发布时间：2023-04-10 15:10:26
序言：写作是分享个人见解和探索未知领域的桥梁，我们为您精选了8篇的人工智能技术论文样本，期待这些样本能够为您提供丰富的参考和启发，请尽情阅读。
关键词：人工智能技术；教学方法；编程能力
中图分类号：TP3 文献标识码：A 文章编号：1009-3044（2014）16-3865-02
1 概述
2008年11月16日，中国科协成立50周年新闻会在北京召开。在新闻会上，“五个10”系列评选活动，即10位传播科技的优秀人物、10部公众喜爱的科普作品、10个公众关注的科技问题、10个影响中国的科技事件、10项引领未来的科学技术评选结果揭晓。10项引领未来的科学技术是：基因修饰技术；未来家庭机器人；新型电池；人工智能技术；超高速交通工具；干细胞技术；光电信息技术；可服用诊疗芯片；感冒疫苗；无线能量传输技术。
人工智能技术学科是计算机科学中涉及研究、设计和应用智能机器的一个分支。指人类的各种脑力劳动或智能行为，诸如判断、推理、证明、判别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动，可以用某种智能化的机器来予以人工实现[1]。
通过《人工智能技术》课程的学习，使学生对人工智能技术的发展概况、基本原理和应用领域有深入了解、对主要技术及应用有一定掌握，并对现代人工智能技术发展的方向有所研究。通过人工智能技术课程的学习与研究，启发学生对人工智能技术的兴趣，培养知识创新和技术创新能力，并能将人工智能技术融入到今后所开发的计算机软件之中。
《人工智能技术》是一门众多学科交叉的新兴课程，其涵盖范围广，涉及知识点多，知识更新快，内容抽象，不容易理解，理论性强，而且需要较好的数学基础和较强的逻辑思维能力，这给该课程的讲授带来了一定困难。《人工智能技术》也是一门应用型学科，怎样将理论运用到实践中，使学生将学到的人工智能技术知识和思想运用到自己的实际课题，这也是该课程需要解决的问题之一。
因此，对《人工智能技术》课程教学来说，我们要了解课程的最新信息，把握课程的特点，帮助学生找到好的学习方法，使他们能充分发挥自己的创新思维能力，提高学习兴趣，该文给出了《人工智能技术》课程的教学与实践的探索。
2 教学与实践的探索
2.1 教材和实验教学内容的选取
1） 人工智能技术是整个计算机科学领域发展最快，知识更新最快，最前沿的学科之一。在教材选用方面，我们采用了蔡自兴教授等主编，由高等教育出版社出版的《人工智能基础》这本教材。蔡自兴教授的主要研究领域为人工智能、机器人学和智能控制等。这本教材是作者在美国国家工程院院士、普度大学教授傅京孙先生的指导和鼓励下编写，借鉴了国内外人工智能技术研究领域专家的最新研究成果和学术书籍的长处，该书比较全面地介绍了人工智能技术的基础知识与技术，材料新，易于理解，兼顾基础及应用[2]。
此外，我们还给学生自主学习提供多种类型的学习资料，其中包括参考书目，如：Russel S， Norvig P.等编著的《Artificial Intelligence： A Modern Approach》一书，人工智能技术国内外期刊，如电子学报，计算机学报，人工智能与模式识别，Artificial Intelligence，Journal of Artificial Intelligence Research，Engineering Applications of Artificial Intelligence和International Joint Conference on Artificial Intelligence，AAAI： American Association for AI National Conference等人工智能技术会议，使学生能够掌握人工智能技术的更多前沿动态，提高学习兴趣。
2） 配套的实验教学内容。《人工智能技术》是一门理论性和实践性都很强的课程，实践性教学环节对该课程尤为重要。除了完成课本上的作业之外，还注重实验教学，培养学生的创新能力、算法设计能力和编程能力。首先，每个章节设置相应的实验，而实验内容经过严格的考虑，如：五子棋游戏，产生式系统，旅行商问题，传教士和野人问题，BP神经网络实现简单的分类，遗传算法、人工生命程序等，要求学生运用所学章节的知识，独立地设计和实现实验内容。实验报告包括简述实验原理及方法，给出程序设计流程图，源程序清单，实验结果及分析等内容，通过这种方式，进一步加强学生的信息获取能力和研究能力。
2.2 教学方法和手段的改革
人工智能技术课程交叉性强，涉及面广，传统的教学方法手段单一，缺少交流，课堂气氛沉闷，激发不起学生的学习兴趣，教学效果不理想。人工智能技术这门课程内容抽象，如何激发学生的学习兴趣是本课程需要解决的主要问题，也是关系教学改革成败的关键。本课程需采用多种方法进行教学，以此来激发学生的学习兴趣。
1） 问题启发式教学。《人工智能技术》这门课程中有很多似是而非、引人入胜的问题，主要是用计算机模拟人类的智能来解决这种问题。在教学中，有目的的提出这些问题，鼓励学生思考，提出自己的想法和解决方案，并进行分析和比较，这样强化学生的主动学习意识，提高学习积极性[3]。
2） 个性化学习和因材施教。学生中存在计算机专业和非计算机专业本科毕业的差别，由于他们每个人的基础不同，有的计算机知识比较匮乏，因此有必要针对每个学生的学习进度，课堂作业和实验报告情况进行及时评估，对学生提出个性化的教学。例如：在实验教学中，要求有能力和兴趣的学生可以做探究性和创新性的附加实验，从而引导学生发挥个性的空间，而对稍微吃力的学生则要求完成基本的实验，更注重基础知识的学习和夯实，这样就能达到因材施教的目的。同时对不同层次的学生进行分析，进一步提出学习建议，并进行有针对性的指导。
3） 多媒体使用和多学科知识的融合。本课程PPT课件图文并茂，提纲挈领，便于学生理解。课堂讲授、板书与PPT手段相结合，注重课程中的关键词用英文表示，并适当指定英文参考书，使学生能够接触国外文献资料，加深对学习内容的理解，获得更宽广的知识。PPT课件运用了大量多媒体技术，如动画、声音、图像，通过动画和视频演示抽象的概念、算法和过程，使人工智能技术中抽象的知识形象化，在课件中融入了文学，历史等其他学科的相关知识，便于学生较好地理解知识难点和重点[4]。
4） 师生互动和课内外答疑。在教学中，改变了传统的老师讲，学生听的教学模式。针对人工智能技术的实用性，适当提问，收集学生学习情况，尽量使用实例进行讲解。设置了实验讲解互动课程，对于实验的讲解，学生可以提出疑问，然后在课堂上展开讨论，学生可以看到问题从提出、分析到解决的整个过程，让学生自己在讨论中总结结论。为了解决教学中存在的疑难问题，还设有课后答疑，使学生能将所有的问题都理解透彻。
5） 理论研究与实践结合。在教学内容的安排上，注重学生的理论研究和动手能力，适当布置一些课程相关的论文和实验编程。通过课程论文，可以培养学生钻研问题的兴趣； 通过查阅科技文献使学生掌握如何查找相关文献的技能，可以培养学生撰写科技论文的能力。通过实验实践，使学生可以更加清楚地了解人工智能技术基本概念和难点，也能了解算法的设计具体运行过程，并对其进行验证，提高了学生的编程能力和和学习兴趣。
6） 考试考核方式改革。本课程的考核考试也是一个值得探讨的问题，本课程应采用多种综合考试方法，注重学生对基础概念、知识和基本的技能的掌握以及理论联系实际的能力。平时作业考核成绩，实验实践教学成绩、提交课程论文成绩，以及最后的期末考试成绩形成一种有效的考试考核方法，促进学生主动学习，提高教学质量。实验的评价指标在于算法设计、编程的准确性和实验结果及分析。课程论文评价指是选题是否严谨科学和具可研究性，论文结构、思路是否严谨，论文内容科学性、正确性，能否提出自己的见解。考查查阅科技文献的能力主要通过是否查找到权威的、最新文献以及撰写是否规范。
2.3 学生学好《人工智能技术》课程的建议
《人工智能技术》是一门理论与实践相结合的应用课程，学生如何学习这么课程，也是我们应该探讨的问题。
学生应该正确看待《人工智能技术》这门科学的发展。人工智能技术孕育于20世纪30、40年代，形成于60、70年代，发展至今，人工智能技术只有短短60多年的历史，它是一门不断发展和完善的崭新学科，还有许多课题处于探索中，理论和技术还远未成熟，我们应该对它有科学的认识。
针对非计算机专业本科毕业的学生，除了课堂听讲之外，还应该课下自学该课程的先修课程，如：数据结构、离散数学等课程。人工智能技术中涉及到大量的数学知识，如：模式识别需要具有较好的概率论，数理统计知识，另外还会用到少量随机过程、模糊数学的一些知识。人工智能技术是一门应用课程，编程语言的掌握必不可少，涉及到SVM算法，粒子群算法，免疫算法神经网络，遗传算法等算法，实现这些算法要求学生具有较强的编程能力。
学生应该多读，多查阅资料，特别是国外的期刊文献和重要国际会议论文，多了解人工智能技术最前沿的信息，理论联系实际，加深对基本算法的理解，并将人工智能技术的知识运用到自己所研究的领域，以做到学以致用。
3 结论
人工智能技术在一定程度上代表着信息技术的前沿，该文对《人工智能技术》的课程教学进行了一些探讨，教学与实践效果有了显著提高，但仍然有许多方面还需要我们继续探讨和改进。
参考文献：
[1] 蔡自兴，徐光佑.人工智能技术及其应用[M].北京： 清华大学出版社，2003.
