概要

本文主要介绍的内容为：

• 人工智能的基本概念
• 人工智能的相关技术及发展历史
• 人工智能的应用技术及应用领域
• 华为的人工智能发展战略
• 人工智能的发展趋势

一.人工智能概述

人工智能是近几年的热点词，自从2017年AlphaGo战胜围棋世界冠军柯洁以后，人工智能的热度就持续不减。

在学习本章内容前，我们先对自己提出三个问题，带着这三个问题进行思考，这让我们能更好地理解这一章的内容。

1. 人工智能是什么？
2. 它是如何发展至今的？
3. 人工智能在我们的日常生活中是怎么发挥作用的？

1.人工智能是什么？

人类的内心是孤独的，我们憧憬着和自己同样的生命，所以在表达人类情感的电影、小说及影视中人类不断地对科技进行畅想，机器能否同人类一样思考？冷冰冰的机器能否拥有情感？我们能否在未来的某天，创造出同我们一样鲜活的生命？

早在1950年，“人工智能之父”图灵就在其著作《Computing Machinery and Intelligence》里写道：“我建议考虑这样一个问题，‘机器能思考吗？’”他由这一问题引申出了非常著名的“图灵测试”这一理论——“当交谈者无法区分机器与人时，计算机将被认为是智能的。”从此，人类拉开了对人工智能探索的序幕。

首次提出人工智能这一名词是在1956年，美国麻省理工学院的约翰·麦卡锡教授所提出的：“让机器达到同样的行为，即与人类做同样的行为。”当时人工智能的定义是：“制造智能机器的科学工程”。

在此之后，马文·闵斯基又进一步阐述了人工智能的概念：“人工智能是一门科学，是使机器做那些人需要通过智能来做的事情。”从这句话中我们可以窥见，人是拥有智能的。美国教育学家和心理学家加德纳博士曾提出一著名理念——多元智能论（Howard Gardner）

即把人的智能分成七个范畴：

• 语言（Verbal/Linguistic）
• 逻辑（Logical/Mathematical）
• 空间（Visual/Spatial）
• 肢体动作（Bodily/Kinesthetic）
• 音乐（Musical/Rhythmic）
• 人际（Inter-personal/Social）
• 内省（Intra-personal/Introspective）

值得一提的是，第七个范畴，内省，是目前人工智能尚且无法达到的瓶颈。至此，我们得到了人工智能沿用至今的通用定义。

1.1人工智能的通用定义

人工智能（Artificial Intelligence）：它是研究开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能的目的就是让机器能够像人一样思考，让机器拥有智能。时至今日，人工智能的内涵已经大大扩展，成为一门交叉学科。

下图左一是人工智能的技术应用，右一是人工智能所涉及的学科。

1.2 AI、机器学习、深度学习

在日常生活中，我们总会听到AI、机器学习、深度学习这三个词，有的朋友可能并不清楚这三者有什么关系，那么接下来，请听我一一阐述。

所有的深度学习都是机器学习，但所有的机器学习不一定是深度学习；同样的，所有的机器学习都是AI，但所有的AI不都是机器学习；机器学习是人工智能的核心研究领域之一，而深度学习又是机器学习的分支，三者是包含关系。

人工智能具有四个要素：

• 数据：人工智能的智能都蕴含在大数据中。
• 算法：算法是实现人工智能的根本途径，是挖掘数据智能的有效方法。
• 算力： 算力为人工智能提供了基本的计算能力的支撑。
• 场景：大数据、算力、算法作为输入，只有在实际的场景中进行输出，才能体现出实际的价值。

这四个要素相互依存，不可或缺，共同构成了人工智能这一个整体。

人工智能：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法及应用系统的一门新的技术科学。

机器学习：专门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。是人工智能的核心研究领域之一。

深度学习：源于人工神经网络的研究，多层感知器就是一种深度学习结构。深度学习是机器学习研究中的一个新的领域，它模仿人脑的机制来解释数据，例如图像，声音和文本。

1.3 三大主义学派

随着人工智能的不断发展，人工智能出现了各种学派，它们对人工智能的发展有着不一样的观点，最主流的有三大主义学派：

• 符号主义学派
• 连接主义学派
• 行为主义学派

这三种学派对人工智能的发展都起着至关重要的作用，下面我们来依次介绍一下这三种学派。

1.3.1符号主义学派

基本思想:

