（）不属于人工智能技术的应用。

免费智能真题库 > 历年试卷 > 信息系统项目管理师 > 2020年下半年信息系统项目管理师上午试卷综合知识

第5题

知识点：最新信息技术发展趋势人工智能人工智能技术

关键词：人工智能章/节：信息化发展与应用

（）不属于人工智能技术的应用。

A. 机器人

B. 自然语言理解

C. 扫码支付

D. 图像识别

相关试题：信息化发展与应用

更多>

第4题 2018年上半年

48%

区块链2.0技术架构自上而下分为数据层、网络层、共识层、激励层、智能合约层，数据传播机制、数据验证机制属于其中的（）。

第1题 2021年下半年

17%

"十四五” 期间，我国关注推动政务信息化共建共用，推动构建网络安全空间命运共同体，属于()建设内容。

第26题 2010年上半年

29%

用于信息系统开发的各类资源总是有限的，当这些有限资源无法同时满足全部应用项目的实施时，就应该对这些应用项目的优先顺序给予..


知识点讲解
· 最新信息技术发展趋势 · 人工智能 · 人工智能技术

最新信息技术发展趋势

在信息系统项目管理师的考试大纲中，对于最新技术发展趋势并无明确要求。但从考题分布来看，从2011年开始考察考生是否关注IT行业的技术发展趋势。概括来说，最新的IT技术发展趋势主要包含以下各个方面。

1．云计算

云是网络、互联网的一种比喻说法。过去在图中往往用云来表示电信网，后来也用来表示互联网和底层基础设施的抽象。云计算（cloud computing）是主机计算到客户端-服务器计算的大转变之后的又一种巨变。云计算的出现并非偶然，早在上世纪60年代，麦卡锡就提出了把计算能力作为一种像水和电一样的公用事业提供给用户的理念，这成为云计算思想的起源。在20世纪80年代网格计算、90年代公用计算，21世纪初虚拟化技术、SOA、SaaS应用的支撑下，云计算作为一种新兴的资源使用和交付模式逐渐为学界和产业界所认知。

云计算具有以下几个主要特征：

.资源配置动态化。根据消费者的需求动态划分或释放不同的物理和虚拟资源，当增加一个需求时，可通过增加可用的资源进行匹配，实现资源的快速弹性提供；如果用户不再使用这部分资源时，可释放这些资源。云计算为客户提供的这种能力是无限的，实现了IT资源利用的可扩展性。

.需求服务自助化。云计算为客户提供自助化的资源服务，用户无需同提供商交互就可自动得到自助的计算资源能力。同时云系统为客户提供一定的应用服务目录，客户可采用自助方式选择满足自身需求的服务项目和内容。

.网络访问便捷化，客户可借助不同的终端设备，通过标准的应用实现对网络访问的可用能力，使对网络的访问无处不在。

.服务可计量化。在提供云服务过程中，针对客户不同的服务类型，通过计量的方法来自动控制和优化资源配置。即资源的使用可被监测和控制，是一种即付即用的服务模式。

.资源的虚拟化。借助于虚拟化技术.将分布在不同地区的计算资源进行整合.实现基础设施资源的共享。

云计算包括以下几个层次的服务：

.IaaS：基础设施即服务

IaaS（Infrastructure-as-a- Service）：基础设施即服务。消费者通过Internet可以从完善的计算机基础设施获得服务。

.PaaS：平台即服务

PaaS（Platform-as-a- Service）：平台即服务。PaaS实际上是指将软件研发的平台作为一种服务，以SaaS的模式提交给用户。因此，PaaS也是SaaS模式的一种应用。但是，PaaS的出现可以加快SaaS的发展，尤其是加快SaaS应用的开发速度。

.SaaS：软件即服务

SaaS（Software-as-a- Service）：软件即服务。它是一种通过Internet提供软件的模式，用户无需购买软件，而是向提供商租用基于Web的软件，来管理企业经营活动。

云计算的主要应用类型包括：

.物联网

物联网就是物物相连的互联网。这有两层含义：第一，物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络；第二，其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信。

物联网的两种业务模式：

1）MAI（M2M Application Integration），内部MaaS；

2）MaaS（M2M As A Service），MMO，Multi-Tenants（多租户模型）。

随着物联网业务量的增加，对数据存储和计算量的需求将带来对云计算能力的要求：

1）云计算：从计算中心到数据中心，属于物联网的初级阶段；

2）在物联网高级阶段，可能出现MVNO/MMO营运商，需要虚拟化云计算技术，例如与SOA等技术相结合实现互联网的广泛服务：TaaS（everyTHING As A Service）。

.云安全

云安全（Cloud Security）是一个从云计算演变而来的新名词。云安全的策略构想是：使用者越多，每个使用者就越安全，因为如此庞大的用户群，足以覆盖互联网的每个角落，只要某个网站被挂马或某个新木马病毒出现，就会立刻被截获。云安全通过网状的大量客户端对网络中软件行为的异常监测，获取互联网中木马、恶意程序的最新信息，推送到Server端进行自动分析和处理，再把病毒和木马的解决方案分发到每一个客户端。

.云存储

云存储是在云计算概念上延伸和发展出来的一个新的概念，是指通过集群应用、网格技术或分布式文件系统等功能，将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能的一个系统。当云计算系统运算和处理的核心是大量数据的存储和管理时，云计算系统中就需要配置大量的存储设备，那么云计算系统就转变成为一个云存储系统，所以云存储是一个以数据存储和管理为核心的云计算系统。

.私有云

私有云（Private Cloud）是将云基础设施与软硬件资源创建在防火墙内，以供机构或企业内各部门共享数据中心内的资源。创建私有云，除了硬件资源外，一般还有云设备（IaaS）软件，对应的商业软件有VMware的vSphere和Platform Computing的ISF，开放源代码的云设备软件主要有Eucalyptus和OpenStack。

.云游戏

云游戏是以云计算为基础的游戏方式，在云游戏的运行模式下，所有游戏都在服务器端运行，并将渲染完毕后的游戏画面压缩后通过网络传送给用户。在客户端，用户的游戏设备不需要任何高端处理器和显卡，只需要基本的视频解压能力就可以了。

.云教育

基于云的流媒体平台采用分布式架构部署，分为Web服务器，数据库服务器、直播服务器和流服务器，如有必要还可在信息中心架设采集工作站搭建网络电视或实况直播应用。

2．物联网

物联网是新一代信息技术的重要组成部分。其英文名称是“The Internet of things”。顾名思义，物联网就是物物相连的互联网。这有两层意思：第一，物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络；第二，其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信。因此，物联网的定义是通过射频识别（RFID）、红外感应器、全球定位系统、激光扫描器等信息传感设备，按约定的协议，将任何物品与互联网相连接，进行信息交换和通信，以实现对物品的智能化识别、定位、跟踪、监控和管理的一种网络。

