【www.gbppp.com--行业知识】
智能控制的发展趋势和应用
学号姓名 ******
老师 钟春富
摘要：描述了智能控制产生的历史以及全世界对于智能控制有研究的多个国家在智能控制的研究方向以及研究水平，介绍了智能控制的发展趋势以及智能控制发展面临的问题，详述了智能控制的主要研究方向，说明了智能控制的应用方向以及具体应用，展望了智能控制的发展前景以及对于社会生产和日常生活的积极意义。
关键词：智能控制、模糊控制、神经网控制、专家控制、智能化。
一、智能控制的产生
人类的进化归根结底是智能的进化，而智能反过来又为人类的进步服务。我们学习与研究智能系统、智能机器人和智能控制等，其目的就在于创造和应用智能技术和智能系统，从而为人类进步服务。因此，可以说对智能控制的钟情、期待、开发和应用，是科技发展和人类进步的必然趋势。
在科学技术发展史上，控制科学同其他技术科学一样，它的产生与发展主要由人类的生产发展需求和人类当时的知识水平所决定和限制的。
20世纪以来，特别是第二次世界大战以来，控制科学与技术得到了迅速的发展，由研究单输入单输出被控对象的经典控制理论，发展成了研究多输入多输出被控对象的现代控制理论。1948年，美国著名的控制论创始人维纳(N．Wiener)在他的《控制论》中第一次把动物和机器相提并论，引起哲学界的轩然大波，有人骂控制论是“伪科学”。直到1954年钱学森博士在《工程控制论》中系统地揭示了控制论这一新兴学科对电子通讯、航空航天和机械制造工业等领域的重要意义和深远影响后，反控制论的热潮才逐渐开始平息。20世纪60年代，由于空间技术，海洋技术和机器人技术发展的需要，控制领域面临着被控对象的复杂性和不确定性，以及人们对控制性能要求越来越高的挑战。被控对象的复杂性和不确定性表现为对象特性的高度非线性和不确定性，高噪声干扰，系统工作点动态突变性，以及分散的传感元件与执行元件，分层和分散的决策机构，复杂的信息模式和庞大的数据量。
面对复杂的对象，复杂的环境和复杂的任务，用传统控制(即经典控制和现代控制)
的理论和方法去解决是不可能的。其原因有三：
第一，传统控制理论都是建立在微积分为工具的精确模型上的，而复杂系统的复杂性和不确定性都难以用精确的数学模型描述，否则就会使原问题丢失很多有用的信息。例如：用筷子夹取食物放入口中，这套看似简单的动作，如果我们要把这一系列的动作和环境建立出精确的数学模型，然后再一步步按模型去操作，可以想象其过程何等地难以实现!
第二，传统的控制理论虽然也有办法对付控制对象的不确定性和复杂性，如自适应控制和Robust控制可以克服系统中所包含的不确定性，达到优化控制的目的，但他们仅使用于系统参数在一定范围内缓慢变化的情况，其优化控制的范围是很弱的。
第三，传统的控制系统要求输入的信息比较单一，而现代的控制系统要面对复杂系统以各种形式——视觉的、听觉的、触觉的和直接操作的方式，将周围环境信息作为输入的状况，并将各种信息进行融合，分析和推理，再随环境与条件的变化，相应地采取对策或行动，由此智能控制应运而生。人们在实践中观察到人类具有很强的学习和适应周围环境的能力。有些复杂的系统，凭人的知觉和经验很好的进行操作并达到理想的结果，这就产生了，新的、具有远大前程的智能控制理论。智能控制理论是对传统控制理论的发展，传统控制是智能控制的一个组成部分，是智能控制的低级阶段。因此，智能控制理论无疑是控制理论发展的高级阶段。
在这个意义上，传统控制和智能控制可以统一在智能控制的框架下。1985年
IEEE(美国电气和电子工程师协会)在美国召开了第一届智能控制学术会议，1987年在美国IEEE控制系统学会与计算机学会召开了智能控制的第一次国际会议，标志着智能控制有了长足的发展。随后一些国际学术组织(如IFAC等)定期或不定期地举办各类有关智能控制的国际学术会议或研讨会，说明智能控制理论在不断的发展。我国已经分别于1993年、1997年、2000年、2002年组织召开了四届全球智能控制与自动化大会(WCI．CA)，已成立的学术团体有中国人工智能学会，计算机视觉与智能控制学会，中国智能机器人专业委员会和中国自动化学会智能自动化专业委员会等，这些情况表明，智能控制作为一门独立的新学科，已经在我国建立起来。应该指出，在模糊控制、仿人智能控制等方面的研究，我国已经形成了自己的特色，为发展、完善和推动智能控制的
研究起到了较大的促进作用。
智能控制的定义：
智能控制至今为止并没有一个公认的、统一的定义。我们为了探究智能控制的概念和技术，开发智能控制新的性能和性能和方法，比较不同研究者和不同国家的成果，就要求对智能控制有某些共同的理解下面提出的是被广泛接受的关于智能控制的定义。 所谓智能控制，即设计一个控制器（或系统），使之具有学习、抽象、推理、决策等功能，并能根据环境（包括被控对象或被控过程）信息的变化作出适应性反应，从而实现由人来完成的任务。 智能控制在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。一个系统如果具有感知环境、不断获得信息以减小不确定性和计划、产生以及执行控制行为的能力,即称为智能控制系统. 智能控制技术是在向人脑学习的过程中不断发展起来的,人脑是一个超级智能控制系统,具有实时推理、决策、学习和记忆等功能,能适应各种复杂的控制环境。
