3.6 人工智能技术

随着近年来深度学习算法的兴起，以及大数据、计算能力等多方面技术的进步，人工智能迎来了自1956年达特茅斯会议上被首次提出后的第三次发展浪潮，面临着政策、技术、社会等多方面的发展机遇。人工智能技术能够快速有效地归拢日常社会生活生产的相关信息数据，提升了国民经济各个领域的转型步伐。虽然目前人工智能的工作效率和自动化程度距离大规模高级制造还有一定差距，但人工智能作为时代高速发展的产物，必将在未来爆发出巨大的潜能。

近年来，我国不断加紧人工智能的宏观规划和政策部署。2016年以来，我国相继推出一系列政策文件和《智能制造发展规划（2016—2020年）》等重要规划，为人工智能发展奠定基础。《新一代人工智能发展规划》制定了面向2030年的人工智能发展总体战略，并提出到2030年成为世界主要人工智能创新中心的目标。2018年，习近平总书记在中共中央政治局第九次集体学习时强调，要“加快发展新一代人工智能是我们赢得全球科技竞争主动权的重要战略抓手”“加强人工智能相关法律、伦理、社会问题研究”。2019年3月，我国《政府工作报告》中首次提出了“智能+”的概念。同月，中央全面深化改革委员会第七次会议审议通过了《关于促进人工智能和实体经济深度融合的指导意见》。2020年，科技部印发《国家新一代人工智能创新发展试验区建设工作指引（修订版）》，指导地方开展人工智能技术示范、政策试验和社会实验。2021年，中央网信办等八部门联合公布国家智能社会治理实验基地名单，依托10家综合基地和82家特色基地深入开展人工智能社会实验。

3.6.1 人工智能的概念

人工智能不同于人类惯常的思维方式，也不同于常规计算机技术只根据单一的既定程序执行计算并输出既定反应的方式。1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”等问题，首次提出了“人工智能”这一概念，标志着人工智能学科的诞生。

总体而言，人工智能研究经历了3个高峰和2个谷底。第1个高峰是人工智能技术兴起。20世纪40年代伊始，人类就开始了对人工智能的研究。1950年，明斯基制造出第一台神经网络计算机。1956年，麦卡锡、明斯基等科学家和研究人员举行了达特茅斯会议，共同探讨了人工智能的概念、目标和研究方法。1974—1980年，人工智能发展跌入第一个谷底。当时的智能被证明只能完成简单任务，而且在较为重要的数据分析方面存在严重不足，曾使绝大多数学者对人工智能秉持怀疑态度，一度导致人工智能领域失去了绝大部分的研究资金。

人工智能登上第2个高峰是在20世纪80年代初，专家系统和BP神经网络等重要研究成果纷纷出现。而在1987年，人工智能又一次跌入谷底。备受重视的专家系统较当时生产的台式机性能低，人工智能被当时美国的权威研究机构否定。

人工智能应用登上第3个高峰是在21世纪初期。2006年，辛顿等人提出深度学习算法，人工智能乘上了大数据的东风，获得了新的发展机会。2016年，在围棋比赛上，人类围棋冠军被Google旗下公司开发的阿尔法狗击败，让人工智能受到了更大范围的关注。2020年11月30日，Google旗下DeepMind公司的AlphaFold 2人工智能系统在第14届国际蛋白质结构预测竞赛（CASP）中取得桂冠，有史以来首次把蛋白质结构预测任务做到了基本接近实用的水平。 Nature 杂志评论认为，Alpha Fold 2解决了困扰生物界50年来的大问题。

人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。人工智能相对来说更具有生物智能，可以进行学习和适应，具有一定的发散能力。现阶段人工智能的主要发展目标是在某方面使机器具备相当于人类的智能水平，达到此目标即可称为人工智能。人工智能是对人类智慧以及大脑生理构造的模拟，其全方位发展涉及数学与统计学、软件、数据、硬件乃至外部环境等因素。

从人工智能的技术特点来看，其技术创新发展主要分为模仿人脑的技术创新和实现智能功能的技术创新。由于在各个时代受到数据、硬件、运算能力等种种限制，模仿人脑的技术创新虽然在图像、语音、NLP（自然语言处理）等领域都取得了领先成果，但其所需的训练成本、调参复杂度等问题仍备受诟病。实现智能功能的技术创新是一种建立在统计基础上的、以实现人类智能功能为目的的浅层学习算法，在20世纪八九十年代，这种技术便已经在统计分类、回归分析以及脸部识别和检测等方面得到广泛应用，且具有良好表现，成为人们最青睐的人工智能发展路径。

