Ⅰ 人工智慧發展現狀和趨勢如何

人工智慧的發展現狀處於成長期，由於相關人才的數量比較少，人工智慧的人才市場處於空缺，出現了供不應求的狀況。加之國家發布相關政策促進人工智慧的發展；一些省份也比較重視人工智慧的發展

Ⅱ 人工智慧時代的到來，人工智慧未來有發展狀況嗎

隨著深度學習技術的成熟，AI人工智慧正在逐步從尖端技術慢慢變得普及。AlphaGo和人類的對弈，並不是我們以往所理解的電子游戲，電子游戲的水平永遠不會提升，而AlphaGo則具備了人工智慧最關鍵的「深度學習」功能。AlphaGo中有兩個深度神經網路，Value Networks（價值網路）和 Policy Networks（策略網路）。其中Value Networks評估棋盤選點位置，Policy Networks選擇落子。這些神經網路模型通過一種新的方法訓練，結合人類專家比賽中學到的棋譜，以及在自己和自己下棋（Self-Play）中進行強化學習。也就是說，人工智慧的存在，能夠讓AlphaGo的圍棋水平在學習中不斷上升。
人工智慧的技術應用主要是在以下幾個方面：
自然語言處理（包括語音和語義識別、自動翻譯）、計算機視覺（圖像識別）、知識表示、自動推理（包括規劃和決策）、機器學習和機器人學。按照技術類別來分，可以分成感知輸入和學習與訓練兩種。計算機通過語音識別、圖像識別、讀取知識庫、人機交互、物理感測等方式，獲得音視頻的感知輸入，然後從大數據中進行學習，得到一個有決策和創造能力的大腦。
從上世紀八九十年代的PC時代，進入到互聯網時代後，給我們帶來的是信息的爆炸和信息載體的去中心化。而網路信息獲取渠道從PC轉移到移動端後，萬物互聯成為趨勢，但技術的限制導致移動互聯網難以催生出更多的新應用和商業模式。而如今，人工智慧已經成為這個時代最激動人心、最值得期待的技術，將成為未來10年乃至更長時間內IT產業發展的焦點。
人工智慧概念其實在上世紀80年代就已經炒得火熱，但是軟硬體兩方面的技術局限使其沉迷了很長一段時間。而現在，大規模並行計算、大數據、深度學習演算法和人腦晶元這四大催化劑的發展，以及計算成本的降低，使得人工智慧技術突飛猛進。

