2018年人工智能行业创新情报分析报告.pptx

2018年人工智能行业创新情报分析报告,一、全球人工智能行业竞争格局二、人工智能专利技术资源情况三、人工智能企业分布概况四、人工智能人才发展概况五、中国重点城市人工智能发展动态,CONTENTS / 目录,上篇 行业分析篇,内容来自灼识咨询,下篇 创新情报篇,内容来自智慧芽,一、人工智能行业概况二、人工智能上游大数据采集三、人工智能算法概述四、人工智能下游应用1. 无人驾驶汽车行业概览,2. 人工智能与零售行业3. 人工智能与医疗行业4. 人工智能与家居行业5. 人工智能与教育行业五、研究总结2,3,上 篇,行业分析篇,4,人工智能行业概况,人工智能的定义人工智能本质是指机器模拟人类思考行为的能力,人工智能的定义非常广泛，随着时间的推进，文公智能也将不断进化，但其本质是机器模拟人类思考行为的能力。虽然人工智能经常被分作计算机科学的一个分支，事实上智能站在自然科学和社会科学的交叉路口，涉及计算机、数学、物理、社会学、心理学和哲学等学科。目前，全球有近千家人工智能公司，遍布62个国家的十余个行业，使人工智能和各行业的边界变得模糊。按照应用范围，人工智能可以被分成三类：弱人工智能，强人工智能和超人工智能,弱人工智能,弱人工智能着重对人类推理过程的模仿，,但没有人工感知力,弱人工智能通常只擅长于某个特定领域，极难发展领域外的能力，其学习规则是,封闭的,强人工智能是可以达到人类思维级别的人工,智能程序，有自我学习和理解复杂概念的能,力，目前人类正在努力靠近这一目标“深度学习”和“大数据”是强人工智能的,引擎和燃料,超人工智能将在所有领域全方位超越人类,大脑的思维能力,超人工智能的能力和运用范围仍在一个无法预估的范畴,Siri：苹果公司在2011年推出的智能个,人助理,AlphaGo，Google在2015年推出的围棋人工智能程序,度秘：百度在2015年推出的智能语音私人助,理app，可在不同场景下实现指令控制、信,息查询、知识应用、智能提醒和多种生活服务；同时支持第三方开发者的能力接入。,目前尚无成熟产品,强人工智能,超人工智能,定义,代表产品5,1950年，计算机与人工智能之父图灵提出“图灵测试”用以判断机器是否能够思考。“机器是否能思考”这一问题第一次得到世界广泛关注1956年召开的达特茅斯会议标志着人工智能学科的起源，奠定了人工智能的基础。从那以后，有关人工智能的学术交流变得频繁，1957年罗森布拉特发明的神经网络算法极大推动了人工智能研究潮流,然而在进入七十年代之后，机器的计算能力并未得到突破，人工智能的研究进入了,第一个低谷6,二十世纪八十年代，BP算法由保罗 沃伯斯提出，使大规模神经网络训练的可能性得到实现，开启了人工智能发展的第二个阶段计算机的计算能力和运行成本在这一阶段经历了由高到低的大幅度变化，打破了人工智能发展的瓶颈，加上互联网的构建，让学术和技术交流的成本也大幅下降，速率相应上升，人工智能的发展得到了进一步突破,2006年，杰弗瑞 辛顿提出了“深度学习”,神经网络，将人工智能的发展推向了一个新的高峰。深度学习算法让人工智能在语音和视觉识别上取得重大进展。2010年前后，人工智能同时也和移动互联网的发展紧密挂钩，后者为人工智能提供了更多的应用场景和融资方向2015年前后，语音识别和无人驾驶领域的进展也让公众对人工智能的兴趣和关注迈上了一个新的台阶。,2017年，谷歌旗下的DeepMind团队公布,了”AlphaGo Zero”，通过40天自学围棋基本规则，已成功超越人类高手。,全球人工智能行业经历的三次发展浪潮电脑硬件、互联网技术、大数据应用等领域的不断突破，人工智能也正高速发展2006 -至今：飞速发展期1980-2006:突破期1950-1980：萌芽期,7,全球搜索巨头Google已不仅是一家单纯的搜索、移动操作系统、电子邮件和互联网服务提供商，其在2016年的发布会上宣布了自己“AI First”的战略，致力于用人工智能去创造产品、服务和体验，帮助人类进步。