人工智能在過去十年中從實驗室走向產業化生產，重塑傳統行業模式、引領未來的價值已經凸顯，并為全球經濟和社會活動做出了不容忽視的貢獻。當前，人工智能已經迎來其發展史上的第三次浪潮。人工智能理論和技術取得了飛速發展，在語音識別、文本識別、視頻識別等感知領域取得了突破，達到或超過人類水準，成為引領新一輪科技革命和產業變革的戰略性技術。人工智能的應用領域也快速向多方向發展，出現在與人們日常生活息息相關的越來越多的場景中。近日，清華大學科技情報大數據挖掘與服務系統平臺 AMiner發布了研究報告《人工智能發展報告2011-2020》，闡述人工智能過去十年取得的重要成果，并討論了人工智能的未來發展藍圖，理論、技術和應用方面的重大變化與挑戰。敬請閱讀。

01.飛速發展的十年

1、論文發表情況

人工智能過去十年發展快速，從學術研究走向商業化。本報告專注于通過分析在國際頂級期刊和會議上的人工智能領域科研論文發表情況來研究該領域的成果產出。由下圖可見，從 2011 年以來人工智能領域高水平論文發表量整體上呈現穩步增長態勢，取得了很多科研成果。這些科研成果涵蓋 R-CNN 算法、神經機器翻譯的新方法等。

▲過去十年人工智能領域國際頂級期刊會議論文數量趨勢

從高水平科研論文的國家分布來看，人工智能領域論文發表量居于前十的國家依次是美國、中國、德國、英國、日本、加拿大、法國、韓國、意大利和澳大利亞，如下圖所示。美國和中國的高水平論文發表量明顯高于其他國家，分別位居第一、二名，中國的論文量緊隨美國之后。

▲過去十年人工智能領域高水平論文發表量前十國家

研究發現，各個國家的人工智能領域高水平科研論文發布具有以下特征。

（1）、開展跨國科研合作較多的國家是美國和中國

從論文的國際合作網絡看，美國和中國的 AI 高水平論文發表均存在較多的跨國合作現象，如下圖所示。其中，AI 技術實力領先的美國所參與的高水平論文跨國合作最多，是各國的主要合作國家，過去十年，美國的 33255 篇 AI 高水平論文之中，出現過中國、英國、加拿大、德國、印度等 30 多個合作國家，合作國家數量最多；中國的跨國科研合作國家數量位居第二，在其 22686 篇 AI高水平論文之中，出現了美國、加拿大、新加坡、英國、日本等 20 多個合作國家；英國和德國的 AI 高水平論文跨國合作國家數量均為 18 個。其余國家在 AI高水平論文方面開展的跨國合作數量較少。

▲過去十年人工智能領域高水平論文發表國際合作國家分布

（2）、中美兩國是對方 AI 領域的重要科研合作伙伴

在 AI 高水平論文發表方面，美國和中國均是對方的重要科研合作伙伴。過去十年，美國在其 30 多個合作國家之中，與中國合作的 AI 高水平論文數量占比最多，為 18.53%。同時，中國在其 20 多個合作國家之中，與美國合作的論文數量最多，占比 27.16%。可見，開展國際科研合作已成為中美兩國 AI 研究成果產出的重要方式。

（3）、跨國科研合作可以提高合作本國 AI 研究成果的影響力

分析發現，美國的 AI 領域高水平論文平均引用率為 44.99，中國的 AI 領域高水平論文平均引用率為 31.88。相比而言，中國和美國合作論文的平均引用率達 51.2，其影響力明顯高于中國和美國各自論文的平均引用水平，這表明跨國合作的科研成果在世界人工智能研發領域的展示和交流幾率大大增加。

2、獲得圖靈獎的人工智能技術

圖靈獎（ACM A.M. Turing Award）是計算機界最負盛名、最崇高的一個獎項，有“計算機界的諾貝爾獎”之稱。圖靈獎是計算機協會（ACM）于 1966 年設立的獎項，專門獎勵對計算機事業做出重要貢獻的個人。其名稱取自世界計算機科學的先驅、英國科學家、曼徹斯特大學教授艾倫·圖靈（A.M. Turing）。

圖靈獎獲獎者必須是在計算機領域具有持久而重大的先進性的技術貢獻，大多數獲獎者是計算機科學家。第一位圖靈得主是卡耐基梅隆大學的 Alan Perlis （1966 年），第一位女性獲獎者是 IBM 的 Frances E. Allen （2006 年）。

通過 AMiner 智能引擎，可以自動收集歷年來圖靈獎獲得者及其學者畫像信息（基本信息、研究興趣等），以及該學者的論文和專著等信息。由于每年度的圖靈獲獎者一般在次年 3 月下旬由美國計算機協會（ACM）官方頒發，因此本報告統計了截至 2020 年頒發的近十年（2010-2019 年）圖靈獎得主數據。分析發現，圖靈獎近十年授予領域具有如下特征。

（1）、十年中三次正式頒獎給人工智能領域

圖靈獎頒發的領域，在一定程度上反映了計算機科學技術發展方向的縮影。數據顯示，過去十年圖靈獎分別授予給了計算理論、概率和因果推理、密碼學、分布式和并發系統、數據庫系統、萬維網、計算機系統、深度神經網絡和 3D 計算機圖形學九個領域，具體如下圖所示。從獲獎內容、創新角度、研究領域等維度來看，圖靈獎注重原始理論創新和學科交叉，具有科研優勢積累現象。

過去十年的 圖靈獎有三次正式授予給人工智能領域。

第一次是 2010 年，Leslie Valiant 因對計算理論的貢獻（PAC、枚舉復雜性、代數計算和并行分布式計算）獲得圖靈獎，該成果是人工智能領域快速發展的數學基礎之一。

第二次是2011 年，因 Judea Pearl 通過概率和因果推理對人工智能做出貢獻而頒獎；

第三次是 2018 年，深度學習領域三位大神 Yoshua Bengio、Geoffrey Hinton 和 Yann LeCun 因為在概念和工程上的重大突破推動了深度神經網絡成為計算機領域關鍵技術而榮獲圖靈獎。

Hinton 的反向傳播（BP）算法、LeCun 對卷積神經網絡（CNN）的推動以及 Bengio 對循環神經網絡（RNN）的貢獻是目前圖像識別、語音識別、自然語言處理等獲得跳躍式發展的基礎。中國科學院張鈸院士在《邁向第三代人工智能》一文中也提到這 5 位圖靈獎得主在創建第二次 AI 中所做出的重大貢獻。

▲2010-2020 年圖靈獎授予的計算機領域

（2）、人工智能領域獲獎人數占據四分之一

由下圖可見，過去十年，共有 16 位學者獲得圖靈獎。其中，包括 5 位人工智能領域學者獲此殊榮，占比 31%，這反映出人工智能在計算機學科中的地位已不容忽視。同時，人工智能領域圖靈獎 從初期的單獨獲獎者到近年來的共同獲獎者，越來越呈現出高層次學者強強聯合的研究趨勢。

（3）、美國培養并擁有八成以上的圖靈獎得主

過去十年的 16 位圖靈獎獲得者之中，有 13 位來自美國、2 位來自英國、1位來自加拿大，如下圖所示。在美國的 13 位圖靈獎得主之中，有 10 位是在美國本國接受的全部高等教育、2 位擁有美國和其他國家教育背景、僅 1 位沒有美國教育背景。

其中，2011 年獲獎者 Judea Pearl 擁有以色列本科教育和美國紐約大學博士教育背景；2012 年圖靈獎得主 Silvio Micali 擁有意大利本科教育和美國加州伯克利大學博士教育背景。唯一沒有美國教育背景的是 2018 年圖靈獎得主 Yann LeCun，他僅有法國教育背景。八成以上圖靈獎得主具有美國教育或工作背景的事實，反映出美國人工智能高層次人才培養的強勢競爭力。

▲2010-2020 年圖靈獎得主所在國家及教育背景情況

（4）、歐洲培養的高層次人才中有三位被吸引到美國學習或工作并獲圖靈獎

從這些圖靈獲獎者的教育背景來看，美國與歐洲國家的學術交流非常多。Yann LeCun 擁有法國教育背景后到美國任職并獲圖靈獎；Judea Pearl 和 Silvio Micali 分別從以色列和意大利被吸引到美國繼續深造而擁有跨國雙重教育背景，后來均到美國任職并在美國獲得圖靈獎。此外，英國的這兩位圖靈獎得主雖然均是在本國接受的高等教育并且獲獎時都在本國，但都有過一些美國任職經歷。

Geoffrey Hinton 博士畢業于英國愛丁堡大學，后來陸續在谷歌、卡內基梅隆大學、加州大學圣地亞哥分校等美國機構任職；Tim Berners-Lee 在英國牛津大學本科畢業后，也有過在麻省理工學院任職的經歷。可見， 美國的高等教育體系不僅培養的 了自己本國的 AI 領域高端人才，而且從歐洲國家吸引和留住了多位領域精英。

（5）、僅加拿大圖靈獎得主沒有任何美國教育和任職經歷

在這 16 位圖靈獎獲得者之中，僅有加拿大的 Yoshua Bengio 在本國的麥吉爾大學接受了高等教育并在本國蒙特利爾大學任職，并于 2018 年因在深度神經網絡概念和工程上的突破而獲獎。這在一定程度上反映出加拿大在人工智能領域高層次人才培養和質量上較為成功。

