作者：杨静
出版社：人民邮电出版社有限公司
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
智周万物：人工智能改变中国试读：
开始
成熟。与此同时，中国经济也走到了历史发展的重要关口——依靠人口红利发展的模式不能够支撑高速发展，我国需要新的增长引擎。基于人工智能的自动化可以提高生产力，可以帮助我国实现经济发展目标。同时，我国也拥有海量数据和广阔的市场作为发展人工智能的支撑。
从学术论文发表的数量来看，中国人工智能方面的学术实力仅次于美国，位列世界第二，可以为人工智能后续的发展提供坚实的学术基础；从产业方面来看，无论从国家战略层面，还是科技企业发展层面，人工智能已经成为我国经济的一个关键词。在政府的大力支持下，高等院校和科研院所大力投入相关研究，华为、阿里巴巴、腾讯等多家科技巨头，还有众多中小企业和初创企业积极研发并布局市场，我国已经成为全球人工智能的重要基地。
然而，要了解人工智能要去往何方、人工智能将给中国带来什么样的改变，首先要知道人工智能从何处来、它经历了怎样的发展历程。1.1 人工智能的起源
人工智能是研究、开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学。其研究、开发的目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。人工智能的概念现在已广为人知，但它从想象、思辨到提出概念、开展研究，再到形成技术、走进人们的生产和生活，经历了漫长的历程。
2017年年初，《福布斯》杂志发表了人工智能编年体简史，时间跨度超过700年，涵盖心理学、数学、哲学、艺术、计算机科学等学科领域，以及与人工智能的发展息息相关的历史大事件。
这篇文章将人工智能的历史追溯到1308年，西班牙加泰罗尼亚诗人、神学家拉蒙·鲁尔（Ramon Llull）出版《伟大的艺术》（Ars Generalis Ultima），阐述了他提出的使用“逻辑机”从概念的组合中创造新知识的方法。
1763年，托马斯·贝叶斯（Thomas Bayes）提出一个用于推理事件概率的框架。1854年，乔治·布尔（George Boole）提出逻辑推理可以使用与解方程组相同的方式系统地进行。之后人们采用无线电、机械和自动控制等手段进行了一些有关智能机器的尝试，也有人在剧作、电影中对机器人等智能形态进行畅想。
但人们对人工智能的追求直到现代才迈出坚实的步伐。第二次世界大战期间，许多学科领域出现了优秀的科学家，包括新兴的神经科学和计算机领域。在英国，神经学家威廉·格雷·沃尔特（William Grey Walter）和数学家阿兰·图灵（Alan M. Turing）是首先向智能机器发起挑战的两位科学先驱，图1.1为图灵的素描画像。1948年，沃尔特制造了有史以来第一个机器人。图灵在1950年发表论文《计算机器和智能》（Computing Machinery and Intelligence），提出了图灵测试，为智能机器设置了标准：一种可以让某人以为自己在和另一个人说话的机器。图1.1 图灵画像（Natata/Shutterstock.com）
早在1948年，图灵就写过一篇题为《智能机器》（Intelligent Machinery）的论文，描绘了人工智能中联结主义的大部分内容。这篇论文是图灵在英国国家物理实验室工作时写的，但当时的实验室主任查尔斯·达尔文爵士称这是一篇“学生论文”，并写信给图灵，抱怨论文“满是脏痕”的外观。可贵的是，图灵是在没有电子计算机的时代，用纸和铅笔模拟大脑，做出了这项开创性的研究。
事实上，这篇具有远见卓识的论文是关于人工智能的第一个宣言，但遗憾的是图灵从未发表它。在这篇论文中，图灵不仅阐述了联结主义的基本原理，而且出色地引入了许多后来成为人工智能核心的概念，包括具有学习能力的遗传算法和神经网络（他称之为“无组织机器”），甚至强化学习的思想。当然，这些概念是在其他人重新发明之后才成为核心的。
而“人工智能”这一概念是在1956年才被正式提出的。
1956年夏天，一些年轻科学家在美国达特茅斯学院（见图1.2）开会研讨“如何用机器模拟人的智能”时，首次提出“人工智能”的概念，这标志着人工智能学科的诞生。图1.2 达特茅斯学院（Dan Lewis/Shutterstock.com）
让我们回顾一下那个意义非凡的夏天。[1]
