本院简介

单位：江苏省城市发展研究院

邮编：210013

电话：025-83382671 83382672

E-mial：jscfy@163.com

当前位置：主页 > 城市评论

《城市评论》第13期：人工智能热点与动向

点击数：更新时间：2019-05-31 23:13:18

内部参阅总第160期

城市评论 13

江苏省城市发展研究院 2019年4月20日

【本期内容】 ·人工智能热点与动向·
♦ 当前最热门的人工智能词汇解析（2）
♦ 对话人工智能先驱Yoshua Bengi （7）
♦ 理解自然语言：描述、对话和意境（11）
♦ 多国政府积极推进工业互联网发展（16）
♦ 中美在人工智能领域现有差距分析（20）

人工智能热点与动向

【编者按】大数据和人工智能的浪潮正在席卷全球，关于人工智能的一系列热门名词术语及相关概念联结涌现，随之各国闻风而动，争相推出各种发展战略、对策和举措。但非该业界专业者对此比较陌生，对人工智能诸多高频词汇的含义及内在关系，尚处于似懂非懂或莫名所以的状态。为帮助大家更好理解人工智能，了解先行国家和地区在这方面的发展现状与趋向，我们收集了名词解释、热点解读和多国举措，供大家研究参考。

当前最热门的人工智能词汇

【目前最热门的人工智能词汇】
人工智能（Artificial Intelligence）
大数据（Big Data）
云计算（Cloud Computing）
机器学习（Machine Learning）
数据挖掘（Data Mining）
深度学习（Deep Learning）
强化学习（Reinforcement Learning）
数据库（Databases）

人工智能、机器学习、深度学习和强化学习

首先来看一下人工智能、机器学习和深度学习之间的关系。如图一所示，我们可以大致认为，深度学习是机器学习中的一种学习方法，而机器学习则可以被认为是人工智能的一个分支。

图1

人工智能人工智能涵盖的领域很广，除了机器学习外，还包括专家系统、进化计算、模糊逻辑、粗糙集、多代理、规划问题等。最近几年，人工智能的发展主要得益于机器学习领域的推动，尤其是深度学习取得的突破，以及其他领域的进展相对较小。人工智能分为弱人工智能和强人工智能，前者让机器具备观察和感知的能力，可以做到一定程度的理解和推理。目前的科研都集中在弱人工智能这部分，并很有希望在近期取得重大突破。而强人工智能期待让机器获得自适应能力，解决一些之前没有遇到过的问题。电影里的人工智能多半都是在描绘强人工智能，而这部分在目前的现实世界里难以真正实现。
机器学习从学习方法上来分，机器可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该领域发展迅猛，一些特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。按照学习目的来分，机器学习涵盖了回归、分类、聚类、异常监测、量纲学习和因果分析等。
深度学习最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为隐含层很多的一个神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过，但由于当时训练数据量不足、计算单元落后，因此最终的效果不尽如人意。
强化学习强化学习为一个代理（Agent）在一个环境里设计一系列动作（Actions），以获得最优的未来长期回报（Reward）。走迷宫常被用来作为解释强化学习的例子。因为学习方法复杂，早年间强化学习只能解决一些非常简单（状态空间小、动作选择少）的问题。直到深度学习的出现，使得我们可以用深度神经网络去逼近一个近似的价值和策略函数，强化学习才取得很大的进展（如在AlphaGo里的价值判断网络），人们称其为深度强化学习（Deep Reinforcement Learning）。与其说是强化学习的进展，不如说是在强化学习的框架里，深度学习贡献了巨大的力量。

数据挖掘、人工智能、大数据和云计算

如图2所示，数据挖掘是从数据中发掘知识的过程，在这个过程中人工智能和数据库技术可以作为挖掘工具，数据可以被看作是土壤，云平台可以看作是承载数据和挖掘算法的基础设施。

