”炙手可热，它究竟是什么呢？本文从12个维度帮助读者作一个全方位的了解：
得益于互联网信息时代的数据积累、半导体制程进步及芯片运算能力提升，深度学习结合强化学习带来的计算机视觉、语音技术、自然语言处理技术应用更精准，人工智能将是第四次技术革命中的重要技术。
实际上，人工智能的三次热潮和低谷，更多是对于社会投入经费和公众关注度而言的。对行业内而言，并非绝对。往往每一次浪潮的奠基工作是在前一次浪潮中完成的，只是当时未成为主流。
纵观人工智能的三次浪潮和低谷的成因，来自公众的不切实际的期望和巨大的资金投入，是泡沫产生的最主要因素，也是引发失落感和导致热潮破灭的祸根。人工智能技术本身一直处于稳步的进展中。
站在2020年，如果回顾过去十年的发展，会发现人工智能走过了辉煌的历程：短短十年，人工智能便华丽地完成了蜕变，成为时代变革的源泉。
机器学习（machine learning）： 是人工智能的核心，使计算机具有智能的根本途径 ，机器通过模拟或实现人类的学习行为，获取新的知识或技能，它主要使用归纳、综合而不是演绎。机器学习的常见任务：分类——将实例数据划分到合适的类别中；回归——主要用于预测数值型数据。主要形式包括：监督学习、无监督学习、强化学习。
深度学习（deep learning）： 当前最主流的人工智能技术，是机器学习的一个分支 。特征为在输入和输出中间的隐性神经网络层次比较多，有助于识别目标。
监督学习（supervised learning）： 训练含有很多特征的数据集，每个数据集中的样本都有一个“正确答案”：标签 （label）， 即已由人工判定出该数据的正确输出结果是什么，以此示例来训练输入和输出之间的神经网络 。大量数据集的打标签是个耗人时的体力活。ImageNet就是一个用于视觉对象识别研究的大型可视化数据库。
无监督学习（unsupervised learning）： 即在未加标签的数据中，试图找到隐藏的结构 。数据没有类别信息，也没有给定的目标值。所以无监督学习很难做。通常的训练是做：聚类（将数据集分成由类似的对象组成多个类）和密度估计（通过样本分布的紧密程度，来估计与分组的相似性）。
强化学习（reinforcement learning）：并不是训练于一个固定的数据集上。算法会和环境进行交互，所以学习系统和它的训练过程会有反馈回路。 最典型的应用是阿尔法狗 。
迁移学习（Transfer Learning）： 把训练好的模型参数迁移到新模型来帮助新模型训练 。好处是加快新模型的学习效率，新模型不用每次从零开始学习。
自动机器学习（Auto ML）：旨在通过让一些通用步骤（如数据预处理、模型选择和调整超参数）自动化， 来简化机器学习中生成模型的过程 。尽量不通过人来设定超参数，而是使用某种学习机制，来调节这些超参数，最后定出学习模型。
人工智能界的两大“山头”是： “符号主义”学派和“连接主义”学派 。在符号主义者的眼里，人工智能应该模仿人类的逻辑方式获取知识，而连接主义者奉行大数据和训练学习知识。
在1969年，“符号主义”代表人物马文·明斯基（Marvin Minsky）甚至写了一本名为《感知器》（Perceptron）的书，结果直接把联结主义的神经网络给写死了。感知器是那个年代的神经网络，明斯基在书中向“连接主义”发难，你们的感知器连最基本的异或（XOR）都做不到，做出来还有什么用？也是在那一年，明斯基获得了图灵奖。“符号主义”派胜利后不久，AI就迎来了第一次寒冬。符号主义的高潮一直延续到了80年代中期，专家系统（expert system）的出现带来了AI的黄金时代。
与此同时，“连接主义”也在悄悄发展，约翰·霍普菲尔德（John Hopfield）在1982年发现了具有学习能力的神经网络算法。就在“符号主义”志得意满的时候，Lisp machine的失败让两派力量再次发生了逆转。
至于“行为主义”或“控制论学派”，他们提倡：智能取决于感知与行为，以及智能取决于对外界环境的自适应能力等观点，也是一个持续存在的学派，但在AI界未成为“显学”。