随着计算机、材料、能源等现代科学技术的迅速发展和生产系统规模不断扩大, 形成了复杂的控制系统, 导致了控制对象、控制器、控制任务等更加复杂。与此同时, 对自动化程度的要求也更加广泛,面对来自柔性控制系统( FMS) 、智能机器人系( IRS ) 、数控系统( CNS) 、计算机集成制造系统( CIMS) 等复杂系统的挑战, 经典的与现代的控制理论和技术已不适应复杂系统的控制。
智能控制是在控制论、信息论、人工智能、仿生学、神经生理学及计算机科学发展的基础上逐渐形成的一类高级信息与控制技术。智能控制突破了传统控制理论中必须基于数学模型的框架, 它基本上按实际效果进行控制, 不依赖或不完全依赖于控制对象的数学模型, 又继承了人类思维的非线性特性。某些智能控制方法还具有在线辨识、决策或总体自寻优的能力和分层信息处理、决策的功能。
二、智能控制的发展趋势
智能控制的研究内容智能控制是控制理论、人工智能(AI)和计算机科学相结合的产物。智能控制系统是在控制论、信息论、人工智能、仿生学、神经生理学及计算机科学发展的基础上逐渐形成的一类高级信息与控制系统。智能控制突破了传统控制理论中必须基于微分方程为基础的数学模型框架，基本上按实际效果进行控制，演绎了以离散型数据为样本的非线性特性。某些智能控制方法还具有在线辨识、决策或总体自寻优的能力和分层信息处理、决策的功能。结合具体的工业生产过程，各种智能控制系统正在发挥巨大的经济和社会效益。最初人们认为智能控制是自动控制理论(AC)与人工智能(AI)或AC、AI与运筹学(OR)的结合，但事实上智能控制是一门仍在不断丰富和发展中的具有众多学科集成特点的科学与技术。它不仅包含了AC、AI、OR、系统理论(ST)和计算机科学(cs)的内容，而且还从生物学、生理学、心理学、协同学及人类知识理论等学科中吸取了丰富的营养。
目前，关于智能控制的主要研究内容有：自适应控制(Adaptive Contr01)、模糊控制(FuzzyContr01)、神经网控制(Neural Net．based Contr01)、基于知识的控O(Knowledge Based Contr01)或专家控制(EXpert Contr01)、复合智能控锘tJ(Hybrid IntelligentContr01)、学习控带lJ(1eaming Contr01)和基于进化机制的控带lJ(Evolutionary Mechanism Based Contr01)。这些有的已在现代工业生产过程的智能控制与智能自动化投入实际应用。【科学智能以后的前景】
1、模糊控制
利用模糊数学的基本思想和理论的控制方法。在传统的控制领域里，控制系统动态模式的精确与否是影响控制优劣的最主要关键，系统动态的信息越详细，则越能达到精确控制的目的。然而，对于复杂的系统，由于变量太多，往往难以正确的描述系统的动态，于是工程师便利用各种方法来简化系统动态，以达成控制的目的，但却不尽理想。换言之，传统的控制理论对于明确系统有强而有力的控制能力，但对于过于复杂或难以精确描述的系统，则显得无能为力了。因此便尝试着以模糊数学来处理这些控制问题。
模糊控制是采用模糊语言控制律把基于专家知识的控制策略转换为自动控制具体策略的控制，其基本思想是把人类专家对特定的被控对象或过程的控制策略总结成一系列的“IF(条件)．THEN(作用)”的形式表示的控制规律，通过模糊推理得到控制作用集，作用与被控对象或过程。目前，模糊控制技术已经日趋成熟，稳定性分析问题正得到解
智能科技公司的发展报告
一、智能公司的发展前景
社会学家、经济学家、未来学家关于21世纪的经济特征问题有过许多不同的说法。我国学术界通常把21世纪的经济称为“新经济”。尽管关于经济形态的提法各异，但关于未来经济特征的看法却是相同的，即“人类正在步入一个以智力资源的占有、配臵，知识的生产、分配、使用(消费)为最重要因素的经济时代”。这就是说，未来的经济就其本质而言是智力经济。经济的需求及其发展趋向，必然对科学技术产生巨大的影响。“新经济”对智力的需求，必然带来各经济部门智能化的发展趋向及各科学技术部门对智能化的研究。这种研究与应用是相互促进、相互影响、共同发展的。 每个时期都有该时期的中心科学技术。科学家预测21世纪中叶以前，信息科学技术是中心科学技术。从21世纪30年代开始，中心科学技术将逐渐转移到生物科学技术(包括生命科学技术)。而到本世纪中叶以后，将有可能以认知科学技术为中心，把信息科学技术、生命科学技术和系统科学技术等高新科学技术结合起来，形成智能(认知)科学技术群。随着认知科学的深入研究，人们将逐渐搞清人类智能的机制，在此基础上，智能科学技术将会得到充分发展。用机器辅助和代替人的体力劳动早已实现了，但用机器辅助和代替人的脑力劳动却困难得多，现在才刚
