《 新华三人工智能发展报告白皮书 》全文

　　智能家居将会是人工智能技术应用的一个重要突破口。未来，智慧家居助理会统筹管理所有智能家居设备，使其协同工作，根据不同的活动场景，为人们营造更加舒适和安全的居住环境。人们不再是通过双手去操作使用各种电器，而是通过更加自然的方式与智慧家居助理交流，轻松地让各种电器完成任务。

　　医疗也将是人工智能大展身手的领域。AI技术的推广，可以很大程度缓解当下的医疗资源紧缺、医护人员工作强度大等问题，使更多的民众受益。另外，通过健康穿戴设备，监测人们的生理数据，对人们的日常健康状况进行检测管理，做到疾病的提前预防。

　　人工智能在粮食保障、能源利用、气象预测、环境污染、自然资源保护等领域上应用，可有效改善人类生存环境，促进人与自然和谐共生。

　　农业是人类赖以生存的基础，为人类提供每天所需的食物。据《2019年全球粮食危机报告》显示，全球仍有1亿多人处于重度饥饿状态。自然灾害和气候变化是导致粮食不安全的部分关键因素。人工智能在一定程度上可以改善农业所面临的问题。例如2019年底在全球较大范围内发生的非洲蝗虫自然灾害，造成部分地区粮食大幅减产。

　　有些机构组织开始着手研究如何利用人工智能技术结合卫星遥感地理信息，对类似的自然灾害进行预警，减少农业损失。另外，利用人工智能技术对小地域范围内实时、精准的气象预测，可以指导农业实施过程，在什么时间适合进行播种、施肥、灌溉、采摘等。人工智能还可以用于筛选优良种子，达到粮食增产的目的。

　　3、 人工智能面临的挑战

　　正因为人工智能技术能够对人类社会产生巨大效益，国家政策、资本等方面也大力支持，企业积极布局人工智能战略，增加研发投入、加快商业落地。人工智能产业一片向好的景象。但在繁荣的背后，人工智能也面临诸多挑战。据《IDC中国人工智能软件及应用市场半年度研究报告，2019H1》显示，面临的挑战主要有缺乏人工智能技术人员、缺乏高质量数据集、应用场景、成本等多个方面。

▲《IDC中国人工智能软件及应用市场半年度研究报告，2019H1》市场调研面对这些挑战，我们应该理性对待，寻找合适的解决方法，打造有利于人工智能健康发展的良好环境。

　　场景化落地面临的挑战。目前，人工智能商业落地效果比较好的是安防、金融等行业领域，在其他领域的部分场景中，落地效果并不是太理想。究其原因，一方面是安防、金融等落地效果好的领域，都是有良好的数字化基础的，多年来积累了大量有价值的数据，利用人工智能技术来挖掘数据价值自然是水到渠成。

　　另一方面，是对当前人工智能算法所能解决问题的边界没有厘清，与用户期望的有偏差，用户期待的效果，可能当前AI算法还达不到成熟标准，而AI算法能解决问题的场景，还有待进一步挖掘。对此，建议各行业领域的企业，在实施人工智能应用落地过程中，优先完成数字化改造，积累行业数据，然后再实施合理的智能化业务。

　　技术方面的挑战。 在人工智能技术层面上，也面临一定程度的风险，主要表现在数据和算法上。首先， 当前算法严重依赖有标注的数据。数据在人工智能商业化落地中有着不可替代的作用，目前人工智能算法以有监督的深度学习为主，即需要标注数据对学习结果进行反馈，在大量数据训练下，算法才能取得预期的效果。算法从大量数据中进行学习，挖掘数据中蕴含的规律。数据决定了人工智能模型精度的上限，而算法则是不断逼近这个上限。

　　其次， 高质量数据需求导致数据成本高昂。为了提高数据的质量，原始数据需要经过数据采集、清洗、信息抽取、标注等处理环节。得益于大数据技术的快速发展，当前采集、存储海量数据已经不再是难事。在时间和成本上，数据标注成了制约环节。目前数据标注主要是人工标记为主，机器自动化标注为辅助。但是人工标注数据的效率并不能完全满足算法的需求，研究提升机器自动化标注的精度，是提高效率的重要思路，也是数据标注的一个重要趋势。

　　数据噪声、数据污染会带来人工智能安全问题。人工智能训练模型时用到的训练数据，如果数据本身有较大的噪声，或者数据受到人为破坏，都可能会导致模型决策出现错误。由于一些客观因素，训练数据中不可避免含有噪声，如果算法模型处理的不得当，可能会导致模型漏洞，模型不够健壮，给黑客有了可乘之机。

　　另外，也存在黑客故意在训练数据中植入恶意数据样本，引起数据分布的改变，导致训练出来的模型决策出现偏差，进而按照黑客的意图来执行。从数据源角度进行攻击，会产生严重的后果。例如在无人驾驶车辆上，会诱使车辆违反交通规则导致事故。

　　当前深度学习算法有一定局限性。深度学习算法通过构建大规模多层次的神经网络模型，从大量数据中学习经验规则，从而达到拟合复杂的函数来解决实际问题。深度学习模型的学习能力强，效果也非常好，但在实际应用过程中依然面临资源消耗、可解释性、安全等方面的挑战。

　　深度学习训练的时候需要处理大量的数据，模型单元也会做大量的计算，所以会耗费大量的存储和计算资源，成本高昂。即使是在模型推理阶段，计算量相对较小，但在边缘、端侧部署深度学习模型，仍然需要对模型经过压缩、剪枝等出来，来进一步降低计算量。目前国内很多企业在研究端侧的AI芯片，提升边缘侧的计算能力，相信未来计算力的问题会得到解决。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!