• 人类的认知过程是各种符号进行推理运算的过程。
• 人是一个物理符号系统，计算机也是一个物理符号系统，因此，能用计算机来模拟人的智能行为。
• 知识表示、知识推理、知识运用是人工智能的核心。符号主义认为知识和概念可以用符号表示，认知就是符号处理过程，推理就是采用启发式知识及启发式搜索对问题求解的过程。

单看上面的定义似乎有些难以理解，我们用苹果举例：

在符号主义学派眼中，苹果是一个符号，我们可以通过各种的知识例如：来源、结构、种类等来对苹果进行表示；而形状、大小、颜色又可以来描述苹果这一对象。

符号主义学派的落脚点在推理,符号推理与机器推理。

1.3.2 连接主义学派

基本思想:

• 思维的基本是神经元，而不是符号处理过程。

• 人脑不同于电脑，并提出连接主义的电脑工作模式，用于取代符号操作的电脑工作模式。

我们接着用苹果举例：

连接主义是用树状节点对苹果进行描述的，这些节点没有具体含义，但是，通过每个节点的权重，最终能够表示出苹果这一对象。

连接主义学派的落脚点在神经元网络与深度学习。

1.3.2 行为主义学派

基本思想:

• 智能取决于感知和行动，提出智能行为的“感知-动作”模式。
• 智能不需要知识、不需要表示、不需要推理;人工智能可以像人类智能一样逐步进化;智能行为只能在现实世界中，通过与周围环境的不断交互而表现出来。

行为主义学派的落脚点在行为控制、自适应与进化计算。

2.人工智能发展简史

自1956年麦卡锡教授首次提出人工智能这一名词后，人工智能的发展史主要可以分为六个阶段：

• 第一次繁荣期
• 第一次低谷期
• 第二次繁荣期
• 第二次低谷期
• 复苏期
• 增长爆发期

2.1 第一次繁荣期（1956—1976年）

在1956年美国汉诺斯小镇的达特茅斯学院开展的会议上，人工智能进入了它第一次繁荣期。尽管达特茅斯会议的会议内容并没有实质性进展，但是，这次会议就讨论内容确立了一个主题“人工智能”并确定了它的发展目标，从此人工智能概念诞生。

人工智能的概念一经诞生便引发了无数学者的研究，1959年学者阿瑟·萨缪尔提出了机器学习这一名词，同时他开发了一款能够打败他本人的跳棋软件，这是人类早期关于人工智能机器学习方面的实验案例。

在人工智能概念诞生的20年后，人工智能领域迎来了它的第一次低谷期。

2.2 第一次低谷期（1976—1982年）

根据我们上文所提到过的人工智能四要素，我们知道，算力是人工智能的四大要素之一。在1976年，当时的算力并不足以支撑类似机器翻译等的人工智能项目，因为这些项目的失败及当时一些学术报告的负面影响，人工智能的经费项目普遍减少，人工智能领域遭受质疑批评，人工智能开启了它短暂的第一次低谷期。

2.3 第二次繁荣期（1982—1987年）

尽管人工智能领域经历了饱受批评与质疑的第一次低谷期，但是仍有诸多学者跻身于人工智能领域，终于，在具备逻辑规则推演和特定领域回答解决问题的专家系统以及第五代计算机的发展下，人工智能领域迎来了它的第二次繁荣期。

在早期，人工智能领域内的单层感知机智只能解决简单的与和或的问题，无法解决异或问题。1985年，人工智能领域出现了多层感知机突破了早期感知机的局限，能够解决异或问题，并且出现了具有更强可视化效果的决策树模型。

不过，繁荣是短暂的，仅短短5年时间，人工智能再一次迎来了它的低谷期。

2.4 第二次低谷期（1987—1997年）

LISP语言是使用十分广泛的人工智能语言，而LISP机是一种直接以LISP语言的系统函数为机器指令的通用计算机。

1987年，LISP机市场崩塌，同时人工智能抽象符号推理等技术再次陷入瓶颈，抽象推理不再被继续关注，基于符号处理的模型在当时遭受到了反对，人工智能遭受到了目前为止时间最长的一次低谷期。

2.5 复苏期（1997—2010年）

人工智能似乎和棋类有着不解之缘，它每一次的兴起复苏似乎都和棋类有关，这一次也同样不例外。1997年，IBM公司研发的电子计算机深蓝打败国际象棋冠军卡斯帕罗夫，随着计算机性能的提升以及互联网技术的快速普及，人工智能逐渐地摆脱了低谷期，开启了人工智能新的辉煌篇章。