人工智能的实现，不仅靠机器学习，还要有作为基础设施的硬件和大数据，以及作为学习结果的各种计算机技术，包括计算机视觉技术、语音技术、自然语言处理技术、规划决策技术和统计分析技术等，最后才能到达最顶层的实际应用，即行业解决方案。目前，人工智能应用比较成熟的领域包括金融、安全消防、交通、医疗、游戏等。

3.6.2 人工智能的基本特征

人工智能的基本特征使其成为一种强大的工具和技术，广泛应用于医疗、金融、交通、制造等领域，为人类提供智能化的辅助和决策支持。

（1）自主性：人工智能具备一定程度的自主性，能够在一定范围内独立地进行学习、推理和决策。它可以根据环境和任务的需求，自主地选择行动策略，并进行相应的决策和执行。自主性使得人工智能能够适应复杂和变化的环境，并解决各种问题。

（2）学习能力：人工智能能够通过从数据中学习和自我调整，不断改进和优化性能。它可以通过机器学习、深度学习和强化学习等技术从大量的数据中提取模式和规律，进行预测、分类、识别等任务。

（3）适应性：人工智能能够适应不同的环境和任务需求，并具备灵活性。它可以根据新的情境和数据进行调整和改变，适应不断变化的条件和要求。适应性和灵活性使得人工智能能够应对不同领域和任务的挑战，并具备应对复杂问题和变化环境的能力。

（4）智能化：人工智能具备一定的智能水平，能够模拟人类的智能行为和思维过程。它可以进行推理、决策和问题求解，具备一定的判断能力和逻辑思维能力。尽管人工智能的智能水平和范围有限，但它在特定领域和任务中表现相当出色。

（5）多样性：人工智能包含了多种不同的技术和方法，如机器学习、计算机视觉、自然语言处理等。这种多样性使得人工智能能够应用于各种不同的领域和任务，涵盖了从基础的数据分析到复杂的模式识别和决策制定。

（6）高效性：人工智能能够以超高的速度处理和分析大量的数据，并在短时间内做出决策和行动。它能够快速地处理复杂的计算和推理任务，提高工作效率和生产效率。

（7）可扩展性：人工智能能够处理和分析大规模的数据，并实现横向和纵向的扩展。它可以在不同的硬件和软件平台上运行，并根据需求进行资源的配置和分配，以满足不同规模和复杂度的应用需求。

（8）创新性：人工智能具备一定的创造性和创新能力。它可以生成新的思想、概念和解决方案，推动科学和技术的进步。通过模拟人类的创造过程和思维方式，人工智能能够提供新颖的解决方案和创新的思路。

此外，人工智能在不同产业的应用前景并不相同，所催生的新业态和新模式将推动产业结构转型升级。在移动互联网、大数据、超级计算、传感网、脑科学等新理论和新技术的驱动下，当前人工智能已经呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征。

3.6.3 人工智能的类型和架构

1.人工智能的类型

根据人工智能系统的能力和应用领域进行分类，人工智能可以被分为弱人工智能、强人工智能和超级智能。

（1）弱人工智能（Narrow AI）。弱人工智能也被称为限制领域人工智能或应用型人工智能，是指专注于执行特定任务或解决特定问题的人工智能系统，通过无监督学习、监督学习和强化学习等浅层学习形成。它在特定领域内具有丰富的专业知识和能力，但在其他领域可能表现较弱或没有能力。例如，语音助手、图像识别系统、自动驾驶汽车等都属于弱人工智能。

（2）强人工智能（General AI）。强人工智能也叫通用人工智能或完全人工智能，是指具备与人类智能相似的广泛智能水平的人工智能系统。这些系统具有跨多个领域进行学习、理解和执行任务的能力，可以在不同的环境中适应和应对多样的情况。强人工智能的实现目前仍然是一个开放的研究问题。

（3）超级智能（Superintelligent AI）。超级智能是指具有远超人类智能的人工智能系统。它具有超出人类智能和能力的极端水平，可以在广泛的领域中进行高效学习、创新和决策。超级智能的概念涉及对人类社会和文明可能产生深远影响的智能系统。

