过去十年里，我们生活在移动互联时代，接下来的十年中，人工智能将统治这个世界。  ————谷歌 CEO 桑达尔·皮查伊

      100年前，电力改造了所有行业的面貌，人工智能也必将如此。   ——百度首席科学家 吴恩达

  轻轻一扫，开启未来AI世界

     2017年伊始，在太平洋西岸，一个名为“Master”的神秘账号横扫了来自中日韩三国的60名围棋界高手。Master最终确认出自最新版AlphaGo——这是在去年3月战胜李世石之后，人工智能（AI）对人类智力最高游戏围棋界毫无悬念的全面统治。

      太平洋西岸，在2017年50周年的CES上展会上，有关AI的概念成为全场标配，人们相信，AI将成为无数革命性技术和产品的开端，在智能硬件、消费电子、机器人、无人机、无人车、工业4.0等领域，AI将成为未来10年乃至更长时间内全球科技业发展的焦点。

      毫无疑问，这是2016年不断登上全球媒体头条的AI爆发曲线不断上扬。现在，AI正以“革命”的形式横扫科技圈，成为活跃在科技领域的核心力量，没有一家巨头公司、创业者和投资人不在谈论AI。还有那部爆火的科幻神剧《西部世界》，也把AI带进了每个影迷的视野当中。　

      “AI革命”已经初现雏形，随着2017年的到来，人们不禁都在万般期待：接下来会发生什么？

      在我们一次次被人工智能所震撼之际，我们可以确定的是，人工智能正在带来新一轮技术和产业变革的趋势，这种革命已经到了爆发的临界点，距离真正走进我们的生活已经不远。在不远的将来，它将在工作、生活、娱乐、经济、思维方式等方方面面给我们带来难以想象的冲击和革命。

      我们还可以预见的是，2017年，将是人工智能技术和应用开始普及的重要一年。AI将在医疗、教育、交通、能源、金融、安防、制造业等众多领域得到众多应用，大大促进这些行业的发展水平，并为用户带来更为优质的服务。

      我们做出的决定是，在2017年电脑报将全面深入追踪这场革命。我们以“AI与机器人”命名，用传统报纸+新媒体（微信公众号：dnbai2017)等多种形式，对这场革命中的技术、人物、企业、资本、市场、应用等进行长期性的、系统性的深入关注和报道。

      现在，站在AI革命爆发的临界点，我们有必要首先搞清楚一些问题：人工智能是什么？这场革命为何在60年后才爆发？是什么带来了这场革命，在2017年在可预测范围内，又会带来怎样的震撼和改变？

AI：一种机器赋予人的智能

       种种关于AI的解释，大同小异，就是让计算机模拟人的大脑智慧

      一个至关重要问题是，人工智能到底是什么？或者说，到底什么才是真正的人工智能？

      人工智能，全称Artificial Intelligence，作为计算机科学的一个分支，从1956年被公认为一个学科之后，至今经历了60年的发展。它最早的历史，可以追溯到艾伦·图灵的论文《机器能思考吗》，他提出了著名的图灵测试来定义机器如何智能——直到2014年6月，超级电脑“乌克兰男孩” “尤金·古兹曼”才历史上首次通过了这次测试。

      智能是人类的特征之一，然而对于什么是人类智能，过去几十年来，学界至今没有给出令人满意的答案。既然人类智能无法被定义，人工智能也只好众说纷纭了。

      因为，这涉及到机器的意识、自我、思维等等问题。目前，对人工智能比较认可的两种定义，一是来自美国斯坦福大学人工智能研究中心尼尔逊教授：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”麻省理工学院计算机科学家帕特里克·亨利·温斯顿（Patrick Henry Winston）在《人工智能》教科书里所下定义是：“人工智能就是研究如何使计算机去做过去只有人才能做的智能的工作。”

      而在加州大学伯克利分校计算机科学系教授斯图尔特·罗素（Stuart Russell）的《人工智能，一种现代的方法》中，罗素认为人工智能是一种类人行为，类人思考，理性的思考，理性的行动。

      2016年10月，阿里云研究中心也在一份报告中下了一个定义：“人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。”

      几种解释，大同小异，就是让计算机模拟人的大脑智慧，如学习、记忆、推理、搜索、分析、归纳、创新，甚至模拟和拥有人的情感、意识，使计算机或机器人能够胜任一些通常需要人类智能才能完成的复杂工作。