物联网可以分为以下类型：

.私有物联网：一般面向单一机构内部提供服务；

.公有物联网：基于互联网向公众或大型用户群体提供服务；

.社区物联网：向一个关联的“社区”或机构群体（如一个城市政府下属各个机构等）提供服务；

.混合物联网：是上述的两种或以上的物联网的组合，但后台有统一运维实体。

物联网的技术组成

从技术架构上来看，物联网可分为三层：感知层、网络层和应用层。

感知层由各种传感器以及传感器网关构成，包括二氧化碳浓度传感器、温度传感器、湿度传感器、二维码标签、RFID标签和读写器、摄像头、GPS等感知终端。感知层的作用相当于人的眼耳鼻喉和皮肤等神经末梢，它是物联网识别物体、采集信息的来源，其主要功能是识别物体，采集信息。

网络层由各种私有网络、互联网、有线和无线通信网、网络管理系统和云计算平台等组成，相当于人的神经中枢和大脑，负责传递和处理感知层获取的信息。

应用层是物联网和用户（包括人、组织和其他系统）的接口，它与行业需求结合，实现物联网的智能应用。

物联网应用

物联网作为一种新的技术发展趋势，目前在多个行业已经有所应用，包括绿色农业、工业监控、公共安全、城市管理、远程医疗、智能家居、智能交通和环境监测等各个行业。

3．三网合一

三网融合是指电信网、广播电视网、互联网在向宽带通信网、数字电视网、下一代互联网演进过程中，三大网络通过技术改造，其技术功能趋于一致，业务范围趋于相同，网络互联互通、资源共享，能为用户提供语音、数据和广播电视等多种服务。三合并不意味着三大网络的物理合一，而主要是指高层业务应用的融合。三网融合应用广泛，遍及智能交通、环境保护、政府工作、公共安全、平安家居等多个领域。以后的手机可以看电视、上网，电视可以打电话、上网，电脑也可以打电话、看电视。三者之间相互交叉，形成你中有我、我中有你的格局。

三网融合打破了此前广电在内容输送、电信在宽带运营领域各自的垄断，明确了互相进入的准则——在符合条件的情况下，广电企业可经营增值电信业务、比照增值电信业务管理的基础电信业务、基于有线电网络提供的互联网接入业务等；而国有电信企业在有关部门的监管下，可从事除时政类节目之外的广播电视节目生产制作、互联网视听节目信号传输、转播时政类新闻视听节目服务，IPTV传输服务、手机电视分发服务等。

三网融合所涉及的主要技术

.基础数字技术。数字技术的迅速发展和全面采用，使电话、数据和图像信号都可以通过统一的编码进行传输和交换，所有业务在网络中都将成为统一的“0”或“1”的比特流。所有业务在数字网中都将成为统一的0/1比特流，从而使得话音、数据、声频和视频各种内容（无论其特性如何）都可以通过不同的网络来传输、交换、选路处理和提供，并通过数字终端存储起来或以视觉、听觉的方式呈现在人们的面前。目前，数字技术已经在电信网和计算机网中得到了全面应用，并在广播电视网中迅速发展起来。数字技术的迅速发展和全面采用，使话音、数据和图像信号都通过统一的数字信号编码进行传输和交换，为各种信息的传输、交换、选路和处理奠定了基础。

.宽带技术。宽带技术的主体就是光纤通信技术。网络融合的目的之一是通过一个网络提供统一的业务。若要提供统一业务就必须要有能够支持音视频等各种多媒体（流媒体）业务传送的网络平台。这些业务的特点是业务需求量大、数据量大、服务质量要求较高，因此在传输时一般都需要非常大的带宽。另外，从经济角度来讲，成本也不宜太高。这样，容量巨大且可持续发展的大容量光纤通信技术就成了传输介质的最佳选择。宽带技术特别是光通信技术的发展为传送各种业务信息提供了必要的带宽、传输质量和低成本。作为当代通信领域的支柱技术，光通信技术正以每10年增长100倍的速度发展，具有巨大容量的光纤传输网是“三网”理想的传送平台和未来信息高速公路的主要物理载体。目前，无论是电信网，还是计算机网、广播电视网，大容量光纤通信技术都已经得到了广泛的应用。

.软件技术。软件技术是信息传播网络的神经系统，软件技术的发展，使得三网络及其终端都能通过软件变更最终支持各种用户所需的特性、功能和业务。现代通信设备已成为高度智能化和软件化的产品，今天的软件技术已经具备三网业务和应用融合的实现手段。

.IP技术。内容数字化后，还不能直接承载在通信网络介质之上，还需要通过IP技术在内容与传送介质之间搭起一座桥梁。IP技术（特别是IPv6技术）的产生，满足了在多种物理介质与多样的应用需求之间建立简单而统一的映射需求，可以顺利地对多种业务数据、多种软硬件环境、多种通信协议进行集成、综合、统一，对网络资源进行综合调度和管理，使得各种以IP为基础的业务都能在不同的网络上实现互通。IP协议的普遍采用，使得各种以IP为基础的业务都能在不同的网上实现互通，具体下层基础网络是什么已无关紧要。统一的TCP/IP协议的普遍采用，将使得各种以IP为基础的业务都能在不同的网上实现互通。人类首次具有统一的为三大网都能接受的通信协议，从技术上为三网融合奠定了最坚实的基础.

四网融合

四网融合是三网融合概念的延伸，即在现有的三网融合的基础上加入电网，成为四网融合。

4．下一代网络

下一代网络（Next Generation Network），又称为次世代网络。主要思想是在一个统一的网络平台上以统一管理的方式提供多媒体业务，整合现有的市内固定电话、移动电话的基础上，增加多媒体数据服务及其他增值型服务。其中话音的交换将采用软交换技术，而平台的主要实现方式为IP技术，逐步实现统一通信。其中voip将是下一代网络中的一个重点。为了强调IP技术的重要性，业界的主要公司之一思科公司（Cisco Systems）主张称为IP-NGN。

NGN是一个分组网络，它提供包括电信业务在内的多种业务，能够利用多种带宽和具有QoS能力的传送技术，实现业务功能与底层传送技术的分离；它允许用户对不同业务提供商网络的自由接入，并支持通用移动性，实现用户对业务使用的一致性和统一性。它是以软交换为核心的，能够提供包括语音、数据、视频和多媒体业务的基于分组技术的综合开放的网络架构，代表了通信网络发展的方向。NGN具有分组传送、控制功能从承载、呼叫／会话、应用／业务中分离、业务提供与网络分离、提供开放接口、利用各基本的业务组成模块、提供广泛的业务和应用、端到端QoS和透明的传输能力通过开放的接口规范与传统网络实现互通、通用移动性、允许用户自由地接入不同业务提供商、支持多样标志体系，融合固定与移动业务等特征。