[2] 蔡自兴，肖晓明，蒙祖强，等.树立精品意识搞好人工智能技术课程建设[J].中国大学教学，2004（1）：28-29.
关键词：人工智能计算机技术
一、人工智能的定义
“人工智能”(ArtificialIntelligence)一词最初是在1956年Dartmouth学会上提出的。人工智能是指研究、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。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机,人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。人工智能理论进入21世纪,正酝酿着新的突破,人工智能的研究成果将能够创造出更多更高级的智能“制品”,并使之在越来越多的领域超越人类智能,人工智能将为发展国民经济和改善人类生活做出更大贡献。
二、人工智能的应用领域
1.在管理系统中的应用
(1)人工智能应用于企业管理的意义主要不在于提高效率,而是用计算机实现人们非常需要做,但工业工程信息技术是靠人工却做不了或是很难做到的事情。在《谈谈人工智能在企业管理中的应用》一文中刘玉然指出把人工智能应用于企业管理中,以数据管理和处理为中心,围绕企业的核心业务和主导流程建立若干个主题数据库,而所有的应用系统应该围绕主题数据库来建立和运行。换句话说,就是将企业各部门的数据进行统一集成管理,搭建人工智能的应用平台,使之成为企业管理与决策中的关键因子。
(2)智能教学系统(ITS)是人工智能与教育结合的主要形式,也是今后教学系统的发展方向。信息技术的飞速发展以及新的教学系统开发模式的提出和不断完善,推动人们综合运用超媒体技术、网络基础和人工智能技术区开发新的教学系统,计算机智能教学系统就是其中的典型代表。计算机智能教学系统包含学生模块、教师模块,体现了教学系统开发的全部内容,拥有着不可比拟的优势和极大的吸引力。
2.在工程领域的应用
(1)医学专家系统是人工智能和专家系统理论和技术在医学领域的重要应用,具有极大的科研和应用价值,它可以帮助医生解决复杂的医学问题,作为医生诊断、治疗的辅助工具。事实上,早在1982年,美国匹兹堡大学的Miller就发表了著名的作为内科医生咨询的Internist2Ⅰ内科计算机辅助诊断系统的研究成果,由此,掀起了医学智能系统开发与应用的。目前,医学智能系统已通过其在医学影像方面的重要作用,从而应用于内科、骨科等多个医学领域中,并在不断发展完善中。
(2)地质勘探、石油化工等领域是人工智能的主要作用发挥领地。1978年美国斯坦福国际研究所就研发制成矿藏勘探和评价专家系统“PROSPECTOR”,该系统用于勘探评价、区域资源估值和钻井井位选择等,是工业领域的首个人工智能专家系统,其发现了一个钼矿沉积,价值超过1亿美元。
3.在技术研究中的应用
(1)在超声无损检测(NDT)与无损评价(NDE)领域中,目前主要广泛采用专家系统方法对超声损伤(UT)中缺陷的性质、形状和大小进行判断和归类;专家运用超声无损检测仪器,以其高精度的运算、控制和逻辑判断力代替大量人的体力与脑力劳动,减少了任务因素造成的无擦,提高了检测的可靠性,实现了超声检测和评价的自动化、智能化。
(2)人工智能在电子技术领域的应用可谓由来已久。随着网络的迅速发展,网络技术的安全是我们关心的重点,因此我们必须在传统技术的基础上进行网络安全技术的改进和变更,大力发展数据挖掘技术、人工免疫技术等高效的AI技术,开发更高级AI通用和专用语言,和应用环境以及开发专用机器,而与人工智能技术则为我们提供了可能性。
三、人工智能的发展方向
1.专家系统是目前人工智能中最活跃、最有成效的一个研究领域,它是一种具有特定领域内大量知识与经验的程序系统。近年来,在“专家系统”或“知识工程”的研究中已出现了成功和有效应用人工智能技术的趋势。人类专家由于具有丰富的知识,所以才能达到优异的解决问题的能力。那么计算机程序如果能体现和应用这些知识,也应该能解决人类专家所解决的问题,而且能帮助人类专家发现推理过程中出现的差错,现在这一点已被证实。
2.智能信息检索技术的飞速发展。人工智能在网络信息检索中的应用,主要表现在:(1)如何利用计算机软硬件系统模仿、延伸与扩展人类智能的理论、方法和技术。(2)由于网络知识信息既包括规律性的知识,如一般原理概念,也包括大量的经验知识这些知识不可避免地带有模糊性、随机性、不可靠性等不确定性因素对其进行推理,需要利用人工智能的研究成果。
3.SOAr是一种通用智能体系结构,其始终处在人工智能研究的前沿,已显示出强大的问题求解能力,它认为机器人的开发是人工智能应用的重要领域。在它的研究中突出4个概念:(1)所处的境遇机器人不涉及抽象的描述,而是处在直接影响系统的行为的境地。(2)具体化机器人有躯干,有直接来自周围世界的经验,他们的感官起作用后会有反馈。(3)智能的来源不仅仅是限于计算装置,也是由于与周围进行交互的动态决定。(4)浮现从系统与周围世界的交互以及有时候系统的部件间的交互浮现出智能。目前,国内外不少学者都对机器人足球系统颇感兴趣,足球机器人涉及机器人学、人工智能以及人工生命、智能控制等多个领域。足球机器人系统本身既是一个典型的多智能体系统,是一个多机器人协作自治系统,同时又为它们的理论研究和模型测试提供一个标准的实验平台。
参考文献:
[1]元慧.议当代人工智能的应用领域和发展状况[J].福建电脑,2008.
[2]刘玉然.谈谈人工智能在企业管理中的应用[J].价值工程,2003.
[3]焦加麟,徐良贤,戴克昌.人工智能在智能教学系统中的应用[J].计算机仿真,2003,(8).
[4]周明正.人工智能在医学专家系统中的应用[J].科技信息,2007.