迄今为止，所有人工智能算法和应用，都还属于弱人工智能范畴。其采用了完全不同于人脑的作用机制，且仅能够在部分功能上模仿人脑，因此其在技术上具有人工操作性、功能限制性等特点，是一种非自主性、非系统性的人工智能。

2.人工智能的基本架构

人工智能的基本架构可以分为以下几个核心组件。

（1）传感器/数据输入。人工智能系统通过传感器（如摄像头、麦克风、传感器网络等）或其他数据输入方式（如数据库、文本文件等）获取输入数据。传感器收集环境中的感知信息，而数据输入提供离线数据用于分析和决策。

（2）数据预处理与特征提取。原始数据经过预处理和清洗，在减少噪声和异常值后进行数据转换、归一化等操作。然后，从经过预处理的数据中提取有意义的特征，以便机器学习算法能够理解和处理。

（3）模型构建与训练。选择适当的机器学习或深度学习模型来解决特定的任务。模型的构建包括定义模型的结构和参数。使用已经准备好的训练数据对模型进行训练，通过优化算法和反向传播等方法，调整模型参数，使其能够从数据中学习到合适的规律和模式。

（4）决策与推理。经过训练的模型可以对新的输入数据进行推理和决策。模型通过将输入数据传递给前向传播算法，在模型中进行计算，并生成相应的输出结果。这个输出结果可以是分类、回归、聚类等，取决于具体的任务和模型。

（5）输出与反馈。这个组件将决策和推理得到的结果输出给用户或其他系统。输出可以是文字、图像、声音等形式，用于展示和解释模型的结果。同时，用户的反馈也可以作为输入数据的一部分，用于改进和优化模型的性能。

（6）监控与优化。在实际应用中，人工智能系统需要进行监控和优化，以确保系统的性能和稳定性。这可能涉及性能指标的监控、错误分析、模型更新和参数调整等。通过监控和优化，提高系统的准确性、效率和可靠性。

这些组件相互协作，构成了人工智能系统的基本架构。在实际应用中，还可能涉及其他组件和技术，如数据存储和管理、模型部署和集成、安全和隐私保护等，以满足具体应用场景的需求。人工智能的基本架构提供了一个通用的框架，可用于设计和开发各种人工智能应用。

3.6.4 人工智能的关键技术

人工智能的关键技术包括计算机视觉、机器学习、自然语言处理和语音识别。这些关键技术相互交织和影响，共同推动了人工智能的发展。它们在各自领域的进步和应用，使得计算机能够具备更强大的学习、理解和决策能力，推动了人工智能在社会和经济各个领域的广泛应用。

1.计算机视觉

计算机视觉是研究如何使计算机能够理解和解释图像和视频的科学与技术。它利用计算机和算法来模拟人类视觉系统的能力，实现对图像和视频内容的理解、分析和处理。计算机视觉的目标是开发算法和技术，使计算机能够从数字图像或视频中提取有用的信息，并执行各种任务，包括物体检测和识别、图像分割、图像特征提取、图像生成与重建、三维重建与立体视觉等。作为人工智能的关键技术之一，计算机视觉广泛应用于各个领域，如自动驾驶、医疗诊断、智能安防和机器人技术等。它的发展推动了人工智能的进步，使计算机能够更好地理解和处理图像和视频数据，为人类带来更多的便利和创新应用。

2.机器学习

机器学习是一种让计算机通过数据和经验自动学习和改进的技术。它涉及构建和训练模型，以从数据中发现模式和规律，并用于预测、分类、聚类等任务。机器学习中需要解决的最重要的4类问题是预测、聚类、分类和降维。机器学习按照学习方法分类可分为：监督学习、无监督学习、半监督学习。其中监督学习和无监督学习应用较为广泛，半监督学习较为理想化，在实践中应用不多。

机器学习的特定分支—深度学习，同样也是人工智能的关键技术之一。深度学习的模型由多层神经网络组成，这些神经网络可以通过大规模数据集进行训练，以自动地从输入数据中学习特征表示和抽象概念。深度学习在计算机视觉、自然语言处理、语音识别等领域取得了显著的突破，通过深层网络堆叠和反向传播算法，可以实现更复杂的模式识别和学习能力。