刚开始。如果后者真正实现了，人类社会的经济、文化、科学、技术就会产生更大的飞跃，人类文明必将达到一个新的阶段。
根据市场的调研在最近5年内智能化科技化设备还是一个新生期，对于企业的以后发展有着必要性的需求。
在人工工资的不断上调，市场竞争的日益严重，利润的不断压缩很多企业的外迁和改制或者倒闭。其共同的原因就是人员工资的上涨，以及质量的控制还有人员的流动，技术人才的短缺，造成生产成本的不断增高。
智能化设备就是来实现减少劳动力的投入，模式化的生产，稳定的产品质量以及稳定可靠的性能。对于劳动密集型的行业（电子、轴承、橡胶、五金、汽车零部件等）在今后的发展有着必选的设备。
二、机械智能化的发展趋势
1、 智能化是信息科学技术的发展方向 人类生活质量提高的方向正由物质方面转向精神方面，即从衣食住行的物质方面转向教育、科技、体育、医疗、旅游、文化、艺术等精神方面。即使在衣食住行的物质方面，也愈来愈多地增加了精神因素。这就是说，信息科技的发展及其应用要愈来愈多地考虑满足人们精神方面的需求，即愈来愈多地考虑智力方面的因素。此外，社会的发展是建立在人类群体活动的基础上的，群体的活动是在智力信息交流和协同的基础上发展的，所以推动人类社会发展就必然地要使这种智力信息的交流和协同日益
发展。 现代计算机与通信科学技术是信息科学技术的核心，目前正沿着数字化、微型化、个性化、交互式、移动式、集成式、网络化、智能化的方向发展。现代智能化通信设备、各种智能化的家用电器、电子商务、网上教育、网上设计、虚拟企业……甚至遥控做医疗手术都大量应用着智能化技术。许多国家还提出建立智能因特网、制造智能计算机的任务。可以毫不夸张地说，信息化、网络化的实质就是智能化。 我们还可以看到实现信息化、网络化的工具是智能化的。在现代信息科学技术中，愈来愈多地使用了自然语言识别与理解、图像识别与处理、计算机视觉、机器人规划、多信息传感与控制、知识的表示、获取与处理、推理与求解、专家系统、智能控制等人工智能技术。尽管近年来人工智能的研究还没有产生重大的突破，但是随着认知科学与智能技术的发展，人工智能技术将会愈来愈多地应用于信息科学技术。
2、 智能化是生命科学技术的发展方向 人脑是人体智能系统的“司令部”，脑科学是生命科学的核心，智能化也是生命科学技术的发展方向。人脑的研究将形成智能科学技术，它是带动21世纪基础科学研究的科学。 由于人脑非常复杂，任何机器都不可能完全代替人脑。目前，对人脑的研究尚不充分，人脑的记忆、思维、想像、情感的奥秘远未揭开。在人类智能尚不清楚的条件下，不可能搞清什么是机器智能、什么是智能机器。我们只能使机器智能不断接近人类智能和模
拟人类智能，而永远不能使机器智能等同于人类智能，进而代替人类智能。但是部分模仿人脑功能、辅助人类智能、甚至促进人类智能发展的机器却是可以实现的，也是应当大力加以研究的。
在这方面要有所突破，最重要的是，首先必须对人脑的研究要有所突破。其次，生命科学技术本身也大量应用着智能化技术。在基因工程中，应用着智能化的微操纵平台；在精确医疗手术中，应用着智能化的操作机器人；在医疗检验用的生物芯片中，应用着智能化的检测技术；就是在未来有可能成为新一代分子计算机逻辑元件的生物芯片中，也必然要应用有别于二值逻辑的某种智能逻辑作为其工作的基础。
3、 智能化是自动化工程的发展方向 自动化是现代工业发展的重要手段和条件，可以毫不夸张地说，现代工业发展的过程就是不断应用、改进和提升自动化生产技术的过程。 当前在各种自动化工程中，愈来愈多地使用了各种各样的智能化系统和技术。 自动化工程中应用智能化技术的水平和程度决定了该工程自动化的水平和程度。智能化已经成为各种工程现代化最明显的标志。
4 智能化是机械工程和国民经济各部门的发 当前，国民经济各部门中智能化已露端倪，智能化产品不断涌现，智能化趋向愈来愈明显，出现了各种智能仪表、智能车辆、智能机
器、智能机器人、智能“宠物”、智能材料……甚至智能大厦。一些生产和经营系统也大量地采用智能技术，如各种智能生产控制系统、智能物流系统、智能制造系统、虚拟企业、电子商务等。至于这些生产和经营的管理系统，就更快地实现了不同程度的智能化，如智能铁路运输管理系统、智能空中交通管制系统、智能财务结算系统、智能金融管理系统、智能物资管理系统、智能数据库管理系统等。 “十五”期间，我们要用信息化带动工业化，特别是要用具有各种智能化技术的信息化来带动工业化，所以各工业部门正在这一过程中愈来愈多地实现着智能化。
5、 智能系统定义 具有(部分具有)人类智能或能模拟(部分模拟)人类智能的系统称为智能系统。 智能系统可以分成下列几种类型：