[5]张海燕,刘镇清.人工智能及其在超声无损检测中的应用[J].无损检测,2001,(8).
[6]马秀荣,王化宇.简述人工智能技术在网络安全管理中的应用[J].呼伦贝尔学院学报,2005,(4).
Jeffrey J.P.Tsai University of Illinois,
Chicago, USA(Eds.)
Machine Learning
Applications in Software
Engineering
Series on Software Engineering and Knowledge Engineering Vol. 16
2005,355Ppp.
ISBN 9789812560940
软件工程中的
机器学习应用
D张JJP特赛编
本书是《软件工程与知识工程》丛书的第16卷。Brooks在其经典的论文“无银弹”中对于在变化的环境中开发和维护大量软件系统的挑战已经做出了具有说服力的阐述。复杂性、一致性、可变性和隐形性，这些都是在开发大型软件中固有的基本困难。
人们提出了许多演化或者递增改进的办法，每一种改进办法都试图致力于改进这些基本困难的某些方面。人工智能技术对软件工程的应用产生了某些令人振奋的结果。这些成功的人工智能技术包括了基于知识的方法，自动推理、专家系统、启发式搜索策略、时态逻辑、规划及模式识别。为了最终克服这些基本的困难，人工智能技术能够发挥重要的作用。而作为人工智能的一个子领域，机器学习涉及一个问题，即如何建立一个计算机程序，该程序通过经验能够改进它们在执行某些任务时的性能。
机器学习专门致力于创造并且编译可验证的知识，而这些知识与人工制品的设计与构建相关。机器学习领域包括了监督学习、无监督学习和增强学习，它已经被证明在许多的应用领域中具有极大的实用价值。软件工程领域已成为一块沃土，在那里许多软件开发和维护的任务可以系统地阐述为学习问题和依据学习算法的方法。本书涉及了在软件工程中的机器应用这个主题，它提供了对机器学习的综述，总结了这个领域中的最新实践，给出了对现有工作的分类，提供了某些应用准则。书中还包括了在该研究领域中先前发表的论文集合。
本书由9章组成。第1章机器学习与软件工程介绍；第2章预测和估计中的机器学习应用；第3章属性与模型发现中的机器学习应用；第4章变换中的机器学习应用；第5章生成与合成中的机器学习应用；第6章重复使用中的机器学习应用；第7章需求获取中的机器学习应用；第8章开发知识管理中的机器学习应用；第9章准则与结论。
本书可供软件工程以及机器学习专业的研究人员和研究生阅读参考。也可供从事软件开发工作的人员阅读。
胡光华，高级软件工程师
(原中国科学院物理学研究所)
AI Index在新旧年份交替之际公布了团队成立以来第一份报告，其中具有代表性的八张图可以帮助我们快速、全面了解AI这一行业高速发展的启发和见解。
1、AI学术研究论文激增9倍以上
自1996年以来，每年发表的计算机科学的学术论文和研究的数量猛增了9倍以上。学术论文和研究通常能产生新的知识产权和专利。整个Scopus数据库中，含有“Artificial Intelligence”这个关键词的计算机科学领域的论文有超过200，000（200237）篇。Scopus数据库中“计算机科学”领域的论文总共有近500万（4868421）篇。
2、AI风险投资激增6倍
自2000年以来，在美国，风险投资者（VC）每年投入AI创业公司的投资额增加了6倍。Crunchbase，VentureSource和Sand Hill Econometrics被用于确定VC每年投给初创公司的资金额，这些初创公司在某些关键领域起着重要作用。上图显示了VC在美国所有融资阶段对AI创业公司年度投资总额。
3、AI创业公司激增14倍
自2000年以来，在美国，有资本支持的AI创业公司数量增加了14倍。Crunchbase，VentureSource和Sand Hill Econometrics也用于这一分析。这个数字包括VentureSource数据库中Crunchbase列表中的任何有VC支持的公司。
4、要求AI技能岗位激增4.5倍
自2013年以来，要求有AI技能的工作岗位增长了4.5倍。在Indeed.com平台上，需要AI技能的工作岗位所占份额的计算方法是通过职业描述中的标题和关键字来确定是否与人工智能相关。AI Index研究还计算了在Indeed.com平台上，要求人工智能技术的工作岗位份额在不同国家的增长情况。尽管加拿大和英国增长迅速，但对于人才招聘市场，Indeed.com的报告显示加拿大和英国分别只占美国AI招聘市场绝对规模的5%和27%。
5、机器学习、深度学习以及NLP成为核心技能
在线求职平台Monster.com上数据显示，机器学习，深度学习和自然语言处理（NLP）是最重要的三项技能。两年前NLP已经被预测会成为应用程序开发人员创建新的AI应用程序最需要的技能。除了创建AI应用程序，最受欢迎的技能还包括机器学习技术，Python，Java，C++，开源开发环境的经验，Spark，MATLAB和Hadoop。根据对Monster.com的分析，在美国，数据科学家，高级数据科学家，人工智能顾问和机器学习主管的薪水中位数为$127000。
6、图像标注错误率巨幅下滑至2.5%以下
自2010年以来，图像标注的错误率从28.5%下降到2.5%以下。大规模视觉识别挑战赛（LSVRC）的对象检测任务的AI拐点发生在2014年。在这项特定任务中，AI已经表现得比人类更准确。这些发现来自于ImageNet网站上LSVRC竞赛排行榜的竞赛数据。
7、机器人进口量激增至25万
从国际上看，机器人的进口量已经从2000年的10万台左右增长到了2015年的25万台左右。数据来源是每年进口到北美以及国际整体的工业机器人的数量。工业机器人由ISO 8373：2012标准定义。国际数据公司（IDC）预测对机器人的消费将在五年内加快，到2021年达到2307亿美元，复合年增长率（CAGR）为22.8%。
关键词：大学计算机基础；教学改革；人工智能；智慧课堂
云计算、大数据、人工智能新兴领域的崛起，推动信息技术全面渗透于人们的生产生活中。信息技术的核心在于计算机技术和通信技术。然而，虽然目前各个高校都开设了计算机基础课程，但是其教学却存在着诸多问题，导致该课程无法达到预期的教学效果。教育部在2012年《教育信息化十年发展规划（2011-2020年）》，其中指明“以教育信息化带动教育现代化，促进教育的创新与变革”[2]。因此，本文以华中师范大学计算机基础课程教学为例，深入阐述了传统计算机基础课程教学的弊端，提出了在当前人工智能如火如荼的时代背景下，如何应用人工智能相关技术对传统的计算机基础教学进行改革的具体方案。该方案以创建网络智慧课堂教学模式改革为主体，辅以教学观念、知识体系和课程考核方式改革，以期对高校的计算机基础课程教学有所裨益。
1传统教学的缺陷