2006年，Hinton教授和他的学生开始了深度学习的研究。由于深度学习需要大量的数据供给，这个时候的数据远远达不到深度学习的要求，所以此时的深度学习仅仅是一些关于算法方面的研究，这一情况持续到2010年才有了改善。

2.6 增长爆发期（2010—）

新一代信息技术引发信息环境与数据基础变革，海量图像语音文本等多模型数据不断出现，计算能力提高，2010年，大数据时代到来，得益于此，深度学习有了突破性进展。

基于大量的数据，一些深度学习的算法开始了实现应用，2014年微软公司发布了全球第一款个人智能助理微软小娜，源于人工智能四要素的相互支撑，越来越多的AI应用到了我们的生活中。

2016年，应用深度学习的AlphaGo以4：1战胜了围棋冠军李世石。通过Deep Mind团队的不断优化，在2017年10月他们发布了最强版本AlphaGo Zero，这里是行为主义学派思想的应用。

3.人工智能应用

随着技术的发展，人工智能的理论和技术日益成熟，人工智能越来越多的应用到了我们的日常生活中，尽管它没有像电影里那般炫酷可能很不起眼，但它们服务于我们的生活使之越来越便捷。

3.1 AI相关技术概览

AI技术是多层面的，贯穿了应用、算法机理、工具链、器件、芯片、工艺和材料等技术层级。

人工智能在技术层级的使用是非常具体的，例如在应用方面，我们可以将人工智能运用于视频图像、声音语音、文本、控制等方面；又或者在算法层级，人工智能主要应用于机器学习，机器学习的更加深层次方面则是深度神经网络；在芯片层级：算法优化芯片、可编程芯片、神经形态芯片；器件层次：高带宽片外存储器、仿生器件、新型计算器件；在工艺方面：片上存储器、CMOS工艺、新型工艺。

3.2 人工智能的分类

在普遍的定义上人工智能分为两类：

• 强人工智能：强人工智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（ Problem_solving）的智能机器，并且，这样的机器将被认为是有知觉的，有自我意识的。可以独立思考问题并制定解决问题的最优方案，有自己的价值观和世界观体系。有和生物一样的各种本能，比如生存和安全需求。在某种意义上可以看作一种新的文明。
• 弱人工智能：· 弱人工智能是指不能制造出真正地推理（Reasoning）和解决问题（ Problem_solving ）的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。

弱人工智能时代已经到来，目前，我们的人工智能仍处于弱人工智能阶段，以人机协作形式只能专注于某一方面进行狭窄工作，即机器无法完全替代人类。

3.3 智能机器的分类

人工智能研究在国际上至今尚无统一的定义，目前普遍将智能机器分为四类：

• 像人一样思考：弱人工智能领域，如Watson、AlphaGo
• 像人一样行动：弱人工智能领域，如人形机器人、iRobot、波士顿动力公司的Atlas
• 理性地思考：强人工智能，尚无法达到，瓶颈在脑科学
• 理性地行动：强人工智能

现在弱人工智能的研究已取得较为可观的成就，但强人工智能仍处于瓶颈，尚无法达到。

3.4 AI产业生态

人工智能的四要素是数据、算法、算力、场景。要满足这四要素，我们需要将AI与云计算、大数据和物联网结合以智能社会。

我们可以将AI产业生态比作建筑，那么底层的基础设施提供了基础技术，为AI产业生态构建了地基；基础设施及基础条件为人工智能提供了算力及数据支撑，通过人工智能的相关算法，可构造人工智能不同的技术方向；人工智能技术方向在相应行业进行落地实践应用，以上种种得以真正的构成了我们的AI产业生态。

下图是AI产业生态图，人工智能的四要素均可以在下图得以体现，四要素中的场景可能不是太明显，其实场景就是最顶层人工智能在不同行业的应用。

3.5 AI设计的子领域

下图是2020年人工智能发展领域，人工智能的子领域研究不单单包含了机器学习以及人工智能相关的一些应用的技术领域，它还包含了计算机图形学、数据挖掘、可视化等等的一些领域。通过图片可以了解，如果我们想实现一个人工智能项目，那么所涉及的领域是非常宽广的。

