機器人技術(shù)發(fā)展

機器人技術(shù)發(fā)展 隨著我國土地成本以及勞動力成本的雙攀升，傳統(tǒng)制造業(yè)開始不斷轉(zhuǎn)型升級，同時新的系統(tǒng)應用不斷涌現(xiàn)，物聯(lián)網(wǎng)與智能制造之間不斷加深聯(lián)系，機器使得企業(yè)工廠在節(jié)約生產(chǎn)成本、保障生產(chǎn)安全的同時，快速地提高了生產(chǎn)效率，提升了競爭力，也促使智能制造產(chǎn)業(yè)的飛速發(fā)展。 這一數(shù)據(jù)也表明，在工業(yè)物聯(lián)網(wǎng)快速發(fā)展的同時，不管是大型工廠或小型作坊，機器人與人類一起作業(yè)的局面已然出現(xiàn)。在工業(yè)自動化的趨向下，機器人大規(guī)模的使用是必然，它也將滲透到人類生活的方方面面。 除了工業(yè)場景之外，一些新的產(chǎn)品如餐飲服務機器人、迎賓機器人、兒童機器人、掃地機器人、自主型機器人、娛樂機器人、、智能巡邏機器人等，正在悄然進入人類生活。還有，納米機器人作為當今科技的前沿熱點，一些發(fā)達國家已經(jīng)制定相關(guān)的戰(zhàn)略性計劃，并投入巨資搶占先機。

數(shù)字經(jīng)濟是人工智能經(jīng)濟的前提

數(shù)字經(jīng)濟是人工智能經(jīng)濟的前提

　　人工智能經(jīng)濟形態(tài)是數(shù)字經(jīng)濟之后新的經(jīng)濟形態(tài)，它建立在數(shù)字化、互聯(lián)網(wǎng)化、信息化基礎上，且人工智能技術(shù)的發(fā)展之所以三起三落，與每個階段數(shù)字經(jīng)濟發(fā)展的不充分有直接關(guān)系。如圖所示，每個科技與經(jīng)濟發(fā)展階段都要以上一個階段為基礎，如果上一個階段整體發(fā)展不充分，那么本階段的發(fā)展就會缺乏基礎，出現(xiàn)“往復式發(fā)展現(xiàn)象”。同時，人工智能在各個行業(yè)的發(fā)展不均衡，某個行業(yè)會出現(xiàn)先例，例如在棋藝方面，國際象棋、圍棋已經(jīng)被人工智能，在該領域已經(jīng)沒有人類可以超越“深藍”“AlphaGo Zero”。

人工智能的內(nèi)核是計算機技術(shù)，通過基礎資源（即數(shù)字經(jīng)濟階段的技術(shù)積累）、物理世界的數(shù)字化（包括特征化、向量化、標簽化）、互聯(lián)網(wǎng)和信息化（包括大數(shù)據(jù)服務、云化信息系統(tǒng)）三步，人工智能才能更好地在具體領域有學習、智能升級的基礎。因此當人們在模仿人類大腦開發(fā)人工智能、研究卷積神經(jīng)網(wǎng)絡、開發(fā)深度學習上遇到瓶頸，可反向在數(shù)字經(jīng)濟發(fā)展是否充分方面尋找。

語義理解技術(shù)與實體經(jīng)濟融合領域

語義理解技術(shù)與實體經(jīng)濟融合領域

　　語義理解本質(zhì)上就是文本理解技術(shù)，它是聲音識別的輸出，同時也是語言表達、邏輯推理、深度學習、行為技術(shù)的分析輸入，文本就是數(shù)據(jù)，數(shù)據(jù)就是符號。數(shù)據(jù)本身沒有任何意義，只有被賦予含義的數(shù)據(jù)才能被使用，這時候數(shù)據(jù)就轉(zhuǎn)化為信息，而數(shù)據(jù)的含義就是語義。語義理解技術(shù)分為詞匯級、句子級、篇章級3個方向，該行業(yè)需要大量的機器學習素材，因此大型公司往往采用開源的形式發(fā)布相關(guān)技術(shù)模塊，例如谷歌發(fā)布了解析器SyntaxNet，科大訊飛發(fā)布了訊飛開放平臺。

　　在手機終端上，手機終端在數(shù)字經(jīng)濟時代是移動互聯(lián)網(wǎng)的載體，在人工智能時代是人類活動的助理機器人；移動互聯(lián)網(wǎng)流量在整個互聯(lián)網(wǎng)中占比在2018-2019年將超過60%。Gartner預測，2018年后AI智能終端的出貨量占比將會逐年提升，2020年手機出貨量將達25.5億部，其中AI移動智能終端將達到13.3億部，占比52.1%，當前智能手機的發(fā)展方向?qū)⑹侨斯ぶ悄苁謾C。

機器學習技術(shù)與實體經(jīng)濟融合領域

　機器學習技術(shù)與實體經(jīng)濟融合領域

　　機器學習是人工智能技術(shù)體系的一個通用環(huán)節(jié)，機器學習使用歸納、綜合方法，運用數(shù)據(jù)導入算法模仿人類智能。學習方式主要分為有數(shù)據(jù)學習和無數(shù)據(jù)學習：當前有數(shù)據(jù)學習顯然廣受歡迎，包括“監(jiān)督學習”“無監(jiān)督學習”“半監(jiān)督學習”“深度學習”“遷移學習”等；無數(shù)據(jù)學習法主要為“強化學習”。有數(shù)據(jù)學習的典型應用為深度學習，深度學習包括DNN(深度神經(jīng)網(wǎng)絡)、CNN(卷積神經(jīng)網(wǎng)絡)、RNN(循環(huán)神經(jīng)網(wǎng)絡)和LSTM(長短期記憶網(wǎng)絡)等，它不依賴數(shù)字經(jīng)濟的發(fā)展，而是由人做數(shù)據(jù)標簽，采用神經(jīng)網(wǎng)絡算法，學習效率不高、能源資源浪費，如AlphaGo下場棋要消耗3000美元電費。

　　強化學習只需要人類輸入規(guī)則，機器就能通過自我獎勵、自我誘導方式，跟自己下百萬盤棋，不斷自我完善，AlphaGo Zero三天內(nèi)就打敗了已經(jīng)學習了幾千盤棋的AlphaGo；數(shù)字技術(shù)發(fā)展越好、標準化數(shù)據(jù)量越大的領域往往人工智能發(fā)展越迅速，這就說明機器的學習能力不是人為訓練的結(jié)果，而是數(shù)字經(jīng)濟發(fā)展到一定階段順其自然的結(jié)果。從使用場景上來說，有數(shù)據(jù)學習適用于規(guī)則活動領域的人工智能，是經(jīng)驗、控制使然；無數(shù)據(jù)學習適用于創(chuàng)新、無定論的領域，比如棋類競賽、新藥探索、藝術(shù)創(chuàng)作等，是創(chuàng)新、自由使然。