⑴课程的教学地位没有引起足够的重视一些高校为计算机基础课程分配较少的学时（少于48学时），甚至有的专业将此课程设置为选修课。这种设置降低了该课程在教师和学生心目中的位置，导致了对该课程的忽视。同时，不少老师因为学时不够，时间紧迫，仅仅讲述与考试相关的内容，不考的一概不讲。这导致学生的眼界受限，知识和能力受限，无法培养其全面综合的计算机素质。还有的专业没有将这门课给专业的计算机学院的老师讲授，而是随意安排授课人员。没有经过系统专业训练的教师缺乏足够的知识储备，很难讲好这一门看似简单的课程。⑵课程教学内容的制定与当今时代对于信息化人才的需求脱节一些高校的现状是计算机基础的课程教材知识陈旧[3]、质量堪忧，教材总是无法跟上知识更新的步伐，例如都2019年了还在讲Office2010。有的高校由于缺乏对课程的重视，没有对教材优中选优，而是基于利益的考虑，优先选择自己院系编写的教材。其教材内容是七拼八凑，没有整体性、逻辑性和连贯性，更不用说前瞻性。这样的教材，无疑对学生的学习设置了巨大的屏障。除此以外，一些院校的课程教学知识体系不够明确和完善，教学大纲的制定不够科学。从教学大纲中制定的学时分配来说，常常偏重实用性[4]，常用计算机软件操作占据了大部分的课时。这会让教师在授课时轻理论而重操作，如此培养学生，非常不利于其计算思维的形成，对后续其他计算机相关课程的学习也是很大的伤害。⑶教学模式过于传统，信息化水平较低从教学方式上来说，传统的教学模式以教师课堂授课为中心，是以教师为主体的教学模式[5]。在这种模式下，教师仍然主要以填鸭式教学为主[6]，无法通过课堂教学发现学生的个性化特点，并进行有针对性的教学。另外，虽然计算机基础课程一般都配备了实验课时，但是实验课常常是采用教师布置上机任务、学生做完抽样检查的模式。这对于大课堂来说，教师的任务繁重，无法搜集到每一个学生的任务完成情况，无法清晰地掌握学生学习的实际情况和薄弱环节。而且，该课程缺乏相应的研讨课时，很难让学生对其所学知识进行深入思考和探究，以增强思辨能力和对课程的学习兴趣。⑷课程考核方式不够公平合理从考核方式上来说，该课程普遍采用“平时成绩”+“期末考试”的加权方式对学生成绩进行评定。平时成绩多由考勤分所得，期末考试多采用机考模式。这种考核方式过于单一化、机械化，无法对学生进行全方位的评价。很多学生来到教室打考勤，但可能根本没听讲，而是在睡觉或者玩手机。期末机考的公平合理性也是存在着很多的漏洞。例如机考的试题库可以十年不变，分值的分配和难度的掌握都没有经过系统的考量。甚至有的考试系统不够稳定和安全，频频爆出Bug，严重影响了考试结果的真实性。
2新人工智能环境下对计算机基础课程改革的具体方案
2012年开始，在随着卷积神经网络技术在视觉处理方面的应用取得巨大的成功之后，人工智能到达了有史以来的第三个爆发期。目前，深度学习技术在AlphaGo、无人驾驶汽车、机器翻译、智能助理、机器人、推荐系统等领域的发展如火如荼。与此同时，人工智能技术在教育领域方面的应用已经兴起。人工智能的教学产品也已有先例，例如基于MOOC平台研发的教学机器人MOOCBuddy等等。基于人工智能的教育是融合云计算、物联网、大数据、VR、区块链等新兴技术的增强型数字教育[2].在当前人工智能的大时代背景下，针对传统计算机基础的种种弊端，我们提出了如下教学改革方案。⑴改变教学理念，确立计算机基础课程的重要地位计算机基础作为高校的一门公共课，实则应当作为各个专业的学生后续的学习、科研的必修之课程。因此，高等学校应从源头上确立该课程的重要地位，将该课程纳入必修课范畴，并给与更充分合理的课时分配。除教学课时、实验课时之外，需要为该课程增加一定的研讨课时。任课老师必须是来自于计算机专业的人才。同时，定时举办关于该课程的教学培训、教学研讨会和教学比赛，改变教师的教学理念，从源头上给予该课程足够的重视。⑵优化教学内容，重新制定课程的教学知识体系教材是教师教学的主要依据，也是学生获得系统性知识的主要来源。因此，教材对于教学的重要性不言而喻。教材的选取需要优中择优，必要的时候可以根据自身院校的情况自己编写，力求使用好的教材使教学事半功倍。在选定优质教材的基础上，制定更加合理的教学大纲，优化计算机基础课程的教学知识体系，突出计算机学科入门相关基础理论知识的重要地位。对现有的过时内容进行更新，例如操作系统以Windows10的操作取代Windows7，Office这部分使用Office2019版本取代2010的版本，同时增加关于算法入门知识、程序设计入门知识以及人工智能、区块链等前沿知识单元的介绍。以华中师范大学为例，我们在图1中给出了该校计算机基础课程的教学知识体系结构图。⑶充分利用现代化的教学工具和人工智能技术，构建智慧课堂，改变传统教学模式现代化的教学应当转变以教师为核心的教学模式，更加突出学生的主体性地位。因此，在人工智能、物联网、大数据等技术和蓬勃发展的情形下，应当改变传统的课堂教学形式，充分利用现代化信息技术，将传统课堂教学和网络课堂教学模式相结合，构建智慧课堂。融合课堂教学身临其境的效果与网络课堂自主性强且方便师生交流的特点，通过师生之间多层次、立体化的互动，达到提升教学效果的目的。同时，建立功能强大、完善的学生实验平台，基于不同专业学生的不同特点和不同需求，进行个性化的作业设置。针对教师布置的实验任务和学生的完成情况，结合在线网络教学系统，通过传感器及网络数据，搜集学生的学习行为数据，并且使用人工智能算法进行智能分析，使教师对当前的学生的学习情况一目了然，并能引导学生对重点、难点的巩固和掌握。研讨课以学生为主体，按照所选课题进行分组调研、分组讨论，刺激学生的学习兴趣，培养其思辨能力。研讨内容最终可以课程论文的形式上交至课程共享平台，由教师和同学共同给出评分。这里，仍以华中师范大学为例，我们将在线教学系统、实验课平台、研讨课共享平台等集成为一个基于人工智能技术的网络智慧教学综合平台系统。该系统主要包括用户管理、在线教学、课堂互动、作业管理、考试管理、BBS系统、智能分析和平台管理8个模块，其主要功能如图2所示。该系统采用C/S模式，系统的服务器选用Linux服务器，同时开发基于PC机的和手机端的客户端系统，方便学生和教师随时选用、更加灵活。在线教学模块中的智能学习助理功能，能够根据历史用户的学习行为和当前用户的学习行为，自动地识别学习内容中的难点以及当前学生的难点内容，有针对性地对学生进行知识点强化。课堂互动模块中，通过可穿戴式传感器搜集学生的学习行为，用于后续智能分析模块中对学生的学习态度和学习行为进行智能分析。在线作业评价模块包括机器评价和教师评价两个功能。机器评价是系统为学生作业（客观题、主观题）自动评分，其中主观题的评分也是使用人工智能技术来实现。教师评分时可以参考机器评分，减少教师工作量。同时，教师评分为机器评分提供机器学习的经验数据，促进机器评分更加智能。智能分析模块能够依据学生的在线课程学习模块、课堂学习模块、作业管理模块等搜集到的学习行为数据进行综合分析，促使教师深入了解学生的学习情况和个性化特点，提升教学的针对性，并且有助于后续对学生进行全面、综合的分析和成绩评定。所有系统模块中使用到的智能分析技术包括基本的统计分析、以及各类机器学习算法（k-means,NaveBayes,SupportVectorMachine,DeepLearning等等）。⑷改变传统成绩考核的方式在“教学”+“实验”+“研讨课”课程结构以及网络智慧教学综合平台的辅助之下，学生的成绩评定更加全面化、多元化、公平化、自动化[7]。平时成绩中，除了教学综合平台的“课堂签到”次数之外，还增加更多丰富多元化的考察信息，如：学生的课堂讨论、在线课程学习和考核结果、平时作业完成情况，以及智能分析模块中辅助分析的学习态度、学习能力、平时成绩预测。期末上机考试系统也是智慧课堂综合平台的一个子模块，是精心设计的稳定、安全、功能强大的子系统，方便教师每一年更新试题库，修改bug。试题库中的每一套试卷都应当经过科学的考卷质量分析，使其难度、覆盖范围在一个均衡、合理的范围。最后，教师通过对各类平时成绩指标以及期末考试成绩加权，给出最终的学习成绩。通过规范、合理、公平、全面的考核体系，获得对学生公平、完善的评价机制，激励学生并刺激教学良性运转。
3结束语
