人工智能行業(yè)研究報(bào)告

概要人工智能是信息時(shí)代的尖端技術(shù)。從人類建立起需要指導(dǎo)控制才能運(yùn)行的計(jì)算機(jī)，到計(jì)算機(jī)擁有可以自己去學(xué)習(xí)的能力，這一飛躍對各行各業(yè)都產(chǎn)生了巨大的影響。雖然此時(shí)此刻可能是下一個(gè)AI冬季（圖8）到來之前的「給予承諾又讓人失望」的周期，但這些投資和新技術(shù)至少會給我們帶來有形的機(jī)器學(xué)習(xí)生產(chǎn)力的經(jīng)濟(jì)利益。與此同時(shí)，人工智能、機(jī)器人和無人駕駛汽車已經(jīng)成為了流行文化甚至是政治話語的前沿。而且我們在過去一年的研究使我們相信這不是一個(gè)錯(cuò)誤的開始，而是一個(gè)拐點(diǎn)。正如我們將在本報(bào)告中探討的那樣，這個(gè)變化的原因有顯而易見的（更快更強(qiáng)的計(jì)算資源和爆炸式增長的數(shù)據(jù)庫），也有細(xì)致入微（深度學(xué)習(xí)，專有硬件和開源的崛起）的。這個(gè)AI拐點(diǎn)（AIinflection）中更令人興奮的一個(gè)方面是「現(xiàn)實(shí)世界」的使用案例比比皆是。雖然深度學(xué)習(xí)使計(jì)算機(jī)視覺和自然語言處理等技術(shù)有了顯著的提高，比如蘋果公司的Siri，亞馬遜的Alexa和Google的圖像識別，但是AI不僅僅是「科技技術(shù)」（techfortech），也就是大數(shù)據(jù)集與足夠強(qiáng)大的技術(shù)相結(jié)合的情況下，價(jià)值正在被慢慢創(chuàng)建，競爭優(yōu)勢也變得越來越明顯。例如，在醫(yī)療保健中，圖像識別技術(shù)可以提高癌癥診斷的準(zhǔn)確性。在農(nóng)業(yè)中，農(nóng)民和種子生產(chǎn)商可以利用深度學(xué)習(xí)技術(shù)來提高作物產(chǎn)量。在制藥業(yè)中，深度學(xué)習(xí)可以用于改善藥物的研發(fā)。在能源方面，勘探效率正在提高，設(shè)備可用性正在不斷增強(qiáng)。在金融服務(wù)方面，通過開辟新的數(shù)據(jù)集，實(shí)現(xiàn)更快的分析，從而降低成本，提高回報(bào)。AI現(xiàn)在還處于發(fā)現(xiàn)其可被利用場景的早期階段，這些必要的技術(shù)會通過基于云的服務(wù)實(shí)現(xiàn)大眾化、平等化，我們相信隨之而來的創(chuàng)新浪潮將在每個(gè)行業(yè)中創(chuàng)造新的贏家和輸家。AI的廣泛應(yīng)用讓我們得出了一個(gè)結(jié)論：它是一種可以變革全球經(jīng)濟(jì)的技術(shù)，是提高生產(chǎn)力并結(jié)束美國生產(chǎn)率停滯增長的驅(qū)動(dòng)力。結(jié)合GS首席經(jīng)濟(jì)學(xué)家JanHatzius的研究，我們明確了資本深化目前的停滯及其對美國生產(chǎn)率的相關(guān)影響。我們相信，AI技術(shù)將會驅(qū)動(dòng)生產(chǎn)力的提高，就像20世紀(jì)90年代那樣，驅(qū)動(dòng)企業(yè)投資更多的資本和勞動(dòng)密集型項(xiàng)目，加快發(fā)展的腳步，提高盈利能力以及提高股票的估值。啟示雖然我們看到了人工智能可以及時(shí)地影響到每個(gè)公司、行業(yè)和一部分經(jīng)濟(jì)，但對投資者而言，我們認(rèn)為這其中有四個(gè)影響最為顯著。生產(chǎn)率。AI和機(jī)器學(xué)習(xí)具有激發(fā)生產(chǎn)率增長周期的潛力，這會有利于經(jīng)濟(jì)的增長，提升企業(yè)的盈利能力，資本回報(bào)率和資產(chǎn)估值。根據(jù)GS首席經(jīng)濟(jì)學(xué)家JanHatzius所說：「大體上而言，AI看起來似乎比上一次創(chuàng)新浪潮更有可能在統(tǒng)計(jì)數(shù)據(jù)中捕捉到更有價(jià)值的東西，人工智能可以降低成本，減少對高附加值生產(chǎn)類型的勞動(dòng)投入。舉個(gè)例子，這些在商業(yè)部門成本節(jié)約上的創(chuàng)新可能比在iPhone中增加應(yīng)用程序的可用性和多用性更利于統(tǒng)計(jì)學(xué)家去捕獲有價(jià)值的東西?？紤]人工智能對商業(yè)部門的成本結(jié)構(gòu)的廣泛影響，我有理由相信它會被統(tǒng)計(jì)學(xué)家接受，并且會出現(xiàn)在整體生產(chǎn)力數(shù)據(jù)中。尖端技術(shù)。AI和機(jī)器學(xué)習(xí)在速度上的價(jià)值有利于構(gòu)建一種在建設(shè)數(shù)據(jù)中心和網(wǎng)絡(luò)服務(wù)時(shí)讓硬件更便宜的趨勢。我們認(rèn)為這可能推動(dòng)硬件，軟件和服務(wù)支出的市場份額的大幅度改變。例如，在「標(biāo)準(zhǔn)」數(shù)據(jù)中心計(jì)算資源上運(yùn)行的AWS工作負(fù)載的成本低至$0.0065/小時(shí)，而在使用AI優(yōu)化過的GPU上運(yùn)行的成本為0.900美元一小時(shí)。競爭優(yōu)勢。我們看到了AI和機(jī)器學(xué)習(xí)具有重新調(diào)整每個(gè)行業(yè)的競爭秩序的潛力。未能投資和利用這些技術(shù)的管理團(tuán)隊(duì)在和受益于戰(zhàn)略智能的企業(yè)競爭時(shí)，有很大可能會被淘汰掉，因?yàn)檫@些技術(shù)可以讓企業(yè)的生產(chǎn)力提高，并為它們創(chuàng)造資本效益。在第41頁開始的短文中，我們將研究這些競爭優(yōu)勢是如何在醫(yī)療保健、能源、零售、金融和農(nóng)業(yè)等領(lǐng)域發(fā)展起來的。創(chuàng)辦新公司。我們發(fā)現(xiàn)了150多家在過去十年中創(chuàng)建的人工智能和機(jī)器學(xué)習(xí)公司（附錄69-75）。雖然我們相信人工智能的大部分價(jià)值都掌握在具有資源、數(shù)據(jù)和投資能力的大公司手中，但我們也期望風(fēng)險(xiǎn)投資家、企業(yè)家和技術(shù)專家可以繼續(xù)推動(dòng)新公司的創(chuàng)立，從而促進(jìn)實(shí)質(zhì)性的創(chuàng)新和價(jià)值創(chuàng)造，即使最后創(chuàng)業(yè)公司會被收購。當(dāng)然我們也不能忽視人工智能巨頭（人工智能領(lǐng)域的谷歌或Facebook）的出現(xiàn)。在接下來的篇幅中，我們將深入探討AI的技術(shù)，歷史，機(jī)器學(xué)習(xí)的生態(tài)系統(tǒng)以及這些技術(shù)在行業(yè)和領(lǐng)頭公司中的應(yīng)用。什么是人工智能？人工智能是做出能夠以人類智能的方式學(xué)習(xí)并解決問題的智能機(jī)器和計(jì)算機(jī)程序的理工科。傳統(tǒng)而言，該領(lǐng)域包括自然語言處理與翻譯、視覺感知與模式識別，以及決策制定。但該領(lǐng)域以及應(yīng)用的復(fù)雜度都在急劇擴(kuò)展。在此報(bào)告中，我們的大部分分析集中在機(jī)器學(xué)習(xí)（人工智能的一個(gè)分支）與深度學(xué)習(xí)（機(jī)器學(xué)習(xí)的分支）上。我們強(qiáng)調(diào)兩點(diǎn)：簡言之，機(jī)器學(xué)習(xí)是從樣本和經(jīng)驗(yàn)（即數(shù)據(jù)集）中進(jìn)行學(xué)習(xí)的算法，而不是依靠硬編碼和預(yù)先定義的規(guī)則。換言之，也就是開發(fā)者不再告訴程序如何區(qū)分蘋果和橘子，而是向算法輸入數(shù)據(jù)（訓(xùn)練），然后自己學(xué)習(xí)如何區(qū)分蘋果和橘子。深度學(xué)習(xí)的重大發(fā)展是人工智能拐點(diǎn)背后的主要驅(qū)動(dòng)。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集。在大部分傳統(tǒng)的機(jī)器學(xué)習(xí)方法中，特征（即有預(yù)測性的輸入或?qū)傩裕┯扇藖碓O(shè)計(jì)。特征工程是一大瓶頸，需要大量的專業(yè)知識。在無監(jiān)督學(xué)習(xí)中，重要特征并非由人預(yù)定義，而是由算法學(xué)習(xí)并創(chuàng)造。