(1) 人类本身的人体系统，特别是人脑系统；
(2) 人类以其智能直接参与活动的系统，如金融系统、保险系统、体育系统等经济系统和社会系统；
(3) 人与机器共同工作的人机系统；
(4) 模拟(部分模拟)人类智能的机器系统，如智能计算机系统、智能机器人系统、智能制造系统、智能控制系统、智能语言理解系统、智能图像处理系统、智能专家系统等。 前两类智能系统是“人本系统”，也就是人类本身的系统；后两类智能系统是“人为系统”，也就是人类
30年后人工智能的发展
姓名：王新
学号：
班级：计科测试 14-2 201403061091
30年之后，也就是2046年，就到了库兹韦尔预言的人工智能完全超越人类智能的“奇点”；30年后，也是《第三次工业革命》作者里夫金预言的“零边际成本社会”到来的日子，市场经济将丧失主导地位，协同分享经济将全面崛起；当然了，30年后，也是邓爷爷预言的中华民族实现伟大复兴的好时候。
30年之后，中国会是一个什么样的国家，社会会是一个什么样的社会，人类会是什么样的处境，这是最考验智商和人品的话题。30年后，我们步入天堂，还是跌入地狱。 天堂：2亿人养活所有中国人？
今天找工作不容易，明天找工作将更不容易——不过貌似以后不工作也照样小幸福。 除去十亿农民，现在的中国经济，主要是两亿人在创造价值，还有两亿人在传递价值。 互联网大大提高了传递价值环节的效率，网购败家，厂家直接发货，没中间商什么事。 这意味着传递价值需要的劳动力将持续减少，30年后可能只需要一亿人了。 因为机器人抢饭碗，创造价值环节(生产制造)的用人也将减少。
人类迄今有四次工业革命：第一次是蒸汽机加印刷术；第二次是内燃机加电信技术；第三次是新能源加互联网。这几次工业革命都是能源技术与通信技术的协同突破。 今天我们正处于第三次工业革命的高峰期，迎面而来的第四波浪潮是工业化4.0，即智能化生产满足个性化需求。
机器人的大规模应用将导致创造价值的岗位大大减少，比如富士康的近百万工人可能10年之后就只需要50万人了，30年之后可能一万人或五千人就足够了——郭台铭表示大活人不好管，还是机器人省心，24小时不停干活硬是不叫苦不喊累！ 预计以后至少一亿人的饭碗被老实听话的机器人砸掉。
我认为30年后，中国经济只需要两亿劳动力，甚至更少。失去工作的上亿人主要是政府解决财富再分配的问题，而不是财富总量不足的问题，因为科技在进步，效率在提高，社会总体财富会明显上升——机器人、纳米技术、3D打印、物联网、清洁能源„„将带我们跑步进入“零边际成本社会”，物质产品将极大丰富。
中国的崛起正好赶上了几波大的浪潮：第一个浪潮是人口高峰期时做好创造价值的事，凭借低成本劳动力把制造业规模做到全球的龙头老大；第二个浪潮是用互联网提高传递价值的效率，电商做到全世界数一数二；现在中国要抓住工业化4.0的浪潮，解决今后中国老龄化劳动力不足的问题，好比打瞌睡正好遇见了枕头。
今后不仅大量的老人、小孩是不用工作的，甚至妇女也是在家带孩子享受亲子之乐的。剩下两亿劳动力就足以让全中国的人丰衣足食了。
三十年之后的中国社会可能是很美好的，是正儿八经的大同社会，“老有所终，壮有所用，幼有所长，鳏寡孤独废疾者皆有所养”。也是正儿八经的共产主义社会，各尽所能，按需分配„„
行文至此，估计已经有胆子小点的人感觉“那画面太美，我不敢想”„„
地狱：人工智能统治全人类？
未来30年，人类的前途还有可能是一片黑暗。
人工智能发展得越来越快：2012年，亚马逊公司花7.5亿美元收购了一家自动化物流公司，那些机器人太会搬货了，让亚马逊怦然心动；在最新搜索软件的帮助下，一个律师就可以干完500位律师的法律文件分析工作，而且更准确更省钱；谷歌公司说，它的无人驾驶汽车事故率超低，每年可挽救3万条性命，外加防止近200万起伤害事故„„
越来越彪悍的人工智能让特斯拉的创始人马斯克和霍金、比尔·盖茨都忧心忡忡，他们发出警告，人类要高度警惕人工智能“农奴翻身做主人”。
比尔·盖茨表示，人类应该敬畏人工智能的崛起，人工智能将最终构成一个现实性的威胁，但它在此之前会使我们的生活更轻松。
马斯克说：“如果让我猜人类最大生存威胁，我认为可能是人工智能。因此我们需要对人工智能保持万分警惕，研究人工智能如同在召唤恶魔。”“它们比核武器更加危险！”
霍金表示：“制造能够思考的机器无疑是对人类自身存在的巨大威胁。当人工智能发展完全，就将是人类的末日。”
为什么人工智能可能会这么可怕？
今天的计算机已经可以下赢国际象棋大师。国际象棋是有一套逻辑的，下完一步之后你要计算接下来十步二十步的种种可能性，这里面有很大的计算量，因为电脑按照逻辑计算地更多更快，它就能赢大师。
但从另外一个角度看，今天看上去很厉害的计算机做不到一些很简单的事，比如前面跑过去一只猫，它没法判断那是一只猫。因为人类无法用确定的逻辑来表述“什么叫做一只猫”，所以靠逻辑混饭吃的计算机就没法识别。包括什么是一只杯子计算机实际上也弄不清楚，比不过三岁小孩。