图2

数据挖掘数据挖掘是从数据中发掘知识的过程，在挖掘数据的过程中需要用到一些挖掘工具和方法（如图2第二个层面所示）。这些工具可以是基于数据库的挖掘方法，比如频发模式发掘（Frequent Pattern Mining）和关联规则。大家经常听说的啤酒和尿布的例子就是基于数据库技术的频繁模式发掘。数据挖掘也可以用到机器学习的方法，比如各种分类模型（如Decision trees和SVM）、概率图模型（Probabilistic Graphical Models）以及深度学习的方法。数据挖掘同样也可以用到人工智能里非机器学习的方法，比如遗传算法和粗糙集等。当数量非常大时，数据挖掘需要借助云平台来承载数据，并利用云平台中的分布式计算单元来提高数据挖掘效率。当挖掘完毕后，数据挖掘还需要对知识进行可视化和展现。
云计算云计算平台一般是由第三方IT公司建立的涵盖基础设施、计算资源和平台操作系统的集成体。云平台解决了传统公司各自搭建机器集群所产生的建设周期长、升级换代慢、维护成本高的痛点，让其他公司可以从搭建计算平台的繁重任务中解脱出来而专注于自己的业务。云平台用户可以高效、灵活地调整自己的资源配置（比如用多少台虚拟机、多少个计算节点等），第三方公司根据用户使用的资源来收取相应的费用。打一个通俗的比喻，就好比不用每家每户弄一个发电机，而是集中建一个发电厂，每家只需要插上插头就可以用电，根据用电的多少来计费。用户不用关心发电厂建在哪里、如何发电，也不用操心如何维护发电厂本身的运转和安全。
云计算平台本身为大数据的存储和分析提供了很好的基础设施（如storage和Hadoop、Spark和Storm等分布式计算环境），但默认的云平台上并没有自带强大的机器学习和人工智能能力，也缺乏高效的索引机制（如时空索引算法）。因此，云平台并不等于大数据平台。近期不少公司在积极开发基于云平台的机器学习工具（如AzureML）和人工智能平台。图3是我们基于Azure搭建的城市大数据平台，其中时空索引、针对时空数据的机器学习算法和多源数据融合算法，都是以前的云平台所不具备的。

图3

大数据大数据，是一种从数据的采集、管理、分析挖掘，到服务提供的端到端的、解决行业问题的综合实力，是从数据生命周期这个维度来看的知识获取过程（数据库、机器学习和人工智能技术可以成为其中的一个环节），也是一种基于数据的思维方式。通常讲大数据都会提到4个V，Volume（量大）、Velocity（速度快）、Variety（多样性）、Value（价值）。但实际上，除了Variety（多样性）以外，其他几个属性很难界定，比如多大才叫大，一直很难给出一个严格的定义。而只要是数据就有其价值，关键是如何利用数据。因此，大数据不是指一个体量很大的单一数据，其关键在于多源数据融合（即把来自不同领域的数据的知识相互结合，形成1+1>2的合力），这是大数据的战略制高点，不是单单在“数据”前加个“大”字那么简单。
多源数据的融合，给数据管理、数据挖掘、机器学习和人工智能带来了很多新兴课题。当数据挖掘被用来挖掘和融合多源数据中蕴含的知识时，数据挖掘就跟大数据有了完美的结合。如果数据挖掘还在挖掘单一数据，那就是传统的数据挖掘或者是早年间研究的“海量数据挖掘”。作为数据挖掘的工具，分布式机器学习的重点是解决海量数据挖掘的问题，而不是解决多源数据融合的问题。要想融合多源数据，我们就需要在机器学习中设计新的多源数据融合算法（是关于多源数据融合的机器学习算法），并为云平台设计特别的管理和索引方法。
图4以城市大数据为例，说明了大数据和数据挖掘以及人工智能之间的关系。城市大数据就是从城市数据的感知、管理、分析，到服务提供的端到端的、解决行业（如交通、环境等）问题的综合实力。在解决一个问题时，我们通常需要同时用到来自于多个领域的数据（如预测空气质量需要考虑气象、交通和地理信息等），如何融合多源数据中的知识就是一个难点。这需要在数据挖掘过程中设计相应的数据管理算法和机器学习算法。因此，可以大致理解在图四的第二、三（管理和分析）层面是在做数据挖掘的事情，而在第三层里，又需要用到一些改良的机器学习和人工智能算法。（更多细节将在《Urban Computing》一书中介绍。）

图4

对话人工智能先驱Yoshua Bengio

2019年年1月，微软收购深度学习初创公司Maluuba时，Maluuba公司德高望重的顾问、深度学习先驱Yoshua Bengio接手了微软的人工智能研究顾问工作。最近，Bengio以蒙特利尔学习算法研究所负责人的身份访问了微软位于华盛顿州雷德蒙的园区，并与员工们举行了座谈。座谈内容如下。