,2014年，谷歌收购智能家居厂商Nest和智能家居中枢控制设备公司Revolv，意在打造软硬件一体、平台开放的智能家居生态系统。2015年，谷歌宣布与强生旗下子公司爱惜康（Ethicon）进行战略合作，借助人工智能技术为手术和医疗保健系统设计研发机器人辅助手术平台，为谷歌进军智能医疗的关键决定。2017年，谷歌宣布研发出自动人工智能AutoML。并于 2018年1月，取得里程碑进展，可自动设计，建立学习模型的服务AutoML Vision。,IBM在人工智能领域一直保持全球领先，其研发的超级计算机“深蓝”于1997年击败了国际象棋世界冠军卡斯巴罗夫，2011年开发的“沃森”则集成了病情分析、股票推荐、消费者行为预测以及网络安全维护等多种功能，今后IBM将继续在人工智能领域高速发展。,2014年，IBM与纽约基因中心合作，利用超级计算机的运算能整理医学文献并结合临床数据，并利用其认知技能及运算技术找到所有数据的关联性，根据病人的基因组找到最佳的脑癌治疗方式。2016年，IBM与科大讯飞建立战略合作，在认知计算算法、云平台架构等技术层面，和医疗、教育和智慧城市等业务寻求合作。2017年，IBM宣布推出新一代具有新型系统架构，针对机器学习中使用的加速器进行了优化的人工智能芯片Power9。,微软作为计算机领域的巨头，其略显迟缓的战略布局曾受到行业的诟病。然而以智能机器人小冰为代表的一系列人工智能助手的推出和微软研究院人工智能中心的建立已经初步显现出其强大的雄心和实力。,2014年，微软推出跨屏天人工智能聊天机器人“小冰”。,2016年，由微软亚洲研究院和中国科学院植物研究所共同打造“微软识花”app，利用人工智能的人工学习功能精准识别上百种花卉，其图像识别技术在行业中占据领先位置。2016年，微软与invigr合作推出人类历史上第一个情感型人工智能营养师，同时与海尔达成战略合作，进军智能家居领域。2017年，微软人工智能团队研发出能够根据人类自然语言描述而画出近似真实照片形状图片的新AI系统，SeeingAI诞生。,作为中国本土的科技公司，百度被福布斯杂志评为世界四大人工智能巨头之一。百度在2014年组建了北美研究院，同年引进深度学习专家吴恩达任首席科学家（现已离职），充分展示其对人工智能的高度重视。,2014年7月14日，百度凭借自身的大数据技术14场世界杯比赛的结果预测中取得全中的成绩，击败了微软和高盛。2016年，百度投资金融科技公司Zest Finance，将机器学习与大数据分析融合起来提供更加精准的信用评分。2017年，百度发布对话式人工智能操作系统DuerOS，并与海尔、美的等家电厂商宣布将共同推出基于该操作系统的智能冰箱产品。2018年，百度宣布其研发的无人驾驶开放平台Apollo亮相CES大会。,全球人工智能行业巨头动态各大科技巨头在人工智能领域的研发正有条不紊的产出商业化的产品以解决多方问题,8,中国人工智能行业发展历程中国人工智能起步较晚；随着不断加大的投资和重视，正一步步赶超发达国家水平,智能计算机系统、智能机器人,和智能信息处理等重大项目列入“863计划”（国家高技术研究发展计划）,国务院印发新一代人工智能发展规划的通知,中国人工智能学会向国家学位,委员会和国家教育部提出设立“智能科学与技术”学位,2030年,1980年代初期,1986年,1993年,2003年,2016年,2017年,1981年，中国人工智能学会,（CAAI）成立20世纪70年代末至80年代前期，人工智能项目开始纳入国家科研计划,2016年，国务院发布中国制,造2025国家发改委和科技部等4部门联合发布“互联网+”人工智能三年行动实施方案,智能控制和智能自动化等项目开始陆续列入国家科技攀登计划,面向2030年，确定15个重大项目,的立项建议，涉及航空、网络安全、智能电网、智能制造和机器人等多个高新领域，酝酿“人工智能2.0”推动中国高新技术发展及产业化水平。