那年，28岁的约翰·麦卡锡（John McCarthy,1971年图灵奖 获得者）,37岁的纳撒尼尔·罗切斯特（Nathaniel Rochester，约翰·麦卡锡的老板——IBM第1代通用机701的主设计师）,28岁的马文·明斯基[2]（Marvin Minsky，麻省理工学院人工智能实验室 的创始人之一）和40岁的克劳德·香农（Claude Shannon，信息论创始人）4人提议在麦卡锡工作的达特茅斯学院召开一场头脑风暴式的研讨会。这场研讨会被称为“达特茅斯夏季人工智能研究会议”。参加会议的除了以上这4位，还有6位年轻的科学家。
这次研讨会讨论了当时计算机科学领域尚未解决的一些问题，包括人工智能、自然语言处理和神经网络等。
尽管除了“逻辑理论家”和α-β搜索法等成果，这些绝顶聪明的科学家在经历了长达一个月的头脑风暴后并没有产生其他历史性的突破，但他们提出了“人工智能”这一概念，推动其成为计算机科学中的一门学科，并在以后大放异彩。
值得一提的是，这次研讨会的出席者几乎囊括了当时全球人工智能领域的主要人物。在随后的20年里，人工智能这个舞台基本被这些人物和他们在麻省理工、卡内基-梅隆、斯坦福等大学和IBM等企业中的同事们所占据。1.2 寒冬与热潮交替，人工智能发展的起伏
自1956年达特茅斯会议到2019年，人工智能已走过63年的发展历程，但其发展并非一帆风顺，而是几经起落。在这起起伏伏的巨浪中航行与求索，只有AI相关从业者才能真切了解其中况味——浪潮期的荣耀与机会和寒冬期的低落与困境。
1.2.1 回望图灵奖背后的坎坷
2019年3月27日，ACM公布了2018年图灵奖获得者，即深度学习三巨头——约书亚·本吉奥（Yoshua Bengio）、杰弗里·辛顿[3]（Geoffrey Hinton）和杨立昆（Yann LeCun）。这三位获奖者在业内被称为“当代人工智能教父”，他们开创了深度神经网络（Deep Neural Network，示意图见图1.3）这个技术领域。这项关键的计算机工程技术，为深度学习算法的发展和应用奠定了基础。三位获奖者的介绍如下。图1.3 深度神经网络示意图（Evannovostro/Shutterstock.com）
● 约书亚·本吉奥，55岁，加拿大蒙特利尔大学教授，魁北克人工智能研究所的科学主管（Scientific Director）；
● 杰弗里·辛顿，72岁，谷歌公司副总裁和工程会士（Engineering Fellow），加拿大Vector人工智能研究院首席科学顾问，多伦多大学名誉教授；
● 杨立昆，59岁，纽约大学教授，脸书公司（Facebook）副总裁兼首席AI科学家。
深度学习三巨头获得计算机界最高殊荣的背后，是一段经历了寒冬的艰辛之路，也是相关学者在人工智能学术道路上数十年来执着前行、永不言弃的时代缩影。
20世纪80年代，杰弗里·辛顿等人坐了若干年的冷板凳，直到21世纪AI的再度爆发才得以扬眉吐气。在这次浪潮中，杰弗里·辛顿提出新的神经网络模型“胶囊网络”（Capsule Network），试图找到解决深度学习缺陷的新方法。这位七旬老人熬过了AI最寒冷的冬天，并且认定下一个冬天不会到来。
辛顿早年的科研之路可谓坎坷至极。1973年，辛顿进入爱丁堡大学研究生院，师从克里斯托弗·龙格-希金斯（Christopher LonguetHiggins）学习人工智能。当时正值人工智能的寒冬期，神经网络也受到了学术界轻视。
克里斯托弗是著名的理论化学家和认知科学家，曾培养出诺贝尔奖获得者。在辛顿师从克里斯托弗学习人工智能期间，其与导师的理念不尽相同：克里斯托弗坚持传统的逻辑人工智能理念，而辛顿则坚信基于神经元理论的神经网络一定是未来的发展方向。“我的研究生生涯充满了坎坷，每周我们都会有一场争吵。”辛顿后来回忆，他一直在和导师做“交易”:“让我再做6个月的神经网络，我会向你证明它们是有效的。”但在6个月结束的时候，辛顿又说：“再给我6个月”，之后又说“再给我5年时间”。终于在20世纪80年代，辛顿成功了。
1986年，辛顿等人完成著名的论文《反向传播学习实验》（Experiments on Learning by Back Propagation），提出了影响后世人工智能发展的新神经网络方法。
不过，当时既没有足够的数据，也没有足够的计算能力，导致神经网络无法进行大规模训练，学术界和产业界对辛顿的神经网络依旧不感兴趣。辛顿参加学术会议时，经常坐在房间的角落里，得不到当时学术界大咖的垂青。
2012年，辛顿和他的两名学生发表论文，提出了深度卷积神经网络模型AlexNet，并在当年的ImageNet大规模图像识别竞赛中获得冠军。后来辛顿加入“谷歌大脑”,AlexNet也成为图像识别中最经典的模型之一，在产业界得到普遍应用。