● 什么是深度学习？
Bengio：深度学习是机器学习方法之一，而机器学习则是让计算机从有关我们周围世界或其中某个特定方面的范例中学习，从而让计算机变得更加智能的一种方式。在所有的机器学习方法中，深度学习是最独特的，因为它的灵感源自我们对人脑探索与研究。深度学习试图让计算机学会很多不同层次的抽象和表达，这可能是使此类系统如此成功的原因。
● 能否给我们举个例子，说明人们是如何运用深度学习的？
Bengio：深度学习最常见的运用方法被称为“监督学习”，我们向计算机提供在多种不同情境下应该如何行事的范例。例如，我们向计算机提供数百万个真人朗读句子的语音数据，当然也包括这每一个句子背后的声音数据对应的文本数据，我们希望计算机能够从这些对应的数据中学会将声音转换成文字。计算机像人类一样获得了在现实世界中的信息输入，它将通过对众多样本数据处理方法的学习来模拟人类完成任务的过程。
● 深度学习出现迄今已有数十年。您能否谈谈深度学习是如何从早期的起步阶段努力发展到如今广泛渗透进生活里的各类应用中的？
Bengio：这一切都发端于20世纪50年代末，当时人们真正开始思考人工智能，并且意识到：“嘿，我们应该研究大脑是怎么运转的，并从中获取一些线索，用来打造一些更加智能的机器。”但随后深度学习研究一度沉寂，之后又于20世纪80年代初卷土重来并持续到90年代初，尔后再次淡出——因为它的成效并不能满足当时人们过高的期望。时至今日，深度学习研究已迎来第三波浪潮。大约五年前，深度学习技术开始在各类应用中取得惊人突破：诸如语音识别、图像识别以及近期的机器翻译等自然语言相关的应用。
● 作为深度学习的大咖，您认为目前最令人兴奋的研究工作是什么？
Bengio：现在我对所谓“无监督学习”领域中所取得的进步感到非常兴奋。在这一领域内，目前最尖端的机器学习和深度学习系统的表现仍远远逊色于人类。一个两岁的幼童都可以通过观察世界并与之互动来学习新知。例如，她不必专门通过上课，而可以通过玩耍和观察来了解重力和压力等物理学知识。这就是无监督学习。我们（的机器）现在还远远不具备这种强大的能力，但好消息是我们已经在这一方面取得了令人惊叹的进步。这非常重要，因为如果要让机器超越它们目前擅长但有限的解决特定问题的能力，我们一定要掌握无监督学习。
● 在微软, 我们讨论的更多的是将人工智能视作是帮助人类完成任务、增强人们体验与能力的手段。您认为在人工智能辅助人类上最有潜力的方面都有哪些？
Bengio：谈到我们在人工智能领域，特别是自然语言领域取得进步的第一个重要应用，那就是让计算机能够以更自然的方式与人类交流。眼下，我们与计算机打交道时常常会感到很懊恼，因为我们不知道如何更高效地与计算机进行沟通从而获取我们想要的信息。自然语言处理能力将让很多并非程序员出身的普通人能够更加便利地使用计算机。除此之外，计算机切实理解用户的需要和问题，不仅搜寻信息还可能找出原因，并帮助用户完成工作，这样的创想都是非常有前景的。
● 我想回到您前面谈过的话题：深度学习通常被认为是从人脑的运转方式中获得了灵感。为什么说深层神经网络受到了我们对大脑工作方式理解的启发，这又如何影响其研究潜力呢？
Bengio：从神经网络研究的早期开始，人们就有一个想法，大脑中运行的计算可否这样加以抽象化：大脑中的每个神经元都在进行一种非常简单的数学运算。神经网络所做的就是将所有这些小运算组合在一起，但由神经元所执行的每项计算都是可以变化和调整的。这对应于我们大脑中神经元突触的变化——这就是我们人类学习的方式。事实证明，计算机学会如何将许多元素结合在一起，这种机器学习方式是非常强大的。
● 我们目前对大脑工作方式的了解程度如何？
Bengio：大脑至今仍然是一个很大的谜。你不妨把它想象成一个大拼图。我们已经手握拼图的所有组件，世界各地成千上万的神经科学家正在研究其中许多不同的组件，但我们却忽略了全局。我和其他一些人相信并且希望的是，我们在深度学习中所取得的进步也将有助于我们发现这一全局。虽然我们不确信，但眼下科学界还有很多令人兴奋的想法，将更多的从机器学习和深度学习中获得的数学理念与神经科学相结合，以便更好地了解大脑。当然，我们也希望反过来也一样有效，因为目前深度学习还根本不能与人类智慧相提并论。人类和人类大脑能够做到机器不能做的事情，所以也许我们也能够通过对大脑工作原理的了解来启发和影响未来的深度学习系统。
● 我们常常听到很多对人工智能可以做什么的猜测。您能否给我们大致描述一下，我们距离创造能够实际模仿人类思维和行为的人造智能或深度学习技术还有多远？
Bengio：有很多人向我提出过这个问题，而我的回答总是“我不知道”，而且我相信，没有一个严肃的科学家能给你一个直接的答案，因为还有太多未知数。我的意思是说，从字面上看，我们之所以从事这个领域的研究，就是因为我们不知道如何解决某些问题。但我们知道的是我们正在取得进展。我们也可以猜测，事情正朝着正确的方向发展。但是，比如说，还需要多长时间才能切实地解决一些更难的问题、更复杂的抽象问题？这是不可能有答案的。究竟是5年、15年，还是50年呢？现在我们面临一些障碍，但我们认为自己可以克服。但是，也可能一山更比一山高。
● 您能否谈谈深度学习在人们运用人工智能各种工具中所处的地位？
Bengio：深度学习正在改变过去几十年间人们对于人工智能的观念，将一些理念从相对传统的方式转向人工智能并实现两者的整合，并对其中一些好的想法兼收并蓄。其中最著名的例子就是深度学习与强化学习的融合。
因此，强化学习也是机器学习的一种，其中计算机并不会了解人类在特定情形下会怎么做。学习者这一方只能在一系列行动的实践之后看到行为的结果是好还是坏。在这方面研究的许多最新进展都体现在游戏等方面，但强化学习对于自动驾驶汽车等应用而言仍将是非常重要的。