,9,法规与政策促进新一代人工智能产业发展三年行动计划(2018-2020),发布机构中国工信部,发布时间2017年12月,为落实新一代人工智能发展规划，深入实施“中国制造2025”，抓住历史机遇，突破重点领域，促进人工智能产业发展，提升制造业智能化水平，推动人工智能和实体经济深度融合。力争到2020年，一系列人工智能标志性产品取得重要突破，在若干重点领域形成国际竞争优势，人工智能和实体经济融合进一步深化，产业发展环境进一步优化。着重在智能网联汽车、智能服务机器人、智能无人机、医疗影像辅助诊断系统、视频图像身份识别系统、智能家居产品、智能语音交互系统、智能翻译系统率先取得突。,新一代人工智能发展规划的通知,国务院,2017年7月,到2020年，人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点，人工智能技术应用成为改善民生的新途径；到2025年，人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平，人工智能成为我国产业升级和经济转型的主要动力，智能社会建设取得积极进展；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。,“互联网+”人工智能三年行动实施方案,国家发改委、科技部、工业和信息化部、中央网信办,2016年6月,大力发展智能制造加快推动云计算、物联网、智能工业机器人、增材制造等技术在生产过程中的应用，推进生产装备智能化升级、工艺流程改造和基础数据共享。着力在工控系统、智能感知元器件、工业云平台、操作系统和工业软件等核心环节取得突破，加强工业大数据的开发与利用，有效支撑制造业智能化转型，构建开放、共享、协作的智能制造产业生态。,中国制造2025,国务院,2016年4月,部署全面推进实施制造强国战略。根据规划，通过“三步走”实现制造强国的战略目标，智能制造被定位为中国制造的主攻方向。加快机械、航空、船舶、汽车、轻工、纺织、食品、电子等行业生产设备的智能化改造，提高精准制造、敏捷制造能力。统筹布局和推动智能交通工具、智能工程机械、服务机器人、智能家电、智能照明电器、可穿戴设备等产品研发和产业化。,政策与法规政策与法规分析中国政府颁布鼓励性政策及法规将进一步推进人工智能行业规范、升级及改革,10,中国人工智能产业的优势,由于近几年中国的互联网行业的迅猛发展，一大批互联网、科技公司累计了一定的用户数据和研究资本，特别是BAT，不仅拥有海量的用户大数据，还吸引了大批人工智能人才为其进行人工智能方面的研发。BAT在中国的带头作用将,有利激发整个人工智能行业的创新。,由于中国语言的特殊，人工智能重要的语义分析技术，需要大量的研发资金和,中国人工智能产业的劣势,较于美国等发达国家，中国高校在人工智能领域的课程较为分散，没有系统的栽培体系。虽然部分企业与高校有人工智能项目合作，但是成效甚微，不及企业内部自行研发具有实用性和商业价值。,不同于发达国家的互联网和智能化的普及程度，中国在基础建设方面,还是十分薄弱的。部分偏远地区的互联网还不能满足人工智能产品要,充足的理解能力。这些是同类型的海外企业无法独立完成的。其次，国家政策和中文语言难度使得中国人工智能企业可以更好的研发本土产品，使之与海外企业的产品形成差异。中国人工智能产业的好势头,人工智能事业才刚刚进入百家争鸣的时代，在国家政策的保护下，各家企业都有机会成为自己细分行业内的领军人物。并且，现如今行业准则的缺失也给予了领军企业设定标准并垄断市场的大好机会。,2016年，中国政府公布中国制造2025鼓励人工智能行业，而资本方也瞄,准并看好各类型的人工智能商业模式，对于创新型企业而言无疑是好事。另一方面，大企业由于自身的资金实力和科研能力可以促使自身在人工智能行业链中获得巨大利益。,求。即使人工智能产品能够落地，如何转变消费者的观念并驱动消费者购买也同样需要投入大量的资金与时间。例如，人们对于无人驾驶车安全性的担忧可能导致观望态度，从而对企业的造成运营负担。