      回头看去，这些理解，依然没有跳出人工智能成立的初衷——1956年夏天，麻省理工学院科学家约翰·麦卡锡（John McCarthy）在达特茅斯大学召开了一次会议，这个会议几十年来屡次被提及，被认为是人工智能研究的第一缕曙光，大多数参与者后来都成了这一领域的开创性人物。

      麦卡锡给这个全新科技领域起了个名字，叫作“人工智能”。他们提出的研究目标是“研制一种人工语言，人们可以使用它来编写计算机程序，去解决那些需要进行合理推测和自我参照的问题……人们也能够利用它来制造一台会做许多其他事情的智能机器”。在1956年，他们甚至认为只要挑选一些科学家一起工作一个夏天，至少在一个或是更多的问题上就能有显著的进展。

      站在60年后的今天，仍不得不去感慨这些先行者的伟大之处：当时氢弹和核弹已出现，他们希望机器智能就和原子一样，是有着巨大可能性的前沿事业。当时，机器在某些专门领域里已经超过了人类，比如“二战”期间，图灵发明的密码破译机破解了德军的密码系统Enigma。

从推理期到学习期的起起伏伏

      人工智能并不等于机器人，人工智能是大脑的话，机器人就是身体——而且这个身体不一定是必需的

      “人工智能研究有三个发展过程：推理期、知识期和学习期。”在2106年4月出版的《机器学习》中，南京大学计算机系教授周志华在著作中如此说。

      最初，人工智能学界希望借鉴数学家的逻辑推理能力，来发展计算机逻辑推理能力。到了上世纪60年代中期，计算机逻辑推理能力已达到了非常高的人类水平。遗憾的是，这些科学家的美好愿景，在未来几十年却遭遇了他们难以想象的浮沉。

      此时，人工智能学界发现机器做事情的能力依然有限。一些实验室里的程序在日常生活中几乎没有用，比如说简单捡起一个球需要的计算工作就非常大。 到了20世纪70年代中期，人工智能研究进入了“知识期”，大家想办法把知识总结出来输入到程序里，大量专家系统问世，很多问题依然无法解决。在意识到多数项目无法成功实现最初的设想之后，人工智能迎来了第一个寒冬：项目被砍、资金缩水、怀疑论甚嚣尘上，人工智能备受冷落。

      此后，人工智能研究以机器学习为核心的“学习期” 。在那个时期，一类名为“专家系统”的人工智能程序开始为全世界的公司所采纳，“当时很多报道说知识工程师是未来的希望，就如同今天说数据科学家是未来的希望一样。”杨强是香港科技大学计算机系主任，曾创建了华为诺亚方舟实验室，上世纪80年代，杨强在美国读计算机选择研究方向时，他咨询同学意见，大家异口同声地说人工智能。

      1984年，道格拉斯·里南（Douglas Lenat）博士将常识编程到了一台电脑中，这台电脑叫作CYC，是百科全书（Encyclopedia）的简称。他的目标是给予CYC一亿条常识。这些知识将帮助它进行合理的比较，高效地做出决定，删除不实际或者不符合需求的方案。

      并非所有的事实都这么黑白分明，人们很快就发现，虽然手里有非常强大的专家系统，但它毕竟只是一个外壳。更大危机随之到来，海湾战争中，有专家系统的导弹驱逐舰错把一架波音747飞机识别成F14战斗机，自行决定越过舰长发射两枚导弹，造成了300多平民死亡的惨剧。

      “人工智能”一词开始让人感到厌烦。麦卡锡也坦言：“那次会议中，我提出的许多研究计划都是非常不切实际的。”这个观点，即便在1997年深蓝击败了世界国际象棋冠军之后也没有改变，他说，某种角度上，“深蓝”取胜并不是因为比人聪明，而是它的运算速度是人脑的几百万倍。它就像一台计算器，能算算术但毫不理解什么是数学。“这不是真正的人工智能。”