【关键词】安检系统 智能X光机 图像处理 图像识别 人工智能 GPU云计算 大数据
1 引言
安检作业是铁路运输安全至关重要的一步，X光安检机是该环节中的关键设备，但是长期以来，都是人工看图识别，员工上岗前要经过相对长时间的培训，同时人工作业会在疲劳的时候产生误检和漏检。随着GPU云计算的高速发展，计算机的计算力成本迅速降低，为以计算力和大数据为基础的人工智能技术提供了突破阈值的基础。通过软、硬件及线上线下结合，汇集与分析各种安检领域（包括海关、机场等）的图像与数据，将之应用于高铁站安检作业作为底层初始数据，再在运行过程中使用人工智能的深度学习算法，可以有效提高人工智能X光安检机（简称，智能X光机）禁限带物品的识别率、降低劳动强度、减少人为误差；同时汇聚大量单一作业点数字化的安全信息到公共安全大数据中枢平台，反馈回的大数据喂养人工智能算法，机器学习后的结果再次应用到具体某一单作业点时，便整体提高所有单一作业点的识别率（图1）。
由于乘客所携带物品种类相当复杂，智能X光机的智能识别系统如何快速、准确的识别出乘客所携带的禁限带物品面临着巨大的挑战。本文使用基于图像处理、图像识别以及机器深度自主学习的计算机算法，在X光机图像智能识别方面进行了深入开发和实地试验。智能X光机的模式智能识别系统是智能X光机的重要组成部分。为智能X光机的闸门提供控制信号以及各种报警信号。最后，根据以上的试验结果，研发实用的智能X光机的模式识别系统。本文主要介绍了该图像处理与识别的过程以及智能识别系统。从而解决一下三个方面的主要问题：
（1）解决一线安检人员不足、过度劳累的问题，以及因此而产生的误检和漏检等问题；消除和减少安全隐患，同时实现减员增效；
（2）降低对于人员素质要求，缩短上岗前的培训周期，直接胜任物品安检岗位；
（3）解决传统安检无法联网、无法数据积累、海量数据资源浪费的问题。
2 图像异物检测原理
2.1 图像识别方法
本论文设计的基于图像理的高铁站智能X光机检测过程主要包括六个部分，分别是：图像采集、新拍图片和原始图片特征点提取、新拍图片和原始图片特征点匹配、求得新拍图片和原始图片之间的空间变换矩阵、对新拍图片进行透视变换、对变换后图片与原始图片进行相减。
计算机视觉的相关应用中经常会提到一个概念：特征点。特征点也称作关键点或者兴趣点，顾名思义，图像中的特征点一般指一些独立的物点，例如：烟肉、避雷针、旗杆、电视塔等等；或者图像中的一些线型要素的交叉点或者面状要素边界线拐点。如：桌子角、墙角、树枝交叉点等等。特征点的概念常常被用来解决一些生活中的实际应用问题，例如：图像的配准、物体的识别、图像的三维重建等等。假如我们可以检测到充足的此类特殊的特征点，由于它们的区分度比较高，就没有必要观察整幅图像，只对这些特征点进行局部的分析，并且利用它们精确的定位图像的某些稳定的特征。
2.2 比对流程
通过两幅图像之间的匹配点对，求解出它们之间对应的单应矩阵，然后可以通过该单应矩阵对新拍图像进行变换，能够得到与原始图像配准程度很高的图像。
要检测新拍图像上的异物，我们需要对经过变换过后的新拍图像和原始图像进行配准操作，变换过后的新拍图像由于透视变换出现一部分黑色区域，这样会对后续的图像对比操作造成很大的影响，因此，我们首先需要一定的手段将该黑色区域去掉，在计算机视觉处理技术当中有一种图像剪切技术可以达到此目的，需要注意的是，为了能够对两幅图像的相同区域进行对比，我们需要对原始图像进行同样尺寸的剪切动作。
经过剪切过后的两幅图像尺寸大小一致，此时可以用图像像素值差法对该两幅处理后的图像进行图像相减，我们可以事先预设一个阈值，如果相同位置的像素点的值相同或者两像素点差值未超过预设的阈值，则可以认定此两像素点是相同的，反映在结果上则是该位置为一个黑色点斑，反之，若相同位置像素点的像素差值超过预设的阈值，则该位置显示一个白色点斑。我们可以通过图像相减的结果图像上的白色斑点直观的判断两图像之间的差异或者是否存在异物。
3 测试试验
长春西高铁站对使用的人工智能X光安检设备，进行了改造，融入了图像处理技术和人工智能云端计算力应用的检测，并进行试验和实物操作检验。
（1）设计了一套基于图像处理技术的高铁站智能检测软件系统。整个图像处理过程分为新拍图像与原始图像特征点检测及匹配、对检测出的新拍图像与原始图像特征点对精选、新拍图像与原始图像之间空间转换矩阵的估计、新拍图片的透视变换、图像剪裁、新拍图像与原始图像相减、图像异物标记、腐蚀除去噪声等8个步骤，针对上述8个步骤编写了相应算法。
（2）在实际的图像摄取过程当中，拍摄视角无法保证每一次都完全相同，尤其是当拍摄环境较为复杂时，由于物体的遮挡效应，摄像头在比较大视角变化情况下拍摄出的图像相较于原始图像会出现很多“新”的内容，这样在图像相减时可能会出现很大的差异，可以考虑在一个角度变化范围内实现很多张微小角度变化的图片的拍摄，然后连续对相邻的图片进行空间转换，最终达到效果比较好的大角度空间转换。
（3）由于实际的拍摄角度和环境亮暗的不同，物体表面反射光强度不可避免会存在差异，由此，在两图像像素值差算法的过程中，也可能会出现噪声，为消除噪声，本设计的系统用的是图像腐烛算法，使系统异物检测效果更好。实验测试表明，在环境的亮暗、图像位移、旋转、倾斜、缩放等因子的变化不超过容许范围的条件下，本次试验提及的基于图像处理的高铁站智能检测系统基本能够取得较好的效果。
（4）根据不同的应用场景，灵活配置安检效率和阅图效率的匹配关系：
快速安检模式：安检效率高于阅图效率，增加安检人数以满足业务量的需求，适用于业务高峰期，快件量巨大的应用场景；
快速阅图模式：安检效率小于阅图效率，平均每位阅图人员可管理多个通道；适用于业务低谷期、安检包裹较少的情况，以节约人力成本。以上两种测试也很成功。
（5）长春西高铁站的人工智能X光安检机测试结果想到优异。已经具备200-1000亿次/秒的图形运算能，自动识别肉眼难以辨认的复杂背景后的枪支，经过大数据分析，甚至能查验出分批寄运的枪支零件，可对3D打印枪进行识别（图2）而传统X光机无能为力。该大数据的云平台系统，运算速度已经达到毫秒速度。当前版本的智能X光机，可识别常见的一百种以上刀具、数十种30种以上枪支、常见的上百种瓶装液体、一百种以上的锂电池（图2）。
4 展望及结束语
未来下一步的工作是进行各个单一作业点的人工智能X光安检机联网，实现数据的实时向大数据运营中心传送；在运营中心GPU计算力的使用和机器深度学习的迭代升级，会持续不断地增强实现智能判断力、并通过智能语音播报提醒。每个车站都配备一个分指挥中心，可以完全实现培训、指挥的功能。可以实现24小时值机和支持一人值双机的工作的方案，并能实现远程值机、移动值机等功能。极大地提高了火车站X光机安检环节的工作效率和升级了安全保障的能力，并实现减员增效。
本文报道了人工智能X光机的安检系统在长春西高铁站的实地应用和测试原理、方案、过程和结果，讨论了智能X光机通过运用图像处理和图像识别技术，结合与人工智能机器深度学习的算法，和GPU云计算的大数据处理能力，经过反复实测试验，初步实现了高铁站安检作业异物检测功能的需求，但仍存在很多实际应用问题需要改进和完善，仍然需要大量的基础数据建立数据库，累积大量机器学习数据，从而进行更高维度比对运算，减低误报率。随着人工智能技术的进一步发展，以及计算机图像处理技术和图像识别技术的更加成熟、完善，人工智能X光安检设备将会在保障铁路运用安全方面发挥越来越重要的作用。
参考文献
[1]Robert Laganiere. OpenCV计算机视觉编程手册[M].科学出版社，2013（07）.