中国人工智能产业可能遇到的挑战,传统企业如果转型过渡到人工智能领域无疑是个重大挑战，企业不仅需要从人才招聘、研发方向进行考量，还需要从上到下的全企业的理解和支持。这不仅仅需要管理层的观念转变，更需要管理层对于未来,市场的规划和研究，若无法准确定位市场，企业生存问题将受到威胁。,中长期来看，人工智能将会取代大部分重复的基础工作，届时还需要政府和相关企业的高度重视人民就业问题，并采取相关措施保障社会福利。,中国人工智能行业所面临的机遇和挑战中国现有的科技水平和人才储备将对未来人工智能的发展形成一定阻碍，但中国的大数据量和独特的文化差异性使得中国市场不易被外资企业轻易占领市场份额,人工智能价值链分析大数据、半导体芯片以及智能算法被誉为人工智能的三大基石,上游,中游,下游,大数据,半导体芯片智能算法,各类终端应用,图像数据语音数据,人工智能的实现需要大量的数据训练，这些数,据包括文字，语音、影像以及用户行为等等。,然而，存在于生活场景中的大量信息是无法直接用于计算机算法的训练，且大量数据的存储以及处理成本高昂，因此专业的数据采集、处理以及存储公司应运而生。智能算法与大数据两者相辅相成，算法通过数据训练不断完善，同时也由于智能算法的不断改进，大量自然数据得以完成归类和整理，成为可用于算法训练的结构化数据。,人工智能的中游主要由半导体芯片以及智能算,法构成。,在人工智能发展早期，传统的算法（如经典机器学习）主要是解决标准化、数学化的抽象问题。而目前人工智能需要挑战的是解决现实场景中的各类问题，例如识别图像、识别语音或者识别生物特征。这就涉及到将真实信息进行抽象处理从而转化为计算机可以理解的程序语言。为了实现这一目标，各类方法被提出。与之相匹配的，新型算法往往对计算机的计算能力提出了更高要求，更强运算能力的计算机芯,片也应运而生。11,人工智能的下游应用极为广泛，目前主要,行业包括智能机器人、智能家居、智能医,疗、智能教育、智能零售、计算机视觉以及语音识别等。人工智能的兴起来自于人们对于定制化、个性化、高品质服务及产品的需求；与此同时，相应的人力成本不断攀升，各行各业急需变革以降低相关成本，人工智能便成为各下游终端应用场景中最理想的产品。,人工智能上游大数据采集,13,绝大多数的AI算法是开源的，算法的开发往往是由世界上顶级数学家以及计算机学家完成的。要实现AI技术的商业化并真正成为人们生活中的一部分需要大量结构化的数据进行训练，未经训练的AI技术只能算是纸上谈兵。因此，数据的数量以及质量正成为各个公司之间，各个国家之间竞争的焦点。从人工智能的角度看，我们已经度过了最早期的数据积累阶段，事实上，目前是信息爆炸的时代。在中国，智能手机以及各类平板电脑的数量超过13亿，而每个智能手机能携带超过16种传感器，每天每部手机可产生超过1G的数据。如何对信息进行采集、运算、储存、传输都是目前AI技术遇到的关键瓶颈。机器学习实现过程,1,2,3,4,5,6,数据分类,数据建模,模型有效化,模型调试,模型使用,模型调整,数据分组数据测试数据有效化,数据测试,根据数据特征行数据建模，完成基本数据模型框架,根据模型输出的结果对模型进行反馈改善，实现模型的有,效化,用测试数据对有效化后的模型进行评价和测试，得到各指标评分,将已经完成全面训练的模型用于新的数据中，并得到未,来预测值,根据使用情况以及新数据的特征不断调整算法以及模型,参数,数据是AI的基石没有数据支撑的人工智能只是纸上谈兵，大数据以及人工智能融合势在必行,14,结构化数据指能够能够被人和计算机识别和访问的数据部分，这些部分可以是单个的数据点，例如数字、日期或者文本，也可是是多个单独数据点。结构化数据可以使用XBRL、XML和JSON等数据标准进行创建和交流。对于生物体等形式的非结构化信息就需要转换为计算机可以理解的形式。对于计算机系统而言，需要借助额外的算法实现非结构化数据向非结构化数据的转变就成为一道必要的工序。大数据时代，非结构化数据的增速非常惊人，其增速远大于结构化数据。