3.自然语言处理

自然语言处理是计算机科学与人类语言学的交叉学科，旨在使计算机能够识别和理解人类文本语言。它关注计算机与人类自然语言之间的交互，涉及将人类语言转换为计算机可理解的形式，并从文本中提取有意义的信息。自然语言处理包括句法语义分析、信息抽取、文本挖掘、机器翻译、问答系统和对话系统等，在智能助手、智能客服、信息检索、智能翻译、舆情分析等领域发挥着重要作用，被广泛应用于各个行业。通过不断发展和改进自然语言处理技术，更智能、便捷和个性化的人机交互体验能够得到实现，从而为用户提供更准确、高效的语言服务。

4.语音识别

语音信号由声音波形组成，语音识别的目标是将这些声音波形转化为文本形式，以便计算机能够理解和处理。语音识别包括话筒接收的人类声音信号，将其转换为电信号并作为语音识别系统的输入信号。系统对输入信号进行处理，提取特征参数，最终与原有数据库进行比较，输出识别出的语言结果。语音识别技术具有广泛的应用领域，包括语音助手（如Apple的Siri、Amazon的Alexa）、语音命令控制、语音转写、电话自动语音应答等。这些应用使得用户可以通过语音与计算机进行自然、便捷的交互，提供了更智能和人性化的体验。

3.6.5 人工智能技术在智慧供应链中的应用

人工智能技术在智慧供应链中的主要应用包括需求预测、物流优化、风险管理、质量管理和决策支持。这些应用能够帮助企业提高供应链的效率、准确性和可靠性，降低成本和风险，减少浪费，提升用户满意度和竞争力。

1.需求预测

人工智能技术能够基于历史数据和市场趋势进行高精度的需求预测和规划。人工智能技术能够利用大数据和先进的算法，在供应链中的各个环节收集、整合和分析大量的数据，包括历史销售数据、市场趋势、社交媒体信息以及其他相关因素。通过深度学习、机器学习和预测模型，人工智能技术能够识别出潜在的需求模式和趋势，预测未来的需求变化，甚至实时调整预测结果以适应市场的动态变化。借助人工智能技术进行需求预测，供应链管理者可以更加准确地预测产品需求量、销售趋势和季节性波动等信息。

2.物流优化

借助人工智能技术，企业可以实现对物流运输和路径选择的智能化管理。人工智能技术可以对各种物流数据进行实时监控和分析，包括货物运输状态、仓储容量、交通拥堵情况等。基于这些数据，智能物流系统可以根据实时信息调整运输路线和运输方式，以避开拥堵路段，提高运输效率。人工智能技术可以利用优化算法和机器学习，对物流网络进行优化。通过考虑不同因素，如运输时间、运输成本、服务质量等，人工智能技术可以帮助企业确定最佳的物流路径和运输方案。此外，人工智能技术还可以根据实时需求和库存情况，智能地调度运输车辆和货物，提高运输效率，减少空载率。

3.风险管理

风险管理是供应链管理的重要方面，而人工智能技术则能够提供实时预警和全面的风险管理支持。通过分析大量的实时数据和历史数据，人工智能技术可以监测和预测潜在的风险，并提供实时预警和风险管理建议。利用机器学习的算法和模型，人工智能技术可以识别出风险的迹象和模式，帮助供应链管理者及时采取措施来应对风险和中断。通过实时的风险监控和决策支持，企业能够减少供应链的风险，提高业务连续性和弹性，确保业务顺利的运营和交付。

4.质量管理

人工智能技术在智慧供应链中的另一个关键应用是质量管理和品质控制。通过使用视觉识别技术、传感器数据和机器学习技术，人工智能技术可以检测和识别产品的质量问题。例如，它可以通过图像识别技术来检查产品的外观和标签，利用传感器数据来监测产品的温度、湿度和振动等参数。这有助于企业提前发现和解决潜在的质量缺陷，确保产品符合生产标准和用户需求。人工智能技术还可以提供实时的质量报告和分析，帮助企业改进生产过程，提高产品质量和消费者信任。

5.决策支持

智能决策支持是智慧供应链中人工智能技术的重要应用领域。利用机器学习和数据挖掘技术，人工智能技术可以收集、整理和分析大量的供应链数据，发现隐藏在数据背后的模式和关联性，从而为供应链决策提供深入的洞察和决策支持。这有助于企业了解供应链中的瓶颈、效率问题和潜在机会。此外，基于这些数据分析的洞察，人工智能技术能够为决策者提供智能化的推荐和预测，帮助他们做出更明智的决策。例如，人工智能技术可以通过优化采购计划、供应商选择和交付策略，提高供应链的整体效率和运营绩效。