但今后的计算机就牛叉多了。谷歌大脑和百度大脑的科学家们很厉害，比如百度大脑的科学家吴恩达在研究让算法自我进化，使得机器的思考不断成熟，不断成长。他在系统里放上100万张猫的照片，先给出一套算法来辨别这是一只猫，测试时不对，那就调整出一套新算法，就像生物会进化，它会以非常高的速度不断生出更聪明的下一代，直到有一天，它对猫的识别准确率达到非常高的程度，这是它自己进化出来的智慧，不再是一种计算能力。这时计算机也没法告诉人类它是怎么辨识猫的，这是它自己的一种非常复杂的智慧。
这种智慧一旦进化出来，计算机就变得很可怕了。它可能不完全受我们控制了，它会不断地成长。李彦宏说百度大脑现在已经有3岁小孩的智力，今后这么多的计算机、这么多的知识、这么大量的数据聚集在一起，会不断地向前演化。雷·库兹韦尔在《奇点临近》中预测2045年将形成“全球脑”，全球的计算机都会变成这个大脑的一部分，“全球脑”的智慧将会超过全人类。那时一台1000美元的电脑在一秒钟内应该可以完成100亿亿亿次计算，相当于全人类所有大脑计算能力的总和。
如果让人工智能像每天打了鸡血似地进化下去，人类就将把自己的文明拱手让给非生物的文明。
技术的发展，可能给我们带来阳光面，也可能给我们带来阴暗面。
未来可能变成两种截然不同的前景，我也不知道未来是什么样子，但社会的发展是停不下来的。今后30年，必将产生人类历史上空前壮观的风景，我们唯有忐忑而又满怀热情地期待着这个大时代的到来！
一、 人工智能的内涵及分类
（一）人工智能的内涵
人工智能（Artificial Intelligence，简称AI）是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。人工智能是计算机学科的一个分支，既被称为20世纪世界三大尖端科技之一（空间技术、能源技术、人工智能），也被认为是21世纪三大尖端技术之一（基因工程、纳米科学、人工智能）。人工智能被发达国家视为人类的最后科学尖端，科研领域皇冠上的明珠。
（二）人工智能的分类
人工智能的概念很宽泛，按照人工智能的实力可分为三大类：
1、弱人工智能：在特定领域等同或者超过人类智能或效率的机器智能。
2、强人工智能：各方面都能和人类比肩的人工智能。
3、超人工智能：在包括科学创新、通识和社交技能等各个领域都超越人类的人工智能。 人工智能的革命就是从弱人工智能，通过强人工智能，最终达到超人工智能的过程。目前人类已经掌握弱人工智能，生活中弱人工智能无处不在，比如Siri、垃圾邮件过滤器、谷歌翻译、电商网站上的商品推送、谷歌无人驾驶汽车等等。
人脑与电脑的最大差别在于，一些我们认为困难的事情，如微积分、金融市场策略、翻译等，对于电脑来说都十分容易；但一些人类认为容易的事情，如视觉、动态、移动、直觉，对于电脑来说却是十分困难。而要达到人类级别的智能，电脑必须要理解更高深的东西，比如微小的脸部表情变化，以为为什么喜欢这个而不喜欢那个，要达到这样的水平首先在硬件方便要增加电脑处理速度，其次在软件方面要让电脑变得智能。
美国发明家、未来学家Kurzweil估算出人脑的运算能力是10^16 cps（calculations per second，每秒计算次数，描述运算能力的单位），即1亿亿次计算每秒。现在世界上最快的超级计算机，中国的天河二号，运行能力已达到3.4亿亿次，已经超过人脑，但由于其成本高、规模大、功耗高，使其并不能够被商业及广泛运用。Kurzweil认为考虑电脑发展程度的标杆是看1000美元能买到多少cps，当1000美元能买到人脑级别的1亿亿运算能力的时候，强人工智能就成为生活的一部分。而目前1000美元能买到10万亿cps（人脑的千分之一），根据加速回报定律，科技的进步将呈指数型增长，按照这个速度，到2025年1000美元就可以买到和人脑运算速度抗衡的电脑了。
二、 人工智能的产业链分析
从发展路径及阶段上看，实现人工智能需经历三个阶段：计算智能（能存会算）、感知智能（能听会说、能看会认）和认知智能（能理解会思考）。
从产业链上看，人工智能产业链包括基础技术支撑、人工智能技术及人工智能应用三个层次，其中基础技术支撑由数据中心及运算平台构成，即计算智能阶段，包括数据传输、运算、存储等；人工智能技术是基于基础层提供的存储资源和大数据，通过机器学习建模，开发面向不同领域的应用技术，包含感知智能及认知智能两个阶段，感知智能如语音识别、图像识别、自然语音处理和生物识别等，认知智能如机器学习、预测类API和人工智能平台；人工智能应用主要为人工智能与传统产业相结合实现不同场景的应用，如无人驾驶汽车、智能家居、智能医疗等领域。
图表 人工智能产业链
资料来源：产研智库
三、 各国加快布局人工智能行业
各国政府高度重视人工智能相关产业的发展。自人工智能诞生至今，各国都纷纷加大对人工智能的科研投入，其中美国政府主要通过公共投资的方式引导人工智能产业的发展，2013财年美国政府将22亿美元的国家预算投入到了先进制造业，投入方向之一便是“国家机器人计划”。