更值得纪念的是，2015年，杰弗里·辛顿、杨立昆、约书亚·本吉奥这三位深度学习巨头在《自然》（Nature）杂志上共同发表了一篇名为《深度学习》（Deep Learning）的综述文章，讲述了深度学习为传统机器学习带来的变革，树立了人工智能在学术界的崭新丰碑。
辛顿等人所经历的坎坷，只是人工智能两落三起的一个缩影，让我们来回顾一下这段历史。
1.2.2 人工智能的第一次发展浪潮
1956年达特茅斯会议之后，人工智能迎来了第一次发展浪潮。在这之后的十余年间，计算机被广泛应用于数学和自然语言领域。研究者们在定理证明、人机对话方面做了一些工作，并进行了一些机器翻译的尝试。其中，1960年华裔美国数理逻辑学家王浩提出的命题逻辑的机器定理证明新算法，证明了集合论中的300多条定理。1957年，康奈尔大学的实验心理学家弗兰克·罗森布拉特（Frank Rosenblatt）发明并模拟实现了一种他称为“感知机”的神经网络模型，该模型可以完成一些简单的视觉处理任务，这在当时引起了轰动。
这些工作成果让很多研究学者看到了机器向人工智能发展的信心。当时甚至有很多学者认为：“20年内，机器将能完成人类能做到的一切。”但这一波浪潮本身都没有持续20年。
1.2.3 人工智能第一次低谷
20世纪70年代，第一波人工智能热潮逐渐退去，发展遭遇瓶颈。受技术发展的制约，当时的人工智能主要面临计算机性能不足、无法应对高复杂性问题以及数据量严重不足这三大瓶颈，因此无法解决任何实际的人工智能问题。此前，研究者们对人工智能的期待是具有人类儿童水平的认知，但在当时来讲，这一要求实在太高了。
由于缺乏技术突破，此前对人工智能研究项目提供资助的机构也逐渐停止相关资助。美国国家研究委员会（National Research Council, NRC）当时也对方向不明朗的AI研究感到失望，在拨款2000万美元后停止了资助。这种情况不只发生在美国，1973年，针对没有太多亮眼成绩的英国人工智能研究状况，著名数学家詹姆斯·莱特希尔（James Lighthill）也批评AI并未实现“宏伟目标”。现在我们通[4]常认为1976年到1982年是人工智能的第一次低谷期。
1.2.4 人工智能迎来第二次发展浪潮
1980年，卡内基-梅隆大学为数字设备公司（Digital Equipment Corporation,DEC）设计了一套名为XCON的“专家系统”，它标志着人工智能迎来了第二次发展浪潮。XCON是一种采用人工智能程序的系统，可以简单理解为“知识库+推理机”的组合，是一套整合了当时DEC计算机配置方面专业知识的计算机智能系统。XCON可以按照订单需求自动选取DEC公司VAX系列计算机的零部件。这套系统在1986年之前每年能为DEC公司节省至少几百万美元的经费。
得益于该商业模式的成功，Symbolics、Lisp Machines、IntelliCorp、Aion等公司涌现了出来。在第二次人工智能浪潮期间，仅专家系统产业的价值就高达5亿美元。商业模式之外，国际竞争更是加速了专家系统的发展。1981年，日本在经过为期两年的广泛调查之后，决定投资1000亿日元，实施为期十年的“第五代计算机技术开发计划”，设想中的第五代计算机（五代机）将能够进行智能信息处理。日本的勃勃雄心给美国的计算机技术霸主地位带来了压力。美国国防部高级研究计划局（Defense Advanced Research Projects Agency, DARPA）也于1982年提出用10亿美元预算研究五代机。英国不甘落后，政府联合企业筹资逾5亿美元，于1983年开始实施第五代计算机的研究计划。苏联也成立了“计算机工程国际委员会”开发五代机。专家系统一时风光无限。
1.2.5 人工智能第二次低谷
不幸的是，这段繁荣并未持续太久，仅仅维持了7年，人工智能就陷入了第二次低谷，而这次低谷可以被称作“AI之冬”，也正是这次“冬天”让“深度学习技术之父”——辛顿等知名学者坐了数年冷板凳。“AI之冬”一词是经历过1974年经费削减的研究者们提出的。当时他们注意到了人们对专家系统的狂热追捧，预言不久后人们将转向失望。事实被他们不幸言中，专家系统的实用性仅仅局限于某些特定情景。
到了20世纪80年代后期，DARPA的下属机构战略计算促进会（Strategic Computing Initiative）大幅削减对AI的资助。DARPA的新任领导认为AI并非“下一个浪潮”，拨款转为倾向于那些看起来更容易出成果的项目。另外，在技术方面，到1987年，苹果公司和IBM公司生产的个人计算机性能都超过了Symbolics等厂商生产的通用计算机。从此，专家系统风光不再。