.狭义带网络具备以下的业务特点

.多媒体化：NGN中发展最快的特点将是多媒体特点，同时多媒体特点也是NGN最基本、最明显的特点；

.开放性：NGN网络具有标准的、开放的接口，为用户快速提供多样的定制业务；

.个性化：个性化业务的提供将给未来的运营商带来丰厚的利润；

.虚拟化：虚拟业务将是个人身份、联系方式以至于住所都虚拟化。用户可以使用个人号码，号码可以携带等虚拟业务，实现在任何时候、任何地方的通信；

.智能化：NGN的通信终端具有多样化、智能化的特点，网络业务和终端特性结合起来可以提供更加智能化的业务。

NGN的主要支撑技术

.IPv6

.光纤高速传输

.光交换与智能光网

.宽带接入

.城域网

.软交换

.3G和后3G移动通信系统

.IP终端

.网络安全

5．集成电路

集成电路（IC，Integrated Circuit）是一种微型电子器件或部件。采用一定的工艺，把一个电路中所需的晶体管、二极管、电阻、电容和电感等元件及布线互连一起，制作在一小块或几小块半导体晶片或介质基片上，然后封装在一个管壳内，成为具有所需电路功能的微型结构；其中所有元件在结构上已组成一个整体，使电子元件向着微小型化、低功耗和高可靠性方面迈进了一大步。它在电路中用字母“IC”表示。集成电路发明者为杰克·基尔比（基于硅的集成电路）和罗伯特·诺伊思（基于锗的集成电路）。当今半导体工业大多数应用的是基于硅的集成电路。

集成电路的分类

集成电路按制作工艺可分为半导体集成电路和膜集成电路，膜集成电路又分类厚膜集成电路和薄膜集成电路。

集成电路按集成度高低的不同可分为：

.SSI小规模集成电路（Small Scale Integrated circuits）

.MSI中规模集成电路（Medium Scale Integrated circuits）

.LSI大规模集成电路（Large Scale Integrated circuits）

.VLSI超大规模集成电路（Very Large Scale Integrated circuits）

.ULSI特大规模集成电路（Ultra Large Scale Integrated circuits）

.GSI巨大规模集成电路也被称作极大规模集成电路或超特大规模集成电路（Giga Scale Integration）

MEMS

MEMS是微机电系统（Micro-Electro-Mechanical Systems）的英文缩写。MEMS是美国的叫法，在日本被称为微机械，在欧洲被称为微系统，它是指可批量制作的，集微型机构、微型传感器、微型执行器以及信号处理和控制电路、直至接口、通信和电源等于一体的微型器件或系统。MEMS是随着半导体集成电路微细加工技术和超精密机械加工技术的发展而发展起来的，目前MEMS加工技术还被广泛应用于微流控芯片与合成生物学等领域，从而进行生物化学等实验室技术流程的芯片集成化。

MEMS技术的发展开辟了一个全新的技术领域和产业，采用MEMS技术制作的微传感器、微执行器、微型构件、微机械光学器件、真空微电子器件、电力电子器件等在航空、航天、汽车、生物医学、环境监控、军事以及几乎人们所接触到的所有领域中都有着十分广阔的应用前景。MEMS技术正发展成为一个巨大的产业，就像近20年来微电子产业和计算机产业给人类带来的巨大变化一样，MEMS也正在孕育一场深刻的技术变革并对人类社会产生新一轮的影响。

MEMS的相关技术包括：

.微系统设计技术。主要是微结构设计数据库、有限元和边界分析、CAD/CAM仿真和模拟技术、微系统建模等，还有微小型化的尺寸效应和微小型理论基础研究等课题，如：力的尺寸效应、微结构表面效应、微观摩擦机理、热传导、误差效应和微构件材料性能等。

.微细加工技术。主要指高深度比多层微结构的硅表面加工和体加工技术，利用X射线光刻、电铸的LIGA和利用紫外线的准LIGA加工技术；微结构特种精密加工技术包括微火花加工、能束加工、立体光刻成形加工；特殊材料特别是功能材料微结构的加工技术；多种加工方法的结合；微系统的集成技术；微细加工新工艺探索等。

.微型机械组装和封装技术。主要指粘接材料的粘接、硅玻璃静电封接、硅硅键合技术和自对准组装技术，具有三维可动部件的封装技术、真空封装技术等新封装技术。

.微系统的表征和测试技术主要有结构材料特性测试技术，微小力学、电学等物理量的测量技术，微型器件和微型系统性能的表征和测试技术，微型系统动态特性测试技术，微型器件和微型系统可靠性的测量与评价技术。

人工智能

人工智能技术发展概述

人工智能技术流派发展简析

人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。让机器实现人的智能，一直是人工智能学者不断追求的目标，不同学科背景或应用领域的学者，从不同角度，用不同的方法，沿着不同的途径对智能进行了探索。其中，符号主义、连接主义和行为主义是人工智能发展历史上的三大技术流派。

符号主义又称为逻辑主义，在人工智能早期一直占据主导地位。该学派认为人工智能源于数学逻辑，其实质是模拟人的抽象逻辑思维，用符号描述人类的认知过程。早期的研究思路是通过基本的推断步骤寻求完全解，出现了逻辑理论家和几何定理证明器等。上世纪70年代出现了大量的专家系统，结合了领域知识和逻辑推断，使得人工智能进入了工程应用。PC的出现以及专家系统高昂的成本，使符号学派在人工智能领域的主导地位逐渐被连接主义取代。

连接主义又称为仿生学派，当前占据主导地位。该学派认为人工智能源于仿生学，应以工程技术手段模拟人脑神经系统的结构和功能。连接主义最早可追溯到1943年麦卡洛克和皮茨创立的脑模型，由于受理论模型、生物原型和技术条件的限制，在20世纪70年代陷入低潮。直到1982年霍普菲尔特提出的Hopfield神经网络模型和1986年鲁梅尔哈特等人提出的反向传播算法，使得神经网络的理论研究取得了突破。2006年，连接主义的领军者Hinton提出了深度学习算法，使神经网络的能力大大提高。2012年，使用深度学习技术的AlexNet模型在ImageNet竞赛中获得冠军。

行为主义又称为进化主义，近年来随着AlphaGo取得的突破而受到广泛关注。该学派认为人工智能源于控制论，智能行为的基础是“感知—行动”的反应机制，所以智能无需知识表示，无需推断。智能只是在与环境交互作用中表现出来，需要具有不同的行为模块与环境交互，以此来产生复杂的行为。

在人工智能的发展过程中，符号主义、连接主义和行为主义等流派不仅先后在各自领域取得了成果，各学派也逐渐走向了相互借鉴和融合发展的道路。特别是在行为主义思想中引入连接主义的技术，从而诞生了深度强化学习技术，成为AlphaGo战胜李世石背后最重要的技术手段。

深度学习带动下的人工智能发展

深度学习已经在语音识别、图像识别等领域取得突破。深度学习全称深度神经网络，本质上是多层次的人工神经网络算法，即从结构上模拟人脑的运行机制，从最基本的单元上模拟了人类大脑的运行机制。深度学习已经开始在计算机视觉、语音识别、自然语言理解等领域取得了突破。在语音识别领域，2010年，使用深度神经网络模型的语音识别相对传统混合高斯模型识别错误率降低超过20%，目前所有的商用语音识别算法都基于深度学习。在图像分类领域，目前针对ImageNet数据集的算法分类精度已经达到了95%以上，可以与人的分辨能力相当。深度学习在人脸识别、通用物体检测、图像语义分割、自然语言理解等领域也取得了突破性的进展。