理解自然语言：描述、对话和意境

【按语】微软全球执行副总裁沈向洋博士走进清华大学高等研究院杰出学人讲座，发表题为《理解自然语言：描述、对话和意境》的报告。从机器学习到机器智能，再到机器意识，沈向洋博士带领大家回顾人类在感知研究方向取得的卓越成果，并从语言理解的三个不同层次“表述、对话、意境”，分析未来十年中人工智能可能实现的重大突破。以下为沈向洋博士分享的精简版文图。

今天有机会与大家在一起，主要是讲人工智能，以及我个人认为的下一个十年中最重要的研究方向。人工智能近年来的发展近乎神速，这主要是得益于“两大一精”—— 大计算、大数据、精准模型的进步和突破。人工智能其实是一个非常宽泛的概念，大致上可以把它分为两个研究方向：感知和认知。感知中的视觉和语言进展飞速，但认知中的语言理解发展速度有限。

我们在感知研究方向已经取得了非常了不起的成果，其中一项就是语音识别。几个月前，在Switchboard标准测试数据集上，微软基于深度学习的语音识别系统的精度达到了创纪录的5.1%，这是超过专业速记员的精度水平。尽管这项语音识别系统还存在一些应用场景的限制，但是我相信未来五年之内，机器将会完全超越人类的识别水平。

在计算机视觉方面，微软亚洲研究院的研究员们两年前率先提出的152层残差神经网络给图像识别提供了更多的可能性和发展空间，过去的深度学习方法从来没有成功训练过这么深的网络。总体来看，深度学习在图像识别的趋势中是更深更准，随着近年来模型的深度越来越深，误差也会越来越低。尽管目前进一步实现层数的深度突破已经不太容易，但理论上还有很多值得深挖的研究点。我预计在十年左右，人工智能的图像识别率也会全面超越人类，这势必会给人类生活带来诸多方面的影响，也包括一些新兴的商业机遇。

下一个十年，人工智能的突破在自然语言的理解。我最近经常讲一句话，懂语言者得天下，人工智能对人类影响最为深刻的就是自然语言方面。语言理解分为三个不同的层次：表述、对话、意境。表述在今天看来已经非常成功，我们用机器学习就可以学到很多东西。对话就涉及到机器智能领域，包括对话和提问，这相对会比较困难。机器意识是意境的体现，让机器在有意识思维基础上理解和表达诸如隐喻在内的意境的能力。
首先，我用两个具体的例子说明我们从感知到语言表述方面的进展。第一个就是微软认知服务里面的Image Caption，计算机系统能够自动给图片生成标题。第二个就是微软应用软件Seeing AI，系统可以自动生成照片画面内容的表述，包括画中人物的动作甚至是表情。大家如果有兴趣，可以到微软的网页上了解项目详细信息。与此同时，我们还有很多其他视觉的服务。

我想和大家解释一下图像空间到语义空间之间的关系，我们如何让机器用文字去描述图像。首先，我们要有一个语义空间去把图像与文字联结起来，然后通过深度结构语义模型，把图像和文字均表征成语义空间内的向量，在此空间中进行语义相似度计算。近几年来，我们在感知到语言表示方面其实是越做越好的，这很大程度上归功于我们将这项技术做成系统，供大众去尝试。只要大家在Caption Bot这个系统中上传一张图片，就可以轻松得到有关这张图片的语言描述。
我们做系统的原因在于，往往就算我们的想法很好，但如果没有一个能够让用户亲身体验的系统，我们很难发现其中可能存在的问题，毕竟一开始不可能一下子达到完美无缺。我们曾经做了一个分析，对1000万张照片的标题进行机器生成内容和用户态度的对比。在这个项目中，很多用户都积极提供了问题，并且给我们提出了许多非常宝贵的修改建议。

因此，在做大数据的时候一定要去分析数据，分析能够帮助我们认识到接下来应该如何去改进和创新。这在以后的好处就是能够不断迭代，让项目可以越做越好。图像描述在现实生活中的应用场景是非常丰富的，单从描述这件事情上就大有可为。
接下来讲机器智能。我始终非常相信“对话即智能”，从回答问题到提出问题，从一问一答到连续对话。之前是机器理解，之后是问答对话生成。阅读文本及提问，首先要深度理解语言，不仅能回答问题，还要能提出问题。还有就是如何提出问题，阅读并找出关键点，围绕关键点生成问题。比如说我在读了一段文字之后，如何体现我对它的理解是到位的呢？比较了不起的就是我读完这篇文章我可以自己提问题，并且我自己还可以回答。
我简单解释一下，这里面你需要有一个记忆机制，并且要对话生成模型。同时，要在回复生成的过程中提炼主要的观点，然后综合对话情感、用户画像以及记忆，一个对话往往会发生多次话题的转换，时间越长的对话，越有机会被自然地引导入期望的话题。