      事实上，人工智能和软件分界线并不是特别明显。很多人工智能，事后被认为是一般的软件应用而非特殊的人工智能应用。

      这样的困惑，困扰着整个业界。“智能究竟是什么？究竟能到什么程度？到现在依然没有定论。归根结底，我们用一个名词来描述N个概念，所以才产生了困惑。”杨强说。

      在业界，由于AI概念没有准确定义，科学家们通常按照其实力将其分成“三重门”：弱人工智能(ANI)、强人工智能(AGI)以及超人工智能(AGI)。

      通常情况下，弱人工智能是指仅在单个领域比较牛的人工智能程序。比如苹果的Siri、微软的Cortana、亚马逊的推荐引擎等等，甚至就连战胜李世石的谷歌AlphaGo，在很多人看来也只是弱人工智能的代表。

      强人工智能可以像人类一样应对不同层面的问题，它还具有自我学习、理解复杂理念等多种能力。例如IBM的沃森及认知计算技术，百度大脑背后的图像识别、语音交互和深度学习、无人驾驶等技术，都属此类。

      关于第三种AI超级智能（AGI)——牛津哲学家、人工智能思想家Nick Bostrom勾勒了这样一幅场景：它能准确回答几乎所有困难问题的先知模式，能够执行任何高级指令的精灵模式和能执行开放式任务，而且拥有自由意志和自由活动能力的独立意识模式。

      在无数电影、游戏和文章中，AGI都是永生和灭绝最好的灵感来源。不论是《终结者》里的天网，还是《我，机器人》里面会杀人的NS-5型高级机器人，或者在《HER》中与400多人类同时谈恋爱的机器人萨蔓莎，都已逾越了创造它们的人类本身，开启一场史上最大的“种族斗争”。这就像人工智能专家雷·库兹韦尔（Ray Kurzweil）提到的“技术奇点”，人类只要在临界点上被超越，便沦为一种不可自控的掌中之物。

      值得一提的是，尽管AI领域的研究目前包括机器人、语言识别、图像识别、自然语言处理和专家系统等，但是人工智能并不等于机器人。

      百度首席科学家吴恩达博士就在各个场合纠正这个观点：机器人只是人工智能的容器，机器人有时候是人形，有时候不是，人工智能自身只是机器人体内的电脑，有些机器人并没有AI意识在里面。人工智能是大脑的话，机器人就是身体——而且这个身体不一定是必需的。比如，AlphaGo背后的程序和数据是人工智能，它横扫围棋界高手是这个人工智能的人格化体现，但是AlphaGo本身并没有机器人这个组成部分。

深度学习带来的爆发式增长

     超强的计算能力和庞大的数据库，是人工智能现在爆发的关键

2012年还在 Google 的吴恩达 

      “人工智能最近这几年如此火热，是因为机器学习、深度学习、大数据、大计算，这几个元素互相搭建，研发出的技术直接应用到产品上。”近日，在接受本报记者专访时，百度深度学习研究院主任林元庆如此表示，今天成为焦点的AlphaGo、图像识别、机器人、无人机，自动驾驶等技术或产品，都能归纳到深度学习的突破上。

      深度学习并非一个新的概念，实质上是一个非常细分的概念。作为人工智能的一个分支概念，机器学习是一个由高度复杂但重要的数学技术构建的完整工具包，在此工具包协助下，计算机能够使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。

      深度学习则是机器学习下属的一个更为细分的概念，深度学习法模拟的对象是大脑，而不是世界。人类大脑学会做困难的事情——包括理解言语和识别对象——不是通过处理穷举规则，而是通过实践和反馈。作为一个孩子，我们体验世界，作出预测和接收反馈。尽管没有一套详尽的规则，但是我们可以通过训练不断学习。

      深度学习的原理类似。简单来说，深度学习就是指机器通过深度神经网络，模拟人脑的机制来学习、判断、决策。因此，今天有些科学家仍喜欢以它原来的名称——深度神经网络来称呼它。它最神奇的地方在于，它的能力属于自动生成，而且自己学会如何找出所需物体、词汇或句段，而不是让人工编写的程序告诉它怎么做。

      神经网络并非一个新兴概念。其起源于1950年代，在1980和1990年代，神经网络算法取得了多项重大突破。不过，由于多种原因，这个只能死记硬背、难以阐释意义的深度学习法一度遇冷。

      2006年，加拿大多伦多大学教授杰弗里·辛顿（Geoff  Hinton）首次提出“深度信念网络”概念,这个概念的出现，让人们明白了不是喂给计算机的数据越多越好，而是要挑选“资优生”进行数据学习，这个“资优生”便是拥有模拟人脑神经元网络的计算机模型。  