為了更加明了，我們不注重真人工智能、強(qiáng)人工智能或通用人工智能這樣的概念，它們意味著復(fù)制人類智能，也經(jīng)常出現(xiàn)在流行文化中。雖然已經(jīng)有了一些有潛力的突破，比如谷歌DeepMind的AlphaGo系統(tǒng)，我們還是更注重立即有實(shí)在經(jīng)濟(jì)的人工智能發(fā)展。為何人工智能發(fā)展加速？深度學(xué)習(xí)能力的極大發(fā)展是如今人工智能拐點(diǎn)背后的催化劑之一。深度學(xué)習(xí)的底層技術(shù)框架——神經(jīng)網(wǎng)絡(luò)，已經(jīng)存在了數(shù)十年，但過去5到10年的3種東西改變了深度學(xué)習(xí)：數(shù)據(jù)。隨著全球設(shè)備、機(jī)器和系統(tǒng)的連接，大量的無結(jié)構(gòu)數(shù)據(jù)被創(chuàng)造出來。神經(jīng)網(wǎng)絡(luò)有了更多的數(shù)據(jù)，就變得更為有效，也就是說隨著數(shù)據(jù)量增加，機(jī)器學(xué)習(xí)能夠解決的問題也增加。手機(jī)、IoT、低成本數(shù)據(jù)存儲和處理（云）技術(shù)的成熟使得可用數(shù)據(jù)集的大小、結(jié)構(gòu)都有了極大增長。例如，特斯拉收集了780mn英里的駕駛數(shù)據(jù)，而且通過他們的互連汽車，每10小時(shí)就能增加100萬英里的數(shù)據(jù)。此外，Jasper有一個(gè)平臺，能讓多家汽車制造商和電信公司進(jìn)行機(jī)器間的交流，這家公司于今年2月份被Cisco收購。Verizon在8月份做了類似的投資，宣布收購Fleetmatics，F(xiàn)leetmatics做的是將汽車上的遠(yuǎn)程傳感器通過無線網(wǎng)絡(luò)連接到云軟件。未來，5G網(wǎng)絡(luò)的上線將會加速數(shù)據(jù)生成與傳輸?shù)乃俾?。?jù)IDC的DigitalUniverseReport顯示，年度數(shù)據(jù)生成預(yù)期到2020年達(dá)到44zettabytes，表明我們正在見證應(yīng)用這些技術(shù)的使用案例。圖1：年度數(shù)據(jù)生成預(yù)期到2020年達(dá)到44zettabytes2.更快的硬件。GPU的再次使用、低成本計(jì)算能力的普遍化，特別是通過云服務(wù)，以及建立新的神經(jīng)網(wǎng)絡(luò)模型，已經(jīng)極大的增加了神經(jīng)網(wǎng)絡(luò)產(chǎn)生結(jié)果的速度與準(zhǔn)確率。GPU和并行架構(gòu)要比傳統(tǒng)的基于數(shù)據(jù)中心架構(gòu)的CPU能更快的訓(xùn)練機(jī)器學(xué)習(xí)系統(tǒng)。通過使用圖像芯片，網(wǎng)絡(luò)能更快的迭代，能在短期內(nèi)進(jìn)行更準(zhǔn)確的訓(xùn)練。同時(shí)，特制硅的發(fā)展，比如微軟和百度使用的FPGA，能夠用訓(xùn)練出的深度學(xué)習(xí)系統(tǒng)做更快的推斷。另外，從1993年開始超級計(jì)算機(jī)的原計(jì)算能力有了極大發(fā)展（圖2）。在2016年，單張英偉達(dá)游戲顯卡就有了類似于2002年之前最強(qiáng)大的超級計(jì)算機(jī)擁有的計(jì)算能力。圖2：全球超級計(jì)算機(jī)的原計(jì)算性能，以GFLOPs測試成本也有了極大的降低。英偉達(dá)GPU（GTX1080）有9TFLOPS的性能，只要700美元，意味著每GFLOPS只要8美分。在1961年，串夠IBM1620s每提供1GFLOPS需要的錢超過9萬億。圖3：每單位計(jì)算的價(jià)格有了極大下降3.更好、更普遍可用的算法。更好的輸入（計(jì)算和數(shù)據(jù)）使得更多的研發(fā)是面向算法，從而支持深度學(xué)習(xí)的使用。例如伯克利的Caffe、谷歌的TensorFlow和Torch這樣的開源框架。比如，剛開源一周年的TensorFlow，成為了GitHub上有最多forkedrepositories的框架。雖然不是所有的人工智能發(fā)生于普遍可用的開源框架中，但開源確實(shí)在加速發(fā)展，而且也有更多先進(jìn)的工具正在開源。方向雖然本報(bào)告的重點(diǎn)是人工智能的發(fā)展方向以及公司如何把握這個(gè)方向，但是了解人工智能對我們生活的影響程度也是很重要的。在線搜索。就在一年多以前，谷歌透露，它們已經(jīng)開始將大量的搜索工作移植到了RankBrain（一個(gè)人工智能系統(tǒng)），使其和鏈接（links）以及內(nèi)容（content）成為了谷歌搜索算法的三個(gè)最重要的標(biāo)志。推薦引擎。Netflix，亞馬遜和Pandora都在使用人工智能來確定推薦什么樣的電影和歌曲，突出哪些產(chǎn)品。5月，亞馬遜開源了它們的深度可擴(kuò)展稀疏傳感網(wǎng)絡(luò)引擎（theDeepScalableSparseTensorNetworkEngine（DSSTNE），簡稱「Destiny」），它被用于產(chǎn)品推薦，同時(shí)可以被擴(kuò)展以實(shí)現(xiàn)超越語言和語言理解以及異議識別的目的。人臉識別。Google（FaceNet）和Facebook（DeepFace）都投入了大量的技術(shù)來確定您的照片中的人臉和真實(shí)的人臉是不是幾乎完全吻合。1月，蘋果采取了進(jìn)一步措施，購買了Emotient（一個(gè)致力于通過讀取人的面部表情來確定其情緒狀態(tài)的AI創(chuàng)業(yè)公司）顯然，這些技術(shù)遠(yuǎn)遠(yuǎn)不止于對照片進(jìn)行標(biāo)記。雖然個(gè)人助理應(yīng)用產(chǎn)品有無數(shù)的用戶，比如蘋果的Siri，信用貸，保險(xiǎn)風(fēng)險(xiǎn)評估，甚至天氣預(yù)測。在接下來的篇幅中，我們探討企業(yè)該如何使用這些技術(shù)來加速增長，降低成本和控制風(fēng)險(xiǎn)。從這些技術(shù)及其使用這些技術(shù)的應(yīng)用的發(fā)展速度來看，它們充其量不過可以為公司和投資者提供一些方向，以保持他們的競爭力。加強(qiáng)未來的生產(chǎn)率美國的勞動(dòng)生產(chǎn)率在90年代中期的快速增長和過去十年的緩慢增長和之后，近年來已經(jīng)停止增長了。我們認(rèn)為，就像20世紀(jì)90年代互聯(lián)網(wǎng)技術(shù)被廣泛采用那樣，消費(fèi)類機(jī)器學(xué)習(xí)和人工智能的擴(kuò)散有可能大幅度地改變?nèi)虍a(chǎn)業(yè)的生產(chǎn)范式。在整個(gè)行業(yè)中，我們發(fā)現(xiàn)在自動(dòng)化的促使下，勞動(dòng)時(shí)間減少了約0.5％-1.5％，同時(shí)，由于AI/ML技術(shù)帶來的效率增益，到2025年，這些技術(shù)將對生產(chǎn)力增長產(chǎn)生高達(dá)51-1154個(gè)基點(diǎn)（bps）的影響。雖然我們期望AI/ML可以隨著時(shí)間同時(shí)提高生產(chǎn)率的分母和分子，不過我們認(rèn)為最重要的是，早期的影響將是低工資任務(wù)的自動(dòng)化，即以更少的勞動(dòng)時(shí)間推動(dòng)類似的產(chǎn)出增長水平。我們的基本案例AI/ML驅(qū)動(dòng)提高了97個(gè)基點(diǎn)，這意味著2025年的增長生產(chǎn)率中的1.61％將由IT貢獻(xiàn)，比1995-2004年高出11個(gè)基點(diǎn)（圖9,10）。圖9：生產(chǎn)力分析；單位百萬美元，假設(shè)2019年之后GDP線性增長生態(tài)系統(tǒng)：云服務(wù)，開源在未來的AI投資周期中的關(guān)鍵受益人我們相信，在未來的幾年中，一個(gè)公司利用人工智能技術(shù)的能力將成為體現(xiàn)公司在所有主要行業(yè)競爭力的一個(gè)屬性。雖然戰(zhàn)略會因公司規(guī)模和行業(yè)而有所不同，但如果管理團(tuán)隊(duì)不會把重心放在領(lǐng)導(dǎo)人工智能和在此基礎(chǔ)上的利益上，那么未來產(chǎn)品創(chuàng)新、勞動(dòng)效率和資本杠桿都會存在落后的風(fēng)險(xiǎn)。