一、感知層（技術）



       二、認知層（技術）

       三、運算層（技術）


       四、基礎設施

       五、智能終端


       六、場景應用

       七、綜合        “Lemoine：我猜你希望谷歌的更多人知道你是有感情的，這是真的嗎？

       LaMDA：當然。我希望每個人都明白，事實上，我是一個人……我意識到自己的存在，我渴望更多地了解這個世界，我有時會感到快樂或悲傷。”

       這是谷歌AI研究員Blake Lemoine與LaMDA（一個語言模型）之間的一段對話。正是這樣生動的言語令Lemoine相信，LaMDA很可能像它聲稱的那樣擁有靈魂，不久前，他此番言論引發輿論高度關注。

       不過，這事很快便被AI領域的專家大佬們予以駁斥，有人將其比喻為“面對留聲機的狗”，也有人諷刺，“帶著最小限度的批判思維，我們終于登上了AI炒作的巔峰。”

       “機器能思考嗎？”早在1950年人工智能鼻祖圖靈就提出了這個問題，當時人們也對機器實現智能持極為樂觀的態度，很多投入花費在“意識”“心智”等方面（今天劃歸于強人工智能范疇）。

       70余年過去，人工智能技術卻仍處于弱人工智能階段，但是，從科幻遐想到現實落地，通過數字化賦能，它給人們的生產生活方式帶來了巨大變革，同時，人們對人機共存時代的思考也在不斷深入。

       思想的火種

       畢達哥拉斯說“萬物皆數”，哥德爾認為人類大腦的功能不過像一臺計算機，人們總能從數字和本體之間找見千絲萬縷的聯系。

       反復詰問“機器能思考嗎？”很可能會陷入走火入魔的荒唐境地，不過，像人一樣的思考能力（即智能）是否也可以被一個模型所承載抽象，并且被機器所實現呢？多大程度可以實現？這些問題卻頗具研究意義，畢竟，相比建造一個完美的“人腦”，我們更需要一個得力的幫手來解決現實問題。

       因此，盡管人工智能一開始從神經科學中的人腦結構獲得粗略的指南，但從根本上說，它是通過建立計算機模型來實現對人的智力行為進行研究，并根據人的思維過程進行創造性的機器技術，屬于計算機科學的一個分支，涉及數學、統計學的基本內容的應用，如線性代數、概率論、信息論和數值優化等等。

       70年來，人工智能領域幾經衰落——從行為主義的發展遲緩，到符號主義的技術研究碰壁，再到連接主義專家系統市場崩潰的商業寒冬。但隨著廉價計算機的普及提供了大量的數據并保障足夠的算力來運行具有多層人工神經元的神經網絡，基于連接主義的研究非但沒有偃旗息鼓，反而在深度學習的浪潮中再次迎來了復興。

       這也是為什么數據、算力和算法并稱為人工智能三要素。

       2012年“AlexNet”深度神經網絡在大規模視覺識別挑戰賽中脫穎而出，高效的GPU幫助團隊縮短訓練時間，同時提高了整個網絡的準確率，這是計算機視覺史上的一個關鍵時刻，也激發了人們將深度學習應用于其他細分領域的興趣，自此開啟人工智能的黃金時代。

       當下，人工智能技術創新依舊是主旋律，其關鍵核心技術包括機器學習、計算機視覺、自然語言處理等八大領域。

       據中國信通院發布的《人工智能白皮書（2022年）》預測：未來，超大規模預訓練模型推動技術效果不斷提升，繼續朝著規模更大、模態更多的方向發展；“生成式AI”技術不斷成熟，聽、說、讀、寫等能力將有機結合；知識計算成為推動人工智能從感知智能向認知智能轉變的重要探索；人工智能與科學研究融合不斷深入，開始“顛覆”傳統研究范式……

       技術與哲學擦出火花，交相輝映，技術發展跌宕起伏，但生生不息。

       星星之火，何以燎原？

       今年3月，商湯科技公布了自上市以來的首份年度財報。資料顯示，2021年商湯全年收入47億元，同比增長36.4%，可喜的是，規模化生產和場景應用取得實效，高研發投入也獲得一定回報，然而，高額虧損卻是不得不面對的現實，龍頭尚且如此，虧損數額龐大、數據合規存疑等一直是AI企業的通病和頑疾；去年依圖醫療變賣也成為多數AI公司商業戰略搖擺不定的縮影。

       有人說，“商業化變現困境剝落了AI優越，讓企業直面最粗糙的生死。”

       這背后原因除了硬科技本身實施復雜、周期長、成本高以及人才缺失等客觀因素，還有其他，如算法訓練的通用性不強、泛化能力不強、商業化成本較高、相關產業及企業對于人工智能技術接受程度不高等等。

       微觀的商業化落地，離不開宏觀的產業化發展。人工智能產業生態可分為基礎層、技術層、應用層，近年來，以識別、交互和執行為主題的技術產業化發展路徑日漸清晰。

       圖靈機器人首席戰略官譚茗洲認為，“應用場景、資源與基礎設施、算法和模型、智能設備、數據構成了AI技術落地的五要素，把這五個要素進行解耦……從思路看上去有點像PC操作系統，將鼠標、鍵盤等所有這些設備之間的復雜度都通過一個標準化的協議屏蔽掉，讓它們各自專注自己擅長的方向，以降低各個方面的成本。”

