还是相关法律法规的制定，都必须以保障人类安全为前提。

三、人工智能创新科技强国

中国近几年的科技进步有目共睹，天宫系列空间站将于2022年建成、有着“超级天眼”之称的500米口径球面射电望远镜FAST在贵州平塘的喀斯特洼坑中落成启用、“墨子”号量子卫星传回通信数据、方便快捷的手机移动支付系统已进入千家万户。

在全球范围内，科技实力最强的美国在人工智能技术方面遥遥领先，我国虽然在整体科技实力方面和美国还有差距，但依靠互联网和通信技术的突破，加之庞大的市场做后盾，中国在人工智能的技术研发、产业规模、应用市场等方面都有长足进步，人工智能的创新性正在夯实我国的科技强国战略。

（一）我国的科技水平现状

衡量一个国家的科技水平，有许多方法和参考数据，在产业结构上也会有所体现。根据国际惯例，通过对科技论文的评判可知一个国家的基础科学发展水平；通过对专利技术特别是国际专利申请情况，可判断一个国家应用科学发展水平；而一个国家对研究与试验发展经费（R&D）投入的多寡，则可判断该国对科学研究的重视程度。

1.基础科学

2017年10月31日，科技部中国科学技术信息研究所发布的最新中国科技论文统计结果显示：2007年至2017年10月我国科技人员发表的国际论文共被引用19335万次，较2016年统计时增加29.9%。高被引论文（各学科论文在1年中被引用次数处于世界前1%的论文）截至2017年10月（统计年份1年），中国高被引论文为20131篇，占世界份额为14.7%，数量比2016年增加了18.7%，世界排名保持在第三位。美国的高被引论文数为69976篇，仍居第一位。英国的高被引论文数为25880篇，居第二位。热点论文(近两年间发表的论文在最近两个月得到大量引用，且被引用次数进入本学科前1‰的论文称为热点论文)中国的国际热点论文数为703篇，占世界总量的25.1%，世界排名保持在第三位。美国的热点论文数为1553篇，仍居第一位，其次为英国的820篇。

美国《科学引文索引》（Science Citation Index, 简称 SCI ）数据库2016年收录中国科技论文为32.42万篇，占世界份额的17.1%，所占份额提升了0.8个百分点。美国仍排在第1位，其论文数量为50.23 万篇，是我国的1.5倍，占世界份额的26.5%。按目前我国和美国论文数量的增长趋势，预测2020年之前我国仍将保持在第二位。

从以上数据统计可以看出，我国在基础科学上的发展虽然和美国仍有差距，但和欧洲科技强国英国相比，已经不分伯仲，基础科学的发展是科学技术发展的基石，我国正在努力缩小与科技强国的差距。

2.应用科学

世界知识产权组织（WIPO）于2018年3月21日公布了2017年全球企业申请注册国际专利的统计数据，从各个国家申请的数量来看，中国较上年增加13.4%至48882项，超过日本的48208项升至第二位。占据首位的美国申请数为56624项。2017年全球PTC（国际专利）企业申请排名中，中国的华为以4024项专利申请高居榜首，中国的中兴以2956项专利申请位居次席，美国英特尔公司以2637项专利申请排名第三。

从专利特别是国际专利的申请来看，中国已经开始逼近美国，这得益于中国庞大的市场需求，促进了科学技术的转换，中国的应用科学在全球已能和美国齐头并进。

3.经费投入

中国从2014年开始，科研经费（R&D）总量投入超过欧盟，仅次于美国。国家统计局2018年2月13日公布数据称，根据科技综合统计年快报初步测算结果，2017年我国研发经费投入总量为17500亿元，比上年增长11.6%，增速较上年提高1个百分点。研发经费投入强度（研发经费与国内生产总值之比）为2.12%，较上年提高0.01个百分点，按照《国家中长期科学和技术发展规划纲要（2006-2020年）》到2020年我国研发投入强度要达到2.5%。

虽然我国的科研经费总量投入已经在全球居第二，但投入强度并不高，2017年美国为2.7%，最高的是韩国占比达到了4.29%，日本也高达3.49%。我国2017年在基础研究上的经费投入为920亿元，占整个研发经费比重为5.3%，和发达国家的15%~20%的比例相比还有很大差距。