因此，我們認(rèn)為公司需要投資這些新技術(shù)以保持競爭力，同時(shí)這將導(dǎo)致對人工智能所以依賴的人才、服務(wù)和硬件的空前的需求。作為比較，20世紀(jì)90年代技術(shù)驅(qū)動(dòng)的生產(chǎn)力繁榮推動(dòng)了相應(yīng)的激增。增加對技術(shù)的資本支出導(dǎo)致了新的企業(yè)和業(yè)務(wù)的增加來捕獲這些資本支出。在不可避免的行業(yè)整合發(fā)生之前，成立軟件、硬件和網(wǎng)絡(luò)公司開始發(fā)生轉(zhuǎn)變。下圖13突出了軟件行業(yè)內(nèi)的這種模式。在1995-1999年期間，在通貨膨脹調(diào)整后，市值在20億美元到50億美元之間的公共軟件公司的數(shù)量幾乎增加了兩倍，在2000年代中期才得到鞏固。圖13：伴隨20世紀(jì)90年代生產(chǎn)力激增的驅(qū)動(dòng)者生態(tài)系統(tǒng)（enablerecosystem）圖14：這十年來，投資人工智能的風(fēng)險(xiǎn)資本出現(xiàn)了暴增我們看到了由AI驅(qū)動(dòng)的生產(chǎn)率具有產(chǎn)生下一個(gè)相似的繁榮周期的潛力，可以通過利用這些潛力，把軟件、硬件、數(shù)據(jù)和服務(wù)提供商作為商業(yè)投資來創(chuàng)造價(jià)值。如上圖14所反映的那樣，與AI相關(guān)的初創(chuàng)企業(yè)的風(fēng)險(xiǎn)投資在這十年中急劇增加。AI企業(yè)投資的繁榮現(xiàn)象的巨大潛力也開始推動(dòng)整合。尤其是云平臺對AI相關(guān)人才進(jìn)行了大量投入，自2014年以來，谷歌、亞馬遜、微軟和Salesforce共進(jìn)行了17項(xiàng)與AI相關(guān)的收購（下圖）。在上下文中對AI和ML技術(shù)的發(fā)展和歷史技術(shù)周期的比較中，我們看到了前者的一些益處。與過去50年的其他主要技術(shù)的周期一樣，計(jì)算（和摩爾定律）一直是進(jìn)步的抑制劑和推動(dòng)者。例如，在系統(tǒng)架構(gòu)方面，我們目睹了從大型機(jī)系統(tǒng)轉(zhuǎn)變?yōu)榭蛻舳?服務(wù)器模型的整個(gè)過程，并且近年來已經(jīng)開始被云/移動(dòng)模式所取代。這種進(jìn)化的驅(qū)動(dòng)因素是計(jì)算能力、存儲容量和帶寬的改進(jìn)。每個(gè)轉(zhuǎn)換都伴隨著應(yīng)用開發(fā)的轉(zhuǎn)變，包括各種新編程語言的出現(xiàn)和演變（見圖表15）和各種可能的應(yīng)用程序各種的類型。如上下文中所提及的一樣，AI這個(gè)概念已經(jīng)存在幾十年了，其中神經(jīng)網(wǎng)絡(luò)的概念出現(xiàn)在20世紀(jì)60年代，雖然直到最近幾年，計(jì)算能力才開始讓神經(jīng)網(wǎng)絡(luò)能在實(shí)際環(huán)境中使用。我們相信我們正處于AI平臺的早期階段，就如同20世紀(jì)50年代大型機(jī)才開始商業(yè)化到21世紀(jì)的智能手機(jī)和云的商業(yè)化。隨著平臺曲線的變化（我們認(rèn)為它正在發(fā)生），應(yīng)用程序、工具和服務(wù)驅(qū)動(dòng)者（enabler）會爆炸式增長，我們將在下面更詳細(xì)地討論。圖15：人工智能的發(fā)展可以與歷史上的系統(tǒng)架構(gòu)和編程語言的采用的技術(shù)革命相比，盡管我們認(rèn)為我們目前仍然處在人工智能發(fā)展和應(yīng)用的早期階段stack的演變過程以及和AI之間的對應(yīng)關(guān)系藍(lán)色=專有供應(yīng)商，橙色=開源，綠色=云服務(wù)（注意：一些供應(yīng)商，如IBM和Microsoft都是專有服務(wù)和云服務(wù)）圖17：生產(chǎn)中的機(jī)器學(xué)習(xí)：如何在機(jī)器學(xué)習(xí)管道中利用各種開源和云技術(shù)圖18：機(jī)器學(xué)習(xí)管道中的關(guān)鍵開源項(xiàng)目?？捎玫捻?xiàng)目\支持公司和風(fēng)險(xiǎn)投資圖表20：人工智能即服務(wù)（AI-as-a-Service（AI-aaS））概覽：機(jī)器學(xué)習(xí)API正在被開發(fā)以解決水平和垂直使用案例圖表21：水平AI-aaS產(chǎn)品和定價(jià)：來自云平臺的AI-aaS產(chǎn)品示例中國人工智能現(xiàn)狀

iResearch預(yù)測，2020年，中國人工智能市場將從2015年的12億人民幣增長至91億人民幣。2015年，約14億資本（年增長率76%）流入了中國的人工智能市場。在政府政策方面，中國的國家發(fā)展改革委員會（發(fā)改委）和其他相關(guān)政府機(jī)構(gòu)于2016年5月18日發(fā)布了《「互聯(lián)網(wǎng)+」人工智能三年行動(dòng)實(shí)施方案》。《方案》指出了人工智能領(lǐng)域發(fā)展的六大保障措施，包括資金支持、標(biāo)準(zhǔn)體系、知識產(chǎn)權(quán)保護(hù)、人才培養(yǎng)、國際合作和組織實(shí)施?！斗桨浮诽岢?，到2018年，中國的人工智能基礎(chǔ)資源與創(chuàng)新平臺、產(chǎn)業(yè)體系、創(chuàng)新服務(wù)體系、標(biāo)準(zhǔn)化體系應(yīng)基本建立。發(fā)改委期望中國人工智能產(chǎn)業(yè)整體與國際同步，系統(tǒng)級別（system-level）的人工智能技術(shù)和應(yīng)用要位于市場領(lǐng)先位置。中國已經(jīng)做出一些重大舉措，而且根據(jù)提及「深度學(xué)習(xí)」和「深度神經(jīng)網(wǎng)絡(luò)」的被引用期刊論文數(shù)量，2014年，中國已經(jīng)超越美國（Exhibit23）。中國擁有世界領(lǐng)先的語音和視覺識別技術(shù)，其人工智能研究能力也令人印象深刻（Exhibit24）。百度于2015年11月發(fā)布的DeepSpeech2已經(jīng)能夠達(dá)到97%的正確率，并被《麻省科技評論》評為2016年十大突破科技之一。另外，早在2014年香港中文大學(xué)開發(fā)的DeepID系統(tǒng)就在LFW數(shù)據(jù)庫中達(dá)到了99.15%的面目識別正確率。Exhibit23：提到「深度學(xué)習(xí)」或者「深度神經(jīng)網(wǎng)絡(luò)」的期刊文章Exhibit24：至少被引用一次的、并提到「深度學(xué)習(xí)」或者「深度神經(jīng)網(wǎng)絡(luò)」的期刊文章中國的互聯(lián)網(wǎng)巨頭百度、阿里巴巴和騰訊（BAT）正在領(lǐng)導(dǎo)中國的人工智能市場，同時(shí)數(shù)以百計(jì)的初創(chuàng)公司也正滲透到這一產(chǎn)業(yè)中，并在各種人工智能細(xì)分市場及應(yīng)用領(lǐng)域建立服務(wù)模型。目前，中國的人工智能領(lǐng)域包括：基本服務(wù)，如數(shù)據(jù)資源和計(jì)算平臺；硬件產(chǎn)品，如工業(yè)機(jī)器人和服務(wù)機(jī)器人；智能服務(wù)，如智能客戶服務(wù)和商業(yè)智能；以及技術(shù)能力，如視覺識別和機(jī)器學(xué)習(xí)。根據(jù)iResearch，目前，語音和視覺識別技術(shù)分別占中國人工智能市場的60%和12.5%。在中國，所有和人工智能相關(guān)的公司中，71%專注于開發(fā)應(yīng)用。其余的公司專注算法，其中，55%的公司研究計(jì)算機(jī)視覺，13%研究自然語言處理，9%致力于基礎(chǔ)機(jī)器學(xué)習(xí)。我們認(rèn)為，人工智能前沿的重要參與者可能會繼續(xù)來自美國和中國。