人工智能全球格局
图灵奖得主朱迪亚·珀尔讲过，深度学习只是一种非常通用和强大的曲线拟合技术；诺贝尔经济学奖获得者托马斯·萨金特讲过，人工智能其实就是统计学，只不过用了一个华丽的辞藻。与大脑相比，人工智能还存在“算法黑箱”、数据需求量大、抗噪性差、能耗高等许多不足，离真正全面应用还很远。
比尔·盖茨认为美国具有先发优势，并且掌握了绝大部分核心技术，中国在人工智能领域不可能超越美国。
现阶段人工智能是对人类各类行为的模仿，主要利用深度学习等算法对结构化的海量数据进行统计学习，其内在机制与真正的智能没有关系。
人工智能的发展还处在弱人工智能阶段的初期。
符号主义和连接主义为代表的第一、二次人工智能发展浪潮，正是人类对人工智能抽象性认知的真实写照。但经历时间的洗礼后，这两次人工智能发展浪潮都遭遇了严重的失败。
深度学习的成功，表明受大脑启发的人工智能是其能够得以广泛应用的根本原因。
以人类智能为基准，现有的人工智能技术或许连婴儿的水平都达不到。
2017年7月，国务院颁布《新一代人工智能发展规划》，正式将发展人工智能上升到了国家战略层面。
全球范围内的人工智能杰出人才十分短缺。从市场供需关系来看，人工智能领域的人才需求在过去3年间增长8倍，且缺口仍在不断扩大。
2016年以来，谷歌人工智能程序AlphaGo在围棋人机大战中先后战胜李世石和柯洁，沉寂了60年的人工智能一下子成为社会关注的焦点。
包括中国在内的科技大国纷纷制定人工智能发展战略，可以说人类进入了人工智能的新时代。而这一新时代的到来，离不开芯片、存储器、光纤、移动通信、超算和大数据等底层技术的突破。
深度学习算法实现突破，则是揭开人工智能新时代序幕的转折点。
2006年，杰弗里·辛顿提出的深度置信网络，解决了深层神经网络的训练问题，一举开创人工智能发展的新局面。
事实上，人工智能发展仍然处在很初级的阶段，需要解决的问题还有很多。
图灵奖得主朱迪亚·珀尔讲过，深度学习只是一种非常通用和强大的曲线拟合技术；诺贝尔经济学奖获得者托马斯·萨金特讲过，人工智能其实就是统计学，只不过用了一个华丽的辞藻。与大脑相比，人工智能还存在“算法黑箱”、数据需求量大、抗噪性差、能耗高等许多不足，离真正全面应用还很远。
习近平总书记在2018年10月31日中央政治局集体学习会议上指出“人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题”，“各级领导干部要努力学习科技前沿知识，把握人工智能发展规律和特点，加强统筹协调，加大政策支持，形成工作合力”。
2016年，美国白宫发布《为人工智能的未来做好准备》等报告后，人工智能技术彻底得到了各国政府、资本界、产业界和学术界的高度重视。
改革开放已逾四十年，中国经济步入“新常态”，亟须实现经济转型和产业升级。人工智能技术的“再次兴起”，恰逢其时地为中国经济向创新型经济转变提供了重要驱动力。
我们期待的是，人工智能技术能够加速科学技术创新的步伐，能够切实有效地提高社会生产效率，能够帮助中国在一些核心产业上“弯道超车”。
在人工智能基础算法研究上，中国仍与美国、加拿大和英国存在明显差距；在产业链分布上，中国更加集中于应用落地端，在基础算法、芯片等产业环节的占比较低。这些因素都是中国人工智能产业发展中的风险点。
一切思维不过是计算（加加减减）。——托马斯·霍布斯
“人工智能”（artificial intelligence，AI）这一概念，公认为是在1956年达特茅斯会议上被首次提出的。
2017年10月，Deep Mind更是推出了基于强化学习技术的Alpha Go Zero程序，它能够在无师自通的情况下实现自我博弈，最终以100:0的成绩战胜了前任Alpha Go。
2016年，媒体热炒、资本热捧、国家战略陆续跟进，人工智能在短时间内就引发了全球各界人士的广泛关注。
DeepMind公司采用的卷积神经网络（CNN）、参差网络（ResNet）、蒙特卡洛搜索树（MCTS）等算法或技术，都不是独创或是近期才发明的。但DeepMind能够有效整合不同技术方案，成功利用人工智能技术解决现实难题，确实是一次壮举。