（6）、圖靈得主們在領域相關論文發表后需要平均等待 37.1 年之后才獲獎

通過 AMiner 人才畫像數據獲取這些圖靈獎得主所發表的第一篇與獲獎理由相關主題的論文，計算得出該論文發表年份距離作者獲得圖靈獎時間，從而得到這些圖靈得主的獲獎時間長短，如下圖所示。結果發現，圖靈獎得主獲獎時一般距離其首次發表獲獎領域相關論文至少已經三十年以上，平均為 37.1 年。

其中， Edwin Catmull 于 2019 年獲得圖靈獎，距離其在計算機圖形學領域發表的最早論文 A system for computer generated movies 已經過去了 47 年，等待獲獎時間最久。而獲獎等待時間最短的是 Tim Berners-Lee，他于 1990 年發表WorldWideWeb: Proposal for a Hypertext Project 論文，僅在 26 年后的 2016 年就因發明萬維網、Web 瀏覽器以及允許 Web 擴展的基本協議和算法獲得圖靈獎。

▲圖靈獎得主的首篇領域論文發表距離獲獎年份的時長

（7）、八成以上圖靈得主獲獎時已經度過了其科研論文高峰產出期

基于 AMiner 平臺上各位圖靈獎得主的論文數據和人物畫像，分析發現，圖靈獎得主一般會在獲獎后保持原來的研究方向，但是他們的論文發表量卻減少了。有 80.1%的圖靈得主在獲圖靈獎后的論文年均產出量低于其獲獎前的年均論文產出量，如下圖所示，這反映出他們在獲得圖靈獎時已經普遍過了其學術產出高峰時期。

▲2010-2020 年圖靈獎得主獲獎前后的年均論文發表量

值得一提的是，Yoshua Bengio，Judea Pearl 和 Michael Stonebraker 三位學者是例外，他們在獲得圖靈獎之后的年均論文產出量較其獲獎前均有不同程度的增加，分別增加了 328.07%、49.53%和 12.32%。其中，Yoshua Bengio 在 2018 年獲得圖靈獎后論文年均發表量激增特別明顯，并在 2019 年發表 96 篇論文，達到其論文產出峰值，他的 AMiner 學術畫像及年度論文發表量如下圖所示。

▲2018 年圖靈獎獲得者 Yoshua Bengio 的 AMiner 學術畫像

需要指出的是，部分圖靈得主在獲獎后的論文產出量減少除了其學術產出減少之外，還存在以下兩個原因。

一是他們可能已不再全力進行學術研究，而是轉向參與社會事業等，從而導致其獲獎后的論文發表量減少。例如，Whitfield Diffie在 2015 年因密碼學的貢獻獲得圖靈獎后，轉向致力于促進信息安全和隱私權的保護；Martin Hellman 因密碼學的貢獻獲得同年的圖靈獎后，轉向致力于研究國際安全與核武器削減。

二是也有少量圖靈得主在發表相關論文后早已投身于工業界，例如，計算機圖形學先驅 Edwin Catmull 在研究生畢業后就在盧卡斯、皮克斯等公司就職，早已離開學術界，曾擔任 Pixar 動畫和 Disney 動畫的總裁，四次獲電影 Oscar 獎（1993、1996、2001 和 2008），其 AMiner 學術畫像及年度論文發表量如下圖所示。

▲2019 年圖靈獎獲得者 Edwin Catmull 的 AMiner 學術畫像

3、媒體評選出的重大人工智能技術

自 2001 年起，《麻省理工科技評論》每年都會評選出當年的“十大突破性技術”。所評選出的技術榜單曾精準預測了腦機接口、智能手表、癌癥基因療法、深度學習等諸多熱門技術的崛起，在全球科技領域具有舉足輕重的影響力。

分析發現，媒體評出的人類突破性技術之中近 30% 與人工智能相關。通過分析挖掘 2010-2020 年《麻省理工科技評論》評選出當年的“十大突破性技術”，發現有 32 項 項 人工智能相關技術入選榜單，占比近 30%，其中包括：2013 年的深度學習、2014 年的神經形態芯片、2016 年的語音接口與知識分享型機器人、2017年的自動駕駛卡車與強化學習，2018 年的流利對話的 AI 助手、給所有人的人工智能和對抗性神經網絡、2019 年的靈巧機器人，以及 2020 年的微型人工智能和人工智能發現分子。具體名單如下圖所示。

▲2010-2020 年入選《麻省理工科技評論》“十大突破性技術”榜單的人工智能相關技術

4、國際頂會頂刊最佳論文授予領域分析

人工智能領域頂級期刊和會議每年都會在眾多學術研究論文之中，通過“雙盲評審”，評選出最有新意和價值的研究論文作為最佳研究論文，并授予“Best Paper”獎項。每年大會的最佳論文獎一般分兩類，一類是最佳研究論文（Research track），另一類是最佳應用論文（Applied track）。部分會議在每年選出多篇最佳論文（分列第一、二、三名），也有部分頂會每隔幾年才會選出一篇最佳論文。

從過去十多年的經驗來看，國際頂會歷年的最佳研究論文都會對之后很多領域的研究有著開創性的影響。因此，不論是從閱讀經典文獻的角度，還是從學習最新研究成果的角度來說，分析和探討每年的最佳研究論文都極具價值。

本部分收集整理了2011-2020年期間的人工智能領域國際頂級會議最佳論文獎項第一名的全部論文（對于不區分名次的最佳論文則全部收錄），再對這些論文所屬領域進行分析。統計發現，過去十年榮獲“最佳論文”獎項的論文來自 34個國際頂會、共計 440 篇，其中，research track 最佳論文 409 篇，占比 93%。

各會議最佳論文量的具體分布如下表所示，FOCS、IEEE VIS、ISSCC 等最佳論文數量較多主要是因為該會議每年頒發 3 篇杰出論文獎（Outstanding Paper Award）且不區分先后名次。ICASSP 等會議最佳論文量較少主要是由于存在缺失數據。

▲2011-2020 年人工智能領域國際頂級會議最佳論文授予量分布 （單位；篇）

從所屬細分研究領域來看，這些最佳論文覆蓋了機器學習、計算機視覺、自然語言處理、機器人、知識工程、語音識別、數據挖掘、信息檢索與推薦、數據庫、人機交互、計算機圖形學、可視化、安全與隱私、計算機網絡、計算機系統、計算理論、經典 AI、芯片技術等 18 個子領域。

（1）、頂會最佳論文獎呈現出較多跨領域授予現象

總體而言，盡管這些國際頂級會議將大部分的最佳論文獎都授予給了本會議所屬的 AI 子領域，但是授予非本會議領域的最佳論文數量占比較高，達 22.3%。其中，WSDM 是數據挖掘領域重要國際會議，在它授予的最佳論文獎之中，有90.9%的最佳論文被授予給非數據挖掘領域的論文，在所有會議中占比最高。其次，KDD 會議將 88.9%最佳論文獎授予給非數據挖掘領域的論文，WWW 會議將 63.6%的最佳論文獎授予給非信息檢索與推薦領域的論文。各個會議最佳論文授予情況具體如下表所示。

▲2011-2020 年人工智能領域國際頂級會議最佳論文授予其他 AI 領域比例

（2）、信息檢索與推薦、機器學習和計算理論出現較多的跨領域授予

從跨領域授予最佳論文獎的整體數量來看，信息檢索與推薦、機器學習和計算理論是獲得最佳論文獎項數量較多的三個領域，占比均超過 10%，詳細情況如下圖所示。這反映出這三個子領域的跨領域研究成果所獲的專業認可度較高，在一定程度上促進了相關技術在多個 AI 子領域的快速發展和進步。

▲人工智能領域國際頂級會議最佳論文獎跨 AI 子領域授予分布圖

從來源會議來看，信息檢索與推薦領域最佳論文除了被 RecSys、SIGIR 和 WWW 本領域會議最多授予之外，也較多被數據挖掘領域會議 WSDM、數據庫領域的 SIGMOD和 VLDB 授予最佳論文獎，如下圖所示。

▲信息檢索與推薦領域最佳論文跨領域授予會議示例

（3）、機器學習技術成果集中在 2016-2018 年獲得較多獎項認可

過去十年頂會最佳論文授予技術領域的年度趨勢如下圖所示，其中，色塊顏色代表該項技術在某項會議所被授予的最佳論文數量，色塊顏色越深表示論文數量越多。

從最佳論文獎被授予領域的年度趨勢來看，機器學習領域過去十年內最佳論文在 2016 年被授予最多，為 9 篇，其次是 2017 和 2018 年，相關最佳論文數量均為 8 篇。從來源會議來看，共有 14 個頂會將最佳論文獎分別授予給機器學習領域。其中，最佳論文獎授予量較多的兩大會議是 International Conference on Machine Learning （ICML）和 International Conference on Learning Representations（ICLR），分別為 13 和 12 篇。

▲人工智能領域國際頂刊頂會最佳論文授予領域年度趨勢

4、安全與隱私領域最佳論文授予數量呈現增多趨勢

隨著人工智能快速發展和應用，許多領域開始注重技術的安全與隱私性。這體現在逐年增多的領域最佳論文數量上。尤其是 2014 年之后，安全與隱私領域年度最佳論文數量均超過 5 篇。

過去十年來，CCS、ICML、OSDI、S&P、SIGCOMM 和 WWW 等頂會均曾授予過安全與隱私領域的最佳論文獎。安全與隱私的最佳論文授予主要來自于IEEE Symposium on Security and Privacy （S&P）和 ACM Conference on Computer and Communications Security （CCS）兩大會議。

5、國際頂會頂刊領域高影響力論文分析

論文引用量是衡量一個科研文獻被業界認可度的標志，也是該文獻影響力的重要體現。本部分針對人工智能國際頂會頂刊 2011-2020 年期間的所發表論文的引用量特征及所屬領域進行分析。結果分析發現，某一學術會議中引用量最高的論文未必是該會議授予最佳論文獎的論文，反之亦然。