海量的数据和高效的算力支撑是深度学习算法实现的基础。深度学习分为训练（training）和推断（inference）两个环节。训练需要海量数据输入，训练出一个复杂的深度神经网络模型。推断指利用训练好的模型，使用待判断的数据去“推断”得出各种结论。大数据时代的到来，图形处理器（Graphics Processing Unit，GPU）等各种更加强大的计算设备的发展，使得深度学习可以充分利用海量数据（标注数据、弱标注数据或无标注数据），自动地学习到抽象的知识表达，即把原始数据浓缩成某种知识。当前基于深度学习的人工智能技术架构如下图所示。

基于深度学习的人工智能技术应用架构图

人工智能技术

人工智能关键技术

机器学习

机器学习（Machine Learning）是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。根据学习模式、学习方法以及算法的不同，机器学习存在不同的分类方法。

根据学习模式将机器学习分类为监督学习、无监督学习和强化学习等。

（1）监督学习。监督学习是利用已标记的有限训练数据集，通过某种学习策略／方法建立一个模型，实现对新数据／实例的标记（分类）／映射，最典型的监督学习算法包括回归和分类。监督学习要求训练样本的分类标签已知，分类标签精确度越高，样本越具有代表性，学习模型的准确度越高。监督学习在自然语言处理、信息检索、文本挖掘、手写体辨识、垃圾邮件侦测等领域获得了广泛应用。

（2）无监督学习。无监督学习是利用无标记的有限数据描述隐藏在未标记数据中的结构／规律，最典型的无监督学习算法包括单类密度估计、单类数据降维、聚类等。无监督学习不需要训练样本和人工标注数据，便于压缩数据存储、减少计算量、提升算法速度，还可以避免正、负样本偏移引起的分类错误问题。主要用于经济预测、异常检测、数据挖掘、图像处理、模式识别等领域，例如组织大型计算机集群、社交网络分析、市场分割、天文数据分析等。

（3）强化学习。强化学习是智能系统从环境到行为映射的学习，以使强化信号函数值最大。由于外部环境提供的信息很少，强化学习系统必须靠自身的经历进行学习。强化学习的目标是学习从环境状态到行为的映射，使得智能体选择的行为能够获得环境最大的奖赏，使得外部环境对学习系统在某种意义下的评价为最佳。其在机器人控制、无人驾驶、下棋、工业控制等领域获得成功应用。

根据学习方法可以将机器学习分为传统机器学习和深度学习。

（1）传统机器学习。传统机器学习从一些观测（训练）样本出发，试图发现不能通过原理分析获得的规律，实现对未来数据行为或趋势的准确预测。相关算法包括逻辑回归、隐马尔科夫方法、支持向量机方法、K近邻方法、三层人工神经网络方法、Adaboost算法、贝叶斯方法以及决策树方法等。传统机器学习平衡了学习结果的有效性与学习模型的可解释性，为解决有限样本的学习问题提供了一种框架，主要用于有限样本情况下的模式分类、回归分析、概率密度估计等。传统机器学习方法共同的重要理论基础之一是统计学，在自然语言处理、语音识别、图像识别、信息检索和生物信息等许多计算机领域获得了广泛应用。

（2）深度学习。深度学习是建立深层结构模型的学习方法，典型的深度学习算法包括深度置信网络、卷积神经网络、受限玻尔兹曼机和循环神经网络等。深度学习又称为深度神经网络（指层数超过3层的神经网络）。深度学习作为机器学习研究中的一个新兴领域，由Hinton等人于2006年提出。深度学习源于多层神经网络，其实质是给出了一种将特征表示和学习合二为一的方式。深度学习的特点是放弃了可解释性，单纯追求学习的有效性。经过多年的摸索尝试和研究，已经产生了诸多深度神经网络的模型，其中卷积神经网络、循环神经网络是两类典型的模型。卷积神经网络常被应用于空间性分布数据；循环神经网络在神经网络中引入了记忆和反馈，常被应用于时间性分布数据。深度学习框架是进行深度学习的基础底层框架，一般包含主流的神经网络算法模型，提供稳定的深度学习API，支持训练模型在服务器和GPU、TPU间的分布式学习，部分框架还具备在包括移动设备、云平台在内的多种平台上运行的移植能力，从而为深度学习算法带来前所未有的运行速度和实用性。目前主流的开源算法框架有TensorFlow、Caffe/Caffe2、CNTK、MXNet、Paddle-paddle、Torch/PyTorch、Theano等。

此外，机器学习的常见算法还包括迁移学习、主动学习和演化学习等。

（1）迁移学习。迁移学习是指当在某些领域无法取得足够多的数据进行模型训练时，利用另一领域数据获得的关系进行的学习。迁移学习可以把已训练好的模型参数迁移到新的模型指导新模型训练，可以更有效地学习底层规则、减少数据量。目前的迁移学习技术主要在变量有限的小规模应用中使用，如基于传感器网络的定位，文字分类和图像分类等。未来迁移学习将被广泛应用于解决更有挑战性的问题，如视频分类、社交网络分析、逻辑推理等。

（2）主动学习。主动学习通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精度。主动学习能够选择性地获取知识，通过较少的训练样本获得高性能的模型，最常用的策略是通过不确定性准则和差异性准则选取有效的样本。

（3）演化学习。演化学习对优化问题性质要求极少，只需能够评估解的好坏即可，适用于求解复杂的优化问题，也能直接用于多目标优化。演化算法包括粒子群优化算法、多目标演化算法等。目前针对演化学习的研究主要集中在演化数据聚类、对演化数据更有效的分类，以及提供某种自适应机制以确定演化机制的影响等。

知识图谱

知识图谱本质上是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体—关系—实体”三元组，以及实体及其相关“属性—值”对。不同实体之间通过关系相互联结，构成网状的知识结构。在知识图谱中，每个节点表示现实世界的“实体”，每条边为实体与实体之间的“关系”。通俗地讲，知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络，提供了从“关系”的角度去分析问题的能力。

知识图谱可用于反欺诈、不一致性验证、组团欺诈等公共安全保障领域，需要用到异常分析、静态分析、动态分析等数据挖掘方法。特别地，知识图谱在搜索引擎、可视化展示和精准营销方面有很大的优势，已成为业界的热门工具。但是，知识图谱的发展还有很大的挑战，如数据的噪声问题，即数据本身有错误或者数据存在冗余。随着知识图谱应用的不断深入，还有一系列关键技术需要突破。

自然语言处理

自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，涉及的领域较多，主要包括机器翻译、语义理解和问答系统等。