二.人工智能的技术领域与应用领域

人工智能现在已经广泛地使用在我们日常生活中，在学习本章内容前，同之前一样，对自己提出两个问题：

1. 人工智能有哪些技术领域？
2. 人工智能应用于哪些领域？

带着这两个问题进行思考并来阅读本章内容。

1.AI技术领域&应用领域概览

上图是2020年全球人工智能发展白皮书，通过这张图我们可以很直观地看到人工智能应用领域范畴以及技术领域所涉及的方向。

在这张图的最上层，人工智能应用于不同行业，如智慧医疗、智慧城市数字政府等；在技术领域上，人工智能的技术领域主要有计算机视觉、智适应学习以及规划优化等等；在研究方法上有我们之前介绍过的联结主义、符号主义以及其他主义；人工智能的相关算法更是繁多复杂，诸如支持向量机、决策树、线性算法等。

技术领域繁多，且应用场景广泛，这是人工智能目前的状况。

2.人工智能应用技术分布

我们从技术领域来看，现在Al的应用技术方向主要分为三类：

• 计算机视觉是研究如何让计算机“看”的科学。
• 语音处理是研究语音发声过程、语音信号的统计特性、语音识别、机器合成以及语音感知等各种处理技术的统称。
• 自然语言处理是利用计算机技术来理解并运用自然语言的学科。

下图是2018年国内外人工智能企业的应用技术分布图，从图片中我们可以直观地看到国内目前人工智能技术集中在计算机视觉、语音处理、自然语言处理；而国外人工智能技术则是计算机视觉、自然语言，语音处理只占了一小部分。

2.1 计算机视觉

计算机视觉是三个AI应用技术中最成熟的技术。计算机视觉研究的主题主要包括图像分类目标检测、图像分割、目标跟踪、文字识别和人脸识别等。

2.1.1 未来预测

我们预计在未来计算机视觉有望进入自主理解、分析决策的高级阶段，真正赋予机器“看”的能力，在无人车、智能家居等场景发挥更大的价值。

2.1.2 应用场景

下面是一些机器视觉在日常生活中的运用。

电子考勤通过人脸识别来对比工作证上照片，判断员工是否进行考勤；从客流的监控画面中俄分析出来顾客的性别比例，新老顾客等等各方面特点。

2.2 语音处理

语音处理研究的主题主要包括：

• 语音识别
• 语音合成
• 语音唤醒
• 声纹识别
• 音频事件检测
• 其他的语音研究技术

其中最成熟的技术是语音识别，在安静室内、近场识别的前提下能达到96%的识别准确度。

2.2.1应用场景

下面是一些关于语音处理应用场景的例子

除了这些应用场景，语音处理还可以应用在

• 口语测评
• 问诊机器人
• 声纹识别
• 智能音箱
• ……

2.3 自然语言处理

自然语言处理研究的主题主要包括机器翻译、文本挖掘和情感分析等。自然语言处理的技术难度高，技术成熟度较低。因为语义的复杂度高，仅靠目前基于大数据、并行计算的深度学习很难达到人类的理解层次。

2.3.1 未来预测

从只能理解浅层语义到能自动提取特征并理解深层语义；从单一智能（ML）到混合智能（ML、DL、RL）。

2.3.2 应用场景

其他应用:

• 知识图谱
• 智能文案
• 视频字幕
• ……

3.AI应用领域

深入到最上层的应用领域也就是行业应用中 ，人工智能又能在哪些领域大展身手呢？

3.1 智能医疗

人工智能可以在医疗领域，进行智能医疗，进行诸如：药物挖掘、健康管理、医院管理、辅助医学研究、虚拟助理、医学影像、辅助诊疗、治病风险预测等的医疗帮助。

3.2 智能安防

安防是Al最易落地的领域，目前发展也较为成熟。安防领域拥有海量的图像和视频数据，为Al算法和模型的训练提供了很好的基础。目前Al在安防领域主要包括民用和警用两个方向。

• 警用：识别可疑人员、车辆分析、追踪嫌疑人、检索对比犯罪嫌疑人、重点场所门禁等。
• 民用：人脸打卡、潜在危险预警、家庭布防等。

3.3 智能家居

智能家居基于物联网技术，由硬件、软件和云平台构成家居生态圈，为用户提供个性化生活服务，使家庭生活更便捷、舒适和安全。

我们可以通过不同的技术，来实现智能家居的不同功能，如：

• 用语音处理实现智能家居产品的控制，如调节空调温度、控制窗帘开关、照明系统声控等。
• 用计算机视觉技术实现家居安防，如面部或指纹识别解锁、实时智能摄像头监控、住宅非法入侵检测等。
• 借助机器学习和深度学习技术，根据智能音箱、智能电视的历史记录建立用户画像、并进行内容推荐等。