从全球范围内看，“大数据”（bigdata）一词于2010年首次进入大众视野，其关注度在2011年至2014年获得快速增长，并在此后长期保持稳定。
对“机器学习”（machinelearning）、“人工智能”（artificialintelligence）和“深度学习”（deeplearning）的关注度从2013年开始逐渐上升。
随着2016年AlphaGo战胜人类围棋名手李世石后，与人工智能相关的词汇的关注度开始陡然上升。其中，“机器学习”已经取代“大数据”成为网络上最受关注的技术关键词，“人工智能”和“深度学习”等词汇的关注度均有相同程度的增长。
清华大学中国科技政策研究中心统计，中国人工智能企业数量从2012年开始迅速增长，截至2018年6月，中国人工智能企业数量已达到1011家，
微软创始人比尔·盖茨认为美国具有先发优势，并且掌握了绝大部分核心技术，中国在人工智能领域不可能超越美国。
人工智能与自然智能在智能的形成过程中，最大的不同之处在记忆、分析推理、决策这三个环节
人工智能和自然智能的运算方式有本质区别。当前，常用的人工智能算法有数十种之多。每种算法都擅长解决某一类任务，但在不同任务之间的迁移能力却很弱。虽然人类大脑的运行机制尚未破译，但自然智能的小样本学习能力、不同任务间的迁移能力却是现阶段人工智能所望尘莫及的。
在仅有20瓦特左右功率的条件下，人类大脑可以在极短的时间内对通过视觉、听觉、嗅觉或触觉获取的信息迅速做出决策，并对未来做出预判。
人工智能研究领域主要包括自然语言处理、语音识别、计算机视觉、规划与推理等。
现阶段人工智能是对人类各类行为的模仿，主要利用深度学习等算法对结构化的海量数据进行统计学习，其内在机制与真正的智能没有关系。
深度学习是当前人工智能热潮的技术基础。
一般而言，新技术在成熟应用前需要经历5个阶段：技术促动期、过高期望的峰值、泡沫化的低谷期、稳步爬坡期、实质生产的高峰期（传统Gartner技术循环曲线）。
第三次浪潮从2006年开始至今，其核心是深度学习的突破。
深度学习的发展最早可追溯至1943年心理学家沃伦·麦卡洛克（WarrenMcCulloch）和数学家沃尔特·皮茨（WalterPitts）提出的神经元数学模型。
1974年，保罗·韦伯斯采用反向传播算法来训练一般的人工神经网络；1982年，约翰·霍普菲尔德提出Hopfield网络，这是最早的递归神经网络（RNN）；1990年，杨立昆提出了深度学习常用模型之一——卷积神经网络（CNN）；2006年，杰弗里·辛顿正式提出了深度学习的概念。
20世纪70年代，美国哲学家约翰·塞尔（JohnSearle）所提出的“强人工智能”（strongAI）和“弱人工智能”（weakAI）对后世有较大影响。
强人工智能：具有自我意识以及自主学习、自主决策能力的人工智能，是人工智能发展的终极目标。
但实际上，人工智能的发展还处在弱人工智能阶段的初期。
尽管在目前，以深度学习为基础的弱人工智能技术在自然语言处理、机器翻译、图像识别、语音识别等方面取得了巨大成功。然而，深度学习存在难以解释（黑箱）、透明度低、需要大量数据和计算资源、易受对抗样本影响等一系列问题，无法在军事、医疗等关键领域真正替代人类决策。
总体来看，当前的人工智能仍然处于专用人工智能阶段，仍然处于弱人工智能的初级阶段。
目前有关人工智能的研究多集中于深度学习领域，但深度学习的理论基础仍然薄弱，技术瓶颈或许会导致人工智能的应用受到限制。
符号主义和连接主义为代表的第一、二次人工智能发展浪潮，正是人类对人工智能抽象性认知的真实写照。但经历时间的洗礼后，这两次人工智能发展浪潮都遭遇了严重的失败。
符号主义和初始的连接主义都是对人类大脑活动的模仿，并没有合理借鉴大脑产生智能的机制，最终导致结果不尽人意、人工智能项目纷纷落马。
深度学习的成功，表明受大脑启发的人工智能是其能够得以广泛应用的根本原因。
从本质上讲，深度学习是机器学习算法重要进展的体现，却并非颠覆性创新。