有不少的世界一流学者在理论上将人工智能归约为统计学。2011 年诺贝尔经济学奖获得者Thomas J. Sargent就表示：“人工智能其实就是统计学，只不过用了一个很华丽的辞藻。”华为公司总裁任正非也说过：“人工智能只是统计学而已。”
这些理论之争反映出科学哲学理论跟不上人工智能技术的现实发展。前方或许将有一场科学哲学革命。
按当前流行标准，人工智能技术分为13项：计算机视觉、数据挖掘、智能语音技术、机器学习、机器人、自然语言处理、知识图谱、生物识别、IC芯片设计、SLAM、数据标注、计算模组、专家系统。各技术占比：计算机视觉（32%）依然保持第一，深度学习（18%）和机器人相关技术（10%）则超过数据挖掘以及智能语音，分列第二、第三。
（1）自动机器学习和智能应用程序发展势头最好，其他技术也很受欢迎，比如AI平台即服务（PaaS）、AI云服务、AI市场。与AI相关的咨询和系统集成服务数目不断增长。
（2）由于亚马逊Alexa、谷歌助理语音助手等产品在全球的成功，基于对话的人工智能仍然是企业的首选技术。
（3）AI新技术不断涌现。自2018年以来，以下8类技术在AI领域广受关注：AI云服务、自动机器学习、增强智能、可解释AI、边缘AI、强化学习、量子计算、AI市场。
2018年，OpenAI在一份 《AI 与计算》的分析报告，道破了计算力对 AI 发展的影响：1）自 2012 年以来，在最大的 AI 训练运行中所使用的计算力呈指数增长，每 3.5 个月增长一倍（相比之下，摩尔定律的翻倍时间是 18 个月）。2）自 2012 年以来，这个指标已经增长了 30 万倍以上（如果按摩尔定律增长一倍的时间需要 18 个月，则仅能增长 12 倍）。
计算能力的提升一直是 AI 进步的一个关键要素 ，所以如果这种趋势继续下去，我们就得为远远超出当今能力的 AI 系统做好准备。现实的情况是，这种趋势正在突飞猛进中，也对芯片设计提出挑战。
早些年，在人工智能被称为模式识别（人脸识别、语音识别）的时代，算法工程师一直在努力，好的算法就是一切。但准确率却一直上不去，几乎没有使用价值。后来整个业界的研发重点就迅速切换到了深度学习的跑道上。在随后的时间里，各种模式识别技术（例如人脸、语音）放弃了传统的数学算法研究，直接切换到深度学习平台上。各家的准确率也开始接近了。
算法的提高，在很大程度上依赖于数据，这直接导致了一个后果 ：以深度学习为基础的人工智能技术，在使计算机变得“聪明”的同时，却使算法工程师变得更“傻” 。原来，算法科学家通过数学精确的控制着机器的行为，是机器的“管家”，而现在，算法科学家在某种程度上沦为了机器的“保姆”。因此，在技术上，深度学习不仅没有推高算法工程师的重要性。相反，正在降低它的重要性。
从数据的视角可以认为，人工智能的这一波浪潮，是互联网大发展后，集聚了海量高质量数据所带来的红利。即 数据重于算法 。
人工智能已经在众多垂直领域实现应用，包括 安防、家居、金融、交通、医疗 等。通过与诸多垂直领域相结合，人工智能技术可以通过两方面进行产业赋能： 一方面提高生产效率、降本增效，即“+人工智能” ； 二是创造新的需求和增长点，即“人工智能+”，如无人驾驶产业，就属于“人工智能+” 。目前，“+人工智能”已经获得了长足进展。“人工智能+”还有待观察。
2019年人工智能的哪项技术完成了从技术到大众的“破圈”运动？答案是 计算机视觉 ！目前中国的人脸识别技术已经遍布全球。经过2017、2018 年的尝试后，很多没有需求的场景被证伪，安防、金融、考勤门禁等成为主要的应用领域。与此同时，语音识别应用也已全面落地。2019 年，全球智能音箱出货量仍以 45% 的速度增长。
2018年，我国的人工智能相关公司总数达到2167家。人工智能创业生态系统已经趋于饱和。