分析還發現，人工智能不同子領域論文的最高引用量的量級跨度很大。如下圖所示，2011-2020 年期間人工智能國際頂會頂刊最高引用量前十論文研究以機器學習領域為首，其次是計算機視覺領域研究論文。機器學習和計算機視覺領到域論文的引用量級均達到 25 萬次以上，明顯高于其他子領域最高引用論文的引用量。在所有子領域之中，知識工程領域論文的引用量級最少，不足于機器學習領域論文引用量的 2%。

▲2011-2020 年人工智能國際頂會頂刊各子領域最高引用量前十論文的引用量分布

具體來看，人工智能各個子領域在過去十年中出現在國際頂級會議期刊上的最高影響力論文相關信息如下表所示。其中，計算機視覺領域最高影響力論文是 2016 年 CVPR 上、以 Facebook AI Research 何愷明為第一作者的“Deep Residual Learning for Image Recognition”文章，其引用量已超過 6 萬。

機器學習領域引用量最高的論文是發表在 2015 年 ICLR 會議上的“Adam: A Method for Stochastic Optimization”，該文是由 Google Brain 的 Diederik P., Kingma 和加拿大多倫多大學的助理教授 Jimmy Lei Ba 聯合發表，目前引用量將近 6 萬。

機器學習領域，影響力排名前 10 論文的引用率都超過萬次，且半數以上論文引用率超過 2 萬次，如表 4-6 所示。從論文研究主題來看，這 這 10 篇最高影響力論文全部都是與深度學習相關的。從論文來源來看，這 10 篇最高影響力論文之中，有 5 篇來自 NeurIPS 、3 篇來自 ICLR、2 篇來自 ICML。

居于首位的是2015 年 ICLR 會議上由 Google Brain 的 Diederik P., Kingma 和加拿大多倫多大學的助理教授 Jimmy Lei Ba 聯合發表的“Adam: A Method for StochasticOptimization”論文。影響力排名第二位的是 Apple 公司研究員 Ian J.Goodfellow發表在 NeurIPS 2014 上的一篇論文“Generative Adversarial Nets”，該文也是 GANs的開山之作。影響力排名第三位的論文是 Facebook 科學家 Tomas Mikolov 發表在 NeurIPS 2013 上的“Distributed Representations of Words and Phrases and theirCompositionality”。

▲2011-2020 年機器學習領域最高影響力論文前十

計算機視覺領域，最高影響力前十論文如表 4-7 所示。其中，最高引用的論文是發布于 2016 年 CVPR 上、以 Facebook AI Research 何愷明為第一作者的“Deep Residual Learning for Image Recognition”文章，其引用量已超過 6 萬。

這篇論文也榮獲了當年 CVPR Best Paper 獎項，聯合作者還包括曠視科技的研究員張祥雨、首席科學家與研究院院長孫劍，以及當時就職于 Momenta 任少卿。該文是一篇非常經典的神經網絡的論文，主要通過構建了一種新的網絡結構來解決當網絡層數過高之后更深層的網絡的效果沒有稍淺層網絡好的問題，并且做出了適當解釋以及用 ResNet 殘差網絡解決了問題。

▲2011-2020 年計算機視覺領域最高影響力論文前十

自然語言處理領域，過去十年中最高影響力前十論文的具體信息如下表所示。其中，最高引用量論文是 Google 研究員 Jeffrey Pennington 在 2014 年 EMNLP會議發表的論文“Glove: Global Vectors for Word Representation”，這篇論文提出的單詞表示模型是通過僅訓練單詞-單詞共現矩陣中的非零元素，而不是整個稀疏矩陣或大型語料庫中的單個上下文窗口，來有效地利用統計信息。該模型產生一個具有有意義子結構的向量空間，在相似性任務和命名實體識別方面優于相關模型。

▲2011-2020 年自然語言處理領域最高影響力論文前十

6、過去十年十大人工智能研究熱點

過去十年十大 AI 研究熱點分別為：深度神經網絡、特征抽取、圖像分類、目標檢測、語義分割、表示學習、生成對抗網絡、語義網絡、協同過濾和機器翻譯。

▲AMiner 評選出的近十年十大 AI 研究熱點

（1）、深度神經網絡

深度神經網絡是深度學習的基礎，又被稱為深度前饋網絡（DFN）、多層感知機（Multi-Layer perceptron，MLP），可以理解為是有很多隱藏層的神經網絡。深度神經網絡可以在沒有大量標記數據的情況下解決問題。代表算法包括卷積神經網絡、循環神經網絡、遞歸神經網絡等。

深度神經網絡的被引用量保持了較長時間的穩定平穩增長；深度卷積神經網絡技術則于 2014 年開始獲得更多引用。目前，深度神經網絡（DNN）是許多人工智能應用的基礎，從自動駕駛汽車、癌癥檢測到大型游戲等。在這許多領域中，DNN 實現了超越人類的準確率。

數據顯示，過去十年中，有 5405 篇以卷積神經網絡為研究主題的論文在人工智能國際頂會頂刊論文中發表，其總引用量達 299729，并且在這些頂會頂刊論文引用量排名前十的論文中出現過 125 次。該技術的最終指數評分為98.16 ，位列過去十年最熱門 AI 研究主題之首。

（2）、特征抽取

特征抽取（Feature Extraction）熱門是信息檢索與推薦中的一項技術，專指使用計算機提取一組測量值中屬于特征性的信息的方法及過程，并將所抽取出的有效實體信息進行結構化存儲。目前特征抽取已引入機器學習、深度學習、神經網絡技術，其中，神經網絡計算已應用于圖片特征抽取。

針對某個特定圖片，通過卷積神經網絡對圖片進行特征抽取得到表征圖片的特征，利用度量學習方法如歐式距離對圖片特征進行計算，對圖片距離進行排序，得到初級檢索結果，再根據圖片數據的上下文信息和流形結構對圖像檢索結果進行重排序，從而提高圖像檢索準確率，得到最終的檢索結果。

數據顯示，過去十年中，有 1747 篇以特征抽取為研究主題的論文在人工智能國際頂會頂刊論文中發表，其總引用量達 95205，并且在這些頂會頂刊論文引用量排名前十的論文中出現過 8 次。該技術的最終評分為 21.51 ，位列過去十年 AI 研究熱點亞軍。

（3）、圖像分類

圖像分類（Image Classification）是指計算機利用算法從給定的分類集合中給某個特定圖像正確分配一個標簽的任務，其目標是將不同的圖像劃分到不同的類別中，并實現最小的分類誤差，較多應用于計算機視覺、信息檢索與推薦領域。2012 年，加拿大認知心理學家和計算機科學家 Geoffrey Everest Hinton 的博士生Alex Krizhevsky 在 ILSVRC 將深度學習用于大規模圖像分類中并提出了 CNN 模型，其計算效果大幅度超越傳統方法，獲得了 ILSVRC2012 冠軍，該模型被稱作AlexNet。從 AlexNet 之后，涌現了一系列 CNN 模型，不斷地在 ImageNet 上刷新成績。目前的深度學習模型的識別能力已經超過了人眼。

數據顯示，過去十年中，有 612 篇以圖像分類為研究主題的論文在人工智能國際頂會頂刊論文中發表，其總引用量達 50309，并且在這些頂會頂刊論文引用量排名前十的論文中出現過 16 次。該技術的最終評分為 14.14，位列過去十年最熱門 AI 研究主題第三名。

（4）、目標檢測

目標檢測（Object Detection）作為計算機視覺和圖像處理領域一個分支，是指利用圖像處理與模式識別等領域的理論和方法，檢測出數字圖像和視頻中存在的特定類別的目標對象，確定這些目標對象的語義類別，并標定出目標對象在圖像中的位置。對象檢測是對象識別的前提，具有很大發展潛力。

對象檢測已經有許多有用有趣的實際應用，如人臉識別、行人檢測、視覺搜索引擎、計數、航拍圖像分析等。深度學習模型在圖像分類任務中碾壓了其他傳統方法。很多對象檢測的新方法和新應用推動了深度學習最前沿的科技發展。

過去十年中，有 472 篇以目標檢測為研究主題的論文在人工智能國際頂會頂刊論文中發表，其總引用量達 49602 次，并且在這些頂會頂刊論文引用量排名前十的論文中出現過 13 次。該技術的最終評分為 12.73，位列最熱門 AI 研究主題第四名。

（5）、語義分割

語義分割（Semantic Segmentation）是讓計算機根據圖像的語義進行分割，判斷圖像中哪些像素屬于哪個目標。近年來，許多語義分割問題正在采用深度學習技術來解決，最常見的是卷積神經網絡，在精度上大大超過了其他方法以及效率。目前語義分割的應用領域主要有：地理信息系統、無人車駕駛、醫療影像分析和機器人等領域。

過去十年中，有 275 篇以語義分割為研究主題的論文在人工智能國際頂會頂刊論文中發表，其總引用量達 27893 次，并且在這些頂會頂刊論文引用量排名前十的論文中出現過 23 次。該技術的最終評分為 12.01，位列最熱門 AI 研究主題第五名。

（6）、表示學習

表示學習（Representation Learning），是指將原始數據轉換成能夠被機器學習的一種深度學習技術。它能夠從復雜的原始數據中提煉有效特征，剔除無效或者冗余信息，形成可用的數據表示。在知識表示學習中，詞嵌入（Word Embedding）是自然語言處理的重要突破之一，它可以將詞表示為實數域向量，進而為機器學習和深度學習提供模型訓練的基礎。