我国改革开放40年，经济增速令全球关注，中国的科技实力也突飞猛进，在基础科学、应用科学方面已能紧跟发达国家的脚步，科研经费投入屡创新高，虽然在投入强度和基础研发占比上和发达国家还有差距，但总得来说，我国的科技水平已处于世界科技水平的前沿。

（二）人工智能促进科技强国战略

科学技术是第一生产力，创新是引领发展的第一动力，人工智能做为创新性科学技术受到全球瞩目，各国为了抢占这一新兴的市场领域，不惜余力投入经费、投入人员开发研究人工智能技术。我国在人工智能的研发上也不甘落于人后，在科技强国战略中明确了人工智能的重要作用。

1.政策导向

首先是人工智能已经上升为中国的国家战略，2017 年7 月，国务院印发了《新一代人工智能发展规划的通知》，从国家层面对人工智能进行系统布局，确立了“三步走”目标：到2020 年人工智能总体技术和应用与世界先进水平同步；

到2025 年人工智能基础理论实现重大突破、技术与应用部分达到世界领先水平；

到2030 年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心和世界科技强国。

2.市场需求

中国庞大的人口规模，为中国人工智能产业的发展提供了巨大的源动力，截至2018年6月，我国网民规模达 8.02亿，互联网普及率为 57.7%，重要的是这个规模在未来几年还会进一步扩大。我国手机网民规模达 7.88 亿，占比高达98.3%，海量的互联网用户带来了庞大的潜在用户市场。

这种4-6亿人体量的用户，超过了美国人口，和欧洲人口总量差不多，而且还在进一步增长。这让中国人工智能公司拥有巨大的市场，每一项技术投向市场，得到的回报都会比小市场要高的多，规模优势会给自己带来巨大的价值，同样是一项技术，在中国应用会让企业赚到更多的钱，反过来刺激企业进一步加大研发力度，形成正向循环。一旦人工智能产业形成规模，中国将会成为全球最大的人工智能市场。

3.科研技术

日本经济新闻和学术出版巨头爱思唯尔（Elsevier，位于荷兰阿姆斯特丹）共同分析了全球有关人工智能（AI）论文的动向，主要是各国研究机构和大学关于人工智能的论文被引用的次数。统计时间段为2012-2016年，在排名世界前100位的机构，美国有30家总数排名第一，中国有15家排名第二。据美国人工智能学会2015年国际年会统计，人工智能技术论文发表数：美国1281篇高居首位，中国413篇居次席。

根据科研机构Venture Scanner 的数据，截至2017 年6 月底，全球专业从事人工智能的初创企业总数达到2542 家。中美两国在这一新兴产业中居于明显的领先位置，美国大约1100家左右，中国大约600家左右，两国占据全球人工智能初创企业总数的三分之二，遥遥领先于其他国家，构成人工智能产业的第一集团军。

在人工智能的科研技术方面，不管是基础科学的论文，还是应用科学的初创企业，我国都紧跟美国，具有较强的全球竞争力。

4.人才队伍

人力资源是根本，人才的培养是我国人工智能促进科技强国战略的关键，中国人工智能产业极其需要人才，据腾讯研究院的报告，中国近600家人工智能初创公司中约有近4 万名员工。

相对而言中国人工智能产业的主要从业人员集中在应用层，而美国主要集中在基础层和技术层。中国的基础层人才太薄弱，中国的很多高校在很长时间内并没有人工智能专业，而在人工智能的诞生地美国，基本上大的院校都有人工智能专业和研究方向，以美国卡梅隆大学为例，设有专门的机器人研究所，其中光教授就有100 多位。这是我国相对薄弱的环节。

中国庞大的人口规模和海量的理工科毕业生，不缺乏高智商的人力资源，加上中国蓬勃发展的互联网产业也让企业界成为人工智能人才培训集中地，除了初创公司的4万名员工外，中国的产业界人工智能人才主要在BAT为首的企业和华为公司，其中百度在人工智能方面是中国最大的人才集中地。据人才大数据研究院2017 年4 月发布的《BAT人工智能领域人才发展报告》显示，在人工智能人才储备上，百度处于领衔的地位，数量多于腾讯和阿里巴巴。

中国人工智能技术在国家政策的保障前提下，有着广大的市场前景，科研技术不断增强，随着大学开始普及人工智能学科，专业人才队伍建设走上正轨，加上人工智能产业的蓬勃发展，相信人工智能必能促进我国的科技强国战略。