AI芯片（或称神经网络芯片），在被Google证实可大幅加快人工智能模型的训练速度后，成为近5年来的热门产业 。根据Gartner的预测数据，全球人工智能芯片市场规模将在未来五年内呈现飙升，从2018年的42.7亿美元，成长至343亿美元，增长超过7倍，显见AI芯片市场增长空间大，所谓无芯片不 AI。
在国内，BAT三巨头都杀入了AI芯片市场， 阿里成了了平头哥、百度投入了“昆仑”芯片，腾讯投资了燧原科技 。巨头自研AI芯片成为行业主流。此外，还有地平线、寒武纪、云天励飞和深鉴科技被称为中国AI芯片四小龙。
AI芯片市场主要有： 自动驾驶用视觉处理芯片、手机AI协处理器IP授权、云端AI处理器、终端AI芯片 。在自动驾驶尚未落地时，手机AI处理器IP授权被寄予厚望。这阵风口的高光时刻，是寒武纪与华为的合作。在寒武纪推出首款AI处理器Cambricon-1A之后不久，华为与寒武纪合作，并将后者的AI处理器IP整合进手机处理器麒麟970中，两者共同推出了“ 全球首款集成AI处理器的手机芯片 ”。这是一场“名利双收”的合作，不仅奠定了寒武纪在AI芯片行业的龙头地位，而且在2017年和2018年，华为分别为其带来了771万和1.14亿元营收，占其总营收的98.34%和97.63%。
业内AI人士的普遍看法是：过了2019年人工智能将进入到一个瓶颈期，而未来5到10年， 深度学习会逐步下沉成为下一波人工智能的基础。
更有专家认为：下一波人工智能的关键技术，将必然涉及因果推理、更复杂的层级知识表示、元学习等目前初露锋芒的领域， 而这些领域能否深入，取决于我们对大脑认知的深入层次， 因为这些大脑独有的能力，目前除非理解它，还没有看到更好的方案。
AI芯片概念发展数年来，基本被分成了两类， 一类是用于云端服务器的芯片 ， 另一类是用于终端的AI芯片 。两者对比，云端芯片的门槛更高。但云端芯片也需要更多的资金和生态支持，高门槛使得大多数创业公司几乎加入无望。
AI+泛安防产业涵盖G端安防与B端安防 。广义AI安防涉及领域众多，从客户类型看，可划分为公共安全安防、其他政府安防、行业安防、消费者安防等。 AI安防行业具有强政策导向性 ，政府发布的公安大数据、雪亮工程、智慧监狱、明厨亮灶、建筑工人实名制电子打卡等相关政策极大地推动了行业繁荣。人工智能改变了安防过去人工取证、被动监控的业务形态：AI视频分析技术对监控信息进行实时分析，使人力查阅监控和锁定嫌疑人轨迹的时间由数十天缩短到分秒，极大提升了公共安全治理的效率；人证核验技术识别速度快、准确率高，节省了人力成本；智能访客识别与车辆识别为园区、文教卫业务办理提升效率，为安全管理保驾护航。AI在安防领域的应用体现出深入场景、定制化服务的特点，未来将进一步实现数据跨网融合、提升认知计算能力。
2018年AI+安防软硬件市场约135.3亿元的产值中， 视频监控占据绝大部分，份额近90%，成为AI+安防的主赛道 。其中，端侧市场规模超过38亿元，占28.3%，中心侧市场规模超过74亿元，占54.8%。而在AI+安防的核心战场公共安全领域，总市场规模约93.1亿元，其中端侧市场规模约13.8亿元，占14.8%，中心侧市场规模约66.5亿元，占71.4%，边缘侧渗透有限，占比较小，约3.8%。出入口控制的主要产品如人脸识别闸机、门禁等，门槛相对较低，与监控人脸识别具备相通之处，因此绝大部分安防产品与解决方案提供商均涉足这部分业务，其市场相对较大。
AI+安防主要玩家有： 海康威视、大华股份 等安防厂商， 华为 等ICT厂商， 商汤科技、云从科技 等AI企业。
“AI+教育”产品及服务已经开始在幼教、K12、高等教育、职业教育等各类细分赛道加速落地，主要应用场景包括 拍照搜题、分层排课、口语测评、组卷阅卷、作文批改、作业布置 等。就目前而言，“AI+教育”的应用场景还只是停留在学习过程的辅助环节上，越是外围的学习环节，越先被智能化，而越是内核的学习环节，越晚被智能化。未来随着教育测量学和人工智能技术的进一步发展，人工智能有望逐步渗透到教学的核心环节中去，从根本上改进用户的学习理念和学习方式。