在技术方向上，美国将机器人技术列为警惕技术，主攻军用机器人技术，欧洲主攻服务和医疗机器人技术，日本主攻仿人和娱乐机器人。
现阶段的技术突破的重点一是云机器人技术，二是人脑仿生计算技术。美国、日本、巴西等国家均将云机器人作为机器人技术的未来研究方向之一。伴随着宽带网络设施的普及，云计算、大数据等技术的不断发展，未来机器人技术成本的进一步降低和机器人量产化目标实现，机器人通过网络获得数据或者进行处理将成为可能。目前国外相关研究的方向包括：建立开放系统机器人架构（包括通用的硬件与软件平台）、网络互联机器人系统平台、机器人网络平台的算法和图像处理系统开发、云机器人相关网络基础设施的研究等。
由于深度学习的成功，学术界进一步沿着连接主义的路线提升计算机对人脑的模拟程度。人脑仿生计算技术的发展，将使电脑可以模仿人类大脑的运算并能够实现学习和记忆，
同时可以触类旁通并实现对知识的创造，这种具有创新能力的设计将会让电脑拥有自我学习和创造的能力，与人类大脑的功能几无二致。在2013年年初的国情咨文中，美国总统奥巴马特别提到为人脑绘图的计划，宣布投入30亿美元在10年内绘制出“人类大脑图谱”，以了解人脑的运行机理。欧盟委员会也在2013年年初宣布，石墨烯和人脑工程两大科技入选“未来新兴旗舰技术项目”，并为此设立专项研发计划，每项计划将在未来10年内分别获得10亿欧元的经费。美国IBM公司正在研究一种新型的仿生芯片，利用这些芯片，人类可以实现电脑模仿人脑的运算过程，预计最快到2019年可完全模拟出人类大脑。
四、 政策推进人工智能行业发展
2015年7月前，国务院发布的《关于积极推进“互联网+”行动的指导意见》指出，依托互联网平台提供人工智能公共创新服务，加快人工智能核心技术突破，促进人工智能在智能家居、智能终端、智能汽车、机器人等领域的推广应用，培育若干引领全球人工智能发展的骨干企业和创新团队，形成创新活跃、开放合作、协同发展的产业生态。
（一）培育发展人工智能新兴产业。建设支撑超大规模深度学习的新型计算集群，构建包括语音、图像、视频、地图等数据的海量训练资源库，加强人工智能基础资源和公共服务等创新平台建设。进一步推进计算机视觉、智能语音处理、生物特征识别、自然语言理解、智能决策控制以及新型人机交互等关键技术的研发和产业化，推动人工智能在智能产品、工业制造等领域规模商用，为产业智能化升级夯实基础。
（二）推进重点领域智能产品创新。鼓励传统家居企业与互联网企业开展集成创新，不断提升家居产品的智能化水平和服务能力，创造新的消费市场空间。推动汽车企业与互联网企业设立跨界交叉的创新平台，加快智能辅助驾驶、复杂环境感知、车载智能设备等技术产品的研发与应用。支持安防企业与互联网企业开展合作，发展和推广图像精准识别等大数据分析技术，提升安防产品的智能化服务水平。
（三）提升终端产品智能化水平。着力做大高端移动智能终端产品和服务的市场规模，提高移动智能终端核心技术研发及产业化能力。鼓励企业积极开展差异化细分市场需求分析，大力丰富可穿戴设备的应用服务，提升用户体验。推动互联网技术以及智能感知、模式识别、智能分析、智能控制等智能技术在机器人领域的深入应用，大力提升机器人产品在传感、交互、控制等方面的性能和智能化水平，提高核心竞争力。
五、 我国加快布局人工智能行业
国内人工智能领域布局的先锋无疑是百度，“百度大脑”计划提出后，成立其首个深度学习研究院，并在2015年推出机器人助理“度秘”；而阿里巴巴创始人马云也提出“从IT走向DT时代”的转变，顺应推出国内第一个人工智能平台；科大讯飞启动“讯飞超脑”计划，且与京东在智能家居领域战略合作。
图表 国内企业在人工智能领域的布局
资料来源：产研智库
六、 全球人工智能行业投资升温
人工智能技术的研究和发展在不仅决定了计算机、互联网技术的未来发展方向，同时也将引发众多传统产业结构的深刻变革。科学家普遍期待人工智能成为人类进入知识经济时代后，下一次生产力飞跃的突破口。金融危机以后，欧美国家回归前沿科学的战略布局，更加重视人工智能技术的研究，特别是在人工智能基础研究、人脑研究、网络融合、3D智能打印等领域不断有研究突破。同时各大互联网巨头加快布局，2014年人工智能领域共完成40笔交易，投资总额达到3.09亿美金，比2013年增加302%。
图表 全球人工智能领域投资额大幅增长
数据来源：产研智库
七、 人工智能行业发展前景展望