3.4 智慧城市

智慧城市体现在城市的各个场景中，智慧城市包括了我们的衣食住行，极大的便利了我们的日常生活。

3.5 零售

AI也将彻底地改变零售业，典型的案例就是无人超市。例如，亚马逊的无人超市Amazon Go利用了传感器、摄像头、计算机视觉及深度学习算法彻底取消了收银流程，让顾客进店取货即走。

无人超市的一大挑战是如何向适当的顾客收取正确的费用。迄今为止Amazon Go是唯一成功的商业案例，但是这个案例有很多的受控因素，比如只有Prime会员才能进店。其他企业要想效仿，必须先建立起自己的会员制。

3.6 自动驾驶

根据美国汽车工程师协会（SAE）将自动驾驶按照车辆行驶对于系统依赖程度分为L0~L5六个级别，L0为车辆行驶完全依赖驾驶员操纵，L3级以上系统即可在特定情况下实现驾驶员脱手操作，而L5级则是在全场景下车辆行驶完全实现对系统的依赖，即周围路况需要系统进行决策。

目前商业化乘用车车型中仅有Audi A8、Tesla、凯迪拉克等部分车型可实现L2、3级ADAS。预计在2020年左右，随着传感器、车载处理器等产品的进一步完善，将会有更多的L3级车型出现。而L4、5级自动驾驶预计将会率先在封闭园区中的商用车平台上实现应用落地，更广泛的乘用车平台高级别自动驾驶，需要伴随着技术、政策、基础设施建设的进一步完善，预计至少在2025年～2030年以后才会出现在一般道路上。

3.7 AI将改变所有行业

各个行业都面临着数字化转型，随着科技发展，数字化转型加剧，人工智能的应用技术将在各行各业有所体现，人工智能将改变所有行业。

4.人工智能仍处于初级阶段

人工智能将经历三个阶段：

• 计算智能：能存会算，机器开始像人类—样会计算，传递信息。
• 感知智能：能听会看，机器开始看懂和听懂，作出判断，采取一些简单行动。
• 认知智能：能理解会思考，机器开始像人类一样能理解、思考与决策。

人工智能目前仍处于智能感知的阶段，我们期望人工智能达到认知智能的阶段，即实现强人工智能状态。

三.华为人工智能发展战略

1.华为全栈全场景AI解决方案

华为的AI全场景包括公有云、私有云、各种边缘计算、物联网行业终端以及消费类终端等端、边、云的部署环境。

全栈即从底层芯片到顶层应用开发都有华为提供的AI技术进行支撑：

• 应用使能：提供全流程服务（ModelArts），分层API和预集成方案。
• MindSpore：支持端、边、云独立的和协同的统一训练和推理框架。
• CANN：芯片算子库和高度自动化算子开发工具。
• Ascend:基于统一、可扩展架构的系列化 AI、IP和芯片。

全场景方面华为同样也提供：

• Atlas：基于Ascend系列AI处理器，通过丰富的产品形态，打造面向“端、边、云”的全场景Al基础设施方案。

1.1 华为全栈

1.1.1 ModelArts全周期AI工作流

ModelArts是华为全周期的AI工作流，其中包含了：AI数据框架、算法开发、训练、部署以及市场五个模块。在开发时使用框架，首先通过AI数据框架对数据进行处理；从ModelArts包含的库中挑选适合适算法帮助开发；训练时ModelArts支持分布式集群加速大大节省了训练周期时长，不仅如此，ModelArts还提供了自动学习功能，实现0代码搭建AI训练模型；在部署时可通过ModelArts端边云一键部署；最后华为还提供AI共享平台进行沟通、交易，帮助企业构建AI生态。