      2007年，斯坦福大学人工智能实验室主任李飞飞创办了ImageNet ——包含1400万张有标签图片的免费数据库。 “我们的目标是，大数据将改变机器学习的方式，”她在一次采访中表示。“数据将推动学习。”

      2010年，美国国防部DARPA计划首次资助深度学习项目，参与方有斯坦福大学、纽约大学和NEC美国研究院——但深度学习的流行，仍依赖于以苹果、谷歌为首的科技巨头带来的一系列标志性事件，这也是今天人工智能带来众多革命的基础。

      2011 年，微软推出了应用深度学习技术的商用语言识别产品。2012 年 8 月，谷歌跟着推出同类产品。同年6月，由斯坦福大学教授吴恩达负责的Google大脑，在1000万张图片中识别了猫；10月，杰弗里·辛顿参加图片分类竞赛ImageNet，他们使用深度学习技术打败Google，实现了85%的准确率。

      到了2013年，ImageNet 竞赛前20名全部采用了深度学习技术。在商界，由于擅长处理语音、视觉以及其他复杂人机交互，从苹果在iPhone 4s 上面加入Siri语音识别系统开始，深度学习技术迅速被谷歌、Facebook、微软、百度、亚马逊等技术先驱提到了最为重要的战略地位。

      从现在角度来看，这可能也是人工智能历史中截至目前最重要的收购——2014年，Google花费4亿美元收购英国人工智能公司DeepMind。正是这场收购，为两年后人们看到“人机大战”做了准备。如今，DeepMind已成为全球AI领域的一块金字招牌，这帮助谷歌在全球AI争夺战中占据了战略优势。

      “几个月之中，整个业界就转向了深度学习，这在我30年的研究生涯里，从未见过的风卷残云趋势。”1980和1990年代写出大赛获胜算法的深度学习元老燕乐存（Yann LeCun）说，他是Facebook重金招募的深度学习专家之一——科技公司对每一位擅长神经网络的程序员展开了激烈角逐，重金聘用人才，不惜到研究机构去挖角。

      与过去不同的是，今天的计算机科学家手中握有两件超级武器：计算机硬件、大规模集群技术的兴起，加上GPU的应用以及众多优化算法的出现，让计算机拥有超强的计算能力和庞大的数据库，这是深度学习为首的人工智能现在爆发的关键——让深度学习大行其道的关键要素是数据，需要学习大量实例，就像小孩收集现实世界的信息一样。　

      有业内人士如此描述深度学习和大数据的关系，就像火箭和燃料一样：火箭虽然厉害，但没有大数据这个燃料也只是一堆废铁。在大数据燃料支撑下，图像识别、语言识别、NLP、生物医药等所有领域，都可以“喂”给深度学习处理。喂给它的数据越多，它就变得能力越强、越聪明，并且只会吃不饱，不会消化不良。

难以想象的未来边界

      一百年前，电力变革了一个又一个行业，现在AI也在做同样的事情。

Facebook人工智能研究组

       如今，深度学习似乎无所不在、无孔不入：在安防行业检测人脸和目标追踪；进行图片和视频的检测、分割和标注；数十种不同语言的实时翻译；识别大型强子对撞机中的粒子；使用深度学习来制造无人驾驶汽车和机器人等等……

      “在过去，许多标普500强CEO希望自己能早点意识到互联网战略的重要性。我想现在，以深度学习为基础的人工智能的重要性甚至超过了互联网。”曾经负责建立Google大脑、现任百度首席科学家的吴恩达看来，互联网这个比喻已经不足以形容AI及深度学习的隐含意义。“AI就是新的电力。仅仅一百年前，电力就变革了一个又一个行业，现在AI也会做同样的事情。”

      2012 年时，谷歌有两个深度学习项目。现在这个数字超过了 1000。现在谷歌所有主要产品分区中，从搜索、安卓、Gmail、翻译、地图、YouTube 到无人车，都有深度学习的影子。

      2011年，IBM 旗下的沃森 赢得《危险边缘》 时虽用了人工智能，但没用到深度学习。但现如今， 沃森提供的 30 多种服务都因为深度学习而得到增强。硬件芯片公司也是如此，在英伟达2016年第3季度83分钟的财报会议上，深度学习被提到了 81 次。英特尔收购了 Nervana Systems（超过 4 亿美元）和 Movidius（金额未公开），两家针对深度学习做技术的公司。