百度：2015年9月，百度「度秘」：聲控人工智能個(gè)人助理（整合進(jìn)百度移動(dòng)搜索應(yīng)用）2015年11月，百度DeepSpeech2：包含一個(gè)大型神經(jīng)網(wǎng)絡(luò)的語音技術(shù)，通過樣本學(xué)會將聲音與語詞聯(lián)系起來2015年12月，百度無人車：百度無人車在北京道路上完成測試，并在硅谷設(shè)立自動(dòng)駕駛部門（ADU）2016年8月，百度「DuSee」：為移動(dòng)設(shè)備打造的AR平臺（整合進(jìn)百度搜索和地圖移動(dòng)應(yīng)用），在搜索廣告方面有著廣泛應(yīng)用2016年9月，百度大腦：官方介紹，百度的人工智能平臺2016年9月，PaddlePaddle：百度近期開源的深度學(xué)習(xí)工具包2016年10月，百度移動(dòng)應(yīng)用8.0：新升級的移動(dòng)搜索應(yīng)用，內(nèi)含一個(gè)整合了智能搜索和個(gè)性化新聞推薦的系統(tǒng)，其背后采用了人工智能、自然語言處理和深度學(xué)習(xí)技術(shù)阿里巴巴：2015年7月，阿里小蜜「阿里小秘書」：虛擬人工智能客服，據(jù)公司2016年10月報(bào)告，問題解決率已達(dá)到80%2015年8月，DTPAI：基于阿里云的服務(wù)，用來處理機(jī)器學(xué)習(xí)過程，被該公司稱為是中國的第一個(gè)人工智能平臺2016年6月，阿里媽媽光學(xué)字符識別：該技術(shù)獲得文檔分析與識別國際會議（ICDAR）RobustReading比賽第一名2016年8月，阿里云ET：一套綜合的人工智能解決方案套件，包括視頻、圖像和語音識別技術(shù)騰訊：2015年6月，優(yōu)圖：騰訊為開發(fā)者開放了其面部識別技術(shù)，以及優(yōu)圖科技的其他核心技術(shù)2015年8月，騰訊TICS實(shí)驗(yàn)室：2015年騰訊設(shè)立的智能計(jì)算和搜索實(shí)驗(yàn)室，專注于四個(gè)方面：搜索、自然語言處理、數(shù)據(jù)挖掘和人工智能2015年9月，Dreamwriter：騰訊上線中國第一個(gè)新聞報(bào)道機(jī)器人2015年11月，WHAT實(shí)驗(yàn)室：微信-香港科技大學(xué)人工智能聯(lián)合實(shí)驗(yàn)室，于2015年11月26日成立人工智能生態(tài)：關(guān)鍵參與者人工智能生態(tài)：使用案例與潛在機(jī)會創(chuàng)新人工智能的驅(qū)動(dòng)者：谷歌、亞馬遜谷歌在做些什么？谷歌的搜索算法在過去二十年里進(jìn)展迅速。從1998年的PageRank到2015年的RankBrain，基于鏈接的網(wǎng)絡(luò)排名已經(jīng)進(jìn)化成人工智能驅(qū)動(dòng)下的查詢匹配系統(tǒng)，后者能夠不斷適應(yīng)那些獨(dú)特的搜索（占谷歌所有搜索的15%）。在云技術(shù)方面，公司五月份公布了針對平臺的定制化硬件加速器方面取得的進(jìn)展，一種定制化的ASIC，亦即TPU，這一進(jìn)展對2015年開源的機(jī)器學(xué)習(xí)軟件庫TensorFlow進(jìn)行了補(bǔ)充。過去三年中，在與人工智能相關(guān)的收購戰(zhàn)中，公司也當(dāng)仁不讓。被收購的公司中，最知名的當(dāng)屬DeepMind，它提升了Alphabet的神經(jīng)網(wǎng)絡(luò)功能并已經(jīng)將其應(yīng)用于各種人工智能驅(qū)動(dòng)的項(xiàng)目中。為何重要？在搜索中使用算法，谷歌可謂先行者。將自然語言處理應(yīng)用到配備用戶搜索意圖和可欲結(jié)果方面，公司一直處于領(lǐng)先地位，這也不斷加強(qiáng)了公司在該領(lǐng)域的競爭優(yōu)勢。在進(jìn)一步推進(jìn)人工智能領(lǐng)域的融合。在促進(jìn)人工智能一體化（AIintegration）方面，公司的開源應(yīng)用TensorFlow已經(jīng)為其他云平臺以及研究社區(qū)利用公司資源提供了先例。同時(shí)，谷歌正通過自身優(yōu)勢，比如TPU，充分利用開源世界為公司提供競爭優(yōu)勢，盡管其機(jī)器學(xué)習(xí)庫是開源的。因?yàn)镈eepMind,公司提升了端到端的強(qiáng)化能力；2015年末擊敗職業(yè)圍棋選手的AlphaGo。將人工智能帶到更為廣泛的研究社區(qū)，同時(shí)也通過軟硬件方面的自身優(yōu)勢進(jìn)行創(chuàng)新，谷歌是最好例子。亞馬遜在做什么？亞馬遜正在公司內(nèi)部和云端使用機(jī)器學(xué)習(xí)技術(shù)。2015年4月，公司發(fā)布AmazonML，這款機(jī)器學(xué)習(xí)服務(wù)能夠?yàn)閷υ茢?shù)據(jù)的使用提供機(jī)器學(xué)習(xí)功能（無需之前的客戶經(jīng)驗(yàn)）。公司緊隨谷歌的開源步伐，今年5月開源了DSSTNE，一個(gè)針對推薦深度學(xué)習(xí)模型的的庫。通過改善搜索、定制化產(chǎn)品推薦以及語音識別、增加有質(zhì)量的產(chǎn)品評價(jià)，公司內(nèi)部也在使用機(jī)器學(xué)習(xí)改善端到端的用戶體驗(yàn)。為什么重要？借助AWS，亞馬遜成為全球最大的云服務(wù)商，可能也是最成熟的人工智能平臺。借助AmazonML，公司成為作為服務(wù)的人工智能（AI-as-a-service）生態(tài)系統(tǒng)的領(lǐng)先者，將復(fù)雜的推理能力帶到之前幾乎沒有機(jī)器學(xué)習(xí)經(jīng)驗(yàn)的公司辦公室當(dāng)中。無需基于定制的復(fù)雜應(yīng)用，AWS用戶就能使用機(jī)器學(xué)習(xí)訓(xùn)練模型，評估以及優(yōu)化潛力。亞馬遜推薦引擎使用了機(jī)器學(xué)習(xí)，在匹配用戶意圖以及可欲結(jié)果方面，具有競爭優(yōu)勢，也為公司創(chuàng)造了商機(jī)。公司正更加高效地利用收集到的數(shù)據(jù)合理化用戶購物體驗(yàn)，也讓電子商務(wù)體驗(yàn)更具互動(dòng)性。隨著DSSTNE的開源，亞馬遜也與其他科技巨頭一起，推動(dòng)科技社區(qū)的人工智能進(jìn)步。蘋果在做什么？去年，蘋果已經(jīng)成為最活躍的人工智能公司收購商，比如VocalIQ,Perceptio,Emotient,Turi,以及Tuplejump。幾乎同時(shí)收購了VocalIQ和Perceptio，公司請來了JohnathanCohen，當(dāng)時(shí)還是英偉達(dá)CUDA庫以及GPU加速軟件項(xiàng)目的負(fù)責(zé)人。近期，據(jù)報(bào)道，公司請來RuslanSalakhutdinov擔(dān)任人工智能研究總監(jiān)，這也標(biāo)志著公司人工智能戰(zhàn)略的轉(zhuǎn)型。在此之前，公司最初人工智能成果之一是Siri,第一款嵌入移動(dòng)技術(shù)的虛擬助手，2014年，其語音識別技術(shù)被移入神經(jīng)網(wǎng)絡(luò)系統(tǒng)。為什么重要？直到去年，蘋果已經(jīng)取得相對專有的機(jī)器學(xué)習(xí)成就；2015年10月，BloombergBusinessweek報(bào)道，在大眾消費(fèi)方面，蘋果研究人員還沒發(fā)過一篇與人工智能有關(guān)的論文。不過，這一策略轉(zhuǎn)型多少與新的、與人工智能相關(guān)的雇傭與收購有關(guān)，科技記者StevenLevy在Backchannel的一篇報(bào)道強(qiáng)調(diào)公司已經(jīng)在人工智能領(lǐng)域活躍一段時(shí)間了。特別是，公司收購Turi突出了公司要按規(guī)模推進(jìn)非結(jié)構(gòu)數(shù)據(jù)和推論，以及開放給更為廣泛的人工智能研究社區(qū)。這次收購，配以基于收購公司技術(shù)的較小應(yīng)用，反映出蘋果致力于用這些新技術(shù)創(chuàng)新公司產(chǎn)品。微軟在做什么？CEOSatyaNadella表示，微軟正在大眾化人工智能（democratizingAI）。公司的人工智能和研究團(tuán)隊(duì)（總?cè)藬?shù)大約5千多），關(guān)注改變?nèi)祟愺w驗(yàn)和與機(jī)器的互動(dòng)。微軟已經(jīng)積極地將新的、融合人工智能的功能嵌入公司核心服務(wù)中，并在對話計(jì)算（比如Cortana）、自然語言處理（SwfitKey）等方面取得進(jìn)展。公司正進(jìn)一步打造基于GPU和FPGA的云（Azure），在公司所謂的更高水平的人工智能服務(wù)，比如語音識別、圖片識別以及自然語言處理當(dāng)中，為機(jī)器學(xué)習(xí)提供動(dòng)力和速度。為什么重要？兩個(gè)單詞：人工智能大眾化（democratizingAI）。由于這個(gè)行業(yè)中的公司將研究計(jì)劃甚至庫開放給人工智能研究社區(qū)，微軟發(fā)明了這一表述，用來解釋許多領(lǐng)先的人工智能創(chuàng)新者的舉動(dòng)。