中国电子学会发布十项最具成长性的AI技术

为加强对新一代人工智能技术的前瞻预判，把握全球技术创新动态及发展趋势，中国电子学会近期走访人工智能相关企业及高校院所专家，遴选发布了十项最具特色的成长性技术

主要内容如下：

——对抗性神经网络。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，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，未来将应用于自动驾驶、安防监控等领域。

——胶囊网络。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。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应用前景。

——云端人工智能。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。它能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、教育等多个行业领域。

——深度强化学习。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。该技术能显著提升机器智能适应复杂环境的效率，在智能制造、智能医疗、智能教育、智能驾驶等领域发展前景广阔。

——智能脑机交互。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。该技术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、航空航天等领域。

——对话式人工智能平台。是融合语音识别、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。该技术能实现机器与人在对话服务场景中的自然交互，未来有望大规模应用于智能可穿戴设备、智能家居、智能车载等领域。

——情感智能。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。可赋予机器设备更好地对人类情感的识别、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，未来将频繁、深入应用于智能机器人、智能虚拟助手等领域。

——神经形态计算。即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。该技术旨在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、智能搜索等领域广泛应用。

——元学习。将神经网络与人类注意机制相结合，使机器智能具备快速自主学习能力。该技术能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，未来将促使人工智能从专用阶段迈向通用阶段。

——量子神经网络。即采用量子器件搭建神经网络，优化神经网络结构和性能，这项技术利用量子计算超高速、超并行、指数级容量的特点，有效缩短神经网络的训练时间，未来将在人脸识别、图像识别、字符识别等领域实现广泛应用。