（1）机器翻译。机器翻译技术是指利用计算机技术实现从一种自然语言到另外一种自然语言的翻译过程。基于统计的机器翻译方法突破了之前基于规则和实例翻译方法的局限性，翻译性能取得巨大提升。基于深度神经网络的机器翻译在日常口语等一些场景的成功应用已经显现出了巨大的潜力。随着上下文的语境表征和知识逻辑推理能力的发展，自然语言知识图谱不断扩充，机器翻译将会在多轮对话翻译及篇章翻译等领域取得更大进展。目前非限定领域机器翻译中性能较佳的一种是统计机器翻译，包括训练及解码两个阶段。训练阶段的目标是获得模型参数，解码阶段的目标是利用所估计的参数和给定的优化目标，获取待翻译语句的最佳翻译结果。统计机器翻译主要包括语料预处理、词对齐、短语抽取、短语概率计算、最大熵调序等步骤。基于神经网络的端到端翻译方法不需要针对双语句子专门设计特征模型，而是直接把源语言句子的词串送入神经网络模型，经过神经网络的运算，得到目标语言句子的翻译结果。在基于端到端的机器翻译系统中，通常采用递归神经网络或卷积神经网络对句子进行表征建模，从海量训练数据中抽取语义信息，与基于短语的统计翻译相比，其翻译结果更加流畅自然，在实际应用中取得了较好的效果。

（2）语义理解。语义理解技术是指利用计算机技术实现对文本篇章的理解，并且回答与篇章相关问题的过程。语义理解更注重于对上下文的理解以及对答案精准程度的把控。随着MCTest数据集的发布，语义理解受到更多关注，取得了快速发展，相关数据集和对应的神经网络模型层出不穷。语义理解技术将在智能客服、产品自动问答等相关领域发挥重要作用，进一步提高问答与对话系统的精度。在数据采集方面，语义理解通过自动构造数据方法和自动构造填空型问题的方法来有效扩充数据资源。为了解决填充型问题，一些基于深度学习的方法相继提出，如基于注意力的神经网络方法。当前主流的模型是利用神经网络技术对篇章、问题建模，对答案的开始和终止位置进行预测，抽取出篇章片段。对于进一步泛化的答案，处理难度进一步提升，目前的语义理解技术仍有较大的提升空间。

（3）问答系统。问答系统分为开放领域的对话系统和特定领域的问答系统。问答系统技术是指让计算机像人类一样用自然语言与人交流的技术。人们可以向问答系统提交用自然语言表达的问题，系统会返回关联性较高的答案。尽管问答系统目前已经有了不少应用产品出现，但大多是在实际信息服务系统和智能手机助手等领域中的应用，在问答系统鲁棒性方面仍然存在着问题和挑战。

自然语言处理面临四大挑战：一是在词法、句法、语义、语用和语音等不同层面存在不确定性；二是新的词汇、术语、语义和语法导致未知语言现象的不可预测性；三是数据资源的不充分使其难以覆盖复杂的语言现象；四是语义知识的模糊性和错综复杂的关联性难以用简单的数学模型描述，语义计算需要参数庞大的非线性计算。

人机交互

人机交互主要研究人和计算机之间的信息交换，主要包括人到计算机和计算机到人的两部分信息交换，是人工智能领域的重要的外围技术。人机交互是与认知心理学、人机工程学、多媒体技术、虚拟现实技术等密切相关的综合学科。传统的人与计算机之间的信息交换主要依靠交互设备进行，主要包括键盘、鼠标、操纵杆、数据服装、眼动跟踪器、位置跟踪器、数据手套、压力笔等输入设备，以及打印机、绘图仪、显示器、头盔式显示器、音箱等输出设备。人机交互技术除了传统的基本交互和图形交互外，还包括语音交互、情感交互、体感交互及脑机交互等技术，以下对后四种与人工智能关联密切的典型交互手段进行介绍。

（1）语音交互。语音交互是一种高效的交互方式，是人以自然语音或机器合成语音同计算机进行交互的综合性技术，结合了语言学、心理学、工程和计算机技术等领域的知识。语音交互不仅要对语音识别和语音合成进行研究，还要对人在语音通道下的交互机理、行为方式等进行研究。语音交互过程包括四部分：语音采集、语音识别、语义理解和语音合成。语音采集完成音频的录入、采样及编码；语音识别完成语音信息到机器可识别的文本信息的转化；语义理解根据语音识别转换后的文本字符或命令完成相应的操作；语音合成完成文本信息到声音信息的转换。作为人类沟通和获取信息最自然便捷的手段，语音交互比其他交互方式具备更多优势，能为人机交互带来根本性变革，是大数据和认知计算时代未来发展的制高点，具有广阔的发展前景和应用前景。

（2）情感交互。情感是一种高层次的信息传递，而情感交互是一种交互状态，它在表达功能和信息时传递情感，勾起人们的记忆或内心的情愫。传统的人机交互无法理解和适应人的情绪或心境，缺乏情感理解和表达能力，计算机难以具有类似人一样的智能，也难以通过人机交互做到真正的和谐与自然。情感交互就是要赋予计算机类似于人一样的观察、理解和生成各种情感的能力，最终使计算机像人一样能进行自然、亲切和生动的交互。情感交互已经成为人工智能领域中的热点方向，旨在让人机交互变得更加自然。目前，在情感交互信息的处理方式、情感描述方式、情感数据获取和处理过程、情感表达方式等方面还有诸多技术挑战。

（3）体感交互。体感交互是个体不需要借助任何复杂的控制系统，以体感技术为基础，直接通过肢体动作与周边数字设备装置和环境进行自然的交互。依照体感方式与原理的不同，体感技术主要分为三类：惯性感测、光学感测以及光学联合感测。体感交互通常由运动追踪、手势识别、运动捕捉、面部表情识别等一系列技术支撑。与其他交互手段相比，体感交互技术无论是硬件还是软件方面都有了较大的提升，交互设备向小型化、便携化、使用方便化等方面发展，大大降低了对用户的约束，使得交互过程更加自然。目前，体感交互在游戏娱乐、医疗辅助与康复、全自动三维建模、辅助购物、眼动仪等领域有了较为广泛的应用。

（4）脑机交互。脑机交互又称为脑机接口，指不依赖于外围神经和肌肉等神经通道，直接实现大脑与外界信息传递的通路。脑机接口系统检测中枢神经系统活动，并将其转化为人工输出指令，能够替代、修复、增强、补充或者改善中枢神经系统的正常输出，从而改变中枢神经系统与内外环境之间的交互作用。脑机交互通过对神经信号解码，实现脑信号到机器指令的转化，一般包括信号采集、特征提取和命令输出三个模块。从脑电信号采集的角度，一般将脑机接口分为侵入式和非侵入式两大类。除此之外，脑机接口还有其他常见的分类方式：按照信号传输方向可以分为脑到机、机到脑和脑机双向接口；按照信号生成的类型，可分为自发式脑机接口和诱发式脑机接口；按照信号源的不同还可分为基于脑电的脑机接口、基于功能性核磁共振的脑机接口以及基于近红外光谱分析的脑机接口。

计算机视觉

计算机视觉是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力。自动驾驶、机器人、智能医疗等领域均需要通过计算机视觉技术从视觉信号中提取并处理信息。近来随着深度学习的发展，预处理、特征提取与算法处理渐渐融合，形成端到端的人工智能算法技术。根据解决的问题，计算机视觉可分为计算成像学、图像理解、三维视觉、动态视觉和视频编解码五大类。