1.2.6 人工智能重装上阵
20世纪90年代中期开始，随着AI技术，尤其是神经网络技术的逐步发展，以及人们对AI开始抱有客观理性的认知，人工智能技术进入了一个复苏期。1997年5月11日，IBM公司的计算机系统“深蓝”战胜了国际象棋世界冠军卡斯帕罗夫，又一次在公众领域引发了现象级的AI话题讨论。这是人工智能发展的一个重要里程碑。
2006年，辛顿在神经网络的深度学习领域取得突破，这是标志性的技术进步，人类又一次看到了机器在某些方面赶超人类的希望。
深度学习算法的迭代更新，加上近些年来全球数据爆发式的增长，以及计算能力的大幅提升，人工智能在全球范围内迎来了波澜壮阔的第三次浪潮。这一次人工智能浪潮与前两次浪潮有着明显的不同。基于大数据和强大计算能力的机器学习算法已经在计算机视觉、语音识别、自然语言处理等一系列领域中取得了前所未有的重大突破，基于人工智能技术的应用也开始走进千家万户。
人工智能技术开始大幅跨越科学与应用之间的“技术鸿沟”，图像分类、语音识别、知识问答、人机对弈、自动驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来了爆发式增长的新高潮。
昔日的冷板凳，终于被辛顿这样的人工智能拓荒者和耕耘者数十年如一日的执着追求“焐”热，而这种热度一旦超越某个界限就不会再轻易冷却。1.3 中国人工智能的艰难起航
文艺复兴和启蒙运动以来，自然科学领域经历了跨世纪的系统发展。率先完成工业革命和电气化革命的西方世界发展出人工智能，是历史的必然。而1949年在积贫积弱的基础上建立起来的新中国，要迅速跟上西方的脚步是不可能的。但就是在这样的历史条件下，一批批科技、教育等领域的探索者们凭借对科学如饥似渴的好奇、虚怀若谷的学习精神，以及坚持不懈的努力，为中国人工智能的发展打下了基础。
1.3.1 艰难起步
从“图灵测试”提出到第一次人工智能浪潮退去，西方在人工智能领域的探索已经完成一个阶段，可以登堂入室。而我国一方面受新中国成立初期在经济、工业和教育等方方面面力量有限的制约，另一方面受苏联批判人工智能和控制论（Cybernetics）的影响，整个20世纪50年代几乎没有开展人工智能研究。一直到20世纪70年代，我国人工智能研究仍处在几乎停滞的状态。
1978年3月，全国科学大会在北京召开，邓小平同志发表重要讲话，指出“科学技术是生产力”。此次大会提出了“向科学技术现代化进军”的战略决策，打开了解放思想的先河，迎来了中国科技事业的春天，人工智能领域也得以迈开前进的步伐。就是在这次大会上，吴文俊（见图1.4）1977年提出的几何定理机器证明“吴方法”，获得了1978年全国科学大会奖，这是中国人工智能发展史上里程碑式的成就。图1.4 吴文俊工作照（图片来源：中国科学院数学机械化重点实验室）
由此，中国的人工智能研究艰难起步了，一些基础性的工作得以开展。除了吴文俊的成果，在1978年召开的中国自动化学会年会上，还报告了光学文字识别系统、手写体数字识别、生物控制论和模糊集合等研究成果。中科院院士、现任清华大学人工智能研究院院长的张钹，在1978年参与创建了清华大学的“人工智能与智能控制”研究方向。
改革开放后，自1980年起中国派遣大批留学生赴国外研究现代科技，学习科技新成果，其中就包括人工智能和模式识别等学科领域。这些人工智能领域的“海归”专家，后来成为中国人工智能研究与开发应用的学术带头人和中坚力量，为发展中国人工智能做出了举足轻重的贡献。也正是从1980年起，在时任吉林大学计算机系主任的学部委员（院士）王湘浩的倡导与组织下，全国高校人工智能研讨会研究班成为国内最早举办的人工智能学术研讨活动，自1980年起每年举行一次。
1981年9月，中国人工智能学会（Chinese Association for Artificial Intelligence , CAAI）在长沙成立，时任中国科学院应用数学研究所副所长、负责完成中国第一颗原子弹和第一颗氢弹威力计算工作的秦元勋当选CAAI第一任理事长。1982年，中国人工智能学会会刊《人工智能学报》在长沙创刊，成为国内首份人工智能学术刊物。
这一时期内，中国的人工智能研究尚处于起步阶段。
1.3.2 稳步发展
1984年2月，邓小平同志在上海观看儿童与计算机下棋时，指示“计算机普及要从娃娃抓起”。此后，中国的人工智能也随着自动化、计算机等学科的发展渐渐走上比较平稳的发展道路。
