2019年人工智能全景報告

鄭子亨 王哲

人工智能研究與技術突破

強化學習開辟新天地

1.強化學習在游戲領域表現卓越。DeepMind公司使用多智能體訓練算法完成的AlphaStar系統可以綜合各種最為有效的策略組合并創建一個相互競爭的智能體聯盟，來共同探索巨大的策略空間。

2.智能機器人訓練過程更加注重與真實環境交互。強化學習模型的“驅動式學習”概念被提出，即通過“觀摩游戲”的策略訓練一臺機器人同時執行多項復雜任務，對于每項任務無需進行單獨的針對性訓練。在該策略中，訓練人員可以遠程操控智能機器人，使之用各種方式與外界環境進行交互，從多個維度對智能機器人在真實環境中進行訓練，與針對單一任務訓練相比訓練效率和訓練效果均得到提升。在基于驅動式的訓練中，智能機器人不僅能學習盡可能多樣化的技能，并使每項技能均對擾動具有魯棒性。例如，加州大學伯克利分校的機器人學習實驗對BLUE機械臂進行了實際環境中的訓練，使其在手動靈活性方面取得了巨大進步。

3.強化學習訓練趨向于線上規劃學習動態模型。谷歌訓練的強化學習網絡PlaNet可以從圖像中學習環境動態信息，并通過準確預測數個時間段后的獎勵進行線上規劃，選擇將要進行的動作。這種訓練方式與最先進的A3C和D4PG算法相比，在訓練時間大致相同的情況，使模擬環境交互作用減少了50倍。經過2000張圖像訓練之后，PlaNet 的表現與受過10萬張圖像訓練的D4PG算法基本相似。

機器學習在生命科學領域

發現新應用

1.AlphaFold模型預測蛋白質的3D結構。DeepMind公司訓練的AlphaFold能夠使兩個深度卷積神經網絡協同工作，第一個神經網絡預測氨基酸對之間的距離，第二個神經網絡預測連接這些氨基酸的化學鍵之間的角度，并創建蛋白質距離圖來生成3D蛋白質結構。該方法在預測蛋白質3D結構上遠遠超過先前最先進水平，給未來機器學習在生物學方面的廣泛應用指明了方向。

2.機器學習算法合成化學分子。上海大學馬克·沃勒（Mark Waller）教授團隊同時使用三種不同的神經網絡并結合蒙特卡洛樹搜索組成了3N-MCTS算法。3N-MCTS算法通過提出有限數量的自動提取轉換將搜索引向最正確的方向，并預測擬議的反應是否真正可行。在化學分子合成方面，3N-MCTS算法可解算80%以上的分子測試集，每個目標分子的時間限制為5秒，與現有先進的計算機輔助合成規劃相比，合成速度大大提升。

3.深度學習與醫學融合加深。隨著深度學習、計算機視覺等技術的發展，人工智能被越來越多的應用于眼部疾病、心臟疾病的診斷。基于3D U-Net架構的神經網絡可以進行數字光學計算機斷層攝影掃描，并創建眼睛的“組織圖”，并通過該組織圖對患者病癥進行種類和嚴重性的分級分類。另外，接受過5.4萬名患者訓練的端到端深度學習網絡在心臟病診斷領域已經達到人類專家級水平，以門診中的單導聯心電圖軌跡作為原始數據，深度學習網絡已經可以成功分辨12種心律類別。

4.腦機接口成為發展熱點。哥倫比亞大學的研究人員通過深度學習技術分析癲癇患者在連續收聽語音時的腦經神信號，能夠對病人想要表達內容進行語音合成，準確度達到75%。另外，神經網絡被證明可恢復殘疾人士的肢體控制能力。研究人員根據從患者大腦記錄的原始顱內電壓信號對神經網絡進行訓練，神經網絡可以判斷手臂的預期活動，并使用電刺激和神經網絡解碼器永久恢復四肢癱瘓患者前臂的運動能力。相比于支持向量機（SVM）技術，神經網絡方法對故障更具魯棒性，并可以通過遷移學習技術使患者掌握新的動作。

自然語言處理實現

突破式發展

1.預訓練語言模型。谷歌BERT模型、艾倫研究所ELMo模型、魯德和霍華德ULMFiT模型和微軟MT-DNN模型紛紛證明預訓練語言模型可大大提高各種自然語言處理任務的性能。通過使用網絡上的未標記文本對神經網絡進行訓練，可以在自然語言處理任務中創造收益，并創建多種新的商業應用程序，就像ImageNet遷移學習驅動了計算機視覺的更多工業應用一樣。

