2018-2019年十项最具特色的成长性技术的AI技术

中国电子学会 17 日在北京举行的 2018 世界机器人大会上发布《新一代人工智能领域十大最具成长性技术展望 (2018-2019 年)》，对抗性神经网络、胶囊网络、情感智能、神经形态计算、量子神经网络等入选。

在2018世界机器人大会17日的主论坛上，中国电子学会发布《新一代人工智能领域十大最具成长性技术展望（2018-2019年）》。

当前，全球正在经历科技和产业高度耦合、深度迭加的新一轮变革，大数据的形成、理论算法的革新、计算能力的提升及网络设施的演进驱动人工智能进入新一轮创新发展高峰期，新技术持续获得突破性进展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等以应用为导向的新特征。加强新一代人工智能技术的前瞻预判，准确把握全球技术创新动态及发展趋势，将为行业健康发展、资金有序进入、政策规划出台、新兴市场开拓等提供具备决策参考价值和实践指导意义的智力支撑。

围绕于此，中国电子学会依据国家出台的《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）》等一系列政策规划，调研走访了一批在新一代人工智能技术及产业方面具备领先水平和特色的龙头企业，组织拜访了来自于知名高校、研究机构的人工智能相关领域专家学者，系统梳理了权威智库和知名战略咨询公司的最新报告，遴选了十项最具特色的成长性技术，得出以下结论：

一、对抗性神经网络。是指由一个不断产生数据的神经网络模块与一个持续判别所产生数据是否真实的神经网络模块组成的神经网络架构，创造出近似真实的原创图像、声音和文本数据的技术。该技术有望大幅提升机器翻译、人脸识别、信息检索的精度和准确性，随着三维模型数据序列能力的提升，未来将在自动驾驶、安防监控等领域产生可观的应用价值。

图1：对抗性神经网络中产生数据与判别数据持续进行

资料来源：《麻省理工科技评论》

二、胶囊网络。是指在深度神经网络中构建多层神经元模块，用以发现并存储物体详细空间位置和姿态等信息的技术。该技术能使机器在样本数据较少情形下，快速识别不同情境下的同一对象，在人脸识别、图像识别、字符识别等领域具有广阔的应用前景。

图2：胶囊网络算法可以从不同角度识别同一物体

资料来源：International Conference on Learning Representations，

《Matrixcapsules with EM routing》

三、云端人工智能。是指将云计算的运作模式与人工智能深度融合，在云端集中使用和共享机器学习工具的技术。该技术将庞大的人工智能运行成本转移到云平台，能够有效降低终端设备使用人工智能技术的门槛，有利于扩大用户群体，未来将广泛应用于医疗、制造、能源、教育等多个行业和领域。

图3：推出人工智能服务的主要云计算公司

资料来源：中国电子学会整理

四、深度强化学习。是指将深度神经网络和具有决策能力的强化学习相结合，通过端到端学习的方式实现感知、决策或感知决策一体化的技术。该技术具有无需先验知识、网络结构复杂性降低、硬件资源需求少等特点，能够显著提升机器智能适应复杂环境的效率和健壮性，将在智能制造、智能医疗、智能教育、智能驾驶等领域具有广阔发展前景。

图4：深度强化学习具有良好的结构特点

五、智能脑机交互。是指通过在人脑神经与具有高生物相容性的外部设备间建立直接连接通路，实现神经系统和外部设备间信息交互与功能整合的技术。该技术采用人工智能控制的脑机接口对人类大脑的工作状态进行准确分析，达到促进脑机智能融合的效果，使人类沟通交流的方式更为多元和高效，未来将广泛应用于临床康复、自动驾驶、航空航天等多个领域。

图5：智能脑机交互使人类沟通交流高效化

六、对话式人工智能平台。是指融合语音识别、语义理解、自然语言处理、语音合成等多种解决方案，为开发者提供具备识别、理解及反馈能力的开放式平台的技术。该技术能够实现机器与人在对话服务场景中的自然交互，未来有望在智能可穿戴设备、智能家居、智能车载等多个领域得到大规模应用。

图6: 对话式人工智能平台结构

资料来源：IDC，中国电子学会整理

七、情感智能。是指利用人工智能手段模拟表情、语气、情感等类人化情绪响应，以打造具有情绪属性的虚拟形象的技术。该技术可赋予机器设备更好的对人类情感的识别、理解和引导能力，为用户带来更具效率和人性化的交互体验，未来将在智能机器人、智能虚拟助手等领域得到更为频繁和深入的应用。

图7：情感智能技术将模拟人的情绪

资料来源：《人类神经科学前沿》

八、神经形态计算。是指仿真生物大脑神经系统，在芯片上模拟生物神经元、突触的功能及其网络组织方式，赋予机器感知和学习能力的技术。该技术的目标在于使机器具备类似生物大脑的低功耗、高效率、高容错等特性，将在智能驾驶、智能安防、智能搜索等领域具有广阔应用前景。

图8：神经形态计算的结构

资料来源：中国电子学会整理

九、元学习。是指将神经网络与人类注意机制相结合，构建通用算法模型使机器智能具备快速自主学习能力的技术。该技术能够使机器智能真正实现自主编程，显著提升现有算法模型的效率与准确性，未来的进一步应用将成为促使人工智能从专用阶段迈向通用阶段的关键。

图9：元学习实现快速自主学习

资料来源：arXiv.org，《MatchingNetworks for One Shot Learning》

十、量子神经网络。是指采用量子器件搭建神经网络，优化神经网络结构和性能的技术。该技术充分利用了量子计算超高速、超并行、指数级容量的特点，有效缩短了神经网络的训练时间，未来将在人脸识别、图像识别、字符识别等领域具有重要应用价值和广阔前景。

图10：量子神经网络结构示意图

资料来源：联合量子研究院（JQI）