ModelArts可以实现数据的版本管理、过程追溯，完成可视化的全流程管理。

1.1.2 MindSpore（华为AI计算框架）

MindSpore提供自动化的并行能力，针对专注于数据建模和问题解决的资深算法工程师和数据科学家，只需简单几行描述就可以让算法跑到几十乃至上千Al运算节点上。

MindSpore框架架构上支持可大可小，适应全场景独立部署。支持昇腾处理器，也支持GPU、CPU等其他处理器。

1.1.3 CANN

CANN是芯片算子库和高度自动化算子开发工具。优化用户开发效率，提供深度优化的通用算子库和丰富API接口；算子融合，最佳匹配昇腾芯片性能。

CANN由融合引擎、TBE算子开发工具、CCE算子库以及CCE Compiler（编译器）组成。

1.1.4 Ascend310 AI处理器（昇腾310）和达芬奇核

达芬奇核计算单元较为强势，具有专门的处理矩阵式运算，向量运算，标量运算三个专门运算队列，而且在AI处理器中还有一块ARM的CPU。

下图是昇腾310（用于模型推理）和昇腾910（用于模型训练）。

1.2 Atlas人工智能计算平台全景图

Atlas是使用了Ascend（昇腾）系列AI处理器的人工智能计算平台。应用于互联网/安防/金融/交通/能源等行业，提供智能边缘平台及深度学习平台，Atlas框架方面使用了MindSpore深度学习框架，使用CANN帮助我们更好的运用昇腾算力，硬件方面Atlas有针对不同使用场景的芯片或硬件，全方位地概括了用户的需求。

下面是Atlas的一个应用实例。

1.2.1 Atlas 200 AI加速模块应用于机械臂垃圾分拣

我国是人口大国，每年生产的生活垃圾大约有4亿以上，垃圾分类工作繁重，同时会危害工作人员健康，这种情况下使用人工智能是再好不过了。华为与一些商家共同开发了基于视觉的垃圾分拣方案，其中由华为提供的Atlas200加速模块集成在机械控制板中用于识别垃圾种类、控制机械臂大幅度提升垃圾分类的效率，同时配合共有云的资源，大大减轻了人力成本及工作效率。

华为提供的Atlas 200在这套方案中起着至关重要的作用，将机械臂的动作从由死板的程序设置变为实时控制，突破了工业最后一公里的路程。

四.人工智能的争议

事物不总是完美的，万物都有着消极的一面，科技是把双刃剑。尽管人工智能的发展蓬勃向上，但是紧随之而来的就是许许多多的争议。在了解人工智能时，我们不仅要学习了解它好的一面，也要了解它消极的一面，尽可能地在日后的学习研究时针对其争议进行突破。

1.算法的偏见

我们来看下图几个例子。

事实上算法的偏见主要源于数据的偏见。

我们在用人工智能算法做决策时，算法可能是根据已有的数据，学会歧视某一个体。如根据种族性别或其他因素，作出有歧视倾向的决策。即使种族或性别等因素被排除在数据之外，算法也能够利用人的姓名或地址中的信息作出有歧视倾向的决定。

2.隐私问题

目前的APP越来越多的使用推荐算法，其中涉及的隐私问题是到目前为止一直争议不休的一个话题。

现有的人工智能算法都是数据驱动，我们需要大量的数据来训练模型。我们每天在享受人工智能带来的便捷的同时，例如Facebook，谷歌，亚马逊，阿里巴巴等科技公司在获取大量的用户数据。而这些数据会揭露我们生活的方方面面（如政治、宗教和性等）。

3.信息准确性

现在，网上存在越来越多的谣言，这都是技术发展带来的

随着计算机视觉的发展，图像及视频的可行性也越来越低。现在我们可以通过PS，GAN（生成对抗网络）等技术制作假图像，让人难分真伪。

举例：

• 通过PS，把犯罪嫌疑人P在一个从未去过的地方或将他与从未见过的人放在一起，以此来制造假
  证据。
• 如Lyrebird是一个可以从几分钟录音样本中自动模仿人声音的工具，也可能会被不法分子利用。
• 利用GAN网络生成家居图像发布在租房和订酒店的平台。

4.失业问题

自从人工智能火起来以后，社会上对于人工智能将取代人类的言论便一直没有停下来过，有人会担心，人工智能普及过后，社会上将会出现大批的失业下岗人员。从人类的发展进程上看，我们一直在寻求提高效率的途径，即以更少的资源获得更多。我们用尖锐的石头，更高效地狩猎和采集食物；用蒸汽机，减少了对马匹的需求。实现自动化的每一步都会改变工作生活。

对于失业问题的讨论无可厚非，毕竟创造机器原本的意义就是要让机器解放人的生产力，那么我们不妨提出问题：在Al的时代，哪些工作会被Al取代呢？

• AI会取代那些重复性强、创造性低,弱社交的工作。

5. 未解决问题

上述提出了几项关于人工智能主要的饱受争议的话题，但是除此之外还有很多关于人工智能的问题值得大家思考：

• 人工智能创作物受版权法保护吗?

