? ? 1 感知能力

　　目前人工智能的感知主要通過物聯網來實現，它提供了

　　計算機感知和控制物理世界的接口與手段，能夠采集數據、

　　記憶，分析、傳送數據，進行交互、控制等。比如攝像頭和相

　　機記錄了關于世界的大量圖像和視頻，麥克風記錄了語音和聲

　　音，各種傳感器將它們感受到的世界數字化。這些傳感器就

　　如同人類的五官，是智能系統的數據輸入，是感知世界的方式。

　　2 理解能力

　　智能系統不同于人腦，沒有數以千億的神經元，對事物

　　問題的理解在現階段還很大程度上依賴于處理器的計算分析

　　能力。近年來，基于 GPU（圖形處理器）的大規模并行計算

　　異軍突起，擁有遠超 CPU 的并行計算能力。從處理器的計算

　　方式來看，CPU 計算使用基于 x86 指令集的串行架構，適合

　　盡 可 能 快 的

　　完 成一 個 計

　　算 任 務。 而

　　GPU 誕 生 之

　　初是為了處理

　　3D 圖像中的

　　上百萬個像素

　　圖像，擁有更

　　摘　要：人工智能以云計算和大數據為基礎，被廣泛應用于工業制造等10個領域中。但由于各方

　　向處于不同的發展階段，因此發展程度并不相同。但驅動發展的先決條件主要體現在感知能力、理解

　　能力、學習能力、交互能力四個方面。

　　關鍵詞：人工智能；云計算；大數據

　　人工智能的發展 之 路

　　工業和信息化部國際經濟技術合作中心　張　放

　　多的內核去處理更多的計算任務。因此 GPU 具備了執行大規

　　模并行計算的能力。云計算的出現、GPU 的大規模應用使得

　　集中化數據計算處理能力變得空前強大。

　　3 學習能力

　　學習能力的培養類似人類需要教材和訓練。據統計，2015

　　年全球產生的數據總量達到了十年前的 20 多倍，大數據的發

　　展為人工智能的學習和發展提供了非常好的基礎。機器學習是

　　人工智能的基礎，而大數據和以往的經驗就是人工智能學習的

　　書本，以此優化計算機的處理性能。不可忽視的是近年來科

　　技巨頭為了提前布局 AI 生態，紛紛開源平臺工具，極大地豐

　　富了機器訓練的素材和手段。如谷歌發布了新的機器學習平臺

　　TensorFlow，所有用戶都能夠利用這一強大的機器學習平臺進

　　行研究，被稱為人工智能界的 Android。IBM 宣布通過 Apache

　　軟件基金會免費為外部程序員提供 System ML人工智能工具的

　　源代碼。微軟則開源了分布式機器學習工具包 DMTK，能夠在

　　較小的集群上以較高的效率完成大規模數據模型的訓練，并于

　　2016 年 7月推出了開源 Project Malmo 項目，用于人工智能訓練。

　　4 交互能力

　　與科幻世界里的自主意

　　識相比，現實世界能夠實現

　　自主交互本身就是很大的技

　　術突破，深度學習算法是實

　　現自主交互最重要的核心技

　　術。它基于多層神經網絡，

　　融入自我學習，從大量的樣

　　本中逐層抽象出相關概念，

　　然后理解，最終做出判斷

　　和決 策。2006 年，Geoffrey

　　Hinton 教授發表論文《A fast

　　learning algorithm for deep

　　belief nets》，他在此文中提出

　　了深層神經網絡逐層訓練的

　　高效算法，讓當時計算條件下的神經網絡模型訓練成為了可能。

　　之后，深度學習算法模型也經歷了一個快速迭代的周期，Deep

　　Belief Network、Sparse Coding、Recursive Neural Network，

　　Convolutional Neural Network 等各種新的算法模型被不斷提出，

　　而其中卷積神經網絡（Convolutional Neural Network，CNN）更

　　是成為圖像識別最炙手可熱的算法模型。

　　當然人工智能的發展還存在很多瓶頸，比如尚未形成完

　　備的語義體系，無論抽象的概念還是具體的事物都需要統一

　　整合到一個語義網絡中才能實現真正意義上的交流。在自然

　　語言處理和計算機視覺發展成熟后，如何將這兩個領域統一

　　起來，實現對語言和圖形同步的深入理解，進而將聽覺、觸

　　覺和運動做進一步整合。盡管不同操作系統的編程語言以及

　　芯片、單片機等核心硬件發展迅速，但未來人工智能的發展

　　之路不能只停留在數據和指令操作層面，而要有“自我意識”，

　　唯有自我意識的產生，才能衍生出其他觀念，實現真正交互。

　　勿庸置疑，人工智能不僅會成為驅動產業發展的巨大力量，更

　　會在不遠的未來給人類的生活帶來顛覆性的改變