在算力层面，目前的模型训练仍依靠蛮力计算，算力存在瓶颈，且面临摩尔定律失效的困境，计算性能增长变得困难；在数据层面，数据的透明性、数据攻击问题和监督学习问题成为人工智能的新瓶颈；在认知层面，现有的人工智能模型缺乏常识，因此无法理解实体概念，无法识别关键影响因素，
谭铁牛院士则认为，人工智能的发展存在数据瓶颈、泛化瓶颈、能耗瓶颈、语义鸿沟瓶颈、可解释性瓶颈和可靠性瓶颈。
乐观者如吴恩达，认为人工智能就是新时代的电力，运输、农业、制造、通信、医疗等领域都将被人工智能所改变，人工智能泡沫的说法也就无从说起。
2000年，互联网行业没有像人们期待的那样发展，反倒是遭遇了千年虫的打击。千年虫等问题的出现，让人们意识到互联网技术的发展还只处于初期阶段，很多商业模式还不够成熟，很多问题也没有解决，这直接引发了互联网泡沫的破灭。
2000年3月10日，纳斯达克指数达到最高点5048.62点，随后开始掉头向下，到2002年10月9日见底于1114.11点，指数跌幅超过77%。
人们对于人工智能改变生活的预期与人工智能的现实能力不匹配。
以自动驾驶为例，汽车生产商对全自动驾驶（Level4）的实现时间盲目乐观。特斯拉和谷歌预测将于2018年实现全自动驾驶，Delphi和MobileEye承诺于2019年推出Level4自动驾驶系统，Nutonomy公司则计划于2019年在新加坡街头部署数千辆无人驾驶出租车。但加里·马库斯（GaryMarcus）等专家认为，实现完全自动驾驶可能需要数年甚至数十年，届时才能出现可以避免事故的自动驾驶系统。
资本界和媒体对人工智能的理解与人工智能现实能力不匹配。部分资本界人士和媒体对人工智能的理解较为片面，对人工智能现阶段的能力认识不足。扭曲的信息在网络中被多次传播，逐级放大，最终导致社会整体认知的缺陷。
以人类智能为基准，现有的人工智能技术或许连婴儿的水平都达不到。
历史上，很多研究领域都经历过从萌芽期、发展期、泡沫期，到最后回归正常的过程。2000年互联网泡沫破灭后，互联网的发展重新回到正轨，此后更是催生了谷歌、亚马逊、Facebook等互联网巨头的崛起。
一定程度的泡沫，对行业的发展来说，也是一种利好因素。泡沫的破灭，也只是去掉不合理、空虚的东西，而把合理的、有价值的事物沉淀下来。
回顾历史越久远，展望未来就越深远。——温斯顿·丘吉尔
古希腊哲学家赫拉克利特（Heraclitus）的箴言“博学不等于智慧”
亚里士多德首次提出了三段论，这是最早的关于推理的科学。三段论举例来说就是，“人都会死，苏格拉底是人，所以苏格拉底也会死”。
1958年，麦卡锡和明斯基先后跳槽到麻省理工学院，共同创建了麻省理工学院人工智能项目（MAC项目）。MAC项目受到美国国防部高级研究计划署（DARPA，当时称ARPA）的资助，后来演化为麻省理工学院人工智能实验室。
在人工智能1.0时代，人工智能主要通过搜索和推理等规则来处理问题，因此只能解决走迷宫、下跳棋等简单问题，并没有太多商业化的空间。
机器学习是一个利用算法从样本数据中寻找规律、获取知识的过程，是一种数据驱动的方法。
机器学习算法还包括无监督学习（无样本标注）、半监督学习（少量样本标注）和强化学习（通过试错学习）等，
机器学习本身涉及的理论极广，包括计算机科学、概率论、统计学、函数逼近论、控制论和决策论等，是一门极为深度交叉的学科。因而，深度学习的发展并没有特别清晰的脉络，很多算法是不同流派的学者根据不同机制发明的。
机器学习领域在很长一段时间内都不待见神经网络研究学者。杰弗里·辛顿和杨立昆都回忆道，当时他们和学生们的研究论文被拒是家常便饭，美国电气和电子工程师协会（IEEE）对有关神经网络的论文毫无兴趣。
遥想1969年，ARPANET（由ARPA创建）刚刚成立的时候，还只是美国国防部防止苏联打击的冷战产物。谁曾想在随后的半个世纪，由ARPANET转变而来的Internet竟掀起了如此巨大的波澜。
2001年，全球市值最高的前五家公司中，只有微软一家科技公司，而且当时的微软并非一家互联网公司。
社会生产力的变革归根结底在于基础科研的进一步突破。
根据联合国的预测，2050年世界人口将从现在的76亿增长至98亿，2100年更将达到112亿，其中一半以上的人口增长量将来自南亚和非洲地区。