• 谁来赋权于机器人?

• 赋予机器人哪些权利?

• ……

由于涉及到问题过多，在此便不一一赘述了。

五.人工智能的未来展望

尽管人工智能有目前有很多争议问题，但是瑕不掩瑜，关于人工智能的未来，还是很值得让人期待的，这一章我们来看一下关于人工智能的发展趋势。

1.框架

发展趋势：人工智能将会发展更易用更全能的框架、提供更丰富的API接口，不断降低人工智能的开发门槛以及成本。

下图是一些主流的深度学习开发框架。

1.1 Tensorflow 2.0

Tensorflow 2.0于2019年正式发布，集成了Keras作为高阶API，极大提升深度学习框架的易用性。

下图是Pytorch和Tensorflow对比

Pytorch因易用性在学术界广受认可，而Tensorflow则因其可移植性在工业界广受认可

2.算法

发展趋势：人工智能将会发展性能更优，体积更小的算法模型

1.性能更优的算法模型

计算机视觉领域，GAN（生成对抗网络）已可生成人眼不可分辨的高质量图像达到以假乱真效果，GAN相关的算法开始在其他视觉相关的任务上应用，如语义分割、人脸识别、视频合成、无监督聚类等。

自然语言处理领域，基于Transformer架构的预训练模型取得重大突破，相关模型如BERT、GPT、XLNet开始广泛应用于工业场景中。

强化学习领域，DeepMind团队的AlphaStar在星际争霸II游戏中打败人类顶尖选手。

2.体积更小的深度模型

性能更优的模型往往有着更大的参数量，大的模型在工业应用时会有运行效率的问题。越来越多的模型压缩技术被提出，在保证模型性能的同时，进一步压缩模型体积，适应工业应用的需求。

这里是一些关于模型压缩的技术手段：

• 低秩近似
• 网络剪枝
• 网络量化
• 知识蒸馏
• 紧凑网络设计

3.算力

发展趋势：端－边－云全面发展的算力

由下图可知，由于云端、边缘设备、移动终端对于人工智能的芯片需求不断增长，人工智能芯片规模也随之不断扩大，希望未来能够进一步解决人工智能的算力问题。

4.数据

发展趋势：更完善的基础数据服务产业，更安全的数据共享

4.1 更完善的人工智能基础数据服务

由于数据的不断扩大，通过人为手工的标注目前已经无法满足对于大数据量的需求，我们需要更高效的人工智能标注平台和工具来帮助我们进行数据的标注和预处理，下图是一些关于数据服务产业的相关平台。

4.2 更安全的数据共享

之前我们曾提及过人工智能争议问题中的隐私问题，其实已经有了解决方案——联邦学习，它是为了保证数据隐私安全而出现的一种分布式机器学习技术。

联邦学习在保证数据隐私安全的前提下，利用不同数据源合作训练模型，进一步突破数据的瓶颈。

5.场景

趋势：不断突破的应用场景

随着人工智能在各个垂直领域的不断探索，有了人工智能其他四要素的支撑，以及人工智能开发平台框架不断被完善，人工智能的应用场景将不断被突破：

• 缓解心理问题
• 自动车险定损
• 后端办公自动化
• ……

5.1 缓解心理问题

开发聊天机器人通过人工智能技术以及心理学知识，帮助缓解孤独症等心理健康问题。

5.2 自动车险定损

人工智能技术帮助保险公司实现车险理赔优化，通过图像识别等深度学习算法完成车险定损。

5.3 后端办公自动化

AI正在自动化管理工作，在不同场地、不同地区进行协同的工作，但数据的不同性质和格式使其成为一项具有挑战性的任务。尽管每个行业和应用都有其独特的挑战，但不同的行业正在逐步采用基于机器学习的工作流程解决方案。

华为的WeLink正是一款后端办公自动化协同智能工作平台，帮助团队实现更高效的团队工作协作。

总结

人工智能概览到此便接近尾声了，在本文中，我们首先介绍了人工智能的定义、人工智能的发展史，接着描述了人工智能的技术领域与应用领域，同时对华为的人工智能发展战略做了简要介绍，最后讨论了人工智能的争议话题和人工智能的发展趋势。

---

本文参与华为云社区【内容共创】活动第16期。

https://bbs.huaweicloud.com/blogs/352652

任务17：人工智能概览