近些年很多專家和學者利用詞嵌入的表示學習原理進行相關領域的研究，主要的表示方法包括 Word2Vec、One-hot、詞共現等。這些方法已經成為當下人工智能技術應用的基礎，為機器學習提供了高效的表示能力。

過去十年中，有 711 篇以表示學習為研究主題的論文在人工智能國際頂會頂刊論文中發表，其總引用量達 49892 次，并且在這些頂會頂刊論文引用量排名前十的論文中出現過 8 次。該技術的最終評分為 11.88，位列最具影響力 AI 技術第六名。

（7）、生成對抗網絡

生成對抗網絡（Generative Adversarial Networks, GAN）是用于無監督學習的機器學習模型，由 Ian Goodfellow 等人在 2014 年提出。由神經網絡構成判別器和生成器構成，通過一種互相競爭的機制組成的一種學習框架。GAN 功能強大，學習性質是無監督的，也不需要標記數據。

傳統的生成模型最早要追溯到 80 年代的 RBM，以及后來逐漸使用深度神經網絡進行包裝的 AutoEncoder，然后就是現在的生成模型 GAN。GAN 具有大量的實際用例，如圖像生成、藝術品生成、音樂生成和視頻生成。此外，它還可以提高圖像質量，并且完成圖像風格化或著色、面部生成以及其他更多有趣的任務。

過去十年在人工智能國際頂會頂刊論文中發表有 362 篇以生成對抗網絡為研究主題的論文，其總引用量達 24536 次，并且在這些頂會頂刊論文引用量排名前十的論文中出現過 22 次。該技術的最終評分為 11.44，位列最熱門 AI 研究主題第七名。

（8）、語義網絡

語義網絡（Semantic Network）是一種以網絡格式表達人類知識構造的形式，是人工智能程序運用的表示方式之一，相關研究主要集中在信息檢索與推薦、知識工程領域。語義網絡是一種面向語義的結構，它們一般使用一組推理規則，規則是為了正確處理出現在網絡中的特種弧而專門設計的。語義網絡可以深層次地表示知識，包括實體結構、層次及實體間的因果關系；無推理規律可循；知識表達的自然性可以直接從語言語句強化而來。

過去十年在人工智能國際頂會頂刊論文中有 1192 篇以語義網絡為研究主題的論文發表，總引用量達 44897 次，并且在這些頂會頂刊論文引用量排名前十的論文中出現過 2 次。語義網絡技術的最終評分為 10.60，位列最熱門 AI 研究主題第八名。

（9）、協同過濾

協同過濾（CF）是推薦系統使用的一種技術，通過收集來自多個用戶的偏好、興趣、評價標準等用戶行為數據來過濾信息，并自動預測（過濾）用戶興趣的方法，為用戶提供有針對性的推薦及其所需信息。大多數協同過濾系統都應用基于相似度索引的技術。協同過濾是解決信息超載問題的一個有效辦法。無論是基于用戶-用戶的協同過濾，還是項目-項目的協同過濾，都有效地提高了用戶信息的使用效率。

過去十年在人工智能國際頂會頂刊論文中有 289 篇以協同過濾為研究主題的論文，其總引用量達 36681 次，并且在這些頂會頂刊論文引用量排名前十的論文中出現過 12 次。該技術的最終評分為 9.98，位列最熱門 AI 研究主題第九名。

（10）、機器翻譯

機器翻譯（Machine Translation），又稱為自動翻譯，是利用計算機把一種自然源語言轉變為另一種自然目標語言的過程，通常指自然語言之間句子和全文的翻譯。它是自然語言處理（Natural Language Processing）的一個分支，與計算語言學（Computational Linguistics）、自然語言理解（Natural Language Understanding）之間存在密不可分的關系。

機器翻譯是人工智能的終極目標之一，其核心語言理解和語言生成是自然語言處理的兩大基本問題。近幾年來，隨著深度學習技術的發展，神經機器翻譯取得了巨大進展，其生成的譯文接近自然語句，成為了主流語言學習模型。

過去十年在人工智能國際頂會頂刊論文中發表有 389 篇以機器翻譯為研究主題的論文，其總引用量達 23119 次，并且在這些頂會頂刊論文引用量排名前十的論文中出現過 14 次。該技術的最終評分為 8.84，成為 AI 研究熱點第十名。

02.AI領域高層次人才分析

1、全球 AI 領域高層次人才

過去十年，全球人工智能發展迅速。中國、美國、歐盟、英國、德國等國家紛紛從戰略上布局人工智能，加強頂層設計和人才培養。本報告數據顯示，全球人工智能領域學者數量共計 155408 位，覆蓋 120 多個國家，主要集中在北美洲、歐洲、東亞地區。

人工智能領域論文發表量反映了一個國家在領域的科研實力。在 AI 領域論文發表量 TOP10 的國家之中，美國、中國和德國的論文產出量分別位前三名，其余國家（英國、加拿大、日本、法國、澳大利亞、韓國和新加坡）領域論文產出量均在 2 萬篇以下。

其中，美國在 AI 領域的論文發表數量和人才數量都位于全球第一，有近四成的全球 AI 領域論文產出是來自美國，并且美國 AI 學者數量約占全球領域學者總量的 31.6%。

中國在人工智能領域的論文發表數量（25418篇）和人才數量（17368 位）僅低于美國，同時，大幅領先于其他國家。這反映出中國近年來發布的從產業發展、教育等各個方面支持人工智能發展的一系列支持政策，以及不斷加強人才培養和補齊人才短板的行動已見成效。

從子領域的領先國家來看，美國在人工智能領域具有明顯的科研產出優勢，在幾乎所有子領域的論文產出量均居于全球首位。中國的 AI 科研產出水平在自然語言處理、芯片技術、機器學習、信息檢索與挖掘等 10 多個子領域都緊隨美國之后，并且，在多媒體、物聯網領域的論文產出量超過美國、居于全球第一；而在人機交互、知識工程、機器人、計算機圖形、計算理論領域，中國還需努力追趕。

AI 高層次學者是指入選 AI2000 榜單的 2000 位人才。由于存在同一學者入選不同領域的現象，經過去重處理后，AI 高層次學者共計 1833 位。從這些高層次學者分布看，如下圖所示，AI 領域全球高層次學者覆蓋全球 37 個國家，主要集中在北美洲的美國地區；歐洲中西部也有一定的高層次學者分布；亞洲的高層次人才主要分布于中國、新加坡及日韓等地區；其他諸如南美洲、非洲等地區的高層次學者數量稀少。

從國家角度看 AI 高層次學者分布，美國 AI 高層次學者的數量最多，有 1244人次，占比 62.2%，超過總人數的一半以上，且是第二位國家數量的 6 倍以上。中國排在美國之后，位列第二，有 196 人次，占比 9.8%。德國位列第三，是歐洲學者數量最多的國家；其余國家的學者數量均在 100 人次以下。人工智能領域高層次學者人數 TOP10 的國家如下圖所示。

▲人工智能領域高層次學者數量 TOP10 國家

總體來看，全球范圍內，美國和中國的機構在人工智能領域的論文產出和學者數量較多，占據了 AI 領域論文量排名前 10 機構的全部席位。從 AI 高層次人才分布看，全球 AI 高層次人才隸屬于各個國家的高等院校或高科技公司的科研部門。

如下圖所示，全球人工智能領域高層次學者量TOP10機構之中，位居首位的是美國的谷歌公司，擁有 185 人，也是唯一一家高層次學者數過百的機構；從國家分布來看，清華大學是唯一入選 TOP10 的中國機構，其余均為美國機構，且美國機構高層次學者總體人數遙遙領先。

從子領域論文量來看，美國的大學和科技機構在 AI 各個細分方向上的發展較為均衡，且在自然語言處理、芯片技術、機器學習、信息檢索與挖掘、人機交互等 10 多個子領域的發展居于全球領先席位。這反映出美國在人工智能領域的頂級實力。

中國的 AI 機構在語音識別、經典 AI、計算機網絡、多媒體、可視化和物聯網等領域實力較強，進入全球先進行列。這些機構主要是位于北京的清華大學、中科院和北京郵電大學，以及浙江大學。

2、中國 AI 領域高層次人才

過去十年，我國人工智能發展迅猛。2017 年，人工智能首次被寫入全國政府工作報告，我國確定新一代人工智能發展三步走戰略目標，并將人工智能上升為國家戰略層面。本報告數據顯示，我國人工智能領域學者數量共計 17368 位，覆蓋 100 多個國內城市。從地域分布來看，我國 AI 人才主要集中在京津冀、長三角和珠三角地區。

國內AI領域高層次人才也主要分布在京津冀、長三角和珠三角地區，如下圖所示。其中，京津冀地區（主要是北京市）在 AI 領域的高層次人才數量最多。長三角地區也有較多的 AI 高層次人才分布。相比之下，內陸地區領域高層次人才較為缺乏。在學者分布地圖中，顏色越深，表示學者越集中；顏色越淺，表示學者越稀少。

從 AI 高層次學者分布來看，北京仍是擁有 AI 高層次學者數量最多的國內城市，有 79 位，占比 45.4%，接近于國內 AI 高層次人才的一半，如下圖所示。北京作為政治中心、文化中心、國際交往中心、科技創新中心具有先天優勢，擁有數量眾多的 AI 企業和多所知名高校和研究機構，北京的高水平 AI 論文發表量和高層次學者量明顯領先于其他國內城市。同時，從子領域發展來看，北京在AI 各個細分方向上的發展較為均衡，相關論文產出量均居于全國領先位置。