1984年，国防科工委召开了全国智能计算机及其系统学术讨论会。1986年起，智能计算机系统、智能机器人和智能信息处理等重大项目被列入了国家高技术研究发展计划（863计划）。而中国计算机学会的人工智能与模式识别专业委员会也于1986年在山西大学成立，其前身是王湘浩先生创建的人工智能学组。同年，清华大学校务委员会经过三次讨论后，决定同意在清华大学出版社出版中南工业大学（现中南大学）蔡自兴的著作《人工智能及其应用》，这是国内首部具有自主知识产权的人工智能专著。
1989年，《模式识别与人工智能》杂志创刊。1989年，第一届中国人工智能联合会议召开。自1993年起，智能控制和智能自动化等项目被列入国家科技攀登计划。
科学研究方面，首个“吴文俊人工智能最高成就奖”获得者、中科院院士陆汝钤于1985年在国际上率先研究异构型分布式人工智能，把机器辩论引入人工智能。1983年，张钹在国际人工智能联合会议（International Joint Conference on Artificial Intelligence, IJCAI）上发表了该会议第一篇来自中国学者的文章。进入20世纪90年代后，张钹和张铃的专著《问题求解理论及应用》先后在国内外出版，引起了国际学术界的重视。
在此期间深入耕耘人工智能的学者中，陆汝钤在科技项目上比较高产。在中科院数学研究所（现中国科学院数学与系统科学研究院的前身之一）供职期间，他在知识工程领域做了比较深入的研究，设计并主持研制了知识工程语言TUILI，并将其很好地应用于当时的反常气象预报。此外，陆汝钤还主持了国家“七五”攻关课题项目“天马”系统。该系统是集成多种技术和工具的大型专家系统开发环境，也是当时国内最大的专家系统开发工具包。1990年后，陆汝钤除了在知识的自动获取和知识系统的自动开发方面做了大量工作，还研究并主持实现了一套全过程计算机辅助动画生成技术，开发出动画自动生成软件《天鹅》，在艺术创造领域引入了人工智能。而蔡自兴等人提出并发展了基于专家系统的机器人规划机理与方法，实现了专家系统与机器人技术的结合。
在国民经济各领域的专家系统应用中，农业走在了前列。中科院合肥智能机械研究所1981年派到美国马里兰大学访问学习的熊范纶在回国后，选择了农业作为专家系统应用的突破口。熊范纶在极其艰苦的条件下，几乎从零起步，克服种种困难，主持研发出了“砂姜黑土小麦施肥计算机专家咨询系统”。该系统在1985年通过验收并在1990年被国家表彰为国家“七五”科技攻关重大成果。熊范纶也是第一个被国际自动控制联合会（International Federation of Automatic Control, IFAC）评为会士（Fellow）的中国学者。
从1984年前后到20世纪90年代后期，中国人工智能的学科已经基本形成，科学研究取得了一定的成绩，专家系统等人工智能技术走进了工农业生产，带来了可观的经济效益。
或许是因为没有经历前述发达国家疯狂投入五代机研制失败而导致的失望，我国人工智能界并没有对专家系统骤踩刹车，而是让其随着经济社会的发展和相关学科的进步，在人工智能领域继续前行，积蓄力量。1.4 人工智能大航海时代的中国力量
1998年，香港挺过了亚洲金融危机，我国的GDP跨过了1万亿美元的门槛，位居世界第七。这一年，联想公司的第100万台计算机下线。1997年用“深蓝”计算机打败了国际象棋世界冠军的IBM公司，1998年其旗下的个人计算机在中国的出货量已经被联想超越。在全球IT巨头眼中，中国成为必争之地，IBM、英特尔、戴尔和甲骨文等当时举足轻重的IT企业，其高管纷纷来访。
1998年，中国报考大学的人数达到320万人，比1997年增长近11.89%；研究生报考人数达到了27.4万人，比1997年增长了13.1%。除了市场机会，中国的人才优势也逐渐为世界所瞩目。同年9月15日超越通用电气成为全球市值最高公司的微软，在北京成立了微软中国研究院（2001年升格为微软亚洲研究院，简称亚研院）。在此后中国人工智能的发展中，有很多重要的事件、组织和人物都与微软亚洲研究院密切相关。同年英特尔公司也在北京成立了研究中心。可以说，到1998年，中国在经济、市场、人才、对外交流等方面基本都为人工智能的发展做好了继续前行的准备。
人工智能技术的突破，让人类社会再次跨入一个学术、产业协同的科技大航海时代。这次，中国也已整装待发，要向着“智能+”的新大陆起航。
进入21世纪，尤其是在人工智能进入第三次浪潮后，中国经济社会也走到了历史发展的重要关口——随着人口结构的变化，中国需要未雨绸缪、寻找人口红利之外的强劲增长引擎。这时借助人工智能提升生产力早已看得见摸得着，赋能各个产业，从而帮助中国实现经济继续腾飞的目标这一希望，被寄托在了人工智能上。