[2]敬淇文.基于Harris角点检测的零件形状识别[J].微计算机信息，2010.
[3]吴毅良.一种基于SIFT和SUSAN特征的图像匹配方法[D].暨南大学，2011（06）.
[4]张少辉，沈晓蓉.一种基于图像特征点提取及匹配的方法[D].北京航空航天大学，2008.
[5]刘学，姚洪利.基于扩展的SURF描述符的彩色图像配准技术[J].计算机应用研究，2011（03）.
[6]刘禾.数字图像处理及应用[M].北京：中国电力出版社，2005.
[7]陈书海，傅录祥.实用数字图像处理[M].北京：科学出版社，2005.
[8]段佳佳，杨迎春.图像处理在自动焊接中的应用[J].电子测试，2012（02）.
作者简介
米仲勇（1975-），男，吉林省长春市人。现沈阳铁路局长春站工程师。主要研究方向为铁路运输管理。
【摘要】计算机辅助教学的实际需要应用人工智能技术及复杂的程序,如自然语言理解、知识表示、推理方法等,一些人工智能技术的特殊应用成果,同时以及理论证明等均被应用于计算机辅助教学系统,以提高其智能性和实用性。早期绝大多数计算机辅助教学技术被应用于建立学习模块。这种方法能控制调练策略并给出适合学生的学习内容。
【关键词】人工智能计算机辅助教学教学与控制
一、人工智能的定义
人工智能也称机器智能,它是计算机科学、控制论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。从计算机应用系统角度来看,人工智能是研究如何制造出智能机器或智能系统,实现模拟人类智能活动的能力,以延伸人们智能的科学。人工智能是一门交叉科学,逐渐形成一门涉及心理学、认知科学、思维可循、信息科学、系统科学和生物学科等多学科的综合性技术学科。
二、计算辅助教学体系和现状
计算救助教学是利用多媒体计算机的功能与特点,利用计算机辅助教师完成各个教学环节,并通过与计算机之间的交互活动,激发学生的学习积极性和主动性,帮助学生更有效地学习。实用计算机辅助教学,有利于认识主体作用的发挥,它所提供的图像、声音、动画等信息由利于学生知识的获得与保持,达到提高教学教学的目的。
目前为止,所实用的绝大多数传统以及理论证明等均被应用于计算机辅助教学系统,以提高其智能性和实用性。早期绝大多数计算机辅助教学将全部教学信息以编程方式预置于课件中,这样的以及理论证明等均被应用于计算机辅助教学系统,以提高其智能性和实用性。因此现有的以及理论证明等均被应用于计算机辅助教学系统,以提高其智能性和实用性。早期绝大多数计算机辅助教学系统面临许多挑战,它主要存在以下几个方面的问题。
1.计算机辅助教学系统的闭塞性
不具有开放性是目前以及理论证明等均被应用于计算机辅助教学系统,以提高其智能性和实用性。其弊端在于固定内容的局限性使课件的适用面狭窄,而且设定的运行路线使授课缺乏自主性;授课的针对性不强;无法利用新出现的资源在较高起点上进行二次开发。
2.智能性的欠缺
现有的计算机智能辅助课件系统不能对不同何曾度的学生进行有针对性的教育,学生的学习是被动的,不能由系统自动提供助学信息而使学生有选择地学习。。
3.人机交互能力较弱
现有计算机智能辅助大多以光盘作为信息的载体,将材料中的内容以多媒体的形式展现出来,教学信息是按预置的教学流程机械式地提供给学者,学习者使用计算机智能辅助课件学习是完全被动的。
4.教师与学生的互动在教学中的缺乏
现有计算机智能辅助课件在学生自学以及进行操作使用时,如何学习都是学生自己的事。教师不能全完了解学习者的情况,学生在蹦到问题时不能向教师求教,师生之间互相封闭,谈不上师生互动,因此课件所起的效果大打折扣。
5.课程特点没有突出
各门课程在教学上有不同的要求,但现有课件对于这些不同要求完全不予理会。例如很多课程都要涉及到大量的曲线或曲面,对有些课程来说,将这些曲线或曲面给出了一个简单的展示就足够了,而有些课程这样的展示不能达到教学目的的要求。
6.教学计划的欠缺
在课件的开发过程中实际上离不开教学策略的设计,但课件的制作者往往并未意识到这一点。例如:现有的绝大多数课件都是单一的展播式,这样的可见制作“精美”,但它不可逆、不能互动。实际上运用课件教学只是手段而不是目的,应该在教学设计理论的指导下讲求课件的实效性,着眼点在于学生学习新知识、掌握新技术、培养各种能力有帮助,而不是表面上的制作“精美”。
综上所述,现有的计算机智能辅助存在许多问题,随着新技术的不断出现,这些问题将使计算机智能辅助越来越不能适应新的要求。因此以智能计算机智能辅助为代表的心的计算机辅助教学系统将成为教育技术上需要不断探求、努力实现的发展方向。
三、智能计算机辅助教学系统
智能计算机辅助教学系统(IntelligentComputerAidedInstruction),简称ICAI。教学过程是一个复杂的教与学的思维过程,它需要教师以专门知识和经验为依据,经过吸取、讲解、推理、示例、综合等多个步骤才能较好地完成。计算机辅助教学实际上是一个由计算机系统辅助教师进行教学以及学生进行学习并得以实现的系统。在智能ICAI中,教学思想、方法、学习内容可用知识形式表示,如何解决知识的形式化表示以及知识的访问与调用问题,是人工智能的核心技术之一,也是将ICAI引入教育技术领域中所要面临的一个问题。知识库是实现知识推理与专家系统的基础,可以用知识库作为智能ICAI的构建环境。在知识库中,教学内容等的有关知识可以用事实与规则表示,并存储于知识库内,教学与学习过程既是对知识库中知识进行推理,并最终得出所需结果的过程。ICAI系统的一般包括以下几个模块:
1.知识库。知识库是关于教学内容的模块,解决“教什么”问题。知识库中的教学内容有待于教学与控制模块和学生模块进行选取、调用。
2.学生模块。学生模块是用于记录学生的学习情况,对学生学习的各个环节信息进行搜集,以便系统对学生的学习情况进行自动评估,提出具有针对性的学习建议和个别化的辅导。学生模块描述学生对教学内容理解、掌握的程度,系统可以根据学生模块的具体情况调整教学策略并提供适当的反馈。
3.用户接口模块。这是系统与用户交流的界面。整个系统依靠用户接口模块把教学内容呈现给用户、接受用户输入的信息、并向用户提供反馈。
抱怨的背后正体现出中国人工智能厚积薄发，取得了一定成就，尤其是在应用层的发展达到了与美国相近的水平。如在移动支付方面，目前中国的移动支付普及率为77%，位居全球第一，在大量应用的背后，从刷脸支付到算法优化，人工智能扮演着关键作用。美国人免不了喝上一壶老陈醋。
事实真的如此吗？
我们在做《中美两国人工智能产业发展全面解读》报告时发现：中国人工智能企业数量、人才数量都仅为美国的一半；美国布局全面，而中国无论是企业还是人才，在产业基础层、技术层、应用层，分布不均，仅应用层略有积累。
施密特之抱怨，终究无法掩盖中美两国巨大的产业落差。
与其关注谁威胁谁，不如把心思放在技术创新上。这才是每一个AI企业都应该时时刻刻思考的问题，也是一个科技企业的本分。