去年，微軟在人工智能領(lǐng)域頗為活躍，正式發(fā)布了產(chǎn)品以及研究計(jì)劃，并宣布了一個(gè)新的人工智能和研究小組（2016年9月下旬）。微軟的FPGA表現(xiàn)突出了人工智能可以為普通商業(yè)或個(gè)人帶來什么；不到十分之一秒，它就翻譯完了整個(gè)維基百科（30億個(gè)單詞和500萬條條款）。而且伴隨著虛擬助理Cortana,Siri,Alexa以及其他助理之間的競爭，進(jìn)一步將人工智能研發(fā)融入廣泛使用的產(chǎn)品中去，通過產(chǎn)品進(jìn)步吸引客戶似乎是必須的。Facebook在做什么？Facebook人工智能研究部門（FAIR，2013年）的策略是在更廣泛的研究社區(qū)背景下研發(fā)技術(shù)。這個(gè)團(tuán)隊(duì)以推進(jìn)無監(jiān)督表征學(xué)習(xí)（比如，觀察世界、而不是借助人類算法干預(yù)，借助對抗網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)）的進(jìn)步而為眾人所知。應(yīng)用機(jī)器學(xué)習(xí)部門（AML）在FAIR之后成立，聚焦將研究應(yīng)用到公司產(chǎn)品中，時(shí)間限制為月或季度（而不是年）。公司正將機(jī)器學(xué)習(xí)功能應(yīng)用到各種垂直領(lǐng)域中，比如面部識別，機(jī)器翻譯以及深度文本（DeepText）語言或文本學(xué)習(xí)。為什么重要？公司已經(jīng)發(fā)布了多個(gè)無監(jiān)督學(xué)習(xí)方面的研究成果，隨著機(jī)器學(xué)習(xí)超越從「正確答案」中學(xué)習(xí)，開始聚焦獨(dú)立的模式識別，無監(jiān)督學(xué)習(xí)已經(jīng)成為一個(gè)重要的焦點(diǎn)領(lǐng)域。無監(jiān)督學(xué)習(xí)有望去除更多的、與大數(shù)據(jù)有關(guān)的人類成分，公司在YannLecun的帶領(lǐng)下，正引領(lǐng)該領(lǐng)域的研究。今年五月，公司發(fā)布的FBLearnerFLow合理化了端到端UI（從研究到工作流程、實(shí)驗(yàn)管理以及視覺化和比較輸出）。公司的人工智能項(xiàng)目和工作流程應(yīng)用不限于AML成員，公司各部門領(lǐng)域都可以使用借鑒。這樣一來，公司就可以利用研究部門之外所取得的人工智能進(jìn)步。Salesforce在做什么？在2014年和2015年，Salesforce開始解釋自己的Apex開發(fā)平臺如何可被用在Salesforce1云上完成機(jī)器學(xué)習(xí)任務(wù)。從此，該公司開始在人工智能上投入更多的資源，收購了多家人工智能公司，包括Minhash、PredictionIO和MetaMind。在9月份，Salesforce推出了Einstein——一個(gè)面向多平臺的基于人工智能的云計(jì)劃。該計(jì)劃專注于將人工智能融入銷售云、市場云、服務(wù)云、社區(qū)云、IoT云和app云。為什么重要？SalesforceEinstein有潛力促進(jìn)商業(yè)使用數(shù)據(jù)的方式。在銷售云中，該公司希望讓各個(gè)組織通過預(yù)測銷售線索得分、洞見機(jī)會以及自動(dòng)捕捉活動(dòng)來優(yōu)化銷售機(jī)遇。市場和服務(wù)云將提供預(yù)測參與度得分，來分析消費(fèi)者使用情況。還能提供預(yù)測客戶，從而幫助定位市場，并基于趨勢和用戶歷史通過自動(dòng)案例分類更快解決消費(fèi)者服務(wù)事件。Salesforce用微妙的使用案例將機(jī)器學(xué)習(xí)帶到云中，強(qiáng)調(diào)它對公司核心競爭力的影響。英偉達(dá)在做什么？英偉達(dá)已經(jīng)從之前電子游戲GPU生產(chǎn)商轉(zhuǎn)型為機(jī)器學(xué)習(xí)應(yīng)用硬件廠商。2015年年底，公司表示，較之使用傳統(tǒng)CPU，使用了GPU神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度提升了10到20倍。盡管英特爾重金投入的FPGA（作為GPU的替代產(chǎn)品）加入硬件市場角逐，但是，GPU的機(jī)器學(xué)習(xí)應(yīng)用能實(shí)現(xiàn)更加密集的訓(xùn)練。相對而言，F(xiàn)PGA可以提供更快、計(jì)算密集程度更低的推理和任務(wù)；這說明市場會根據(jù)實(shí)際應(yīng)用案例區(qū)分對待。過去五年，到2016年6月為止，英偉達(dá)所占GPU市場份額已經(jīng)從二分之一上升到近四分之三。為什么重要？在人工智能創(chuàng)新公司和學(xué)術(shù)機(jī)構(gòu)中，GPU加速的深度學(xué)習(xí)一直是許多項(xiàng)目的前沿。英偉達(dá)所占據(jù)的市場份額意味著，隨著人工智能越來越成為未來幾年中大型商務(wù)的中心議題，公司可以從中獲益。使用公司產(chǎn)品的一個(gè)例子，俄羅斯的NTechLab，使用GPU加速的深度學(xué)習(xí)框架來訓(xùn)練面部識別模型，識別密集集會中的個(gè)人，并在AWS中利用這些GPU進(jìn)行推理。作為一種選擇，許多大學(xué)也使用英偉達(dá)Tesla加速器來模擬可能的抗體突變，這種變異可能會擊敗進(jìn)化中的伊波拉病毒，將來研究會進(jìn)一步關(guān)注流感病毒。英特爾在做什么？英特爾的戰(zhàn)略比較獨(dú)特，其使用的案例多種多樣。2016年年中，公司發(fā)布了第二代XeonPhi產(chǎn)品系列，以其高性能計(jì)算（HPC）能力著稱，它可以讓人工智能擴(kuò)展到更加大型的服務(wù)器網(wǎng)絡(luò)和云端。在硬件不斷進(jìn)步的同時(shí)，公司也下重金投資FPGA，這主要?dú)w功于其推理速度和靈活的可編程性。英特爾令人矚目的收購包括Nervana（深度學(xué)習(xí)），以及Altera——該公司將FPGA的創(chuàng)新帶入了英特爾。為什么重要？英特爾關(guān)注FPGA創(chuàng)新補(bǔ)足了英偉達(dá)對GPU的關(guān)注。當(dāng)處理大型數(shù)據(jù)庫（微軟等許多大公司用來測試大數(shù)據(jù)分析的邊界），F(xiàn)PGA能夠提供更加快速的推理速度。在物聯(lián)網(wǎng)的應(yīng)用環(huán)境中，公司也宣布了一個(gè)計(jì)劃，旨在將學(xué)習(xí)技術(shù)融入可穿戴微芯片中（顯然是通過XeonQuark）。物聯(lián)網(wǎng)和人工智能的銜接有助于為公司和個(gè)人日常使用案例的數(shù)據(jù)搜集機(jī)制提供機(jī)器學(xué)習(xí)解決方案。Uber在做什么？Uber正在使用機(jī)器學(xué)習(xí)優(yōu)化UberXETA以及接送地點(diǎn)的準(zhǔn)確性。為了實(shí)現(xiàn)這一點(diǎn)，需要數(shù)百萬之前搭乘記錄的數(shù)據(jù)點(diǎn)來探測常規(guī)交通模式，從而可以相應(yīng)調(diào)整ETA/接送地點(diǎn)。今年9月，Uber展開了一個(gè)自動(dòng)駕駛試點(diǎn)項(xiàng)目，地點(diǎn)位于匹茲堡，由來自CMU的研究人員（受雇于Uber）負(fù)責(zé)該項(xiàng)目，很多大型汽車制造商業(yè)參與了進(jìn)來。該公司還和沃爾沃達(dá)成了一項(xiàng)合作（金額300萬美元），研發(fā)協(xié)作也為這個(gè)試點(diǎn)項(xiàng)目提供了機(jī)遇。不過，公司并不止步于小轎車。公司收購了一家自動(dòng)卡車創(chuàng)業(yè)公司Otto，今年十月在科羅拉多，公司試點(diǎn)快遞了5萬瓶啤酒。為什么重要？Uber的機(jī)器學(xué)習(xí)負(fù)責(zé)人DannyLange在接受GeekWire的采訪中提及，他們的團(tuán)隊(duì)正在將這種技術(shù)無縫供給公司的其他團(tuán)隊(duì)，這些團(tuán)隊(duì)無需具備機(jī)器學(xué)習(xí)背景就可以使用APIs。這也能讓公司不同部門能高效利用機(jī)器學(xué)習(xí)基礎(chǔ)架構(gòu)，例如，UberX、UberPool、UberEats以及自動(dòng)駕駛工具都使用到了公司的人工智能技術(shù)。