第三点我想分享一些比较新颖的东西，有关自然语言的意境。当我们从机器描述到机器对话，智能到底体现到哪里？图片可以理解和表达意境，能够实现有意识的脑补，以此和用户实现对话和交互。从客观描述到主观评论，再到天马行空的意境，就是只可意会，不可言传的境界。到现在为止，人工智能的研究是人做了一些东西，有一个表征，通过你的输入，机器把这些进来的信息做成机器的语言，再进行深度学习。今天绝大多数的人工智能的科研都是停留在这一步，真正有意义的对人类有贡献的，就是你要把结果反向推理。我们来看一下Image Caption的进步，它的表述和评论都充满了人情味。

最后讲讲微软对话式人工智能产品的布局：一是智能搜索，二是智能助理，三是智能客服，四是智能聊天。我觉得每一次时代的变迁，都是在重新定义人类和世界的关系。在人类到世界之间，人工智能最了不起的就是对我们人脑的理解，一个叫做IQ，一个叫做EQ，任何一个时代你都要思考—— 是什么改变了我们的生活。

多国政府积极推进工业互联网发展

工业互联网产业联盟 2019-04-19

工业互联网是新一代信息通信技术与工业经济深度融合的全新工业生态、关键基础设施和新型应用模式，通过人、机、物的全面互联，实现全要素、全产业链、全价值链的全面连接，将推动形成全新的工业生产制造和服务体系，是第四次工业革命的关键基石和重要支撑。近年来，一些国家通过战略引导、资金支持、协同发展等手段，加大对其发展的支持力度，最大程度地“实现数字技术和数据增长所带来的巨大福利”。
一、美国持续加大工业互联网推进力度
金融危机之后，美国政府加速推动制造业回流，并充分发挥其在信息技术领域的优势，将工业互联网作为推动先进制造业发展的重要抓手持续推进，通过顶层设计和战略引导，全面布局重点产业的发展。尽管美国政府的相关战略中从未提及“工业互联网”，但无论是“制造业复兴法案”，还是“先进制造伙伴关系计划”、“先进制造业战略计划”、“国家制造业创新网络计划”等战略和计划，都不同程度体现了工业互联网的理念，即通过数字化、网络化、智能化的技术手段与制造业融合发展，保持美国在相关产业领域的优势地位。
2018年10月5日，美国白宫国家科技委员会下设的先进制造技术分委会发布《美国先进制造业领导力战略》，提出保持美国在先进制造业中领导地位的愿景，强调要抓住智能制造系统的未来，大力推动智能制造和数字制造。这一战略不仅明确了未来四年美国先进制造业发展的目标和任务，也进一步确定了相关部门的职责范畴，由国防部、商务部、能源部和国家科学基金会等机构全面负责数字化系统、前沿技术等的研发、验证、应用等相关工作。
美国联邦政府相关部门也在持续为工业互联网相关技术研发提供支持，并且仍然在寻求加大对相关领域的支持力度。2012年以来，商务部累计投资超过10亿美元建立14家制造业创新中心，汇聚产学研用各方合力推动先进制造业重点领域的技术发展和产业应用。2018年国防部牵头建立的数字制造与设计创新中心（DMDII），将与工业互联网相关的技术研发及产业化作为投资重点给予支持。2019年初，白宫发布了“未来工业发展计划”，将先进制造业、人工智能、量子信息和5G列为政府支持的重点，寻求通过对现行法律法规的调整，进一步加大联邦政府在相关领域的投资，带动产业的发展。2019年2月，国防部又与DMDII签订了6000万美元的合约，支持其转型为独立机构，全面推进互联网与制造业融合的相关技术研发和应用。
二、欧盟积极推进工业互联网协同发展
债务危机之后，欧盟开始积极布局新一代信息技术与实体经济的融合发展，尤其是制造业领域的数字化转型。2013年，德国率先提出了“工业4.0”战略，其内涵和范畴与工业互联网所代表的数字化发展方向一致。随后，这一战略得到了其他欧盟成员国的响应和支持，法国、意大利、英国、瑞典等国家都先后发布了本国的工业数字化发展计划或愿景，积极与工业4.0对接。波兰、意大利、西班牙等国也都在政府预算中专门列入为工业数字化发展提供支持的内容。
2016年以来，工业数字化已经成为数字化单一市场建设的重要内容，获得了欧盟各国绝大多数成员国的广泛认同。为了进一步协调各成员国之间的发展进程和规划，欧盟积极统筹协调各成员国的发展政策。2016年4月，欧盟委员会启动了数字化欧洲工业行动计划（2016-2020）（Digitising European Industry，DEI），将其作为数字单一市场战略的一部分，持续不断更新，对工业4.0、智能工业和未来工业等各种国家工业数字化计划进行补充，利用政策工具、协调和立法权力，进一步激发所有工业部门的公共和私人投资，为数字工业革命创造框架条件，并为工业数字化发展提供了稳定的大规模资金保障，在数字化创新、数字创新中心建设、下一代电子元器件生产和欧盟云计划四大方向，累计带动500亿欧元的支持。