未来人工智能随着各项技术的不断进步，也将要不断面对越来越多的挑战，包括观念上的挑战。现实生活中，社会大众对人工智能技术的期望往往很高，但人工智能技术进步不仅受限于软件、硬件技术的制约，也受人类对自身理解与了解程度的制约，因此未来人工智能技术将在现有制约被不断解决、新的制约又不断形成的过程中，始终保持螺旋式发展进步的趋势。比如语音识别技术，20世纪90年代，当IBM推出VIA VOICE时，很多人高呼语音识别时代到来了，但当大多数人亲自使用时，却发现自己的识别率还是不够高，语音识别应用自此进入到长达十几年的低迷期；近年来，语音识别技术得益于机器学习与大数据，又有了突飞猛进般的进步，现在随便一个人只要能够讲普通话，计算机对其个人提供的数量足够多的语音数据进行针对性训练，并对其讲话内容进行语言模型的定制训练，这个人的语音识别就可以达到99%的识别正确率。但对独立一个人能够做到的，并不意味着无数大众使用就都能达到这样的水平，不要说对8K语音的识别，从如今各家语音识别厂商对外公开宣布的16K语音平均识别率达到95%来看，距离大于99%的识别率还有很长的路要走。语音识别技术确实在进步，但要达到99%这一平均水平可能需要一年，也有可能又是一个十年，没有人能够轻松预言，准确判断。不仅是语音识别，OCR、人脸识别、语义理解、机器翻译等人工智能技术在实际应用中都会面临识别率、准确率的挑战。因此，无论是企业还是社会应用大众，都应有更加包容的心态，共同为人工智能产业的发展营造一个良好的发展环境。
针对未来产业竞争，中国企业如何面对GOOGLE、微软、苹果等世界级企业的竞争压力的问题，我们认为中国与世界发达国家相比，人工智能技术是中国为数不多的与世界同步发展的技术领域。经过数十年国内无数优秀科学家、学者、也包括众多企业研究工程师的不懈努力，可以说中国人工智能领域无论研究与应用水平，都与国外发达国家相比不分上下，可谓平分秋色。人工智能虽然是一门自然科学，但与其他自然科学不同的是，人工智能技术
2016-2017年人工智能AI+行业【科学智能以后的前景】
前景分析报告
(此文档为word格式，可任意修改编辑！）
2016年11月
正文目录
1. AI 发展前景广阔，商业化进程加快............................ 4
1.1 深度学习效果未见天花板，非监督学习将走向实用.............. 4
1.2 科技巨头在竞争与合作中，共同开启AI时代................... 5
2. 海外科技巨头围绕主业打造 AI 生态，加速 AI 向其他业务扩散... 8
2.1 Facebook——重点布局语义识别、图像识别及智能助理.......... 8
2.2 微软——语音识别、图像识别技术领先，将 AI 技术融入每一类产品
................................................................... 14
2.3 苹果——AI技术与保护用户隐私并重，改善用户体验 .......... 23
2.4 亚马逊——云计算、智能家居成为盈利亮点................... 27【科学智能以后的前景】
2.5 Mobileye——ADAS芯片和自动驾驶解决方案 .................... 31
2.6 风险揭示................................................... 34
2.7 投资建议................................................... 34
图表目录
图1：AI+大数据深刻改变传统产业结构.............................. 5
图2：非监督式学习整体优化数据处理全过程......................... 5
图3：科技巨头结合主业布局AI，推动AI渗透传统行业 ............... 7
图4：Facebook营收、净利润增速强劲 .............................. 9
图5：Facebook用户数量稳步增长 .................................. 9 图6：Facebook未来三大战略：人工智能、虚拟现实和增强现实、互联互通
............................................................... 11
图7：Facebook人工智能发展路径 ................................. 12
图8：FAIR负责人、深度学习鼻祖——Yann LeCun ................... 12
图9：Microsoft操作系统全球份额占比高达88.71%.................. 14
图10：2016年Q2，微软智能云营收占比高达29.35% ................. 15
图11：微软在人工智能领域持续发力............................... 16
图12：微软将AI融入每一类产品，打造AI生态..................... 16