随着21世纪影像视频、音乐的清晰度以及保真度的提升，此类非结构化数据呈现出了爆发式增长的态势。据估计，2017年，全球产生的非结构化数据占左右数据比重超过80%。如何能从海量的非结构化数据中挖掘价值将是未来数据服务企业的重要发展方向。,结构化数据,非结构化数据,特征,数据来源,典型应用,数据样例,定义完全的数据模型,通常为text格式便于检索、归纳以及整理,通常由数据监测程序自,动生成公司、政府以及各类数据供给方,机票预订系统,库存信息系统CRM系统ERP系统,日期,社保号码用户姓名地址信息产品名称及编码,通常没有实现定义完全,的数据形式存在的形式包括文本、图像、音频等各类形式难以检索,存在于用户终端,非SQL标准数据库公开网站获取信息各类数据池,文字处理过程,演示软件视频编辑软件等,交易记录卫星图像,文字文件,书面报告电子邮件信息影像文件音频文件照片图像,结构化数据与非结构化数据比较21世纪是非结构化数爆炸的时代，如何能从海量非结构化数据中挖掘价值，将其转化为结构化数据是诸多数据服务公司着力解决的问题,15,手动工作引导用户参与数据采集公开数据收集以及数据接入许可,手动工作是从头构建一个良好的专有数据集的必经过程。目前 几乎每一家从事机器学习的创业公司都需要人力来手动标记数据点，中国国内也涌现了一批数据采集公司，例如北京深度搜索、泛函科技等。,众包以及外包也是人力录入的另一种形式，例如Amazon 和CrowdFlower就通过创建平台，利用数百万人的在线劳动力来清理混乱和不完整的数据。通过恰当的引导客户为数据增加标签，其中比较典型的案例包括谷歌翻译改进、谷歌垃圾邮件过滤器，Facebook在照片中给朋友加标签等。在不引起用户反感的过程中为公司提供免费的数据标签。被动参与主要指通过建立一种用户以及数据采集公司双赢的结果来吸引用户提供数据，例如提供移动应用程序来采集用户位置信息，提供基因报告来采集人群DNA信息。公开可用数据集主要指通过网页爬虫的方式收集各大网站上的公开数据，这是一种成本相对低廉并且相对有效的数据采集方式，较为适合初创公司开展最初的数据库积累，但是公开数据收集的方式很难建立起可靠专有的数据集样本。数据接入许可指数据采集公司通过一定的合作协议接入其他公司或者客户的数据信息，并进行有效地整合以及分析。此类方法能够建立起专业数据库，数据品质以及规范化程度也更高。,AI数据集采集策略人工智能前端的数据准备往往需要大量的人力付出以取得足够量的有价值的数据，如何以较低成本获得大量高质量的数据是诸多人工智能开发企业面临的难题之一AI的训练依赖大量的高品质数据，而大型的、特定领域的数据集可以成为竞争优势的重要来源。对于缺乏资金的很多初创公司就需要采用价格相对更低的策略,16,3.5,5.3,7.7,0.94.7,0.83.6,0,20,40,60,80,18.9,55.7,2013,39.5,12.0,28.2,21.3,2018E 2019E 2020E 2021E 2022E,15.5,2017,2.311.3,2016,1.58.3,2015,1.06.2,2014,全球非结构化数据量,全球结构化数据量,ZB （十万亿亿字节）,全球数据量变化情况，2013-2022E,21世纪以来，全球数据总量经历了爆发式的增长，全球数据总量在2017年已经超过了13.6ZB，2013至2017的年复合增长率超过了32.6%。得益于近,年来高清视频以及高还原度音频的普及，全球非结构化数据量的增长更为迅猛，截止2017年，全球非结构化数据量达到所有数据量的80%以上，数据挖掘市场潜力巨大。中国大数据市场同样发展迅猛，2016年，针对大,数据产业发展的各项政策紧密出台，国家发改委、,工信部、国家林业局、农业部以及各级地方省市政府均出台了促进中国大数据产业发展的意见和方案，数据应用层面的项目逐渐开展，产业发展环境持续优化。据工信部预测数据计算，2017年中国大数据产业规模近2万亿人民币，2020年增长至5万亿，年复合增速达35.7%。