法律法规方面，欧盟延续了在个人信息保护规则制定方面“先行者”的角色。2017年下半年，发布《非个人数据自由流动框架条例》，成为全球第一个规范工业数据流通相关规则的规章制度，寻求统一欧盟范围内有关非个人数据的自由流动规则，破除各国设置的数据流通障碍，为工业数字化发展提供了全新的治理框架。
三、德国工业4.0发展深入推进
为有效应对制造业成本不断上涨、外部竞争挤压等挑战，抢抓新一轮科技革命和产业变革的历史机遇，德国在全球范围内率先提出“工业4.0”，并大力支持工业4.0发展，以推动实现其产业数字化转型目标。
一方面，德国政府聚焦制造业网络化、数字化、智能化转型发展，不断优化布局，引导产业加快发展进程。2014年，发布《新高科技战略（3.0）》《数字议程(2014—2017)》，2016年发布《数字化战略2025》，为德国工业4.0的体系化建设和持续推进提供有力的政策保障。2019年2月，德国经济与能源部公布的《德国工业战略2030》草案中，明确提出将机器与互联网的互联（工业4.0）作为数字化发展的颠覆性创新技术加速推动，并通过政府直接干预等手段确保掌握新技术，以保证在竞争中持续处于领先地位。4月，“工业4.0平台”正式发布了《工业4.0愿景2030》文件，强调了自动化、互操作性和可持续性等面向未来全球开放式数字生态链的指导原则，进一步明确了德国工业4.0未来的发展方向。
另一方面，德国各级政府均为工业4.0发展提供全面的资助与扶持。德国联邦教育与研究部累计拨付上亿欧元经费支持工业4.0技术研发项目，德国经济与能源部出资5600万欧元建立10个中小企业数字化能力中心。德国地方政府也积极筹措配套资金，加大支持工业4.0落地的力度。
四、日本务实推进“互联工业”战略
为应对日益严重的老龄化和激烈的国际竞争，日本很早就开始布局数字化、网络化、智能化的转型发展。早期大家所熟知的e-Japan、u-Japan和i-Japan战略，均以构建信息社会为目标，从营商环境、人才培育、基础设施建设等方面，为工业互联网的发展奠定了良好的基础。
2015年以来，日本政府更加重视物联网、人工智能等第四次工业革命的技术革新与产业的融合，其中制造业更是发展的重中之重。2015年发布的《新机器人战略》提出，建设具有高价值产品附加值的生产系统，并实现在全球范围内对数据等关键资源高效、灵活的操作和配置，对保持日本生产技术在全球的领先地位至关重要。2016年发布的《制造业白皮书》中提出，要鼓励制造业利用信息技术来提升生产率、拓展新业务。2017年在德国汉诺威CeBIT展会上，安倍首相首次提出了“互联工业Connected Industry”,正式宣告日本将积极融入新一轮全球工业互联网发展大潮中，随后与德国缔结并签署了《汉诺威宣言》，提出将通过优势互补和全面合作实现共同发展。2018年的《制造业白皮书》再次强调了“互联工业”对于日本把握第四次工业革命重大机遇的重要性。
日本政府除了在战略层面一以贯之地整体部署外，还为工业互联网相关技术研发、中小企业应用普及、人才技术培育等方面提供了大规模的资金投入。2019年的预算概要中，日本科技领域的预算额度增长13.3%，达4.35万亿日元，其中仅人工智能人才的预算为133亿日元。对于产业界各方最为关心的数据确权和流通等问题，日本政府相关部门也不断探索相关办法，试图能够在最大程度上打破“数据孤岛”，激活并挖掘工业数据的价值。日本产经省为了鼓励工业数据流通和使用，发布了一份合同模板，以鼓励企业间数据流通为目标，建立企业间工业数据的应用指引。
与西方发达国家先工业化后信息化的发展情况不同，中国正处在工业化后期和信息化建设初期，无论是产业基础、技术实力、发展水平等都与发达国家存在一定差距，在推进新型基础设施建设、实现制造业高质量发展的过程中，需要“补课、普及、示范”同步进行，这也要求政府承担更加积极的角色。因此，建议相关政府部门要围绕平台责任、数据确权、市场准入等重点领域加快研究制定相关制度与规则，并积极寻求与国际相关规则接轨。同时，继续统筹相关资源，加大对工业互联网关键技术研发的支持，积极调动社会资本，共同支持相关产业的发展。此外，在中小企业发展、人才培育、技术创新等方面，都需要进一步发挥政府的重要作用，为工业互联网等新技术、新产业、新业态的发展营造良好的制度环境。