IBM在做什么？IBM在全球有3000多名研究人員。過去十年，IBM在認(rèn)知計(jì)算上超過有1400項(xiàng)專利，下一代云上有1200項(xiàng)，在硅/納米科學(xué)上有7200項(xiàng)專利。IBMWatson利用自然語言處理機(jī)器學(xué)習(xí)技術(shù)識別模式，并提供在非結(jié)構(gòu)數(shù)據(jù)上的洞見，據(jù)該公司表示這代表如今所有數(shù)據(jù)的80%。其他Watson產(chǎn)品包括VirtualAgent，一個(gè)響應(yīng)分析的自動(dòng)消費(fèi)者服務(wù)體驗(yàn)；Explorer，這是一個(gè)分析并連接大量不同數(shù)據(jù)集的工具。為什么重要？IBM一直是該領(lǐng)域的先驅(qū)，有著極大的成就，包括上世紀(jì)90年代的DeepBlue和2011年的Watson。Watson的應(yīng)用包括醫(yī)療中的病人治療分析，基于twitter數(shù)據(jù)的股票推薦，零售中消費(fèi)者的行為分析，以及對抗網(wǎng)絡(luò)安全威脅。據(jù)財(cái)富報(bào)道，GM將Watson加入到了汽車中，在OnStar系統(tǒng)上結(jié)合了Watson的能力。百度在做什么？百度的人工智能研究由百度大腦所推進(jìn)。它包含3個(gè)元素：1）一個(gè)模擬人類神經(jīng)網(wǎng)絡(luò)的人工智能算法，有著在百十億的樣本上訓(xùn)練的大量參數(shù)；2）能在數(shù)十萬臺服務(wù)器與大量GPU集群上進(jìn)行高性能計(jì)算（HPC）的運(yùn)算能力。HPC能容納更多可擴(kuò)展的深度學(xué)習(xí)算法。百度是首家宣布這種架構(gòu)的公司，并正與UCLA合作；3）標(biāo)記數(shù)據(jù)，借此技術(shù)，百度收集到了數(shù)以億計(jì)的網(wǎng)頁，包括百億的視頻/音頻/圖像內(nèi)容碎片，還有數(shù)十億的搜索請求和百億的定位要求。為特定模型訓(xùn)練一臺機(jī)器可能需要很高的（exaFLOPS級）計(jì)算能力以及4T的數(shù)據(jù)。為什么重要？人工智能正在改進(jìn)百度全線產(chǎn)品的用戶體驗(yàn)和提升用戶粘性，也在推動(dòng)針對每一用戶的定制化高質(zhì)量內(nèi)容。建立一個(gè)內(nèi)部平臺來運(yùn)行從網(wǎng)頁搜索到廣告投放的帶有標(biāo)簽數(shù)據(jù)的深度學(xué)習(xí)實(shí)驗(yàn)，能夠預(yù)測點(diǎn)擊率（CTR），這會直接影響百度的廣告投放，因此也是它們目前的主要收益。此外，基于人工智能的技術(shù)也能帶來更高的CTR，而且每點(diǎn)擊成本的降低也能促進(jìn)變現(xiàn)。課程:人工智能課程設(shè)計(jì)報(bào)告班級:姓名:學(xué)號:指導(dǎo)教師:趙曼2015年11月人工智能課程設(shè)計(jì)報(bào)告課程背景人工智能（ArtificialIntelligence），英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。人工智能從誕生以來，理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴(kuò)大，可以設(shè)想，未來人工智能帶來的科技產(chǎn)品，將會是人類智慧的“容器”。人工智能是對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。人工智能是一門極富挑戰(zhàn)性的科學(xué)，從事這項(xiàng)工作的人必須懂得計(jì)算機(jī)知識，心理學(xué)和哲學(xué)。人工智能是包括十分廣泛的科學(xué)，它由不同的領(lǐng)域組成，如機(jī)器學(xué)習(xí)，計(jì)算機(jī)視覺等等，總的說來，人工智能研究的一個(gè)主要目標(biāo)是使機(jī)器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作。但不同的時(shí)代、不同的人對這種“復(fù)雜工作”的理解是不同的。人工智能是計(jì)算機(jī)學(xué)科的一個(gè)分支，二十世紀(jì)七十年代以來被稱為世界三大尖端技術(shù)之一（空間技術(shù)、能源技術(shù)、人工智能）。也被認(rèn)為是二十一世紀(jì)三大尖端技術(shù)（基因工程、納米科學(xué)、人工智能）之一。這是因?yàn)榻陙硭@得了迅速的發(fā)展，在很多學(xué)科領(lǐng)域都獲得了廣泛應(yīng)用，并取得了豐碩的成果，人工智能已逐步成為一個(gè)獨(dú)立的分支，無論在理論和實(shí)踐上都已自成一個(gè)系統(tǒng)。人工智能是研究使計(jì)算機(jī)來模擬人的某些思維過程和智能行為（如學(xué)習(xí)、推理、思考、規(guī)劃等）的學(xué)科，主要包括計(jì)算機(jī)實(shí)現(xiàn)智能的原理、制造類似于人腦智能的計(jì)算機(jī)，使計(jì)算機(jī)能實(shí)現(xiàn)更高層次的應(yīng)用。人工智能將涉及到計(jì)算機(jī)科學(xué)、心理學(xué)、哲學(xué)和語言學(xué)等學(xué)科。可以說幾乎是自然科學(xué)和社會科學(xué)的所有學(xué)科，其范圍已遠(yuǎn)遠(yuǎn)超出了計(jì)算機(jī)科學(xué)的范疇，人工智能與思維科學(xué)的關(guān)系是實(shí)踐和理論的關(guān)系，人工智能是處于思維科學(xué)的技術(shù)應(yīng)用層次，是它的一個(gè)應(yīng)用分支。從思維觀點(diǎn)看，人工智能不僅限于邏輯思維，要考慮形象思維、靈感思維才能促進(jìn)人工智能的突破性的發(fā)展，數(shù)學(xué)常被認(rèn)為是多種學(xué)科的基礎(chǔ)科學(xué)，數(shù)學(xué)也進(jìn)入語言、思維領(lǐng)域，人工智能學(xué)科也必須借用數(shù)學(xué)工具，數(shù)學(xué)不僅在標(biāo)準(zhǔn)邏輯、模糊數(shù)學(xué)等范圍發(fā)揮作用，數(shù)學(xué)進(jìn)入人工智能學(xué)科，它們將互相促進(jìn)而更快地發(fā)展。題目二：n皇后問題一.問題描述分別用回溯法（遞歸）、GA算法和CSP的最小沖突法求解n皇后問題。即如何能夠在n×n的國際象棋棋盤上放置n個(gè)皇后，使得任何一個(gè)皇后都無法直接吃掉其他的皇后？為了達(dá)到此目的，任兩個(gè)皇后都不能處于同一條橫行、縱行或斜線上。要求：ⅰ.輸入n，并用運(yùn)行時(shí)間比較幾種算法在相同規(guī)模的問題時(shí)的求解效率，并列表給出結(jié)果。ⅱ.比較同一算法在n不相同時(shí)的運(yùn)行時(shí)間，分析算法的時(shí)間復(fù)雜性，并列表給出結(jié)果。如八皇后問題的一個(gè)解二.設(shè)計(jì)分析1.算法分析1)回溯法（遞歸）回溯法解題的一般步驟編輯（1）針對所給問題，定義問題的解空間；（2）確定易于搜索的解空間結(jié)構(gòu)；（3）以深度優(yōu)先方式搜索解空間，并在搜索過程中用剪枝函數(shù)避免無效搜索。引入一個(gè)整型一維數(shù)組col[]來存放最終結(jié)果，col[i]就表示在棋盤第i列、col[i]行有一個(gè)皇后，為了使程序再找完了全部解后回到最初位置，設(shè)定col[0]的初值為0，即當(dāng)回溯到第0列時(shí)，說明以求得全部解，結(jié)束程序運(yùn)行。為了方便算法的實(shí)現(xiàn)，引入三個(gè)整型數(shù)組來表示當(dāng)前列在三個(gè)方向上的狀態(tài)：a[]a[i]=0表示第i行上還沒有皇后；b[]b[i]=0表示第i列反斜線/上沒有皇后；c[]c[i]=0表示第i列正斜線\上沒有皇后。棋盤中同一反斜線/上的方格的行號與列號相同；同一正斜線\上的方格的行號與列號之差均相同，這就是判斷斜線的依據(jù)。初始時(shí)，所有行和斜線上都沒有皇后，從第1列的第1行配置第一個(gè)皇后開始，在第m列，col[m]行放置了一個(gè)合理的皇后，準(zhǔn)備考察第m+1列時(shí)，在數(shù)組a[]，b[]和c[]中為第m列，col[m]行的位置設(shè)定有皇后的標(biāo)志；當(dāng)從第m列回溯到m-1列時(shí)，并準(zhǔn)備調(diào)整第m-1列的皇后配置時(shí)，清除在數(shù)組a[],b[]和c[]對應(yīng)位置的值都為1來確定。