（1）计算成像学。计算成像学是探索人眼结构、相机成像原理以及其延伸应用的科学。在相机成像原理方面，计算成像学不断促进现有可见光相机的完善，使得现代相机更加轻便，可以适用于不同场景。同时计算成像学也推动着新型相机的产生，使相机超出可见光的限制。在相机应用科学方面，计算成像学可以提升相机的能力，从而通过后续的算法处理使得在受限条件下拍摄的图像更加完善，例如图像去噪、去模糊、暗光增强、去雾霾等，以及实现新的功能，例如全景图、软件虚化、超分辨率等。

（2）图像理解。图像理解是通过用计算机系统解释图像，实现类似人类视觉系统理解外部世界的一门科学。通常根据理解信息的抽象程度可分为三个层次：浅层理解，包括图像边缘、图像特征点、纹理元素等；中层理解，包括物体边界、区域与平面等；高层理解，根据需要抽取的高层语义信息，可大致分为识别、检测、分割、姿态估计、图像文字说明等。目前高层图像理解算法已逐渐广泛应用于人工智能系统，如刷脸支付、智慧安防、图像搜索等。

（3）三维视觉。三维视觉即研究如何通过视觉获取三维信息（三维重建）以及如何理解所获取的三维信息的科学。三维重建可以根据重建的信息来源，分为单目图像重建、多目图像重建和深度图像重建等。三维信息理解，即使用三维信息辅助图像理解或者直接理解三维信息。三维信息理解可分为，①浅层：角点、边缘、法向量等；②中层：平面、立方体等；③高层：物体检测、识别、分割等。三维视觉技术可以广泛应用于机器人、无人驾驶、智慧工厂、虚拟／增强现实等方向。

（4）动态视觉。动态视觉即分析视频或图像序列，模拟人处理时序图像的科学。通常动态视觉问题可以定义为寻找图像元素，如像素、区域、物体在时序上的对应，以及提取其语义信息的问题。动态视觉研究被广泛应用在视频分析以及人机交互等方面。

（5）视频编解码。视频编解码是指通过特定的压缩技术，将视频流进行压缩。视频流传输中最为重要的编解码标准有国际电联的H.261、H.263、H.264、H.265、M-JPEG和MPEG系列标准。视频压缩编码主要分为两大类：无损压缩和有损压缩。无损压缩指使用压缩后的数据进行重构时，重构后的数据与原来的数据完全相同，例如磁盘文件的压缩。有损压缩也称为不可逆编码，指使用压缩后的数据进行重构时，重构后的数据与原来的数据有差异，但不会影响人们对原始资料所表达的信息产生误解。有损压缩的应用范围广泛，例如视频会议、可视电话、视频广播、视频监控等。

目前，计算机视觉技术发展迅速，已具备初步的产业规模。未来计算机视觉技术的发展主要面临以下挑战：一是如何在不同的应用领域和其他技术更好的结合，计算机视觉在解决某些问题时可以广泛利用大数据，已经逐渐成熟并且可以超过人类，而在某些问题上却无法达到很高的精度；二是如何降低计算机视觉算法的开发时间和人力成本，目前计算机视觉算法需要大量的数据与人工标注，需要较长的研发周期以达到应用领域所要求的精度与耗时；三是如何加快新型算法的设计开发，随着新的成像硬件与人工智能芯片的出现，针对不同芯片与数据采集设备的计算机视觉算法的设计与开发也是挑战之一。

生物特征识别

生物特征识别技术是指通过个体生理特征或行为特征对个体身份进行识别认证的技术。从应用流程看，生物特征识别通常分为注册和识别两个阶段。注册阶段通过传感器对人体的生物表征信息进行采集，如利用图像传感器对指纹和人脸等光学信息、麦克风对说话声等声学信息进行采集，利用数据预处理以及特征提取技术对采集的数据进行处理，得到相应的特征进行存储。识别过程采用与注册过程一致的信息采集方式对待识别人进行信息采集、数据预处理和特征提取，然后将提取的特征与存储的特征进行比对分析，完成识别。从应用任务看，生物特征识别一般分为辨认与确认两种任务，辨认是指从存储库中确定待识别人身份的过程，是一对多的问题；确认是指将待识别人信息与存储库中特定单人信息进行比对，确定身份的过程，是一对一的问题。

生物特征识别技术涉及的内容十分广泛，包括指纹、掌纹、人脸、虹膜、指静脉、声纹、步态等多种生物特征，其识别过程涉及到图像处理、计算机视觉、语音识别、机器学习等多项技术。目前生物特征识别作为重要的智能化身份认证技术，在金融、公共安全、教育、交通等领域得到广泛的应用。下面将对指纹识别、人脸识别、虹膜识别、指静脉识别、声纹识别以及步态识别等技术进行介绍。

（1）指纹识别。指纹识别过程通常包括数据采集、数据处理、分析判别三个过程。数据采集通过光、电、力、热等物理传感器获取指纹图像；数据处理包括预处理、畸变校正、特征提取三个过程；分析判别是对提取的特征进行分析判别的过程。

（2）人脸识别。人脸识别是典型的计算机视觉应用，从应用过程来看，可将人脸识别技术划分为检测定位、面部特征提取以及人脸确认三个过程。人脸识别技术的应用主要受到光照、拍摄角度、图像遮挡、年龄等多个因素的影响，在约束条件下人脸识别技术相对成熟，在自由条件下人脸识别技术还在不断改进。

（3）虹膜识别。虹膜识别的理论框架主要包括虹膜图像分割、虹膜区域归一化、特征提取和识别四个部分，研究工作大多是基于此理论框架发展而来。虹膜识别技术应用的主要难题包含传感器和光照影响两个方面：一方面，由于虹膜尺寸小且受黑色素遮挡，需在近红外光源下采用高分辨图像传感器才可清晰成像，对传感器质量和稳定性要求比较高；另一方面，光照的强弱变化会引起瞳孔缩放，导致虹膜纹理产生复杂形变，增加了匹配的难度。

（4）指静脉识别。指静脉识别是利用了人体静脉血管中的脱氧血红蛋白对特定波长范围内的近红外线有很好的吸收作用这一特性，采用近红外光对指静脉进行成像与识别的技术。由于指静脉血管分布随机性很强，其网络特征具有很好的唯一性，且属于人体内部特征，不受到外界影响，因此模态特性十分稳定。指静脉识别技术应用面临的主要难题来自于成像单元。

（5）声纹识别。声纹识别是指根据待识别语音的声纹特征识别说话人的技术。声纹识别技术通常可以分为前端处理和建模分析两个阶段。声纹识别的过程是将某段来自某个人的语音经过特征提取后与多复合声纹模型库中的声纹模型进行匹配，常用的识别方法可以分为模板匹配法、概率模型法等。

（6）步态识别。步态是远距离复杂场景下唯一可清晰成像的生物特征，步态识别是指通过身体体型和行走姿态来识别人的身份。相比上述几种生物特征识别，步态识别的技术难度更大，体现在其需要从视频中提取运动特征，以及需要更高要求的预处理算法，但步态识别具有远距离、跨角度、光照不敏感等优势。

