读人工智能全球格局：未来趋势与中国位势16中国之路

1. 数据优势

1.1. 人工智能在现阶段甚至相当长的一段时间内大概率将沿袭当前的技术路径，即依赖大数据机器学习的数据智能

1.2. 各国政府、企业、研究机构在推动人工智能算力算法升级和产业落地的过程中，都将依赖于庞大的数据基础，而这正是中国发展人工智能的优势所在

1.3. 数据优势

• 1.3.1. 具备极其庞大的数据体量

  • 1.3.1.1. 庞大的人口规模、丰富的应用场景、多元化的商业模式和高度的互联网普及，使得中国无论在数据体量方面还是在数据类型方面都具有得天独厚的优势，有效奠定了人工智能模型训练所需的大数据基础

  • 1.3.1.2. 中国庞大而丰富的数据不仅是人工智能的“燃料”​，更成为人工智能的“养料”​，为人工智能技术的发展注入了丰富营养

• 1.3.2. 具备相对宽松的数据获取和应用条件

  • 1.3.2.1. 与西方国家动辄将个人数据与人权、科技公司影响力及隐私安全挂钩，围绕数据的使用和共享开展激烈争论的现实情况不同，中国民众更倾向于分享个人数据，以获得更加便利和优质的服务体验

  • 1.3.2.2. 无论是政府还是企业都能够在场景落地的过程中获得极为丰富的大数据支持，如个人信用历史、行为偏好、人脉信息、履约能力、身份特质等，而这也催生了中国人工智能在定制化服务、生物医药、自动驾驶、金融科技、治安监控等领域的普遍应用和全面开花

  • 1.3.2.3. 中国政府和企业也高度重视在确保数据安全能力建设和数据共享规则建设的同时，推动政府间、行业间以及政府与产业的数据共享，以期打破数据壁垒，消除数据鸿沟，进一步推动人工智能技术和产业的发展

• 1.3.3. 具备得天独厚的数据标注成本优势

  • 1.3.3.1. 数据是人工智能的“养料”​，在对人工智能进行“喂养”训练之前，人们必须对这些数据进行严格的清洗和标注​，作为有监督机器学习的先验经验

  • 1.3.3.2. 在相当程度上，人工智能系统的优化取决于数据标注的数量和质量

  • 1.3.3.3. 数据标注分为分类标注（应用于情绪识别等）​、标框标注（应用于物品识别等）​、区域标注（应用于自动驾驶等）​、标点标注（应用于人脸识别等）​，以及根据不同需求的个性化标注，这既是人工智能的基础支撑，但同时也需要耗费巨大的人力

  • 1.3.3.4. 中国相对较低的劳动力成本和巨大的劳动力规模则体现出相当的优势

1.4. 数据优势并不能使中国人工智能发展高枕无忧

• 1.4.1. 数据的流通交换也在国内国外面临着不同的瓶颈

• 1.4.2. 出于对国家安全、公民隐私以及数据交易规则的担忧，中国政府在数据开放方面的力度仍不强

• 1.4.3. 跨境数据流通的规则仍不明朗，我国企业在数据领域的全球合作仍面临诸多不确定性

  • 1.4.3.1. 出于国内层面对数据安全的考虑

  • 1.4.3.2. 受到国际社会尤其是发达国家出于限制中国人工智能发展而设定的一系列规则障碍的影响

2. 技术积淀

2.1. 专利是给天才之火浇上利益之油。

• 2.1.1. 美国第16届总统亚伯拉罕·林肯

2.2. 高水平论文代表着前沿科技的行进方向，是技术突破和走向商用的基础沉淀，专利则进一步保护和激发了创新活力，起到了引领创新决策、巩固创新地位、实现创新价值的作用，为发明创造、技术突破、企业成长以及技术的推广应用提供源源不断的可持续动力

2.3. 在人工智能领域，高水平论文和专利的这一作用尤其突出，其数量和质量直接代表了这一技术领域发展的技术积淀，在相当程度上决定着未来的发展势头

2.4. 无论是论文总量还是高被引论文数，中国的论文数量皆居世界第一，尤其是论文产出总量是排名第三的英国的近4倍

2.5. 国家电网、百度、中科院、腾讯、阿里巴巴等成为主要玩家，且专长领域各有不同

• 2.5.1. 国家电网、百度、中科院、腾讯、阿里巴巴等成为主要玩家，且专长领域各有不同

• 2.5.2. 百度则专长于自动驾驶、语音识别、自然语言处理、智能搜索和推荐四大技术领域

• 2.5.3. 中科院的专利主要集中在机器学习、基础算法、计算机视觉和图像识别等方向

2.6. 中国也已成为全球人工智能专利最多的国家

2.7. 中国的人工智能人才储备也日渐丰富

2.8. 无论在高被引论文、专利还是人才储备方面，我们仍存在着不同程度的短板和缺陷

• 2.8.1. 在论文方面，我国仍缺乏真正有原创性、突破性、标志性的基础研究成果

• 2.8.2. 人才培养课程尚未形成体系，按高H因子衡量的中国真正的杰出人才数量稀少

3. 资本热情

3.1. 在2012年，杰弗里·辛顿带着他的卷积神经网络参加ImageNet图像识别大赛，以84.7%的准确率摘得桂冠，成功证明深度学习的应用潜力之时，国内创业力量尚在彷徨寻路，未能聚成合力