不过，现在产业界也不够冷静。甚至于出现了一些让人担忧的迹象。回顾2017人工智能领域已经出现了三大突破，算法、政策、资金，均创里程碑，业界欢呼鼓舞，这种情形像极了1999年底网络泡沫泛滥的情形。
展望2018，偌大一个人工智能，优秀项目不够、顶尖人才不足、场景落地缺失，三大难题横亘眼前，又将如何破解？
2017年的三大突破
1、算法的突破
要说在2017年把人工智能引入舆论的，就不得不提围棋人机大战。来自谷歌旗下的AlphaGo以3：0击败了世界排名第一的柯洁，随后AlphaGo Zero又取得超过AlphaGo的实力，赢得了100场比赛的全胜，并在40天内超过了所有旧版本。
AlphaGo的前几代版本，主要采用深度学习算法，一开始用上千盘人类棋谱进行训练。
AlphaGo Zero则跳过了这个步骤，自我对弈学习下棋，完全从乱下开始，采用的是强化学习。该系统从一个对围棋一无所知的神经网络开始，将该神经网络和一个强力搜索算法结合，自我对弈。在对弈过程中，神经网络不断调整、升级，预测每一步落子和最终的胜利者。
强化学习其实也是机器学习的一个分支，强化学习是一种标记延迟的监督学习。它讲究在一系列的情景之下，通过多步恰当的决策来达到一个目标，是一种序列多步决策的问题。
AlphaGo Zero的成果提示，AI并非只有深度学习，强化学习也很值得研究。
在过去的三十年，深度学习运动一度被认为是学术界的一个异类，Geoff Hinton和他同事的努力，使得深度学习成为主流，应用于语音识别、图像标签以及其他无数在线工具的用户体验。
有趣的是，临近年底，深度学习之父Hinton新论文Capsule，断然宣称要放弃反向传播和深度学习理论，欲自废三十年功力再练一套新AI“功夫”。圈里圈外顿时蒙圈。
自我颠覆或酝酿着AI的另一次飞跃。李飞飞对此大为赞赏，发推特称：没有工具是永恒的，即使是反向传播和深度学习。重要的是基础研究继续推进。
2、政策的突破
2017顶层设计已经明确昭示产业发展方向，可以预期，2018年后各地将掀起新一轮的发展。
为抢抓人工智能发展的重大战略机遇，构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国，2017年7月，国务院印发的《新一代人工智能发展规划》，提出三步走计划，到2030年人工智能理论、技术与应用总体达到世界领先水平。
《规划》旨在大力发展五大人工智能2.0技术(包括深度学习、跨界融合、人机协同、群智开放和自主操控)，用以解决技术、产业、社会和国防四大领域的问题。值得一提的是，规划中还提到了让中小学开设人工智能和编程课程，人工智能教育从娃娃抓起，一时间风头无两，盖过规划。
继《规划》后，11月15日，科技部在北京召开新一代人工智能发展规划暨重大科技项目启动会，宣布依托百度、阿里、腾讯和科大讯飞四家公司，成立人工智能四大平台，标志着新一代人工智能发展规划和重大科技项目进入全面启动实施阶段。
作为创业者和企业家，2018年发展什么样的人工智能技术和产品、怎样发展人工智能技术和产品？翻开《规划》，尤其是关于“培育高端高效的智能经济”的内容，一定可以找到一些思路：“大力发展人工智能新兴产业，将技术转换成应用，实现在智能软硬件、智能机器人、智能运载工具(车、船、飞机、火箭等)、VR/AR、智能终端和物联网基础器件的创新；加快推进产业智能化升级，促进传统企业的改造，让制造、农业、物流、金融、商务和家居等各领域都实现人工智能规模化应用；大力发展智能企业，推动企业智能升级，推广应用智能工场；打造人工智能创新高地，鼓励打造建设以人才、企业、生产要素为中心的产业群、产业园。”
3、AI投融资突破
一改前两年的低调，2017年的资本，高调的聚集到屈指可数的较成规模的AI创业项目中。
7月11日，4.1亿美元！商汤科技刷新AI领域单轮融资纪录！
10月31日，4.6亿美元！旷视科技获4.6亿美元C轮融资，再次刷新了融资记录！
2017年，一系列眼花缭乱的融资事件陆续爆发。
2017年中国AI领域投融资创出历史新高，一年内总投融资达582亿元。
在投资热门领域方面，VC对计算机视觉与图像、自然语言处理和智能机器人的关注持续全年，其趋势基本符合腾讯研究院8月的《中美两国人工智能产业发展全面解读》和《中美人工智能创投趋势报告》的预测。
值得一提的是，国产AI芯片独角兽出现。长期以来，中国信息产业受制于人，在产业核心芯片方面的落后不仅仅是技术、资金的匮乏，更重要的还有产业生态意识的淡薄。AI芯片投资周期长，金额大，产出小的特点，使得很多投资商及企业对它望而却步。而此次一亿美元的融资，将用于发展国产AI芯片的产品化和市场化，有助于推动产业走向自主发展的道路。
粥多僧少，泡沫也在酝酿。由于创业公司成立数量较前两年有所回落，2017年资金明显偏向中后期、大多数是一些较为成熟的项目，金额相当巨大。
2018年，投资人会不会对AI初创项目表示更多热情？
许多AI初创项目，属于“三缺一”项目，缺少独创技术、缺少应用场景、缺少成熟度，只有一个概念，徘徊在实验室里，难以推开市场的大门，看起来有点悬。
2018年的三大难题
1、资金很多，项目不够用了
当前的AI产业发展面临泡沫化的风险，主要体现在投资供应数量大而项目供给数量少，市场对创业项目寄予很高的期望，而实际的产品体验欠佳。
泡沫即将出现。在腾讯研究院的《中美两国人工智能产业发展全面解读》报告中，分析了引发行业泡沫的两个信号：
一是资金多而项目缺。
综合过往数据和2017年前半年的情况，今年美国新增企业数量将跌到谷底，在2017之际，美国新增企业数量范围在25-30家之间徘徊。同时，美国的累计融资量持续快速增长，最后将稳定在1380-1500亿元的区间。
2018年后，中美两国AI企业数量增长都将有所恢复，但依然平缓。在这段时期内，创投圈将会发现，找到一个新的有潜力的项目越来越难，由于新增企业数量稀少，经常只能跟投一些项目。
到2020年，美国累计AI公司数量将会超过1200家，累计融资将达到惊人的2000亿人民币。中国AI企业增势不明朗。根据行业发展周期来计算，中国人工智能产业将会在2018年回暖，新增公司数量会上扬到30以上，预期融资累计量将会达到900-1000亿元。
二是周期长而营收难。
通俗的说，人工智能期望值被大大高估了。引领本轮AI热潮的深度学习，起源于上世纪八九十年代的神经网络研究。在很多情况下，前沿研究是由对已有方法的微小改动和改进组成，而这些方法在几十年前就已经被设计出来了。
2006年，深度学习算法获得了突破后，引起市场热炒，但相关的AI技术和产品的成熟度仍然有限，甚至被讥笑为“人工智障”。许多项目和技术，要想获得消费者欢迎，还需要相当长的时间。
从投融资趋势来看，涌入人工智能领域的资金依然还会增加。
一个依据是，据不完全统计，2017年中国人工智能领域的投融资事件约353起，比2016年稍有回落。但投资金额激增，总融资金额近600亿人民币，在政府的鼓励和行业并购中，2018年中国AI的投资将会持续大幅增加。