经过20余年的曲折发展，中国在线教育的市场规模与用户数量已进入了初步成熟阶段。2018年中国在线亿元，付费用户数量超过1.35亿人，在线教育企业也在已有业务线基础上引入人工智能技术以提升教学效率、拓展商业模式。目前 在线教育中与人工智能技术相关的业务规模已超过120亿元 ，在AI技术不断发展及教育领域AI落地成熟度持续提升的背景下， 预计2022年与人工智能技术相关的在线亿元 。
AI客服预计将有一定发展。我国的客服行业已经历了：传统呼叫中心、在线客服+客服软件、云客服等阶段，目前已基本上采用低成本的基于SaaS的云呼叫中心模式。通过引入NLP技术为代表的客服机器人，能一定程度上实现线上客服流程性问题解答，实现部分取代人工的效果，AI技术的应用能节省整体客服运营中10%的成本。AI公司的核心竞争力主要集中在中游，切分客服软件厂商、传统呼叫中心和集成商的市场份额，并且在数据的积累下向企业服务行业拓展。 目前市场份额约27亿元，未来三年增速将保持在56.2%左右。2022年智能客服业务规模将突破160亿元。AI技术成为重要推动力 。
在NLP技术的赋能作用下，客服业务将向企业服务、智能家居、智能可穿戴、车载设备、智能服务机器人、智能会议系统等领域拓展， 预计2022年，泛智能客服市场的想象空间将突破600亿元。广泛服务于金融、政务、医疗等行业 。
AI医疗健康产业落地场景广阔，从AI医疗影像、深度学习、知识图谱等技术可用于新药筛选，缩短研发周期。AI语音识别可用于挂号、导诊、随访。另外自然语言理解（NLP）可用于医疗文本处理。
目前，AI医学影像产品有：肺结节等胸部AI、心血管疾病AI、DR影像智能报告AI、骨关节疾病AI、乳腺影像AI、脑部影像AI、眼底影像AI、皮肤AI、超声AI等十余种，其中 肺结节等胸部AI产品最多、认知度最高 。AI医学影像商业落地的大背景是我国影像科医师明显不足：我国每年影像检查量上升30%，而影像科医师只增长4%。一方面三甲医院的影像医师在重复、单调的阅片工作中容易出现疲劳、漏诊等现象。另一方面，大量的中长尾医疗机构具备医疗影像设备，但缺乏具备诊断能力的影像医师。未来AI易学影像得到大规模使用，在癌症方面可节省诊疗与用药支出2470亿元，其中节省医保和民政救济支出1062亿元。但医疗健康是个慢行业，推广需获CFDA三类医疗器械认证。预计AI医学影像的商业落地于2019年起步，到2022年市场规模达9.7亿元，在已定级医院、三级和二级医院的总付费渗透率达5%~8%。
AI辅助药物研发主要服务于化学药新药研发 。在新药研发过程中， 最初筛选的近万个化合物可能最终只有1个通过审批，新药研发平均总耗时10-15年，花费80亿元。已有案例表明：AI可使单个研发环节周期缩短80%。这一方面将大有所为。
在智慧医疗中，除了AI医疗影像外，很多在试图引入医学逻辑、医疗文本处理、决策树等医生的先验知识，这样就陷入到某个无目的的医学IT工程。无法保证会有好成果。
2017年，美国的MD安德森癌症中心在花费了巨资但发现效果糟糕后，中止了和IBM Watson的合作。IBM公司在花费了40亿美元后，2019年最终黯然关闭了其智慧医疗部门Watson。由此看出AI智慧医疗未来的路还很长。
当前全球人工智能产业竞争，是各国政策、基础研究、技术、资本等各方面综合实力的竞争。目前各国政府高度重视。
从 计算机视觉和图像识别 相关的技术申请情况来看，截至2018年12月31日， 全球共申请14.3万项同族专利， 中国、美国、韩国成为全球申请数量前三国家，分别为5.3万项、2.4万项、2.3万项 。从技术授权情况来看， 美国技术授权量全球最高、达1.3 万项，日本和中国排为第二、第三，分别为1.04万项和1万项 。
从 语音语义技术 相关的技术申请情况来看，截至2019年12月20日， 全球共申请4.3万项专利族，中美两国依然是这个领域的主要申请国，合计占比超过75% 。从国内企业情况来看， 百度成为唯一一家在语音语义技术领域申请量和授权量均列全球前十的企业 。