2.無雙語語料情況下的機器翻譯。臉書（Facebook）展示了如何充分利用單語數據，以擴大機器翻譯的應用范圍。該技術首先通過自動推斷雙語詞典將模型初始化，并利用去噪自動編碼器來充分利用較強的語言模型，其中，由編碼器構建的表征只能在當前兩種翻譯語言之間共享。這項工作將若干原理應用于開發簡單易懂的、基于短語的統計型機器翻譯（PBSMT）系統和神經機器翻譯（NMT）系統，神經機器翻譯系統學習如何在無雙語文本的情況下進行翻譯。

3.通用語言理解評估基準。新性能基準，即通用語言理解評估（GLUE），可測試自然語言處理模型在各種語言理解任務上的表現。人類對語言的理解較為概括和靈活，通用語言理解評估基準測試為在跨邏輯、常識理解和詞匯語義任務中評估自然語言處理系統提供了單一基準，基準測試旨在支持各系統共享各項任務的一般語言知識。

人工智能人才發展現狀

人工智能論文發表情況

1.谷歌在人工智能領域仍占據主導地位。在2018年神經信息處理系統大會上，谷歌依舊占據主導地位，在以第一作者發表論文數量的排名中，谷歌仍舊位列榜首。

2.歐洲發表論文數量最多，中國的平均引用率不斷增長。美國和歐洲在人工智能科研領域仍然具有更高的影響力，來自美國的人工智能領域研究成果被引用率比全球平均水平高出83%，來自歐洲的人工智能論文總量占據世界第一，我國人工智能領域研究成果的影響因子雖然在過去一年呈現上升趨勢，但總體被引用率仍低于世界平均水平。

中美高校加大

人工智能人才培養

中美各大高校紛紛加大對人工智能研究型人才培養的力度。2018—2019年，全球人工智能領域44%的博士畢業生來自美國，中國排名第二為11%。中美各大高校紛紛加大對人工智能布局力度，麻省理工學院在計算與人工智能領域新增投資10億美元，加速人工智能邁向新一代，與2012年相比，清華大學和斯坦福大學的人工智能課程注冊人數分別增加了近16倍和5倍。

人工智能人才薪資結構

面臨調整

高端人工智能人才薪資不斷上升，大型科技企業內資深工程師的年薪接近100萬美元。另一方面，每小時1.47美元的數據標簽工作崗位卻實現了巨大增長。如總部位于北京的馬達智數公司（Mada Code）將微軟和卡內基梅隆視為客戶，并聲稱擁有一支由2萬多名自由職業者組成的團隊，為其標注數據。

產業人才需求發生變化

從產業人才發展看，加拿大、英國和瑞士是人工智能產業人才的“平臺型”國家，吸引外國人才和對外國輸出本土人才的數量均較多。美國和中國是人工智能產業人才的“穩定型”國家，兩國人工智能產業發展處于全球領先地位，生態系統內部更為成熟、穩定，兩國人才流入和流出均趨于平緩。同時，中美兩國的大型科技企業對人工智能專項人才的需求量自去年起有所下降，這說明人工智能產業發展已經從科學研究階段向應用落地轉化。

人工智能行業發展現狀

人工智能領域投資情況分析

人工智能領域風險投資金額逐年擴大，2018財年的資本投資比2017財年高出80%左右，其中北美地區投資最多，占有55%的市場份額。另外，大型科技企業收購人工智能初創企業趨勢愈演愈烈。自2010年以來，谷歌、蘋果、Facebook、亞馬遜、微軟已累計收購60家人工智能初創企業。

智能機器進入落地應用階段

1.智能機器人進一步發展成熟。各大智能機器人制造企業紛紛采取行動。艾波比集團（ABB）投資1.5億美元，用于在上海建設全球最先進、自動化程度最高、最靈活的機器人工廠。另外智能機器人全棧初創企業發展迅猛，人工智能初創企業Bright Machines由歐特克和偉創力國際公司的元老領導，首輪融資籌集了1.79億美元，雇員增長到300人，以催生由智能化軟件定義機器自動制造產品的制造模式。