另一个依据是，行业并购开始加剧。根据CB Insights提供的数据显示，自2011年以来，已有近140家人工智能初创公司被收购，而2017年的第一季度，海外就有34家人工智能初创公司被收购，为去年同期的两倍。2018年，仍将延续这一趋势。在资金增长的同时，中国AI企业数量却不能同幅增长。根据行业发展周期来计算，中国人工智能产业将会在2018年呈现回暖，预期融资累计量将会达到900-1000亿人民币，而新增公司数量仅仅上扬到30家左右。
资金多而项目缺，周期长而营收难，项目却一天比一天更加昂贵，这种情形与1999年的第一次互联网泡沫何其相似。
2、事情很多，人不够用了
算法大神YoshuaBengio曾表示：“深度学习现在炙手可热，目前的困境是缺乏专家，一个博士生大概需要五年的时间培养，但是五年前还没有博士生开始从事深度学习，这意味着现在该领域的专家特别少，可以说弥足珍贵、极度稀缺。”这是三年前AI面临的困境，至今依然未得到改善，甚至变得更加严峻。
人工智能竞争以顶级人才为根本。据说世界上深度学习领域的顶尖人才不超过50人，Andrew Ng表示深度学习领域人才匮乏的主要原因首先是数据，对于解决某些领域的问题，获取数据并非易事；其次是计算基础架构工具，包括计算机硬件和软件；最后是这个领域的工程师培养时间非常长。所以科技巨头们等纷纷通过收购初创公司来招揽人才。
作为国家未来的发展方向，AI技术对于经济发展、产业转型和科技进步起着至关重要的作用。而AI技术的研发，落地与推广离不开各领域顶级人才的通力协作。在推动AI产业从兴起进入快速发展的历程中，AI顶级人才的领军作用尤为重要，他们是推动人工智能发展的关键因素。
然而，中国人工智能领域人才发展极为欠缺。
据腾讯研究院的《2017全球人工智能人才白皮书》显示，目前我国约有20所大学的研究实验室专注于人工智能，高校教师以及在读硕博生约7000人；产业界现存人员人数约为39000人。远不能满足我国市场百万级的人才需求量。
从产业发展来看，我国人工智能领域人才分布严重失衡。
人工智能产业由基础层(芯片/处理器、传感器等)，技术层(自然语言处理，计算机视觉与图像，机器学习/深度学习，智能机器人等)和应用层(语音识别，人脸识别)等组成，目前我国在产业层次人才上面临两个问题如下：
问题一，产业分布不均。中国AI产业的主要从业人员集中在应用层，基础层和技术层人才储备薄弱，尤其是处理器/芯片和AI技术平台上，严重削弱中国在国际上竞争力。
问题二，供求严重失衡，人才缺口很难在短期内得到有效填补。过去三年中，我国期望在AI领域工作的求职者正以每年翻倍的速度迅猛增长，特别是偏基础层面的AI职位，如算法工程师，供应增幅达到150%以上。尽管增长如此高速，仍然很难满足市场需求。但是，由于合格AI人才培养所需时间和成本远高于一般IT人才，人才缺口很难在短期内得到有效填补。
人才不足，是制约中国AI产业发展的关键因素。
近几年来，Google不断的收购AI领域的公司最主要的目的是“抢购”一批世界上最一流的专家，在一个迅速成长的人工智能领域里面，这些专家无一不是佼佼者。其他科技巨头也相机而动。
可以推想，人才流动，还将加剧。人才引进，还需持续。2018年，无法缓解人才饥渴症。
3、场景很多，路不好走了
如果梳理一下2017全年的AI产业大事件，人工智能技术与行业结合，九大热门领域遍地开花。
其中，医疗、金融、无人驾驶这三大热点中的悬疑，更是大大的吊足了公众的胃口。
悬疑一，AI医疗的变革的信号在哪里？
作为民生领域，医疗年年改，却次次令人无奈。风险投资也对AI+医疗有持续不断的支持。2017年，每个月都有VC流入AI+医疗领域，国内所有医疗人工智能公司累计融资额已超过180亿人民币。
科技企业智能医疗的布局与应用已有雏形，IBM Waston已应用于临床诊断和治疗，在2016年就进入中国在多家医院推广；阿里健康重点打造医学影像智能诊断平台；腾讯在17年8月推出腾讯觅影，可辅助医生对食管癌进行筛查。图玛深维11月获投2亿元，正在把深度学习引入到计算机辅助诊断系统中，晶泰科技(XtalPi)近期也融资1500万美元，用于新一代的智能药物研发技术，以解决药物临床前研究中的效率与成功率问题。
遗憾的是，尽管政府亮了绿灯，企业投了人力财力，但人工智能却并没有在医疗领域出现爆发。原因何在？在于人工智能需要大量共享数据，而医院和患者的数据如同孤岛。如何打破各方壁垒，保障健康的同时又保障数据安全性？这将是推动智能医疗快速发展的一个重要信号。
悬疑二，AI如何深层次的撬动金融？
与智能医疗面临相同数据问题的还有金融领域，大量的可信度较高的数据握在各大银行手中，AI怎么能够撬出来这些数据以推动金融科技的创新，是创业者们绞尽脑汁思考的课题。
当前，人脸识别、指纹识别技术作为验证客户身份、远程开户、刷脸支付，解决金融安全隐患的方案，已经发展成熟正在逐步推广。
如何利用知识图谱挖掘潜在客户、进一步深挖客户潜在需求的技术也已较为成熟，而数据源的问题亟待解决。
美国的科技公司FutureAdvisor最早研制出“机器人理财顾问”。随后，此类机器人理财顾问迅速风靡全球。
2017年智能投顾更是火烧火燎，被视为是下一个风口。但是，机器人炒股，结果赔了。
悬疑三，智能汽车究竟何时上市？
无人驾驶汽车被称为“四轮机器人”，但其发展何时会像智能手机一般，人手一台，彻底颠覆传统手机进而推动整个产业变革？这答案仍然是个悬疑。
2017年，汽车行业内智能造车势力动作不断，其中一部分已陆续交出答卷，让产品接受市场的检验，而一部分仍在温室中培养，等待结果。之所以称之为“温室”，是因为各行各界都对其予以厚望，尤其是在投融资上，虽然投资事件数不多，但金额达234亿人民币。
百度宣布开放阿波罗平台。阿里巴巴与上汽集团等传统车企展开合作。腾讯于年初成功入股特斯拉成为第五大股东，领投蔚来汽车首款纯电动产品，已正式上市。
时间正在跟我们赛跑。2017年，无人驾驶车辆走上北京五环被交警调查，12月20日，一支百度Apollo无人车车队，在雄安新区测试开跑。2018年初，北京顺义区无人驾驶试运营基地正式启动，成为北京出台国内首部自动驾驶新规以来，全市首个开展无人驾驶试运营的区域。2018年，谁会上路？行业和消费者都拭目以待。
回顾2000年互联网泡沫的幻灭，很多人依然觉得不可思议。那时候的产业发展日新月异，软件应用、网络服务ISP，网络内容ICP爆发，常有一日不见如隔三秋的感叹。
2000年4月，纳斯达克指数一路狂飙突进到历史顶点，5400多点。但不幸泡沫破裂，资本市场崩盘。纳斯达克指数迅速滑落。中间经历了9.11恐怖袭击事件，还有安然事件。寒冬持续了3年时间，才慢慢走出低谷。
如今的AI产业正蓬勃发展，与互联网初期阶段何其相似。
产业带着耀眼的光环，肩负国家战略的重任，高度依赖资本市场渠道，舆论高度爆炒，从业者无不都是三高社会精英。