      在无人车领域，,Google、沃尔沃、福特、宝马、百度、英特尔等全球近 20 家企业均已宣称,5 年后即 2021 年将会是无人驾驶汽车元年。而相比面对普通消费者，工业使用人工智能似乎对人的工作生活影响更大。

      即便如此，深度学习也不是万能的——建立神经网络的基本流程是，搜集大量数据样本，让模型学习样本，从中找出数据的内在规律。南京大学计算机科学与技术系周志华教授指出，当前人工智能的一个技术瓶颈，就是解决问题前先要获取大量高质量数据样本，而人类在学习新事物时往往只需很少的样本。

      这意味着，深度学习还没有真正进入“非监督式学习”阶段，意味着它并不能教导自己。比如，无人汽车也许有比人类更敏锐的眼睛，但仍无法在危险来临时做出道德、情感选择，而如果这一步“自我学习意识”实现的话，机器方始有了威胁性的生命。

      现在来看，理解语言距离创造一个具有人类意识的“常识项目”还很遥远。Facebook曾尝试为人工智能的初步推理法实行向量嵌入，这个过程将知觉、推理、观点、语言能力整合在一起。Facebook人工智能负责人燕乐存在回答科技期刊《IEEE Spectrum》时这么说：“这还是一个长远的过程。”

      更多科学家则在思考：既然深度学习模型成功的秘诀之一，就在于它模仿了人类大脑的深层体系结构，那么我们为什么不直接模拟人类的大脑呢？

      德国海德堡大学的FACETS计划就是一个利用硬件来模拟大脑部分功能的项目。他们采用数以千计的芯片，复杂程度相当于人类大脑的十分之一。与此对应，由瑞士洛桑理工学院和IBM公司联合发起的“蓝脑计划”则是通过软件来模拟人脑的实践——他们计划2020年左右制造出科学史上第一台会“思考”的机器，将可能拥有感觉、痛苦、愿望甚至恐惧感。

　    这类研究计划也有很大的局限性——迄今为止，我们对大脑的结构以及动力学的认识还相当初级。为了进一步深入了解大脑的运行机制，2013年1月，美国奥巴马政府宣布“脑计划”的启动，该计划在2014年的启动资金为1亿多美元，致力于开发能记录大群神经元甚至是整片脑区电活动的新技术。

　    同年4月，欧盟也发起了“人类大脑计划”，这一计划为期10年，耗资16亿美元，致力于构建能真正模拟人脑的超级计算机。

      2014年10月，日本发起了本国的大脑研究计划。中国不甘落后，2015年，中国科学院（CAS）成立了脑科学与智能技术卓越创新中心。2016年初，中国推出了“中国大脑计划”，这是一个为期15年的项目，关注脑图谱、神经学疾病和脑启发人工智能。

　　  这让人们想到了第二次世界大战后的情景，各国争相发展大科学项目：核武器、太空探索、计算机等等。现在，人工智能的时代已经来临，它最终会为人来带来一个怎样的世界？

2017年，人工智能将在这些方面改变世界 

1、谁能控制智能语音助理市场

      回顾2016年，人工智能最突出的表现之一，就是各大公司加快了商业化进程，其中最突出的表现，是亚马逊旗下智能音箱Amazon Eco在2016年的销量达到300万台，并在2017年底销量达到1000万台。这也就意味着，Amazon Eco很快就将成为亚马逊的又一项10亿美元规模业务。而在2017CES上，CES展上几乎所有公司的新产品都使用了亚马逊Alexa语音助理。

      这个领域受关注的产品还有苹果的AirPods，在使用这一耳机的时候，用户只需要轻触AirPods长柄便可以激活Siri语音助理。对于苹果和亚马逊来说，他们最终目标都是控制目前还非常不成熟的智能语音助理市场。

      在2017年，我们就会看到Siri和Alexa语音助手在争夺用户日常生活控制权方面的正面交手。就目前而言，苹果和亚马逊所采用的战略手段都各有利弊。虽然Siri可以变得无处不在，但也意味着用户需要时刻佩戴AirPods。同时，亚马逊的方案虽然不会让用户出行带来任何负担，但其服务范围却仅限于家中或者车内。