Ⅲ 如何看待人工智慧的發展現狀和未來可能

展望前沿技術探索，未來三到五年最有可能出現突破的就是半監督的學習方法。現在深度卷積神經網路很好，但是它有缺點，即依賴於帶標簽的完備大數據，沒有大數據餵食就不可能達到人類水平，但是要獲得完備的大數據，需要付出的資源代價太大，很多應用場景甚至得不到，比如把全世界的火車照片都搜集起來，這是不可能的事。我們希望能夠做一些小數據、小樣本的半監督學習，訓練數據不大，但是還能夠達到人類水平。
我們做過很多實驗，人為地去掉一半甚至去掉1/4的標簽數據去訓練深度卷積神經網路，希望網路能夠具有舉一反三的能力，通過小樣本或小數據的學習同樣能夠達到人類水平。這方面的研究不管是利用生成式對抗網路，還是與傳統統計機器學習方法相結合，或者是與認知計算方法的結合，證明難度都挺大。比如我們看到了土狗的照片，從來沒見過藏獒、寵物狗，但通過舉一反三就能夠識別出來。這靠什麼？靠推理。人類不完全是基於特徵提取，還靠知識推理獲得更強的泛化能力。而現在的深度卷積神經網路是靠多級多層的特徵提取，如果特徵提取不好，識別結果就不好，就達不到人類水平。總之，特徵提取要好就必須要有完備的大數據。但不管怎樣，相信具有「特徵提取+知識推理」的半監督或者無監督的深度卷積神經網路三到五年會有突破，而且還是基於端到端學習的，其中也會融入先驗知識或模型。相對而言，通用人工智慧的突破可能需要的時間更長，三到五年能不能突破還是未知，但是意義非常重大。
在半監督、無監督深度學習方法突破之後，很多行業應用包括人工智慧場景研發都會快速推進。實際應用時我們一般都通過數據迭代、演算法迭代向前推進。從這個角度來說，AlphaGo中體現的深度強化學習代表著更大的希望。因為它也是基於深度卷積神經網路的，包括以前用的13層網路，現在用的40層卷積神經網，替代了以前的淺層全連接網路，帶來的性能提升是很顯著的。
為什麼深度強化學習更有意義？首先它有決策能力，決策屬於認知，這已經不僅僅是感知智能了。其次AlphaGo依賴的僅僅是小數據的監督學習。3000萬的6-9段人類職業棋手的棋局，對人類來說已經是大數據了，但對圍棋本身的搜索空間來講則是一個小數據。不管柯潔還是聶衛平，都無法記住3000萬個棋局，但19x19的棋盤格上，因每個交叉點存在黑子、白子或無子三種情況，其組合數或搜索空間之巨大，超過了全宇宙的粒子數。對具有如此復雜度的棋局變化，人類的3000萬個已知棋局真的就是一個小數據，AlphaGo首先通過深度監督學習，學習人類的3000萬個棋局作為基礎，相當於站在巨人的肩膀上，然後再利用深度強化學習，通過自我對弈、左右互搏搜索更大的棋局空間，是人類3000萬棋局之外的棋局空間，這就使AlphaGo 2.0下出了很多我們從未見過的棋譜或者棋局。
總的來說，深度強化學習有兩大好處，它尋找最優策略函數，給出的是決策，跟認知聯系起來。第二，它不依賴於大數據。這就是前面說的小數據半監督學習方法。因為在認知層面上進行探索，而且不完全依賴於大數據，因此意義重大，魅力無窮。相信深度強化學習非常有潛力繼續向前發展，將大大擴展其垂直應用領域。但是它本身並不是一個通用人工智慧。AlphaGo只能下圍棋不能同時下中國象棋、國際象棋，因此還只是專注於一個「點」上面的，仍屬於弱人工智慧。
實現通用人工智慧，把垂直細分領域變寬或者實現多任務而不是單任務學習，對深度神經網路而言，沿什麼樣的技術途徑往前走現在還未知，但是肯定要與基於學習的符號主義結合起來。通用人工智慧現在沒有找到很好的線索往前走，原因一是因為神經網路本身是黑箱式的，內部表達不可解析，二是因為傳統的卷積神經網路本身不能完成多任務學習。可以考慮跟知識圖譜、知識推理等符號主義的方法結合，但必須是在新的起點上，即在已有大數據感知智能的基礎上，利用更高粒度的自主學習而非以往的規則設計來進行。另外從神經科學的角度去做也是可能的途徑之一。

Ⅳ 人工智慧機器人的發展現狀及發展趨勢

機器人有三個發展階段，那麼也就是說，我們習慣於把機器人分成三類，一種是第一代機器人，那麼也叫示教再現型機器人，它是通過一個計算機，來控制一個多自由度的一個機械，通過示教存儲程序和信息，工作時把信息讀取出來，然後發出指令，這樣的話機器人可以重復的根據人當時示教的結果，再現出這種動作，比方說汽車的點焊機器人，它只要把這個點焊的過程示教完以後，它總是重復這樣一種工作，它對於外界的環境沒有感知，這個力操作力的大小，這個工件存在不存在，焊的好與壞，它並不知道，那麼實際上這種從第一代機器人，也就存在它這種缺陷，因此，在20世紀70年代後期，人們開始研究第二代機器人，叫帶感覺的機器人，這種帶感覺的機器人是類似人在某種功能的感覺，比如說力覺、觸覺、滑覺、視覺、聽覺和人進行相類比，有了各種各樣的感覺，比方說在機器人抓一個物體的時候，它實際上力的大小能感覺出來，它能夠通過視覺，能夠去感受和識別它的形狀、大小、顏色。
那麼第三代機器人，也是我們機器人學中一個理想的所追求的最高級的階段，叫智能機器人，那麼只要告訴它做什麼，不用告訴它怎麼去做，它就能完成運動，感知思維和人機通訊的這種功能和機能，那麼這個目前的發展還是相對的只是在局部有這種智能的概念和含義，但真正完整意義的這種智能機器人實際上並沒有存在，而只是隨著我們不斷的科學技術的發展，智能的概念越來越豐富，它內涵越來越寬。

現在開發的機器人應該是處於第一第二階段之間。有興趣的話可以加 網路hi好友來探討一下~我也比較喜歡研究這方面的技術。

Ⅳ 人工智慧到來的時代會是什麼樣子

人工智慧到來的時代，我覺得是什麼都不需要人工了，一切都是機械化，每天的活或者購物都離不開人工智慧不再需要人為去做這些事情。