AI芯片专利 方面， 中美两国是申请大国 ，截至2019年10月， 中美两国人工智能芯片专利申请量分别为1.6万项和1.1万项 。
中美两国是全球人工智能企业聚集地， 中国企业集中于应用层，美国企业集中于技术层 。截至2019年2月， 全球共有人工智能企业3438家，美国以1446家位列第一，全球占比42.1%，中国第二、共745家、全球占比21.7% 。从企业类型来看，中国主要为应用层企业，美国主要为技术层企业。中国应用层人工智能企业占比最高，为75.2%；技术层居第二位，占比为22%；基础层企业占比最少仅为2.8%。而美国更重视技术研发，三类企业占比分别为39.1%、57.7%、3.2%。
据不完全统计，目前全球包括美国、中国、欧盟、日本、韩国、印度、丹麦、俄罗斯等近30个国家和地区发布人工智能相关的战略规划和政策部署。
2019年，美国陆续颁布《维护美国在人工智能领域领导地位》、《国家人工智能研发战略计划》、《美国人工智能时代：行动蓝图》三部重要政策，表现美国政府对人工智能技术的高度重视和维持领先地位的决心。
欧盟重点关注工业、制造业、医疗、能源等领域，强调发挥创新创造力，应用人工智能使制造业及相关领域智能升级 。例如2018年颁布的《人工智能合作宣言》。此外，作为“数字欧洲”计划和“地平线”计划中的重要环节，人工智能相关项目也将受到数十亿欧元的投资。欧盟更加重视人工智能的道德和伦理研究，对人工智能的应用侧重更细化，希望借助自身在制造业、工业、汽车等领域的优势，利用人工智能技术进行产业强化升级，例如《欧盟2030自动驾驶战略》。
日本 由于面临严峻的少子化老龄化问题， 着重研究人工智能在机器人、医疗、汽车交通等领域的应用 。以2016年发布的《日本下一代人工智能促进战略》为起点，不断推出相关政策规划，围绕“基础研究-应用研究-产业化”三个方面，其中日本总务省下设的信息通信技术研究所和文部科学省进行人工智能理论和技术研发，经产省解决应用场景问题，经产省建立的人工智能研究中心（AIRC）促进产学研合作，主要承担成果转化和推广。
中国 人工智能呈三阶段逐步推进， 重视与制造业和服务业的融合 。自2015年起，我国人工智能相关政策从智能制造时期，“互联网+”时期（以《“互联网+”人工智能三年行动实施方案》为代表），到“智能+”国家战略时期演变（以《新一代人工智能发展规划》为代表）。政策重心也从核心技术攻克到实际场景应用，从特定行业到跨界融合，从单项技术到人机协同。
中国人工智能领域论文数量增长较快，但论文质量与美国依然存在差距。 全球累计共发布人工智能论文超70万篇，中国、美国是论文发表大国，2018年中美两国分别发布论文2.5万篇和1.6万篇，全球合计占比46.5% 。从增长趋势来看，美国保持匀速增长，中国自2014年后增长较快，中国论文数量占全球总量比重从1998年的8.9%上升为2018年的28.2%。从代表论文质量的FWCI指数（平均加权引用影响指数）来看，中国论文质量也在稳步提升，从1998年的0.43提升至2018年的1.39。美国保持全球最高水平，长年保持在2左右，2018年FWCI指数达2.38。
从 论文发表机构类型 来看，包括中国、美国、欧盟27国等在内的各国和地区均以高校为核心科研力量，2018年三者高校论文产出占各自总产出的92.1%、84.6%、90.7%。 除高校外，中美两国的主力科研主体有所不同，2018年中国科研机构产出约为中国企业产出的3倍，而同期美国企业产出约为美国科研机构产出的1.6倍 。
数据增长和运用依赖于信息和物理的基础设施构建，中国将成为全球最大的数据中心。得益于人口数量、互联网渗透率、智能手机渗透率、网速等， 2018年中国拥有数据量7.6ZB，占全球数据总量的23.4% 。随着5G、物联网等发展，通讯设备接入数量和承载能力提高， 终端消费者增多，中国的数据量将在2025年达48.6ZB，占全球数据总量的27.8%，成为全球最大的数据集中地 ，将极大的促进和丰富人工智能训练，相关模型结构和结果也更精准。