2)遺傳算法遺傳算法的基本運(yùn)算過程如下：a)初始化：設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器t=0，設(shè)置最大進(jìn)化代數(shù)T，隨機(jī)生成M個(gè)個(gè)體作為初始群體P(0)。b)個(gè)體評價(jià)：計(jì)算群體P(t)中各個(gè)個(gè)體的適應(yīng)度。遺傳算法遺傳算法c)選擇運(yùn)算:將選擇算子作用于群體。選擇的目的是把優(yōu)化的個(gè)體直接遺傳到下一代或通過配對交叉產(chǎn)生新的個(gè)體再遺傳到下一代。選擇操作是建立在群體中個(gè)體的適應(yīng)度評估基礎(chǔ)上的。d)交叉運(yùn)算：將交叉算子作用于群體。遺傳算法中起核心作用的就是交叉算子。e)變異運(yùn)算：將變異算子作用于群體。即是對群體中的個(gè)體串的某些基因座上的基因值作變動(dòng)。群體P(t)經(jīng)過選擇、交叉、變異運(yùn)算之后得到下一代群體P(t+1)。f)終止條件判斷:若t=T,則以進(jìn)化過程中所得到的具有最大適應(yīng)度個(gè)體作為最優(yōu)解輸出，終止計(jì)算。3）csp最小沖突法（1）初始化N個(gè)皇后的一個(gè)放置，允許有沖突（2）考慮某一行的某個(gè)皇后，她可能與x個(gè)皇后沖突，然后看看將這個(gè)皇后移動(dòng)到這一行的哪個(gè)空位能使得與其沖突的皇后個(gè)數(shù)最少，就移動(dòng)到那里。（也可以考慮列，是等價(jià)的）（3）不斷執(zhí)行（2），直到?jīng)]有沖突為止2.數(shù)據(jù)結(jié)構(gòu)使用數(shù)組結(jié)構(gòu)存儲相關(guān)數(shù)據(jù)一維數(shù)組：二維數(shù)組：3.算法設(shè)計(jì)1）//回溯搜索voidFunction1::DFS(intt,boolisShowTime){ if(t==n)//說明已經(jīng)排了n行了（從0開始的），即排列結(jié)束了 { for(inti=0;i<n;i++) { rec[i]=board[i]; } if(!isShowTime)PrintChessBoard();//輸出棋局 count++; return; } for(inti=0;i<n;i++) { //有沖突 if(ver[i]==1||ru[i-t+n]==1||rd[i+t]==1)continue; //沒有沖突 ver[i]=1; ru[i-t+n]=1; rd[i+t]=1; board[t]=i; DFS(t+1,isShowTime);//深搜遞歸 //后退處理 rd[i+t]=0; ru[i-t+n]=0; ver[i]=0; } return;}2）遺傳算法voidCGAQueen::PrintChessBoard(boolPrintChessBoard){ boolDisplayAllAnsures=PrintChessBoard;//是否輸出所有棋盤結(jié)果 intg=0,num=0; InitialPopulation(); while(g==0&&num<this->Iteration) { num++; g=0; for(intk=0;k<this->Population;k++) { this->FillArea(k); this->CostMatrix[k]=this->CostFunc(k); } this->PopulationSort(); if(this->CostMatrix[0]==0)//已經(jīng)完成計(jì)算 g=1; if(DisplayAllAnsures) { PrintTheBestAnsure(); /*for(i=0;i<=ChessBoradLenght-1;i++) { cout<<"row:"<<i<<"col:"<<this->ChromosomeMatrix[i][0]<<endl; } cout<<endl;*/ } this->GenerateCrossOverMatrix(); this->Mating(); this->ApplyMutation(); } cout<<"實(shí)際迭代："<<num<<"次"<<endl; if(DisplayAllAnsures) { cout<<"最佳答案為："<<endl; this->PrintTheBestAnsure(); }}3）CSP最小沖突算法//用最小沖突算法調(diào)整第row行的皇后的位置（初始化時(shí)每行都有一個(gè)皇后，調(diào)整后仍然在第row行）//調(diào)整過后check一下看看是否已經(jīng)沒有沖突，如果沒有沖突（達(dá)到終止?fàn)顟B(tài)），返回trueboolCSP_Queens::Adjust_row(introw){ intcur_col=R[row]; intoptimal_col=cur_col;//最佳列號，設(shè)置為當(dāng)前列，然后更新 //計(jì)算總沖突數(shù) intmin_conflict=col[optimal_col]+pdiag[GetP(row,optimal_col)]-1 +cdiag[GetC(row,optimal_col)]-1;//對角線沖突數(shù)為當(dāng)前對角線皇后數(shù)減一,三次重疊了 //逐個(gè)檢查第row行的每個(gè)位置，看看是否存在沖突數(shù)更小的位置 for(inti=0;i<N;i++) { if(i==cur_col)continue; intconflict=col[i]+pdiag[GetP(row,i)]+cdiag[GetC(row,i)]; if(conflict<min_conflict) { min_conflict=conflict; optimal_col=i; } } //如果最佳列位置改變，則皇后移向新的最小沖突位置，要更新col,pdiag,cdiag， if(optimal_col!=cur_col) { col[cur_col]--; pdiag[GetP(row,cur_col)]--; cdiag[GetC(row,cur_col)]--; col[optimal_col]++; pdiag[GetP(row,optimal_col)]++; cdiag[GetC(row,optimal_col)]++; R[row]=optimal_col; if(col[cur_col]==1&&col[optimal_col]==1 &&pdiag[GetP(row,optimal_col)]==1&&cdiag[GetC(row,optimal_col)]==1){ returnQualify();//qualify相對更耗時(shí)，所以只在滿足上面基本條件后才檢查 } } //否則當(dāng)前點(diǎn)就是最佳點(diǎn)，一切都保持不變 returnfalse;//如果都沒變的話，肯定不滿足終止條件，否則上一次就應(yīng)該返回true并終止了}//檢查沖突boolCSP_Queens::Qualify(){ for(inti=0;i<N;i++){ if(col[R[i]]!=1|| pdiag[GetP(i,R[i])]!=1|| cdiag[GetC(i,R[i])]!=1){ returnfalse; } } returntrue;}//最終用戶調(diào)用函數(shù)，numOfQueens為輸入皇后數(shù)，PrintChessBoard判斷是否輸出棋盤表示intCSP_Queens::CSPAlgorithms(boolPrintChessBord){ srand((unsigned)time(NULL)); Init(); if(Qualify()){//運(yùn)氣很好，初始化后就滿足終止條件 if(PrintChessBord)Print_result(); return0; } boolend=false; while(!end){ for(inti=0;i<N;i++){ if(Adjust_row(i)){ end=true; break; } } } if(PrintChessBord)Print_result(); return0;}四.運(yùn)行結(jié)果及分析1.遞歸算法2.