▲人工智能領域高層次學者數量 TOP10 的中國城市

國內人工智能領域研究領先的機構主要以北京、香港、杭州、上海等地的高等院校為主。北京在人工智能領域的資源優勢，該城市擁有清華大學、北京大學、中國科學院等知名高校。杭州和香港的機構也處于 AI 子領域研究前列，主要由于前者擁有阿里巴巴和浙江大學，后者則因其香港科技大學和香港中文大學等實力高校。

在國內機構之中，北京的清華大學不僅擁有 AI 領域學者數量最多，而且所擁有的領域高層次人才數量也居于國內首位，有 27 位。國內高層次 AI 人才基本都隸屬于高校。香港中文大學、浙江大學和中國科學院在人工智能領域的高層次學者數量分別為 16、14 和 11 位。其他的國內機構所擁有的 AI 領域高層次人才數量均不足十位，如下圖所示。

▲人工智能領域高層次學者數量 TOP10 的中國機構

中國 AI 領域高層次人才培養從2018 年起開始重點發展，主要由高校通過成立AI 學院研究院立 、設立 AI 專業的方式進行培養。教育部在《高等學校人工智能創新行動計劃》（教技〔2018〕3 號）中提出，要加強人工智能領域專業建設，形成“人工智能+X”復合專業培養新模式。

到 2020 年建設 100 個“人工智能+X”復合特色專業，建立 50 家人工智能學院、研究院或交叉研究中心，并引導高校通過增量支持和存量調整，加大人工智能領域人才培養力度。到 2020 年，高校要基本完成新一代人工智能發展的高校科技創新體系和學科體系的優化布局。到 2030 年，高校要成為建設世界主要人工智能創新中心的核心力量和引領新一代人工智能發展的人才高地。

教育部于 2019 年 3 月頒布《關于公布 2018 年度普通高等學校本科專業備案和審批結果的通知》 ， 將人工智能專業列入 新增審批本科專業名單，專業代碼為 080717T（T 代表特設專業），學位授予門類為工學。在此之前，國內沒有高校在本科階段設置人工智能專業。

2020 年 2 月， 教育部頒布《關于公布 2019 年度普通高等學校本科專業備案和審批結果的通知》 。統計結果顯示， 人工智能方面，本次全國范圍內獲得人工智能專業首批建設資格的共有180 所，相比2018 年的 35 所，增加 414% ， 反映出人工智能專業的熱度攀升 。

截至目前，國內共有215 所高校成立“人工智能”本科專業。這些高校之中，有 60 所雙一流大學（占比 28%），其他 155 所為普通本科院校。

從地域分布看，2019 年度新增人工智能專業較多的省份依次是 山東14所 、江蘇13所 、 北京11所、安徽10所 、 河南10所 、 四川 10所，其余省份新增人工智能專業的高校數量均不足 10 所。但這些數字加起來占全國高校總量比例仍然較小，高校人工智能本科教育仍處于起步和發展階段。

在 AI 人才緊缺，國家政策推動 AI 發展趨勢等因素影響下，相比于建設人工智能專業，很多高校更愿意設立一個人工智能研究獨立學院。截至 2019 年 6 月，至少有 38 所高校設立了獨立人工智能學院，全面開展本科階段、研究生階段的教育，并且在 2019 年開始以人工智能專業招收本科生。

據統計，截止到 2019 年年底，我國已經有 66 所高校成功建設人工智能學院、研究院、研究中心或研究所，超額完成了教育部在《高等學校人工智能創新行動計劃》中強調的到 2020 年在全國高校中建立 50 家人工智能學院、研究院或交叉研究中心的目標。

總之，中國各大高校設立人工智能一級學科、建立人工智能學院，有助于精準布點人工智能相關專業以滿足國家和區域的產業發展需求，有助于加快建設一流人才隊伍和高水平創新團隊、進一步推動國際學術交流與合作、專業和教材建設，提高人才培養質量，推動科技成果轉化。

03.人工智能專利分析

專利是創新成果的應用表現形式。本部分將通過人工智能領域專利分析，挖掘該技術的創新應用情況。以墨創全球專利數據庫作為數據來源，使用行業專家和相關技術領域專利審查專家共同給出的人工智能領域關鍵詞在標題和摘要中進行檢索，搜索時間范圍限定為 2011-2020 年。

專利數據分析發現，隨著核心算法的突破、計算能力的迅速提升以及海量數據的支撐，過去十年的 人工智能專利申請量呈現逐漸上升態勢。

1、全球 AI 專利分析

全球范圍內，過去十年人工智能領域的專利申請量 521264，總體上呈逐年上升趨勢，如下圖所示。

▲全球人工智能專利申請量年度變化趨勢

全球 AI 專利申請數量排名領先的國家/地區如下圖所示。從圖中可以看出，目前，全球人工智能專利申請集中在中國、美國、日本、韓國。其中，中國和美國處于領先地位，遙遙領先其他國家。中國專利申請量為 389571，位居世界第一，占全球總量的 74.7%，是排名第二的美國的 8.2 倍。

▲全球 AI 專利申請量 Top10 國家

過去十年，全球人工智能專利申請之中，將近一半的申請人是來自于企業。高校和研究所的相關申請量共計約兩成。

▲全球 AI 專利申請類型分布

人工智能專利申請量前十的機構集中在日本、中國、韓國和美國。其中，日本的佳能是一家致力于圖像、光學和辦公自動化產品的公司，該公司的絕大多數專利都與成像有關，申請量最高的人工智能功能應用類別是計算機視覺。美國IBM 公司的專利申請很多都與 IBM 的自然語言處理和機器學習技術有關。中國的國家電網的專利申請多與電網控制、配電利用網絡、風電場、綠色能源等領域的人工智能開發有關。

▲全球 AI 專利申請人排名 TOP10

2、中國 AI 專利分析

過去十年，中國人工智能領域的專利申請量 389571，約占全球申請量的74.7%。總體上，國內的人工智能相關專利申請量呈逐年上升趨勢，并且在 2015年后增長速度明顯加快，如下圖所示。

▲中國人工智能專利申請量年度趨勢

中國各省市 AI 專利申請數量的分布情況如下圖所示。從圖中可以看出，廣東省的 AI 專利申請量以 72737 位居第一，比排名第二的北京市（50906）多出42.8%，具有突出優勢。前十名的省份主要分布在東部、中部、西部等地區，分布較為均衡，但是以東部省市居多，江浙滬三省市均位居前五名。這與這些地區的經濟水平、發展程度、科研投入及知識產權保護等因素密切相關。

▲全國AI專利申請量 TOP10省份

中國 AI 專利申請數量排名前十的機構如下圖所示，包括 5 家企業和 5 所高校，主要分布在廣東、北京、浙江和四川。目前中國在 AI 專利領域的創新主要還是依靠高科技互聯網企業和高校科研機構等方面的共同努力。國家電網專利申請量最多，其次是騰訊科技，體現出這兩家企業在 AI 領域的創新能力比較突出，對相關技術領域的引領作用較強。

▲中國AI專利申請量 TOP10機構

04.未來機遇與挑戰

1、未來發展機遇

目前，全球已有美國、中國、歐盟、英國、日本、德國、加拿大等 10 余個國家和地區紛紛發布了人工智能相關國家發展戰略或政策規劃，用于支持 AI 未來發展。這些國家幾乎都將人工智能視為引領未來、重塑傳統行業結構的前沿性、戰略性技術，積極推動人工智能發展及應用，注重人工智能人才隊伍培養。這是AI 未來發展的重要歷史機遇。

美國：指定AI研究為政府優先事項并調入更多支持資金和資源。美國高度重視人工智能全面發展，包括立法、研發投資、人才培養等多個方面紛紛給予支持。2016 年，美國國家科學技術委員會（NSTC）發布《國家人工智能研發戰略計劃》全面布局人工智能發展。與此同時，美國總統辦公室發布報告《為未來人工智能做好準備》，以應對人工智能帶來的潛在風險，以及《人工智能、自動化與經濟報告》，強調人工智能驅動的自動化對經濟發展的影響。

2018 年，美國白宮首次將人工智能指定為政府研發的優先事項，并且成立人工智能特別委員會，旨在協調聯邦政府各機構之間人工智能研發優先事項，并向白宮提出行動建議，以確保美國人工智能技術的領導地位。美國國防部高級研究項目局宣布投資 20 億美元開發下一代人工智能技術。美國國會兩院討論包括《人工智能未來法案》《人工智能就業法案》和《國家安全委員會人工智能法案》等法案。五角大樓成立了“聯合人工智能中心”，確保國防部對人工智能相關數據信息的高效利用。

2019 年，美國白宮科學和技術政策辦公室（OSTP）發布了由總統特朗普簽署的《美國人工智能倡議》，將人工智能的重要性上升到美國經濟安全和國家安全的層面，要求調配更多聯邦資金和資源轉向人工智能研究，并呼吁美國主導國際人工智能標準的制定，開展人工智能時代美國勞動力培養的研究。白宮還對《國家人工智能研發戰略計劃》進行了更新，確定了聯邦投資于人工智能研發的優先事項。

美國防部網站公布《2018 年國防部人工智能戰略摘要——利用人工智能促進安全與繁榮》，并成立聯合人工智能中心（JAIC），旨在加快人工智能快速賦能關鍵作戰任務，統籌協調人工智能研發項目，積極維持美國在 AI 方面的戰略地位。同年，國防授權法案批準設立人工智能國家安全委員會，該委員會旨在全面審查、分析人工智能技術及系統；商務部成立白宮勞動力委員會，以幫助美國儲備人工智能等新興科技發展所需的人才；國家科學基金會持續資助人工智能基礎研究領域。