我国 78%的AI企业主要集中在应用层 。从地域看分布在京津、长三角、珠三角及中西部几个重点省份。 82%的AI公司集中在北京、广东、上海、浙江、江苏五地 。
北京是国内最大、最有实力的AI企业创新集群 。得益于院士、高校、人才、资本等要素，北京拥有 商汤科技、旷视科技、寒武纪 等独角兽AI企业。
上海正在形成“AI上海高地”，拥有超过1/3的AI人才集聚（10万产业人才 ）。拥有人工智能公司 700家 ，其中不乏 依图科技 等潜质优厚的独角兽企业，预计2021年人工智能产业产值超过1000亿元。浦东张江人工智能集聚区计划每年对接服务企业1000家，培育15家以上独角兽企业。上海正围绕“1+3+6”总体蓝图，打造人工智能创新发展浦东方案，极富发展后劲。
深圳聚集了腾讯、华为等巨头，在人工智能产业上已具雏形 。在机器人、无人机、智能硬件等领域全国领先。 杭州则依托“新四军” （浙大系、浙商系、海归系、阿里系）等名校名企以及海康威视、大华股份等安防巨头，在AI技术处及应用层已集聚了一批优秀企业。 苏州培育了思必驰、苏州科达、聚合数据、科沃斯等一批企业 。 合肥则依托中科大和科大讯飞 ，形成了以智能语音为主的多元化AI产业布局。
人工智能技术突破和政策支持吸引资本持续投入， 过去十年AI平均投资年增速约50% 。据斯坦福大学数据，全球对人工智能初创企业投资金额从2009年的不到10亿美元升至2019年的近400亿美元，其中2014年开始投资加快，2014~2018年，人工智能经历了投资热潮。2014-2019年11月，全球人工智能初创企业共获得1.6万笔投资，平均每笔投资金额约860万美元。2016年，有200至300亿美元的资本投入于AI产业，中国投资占全球投资的17%。在这些投资中，约有90%用于部署研发，其余用于收购。
从国家和地区来看， 美国公司和中国公司是全球投资重点 。 由于美国的技术领先性，美国无论是被投资金额还是被投资企业数量均保持世界第一 。此外，英国、以色列、加拿大、法国、日本、新加坡、德国和印度是被关注较为频繁的国家和地区。
2019年开始，AI行业从全民热炒的过度期望期，即将进入备受打击的过度失望期 。CB Insight数据显示：2018年全年， 近90%的人工智能公司处于亏损状态 。从AI的历史看，AI总是经历过度期望期到过度失望期的循环往复。这不是第一次AI浪潮，也不会是最后一次。2018年，被业界认为是AI商业化落地的元年。但被寄予厚望的自动驾驶赛道上，并未落地。
2019年却成为了人工智能资本环境冷与热的分水岭，人工智能的融资数量和融资金融出现大幅下滑 。与2018年相比，2019年中国人工智能企业的融资金额由1484.53亿下降至967.27亿，下降幅度达到34.8%，融资数量也由737下降至431，下降幅度达4成。
随着资本向AI产业快速集聚，现今的AI赛道上已站满了选手。 我国的人工智能企业数目已超过1000家，仅次于美国 。整个行业呈现出强者越强、弱者加速淘汰的格局。整个行业呈现“ 内卷化（involution） ”格局。
AI公司虽然融资额很高（如商汤科技融资已超30亿美元，估值超过100亿美元），但 企业普遍收入不足以抵消开支，普遍处于亏损状态 。旷视科技以半年巨亏达52亿元的业绩向港交所提交上市申请，反映出AI企业对前景的信心不足。
从人才的视角看，AI的竞争严重依赖高层次技术人才。 北美是AI人才重镇 。2019年图灵奖得主AI三巨头Hinton、LeCun和Bengio都在美国和加拿大，此外，还有Michael I Jordan也是一代宗师。欧洲则有瑞士人工智能实验室 IDSIA 主任、LSTM的提出者Jürgen Schmidhuber等大宗师。对比美国，我国在人才方面仍处落后，最顶级的AI人才有斯坦福大学的吴恩达、李飞飞。在国内，也有张钹、周志华、李航等具有国际水准的著名AI学者，更有一批新一代年轻人才在AI产业界届崭露头角，余凯、孙剑、朱珑、颜水成、何凯明、陈天齐等，已成为新一代的AI产业领军人物。