不管是由于科研、市场和人才推进，国家发展需要还是产业需求驱动，中国已逐渐成为全球人工智能的发展中心之一。那么人工智能在中国的软硬件建设如何，中国距离成为真正的人工智能强国到底还有多远呢？
1.4.1 中国的人工智能学术研究和人才培养
从人工智能的发展历程可知，学术成果与技术突破是推动人工智能发展的基石。而中国并非一开始就是全球人工智能学术及产业领域的探索者和领导者，尤其在前期的学术研究与技术突破方面并未占据优势，甚至有所缺失。相比发达国家，我国在人工智能研究人员和高校相关人才培养方面的起步也比较晚。
近年来，中国人工智能学术界一直在不断追赶，论文数量飞速增加，质量进步也较快，对全球人工智能领域的贡献逐渐增多。除了数量持续上升，自2008年起，中国论文引用指标也呈现持续上升趋势。
2019年5月24日，《中国新一代人工智能发展报告2019》（以下简称“报告2019”）在浦江创新论坛上发布。“报告2019”指出，2013—2018年，全球人工智能领域的论文文献产出共30.5万篇，其中，中国发表7.4万篇，美国发表5.2万篇。“报告2019”认为，人工智能正在由学术界驱动转向由学术界和产业界共同驱动，需要产学研协同创新。然而，从数据上看，中国人工智能校企合作论文比例与美国、以色列等国家相比还有较大差距，人工智能学术研究仍以高校和研究院所为主，与企业的结合程度较弱。高校和科研机构的科研成果与企业的实际需求结合也不够紧密，企业在科研项目中的参与程度较低，真正以市场为导向、产学研协同开展的人工智能科研活动仍有待加强。
而根据2018年12月发布的，由来自哈佛大学、麻省理工学院、斯坦福大学、OpenAI及AI产业联盟的专家学者组成的AI Index小组撰写的《AI指数2018年度报告》（AI Index 2018 Annul Report）,2016年中国作者AI论文的被引用率比2000年高出了44%。当然，美国在这方面表现更加突出，美国作者AI论文的被引用率要比世界平均水平高83%。根据“报告2019”，在前1%高被引论文数量国家分布上，美国以1345篇位列第一，中国以1166篇位列第二。在前100篇高被引论文数量国家分布上，美国、英国和中国占据前三名。《AI指数2018年度报告》还指出，从2007年到2017年，在中国由政府主导的AI论文数量增长了400%，由企业主导的AI论文数量增长了73%，而美国2017年由企业主导的AI论文数量是中国的6.6倍。
简而言之，人工智能学术方面，虽然中国在发表论文的数量上已经占据优势，但论文影响力仍有很大提升空间。在夏威夷召开的人工[5]智能顶级学术会议AAAI2019也印证了这一点。
据统计，AAAI 2019的中国作者论文投稿数量共计2419篇，位居第一，在数量上已经接近第二名的两倍。同时，中国被接收论文的数量也是第一（共计382篇），比排名第二的美国多了118篇。相比之下，美国论文投稿总数和接收总数均为全球第二，论文录取率则以20.6%排名第四，综合实力领先；而中国论文投稿数量和接收数量虽然占有很大优势，但论文录取率仅为15.8%。
另外，在AI人才投入方面，中国尚处于积累阶段。根据清华大学2018年7月发布的《中国人工智能发展报告2018》，截至2017年，中[6]国的国际人工智能人才 投入量达到18 232人，占世界总量的8.9%，仅次于美国的13.9%。高校和科研机构是人工智能人才的主要载体，清华大学和中国科学院成为全球人工智能人才投入量最大的机构。但[7]是，我国的杰出人工智能人才 仅有977人，不及美国的五分之一，排名世界第六。
中国政府及高校、科研院所已经开始采取措施，为未来中国人工智能发展进行多层次人才储备。2018年1月，教育部召开发布会，将人工智能、物联网、大数据处理正式划入高中新课标。2018年4月，我国第一本面向高中学生的人工智能教材——《人工智能基础（高中版）》正式出版。
2019年3月，教育部印发通知，公布了2018年度普通高等学校本科专业备案和审批结果。人工智能专业被列入新增审批本科专业名单，全国共有35所高校获首批建设资格。除了人工智能本科专业外，也有不少高校获批设立“机器人工程”“数据科学与大数据技术”“大数据管理与应用”等相关专业。
人工智能企业也正通过与研究型大学共建联合实验室、研究院、研究中心等方式加速人工智能产学研一体化和高水平人才成长。