,分析,全球结构化大数据保有量持续增加全球非结构化数据总量占所有数据总量的绝对多数，数据挖掘市场潜力巨大,17,63.1,78.4,79.6,226.3,300.1,717.3,0,400,日本,俄罗斯,巴西,美国,印度,中国,百万1,200800,全球智能手机用户数，2017年,中国是拥有手机以及互联网用户最多的国家，手机用户超过13.9亿人，截止2017年4月，中国智能手机用户超过7.1亿人，是美国用户的三倍。,此外，中国移动支付的用户数量也位于世界领先水平。在中国，人们使用手机支付货物的次数是美国的50倍，,中国外卖的总量是美国的10倍，中国共享单车的使用次数是美国的300倍。,无论从数据的总量抑或是数据的产生的速度，中国都远超世界上其他国家。根据国务院办法的新一代人工智能发展规划，我国计划于2025年实现人工智能基础理论的重大突破，部分技术与应用达到世界领先水平;计划到2030年，AI理论、技术、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，人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。随着政府投入的不断增加，国内大数据产业发展迅速。截止2017 年6 月，21 个省级行政单位建立大数据管理和服务机构。现阶段约60%企业已经设立数据分析部门，27.3%企业正在计划筹建数据分析部门。2016 年中国大数据核心产业市场规模168 亿元，同比增速高达45%，预计2020 年达到578 亿元，年复合增速高达36.2%。,分析,中国各省市大数据发展指数，2017,0303145466061+,* 大数据发展指数是收割面相国内31个省大数据发展水平的综合评价指数，该指数由6个一级指标、11个二级指标构成，取值范围为0到100.*台湾数据未列入图表中,中国具有世界领先的数据优势依托中国互联网经济的迅速崛起，中国市场个人用户的信息数据量世界领先,18,人工智能算法概述,19,人工智能,机器学习,深度学习,机器学习是实现人工智能的方法机器学习算法是一类从数据中自动分析获得规律并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，,机器学习理论关注可以实现的、行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器,学习研究是开发容易处理的近似算法。,深度学习是实现机器学习的技术,深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式,来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识,别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。,人工智能、机器学习以及深度学习涵盖范围,2012,2013,2014,2015,2016,350,315,0,353.6,18.7,331.7,18.5,318.315.4,313.312.8,316.813.7,CS领域论文数,CS领域AI论文数,000385,全球AI以及CS论文发表数，2012-2016,人工智能算法定义算法是计算机的“灵魂”，起源于20世纪50年代的智能算法经过60多年的发展，逐渐实现机器学习以及深度学习两大算法技术,Planningandscheduling规划调度Expert system专家系统Multi-agent systems多智能体系统Evolutionarycomputation进化算法Fussylogicand roughset模糊逻辑,Machine learning机器学习Knowledgerepresentation知识表示Recommendersystem推荐系统Robotics andperception机器人感知,Supervisedlearning有监督学习Unsupervisedlearning无监督学习Semi-supervisedlearning半监督学习Ensemblelearning集成学习Reinforcelearning强化学习,Causalityanalysis因果分析20,AI 研究分支,机器学习主要分类,分析,1956年，计算机科学家第一次在达特茅斯会议上提出了“人工智能”的概念，指在实现拥有与人类智慧同样本质特性的计算机。