3.2. 不乏“伪人工智能”的圈钱公司和急功近利的投机资本

3.3. 中国的人工智能并未因资本利益的驱使畸形发展，而是正在逐步回归理性，进行自发的去伪存真，保持了良好且强劲的发展势头

4. 类脑智能助力

4.1. 以传统冯·诺依曼架构为基础、以数据模型学习驱动的人工智能技术路径正面临着严峻考验，即需要海量数据和高质量标注，自适应能力弱、计算资源消耗大、分析推理能力不足对于非结构化数据的处理产生困难

4.2. 人工智能的另一技术路径—以认知仿生驱动的类脑智能则可以充分克服数据智能的局限和不足

4.3. 发展目标是在结构层次上模仿脑、在器件层次上逼近脑、在功能层次上超过脑，因此也被寄希望成为能够完成自主学习、记忆、推理、感知、决策、多任务处理的通用人工智能技术方案

4.4. 优势

• 4.4.1. 拥有种类丰富的灵长类动物资源

  • 4.4.1.1. 脑科学基础研究是驱动类脑计算创新发展的源头，对大脑生物学机理和运行机制的认识在一定程度上直接决定了类脑计算的发展上限

  • 4.4.1.2. 非人灵长类动物的脑组织结构与人脑更为相近，在大脑结构和认知机制等方面更为复杂和强大，是开展类脑智能研究的理想模型

  • 4.4.1.3. 我国灵长类动物资源非常丰富，全国分布有4科8属24种共45亚种，约占世界非人灵长类物种的10%，人工养殖存栏数达30余万只，我国已成为全球非人灵长类实验动物数量最多、规模最大的国家

• 4.4.2. 具备类脑智能研究的先发优势

  • 4.4.2.1. 对于类脑智能的研究不但开始时间早，而且布局广泛，进展显著

  • 4.4.2.2. 清华大学类脑计算研究中心研发出具有自主知识产权的类脑芯片，完全弃用了传统的冯·诺依曼架构，实现了基于1024个氧化物忆阻器阵列的类脑计算，功耗则低于传统芯片的千分之一

• 4.4.3. 具备达到世界尖端水平的大脑成像技术

  • 4.4.3.1. 对大脑认知机制进行探究的关键在于对脑连接进行清晰成像

  • 4.4.3.2. 华中科技大学骆清铭团队的研究成果“显微光学切片断层成像技术”(MOST)

  • 4.4.3.3. MOST系统是一种适用于大样本的高分辨率、高通量的三维显微光学成像的系列技术，它在世界上率先实现了单神经元分辨水平全脑神经结构的精准成像

5. 制度优势

5.1. 中国政府从国家战略高度发展人工智能，各项措施激励有效、推进有力

• 5.1.1. 20世纪50年代苏联的“Sputnik Moment”​（卫星时刻）激发了美国政府大力推动卫星研制一样

• 5.1.2. 2016年AlphaGo的横空出世也同样刺激了中国政府的敏感神经

5.2. 出台了以人工智能为焦点的《​“十三五”国家科技创新规划》​《新一代人工智能发展规划》​《促进新一代人工智能产业发展三年行动计划（2018—2020年）​》等多项顶层战略文件

5.3. 拥有高度的组织性、坚实的民意基础和强大的资源协调能力，能够最大限度地汇聚民族的强大凝聚力和发挥强大的行动能力

5.4. 对于人工智能这类高风险、长周期的科技产业项目，中国政府资金的长期支持相当于为该行业注入了一剂强心针，且中国政府可以以支持人工智能研发的财政和税收激励政策

• 5.4.1. 工业结构调整和升级基金、中央基础设施预算、中央科技融资、企业研究开发费用税前加计扣除及重大技术装备保险补偿等形式

5.5. 在人工智能领域给予的强力支持，中国已经从人才输出国向人才引力场转变

5.6. 人工智能发展不可回避的问题就是其技术和产业进步将对社会多个方面产生变革性的深远影响，对现有的社会运行规则形成挑战

5.7. 推动人工智能发展最为紧迫的问题就是前瞻性地做好伦理规范和建立完备的法律框架

5.8. 科技领域安全是国家安全的重要组成部分，要强化国家战略科技力量和加快科技安全预警监测体系建设，围绕人工智能、自动驾驶、服务机器人等领域，加快推进相关立法工作