人工智慧發展中主流方法的優勢如下

AI時代，中國人工智慧發展優劣勢分析。人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。 人工智慧亦稱智械、機器智慧，指由人制造出來的機器所表現出來的智慧。通常人工智慧是指透過普通計算機程式來呈現人類智慧的技術。透過醫學、神經科學、機器人學及統計學等的進步，有些預測則認為人類的無數職業也逐漸被人工智慧取代。

人工智慧行業發展優勢

1）政策大力促進

自2015年人工智慧在國內快速發展以來，國家就陸續出臺了相關扶持政策助力人工智慧技術與產業的深度融合和落地應用。在政府工作報告中，多次談及人工智慧重要性，為人工智慧如何賦能新時代指明方向。從2017年的“加快人工智慧等技術研發和轉化”，到2018年“加強新一代人工智慧應用”，到2019年“深化大資料、人工智慧等研發應用”一系列關鍵詞的出現，可以看出中國人工智慧產業從初步發展步入了快速發展的階段。

科技部頒發的《國家新一代人工智慧創新發展實驗區建設工作指引》指出，“開展人工智慧技術應用示範、人工智慧政策試驗、人工智慧社會實驗，積極推進人工智慧基礎設施建設。到2023年，佈局建設20個左右的實驗區，創新一批切實有效的政策工具，形成一批人工智慧與經濟社會發展深度融合的典型模式，積累一批可複製可推廣的經驗做法，打造一批具有重大引領帶動作用的人工智慧創新高地。”

2）海量資料資源優勢

從目前人工智慧的發展情況來看，演算法和算力已經基本不存在技術壁壘，而資料將成為決定專案成敗的關鍵。缺乏資料的人工智慧就是無米之炊。在資料方面，中國的基礎資料量遠遠領先歐美，優勢不僅僅體現在人們透過手機和電腦產生的資料，還有很多傳統的離線商業活動中多樣化、更深入的大量資料，如共享單車使用資料、診斷用醫療掃描、汽車事故資料、銀行存取款、農田衛星影象等。中國政府資料也在逐步加大開放的力度。

3）應用場景優勢

中國人工智慧應用場景廣泛，向各行各業滲透的過程中，安防和金融行業的人工智慧使用率最高，零售、交通、教育、醫療、製造、健康行業次之，AI領域內有很多行業和產品化的投資機會，出現了一大批人工智慧領域的新興科技企業，如曠視科技、極鏈科技、依圖科技等公司，在各個應用場景下快速發展。

4） 青年人才優勢

在擴大人才培養規模方面，人工智慧已被納入“國家關鍵領域急需高層次人才培養專項招生計劃”支援範圍，精準擴大人工智慧相關學科高層次人才培養規模。2018年以來，教育部啟動了多項促進AI教育的舉措，這些舉措包括建立50個AI研究中心、世界一流的線上課程以及5年培養500多名教授和5000多名學生。提升人工智慧領域青年人才培養水平，將為中國搶佔世界科技前沿，實現引領性原創成果的重大突破，提供更加充分的人才支撐。

中國人工智慧行業薄弱環節

1）基礎理論和底層技術不足

由於中國人工智慧產業重應用技術、輕基礎理論，底層技術積累薄弱，存在“頭重腳輕”的結構不均衡問題，使中國人工智慧產業猶如建立在沙灘上的城堡，根基不穩。基層技術積累薄弱使人工智慧核心環節受制於人，阻礙人工智慧領域重大科技創新，不利於國內企業參與國際競爭。

2）高階器件方面GPU

目前 AI基礎軟硬體仍由歐美國家大型企業主導，華人工智慧在基礎軟硬體方面的缺失會導致在技術上和應用上“空心化”的風險。AI 晶片設計的基礎半導體器件仍主要由NVIDIA、IBM和 Intel等國外企業生產和壟斷。目前，中國微電子/光電子研發的原創性和基礎能力較弱。因此應充分重視 AI基礎軟硬體對人工智慧發展的作用，儘早擺脫 AI基礎軟硬體依賴進口的現狀，全面支撐各領域的智慧需求。

3）發展氛圍顯浮躁

人工智慧市場火熱，但存在企業和政府對產業發展理解不透、思考不足，普遍高估並急於兌現人工智慧的近期商業價值。AI產業發展氛圍略顯浮躁，近兩年已有部分初創企業面臨在同質化競爭格局下倒閉的風險。人工智慧產業未來發展很有可能面臨著週期性波動幅度。

4）高階人才不充足

雖然基礎人員儲備量巨大，但中高階人才缺少，中國高階人才只相當於美國20%。兼顧人工智慧與傳統產業的跨界人才不充足，限制了產業發展以及與實體經濟的深度融合發展，不利於人工智慧在各垂直行業的應用推廣。

人工智慧在 2030～2040 將可能會成為一個重要起點，但作為一個新興領域，面臨著一系列挑戰，還有許多基礎性的科技難題沒有突破。以及在AI技術深入應用落地過程中，倫理、安全、隱私等問題也愈發值得關注。

符號主義人工智慧（Symbolic AI）為核心的邏輯推理

資料驅動（data-driven）為核心的機器學習

探索與利用（exploration and exploitation）為核心的強化學習

人工智慧主流三種方法區別

學習模式 優勢 不足

用規則教 與人類邏輯推理相似，解釋性強 難以構建完備的知識規則庫

用資料學 直接從資料中學 以深度學習為例：依賴於資料，解釋性不強

用問題引導 從經驗中進行能力的持續學習 非窮舉式搜尋而需更好策略

從資料到知識與能力，能力增強是最終目標

值得關注的是三種學習方法的綜合利用！