2.智能機器人與其他行業結合日益密切。美國工廠安裝的機器人數量創歷史新高。2018年，美國工廠新增了35880臺機器人，比2017年增加了7%。智能機器人推動了制造業的智能化發展。智能機器人制造公司伯克希爾格雷（BerkshireGrey）提供了自動揀選機器人、移動式地面機器人系統以及產品包裝與分揀解決方案，以提高吞吐量，并簡化電子商務運營的實際供應鏈。

亞馬遜擴大其運營基礎設施

并推出倉儲機器人

2016至2019年，亞馬遜在美國總部的運營中心建筑面積增加了45%，數量增加了兩倍。同時，亞馬遜推出了更多倉庫機器人，用于運營和分揀，其倉庫中有20萬臺機器人，數量高于本年初所宣布的10萬臺。亞馬遜近期著力對其倉庫進行諸多改進，例如，防止陽光照射天花板天窗以減少眩光、在地面上安裝QR碼、重新定向空調等以免吹動周圍的輕質物體等，方便機器人巡視。

自動駕駛汽車現規模擴大

市場前景廣闊

一年來，自動駕駛汽車市場規模不斷擴大并已達到數十億美元。通用（General Electric）旗下自動駕駛汽車公司Cruise融資后估值達190億美元，2018年Cruise預算達到7.28億美元，2019年預算將增至10億美元。優步方面，2016至2018年，優步每年在自動駕駛上的研發支出分別為2.3億美元、3.84億美元、4.57億美元，員工人數超1000人，融資后估值達到72.5億美元。谷歌旗下公司Waymo運營成本在10億美元以上，目前正在尋找外部投資者。同為自動駕駛汽車公司的Nuro和Aurora，前者在三年內完成了由軟銀遠景基金主導的B輪融資，融資金額高達9.4億美元，后者從紅杉資本、亞馬遜和美國普信集團手中獲得了5.3億美元的B輪融資，增強了其資產負債表的財務實力，所籌資金已增至6億美元。福特則為研發自動駕駛撥款40億美元。

自動駕駛汽車測試里程和保有量增減不一。2018年Waymo無人駕駛汽車行駛100多萬英里，是第二名Cruise的2.8 倍，是第三名蘋果的16倍。2018年，在加利福尼亞汽車行駛里程為14435英里，自動駕駛汽車行駛里程僅占人類的駕駛里程數的0.00066%，加利福尼亞和世界各地的自動駕駛車輛有所增加，但仍有多個國家有所減少。

機器學習將推動各行業預測性需求的發展。能源領域，Invenia 公司是這一領域的早期領導者，可利用天氣信息、電網運行數據和電力輸送方向來預測需求。防災預測領域，一些企業使用機器學習自動校準對了解、預測和管理水資源至關重要的水文模型。出行領域，航班和酒店需求隨季節、天氣或大型外部事件而波動。可將機器學習加以擴展，幫助航空公司和酒店進行需求預測。機器學習系統可幫助預測酒店潛在預訂、特定航線需求，或服務中斷情況。物流領域，概率模型和多智能體系統可用于學習如何最為合理地分配資源（如車隊），以應對動態變化的需求，使資源利用率最大化。資源配置最優化問題一旦解決，具有廣泛的應用前景。零售領域，BlueYonder人工智能平臺使莫里森（英國的連鎖超市）的2000萬項補貨決策中有99%完全自動化，同時提高了盈利能力，并減少了浪費。

改進機器的閱讀能力

自然語言處理方面的突破已開始應用于需要處理大量文本或快速處理文本會帶來大量經濟回報的行業。機器學習非常適合于金融和情報領域，從大量在線數據中獲取重要信號，機器可用分析文本的增長速度快于人工分析師，成為專業分析師的得力助手，使得機器學習廣泛應用于企業領域。例如，自然語言處理公司Primer使用自然語言處理與生成來自動執行查找、閱讀、交叉引用和總結等通常由分析員承擔的任務。

醫療保健進展

2018—2019年，美國食品藥物管理局批準了三種基于人工智能的醫療器械。2018年4月批準IDx軟件通過眼睛掃描檢測糖尿病視網膜病變。2018年5月批準Imagen軟件通過二維X光片檢測成年患者的腕關節骨折，預期用途涵蓋初級保健、急救醫學、緊急護理和整形外科。

2018年11月批準MaxQ軟件通過對成人非造影頭部計算機斷層掃描（CT）病例的臨床評估，優先對有顱內出血跡象的患者進行治療。同時，制藥企業與人工智能驅動的藥物開發公司正在加強合作。