2012年以后，得益于全球数据量的上涨、计算机运算能力的提升以及计算机新算法（深度学习）的出现，“人工智能”进入了快速发展通道。目前主要的科研工作仍然集中于弱人工智能领域，但是得益于机器学习方法，简单的算法得以通过大量的数据训练实现一定程度的智,能化。,目前机器学习的方法可以从学习方法以及分析算法两个维度进行分类。,Regression回归算法Classification/Clustering分类/聚类运算Outlier (Anomaly) detection孤立点检测运算Metric learning度量学习,人工智能算法发展及分类从算法角度，大部分人工智能发展仍处于弱人工智能状态，但得益于深度学习的出现以及可用的数据和计算机运算能力的提升，人工智能发展速度得到前所未有的提升,21,数据输入,样本特征分析,多层特征抽象分析,构建特征图谱,结果输出,结果输出结果输出,数据输入数据输入数据输入,人工模型构建人工模型构建样本特征分析,输出构建特征图谱构建特征图谱,基于既定规则系统经典机器学习表征学,习,深度学习,计算机自我学习部分,随着AI算法的不断更新升级，人工接入端的需求不断减少，取而代之的是更大比例的计算机自我迭代学习。计算机深度学习方法的提出改变了原先计算机智能受限于算法发展的瓶颈，计算机以自主方式提升智力的形式得以实现，大大加速了人工智能的发展速度。谷歌围棋AI AlphaGo在围棋领域战胜人类世界冠军柯洁，引起了巨大关注，而此时距离AlphGo的诞生只有不到3年的时间。,谷歌围棋AI进化史,版本AlphaGo FanAlphaGo LeeAlphaGo MasterAlphaGo ZeroAlphaZaro,围棋等级分3,1443,7394,8585,185N.A,战绩5:0战胜樊麾4:1战胜李世乭60:0战胜专业选手；4:1战胜人类最高段位柯洁100:0战胜AlphaGoLee60:40战胜AlphaGo Zero,分析,AI学习过程概述随着人工智能的发展，深度学习不再依赖人工对数据进行建模，进入了人工智能发展的快车道主流AI算法的实现过程,0.2,0.2,0.3,0.3,0.3,0.10.0,0.30.2,0.50.4,2012,2013,2014,2015,2016,平均难度,0.0,10.0,30.020.0,2012,2013,2014,2015,2016,5%,5%,7%,11%,图像识别错误率,分析根据AI社区Automatic Theorem Proving(ATP),的计算方法，目前计算机算法的平均难度以及可行性得到测算。随着AI算法的不断革新以及计算机计算能力的不断增强，AI算法的平均难度不断,下降，同时算法的可操作性也在不断提升。近年来，在精准识别以及精确预测领域，深度学习的运算能力都有非常显著的提升，这主要归功于计算机更强大的计算能力以及不断提升的训练,数据集。自问世以来，人工智能神经网络的以每2.4年就翻一倍的速度在飞速增长。根据微软的报告，排名前五的神经网络在图像识别错误率从,最初的26.1%迅速降至2016年的不到5%，而整,个过程只用了不到5年的时间。目前深度学习方法在多个领域都表现出了抢眼的,应用前景，特别是在语音识别领域已经有较为成熟的应用。相信未来将在人机交互、智能机器人中有更多的发展空间。