2、谁能在AI争夺战中占得战略地位

      2017年，将是各大IT巨头在AI竞争中占据战略地位的重要一年。 

      除了各个产品都有人工智能影子的谷歌，微软也将自己对人工智能的研发付诸产品之中，来自《金融时报》的消息显示，微软去年在AI研发上花了120亿美元，比谷歌多投入三分之一。这一举措被业界解读为，后PC时代，这个软件巨头欲借人工智能扳回一城。

      把赌注全押在人工智能上的，不只是微软，还有百度。百度在人工智能方面的布局非常全面，无人驾驶技术、自然语言处理技术、图像识别技术等等，百度均有布局。此外，搜狗、腾讯、京东、阿里、网易等所有国内外科技巨头，都降AI看成2017年最重要的发展方向。

3、哪些人类的工作将被AI抢饭碗

      李开复认为，未来50%的工作将会被人工智能取代，在一些领域，如翻译、会计、翻译、保安、司机，90%的工作将会被取代。日本三菱综合研究所学者认为，日本积极运用人工智能技术将导致13年后日本工作岗位的数量减少240万个。

      毫无疑问，在某些领域，人工智能对人类的替代已经开始了。比如媒体行业，国内的AI应用主要体现在简单的体育、财报新闻写作和新闻分发上，而国外则在人工智能辅助新闻生产上做了更多尝试。

      而在已经实现自动化的行业中，机器会在2017年进一步巩固自身的地位。比如流水线生产、仓库装卸、农场采摘，甚至更为精细的配药、打扫、驾驶等。

4、中美英人工智能研究谁能领跑

      目前，全球人工智能企业集中分布在美国、中国、英国，三国拥有的企业数量占总数的65.73%。

      与此相对应，美、中、英三国人工智能企业融资规模也为全球最大，但三者间规模差距较大，美国为英国的21.9倍、为中国的6.96倍。美国人工智能企业融资规模为179.12亿美元，中国为25.72亿美元，英国为8.16亿美元。

      不过，这并不代表美国就已全面领跑了。根据高盛统计的数据显示，2014年以后，中国在涉及到“深度学习”和“深度神经网络”方面被引用的期刊论文数量已经超过美国，并特别指出中国拥有世界领先的语音和视觉识别技术和人工智能研究能力。百度于 2015 年 11 月发布的 Deep Speech 2达到97%的正确率，被《麻省科技评论》评为 2016 年十大突破科技之一。

      在以往重大的信息技术革命中，中国一直都是跟随者的角色。在以物联网、大数据、人工智能等为主导核心的新一代信息浪潮中，上至政府层面，中到企业层面，下到用户层面，都在积极地应对和拥抱新浪潮中。可以说，这是中国在人工智能上异军突起的重要力量。

5、众多AI创业公司谁能成为独角兽

      据CB Insights统计，2011年全球人工智能初创企业仅有70家，而到2015年已超过400家，增长近六倍。2016年和2017年，这个数字将再次翻倍，人工智能成为最热门的创业项目。

      目前，中国AI创业公司数量约200-250家，估值最高的为今日头条，估值约500亿元，绝大多数融资仍处于天使轮或者A轮。

      此外，人工智能技术也日益成为投资界新宠。2015年，投入人工智能的风险投资达到5亿8千7百万美元，比前一年翻了一番。而2016年仅第一季度，就有超过200家AI相关的初创公司，总融资超过15亿美元。另据资料，在中国，2015年投资人工智能的机构数量已经高达48家，投资额为14.23亿元，是2012年投资额的23倍。

6、那些技术成为AI应用落地方向

      相关数据显示，在人工智能申请专利细分领域Top5中，中美相关专利几乎都集中在机器人（电商销售等）、神经网络、图像识别、语音识别（个人助理、金融等）上。不同的是，中国人工智能专利Top5中另外还有个是计算机视觉（安防、自驾领域等），美国则是机器学习（金融等）。从申请专利数目占比不难看出，占比最多的机器人、神经网络、图像识别、语音识别等即是相关应用领域最需要的主要技术。可以看出，上述技术是未来几年人工智能重点研究和产品应用发展方向。

      另外，在目前的AI项目中之中，人工智能创业项目呈现出极强的应用性特征，有超过88.2%的AI项目参与、或至少面向具体的垂直应用领域。相关人士表示，语音和视觉依然是AI技术应用落地的两大方向，深度学习/机器学习也占据了绝对重要的地位，其次是计算机视觉、自然语言处理和语音识别。