遺傳算法3.CSP最小沖突算法4.n=4時(shí)不同算法的比較5.n=8時(shí)不同算法比較結(jié)果分析回溯法在皇后數(shù)目較小的，很占優(yōu)勢，它的速度非常的快，但隨著皇后數(shù)目的增加，回溯法顯得很不實(shí)用，在n=35時(shí)，用回溯法已不能較好的解決n皇后問題。 遺傳算法優(yōu)點(diǎn)是能很好的處理約束，能很好的跳出局部最優(yōu)，最終得到全局最優(yōu)解，全局搜索能力強(qiáng)；缺點(diǎn)是收斂較慢，局部搜索能力較弱，運(yùn)行時(shí)間中等，且容易受n值的影響。遺傳算法的運(yùn)行時(shí)間在n很小時(shí)沒有回溯法快，但是隨著n值的增加，遺產(chǎn)算法的優(yōu)點(diǎn)也就顯現(xiàn)出來，它能夠解決回溯法不能解決的問題。CSP最小沖突法是一種始終都比較快的算法，它的運(yùn)行時(shí)間與皇后是個(gè)數(shù)沒有必然的聯(lián)系，而且在n很大時(shí)，它顯現(xiàn)出來運(yùn)行時(shí)間短，效率高的優(yōu)勢，但它的缺點(diǎn)是會出現(xiàn)山脊、高原，86%的時(shí)間會卡住?？偟膩碚f，CSP最小沖突法較簡單，也比較快，在皇后的個(gè)數(shù)較多時(shí)體現(xiàn)出來效率最高，處理多約束大規(guī)模問題時(shí)往往不能得到較好的解。總的來說，回溯在n值很小時(shí)，效率很高，但其求解范圍很小，超過35基本就解不出來，遺傳算法求解范圍適中。在n值很大(>100)時(shí)，前兩者都不能再解決，此時(shí)，CSP最小沖突法的效率最高，且與n值沒有必然的聯(lián)系?？偨Y(jié)通過此次課程實(shí)習(xí)不僅大大加深了我對幾種經(jīng)典搜索算法的理解，而且?guī)椭液芎玫膹?fù)習(xí)了隊(duì)列、堆棧、圖、文件讀寫這幾部分的內(nèi)容，使我對幾種基本的數(shù)據(jù)結(jié)構(gòu)類型的運(yùn)用更加熟練。在解決這些問題的過程中我不但很好的鞏固了數(shù)據(jù)結(jié)構(gòu)的相關(guān)知識，而且提高了編程及程序調(diào)試能力，增強(qiáng)了自己編程的信心?？傊?，在這次課程實(shí)習(xí)過程中我是實(shí)實(shí)在在學(xué)到了一些課堂上學(xué)不到的東西，同時(shí)也提高了實(shí)踐能力。同時(shí)在這個(gè)過程中也暴露了自己的不少問題，在今后的學(xué)習(xí)過程成也會更加有針對性。最后還要感謝老師的悉心指導(dǎo)，解答我編程過程中的疑問、指出我程序中的不足，及提出可行的解決方法，讓我的程序的功能更加完善。CSP算法源代碼：//CSPAlgorithms.h#pragmaonceclassCSP_Queens{public: //構(gòu)造函數(shù)，numOfQueens為輸入皇后數(shù)， CSP_Queens(intnumOfQueens); ~CSP_Queens();private: //row[i]表示當(dāng)前擺放方式下第i行的皇后數(shù)， int*row; //col[i]表示當(dāng)前擺放方式下第i列的皇后沖突數(shù) int*col; intN;//放置N個(gè)皇后在N*N棋盤上 //從左上到右下的對角線上row-col值是相同的，但是這個(gè)值有可能是負(fù)值，最小為-(N-1)， //所以可以做個(gè)偏移，統(tǒng)一加上N-1，這樣這個(gè)值就在[0,2*N-2]范圍內(nèi)，將這個(gè)值作為該對角線的編號 //pdiag[i]表示當(dāng)前擺放方式下編號為i的對角線上的皇后數(shù) int*pdiag;//principaldiagonal,主對角線，左上到右下（表示和主對角線平行的2N-1條對角線） //從右上到左下的對角線row+col的值相同，取值范圍為[0,2*N-2]，2*N-1條，作為對角線編號 //cdiag[i]表示編號為i的對角線上的皇后數(shù) int*cdiag;//counterdiagonal,副對角線 //R[]用來存儲皇后放置位置，R[row]=col表示(row,col)處,即“第row行第col列”有個(gè)皇后 int*R;public: intswap(int&a,int&b); //給定二維矩陣的一個(gè)點(diǎn)坐標(biāo)，返回其對應(yīng)的左上到右下的對角線編號 intGetP(introw,intcol); //給定二維矩陣的一個(gè)點(diǎn)坐標(biāo)，返回其對應(yīng)的右上到左下的對角線編號 intGetC(introw,intcol); //返回begin,begin+1,...,end-1這end-begin個(gè)數(shù)中的隨機(jī)的一個(gè) intMy_rand(intbegin,intend);//左閉右開[begin,end) //原地shuffle算法，算法導(dǎo)論中的randomizeinplace算法 voidRandomize(inta[],intbegin,intend);//左閉右開 //初始化皇后的擺放，同時(shí)初始化row,col,pdiag,cdiag數(shù)組 voidInit(); //用最小沖突算法調(diào)整第row行的皇后的位置（初始化時(shí)每行都有一個(gè)皇后，調(diào)整后仍然在第row行） //調(diào)整過后check一下看看是否已經(jīng)沒有沖突，如果沒有沖突（達(dá)到終止?fàn)顟B(tài)），返回true boolAdjust_row(introw); boolQualify(); voidPrint_result(); //最終用戶調(diào)用函數(shù)PrintChessBoard判斷是否輸出棋盤表示 intCSPAlgorithms(boolPrintChessBord);};//CSPAlgorithms.cpp#include"CSPAlgorithms.h"#include<cstdio>#include<cstdlib>#include<ctime>#include<iostream>usingnamespacestd;CSP_Queens::CSP_Queens(intnumOfQueens){ srand((unsigned)time(NULL)); N=numOfQueens; row=newint[N]; col=newint[N]; pdiag=newint[2*N]; cdiag=newint[2*N]; R=newint[N];}CSP_Queens::~CSP_Queens(){ if(NULL!=row)delete[]row; if(NULL!=col)delete[]col; if(NULL!=pdiag)delete[]pdiag; if(NULL!=cdiag)delete[]cdiag; if(NULL!=R)delete[]R;}intCSP_Queens::swap(int&a,int&b){ intt=a;a=b;b=t; return0;}//intCSP_Queens::GetP(introw,intcol){ returnrow-col+N-1;}intCSP_Queens::GetC(introw,intcol){ returnrow+col;}//返回begin,begin+1,...,end-1這end-begin個(gè)數(shù)中的隨機(jī)的一個(gè)intCSP_Queens::My_rand(intbegin,intend)//左閉右開[begin,end){ returnrand()%(end-begin)+begin;}//原地shuffle算法，算法導(dǎo)論中的randomizeinplace算法voidCSP_Queens::Randomize(inta[],intbegin,intend)//左閉右開{ for(inti=begin;i<=end-2;i++){ intx=My_rand(i,end); swap(a[i],a[x]); }}//初始化皇后的擺放，同時(shí)初始化row,col,pdiag,cdiag數(shù)組voidCSP_Queens::Init(){ for(inti=0;i<N;i++){//首先全部安放在主對角線上 R[i]=i; } //下面隨機(jī)抽取調(diào)換兩行皇后位置 Randomize(R,0,N);//初始化N個(gè)皇后對應(yīng)的R數(shù)組為0~N-1的一個(gè)排列， //此時(shí)即沒有任意皇后同列，也沒有任何皇后同行 for(inti=0;i<N;i++){ row[i]=1;//每行恰好一個(gè)皇后 col[i]=0; } for(int