这方面一个生动的例子就来自微软亚洲研究院。亚研院心态开放，与中国高校和科研机构广泛建立合作伙伴关系，开展高水平合作研究。截至2019年中，亚研院已经与国内10所一流大学建立了联合实验室，其中8个已通过教育部审批，并被纳入“教育部重点实验室”管理体系；同时已经支持300余项高等教育教学内容与课程体系改革项目，惠及中国200余所高校的数千万师生。2019年年初，微软因长期对中国教育界的卓越贡献，连续第13年荣获教育部最佳合作伙伴奖。
学术方面，截至2019年中微软亚洲研究院已公开发表论文5000余篇，50多篇荣获高水平会议或期刊“最佳论文奖”。微软AI发力点是联合公司内部产学研力量，从基础设施（云计算）、服务（语音、语言等）、应用（Office）和媒介四大方向发力，亚研院贡献了极大的研究力量，计算机视觉、机器阅读理解、机器翻译等是其主攻方向，下面是近年该院的几项突出成果。
● 2018年，亚研院参与开发的机器翻译系统，在通用新闻报道测试集newstest2017的中-英测试集上达到可与人类媲美的水平，成为首个在新闻报道翻译质量上可比肩人类的翻译系统；
● 2018年，亚研院开发的系统在斯坦福大学发起的文本理解挑战赛SQuAD中，取得了单轮问答媲美人类成绩的突破，这是计算机首次全面超越人类在SQuAD数据集上的表现；
● 2019年4月，亚研院在WMT 2019国际机器翻译大赛中以八项第一成为冠军。
更重要的是，在将技术转化为产品的过程中，微软的智能云Azure、Office 365、微软小冰、必应搜索、HoloLens等多款产品都用到了亚研院的研究成果。
从人才培养成果来看，亚研院7000多位院友中，超过55位获得IEEE会士、ACM会士、千人计划等荣誉；超过110位参与创业，其中一部分担任中国大型互联网企业的CEO、CTO等重要职务，还有一部分创立了知名独角兽公司；超过200位院友在顶尖高校执教。另外，来自清华大学、北京大学、上海交通大学、中国科学技术大学（以下简称中科大）等300多所高校和科研机构的6000多名学生曾在亚研院实习，其中很多人凭借实习成果在国际学术期刊和会议上发表了论文。这种与学术界、产业界均紧密联系的方式，非常有利于人才的培养和集聚，也有利于创新环境的构建。很多微软亚研院培养出来的人才，已经成为当今人工智能学术界以及产业界创新发展的中坚力量，为该院赢得了“IT界黄埔军校”“人工智能界黄埔军校”的赞誉。
1.4.2 中国的人工智能企业和技术开发及应用
从企业层面来看，中国AI企业要想走到世界前列，需要极其强大的技术支撑，同时，当前的市场环境是否能提供其成长需要的“沃土”也很重要。
中国AI企业目前已取得了若干技术研发上的突破，涌现出了一批有相当实力的人工智能企业，如芯片领域有华为海思、寒武纪等企业，算法和综合领域有百度、腾讯、阿里巴巴等企业，智能语音领域有百度、科大讯飞等企业，计算机视觉领域有商汤科技、旷视科技等企业。越来越多的高科技企业涉足AI领域，到目前为止，中国已初步建立了完整的人工智能产业链。其中，华为的手机芯片在某些方面世界领先，麒麟980芯片是全球第一块7nm工艺制程SoC（System on Chip，片上系统），而其巴龙5G01芯片则是全球首款5G商用芯片。2018年，科大讯飞在语音合成、语音识别、机器翻译和图像识别等领域赢得了12项国际权威赛事的桂冠。
中国人工智能企业在技术上虽然已拥有位居世界前沿的成绩，但相比国际科技巨头，研发投入仍相对较少。
2019年1月，欧盟委员会发布《2018年欧盟工业研发投资排名》（The 2018 EU Industrial R&D Investment Scoreboard），对全球46个国家和地区的2500家公司在2017—2018年度的研发投入情况进行了汇总。
全球研发投资排名第一的是三星，第二是谷歌母公司Alphabet，第三是大众。唯一进入前十的中国公司是华为，排名第五，超过了苹果和英特尔，并且超过了“BAT”的总和。但榜单前五十仅有华为一家中国公司上榜。
在2500家公司总计7364亿欧元的研发投入中，来自中国公司的占比仅为9.7%，排名低于美国（37.2%）、欧盟（27.2%）、日本（13.6%）。可见中国公司的研发投入仍然偏低，增长潜力巨大。
尽管美国是全球人工智能学术与产业的探索者和领导者，但中国在市场环境上却有着得天独厚的优势。人工智能实现应用落地的关键是速度、执行、产品质量、数据和政府支持，在这些方面，中国企业不输美国。