在人工智能人才培养方面，2018年， 国内已有约40所高校申请开设人工智能专业，有35所院校获教育部批准 。
有一种观点，认为人工智能实际上没办法成为一个具体的专业。因为它需要计算机、信息、控制、机器人等多个学科形成交叉学科。在国内至少应在985强校才有可能具备条件。另外，AI是一种赢者通吃的专业，只有高精尖能获得特别好，提出新的框架和算法，或者在垂直行业有全新的应用方案，与其培养普通的调参调包的从业者，还不如培养扎实做数据库或编程从业者。
历史上几乎每一项重大技术如：电力、蒸汽机、通讯以及计算机和互联网等， 都会给当时的传统社会带来风险和挑战，诸如失业、隐私、安全 等等。同时，具有人类的外观以及情绪、情感的机器人，可能会具有人格或人的属性。原本只是停留在幻想电影中的伦理担忧和威胁似乎完整地映射到了现实世界，给人类带来了现实的困扰和恐慌。
包括从道德规范、法律、教育与基本社会制度等，都需要采取相应的措施和全面的布局。例如：自动驾驶汽车出了事故责任怎么认定？如果人工智能程序漏洞或自动驾驶汽车造成人身和精神损害以及公私财产损失，谁来承担责任？。
由于工业机器人和各种智能技术的大规模使用，导致从事劳动密集型、重复型、高度流程化等类型的职业人士等都面临失业威胁。例如：语音识别（ASR）和自然语言处理（NLP）技术结合可为银行提供呼叫中心，云端可在1秒钟内扩展出1万名AI客服坐席，立刻导致大批客服人员下岗。由此可能引发社会发展危机，造成社会安全水平下降和动荡。美国麦肯锡咨询公司最近的一份报告预测， 到2030年全世界将有3.9亿人因机器人和人工智能的大规模普及而改行，有8亿人会失业 。因此，未来十几年，在人工智能发达的国家，面临的社会稳定问题也同样严峻。
人工智能在“新基建”中处于关键地位， 是新一轮产业变革的核心驱动力量，承担着推动数万亿数字经济产业转型升级的重任 。国务院在《新一代人工智能发展规划》提出， 到2025年中国人工智能核心产业规模将超过4000亿元，带动相关产业规模超过5万亿元 。
在新基建规划中，人工智能的主要建设方向包括： AI芯片底层硬件发展；通用智能计算平台搭建；智能感知处理交互基础研发中心建设；人工智能创新发展试验区建设 等。目前，政府在人工智能领域已部署了四大任务，包括： 加大AI芯片开发力度、建设“智能云服务”惠民惠企、推进智能感知与交互的工业化应用、各类人工智能“开放创新平台”建设 等。
您可以在百家号、企鹅号、网易号、澎湃号、头条号、一点号等多个知名平台同步查阅“上海转型发布”推出的内容。 欢迎加入上海转型发布朋友圈。请先添加上海转型发布编辑微信（xiaowuwusama），身份信息核实完毕后，小编会将符合条件的朋友请进上海转型发布微信群。 业务合作： 读者投稿： 申请转载： 广告合作： 人才应聘：
上海产业转型发展研究院（简称SIITD）是上海市经济和信息化委员会主管，上海市社会团体管理局注册的综合性研究咨询机构。专注产业转型、城市更新的探索与实践，围绕空间调整推动转型、技术创新带动转型、资本助力撬动转型、产业政策引导转型、人才培养支撑转型五大重点，旨在为上海、长三角乃至全国的产业转型发展提供新思路、新方法和新案例，协助地方政府、产业园区和各类企业，突破发展瓶颈，探求转型路径，实现项目落地，提供系统性解决方案。是集政策理论研究、规划方案编制、项目咨询服务、新型产业导入、空间运营管理、论坛培训考察、信息指数发布，以及汇集各类优质资源的综合性、开放式、实操型、互动化的共创共享共赢产业服务平台。
上海产业转型发展研究院与各级政府、各类企业、研究机构、行业协会、国际组织有着广泛的合作关系，汇聚来自政界、学界、商界的研究、策划、规划、投资、运营等领域专家资源，拥有规划编制、项目策划、产业导入、资源对接、企业服务、指数研究、运营管理等多方面高水平团队。开元体育