人工智能專利進展

2012至2017年，人工智能同族專利的增長率高于人工智能科學出版物（年度增長率分別為28%和6%）。隨著機器學習的商業應用不斷擴大，科學論文與專利數量的比值急劇下降。其中，計算機視覺是最為熱門的專利領域，而在計算機視覺領域中，最為熱門的是生物統計學（即與生物數據有關的應用）。

人工智能硬件

一年來，移動芯片組的人工智能性能基準制定工作不斷推進，市場競爭壓力加劇。美國高通公司的驍龍（Snapdragon）處理器通過展示浮動和量化神經網絡方面的強大性能和硬件加速而獲勝。基準測試任務包括分類、人臉識別、去模糊、超分辨率、分割和增強;在對手機的人工智能任務性能進行基準測試方面，三星、華為和小米手機位居榜首，谷歌的Pixel3手機排名第22位。谷歌、英偉達、亞馬遜則將計算和競爭推向極致加入競爭，預計到2025年，為人工智能服務的應用可生成40萬億GB數據。

5G將成為普遍存在的

人工智能計算的支柱

5G可為人工智能計算提供更快、更穩定的信息傳輸。目前，中國的5G進展遠遠領先于美國。據估計，華為占據了全球28%的電信市場，德國專利數據公司IPlytics的數據顯示，華為擁有的5G 標準專利最多（1529項），其次是芬蘭的諾基亞（1397項）。華為既擁有專利優勢，也有最大的商業動力，有望成為構建網絡供應商、設備制造商和應用開發商生態系統的關鍵參與者。在歐洲，英國和德國仍在使用華為硬件，但美國則強烈抵制華為硬件。

人工智能行業政治環境現狀

公眾對待人工智能的態度

布魯金斯學會（Brookings Institution）2018年8月發布了《對待人工智能的態度》調查，樣本對象為美國的2000名成年人互聯網用戶。人類未來研究所（Future of Humanity Institute）2019年1 月發布了美國人對待人工智能的態度，調查對象為美國的2000名成年人。整體來看，人類未來研究所預測，到2028年實現高級機器智能的可能性為54%，距離實現高級機器智能只有9年。大部分美國人并不支持研發用于作戰的人工智能技術，但這種態度會隨著對手的研發而發生改變。大多數美國人認為，相比于法官，私營企業領導人更有資格做出決策。

大部分美國人認為企業應設立一個人工智能審核委員會，以定期處理企業的倫理決策。美國人最信任由美國軍方和學術研究人員開發人工智能應用，對科技公司、非營利組織（如OpenAI）和美國情報機構的信任度稍低。美國人認為Facebook是所有人工智能開發者中最不值得信賴的，另外，人工智能治理可能面臨的最大挑戰來自四方面：一是人工智能輔助監視侵犯隱私和公民自由，二是人工智能被用于在線傳播虛假和有害內容，三是對政府、企業、機構和個人進行人工智能網絡攻擊，四是保護數據隱私。

各國人工智能的頂層設計

德國公布“德國制造人工智能”戰略規劃。德國政府更傾向于支持現有機構和發展較慢的公司，到2025年將投資30億歐元支持上述計劃。

芬蘭實施“百分之一”人工智能計劃。芬蘭自2017年起對其1%的人口進行基礎機器學習訓練，是第一個制定國家級人工智能戰略的歐洲國家，通過與政府和私營企業合作，全國范圍內現有5.5萬人學習該課程，超過250家企業宣布將參與“人工智能挑戰”計劃。

歐盟在人工智能政策方面落后于美國和中國。歐洲旨在通過注重“倫理化人工智能”及其在“安全和高質量產品”方面的聲譽來區別于其他經濟體。2019年，歐盟委員會對“地平線2020”計劃中的人工智能項目的投資增加了一倍，現計劃每年對“歐洲地平線”和“數字歐洲”中的項目投資10億歐元。

美國特朗普政府對人工智能實施出口管制。2018年11月19日，商務部表示正在考慮采取激進措施，將出口管制應用于機器學習，包括深度學習、強化學習和計算機視覺。特朗普還簽署了一項行政命令，確立《美國人工智能倡議》的計劃。該計劃極其不明確，但要求聯邦政府將現有資金用于人工智能研究和商業化。