中美在人工智能领域现有差距分析

笑看国际风云 3月22日

近年来，随着人工智能技术飞速发展，世界上越来越多的国家将人工智能上升为国家发展战略，并将其视作促进经济繁荣、社会福祉、国家安全的重要引擎。
和其它国家相比，中国和美国在人工智能领域已呈现出明显的全球竞争力。那么，目前中美两国在人工智能领域差距有多大？未来，谁将更胜一筹呢？本文从以下几个方面进行分析。
一、国家战略 & 发展政策
随着人工智能对社会和经济的影响日益凸显，中美两国政府先后出台对人工智能发展政策，并将其上升到国家战略的高度。从国家政策方面来讲，美国和中国都把人工智能当作未来发展的主导战略，出台发展战略规划，从国家战略层面进行整体推进。
美国：多管齐下保证领先地位。2019年2月11日，美国总统特朗普签署一份行政令，启动《美国人工智能倡议》，旨在从国家战略层面调动更多联邦资金和资源用于人工智能研发，以应对来自“战略竞争者和外国对手”的挑战，确保美国在该领域的领先地位。
主要包括5个关键方面：对人工智能研发资金的投入；释放人工智能资源；设置人工智能管理标准；发展人工智能人才队伍；参与国际合作，保护美国的人工智能优势。总之，这一战略主要体现了美国政府对维持美国领先优势的战略导向。
中国：制定发展规划和行动计划。中国领导层较早意识到了占据人工智能领域制高点对未来全球军事与经济竞争至关重要。中国国家人工智能战略的核心政策是国务院于2017年7月发布的《新一代人工智能发展规划》和2015年5月发布的《中国制造2025》。
目前，中国政府正通过多种形式支持人工智能的发展，形成了科学技术部、国家发改委、中央网信办、工信部、中国工程院等多个部门参与的人工智能联合推进机制。
在战略引导和项目实施上，中国也做了整体规划和部署，并分为三步走：
第一步，到2020年，人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点。
第二步，到2025年，人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平。
第三步，到2030年，人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。
二、资本支持
美国CB风险投资公司发布的《2018年人工智能发展趋势》报告显示，2017年，中国人工智能初创企业股权融资额占全球总量的48%，高出美国10个百分点。
报告说，人脸识别和人工智能芯片是中国促进人工智能产业发展的两个关键领域，其中旷视科技、商汤科技和云从科技等企业在人脸识别领域表现抢眼。在芯片领域，中国企业寒武纪科技发布了自主研发的机器学习处理器，宣称未来三年将占领10亿台设备。
报告显示，以“深度学习”和“人工智能”等关键词进行检索，来自中国的专利数量大幅高于美国的专利数量。其中，以“深度学习”为关键词的中国专利数量是美国的6倍。据德勤近日发布的《中国人工智能产业白皮书》报告称，自2013年以来，全球和中国人工智能行业投融资规模都呈上涨趋势。2017年全球人工智能投融资总规模达395亿美元，融资事件1208笔，其中中国的投融资总额达到277.1亿美元，融资事件369笔，中国人工智能企业融资总额占全球融资总额70%，融资笔数达31%。截至2017年，中国的人工智能创业公司只占全球的9%，但是却拿到了全球48%的投资。
三、产业布局
在产业布局领域，有数据显示，截至2017年6月，全球人工智能企业总数达到2542家，其中美国拥有 1078家，占据42％；中国第二，拥有592家，占据23％。中美两国相差486家。其余872家企业分布在瑞典、新加坡、日本、英国、澳大利亚、以色列、印度等国家。
其中，美国AI产业在基础层、技术层和应用层，尤其是在算法、芯片和数据等产业核心领域，积累了强大的技术创新优势，各层级企业数量全面领先中国。
从基础层（主要为处理器／芯片）企业数量来看，中国拥有14家，美国33家，中国仅为美国的42％。
技术层（自然语言处理／计算机视觉与图像／技术平台）方面，中国拥有273家，美国拥有586家，中国为美国的46％。
应用层（机器学习应用／智能无人机／智能机器人／自动驾驶辅助驾驶／语音识别），中国拥有304家，美国拥有488家，中国是美国62．3％。
可以看出，相比美国的全产业布局特征，中国主要集中在应用侧，另外在技术层和基础层只是局部有所突破。