人工智能应用的普及、相关产业的推广规模与速度在较大程度上由企业所在国家的市场潜力决定。中国庞大的消费市场是发展人工智能的核心竞争力之一。在2016世界人工智能大会上，笔者所创立的新智元平台正式发布《中国人工智能产业发展报告》，分为产业篇、技术篇和应用热点篇等部分，为当时中国人工智能的发展描绘了清晰的全景图。安信证券在2017年6月30日发布的报告《人工智能：产业已至，趋势向前》中指出，在市场规模上，中国人工智能产业具有四大特点：第一，传统企业的软件应用基础薄弱，若引入人工智能则可实现跨代升级；第二，Al应用基础薄弱，工业偏向流水线程度较高的劳动密集型行业，这些行业都非常需要人工智能；第三，人口和产业众多，足以消化人工智能各个领域的细分市场；第四，庞大的市场有充足的数据来训练人工智能。
从以上四点来看，中国的人工智能产业在数据资源和应用场景方面都占有很大优势。
在数据资源上，安信证券指出，中国庞大的人口基数和广泛的互联网覆盖提供了任何国家都难以企及的数据量优势。在数据训练方面，中国可以以较低的数据标注成本快速培训大量人才进行数据标注工作。
在应用场景上，中国巨大的消费市场可以促使细分领域获得足够的成长，人工智能可应用于智慧金融、智慧医疗、智慧教育、无人驾驶、机器人、智能家居、智慧农业、休闲娱乐等细分领域。在中国巨大的市场规模下，人工智能细分行业目前仍处于蓝海态势，企业有足够的成长空间。
中国庞大的消费市场为人工智能产业提供了海量的数据和应用场景，市场反哺也有望加快人工智能的升级迭代。
2019年5月，互联网数据中心（Internet Data Center,IDC）最新发布的《中国人工智能软件及应用（2018下半年）跟踪》报告显示， 2018年中国人工智能市场规模达17.6亿美元，2023年将达到119亿美元。2018年中国人工智能解决方案已经占到全球市场的9%。
但具体到落地层面，中国市场与发达国家市场仍有较大差距：中国市场目前以单点技术的单点任务型应用为主，而发达国家市场更为看重实现某一事件或者某一流程的自动化，如自动驾驶技术。
若想在中长期取得人工智能竞争的真正胜利，中国市场需要从数据资源开始就做好充分准备，从底层基础硬件到上层应用软件，从技术创新到产品生产再到应用部署等各个环节均需苦练内功，上中下游产业也需要紧密合作，以应对多变复杂的市场环境，真正利用人工智能赋能企业、造福社会。在当前人工智能的技术革命和国际竞赛中，谁先取得技术优势地位，谁就将拥有先发竞争优势。
1.4.3 以奋斗迎接挑战
中国之所以能在人工智能第三次浪潮期取得一定的成果，迈入发展较好的国家行列，离不开该领域中无数专家几十年如一日的奋斗和心血（如1.3节所述）。笔者过去5年也亲自见证了这场“马拉松赛跑”中许多人的奋斗历程，“中国智能车未来挑战赛”就是其中一个缩影。
2014年的“中国智能车未来挑战赛”是当时中国智能车领域最高级别的赛事。笔者在江苏常熟的挑战赛现场亲耳听挑战赛的总裁判长王飞跃教授描述了他经历过的惊险场景：一辆参赛的无人车，在终点撞倒了一排树，而且，还接着撞到一位常熟市科技局的干部——所幸没有撞伤。（大概是因为无人车比赛限速每小时40千米，一旦超速就罚100分，时速超过45千米就立即罚下赛场，在抵达终点时也会减速的缘故。）
而笔者也目睹在场的科研人员，包括年届七旬的中国工程院院士李德毅（见图1.5）和小他几岁的中国工程院院士郑南宁，就在现场近距离观察、乘坐，冒着风险追求他们的“智能车”之梦，让人不能不由衷敬佩。而比赛的背后，又有多少次不为人知的试错和失败，才能换来“智能车”技术的进步！
李德毅院士向笔者介绍：智能车挑战赛是国家自然科学基金委的一个项目，国家在十二五期间拨出2亿元经费，调动六七所大学和科研单位在此期间研发无人车，挑战赛则用来进行成果展示。作为国家自然科学基金委员会重大研究计划的重要组成部分，“中国智能车未来挑战赛”创办于2009年，其目的是通过真实物理环境中的比赛来交流和验证我国“视听觉信息的认知计算”研究进展和成果，搭建具有自然环境感知与智能行为决策能力的无人驾驶车辆验证平台，从而产生能满足国家重大需求并具有原创性的重大研究成果。图1.5 王飞跃教授、李德毅院士和中国指挥与控制学会秦继荣秘书长（从左到右）
郑南宁院士在现场告诉笔者，智能车是为人服务的，要想让实验室的研究成果走向真实世界，一定要在真实的交通环境下进行检测。“中国智能车未来挑战赛”第一次比赛的时候，专家们甚至可以跟在车后面走；第二次比赛就是跟在车后面小跑了，大概一小时7千米的速度。他回忆道：第一次比赛只有7辆车，其中一辆是邀请来的国外表演车，国内有两辆还不能动，没有比赛。赛场是酒店的一个场地，外加野外3千米赛道。到2014年的第六届，已经有22个车队参赛，除九宫格城市道路外，综合赛道长达14.5千米。
试读结束[说明：试读内容隐藏了图片]