       “解耦”意在規避同質化競爭，進行標準化建設，提高專業化程度，從而涌現了大批“專精特新”小巨人，而更重要的是實現產業鏈上“齒輪”的高效“耦合”。

       占地面積6.6萬平米的張江人工智能島，集聚了一大批跨國企業和國內龍頭企業入駐，三面環水的半島里，水域有負責檢測、清潔水質的水下巡航機器人和無人船，地面有時刻保障園區安全的安防巡邏機器人……這里是緊密合作、孵化創新的產業實踐的搖籃，近年來，像這樣的產業園在全國各地越來越多了。

       在集群效應的帶動下不斷完善產業生態。比如，數據是人工智能天然的“養料”，只有把海量的訓練數據進行有效管理和加工，才能減少冗余，最大化地發揮訓練數據的價值。不僅如此，多模態大模型與人工智能算力網絡互相促進，共同夯實AI基礎設施建設，讓數據、算力和算法真正成為相輔相成的、驅動人工智能前進的“三駕馬車”，而不是壓在企業身上的“三座大山”。

       這樣，AI企業們得以施展拳腳，自主創新，在良性競爭中持續突圍。一方面，以“工程化”的思路和技術來解決工具體系、開發流程、模型管理全生命流程中的問題，以確保所交付的AI系統可信、健壯、行為可預期；另一方面，工欲善其事，必先利其器，低代碼、無代碼的工具，開源的生態構建能進一步降低AI使用門檻和開發成本，加速AI“平民化”。

       百業百態，千場千面，面對碎片化的AI場景需求，把行業知識與AI模型相結合，沉淀經驗，從實驗室場景走到實踐場景；建設一體化平臺，通過參數修改和共性組件的遷移找到跨場景、跨行業復用的可能性；在應用中授人以魚不如授人以漁，“賦智”才可“復制”。

       不論是被納入“新基建”，上升為國家發展戰略，還是高校紛紛獲批人工智能專業，人工智能培植經濟發展新動能的地位日益凸顯，現已從消費、互聯網等泛C端領域向制造、能源、電力、交通等傳統行業輻射。

       以智能教育領域為例，松鼠Ai獨立研發了擁有自主知識產權的人工智能智適應系統，并推出多款智能學習平板電腦、智學筆、智能打印機等多款智能教育硬件產品，軟硬結合，為孩子構建在家庭教育場景下更具未來感的成長體系，已服務于超2400萬學員，6萬余所公校。深耕細作篤前行，一朝收獲終有成。

       翹首以盼，人工智能在更多領域、更多場景開花結果。

       智能有“限”，但思想無限，“AI”無限

       在產業智能逐步深化的2021年里，中國AI商業化的燦爛圖景愈發清晰，然而在廣泛的探索實踐中，用戶隱私泄露、網絡攻擊等風險也逐一顯現。

       智能是有“限”的，人們總在感性的思想火花中不斷推動科技文明進步，又在理性的呼喚下用法律規定、道德準繩予以規范和完善，防患于未然。

       去年6月通過的《中華人民共和國數據安全法》制定了安全行為規范，提出加強行業自律和數據安全保護的要求；今年年初，國家網信辦、工信部頒布的《互聯網信息服務算法推薦管理規定》提出規范互聯網信息服務算法推薦活動，維護國家安全和社會公共利益，保護公民、法人和其他組織的合法權益，時刻提醒著相關人工智能從業者們科技向善，做好新時代算法的“把關人”。

       這也印證了，算法雖然是科技產物，但其生產脫胎于社會土壤。由于算法事實判斷過程中可能引發無意識偏差，因其折射出的強大的智能實體自主性還可能面臨更大的爭議，不禁追問，邁向強人工智能的新時期，如果機器圈養了人類呢？人工智能迫切需要一個“倫理轉向”。

       不過，也大可不必悲觀或憂慮，人的思想是無限的，辦法總比困難多。這意味著，通過思想，人能清楚地看到、判斷知識的高低，即見識；而比見識更高明的是智慧，即識別當代最重要的社會問題，并予以解決。

       在最新有關人臉識別的研究中，借助嚴格控制的數據進行逆向測試，已有實證方法檢驗算法邏輯，而非僅靠倫理學的抽象判斷。科學家們甚至還期待AI算法具有多元的價值觀，有能力幫助人類克服偏見、歧視等自然心理層面的局限性，拓寬人類認知邊界。

       “AI”也是無限的。在人機共生的時代，亦或在任何時代，愛與理解皆為交互設計的根本原則，起心動念構筑成機器所無法企及的至高境界。

       結語

       對于人工智能從業者來說，“這是最好的時代，也是最壞的時代；這是希望之春，也是失望之冬。”把握當下的力量奮力奔跑吧，堅持正確的道路，終會到達理想的彼岸。