从表面上看，发达经济体的自然环境似乎已经得到了改善，但这种改善是以转移污染、破坏发展中国家自然环境为代价的，世界整体的自然环境状况依然不容乐观。
第二种则是基于脑科学、认知科学或心理学的全新机制的人工智能，可以简称为“机制智能”。
正如国际人工智能联合会原主席、牛津大学计算机系主任迈克尔·伍德里奇（MichaelWooldrige）在一场报告中所说：“强人工智能几乎没有进展，甚至几乎没有严肃的活动。”
关于如何实现强人工智能，北京大学黄铁军教授认为：“人类具有强人工智能，人类意识是生物神经系统这个大规模非线性动力学系统涌现出的功能。要产生强人工智能，就要制造出逼近生物神经网络的电子大脑。”
截至2018年年底，美国、中国、欧盟、加拿大、日本和韩国等均已经发布了脑科学计划，其中欧盟的脑科学计划主要侧重于模拟脑功能，旨在实现强人工智能。
人工智能学家明斯基曾表示，“所谓思维并不是直接来源于几个像波函数那样的规整漂亮的基本原理，精神活动也不是一类可以用几个逻辑合理的运算就能描述的现象。脑的结构是成千上万个具有专门机能的子系统协作的结果，是上百万年进化中缠绕组合的结果”。
麦卡锡则表示，“为了实现人类水平的人工智能，我们需要像爱因斯坦和麦克斯韦一样的天才，以及类似于曼哈顿计划的庞大资金”。
从20世纪60年代起，DARPA就开始资助人工智能项目，成为早期人工智能研究的重要推动者。在人工智能的三次发展浪潮中，DARPA都扮演了非常重要的角色，美国人工智能的发展很大程度上要归功于DARPA的支持。
DARPA创立以来发明的ARPANET（互联网前身）、全球定位系统（GPS）、无人机、平板显示器等技术，无不深入到当前每个人的生活中。
2016年10月，美国白宫科技政策办公室（OSTP）发布《为人工智能的未来做准备》报告，高度明确了美国政府对人工智能的支持态度。
2019年2月11日，中国的春节刚过，当国内人工智能企业员工还沉浸在收到开工红包的喜悦中时，美国总统特朗普猛然签署了《美国人工智能倡议》（“AmericanAIinitiative”）行政令，将美国人工智能技术发展上升到了国家级战略的高度。
2016年8月，国务院发布了《“十三五”国家科技创新规划》，明确把人工智能作为发展新一代信息技术的主要方向。
2017年7月，国务院颁布《新一代人工智能发展规划》，正式将发展人工智能上升到了国家战略层面。
日本政府希望通过开发、推广机器人技术和人工智能技术，缓解劳动力短缺的问题，提高制造业、医疗服务与护理业以及农业、建筑业、基础设施维护等行业的生产效率。
韩国政府的目标是在2026年前将国内的人工智能企业数量提升至1000家，并培养3600名专业人才，争取使韩国在2026年时的人工智能技术水平赶超发达国家。
美国旧金山湾区面积为18040多平方千米，仅占美国国土面积的0.19%，却成为全球人工智能领域投融资绝对的焦点。
中国人工智能融资规模占亚洲累计总额的60.2%，以色列为20.4%，日本为9.5%，印度为4.9%。
从全球范围来看，美国和中国在人工智能领域的创新竞争力增长速度高于日本、韩国和欧洲。
广东、北京、江苏、上海、浙江目前是中国的五大人工智能专利集聚中心，五省市的人工智能专利申请量占全国总量的61%，
全球范围内的人工智能杰出人才十分短缺。从市场供需关系来看，人工智能领域的人才需求在过去3年间增长8倍，且缺口仍在不断扩大。
尽管全球共有367所具有人工智能研究方向的高校，每年人工智能领域的毕业生约2万人，但这些远远不能满足市场需求。
全球人工智能领域人才总量达204575人，其中高校人工智能人才数量为147914人，占全球总量的72.3%；科研机构人工智能人才数量为31123人，占全球总量的15.2%；企业等营利性机构的人工智能人才数量为6488人，占全球总量的3.2%（见图7-2）。
中国所有具有海外工作经历的人工智能人才数量占国内人工智能人才总数的比例为9%，可见中国人工智能人才以本土培养为主。
农业是人工智能可以大力施展拳脚的领域，包括农业的智能生产、智能农机装备等。我国在多个规划中曾提到的农业智能化，目前尚处于起步阶段，未来发展前景很大。