虚拟现实／增强现实

虚拟现实（VR）／增强现实（AR）是以计算机为核心的新型视听技术。结合相关科学技术，在一定范围内生成与真实环境在视觉、听觉、触感等方面高度近似的数字化环境。用户借助必要的装备与数字化环境中的对象进行交互，相互影响，获得近似真实环境的感受和体验，通过显示设备、跟踪定位设备、触力觉交互设备、数据获取设备、专用芯片等实现。

虚拟现实／增强现实从技术特征角度，按照不同处理阶段，可以分为获取与建模技术、分析与利用技术、交换与分发技术、展示与交互技术以及技术标准与评价体系五个方面。获取与建模技术研究如何把物理世界或者人类的创意进行数字化和模型化，难点是三维物理世界的数字化和模型化技术；分析与利用技术重点研究对数字内容进行分析、理解、搜索和知识化方法，其难点是在于内容的语义表示和分析；交换与分发技术主要强调各种网络环境下大规模的数字化内容流通、转换、集成和面向不同终端用户的个性化服务等，其核心是开放的内容交换和版权管理技术；展示与交换技术重点研究符合人类习惯数字内容的各种显示技术及交互方法，以期提高人对复杂信息的认知能力，其难点在于建立自然和谐的人机交互环境；标准与评价体系重点研究虚拟现实／增强现实基础资源、内容编目、信源编码等的规范标准以及相应的评估技术。

目前虚拟现实／增强现实面临的挑战主要体现在智能获取、普适设备、自由交互和感知融合四个方面。在硬件平台与装置、核心芯片与器件、软件平台与工具、相关标准与规范等方面存在一系列科学技术问题。总体来说虚拟现实／增强现实呈现虚拟现实系统智能化、虚实环境对象无缝融合、自然交互全方位与舒适化的发展趋势。

基于深度学习的人工智能技术体系

当前，基于深度学习的人工智能算法主要依托计算机技术体系架构实现，深度学习算法通过封装至软件框架的方式供开发者使用。软件框架是整个技术体系的核心，实现对人工智能算法的封装，数据的调用以及计算资源的调度使用。为提升算法实现的效率，其编译器及底层硬件技术也进行了功能优化，具体架构分为基础硬件层、深度神经网络模型编译器及软件框架等。

（1）基础硬件层。基础硬件层为算法提供了基础计算能力。硬件层涵盖范围除了中央处理器（Central Processing Unit，CPU）及GPU外，还包括为特定场景应用而定制的计算芯片，以及基于计算芯片所定制的服务器，包括GPU服务器集群，各类移动终端设备以及类脑计算机等。

（2）深度神经网络模型编译器。深度神经网络模型编译器是底层硬件和软件框架，以及不同软件框架之间的桥梁。该层旨在为上层应用提供硬件调用接口，解决不同上层应用在使用不同底层硬件计算芯片时可能存在的不兼容等问题。其涵盖范围包括针对人工智能计算芯片定向优化的深度神经网络模型编译器，以及针对不同神经网络模型表示的规定及格式。

（3）软件框架层。软件框架层实现算法的模块化封装，为应用开发提供集成软件工具包。该层涵盖范围包括针对算法实现开发的各类应用及算法工具包，为上层应用开发提供了算法调用接口，提升应用实现的效率。

（4）基础应用技术。当前人工智能的商业化实现主要是基于计算机视觉、智能语音、自然语言处理等基础应用技术实现，并形成了相应的产品或服务。

人工智能产业体系

人工智能产业生态主要分为核心业态、关联业态、衍生业态三个层次，如下图所示。

人工智能产业生态图

智能基础设施

智能基础设施为人工智能产业提供计算能力支撑，其范围包括智能传感器、智能芯片、分布式计算框架等，是人工智能产业发展的重要保障。

智能芯片

智能芯片从应用角度可以分为训练和推理两种类型。从部署场景来看，可以分为云端和设备端两步大类。训练过程由于涉及海量的训练数据和复杂的深度神经网络结构，需要庞大的计算规模，主要使用智能芯片集群来完成。与训练的计算量相比，推理的计算量较少，但仍然涉及大量的矩阵运算。目前，训练和推理通常都在云端实现，只有对实时性要求很高的设备会交由设备端进行处理。

按技术架构来看，智能芯片可以分为通用类芯片（CPU、GPU、FPGA）、基于FPGA的半定制化芯片、全定制化ASIC芯片、类脑计算芯片（IBM TrueNorth）。另外，主要的人工智能处理器还有DPU、BPU、NPU、EPU等适用于不同场景和功能的人工智能芯片。

随着互联网用户量和数据规模的急剧膨胀，人工智能发展对计算性能的要求迫切增长，对CPU计算性能提升的需求超过了摩尔定律的增长速度。同时，受限于技术原因，传统处理器性能也无法按照摩尔定律继续增长，发展下一代智能芯片势在必行。未来的智能芯片主要是在两个方向发展：一是模仿人类大脑结构的芯片，二是量子芯片。智能芯片是人工智能时代的战略制高点，预计到2020年人工智能芯片全球市场规模将突破百亿美元。

智能传感器

智能传感器是具有信息处理功能的传感器。智能传感器带有微处理机，具备采集、处理、交换信息等功能，是传感器集成化与微处理机相结合的产物。智能传感器属于人工智能的神经末梢，用于全面感知外界环境。各类传感器的大规模部署和应用为实现人工智能创造了不可或缺的条件。不同应用场景，如智能安防、智能家居、智能医疗等对传感器应用提出了不同的要求。未来，随着人工智能应用领域的不断拓展，市场对传感器的需求将不断增多，2020年市场规模有望突破4600亿美元。未来，高敏度、高精度、高可靠性、微型化、集成化将成为智能传感器发展的重要趋势。

分布式计算框架

面对海量的数据处理、复杂的知识推理，常规的单机计算模式已经不能支撑。所以，计算模式必须将巨大的计算任务分成小的单机可以承受的计算任务，即云计算、边缘计算、大数据技术提供了基础的计算框架。目前流行的分布式计算框架如OpenStack、Hadoop、Storm、Spark、Samza、Bigflow等。各种开源深度学习框架也层出不穷，其中包括TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4、Lasagne、Neon等等。

智能信息及数据

信息数据是人工智能创造价值的关键要素之一。我国庞大的人口和产业基数带来了数据方面的天生优势。随着算法、算力技术水平的提升，围绕数据的采集、分析、处理产生了众多的企业。目前，在人工智能数据采集、分析、处理方面的企业主要有两种：一种是数据集提供商，以提供数据为自身主要业务，为需求方提供机器学习等技术所需要的不同领域的数据集；另一种是数据采集、分析、处理综合性厂商，自身拥有获取数据的途径，并对采集到的数据进行分析处理，最终将处理后的结果提供给需求方进行使用。对于一些大型企业，企业本身也是数据分析处理结果的需求方。

智能技术服务

智能技术服务主要关注如何构建人工智能的技术平台，并对外提供人工智能相关的服务。此类厂商在人工智能产业链中处于关键位置，依托基础设施和大量的数据，为各类人工智能的应用提供关键性的技术平台、解决方案和服务。目前，从提供服务的类型来看，提供技术服务厂商包括以下几类：