在这方面，美国之所以遥遥领先于中国，是因美国人工智能企业的产生、发展比中国早了5年。美国最早从1991年萌芽，1998进入发展期，2005后开始高速成长期，2013后发展趋稳。而中国AI企业诞生于1996年，2003年产业进入发展期，在2015年达到峰值后进入平稳期。
四、人才
据媒体报道，目前在全球范围内，人工智能领域人才的供给量根本满足不了行业的需求，Element AI于近期搜集并整理出了一份有关人工智能人才在全球分布和流动的情况（包括来自Linkedin【领英】的数据）。
首先，在全球范围内，大约有2.2万名具有博士以上学历的人工智能从业人员和研究人员，有大约5400名人工智能专家经常活跃于各人工智能大会。在美国的人工智能人才数量为最多，共有1.2万余名。之后依次是英国、加拿大、德国、法国、西班牙、中国、印度、日本、新加坡、巴西、波兰、芬兰、韩国和意大利等。英国2100多名，加拿大、德国和法国1000人上下，西班牙与中国600名左右。美国目前依旧是全球人工智能研究与教育的中心。由于美国的科技巨头如谷歌、微软、Facebook、亚马逊、苹果、IBM等能给人工智能人才更宽广的平台，以及优越的工作和生活环境、学术氛围等，对全球各地的人才有着相当大的吸引力。清华大学《中国人工智能发展报告2018》对全球人工智能人才分布的统计显示，至2017年底，全球人工智能人才库有204575人，其中美国排名第一，有28536人，中国排名第二，有18232人。但在顶尖人才数量上，美国有5518名，排名第一，中国只有977名，仅排全球第八。
五、学术
据3月20日长江商学院发布《2018中国人工智能指数》报告显示，中国在人工智能的学术领域发展迅速。在学术期刊及专业会议发表论文的总数方面，呈现快速接近美国的趋势，在2016之后这一趋势尤其明显。
其中，中国的中、低等引用率的论文的发表总数，在最近几年高度接近美国的总数。但在最具原创性最具影响力的极高引用率（被引用1000次以上）和高引用率（被引用100次以上）的论文方面，中国与美国的差距巨大。
具体到领域，在机器学习、文本分析和NLP、计算机图像与视频分析、虚拟代理及群体智能等领域，中国的论文发表总数和被引用总数，最近几年大幅缩小了与美国的差距。但在深度学习、机器人流程自动化，以及包括推理学习等在内的其他领域，从发表总数和引用率看，中国与美国的差距仍然显著。
六、用户需求&产业发展前景
人工智能解决的是与人相关的健康、娱乐、出行等生活场景中的痛点与急需。人的需求会随着社会的发展水平不断升级，人工智能的出现正契合了人们对于智能化生活的需求。
截至2017 年6 月末，中国移动宽带用户（即3G 和4G 用户）总数达到10．4 亿户，4G 用户总数达到8．88 亿户，占移动电话用户的65．1％。其中手机网民规模达7．24 亿，网民使用手机上网高达96．3％，移动互联网居于绝对主导地位。
中国拥有海量的互联网用户，从而带来了庞大的市场。据公开资料显示，2017年6月，中国有6．25亿人上网看新闻，5．14亿人在网络购物，5．11亿人使用网络支付，4．22亿人玩网络游戏，3．53亿人看网络文学，5．65亿人看网络视频，5．24亿人听网络音乐。这种体量超过了美国人口并还在不断增长。这使中国人工智能公司拥有巨大的市场，每一项技术投向市场，得到的回报都会比小市场要高得多。
普华永道对人工智能产业发展前景预测：到2030年，中国的人工智能产业规模为7万亿美元，世界第一；美国人工智能产业规模为3．7万亿美元，世界第二；欧洲人工智能产业规模为2．5万亿美元，世界第三。也就是说，中国的产业规模会比美国和欧洲之和都大。另据媒体报道，中国国务院已经制定了一项计划：到2030年，建立1500亿美元人工智能产业。美国科技媒体geekwire引述的美国西雅图艾伦人工智能研究所(ai2)的一项最新分析表明，到2030年，中国有望成为人工智能领域的全球领跑者。
总而言之，尽管中国在人工智能研发和商用上具有优势，但与美国相比还有不少差距，中国的弱点主要是在顶尖人才、技术标准、软件平台、半导体技术等方面还处于较后位置。

（原创：阿丽西娅）

报：省委省政府领导；省委省政府办公厅、研究室。
送：省主管及相关部门，有关方面。
发：本院各领导，各成员单位。
本刊地址：南京市鼓楼区水佐岗49号省委党校硕研楼
联系电话：13851896600

（文图编配制作：华华）

上一篇：《城市评论》第12期：江苏城市四十年发展回顾与展望论坛
下一篇：《城市评论》第16期：打造新型智慧商圈