歐盟：重視并推動 AI 發展中的倫理和安全理念。歐盟在人工智能發展戰略中堅持推行以人為本的理念，在 2018 年發布了《歐盟人工智能戰略》，推動歐盟人工智能領域的技術研發、道德規范制定以及投資規劃，并計劃在 2020 年底至少投入 200 億歐元。隨后，歐盟宣布在“地平線 2020”研究與創新項目中對人工智能研發投入 15 億歐元的專項資金，將資助創建歐洲人工智能生態系統的支撐平臺。

歐盟專門設立了高級別人工智能專家組（AI HLEG），就人工智能的投資和政策制定提出建議，為人工智能的道德發展制定指導方針。該專家組制定了《可信賴的人工智能道德準則草案》，提出實現可信賴人工智能的道德準則和具體要求，包括數據保護和數據透明度等問題。該草案是歐盟為增加政府和私營部門人工智能領域合作的提出的三大戰略之一，三大戰略包括：增加政府和私營部門對人工智能的投資、為人工智能可能引發的社會和經濟變革做好準備、建立適當的人工智能道德和法律框架。

此外，歐盟成員國還于 2018 年簽署了《人工智能合作宣言》，就人工智能可能引發的社會、經濟、倫理道德和法律等重要問題開展合作，確保歐洲在人工智能研發和應用上具有強大競爭力。隨后，又發布《促進人工智能在歐洲發展和應用的協調行動計劃》，提出設計倫理和設計安全兩大關鍵原則，旨在使歐盟成為發展前沿、符合道德倫理、安全的人工智能技術的世界領先地區，強調將通過以人為本的方式促進人工智能技術發展。

2019 年，歐盟啟動了 AI FOR EU 項目，建立人工智能需求平臺、開放協作平臺，整合匯聚 21 個成員國 79 家研發機構、中小企業和大型企業的數據、計算、算法和工具等人工智能資源，提供統一開放服務。此外還發布了《人工智能倫理準則》，以提升人們對人工智能產業的信任。

英國：不斷加大政策、資金、人才和國際合作方面的布局力度。英國政府在 2017 年發布的《產業戰略：建設適應未來的英國》中，確立了人工智能發展的四個優先領域：將英國建設為全球 AI 與數據創新中心；支持各行業利用 AI 和數據分析技術；在數據和人工智能的安全等方面保持世界領先；培養公民工作技能。隨后，發布了《在英國發展人工智能》，建議建立人工智能和數據科學的艾倫·圖靈研究所，旨在與其他公共研究機構建立合作，統籌協調針對人工智能研究的計算能力。

2018 年，英國政府發布《產業戰略：人工智能領域行動》，這是英國政府和產業界做出的首份發展人工智能的承諾，將采取切實行動推進人工智能發展，促進英國人工智能和數字驅動的經濟蓬勃發展。英國政府在《人工智能領域行動》等多個人工智能方面的政策文件中，提出政府提高研發經費投入，優先支持關鍵領域的創新等措施。

這些舉措包括：未來 10 年，英國政府將研發經費（包括人工智能技術）占 GDP 的比例提高到 2.4%；2021 年研發投資將達 125 億英鎊；從“產業戰略挑戰基金”中撥款 9300 萬英鎊，用于機器人與 AI 技術研發等。英國政府也積極推出針對初創企業的激勵政策。

近年來，英國政府不斷加大政策、資金、人才、國際合作等方面的布局力度。在政策方面，據英國政府 2018 年推出的《工業戰略：人工智能產業政策》報告顯示，過去 3 年英國發布了包括人工智能產業在內的工業戰略白皮書、人工智能產業政策等各項措施，并成立了人工智能發展委員會、數據倫理與創新中心、人工智能發展辦公室及工業戰略挑戰基金等相關機構，以推動人工智能的發展。在資金方面，英國規劃制定了金額超 9 億英磅（約 78.7 億元人民幣）的一攬子人工智能產業扶持計劃，還將投資谷歌、亞馬遜、“人工智能元素”（Element AI）以及“慧與科技”（HPE）等一系列跨國科技公司。

2019 年 2 月，英國政府宣布投資 1300 萬英鎊（約 1.13 億元人民幣）支持 40 個人工智能及數據分析項目，旨在提升生產力，改善英國的專業服務。在人才方面，自 2017 年起，英國計劃將在 4 年內培育 8000 名計算機科學教師；未來 7 年，通過培訓讓 5000 名學生具備多樣化的數字技術；支持新增 450 個與人工智能相關的博士點；加大包括人工智能人才在內的海外特殊人才引進力度，每年增加 1000 名至 2000 名人才引進。

在國際合作方面，2018 年 7 月，英國與法國簽訂五年協議，在人工智能等數字產業領域加強雙方高端科研中心的合作；2019 年 1 月，英國決定與日本在機器人、數據等領域加強深度合作。

德國：用 AI+ 工業 4.0 打造“人工智能德國造”品牌。德國政府早在 2013 年提出的“工業 4.0”戰略中，就已經涵蓋了人工智能。2018 年，德國聯邦政府頒布了《高科技戰略 2025》，提出“推進人工智能應用，使德國成為人工智能領域世界領先的研究、開發和應用地點之一”，還明確提出建立人工智能競爭力中心、制定人工智能戰略、組建數據倫理委員會、建立德法人工智能中心等。

在《聯邦政府人工智能戰略》中制定三大戰略目標，以及包括研究、技術轉化、創業、人才、標準、制度框架和國際合作在內的 12 個行動領域，旨在打造“人工智能德國造”品牌。在資金投入方面，德國政府宣布將首先投入 5 億歐元用于 2019 年及之后幾年的人工智能發展，并將在 2025 年底累計投入 30 億歐元。德國經濟和能源部在 2019 年發布的《國家工業戰略 2030》（草案）中，也多次強調人工智能的重要性。

2020 年 1 月 15 日，德國柏林工業大學宣布成立新的人工智能研究所，進一步開展人工智能科研和人才培養。德國聯邦政府將在人工智能戰略框架內對該研究所追加預算，預計到 2022 年時，研究所將獲得 3200 萬歐元財政支持。柏林市政府也將為研究所新增人工智能崗位。

日本：主張構建有效且安全應用的“AI-Ready 社會”。日本政府積極發布國家層面的人工智能戰略、產業化路線圖。2016 年成立了人工智能技術戰略委員會，作為人工智能國家層面的綜合管理機構，以制定人工智能研究和發展目標以及人工智能產業化路線圖，負責推動總務省、文部省、經產省以及下屬研究機構間的協作，進行人工智能技術研發。該委員會有 11 名成員，分別來自學術界、產業界和政府。

2017 年，日本發布《人工智能技術戰略》，確定了在人工智能技術和成果商業化方面，政府、產業界和學術界合作的行動目標。2018 年，日本發布《綜合創新戰略》提出要培養人工智能領域技術人才，確保在 2025 年之前每年培養和錄用幾十萬名 IT 人才。此外，還發布了《集成創新戰略》，將人工智能指定為重點發展領域之一，提出要加大其發展力度，同時強調要加強人工智能領域人才培養。

2018 年 12 月 27 日，日本內閣府發布《以人類為中心的人工智能社會原則》推進人工智能發展，從宏觀和倫理角度表明了日本政府的態度，主張在推進人工智能技術研發時，綜合考慮其對人類、社會系統、產業構造、創新系統、政府等帶來的影響，構建能夠使人工智能有效且安全應用的“AI-Ready 社會”，于 2019 年 3 月正式公布。

此原則是將人工智能(Artificial Intelligence, AI)視為未來的關鍵科技，但在研發應用上，須以聯合國的持續發展目標(Sustainable Development Goals, SDGs)為基礎，以落實日本“超智能社會”(Society 5.0)為準則，其基本理念是 Dignity、Diversity & Inclusion 及Sustainability，并且建構“尊重人類尊嚴”、“不同背景的大眾皆能追求幸福”及“持續性”的社會。

韓國：提升領域競爭力發展成為“AI 強國”。韓國政府于 2019 年 12 月 17 日公布“人工智能（AI）國家戰略”，以推動人工智能產業發展。該戰略旨在推動韓國從“IT 強國”發展為“AI 強國”，計劃在 2030 年將韓國在人工智能領域的競爭力提升至世界前列。

并且，提出構建引領世界的人工智能生態系統、成為人工智能應用領先的國家、實現以人為本的人工智能技術。在人工智能生態系統構建和技術研發領域，韓國政府將爭取至2021 年全面開放公共數據，到 2024 年建立光州人工智能園區，到 2029 年為新一代存算一體人工智能芯片研發投入約 1 萬億韓元。

其他國家：

加拿大在 2017 年宣布了泛加拿大人工智能戰略，承諾提供 1.25 億加元的加拿大人工智能研究與開發。這一戰略旨在增加加拿大的 AI 和畢業生人數。在埃德蒙頓、蒙特利爾和多倫多建立科學卓越中心。建立加拿大在 AI 經濟、倫理、政策和法律研究方面的全球思想領導地位。

法國于 2018 年 3 月發布 AI 戰略，將投入 1.5 億歐元把法國打造成 AI 研究、訓練和行業的全球領導者。該計劃由四個部分組成，一是宣布國家人工智能計劃，將在法國各地建立一個由四五個研究機構組成的網絡；二是將制定一項開放數據政策，推動人工智能在醫療等領域應用；三是政府將創建一個監管和金融框架，以支持國內“人工智能冠軍企業”的發展；四是政府將制定道德規范。