（1）提供人工智能的技术平台和算法模型。此类厂商主要针对用户或者行业需求，提供人工智能技术平台以及算法模型。用户可以在人工智能平台之上，通过一系列的算法模型来进行人工智能的应用开发。此类厂商主要关注人工智能的通用计算框架、算法模型、通用技术等关键领域。

（2）提供人工智能的整体解决方案。此类厂商主要针对用户或者行业需求，设计和提供包括软、硬件一体的行业人工智能解决方案，整体方案中集成多种人工智能算法模型以及软、硬件环境，帮助用户或行业解决特定的问题。此类厂商重点关注人工智能在特定领域或者特定行业的应用。

（3）提供人工智能在线服务。此类厂商一般为传统的云服务提供厂商，主要依托其已有的云计算和大数据应用的用户资源，聚集用户的需求和行业属性，为客户提供多类型的人工智能服务；从各类模型算法和计算框架的API等特定应用平台到特定行业的整体解决方案等，进一步吸引大量的用户使用，从而进一步完善其提供的人工智能服务。此类厂商主要提供相对通用的人工智能服务，同时也会关注一些重点行业和领域。

需要指出的是，上述三类角色并不是严格区分开的，很多情况下会出现重叠，随着技术的发展成熟，在人工智能产业链中已有大量的厂商同时具备上述两类或者三类角色的特征。

智能产品

智能产品是指将人工智能领域的技术成果集成化、产品化，具体的分类如下表所示。

人工智能的产品

随着制造强国、网络强国、数字中国建设进程的加快，在制造、家居、金融、教育、交通、安防、医疗、物流等领域对人工智能技术和产品的需求将进一步释放，相关智能产品的种类和形态也将越来越丰富。

人工智能对电子商务的发展影响

人工智能技术在电子商务领域的应用

目前，人工智能采用的主流技术主要涉及机器学习和人机交互。机器学习（Machine Learning）是计算机科学的一个分支，也可以认为是模式识别或人工智能、数据挖掘（Data Mining）、概率论、统计学（statistics）等多个学科的交叉学科。机器学习与数值优化（Numerical Cptimization）具有很高的重合度。机器学习在电商领域的应用主要体现在以下几个方面。

人工智能助手

人工智能助手（聊天机器人），其主要功能是自动回复顾客问题，对简单的语音指令作出响应，并通过采用自然语言处理系统提供产品推荐。电子商务网站和移动端页面上的聊天对话框正是基于机器学习的算法，将其编程为以个性化方式与客户通信。聊天机器人能够帮助消费者找到合适的产品，检查产品供应情况，并比较各种产品，最后帮助消费者付款；如果有任何投诉或疑问，聊天机器人也可以帮助客户联系相应的服务人员。消费者可以通过文字，语音甚至图片与这些机器人进行“交谈”。2017年3月，阿里巴巴发布了人造智能服务机器人“Shop Xiaomi”，即是淘宝商家的聊天机器人，其经过商家授权和调试后，聊天机器人可以取代一些客户服务，从而减少了人工客户服务的工作量，同时能够增添个性化风格。

推荐引擎

推荐引擎是建立在机器学习算法框架基础上一套完整的推荐系统。使用AI算法可以实现海量数据集的深度学习、统计编程和预测、分析顾客行为，并利用算法预测哪些产品可能会吸引顾客。首先根据潜在客户最近的搜索，推荐引擎中的机器学习算法能够根据计算结果记录被搜索产品的关键细节，然后，推荐引擎为浏览器生成适合的建议，并将其列在个人页面上，最终帮助消费者快速找到所需产品。降维算法的应用开启了人工智能对推荐系统的改造，人工智能对推荐系统最深刻的变革，就是不再把推荐系统看作是独立的推荐结果组合，它是整个人机交互行为，通过引入时间维度来实现系统和用户的动态维度。许多电商公司，例如：亚马逊、阿里巴巴淘宝网、京东商城等都使用推荐引擎来识别其产品的目标受众。

智慧物流

智慧物流是指：利用信息技术使装备和控制智能化，从而用技术装备取代人的一种物流发展模式。与传统物流模式相比，智能物流可以大大提高提高服务质量和运营效率。智慧物流的概念最早由IBM公司在2009年提出。最初，IBM公司提出建立一个通过感应器、RFID标签、制动器、GPS和其他设备及系统生成实时信息的“智慧供应链”。人工智能最直接的影响是后端供应链和物流链接，面对快速变化的需求和竞争市场，预测库存并非简单，而人工智能和深度学习的算法可以在订单周转预测中派上用场，可以确定订单周转的关键因素。机器学习系统的优势在于它们可以随着时间的推移不断学习而变得更加智能，使商家预测库存需求变得更加准确。目前，在智能物流仓储领域，阿里巴巴和京东都已经发布了无人值守的自动化智能存储系统。

最优定格

当前的电商行业正在蓬勃发展，即使对于小规模库存的在线零售商，这种长期持续的价格调整也是一个很大的挑战。利用能够快速处理大数据的人工智能技术，已基本能够解决大量产品的自动定价问题。对产品的评分、物流、价格和服务质量都会影响最终的综合排名结果，因此，对于商家而言，最优定价非常困难，而这种需要深入研究的定价问题正是人工智能所擅长的。通过先进的深度机器学习算法，人工智能技术可以持续评估市场动态并改变竞争环境以解决最优定价问题。

电子商务应用人工智能技术的未来趋势

随着研究技术的飞速发展和不断推进，深度学习平台、语音分析技术、生物识别技术、图像与视频分析技术、机器人自动处理系统、文本分析和自然语言处理（NLP）等主流人工智能技术在接下来仍将稳步发展。根据人工智能技术的商业价值、技术成熟度、发展阶段等方面的发展状况，AI将在未来通过以下几种方式推动电子商务的发展变革。

视觉搜索引擎

计算机视觉搜索引擎主要功能是让消费者可以将照片或特定风格的图片上传，然后在APP客户端中搜索样式、品类、风格相似的商品。视觉搜索功能（特别是通过手机）可以“读取”该项目的线索、颜色、形状、大小、面料和品牌。这能够帮助消费者找到他们正在寻找的商品。视觉搜索引擎的功能建立了从线上到线下的联系，从离线到在线体验只需要很少的流程和操作步骤，为消费者提供了一种创新、自主的体验。

个性化服务

在移动电子商务时代，由于消费者对移动设备的偏好，个性化电子商务体验对销售的影响将更加明显。未来购物将使用AI来收集用户在网站上发布的信息，例如产品评论等，以更好的为其提供实质性服务。不管是在线商店，实体店还是移动应用程序，人工智能都为所有这些渠道带来无缝的客户体验。借助深度学习的AI算法，网上零售商可以不断学习每一个新信号，从而更好的展示个性化产品。

尽管人工智能发展迅速，但仍有许多问题亟待解决：不确定性问题、不可解释问题、数据共享问题、隐私保护问题、伦理道德问题、人工智能系统的鲁棒性等。这些都是人工智能技术将要面临的巨大挑战。