图13：微软智能助理——Cortana.................................. 19
图14：微软聊天机器人——小冰................................... 19
图15：微软Project Catapult V1芯片............................. 20
图16：A-eye芯片结构示意图 ..................................... 20
图17：微软分布式机器学习工具包DMTK框架图...................... 21
图18：微软分布式机器学习工具包(DMTK）.......................... 21
图19：微软认知服务提供APP供开发者调用......................... 22
图20：微软Azure覆盖视觉、语音、语言、知识、搜索............... 23
图21：苹果公司四大产品系列..................................... 24
图22：2016年Q2苹果公司营业收入占比（%） ...................... 24
图23：在隐私保护前提下，打造AI生态，提升用户体验.............. 26
图24：苹果在AI领域进行大规模收购.............................. 26
图25：亚马逊占2015年全球电商交易额份额达13% .................. 28
图26：2016年Q2亚马逊营收占比（%） ............................ 28
图27：全球云计算市场增速强劲................................... 29
图28：亚马逊AWS占全球云计算市场份额高达31% ................... 29
图29：亚马逊Echo智能音箱销量爆发式增长........................ 31
图30：亚马逊Echo智能音箱...................................... 31
图31：2011-2015年，Mobileye营收增速高达65.90% ................ 32
图32：2020年ADAS市场将高达600亿美元 ......................... 32
图33：Mobileye EyeQ3芯片实物图 ................................ 34
图34：Mobileye EyeQ芯片发展蓝图 ............................... 34
表格目录
表1：科技巨头争相招募人才，建立AI实验室........................ 6
表2：科技巨头典型AI产品、AI战略、AI重点领域一览图............. 8
表3：Facebook陆续开源系列AI工具，打造AI产品生态 ............. 14
表5：苹果虚拟助理Siri推出时间早，用户体验高................... 27
表6：美国高速公路安全管理局（NHTSA）划分汽车自动化的5个阶段... 33
1. AI 发展前景广阔，商业化进程加快
1.1 深度学习效果未见天花板，非监督学习将走向实用
深度学习性能准确度随着数据增长而增加，AI商业化进程有望加速：人工智能（AI）是用计算机程序来模拟、延伸和扩展人类智能，以胜任人类智能才可完成的复杂工作。AI自1956年诞生以来，发展历经数次起伏，过去AI系统一般基于规则，试图用简单演绎推理规则来描述并模拟一个复杂系统的行为，而真实世界是无限复杂，数据驱动的AI系统才有前景。目前深度学习的爆发正是通过大数据和计算能力实现。传统AI算法随着数据增加，性能提高到某一个点就饱和，算法不能处理大规模数据。但深度学习模型足够复杂，可处理大数据，且性能准确度随着数据增长而增加，目前还未观察到饱和点，而在语音识别、图像识别等领域的性能准确度已经超过人类准确率，AI技术逐步走向商业化。深度学习需要大量数据训练才可达到良好效果，大数据可无限逼近事物真实状态，未来大数据+AI将深刻改变传统产业结构。
机器学习根据数据处理情况可分为：监督式学习、非监督式学习（或称端到端学习、End-to-End Learning）。对于监督式学习，数据需进行人工标记预处理，AI程序再挖掘标记数据的潜在特征，识别出特定模式，并将其模式进一步应用于标记数据。非监督式学习可直接收集和处理非标记数据，通过这种端到端的学习，实现全过程整体优化，避免人工标记数据的低效环节，大幅提升机器学习效率。2012年谷歌使用非监督式学
本文来源：http://www.gbppp.com/sh/439657/
推荐访问:智能科学与技术前景 智能与科学行业的前景