印度在 2018 年 6 月發布《人工智能國家戰略》，探求如何利用人工智能來促進經濟增長和提升社會包容性，尋求一個適用于發展中國家的 AI 戰略部署。該戰略旨在提高印度人的工作技能，投資于能夠最大限度地提高經濟增長和社會影響的研究和部門，以及將印度制造的人工智能解決方案推廣到其他發展中國家。

以色列于 2019 年 11 月發布了國家級人工智能計劃，提出以色列要成為人工智能的世界五大國之一。并且政府以五年為一期，每年投資 10 至 20 億新謝克爾（約 2.89 億至 5.8 億美元）開發人工智能技術，總共投資 100 億新謝克爾（約28.93 億美元）于人工智能領域。

西班牙于 2019 年 3 月發布《西班牙人工智能研究、發展與創新戰略》，認為最優先事項是建立一個有效的機制，以保障人工智能的研究、發展、創新，并評估人工智能對人類社會的影響。

中國AI發展支持政策：黨和國家高度重視 AI 發展，從產業發展、教育等各個方面支持人工智能的發展。習近平總書記也曾多次強調用人工智能開辟社會治理新格局、人工智能為高質量發展賦能。早在 2015 年，《國務院關于積極推進“互聯網+”行動的指導意見》就提出加快人工智能核心技術突破，促進人工智能在智能家居、智能終端、智能汽車、機器人等領域推廣應用的目標。近年來發布了一系列的支持人工智能發展政策，如下圖所示。

▲中國人工智能發展重要支持政策

進入 2020 年，國家大力推進并強調要加快 5G 網絡、人工智能、數據中心等新型基礎設施建設進度。人工智能技術被視為新一輪產業變革的核心驅動力量。此外，教育部、國家發展改革委、財政部聯合發布了《關于“雙一流”建設高校促進學科融合加快人工智能領域研究生培養的若干意見》，提出要構建基礎理論人才與“人工智能+X”復合型人才并重的培養體系，探索深度融合的學科建設和人才培養新模式。7 月，國家標準化管理委員會、中央網信辦、國家發展改革委、科技部、工業和信息化部聯合印發《國家新一代人工智能標準體系建設指南》（國標委聯〔2020〕35 號），以加強人工智能領域標準化頂層設計，推動人工智能產業技術研發和標準制定，促進產業健康可持續發展。

2、人工智能未來技術研究方向

人工智能經歷幾波浪潮之后，在過去十年中基本實現了感知能力，但卻無法做到推理、可解釋等認知能力，因此在下一波人工智能浪潮興起時，將主要會去實現具有推理、可解釋性、認知的人工智能。2015 年，張鈸院士提出第三代人工智能體系的雛形。2017 年，DARPA 發起 XAI 項目，核心思想是從可解釋的機器學習系統、人機交互技術以及可解釋的心理學理論三個方面，全面開展可解釋性AI 系統的研究。2018 年底，第三代人工智能的理論框架體系正式公開提出，核心思想為：

（1）建立可解釋、魯棒性的人工智能理論和方法；

（2）發展安全、可靠、可信及可擴展的人工智能技術；

（3）推動人工智能創新應用。

其中具體實施的路線包括：

（1）與腦科學融合，發展腦啟發的人工智能理論；

（2）探索數據與知識融合的人工智能理論與方法。雖然還沒有明確第三代人工智能是什么，但是其趨勢是清晰的。

Gartner 2020 年人工智能技術成熟度曲線圖顯示，如下圖所示。2020 年人工智能技術成熟度曲線共有 30 項技術出現，其中有 17 項技術需要 2 到 5 年才能達到成熟期，有 8 項技術需要 5 到 10 年才能達到成熟期。出現的這些技術基本處于創新萌芽期、期望膨脹的頂峰期和泡沫低谷期，而“穩步爬升的光明期”和“實質生產的高峰期”出現的技術寥寥無幾，僅有 Insight Engines（洞察引擎）和 GPUAccelerators （GPU 加速器）。

▲Gartner 2020 年人工智能技術成熟度曲線圖

通過對 2020 年人工智能技術成熟度曲線分析，并結合人工智能的發展現狀，本報告認為人工智能下一個十年重點發展的方向包括：強化學習（Reinforement Learning）、神經形態硬件（Neuromorphic Hardware）、知識圖譜（Knowledge Graphics）、智能機器人（Smart Robotics）、可解釋性 AI（Explainable AI）、數字倫理（Digital Ethics）、自然語言處理（Natural Language Processing）等技術處于期望膨脹期，表明人們對 AI 最大的期待，達到穩定期需要 5-10 年，是 AI 未來十年重點發展方向。

（1）強化學習（Reinforement Learning。）。強化學習用于描述和解決智能體在與環境的交互過程中通過學習策略以達成回報最大化或實現特定目標的問題。強化學習不受標注數據和先驗知識所限制，而是通過接收環境對動作的獎勵（反饋）獲得學習信息并更新模型參數。由于智能體和環境的交互方式與人類和環境的交互方式類似，強化學習可以認為是一套通用的學習框架，可用來解決通用人工智能的問題。

（2）神經形態硬件（Neuromorphic Hardware。）。神經形態硬件旨在用與傳統硬件完全不同的方式處理信息，通過模仿人腦構造來大幅提高計算機的思維能力與反應能力。采用多進制信號來模擬生物神經元的功能，可將負責數據存儲和數據處理的元件整合到同一個互聯模塊當中。從這一意義上說，這一系統與組成人腦的數十億計的、相互連接的神經元頗為相仿。神經形態硬件能夠大幅提升數據處理能力和機器學習能力，能耗和體積卻要小得多，為人工智能的未來發展提供強大的算力支撐。

（3） 知識圖譜（Knowledge Graphics。）。要實現真正的類人智能，機器還需要掌握大量的常識性知識，以人的思維模式和知識結構來進行語言理解、視覺場景解析和決策分析。知識圖譜將互聯網的信息表達成更接近人類認知世界的形式，提供了一種更好地組織、管理和理解互聯網海量信息的能力，被認為是從感知智能通往認知智能的重要基石。

從感知到認知的跨越過程中，構建大規模高質量知識圖譜是一個重要環節，當人工智能可以通過更結構化的表示理解人類知識，并進行互聯，才有可能讓機器真正實現推理、聯想等認知功能。清華大學唐杰教授在知識圖譜的基礎上提出的“認知圖譜=知識圖譜+認知推理+邏輯表達”，為人工智能未來十年的發展提供了研究方向。

（4）、智能機器人（Intelligent Robot）。智能機器人需要具備三個基本要素：感覺要素、思考要素和反應要素。感覺要素是利用傳感器感受內部和外部信息，如視覺、聽覺、觸覺等；思考要素是根據感覺要素所得到的信息，思考出采用什么樣的動作；反應要素是對外界做出反應性動作。

智能機器人的關鍵技術包括多傳感器信息融合、導航與定位、路徑規劃、智能控制等。由于社會發展的需求和機器人應用行業的擴大，機器人可以具備的智能水平并未達到極限，影響因素包括硬件設施的計算速度不夠、傳感器的種類不足，以及缺乏機器人的思考行為程序難以編制等。

（5）、可解釋人工智能 （Explainable AI）。雖然深度學習算法在語音識別、計算機視覺、自然語言處理等領域取得令人印象深刻的性能，但是它們在透明度和可解釋性方面仍存在局限性。深度學習的不可解釋性已經成為計算機領域頂級會議（如 NIPS）火藥味十足的討論話題。一些方法嘗試將黑盒的神經網絡模型和符號推理結合了起來，通過引入邏輯規則增加可解釋性。

此外，符號化的知識圖譜具有形象直觀的特性，為彌補神經網絡在解釋性方面的缺陷提供了可能。利用知識圖譜解釋深度學習和高層次決策模型，是當前值得研究的科學問題，可以為可解釋的 AI 提供全新視角的機遇。張鈸院士指出當前人工智能的最大問題是不可解釋和不可理解，并提倡建立具有可解釋性的第三代人工智能理論體系。

（6）、數字倫理（Digital Ethics。）。作為新一輪科技革命和產業變革的重要驅動力，人工智能已上升為國家戰略，人工智能將會在未來幾十年對人類社會產生巨大的影響，帶來不可逆轉的改變。人工智能的發展面臨諸多現實的倫理和法律問題，如網絡安全、個人隱私、數據權益和公平公正等。

為了讓人工智能技術更好地服務于經濟社會發展和人民美好生活，不僅要發揮好人工智能的“頭雁”效應，也要加強人工智能相關法律、倫理、社會問題等方面的研究。數字倫理將是未來智能社會的發展基石，只有建立完善的人工智能倫理規范，處理好機器與人的新關系，我們才能更多地獲得人工智能紅利，讓技術造福人類。

（7）、自然語言處理（Nature Language Processing ）。深度學習在自然語言處理取得了巨大突破，它能夠高效學習多粒度語言單元間復雜語義關聯。但是僅僅依靠深度學習并不能完成對自然語言的深度理解。對自然語言的深度理解需要從字面意義到言外之意的躍遷，這需要引入復雜知識的支持。

豐富的語言知識能夠提升模型的可解釋性，可覆蓋長尾低頻語言單位的知識規則能夠提升模型的可擴展性，而異質多樣的知識與推理體系能夠提升模型魯棒性。因此有必要研究知識指導的自然語言處理技術，揭示自然語言處理和知識產生及表達的機理，建立知識獲取與語言處理雙向驅動的方法體系，實現真正的語言與知識智能理解。