新的安全挑戰

先進技術對大眾監督能力日益增強。華為新推出的P30 Pro高倍率智能手機攝像頭、中國研究人員成功將神經網絡應用于解讀唇語，以及計算機視覺系統的進步，即可隨著地理位置的變更（如出現在地鐵里）對同一人員進行重新識別，這些都表明先進技術對大眾監督能力日益增強。

自然語言處理技術的武器化。自然語言處理技術可能自動生成誤導性新聞報道、在線冒充其他人員、自動生成可在社交媒體上發布的誹謗性或虛假內容。2018年9月，加利福尼亞批準了《2018年加利福尼亞州增強網絡透明度法案》，使用機器人與加州人進行互動以“故意誤導”該人員，將被認定為違法行為。

DeepFake換臉技術危害政治議程。眾議院舉行了第一次聽證會，專門審查DeepFake換臉技術中人工智能生成的合成數據，委員會查問了以下內容：人工智能促成的虛假內容對國家安全構成的威脅;可采取哪些措施來發現和打擊這些虛假內容;政府部門、私營部門和社會應采取何種措施來應對可能出現的、可怕的“后真相”未來。

中國人工智能發展情況及預測

中國人工智能發展

近一年來，中國人工智能發展迅猛，主要體現在幾個方面。

一是用人臉識別提升用戶體驗、節省消費者時間。例如在商店刷臉支付和在機場檢索航班信息。

二是中國互聯網企業進軍農業領域。阿里巴巴和京東都已涉足畜牧業。養雞方面，2016年，京東推出了“跑步雞”計劃，將人工智能工具集成到整個飼養流程中，現已實現自動化喂食、飲水和清除廢物。養豬方面，德康集團、特驅集團和阿里云相互合作，使用計算機視覺和語音識別系統通過脅腹上的數字來辨別每只豬。

三是中國企業研發支出快速增加，但市場份額明顯較小。中國企業的研發支出同比增長34%，但北美企業在全球科技支出中仍占比61%。

四是中國的工業自動化水平越來越高，裁員量也越來越大。過去三年，中國某些工業企業利用自動化技術取代了40%的勞動力，因為自2012年以來，中國年度機器人安裝量增加了5倍（相比之下，歐洲僅增加了1.12倍）。

五是機器人推動了中國自動化倉儲業發展。京東的自動化倉庫數量和面積同比增長45%。目前，京東上海運營中心每天使用自動化倉儲機器人完成20萬份訂單的組織、揀選和運送，該倉庫僅由4名人員照管。

六是中國企業繼續在美國公開市場上市。2018年，33家中國企業在美國交易所上市，同比增加了兩倍，幾乎達到2010年最高水平。2018年，全球共有190家企業在美國上市。

七是中國擁有的專利數量最多，但只有23%屬于“發明專利”。中國發明專利的審批程序較為嚴苛，但一旦被批準就會獲得長達20年的保護。實用新型專利和設計專利的有效期為10年，審查流程不甚嚴格，且可在1年內獲得批準。中國的這種雙重專利制度有助于使其專利數量遠遠領先于其他國家。

中國發明專利的有效期大多為5年，95%的設計專利和61%的實用新型專利會在5年后失效。相比之下，美國85.6%的專利在5年后仍在支付維護費用。

八是中國發布了更多的高影響力機器學習學術研究。相比于美國，中國發布的機器學習研究數量更多。艾倫研究所最近的一項分析表明，中國也在迅速縮小質量差距。

對未來一年人工智能

發展的預測

預計從2019年6月起的未來12個月，將有一批新初創企業應用近期在自然語言處理領域實現的研究突破，上述企業將集體籌集1億多美元。分領域看，自動駕駛技術仍主要處于研發階段，未來1年所有自動駕駛汽車公司的行駛里程將均不超過1500萬英里。在隱私保護方面，財富2000強企業中將有一家除谷歌、蘋果、Facebook、亞馬遜、微軟之外的公司采用隱私保護機器學習技術，以增強其數據安全性和用戶隱私政策。在高等教育方面，越來越多的機構將設立專門的人工智能本科學位，以填補人才空缺。在AI+量子計算方面，谷歌在量子計算硬件方面取得了重大突破，將催生至少5家嘗試進行量子機器學習的初創公司。此外，隨著人工智能系統的日益強大，人工智能治理將成為一個更大的爭議話題。至少將有一家大型人工智能企業對其治理模式做出重大變革。