,测试问题在最新算法理论下呈现的难度值， 2012-2016,图像识别错误率，2012-2016,%15%,主流AI算法的实现过程AI算法不断更新得益于深度学习方法的普及，人工智能的智力水平迅速提升,*全球排名前五的神经网络图像识别表现22,23,人工智能下游应用,24,机器人,家居,医疗,教育,零售,计算机视觉,语音,军事、生活娱乐等,实体门店线上销售物流管理,医疗机器人虚拟医生手术辅助,家用机器人工业服务企业服务,智能电器,智能中控智能设备,静态图像识别动态图像识别,语音识别语义理解,在线教学,早教机器人批卷阅卷,无人驾驶导航模拟训练,目前应用,人工智能的主要行业,目前应用人工智能的主要行业人工智能可应用在各行各业，帮助解决各种疑难问题，但由于技术有限性，目前所能应用领域较为局限,25,无人驾驶汽车行业概览,26,自动化程度,无自动化,完全由驾驶员判断和驾驶车辆，即使有一定的车辆报警系统,驾驶者辅助系统,车辆特定的一项或者几项功能的独立的自动化，例如巡航系统、自动刹车系,统等,部分自动化,至少有两个主要转向系统协同的自动化操作，例如协同的巡航以及车道保持,系统,有限制的自动驾驶,车辆可在自动驾驶模式下行驶，也可以由驾驶员控制车辆,全面自动驾驶,车辆完全实现系统控制下的自动驾驶,驾驶员全权负责车辆的安,全行驶以及交通状况的观察,驾驶员负责全局的车辆控,制及操作，部分转向功能由自动系统控制,驾驶员能在有限制的条件,下将车辆控制权转移给自动控制系统，但是交通环境的观察仍然由驾驶员负,责,车辆能够实现自动驾驶；在,道路环境复杂或者不安全的时候，将有驾驶员控制车辆,不存在驾驶员，只需乘客,输入目的地等相应参数,驾驶员责任,无人驾驶汽车指在传感器、人工智能、定位系统和导航系统的协同下，完全由计算机控制操作的机动车辆。预计在2025年能够实现完全的无人驾驶汽车是机动车自动化程度。根据美国国家交通安全局的划分（NHTSA），汽车的自动化程度可细分为5个等级，依次从无自动化发展为全面的无人驾驶形式。汽车系统本身是否可以直接对车辆行驶进行控制是汽车是否自动化的分水岭。随着车辆搭载的系统的增加，如各类感应设备、摄像设备、GPS、V2V（Vehicle-to-Vehicle，车对车）系统等，以及各系统间协同处理运算能力的提升。全自动化的、安全的无人驾驶车辆将作为最高级别的新型机动车，彻底改变人们的出行以及生活方式。,等级0,等级2,等级1,等级4,等级3,行业概览无人汽车无人驾驶汽车的定义汽车从自动化角度可以分为0到4级，等级越高，汽车的自动化程度越高，人为操作的要求就越低；普遍意义上，自动化程度达到等级4和等级5的汽车可称为无人驾驶汽车,27,摄像头,雷达,感知系统,汽车通讯车联网高精度地图,制动,转向,油门,照明,控制系统,芯片（计算平台）,算法/集成（行驶路线决策规划）,汽车制造厂商,无人驾驶汽车（出行/物流）,无人驾驶汽车从行业上下游将其分为了感知、计算平台、算法集成、车辆控制、汽车通讯、无人驾驶汽车运营等六个方面。感知：无人驾驶汽车的感知部分，主要由摄像头和雷达两大类探测设备组成。由于各种感知方式在不同环境、不同距离、不同作用上各有所长，因此采用多传感器信息融合的方式有利于保证全方位信息的收集。汽车通讯：通过车载通讯设备，完成人与车、车与车、车与环境的信息交互。计算平台：无人驾驶系统的计算量、数据流非常大，需要较快的反应速度，因此需要匹配合适效能的计算资源，保证计算工作。车辆控制：车辆的设计、行驶需要车辆控制、汽车动力学、汽车工程等诸多技术学科协同配合，具体的，需要汽车控制（刹车、转向、灯光、油门等）配件的支持。算法/集成：利用高精度地图进行路线规划，采用新型计算平台，整合多传感器信息，开发相应的车辆控制算法对汽车进行行为控制。,行业概览无人汽车无人驾驶产业链结构图无人驾驶汽车产业链主要可分为六大板块，包括感知系统、汽车通讯、计算平台、控制系统、算法集成以及汽车制造厂商,28,相关企业,产业链汽车生产,发展现状无人驾驶技术的实现和普及会在很大程度上提升汽车的利用率，预计车辆的共享率会有显著的提升，也就意味着整车的销量将会面临下滑,