3、 面臨的問題

隨著人工智能的快速發展和應用，人們越來越重視隨之而來的安全和倫理問題。AI 發展面臨著諸多安全和倫理方面的挑戰。安全挑戰主要包括三個方面：一是人工智能可以替代體力勞動和腦力勞動，相應的崗位替代作用影響著人類就業安全；二是建立在大數據和深度學習基礎上的人工智能技術，需要海量數據來學習訓練算法，帶來了數據盜用、信息泄露和個人侵害的風險。

許多個人信息如果被非法利用，將會構成對隱私權的侵犯。三是人工智能具有強大的數據收集、分析以及信息生成能力，可以生成和仿造很多東西，甚至包括人類自身。隨之而生的虛假信息、欺詐信息不僅會侵蝕社會的誠信體系，還會對國家的政治安全、經濟安全和社會穩定帶來負面影響。

人工智能發展面臨的倫理挑戰主要來自以下方面。一是人們對智能化的過度依賴。人工智能發展帶來的簡易、便捷的智能化工作和生活方式的同時，嚴重擠占了人們用于休息的自由時間、用于勞動的工作時間和用于個人全面發展的時間，由此催生了許多人的懶惰和對智能產品的過度依賴；同時，個性化新聞推薦或者自動生成的新聞，真假難辨的廣告和宣傳給人們封閉在“信息繭房”里。甚至逐漸失去了獨立自由決策的能力，成為數據和算法的奴隸。

二是情感計算技術和類腦智能技術的創新融合發展， 可能擾亂人們對于身份和能動性的認知。人類大腦與機器智能直接連接，會繞過大腦和身體正常的感覺運動功能；增強型神經技術的應用也可能改變人的體能和心智。這是對人類社會的道德社會規范和法律責任的挑戰。

三是智能算法歧視將帶來的偏見。人工智能以大數據和深度學習為基礎，數據、算法以及人為因素會導致計算結果的偏見和非中立性，比如性別歧視、種族歧視以及“有色眼鏡”效應。數據和算法導致的歧視往往具有更大的隱蔽性，更難以發現和消除。例如，微軟在 Twitter 上上線的聊天機器人 Tay 在與網民互動過程中，由于大量惡意數據的輸入，成為集性別歧視、種族歧視等于一身的“流氓”，它不但辱罵用戶，還發表了種族主義評論和煽動性的政治宣言。

四是人工智能對人類造成的威脅和傷害。智能武器是可自動尋找、識別、跟蹤和摧毀目標的現代高技術兵器，包括精確制導武器、智能反導系統、無人駕駛飛機、無人駕駛坦克、無人駕駛潛艇、無人操作火炮、智能地雷、智能魚雷和自主多用途智能作戰機器人等，它將成為未來戰場主力軍，信息處理和計算能力成為戰爭勝負的決定因素。人工智能武器是繼火藥和核武器之后戰爭領域的第三次革命。人工智能如果被賦予傷害、破壞或欺騙人類的自主能力，將是人類的災難，后果難以想象。

面對人工智能帶來的安全和倫理問題，受到越來越多各方關注和應對。2020年，美國國防部下屬的國防創新委員會推出了《人工智能倫理道德標準》，公布了人工智能五大倫理原則，即負責、公平、可追蹤、可靠和可控。無論作戰還是非作戰人工智能系統，均須遵守上述原則，否則美國防部將不予部署。牛津大學成立了人工智能倫理研究所（Institute for Ethics in AI），并委任了由 7 位哲學家組成的首個學術研究團隊。中國人工智能學會倫理專業委員會也正著手進行中國人工智能倫理規范研究。

科技是未來競爭的制高點。雖然科技無國界，但是科技公司有國界。當前世界各國對人工智能技術發展都不遺余力地投入和支持，同時，還使用不同方法保護自己的科技成果，封鎖前沿技術和“卡脖子”技術外流路徑，這將在一定程度上限制人工智能技術創新要素的自由流動。

從全球范圍來看，中國和美國人工智能領域科研論文和專利產出數量最多的兩個國家。但是近年來， 中美 兩國在人工智能技術領域的 貿易關系 則存在 摩擦。2018 年11月19日美國商務部工業安全署（ BIS ）出臺了一份針對關鍵新興技術和相關產品的出口管制框架 ，其中在人工智能領域包括神經網絡和深度學習、進化和遺傳計算、強化學習、計算機視覺、專家系統、語音和音頻處理、自然語言處理、規劃、AI 芯片組、AI 云技術、音頻和視頻操作技術共計 11 項技術。

2019年 10 月 7 日， 美國 BIS 部門把 8家計算機視覺領域的 中國科技企業加入 “ 實體清單 ”。清單中的實體須在有許可證的情況下才可購買美國技術與產品，但美政府有權拒絕許可申請。

在字節跳動 TikTok 公司出售在美業務的談判過程中，2020 年8 月28 日，》 中國商務部、科技部調整發布了最新版的《中國禁止出口限制出口技術目錄》（商務部 科技部公告 2020 年第 38 號）。在最新目錄中， 語音合成、人工智能交互界面、語音評測、基于數據分析的個性化信息推送服務、無人機、量子密碼等技術均被列入“限制出口”名單。

根據《中華人民共和國技術進出口管理條例》，凡是涉及向境外轉移技術，無論是采用貿易還是投資或是其他方式，均要嚴格遵守《中華人民共和國技術進出口管理條例》的規定，其中限制類技術出口必須到省級商務主管部門申請技術出口許可，獲得批準后方可對外進行實質性談判，簽訂技術出口合同。

在大型跨國公司的收購過程中， 相關國家政府批準出售是交易宣告成功的必要條件。對于字節跳動出售 TikTok 業務來說，有可能出現其中一個國家政府出面阻止交易的情況。

根據人工智能技術關鍵詞獲取中美兩國的論文數據，生成中國和美國在不同領域的研究成果對比圖，如下圖所示。分析發現，在被限制出口的計算及服務業技術中， 中國在以人臉識別為代表的計算機視覺、語音識別與自然語言處理（特別是中文）上有著較美國領先的優勢，主要體現在高水平論文發表量、專利申請量兩方面。

▲中國和美國 2011-2020 年在三個 AI 子領域的高水平論文量和專利申請量對比圖

在語音識別、圖像識別、自然語言處理技術上，中國國內市場提供了穩定龐大的用戶與數據供應，以及政策支持為產業發展帶來的所需資源和資本聚集，這些本土化優勢，對于外國企業來說是不可復制的。

中國目前在計算機視覺領域的領先企業以 SenseTime，Face ++，YITU 和海康威視為代表， 技術優勢主要體現在人臉識別，在2017 年中國在 這一領域獲得的專利數量大約是美國公司的6 倍，其應用場景多為安全監控系統。相比而言，由于隱私政策，歐美的 人臉識別技術難以發展實行，例如 2020 年 8 月 12 日英國法院裁決警察部門使用自動面部識別（AFR）違反了數據保護和平等法以及隱私權。

在語音識別領域，中國企業表現較優秀，特別是在中文識別和處理上。科大訊飛 iFlytek、依圖科技 YITU、百度、騰訊、阿里巴巴等企業依靠中國龐大的中文用戶，能獲得遠超美國能獲得的中文語音數據庫，這使得其語音識別 AI 有更好的語音識別學習條件。例如，騰訊可從其月活超 10 億的微信用戶那里獲得中文語音數據。這一點是中國企業在中文語音識別技術上不可復制的優勢。

在自然語言處理領域，百度的能力被認為超過微軟和谷歌。受 Google 的 BERT啟發，百度的自然語言處理模型 ERNIE 最初是為理解漢語而開發的，但是它也能夠更好地理解英語。

Google 的模型在學習時會在每個序列中隱藏 15％的單詞，然后嘗試根據上下文進行預測。基于類似的方法，百度團隊通過讓其 AI 模型預測文章中一串被隱藏的漢字，來學習文字組合的聯系。不同于被微軟和谷歌使用的英文，中文的特性要求 ERNIE 模型必須能夠理解漢字組合后的出現的內在含義。結果顯示，其在 GLUE 得分為第一名 90.1，超過微軟和谷歌的模型得分。

▲中國和美國 2011-2020 年在三個 AI 子領域專利公開趨勢

研究發現， 中國在人工智能和機器學習技術領域發展迅速，相關領域中在 國學者的論文發表量在 2008 年前后已經趕超美國。

值得注意的是， 中國杰出學者的國際合作對象國家不均衡，呈現出美國“一家獨大”局面。以合發論文為產出指標看中國杰出學者開展國際合作的情況，中國杰出學者與美國合作緊密度最高，人數占比約 62.3%，其次是英國（14.7%）、德國（13.7%）、澳大利亞（9.5%）和新加坡（9.2%）。隨著貿易戰的不斷升級蔓延，中美關系日益復雜，正常的科技與學術交流受阻，容易對我國的相關技術領域發展與人才培養造成不利影響。

在嚴峻的國際大環境下，未來人工智能技術自由交流發展將無疑受到影響。考慮到數據安全等多種因素，未來的基于數據分析的個性化信息推送服務技術，對外技術支持與技術服務出口都將受到限制。

智東西認為，每一次的經濟大發展都與科技的突破緊密相關，近些年世界經濟很大程度上都是由信息產業的發展帶動起來。現在，人工智能技術的逐漸成熟，下游應用不斷拓展等種種跡象表明科技正迎來新的爆發期，全球科技競賽也將再次掀起高潮。中國想要在這輪科技革新中占得先機，就需要加強技術預判，找準方向，提早部署，特別是在一些基礎性、突破性的領域精準布局。

原文標題：【行業前沿】人工智能十年發展總結，中國進步神速，專利占全球七成

文章出處：【微信公眾號：山東省物聯網協會】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq