半岛彩票据传说，一门新技术的产生与成熟，会经历下面一条叫做“Gartner曲线”的过山车式发展轨迹，如下图所示。不过，人工智能的发展轨迹，却比这个要销魂地多，到目前可以说是三起三落，当然，这个第三落还没有到来，也未必一定会到来。
我进入这个行业已经有十多年了：博士期间，我做的是语音是别的研究，毕业开始又到MSRA接着干这个。虽然我们的两任院长——李开复老师和洪小文老师都是语音研究出身，却丝毫不能改变当年这一项目在全院最鸡肋的地位。因为在当年，各种各样的人工智能应用能真刀真枪上阵的并不多。更别提要是向互联网界提起自己是做“人工智能”的，那简直就像在两会会场上上偷看了毛片那样无地自容。实际上，那个时期，正是人工智能发展的第二落。
以史为鉴，可以知兴衰。为了探讨人工智能的发展前景，我们简单回顾一下人工智能前面发展的三起两落。
一、六十多年前的达特茅斯会议，提出了“Artifitial Intelligence”的课题，目的是让逐渐成熟的计算机能够代替人类解决一些感知、认知乃至决策的问题。这样一个课题是如此令人神往，也迅速吸引了大量学者的眼球，相关的研究也如火如荼地开展了起来。是为第一起。
二、初，学者们解决人工智能问题的思路，是以人为师，通过专家编制规则的方法，教机器下棋、认字乃至语音识别。在今天看来，这样的方法是完全南辕北辙的——人类的视听器官虽然很发达，却并没有能力总结提炼其中的规律。于是，人工智能的美好憧憬中迎来了残酷的现实，学者们发现解决问题是如此遥远，围观群众也一度认为人工智能的学者都是骗子。是为第一落。
三、既然靠人指导不行，那就要祭出“实事求是”的法宝，从数据里统计规律。在这样数据+统计的方法论下，诸如人脸识别、手写识别等一些较为简单的问题取得了重大进展，而在当时最困难的问题——大词表连续语音识别上，统计方法也是史无前例地造就了实验室中“基本可用”的系统。到此时，我们感觉找到了解决人工智能问题的基本思路。是为第二起。
四、数据+统计模型的方法盛行以后，也很快遇到了瓶颈：数据量的提升并不总能带来识别率的提高。当然，我们很早就知道“深度模型”比“浅层模型”学习数据的能力强，无奈这种模型的计算代价极高，只能望洋兴叹。拿语音识别为例，在“基本可用”到“实用”之间的鸿沟，十几年都没有跨过去，于是大家又转向悲观，觉得人工智能还只是个梦。是为第二落。
五、第二落以来，继续坚持在“深度神经网络”这条战线上的学者很少，因为做这个是拿不到funding的。其中有一位老前辈Jeffrey Hinton，和他的学生Alex一起，发现用GPU算神经网络，能大幅提高速度，于是这种模型居然可能实用了。一旦实用，深度模型可以疯狂吸收数据的优势就发挥出来了，于是在语音识别、图像识别等领域带来了飞跃式的进展。是为第三起。
当然，工业界的看到的这第三起，比我们上面轻描淡写提到的内容要波澜壮阔得多。不过，不要太在意，因为各路大佬不论过去是做黑产、卖假货还搞劫持的，都摇身一变成了人工智能的忠实拥趸和业界先驱——虽然他们的数学也就是初中肄业水平。去年，当我听到某此类上市公司老板歇斯底里地在财报中喊出要投入数千万美元搞人工智能时，不由心生感慨：修脚的可以挂妙手回春的锦旗，但千万别说自己是做精准医疗的！
虽然人工智能的第三起确实有了质的发展，但考虑到这些沉渣泛起的为人工智能从业者，我觉得第三落还是会来到，只不过并非对行业本身的怀疑，而是自我净化罢了。
而人工智能的行业发展趋势，由于大规模数据+大规模算力的基本方法论已经成熟，今后的发展路径是十分清楚的：在那些数据储备充分、商业价值清晰的场景，人工智能会迅猛发展，投身于这样的行业中期发展会非常好；而医疗、教育这类领域，由于电子化数据的整理与积累尚需时日，可以需要一个较为漫长的发展过程。
至于人工智能非常核心的问题，也就是关于“认知”的问题，我认为到目前为止还没有任何方法论上的突破，也更谈不上解决，不过扯到这个话题就太大了，我们找其他机会再聊。
这个问题太大了，分成两段讨论吧。事先声明，由于问题太大太大，我写的这份总结既不保证完整，也不保证客观。
语音识别——李开复博士当年做的工作奠定了很多当今识别系统的基础。这里忍不住说一下，Siri本身的技术并没有特别大的亮点，真正nb的是它的模式（语音识别直接与搜索引擎结合在一起，产品体验做得好。而且关键是这样的模式能采集到更多数据，使得系统的精度越来越高）
自然语言理解——目前看到的最强的结果应该是IBM Watson。但其实我们现在用的搜索引擎、中文输入法、机器翻译（虽然其实还不怎么work）都和自然语言理解相关。这块儿不是我的专业，请 @段维斯 同学补充。
数据挖掘——随着近年数据量的疯狂增长，数据挖掘也有了长足进步。最具有代表性的是前几年著名的Netflix challenge（Netflix公司公开了自己的用户评分数据，让研究者根据这些数据对用户没看过的电影预测评分，谁先比现有系统好10%，谁就能赢100万美元）最后这一比赛成绩较好的队伍，并非是单一的某个特别nb的算法能给出精确的结果，而是把大量刻画了不同方面的模型混合在一起，进行最终的预测。
计算机视觉——目前越来越多的领域跟视觉有关。大家可能一开始想到的都是自动驾驶。虽然大家都在说googleX的无人车， 但实际上现在无论是商业上，还是技术整合上最成功的算法是Mobile Eye的辅助驾驶系统。这个公司也是目前computer vision领域最挣钱的公司。
从实现新功能方面说，视觉的发展的趋势主要有两方面，A) 集成更多的模块，从问题的各种不同方面，解决同一个问题（比如Mobile Eye，就同时使用了数十种方法，放到一起最终作出决策） B) 使用新的信息，解决一个原来很难的问题。这方面最好的例子是M$的Kinect，这个产品最让人拍案叫绝的就是那个红外pattern投影仪。
这里说的是数学理论，是为实现功能解决问题而存在的。与人类的智能的联系在下一节说。从这个角度，我们已经有了很多强有力的数学工具，从高斯时代的最小二乘法，到现在比较火的凸优化，其实我们解决绝大多数智能问题的套路，都可以从某种意义上转换成一个优化问题。
计算复杂度——能保证完美解的算法大都是NP-hard的。如何能让一个系统在当前的硬件下“跑起来”，就需要在很多细节取巧，这是很多learning paper的核心冲突。
模型假设——所有模型都要基于一些假设，比如说，无人车会假设周围的汽车加速度有一个上限（至少不会瞬间移动吧，否则怎么闪避）绝大多数假设都不能保证绝对正确，我们只是制定那些在大多数时候合理的假设，然后基于这些假设建模（比如，在语音识别里，我们是否要假设存在背景噪声呢？如果有背景噪声，这个噪声应该符合什么特点呢？这时候无论你怎么定标准，总能找出“反例”）
数据基础——任何学习过程都需要数据的支持，无论是人类学说话学写字，还是计算机学习汽车驾驶。但是就数据采集本身来说，成功的案例并不多。大概这个世界上最强的数据采集就是google了吧。每次你搜索一个关键词，然后点进去，google就自动记录了你的行为，然后以此数据来训练自己的算法。
“人工智能”这一术语自1956年被提出，到电子计算机作为一种可以模拟人类思维的工具出现，使人工智能这一技术有了一个展现的平台，开始了探索与发展。1997年，IBM公司的“深蓝Ⅱ”超级计算机，击败了国际象棋卫冕冠军Gary·Kasparov，这一现象，标志了人工智能技术的一个完美表现，再到近些年的Alpha Go，人工智能的发展似乎已经到了一个比较高端的程度。
人工智能的发展历程中，慢慢引起了人们对于人工智能的一些恐惧，艾萨克·阿西莫夫（Isaac Asimov）曾在自己科幻小说中描绘出的一些担忧，随着如今科技的神速进步，好像真的会在不远的未来变成真实。
但那些都太遥远了，在现如今的世界背景之下，各国都把人工智能列为一项备受重视的技术，我们国家也不例外。
最近京东就举办了一场人工智能创新峰会，现任我国科技部创新发展司副司长的余建在峰会上提到了当今世界各国对于人工智能技术的重视以及发展状况，并明确表示国家对于人工智能发展的高度重视，为此说明了我国在发展人工智能技术上确立了一个“三步走”的战略。
同时他还代表国家的立场表示了：人工智能技术是引领未来的创新性技术，且在国家经济以及互联网、大数据及超级计算机的发展之下，AI技术的发展也进入了具有深度学习，跨界融合，人机协同，群智开发自主操控等特性的新阶段。这些具有新特性的AI技术将对人类的生产、生活乃至思维模式都产生重大的影响。
国内现有的以BAT为首，外加科大讯飞四所公司所构筑的的人工智能平台，基本成为了我国人工智能领域的四大支撑，此外，国家还鼓励企业作为人工智能发展的主体，并坚持以市场作为发展的主导。
由此足可以想见，人工智能领域的发展在国家策略的支持下，拥有着相当光明的前景。
此外，人工智能领域的知名科学家，原IBM WostonGroup的首席科学家周伯文博士，现在在京东作为副总裁并主管人工智能研究与相关平台的业务。不太了解的人大概也会对IBM这个词有点印象，我在前文中也有提过，就是1997年击败国际象棋大师的“深蓝Ⅱ”所属的那家公司。
周伯文在这次峰会上也发表了相当精彩的演讲，他借用当初开发C语言的科学家在第一行代码中所用的“Hello World”表明了这次京东AI技术所怀揣的抱负。接着提出了今后人工智能的发展拥有三个阶段，而现在我们仅处于最初级的阶段，如果将人工智能做好做完全，其规模将比现在要大十倍甚至百倍。
1，目前我们所处的阶段，人工智能依然依赖于专家设置的体系结构，学习性也依赖于人工设计的算法。
2，广义性的人工智能，广义性的人工智能可以选择性的通过不同的来源，而不是像现在一样依赖于标准的数据学习，并且由此它可以进行长久性的终身学习，因为它的特性给了它一个适应环境的能力，拥有自适应的构架来进行终身学习。
3，就是现在大部分公司所说自己在做的通用人工智能，在他的研究中认为所谓的通用人工智能是一个长期目标，这个长期还用了非常两个字形容，并需要长期的努力才能去实现。所以通用人工智能在目前是没有一个具体严格的定义的，他给通用人工智能的定义是具有高度且极其强大的自主性。
因为第三阶段是一个无法具体严格去定义的庞大概念，所以周伯文博士着重讲了对于广义性人工智能的七个研究课题，毕竟广义性人工智能是人工智能领域发展的下一个关键阶段。这七个课题分别为：
1，针对这方面的发展，首先要解决的问题是让人工智能的学习从现有的单任务学习变成广泛的终身学习。
3，抛开如今所依赖的大量被标注的数据学习，需要让人工智能的学习保证一个无间隔且不受“信号”影响的学习状态。
4，要让人工智能摆脱如今依然需要人工构架的现状，逐步实现其自适应的构架。
6，让目前的人工智能，尤其是基于深度学习的人工智能在针对某些工作时可以避免黑盒子理论
他在演讲中已经把对于国内人工智能研究的现状与研究方向描述的相当清楚了，而当清楚了研究现状与方向，下一步需要解决的问题，在周志华教授的演讲中也有了清晰的描述。
周志华教授是南京大学计算机系的知名教授，在人工智能业界更是享有盛誉。前段时间南京大学计算机系成立了国内首个人工智能学院，相信周志华教授在其中给予的助力不容小视，因为他认为，目前制约了国内人工智能技术发展的一项重要因素，是相关领域高精尖人才的匮乏。
他在演讲中还就深度学习对深度神经网络进行了阐述，并表明自己的团队由此思考出了一个”深度森林模型“，用于探求深度神经网络之外的模型。
相信此举将对于国内人工智能领域的发展起到至关重要的作用，我们知道，深度神经网络是目前我们对于深度学习的一个解释，几乎可以在两者之间画个等号，现如今的科技发展水平，我们拥有了大数据，还有着超强性能的计算机，以及在长久的发展中我们掌握了更大量更优秀的训练方法，导致我们更能利用深度神经网络以发展人工智能，但深度神经网络依然有着很多缺陷，需要对相应的参数进行耗费大量精力的调整，可这些调整的经验很难共享，就导致了结果的可重复性大大降低，于是需要一个深度神经网络之外的模型来优化这些已经发现的问题。
虽然周志华教授提出了人才匮乏制约了人工智能技术的发展，但是既然已经在高校中拥有了第一个人工智能学院，我相信，我们国家将会在不久的未来有越来越多的人才出现，再加之国家对于人工智能技术的重视，相信也能吸引到大量的技术人员以及企业投身于此。就以此次举办峰会的京东为例吧，不论是之前挖角IBM得到了周伯文，还是现有团队中专门AI研究部门里的何晓东博士，梅涛博士，郭进博士以及黄静博士，在更细化的领域内都是佼佼者，并且在周志华教授的演讲中我们也可以知晓，京东已经和南京大学成立的人工智能学院达成了合作，即是说京东在未来可能会拥有大量的专业人才继续对人工智能研究部门进行填充。
而针对周伯文所提出的问题，他也给出了一个人工智能是一种思维方式的解读，并将探索企业将如何利用AI去适应新的环境、新的社会、与新的规划，以及如何将AI应用于物流、金融、电商及公共事业，又或者是探索更为立体的将AI应用于城市到农村。
在这样的观点之下人工智能将影响到深入社会各界、各阶层和各领域，由此他提出了京东有着一个“从0到1，从1到N，从N到无穷”的技术发展方向。
“N到无穷”希望能够获得更多的人才，一起完成把人工智能，更完美更完善的应用于各个领域的野望。
这次的人工智能创新峰会其实也是京东Neuhub人工智能平台的揭幕式，这个人工智能平台也是京东希望能够利用它的功能，吸引到更多的人才帮助京东完成它对于人工智能技术的野心。
北京大学信息学院的孙进博士在峰会上提到了这样一句话，说京东不仅进行了人工智能产业的研发，也在进行着人工智能领域的基础研究。
周伯文在演讲中所表达的对于人工智能领域的思考，从大环境下的发展趋势，到具体环节所要解决的问题，都在印证着孙进博士的这句话。余健副司长在发言中说到希望企业作为人工智能发展的主体，但若企业仅仅只去研发具体的人工智能产业，而忽略了对其基本问题的探索，人工智能的发展也许并不能够达到一个足够的高度。
余健副司长在会上的发言代表了国家政策的扶持，孙进博士的这句点评更是代表学术界，表示了对京东在人工智能领域上态度的肯定。
世界各国争相发展相关产业的大环境之下，整个产业都得到了国家的重视与支持，这是天时；从峰会上可以看出人工智能学术界思想碰撞的氛围，这是地利；未来可见的，将会出现的大量相关专业人才，这是人和。
谢邀。关于发展进程，北冥乘海生老师已经说得很细了，那么我就结合现实生活来说明人工智能的应用，让大家也更多的了解一下。
先引入两个概念，关于人工智能在学术界的分类：1、 弱人工智能：不具备完全智慧，但能完成某一特定任务的人工智能。
说到人工智能，第一反应可能是电影里面的机器人，能说能动能跟人类交流。而现实呢，自然是没有这样的善解人意的人工智能机器人。但宽泛意义上的人工智能（即弱人工智能），早已在服务在大家生活的方方面面了，已经开始为社会创造价值。
比如语音助手，在手机、音响、车里甚至你的手表上。最常见的“Hi Siri，帮我查查明天上海的天气”。这里面涉及到了机器如何听懂、理解人类的意图，并且在互联网上找到合适的数据进行回复。
这个其实是最接近大家普遍认知里面人工智能的模样，无奈要让机器理解人类的自然语言，还是路漫漫，特别是人类隐藏在语言里面的情感、隐喻。所以，自然语言处理的一直被视为人类征服人工智能的珠穆拉玛峰。我的回答主页里面也有很多关于自然语言处理（NLP）的相关回答，有兴趣可以点击进入查看哦。
相比于理解自然语言，计算机视觉发展的就顺利的多，它教计算机能“看懂”一些人类交给他们的事物。
比如最常见的出行环境中，停车场的牌照识别。以前得雇一个老大爷天天守在门口抄牌子，现在一个摄像头可以搞定所有的事情。
在购物场景中，如Amazon的无人超市，能够通过人脸识别知道你是不是来过、以前有没有购物过，给你推荐更好的体验。
在家庭生活场景中，每年的CES我们都会看到全球智能家居厂商发布的硬核产品。今年科沃斯发布了第一款基于视觉技术的扫地机器人DG70，它可以识别家里的鞋子、袜子、垃圾桶、充电线，当然除了用到视觉系统之外，还需要机身上各种各样的传感器信息融合处理，才能实现在清扫复杂家居环境时合理避障。
而除了这些身边“有形”的能看能听的人工智能，帮助人类做决策、做预测，也是人工智能的强项。
比如在网购场景下，能够根据你以前的购物习惯，“猜测”你可能喜欢购买这个。
在金融领域，预测未来几天的股市、预测某个地区的房价走势，这都是已经实实在在的真实场景。
现代人工智能本质上，是基于数理统计的机器学习系统（也有基于规则的非统计化人工智能系统，这里不详述）。这样的弱人工智能系统，能够在特定的任务上，在已有的数据集上进行学习，同时能够在今后没见过的场景预测上，获得比较好的结果。对于一些重复性的劳动，人工智能可以极大的降低人工成本的同时，提高效率和质量。
而且随着深度学习算法和数据的发展，人工智能系统也越来越简单和模块化。越来越多的企业，开始构建符合自己业务需求的人工智能系统。
对于工业界的人工智能项目，一般都不重复造轮子：不会去从零开始写一套机器学习的算法，而往往选择采用一些已有的算法库和算法框架。以前，我们可能会选用已有的SVM, MaxEnt, HMM, CRF算法，来解决不同的机器学习问题。现在随着深度学习的流行（Tensorflow, PyTorch 等等），一套神经网络框架就可以解决几乎所有机器学习问题，进一步降低了机器学习任务的学习以及开发难度。但即便如此，机器学习仍然有很高的学习门槛：需要有很好的数学、统计、线性代数的基础，熟悉相应的机器学习算法原理，有很好的算法建模能力、工程开发调试能力、以及模型调参经验。所以对于很多企业来说，不具有这样能力的开发团队。工业界对于这样的痛点，解决方案是标准化机器学习算法模块。
同时，工业界人工智能厂商，相比于对机器学习模型在数学上的深入研究，更感兴趣的是如何解决实际问题。
上面提到的科沃斯刚发布的DG70，只给你一个“眼睛”和有限个传感器，但却要求其可以识别日常家居物品：比如前方遇到的障碍物是拖鞋还是很重的家具脚，可不可以推过去？如果遇到了衣服、抹布这种奇形怪状的软布，机器还需要准确识别出来以避免缠绕。
定义问题：就像刚刚说的，根据扫地机器人的使用场景，就需要识别家居场景里面可能遇到的所有障碍物：家具、桌角、抹布、拖鞋等等。有了这些类别定义，我们才可以训练一个多分类模型，针对扫地机器人眼前看到的物体进行分类，并且采取相应的规避动作。对于很多不了解机器学习的同学来说，能够理解到这一步其实已经是巨大的认知突破了。因为机器智能无法像人类一样去学习，去自我进化，去举一反三。当前阶段的机器智能，永远只能忠实执行人类交给他的任务。
收集数据 & 训练模型：接下来会去接着去收集数据，并且标注数据。现在的深度神经网络动不动就是几百万个参数，具有非常强大的表达能力。因此需要大量的数据，而且是标注数据。所谓的标注数据，就是在收集了有关图片，需要人工标注员，一个个去判断这些图片是否属于上面已定义类别中的某一个。在工业界这个的成本非常昂贵，一个任务一年可能要花费几百万美金，仅仅是去为了做数据标注。有了高质量的标注数据，才有可能驱动深度神经网络去拟合真实世界问题。
本地实现：还有一个很有意思的技术亮点，这个在其他AI产品上不是很常见：这么复杂的人工智能运算，据介绍都是在机器上本地运行的。一方面保护用户隐私，不能将用户数据上传到云端；另一方面，扫地是一个动态过程，很多运算对时效性要求非常高，如果过于依赖网络，稍有延迟可能一不小心就装到墙壁了。
而对于自动驾驶汽车来说，对于信号收集过程，也跟上面差不多。不过为了保证信号精确程度，现代的自动驾驶汽车，除了图像视觉信号之外，车身会配备更多的传感器，精确感知周围环境。
说完了弱人工智能，我们来想象下未来的人工智能。这里必须要提到一部绕不过的美剧《西部世界》。
在《西部世界》中，机器人接待员自我意识的逐步觉醒，让接待员们对人类产生了反抗甚至仇恨的情绪。这也是科幻小说家等诸多名人提醒大家警惕人工智能的场景之一。
但从上所述，大家可以看到，连简单的“识别拖鞋”，都需要经过上面这么复杂的过程。那么如果我们要打造一个西部世界里面那样的强人工智能机器人，又需要多少工作量呢？估计最简单的在复杂环境中自动行走都做不到，更别说能够产生类人情感，甚至对人类产生仇恨、报复等心理。
人工智能领域有一大帮顶尖的科学家奋战在算法模型研究第一线，也有一大批厂商，在努力推广、标准化机器学习算法，降低人工智能算法的开发成本，让各行各业的企业能够更加专注于上层业务逻辑，使用已有的人工智能算法来搭建造福社会的AI产品。
几十年前，各种计算机厂家构建的生态系统，迎来了蓬勃的信息化革命。现在迎来的人工智能革命，同样出现了越来越多的人工智能基础提供商，他们也会逐渐形成一个更成熟的人工智能生态，造福其他厂商，造福社会。
这一波疫情，人工智能凭借独特优势站上了抗疫的浪尖。期间，感通行、疫情问询机器人、AI测温、防疫指挥平台，在抗议期间起到了很重好的作用，然而这些也只是AI产业的一个个小小缩影~可能还有人不知道什么是人工智能，这里给来给大家普及一下我自己对人工智能的理解。
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。比如最近的聊天技术人员，ChatGPT以及ACIG的图片视频的生产都是人工智能表现的也一种形式！
人工智能发展的历史可以分为三个阶段，技术驱动阶段、数据驱动阶段、情境驱动阶段
我们可以看到从1956年开始就有了AI领域的雏形，当时计算机科学家艾伦·图灵提出了“图灵测试”概念，并于同年举办了“达特茅斯会议”，正式确立了“人工智能”这一概念。从此，人工智能领域逐渐走出雏形。
在20世纪60年代~70年代，研究者开始探索使用符号推理和逻辑推理来模拟人类的思维过程，开启了知识符号阶段。
在80年代，知识工程与专家系统成为主流，试图通过人类专家的知识解决特定领域的问题。直到90年代，AI领域遭遇低谷，专家系统无法应对复杂问题，发展陷入瓶颈。然而，随着互联网的普及，大数据成为推动AI发展的关键要素。
2010年代起，深度学习技术的崛起改变了AI的命运，通过神经网络的层次化学习，取得了图像识别、语音识别等领域的重大突破。
如今随着计算能力、存储资源和网络带宽的飞跃式提升，云计算、超级计算、量子计算平台的构建与应用以及大规模数据的不断积累，尤其是来自各行各业的需求驱动，人工智能的研发和应用到了真正万事俱备、水到渠成的时期，甚至驱动了第四次技术革命的到来。
网络时代的到来为人工智能的研发提供了机遇与驱动力。计算机网络，尤其是互联网，是理想的人工智能实验床，因为整个互联网就可以看成是一个传感器密集、大规模并行的自治、虚拟机器人系统。
当面在我也提到的疫情防疫智能平台，疫情问询机器人，定理证明、医疗诊断系统，以及人脸测试仪器等都是生活中对人们的生活中起到了很大的帮助~
目前最受关注的人工智能技术是深度学习和强化学习，代表性的典型应用包括图像识别、视频分析、语音识别、文本分析、机器人系统、无人系统、人机对弈、遗传编程等。例如目前最流行的“刷脸”，就是一种基于深度学习的图像识别在生物身份认证领域中的应用。
近年来，“AI+医疗”迅速发展，凭借其智能化、自动化的特点，主要应用于公共卫生、医院管理、医学影像、医疗机器人、药物研发、健康管理、精准医疗和医疗支付等方面
比如疫情期间，依图医疗和上海公共卫生临床中心合作推出了业内第一款智能评估新型冠状病毒性肺炎的AI影像产品。
在智慧交通领域，AI将进入每一台汽车，每一段道路，打造真正安全的自动驾驶，将带动智慧交通、机器人、AI芯片、传感器、高精度地图、控制系统、汽车制造，成为下一代巨大的操作系统。
从而利用人工智能、物联网、云计算、大数据和5G等技术，实现交通智能化，从而提升城市交通便利水平，提高道路通行速度，优化人车交互体验。
AI将主要应用于智能客服、精准营销、无人化零售、智能化运营等服务，促使产业中“人—货—场”结构发生变化，让产业链各环节的信息加快流转，并提高产业整体数字化水平。
智能信息检索系统可以理解一些自然语言，允许用自然语言进行各种查询，并且训练自己的推理能力，能够根据储存的事实推断出我们需要的答案，还具有一定的常识知识来补充科学专业知识。另外，智能驾驶、机器人、智能医疗等领域，AI+制造业等等，人工智能和大数据技术可帮助制造企业把隐藏在海量数据中有用的深层次的知识和信息自动挖掘出来，以提升制造业在控制、优化、调度、管理等各个层面分析和解决问题的能力。
虽然已经积累了大量的数据，但是平均到每家企业来说，可以获得的数据来源还比较单一，还有一些能够被采集到的数据量占人类生活中所产生信息量的10%左右，在这其中能够被分析的数据更是少之又少。目前而言，像科幻类电影中那些有情感，能够独立解决问题，能够识别甚至预测人类社会发展的人工智能叫做强人工智能。如今的发展阶段还是在起步的阶段！
其实ACIG和chatGPT一样，通过需要一些大规模语言来奠定基础，人工智能用到的技术：机器学习，其中包括监督学习、无监督学习和强化学习，深度学习、NLP自然语言处理、计算机视觉、知识图谱、遗传算法，HCI等等，这只是人工智能技术领域中的一部分，更多的技术可以关注乎官方「知乎知学堂」和「AGI课堂」联动，推出的【程序员的AI大模型进阶之旅】公开课，这里会让你学习更多的AI方面的知识
我们都是知道，人的智能在于事前的无数据，机器的智能在于事后的有数据，而数据的价值和意义是由人确定的，所以是可变的，所以有机无人的数据是注定无用的。
所以人机融合智能是未来人工智能的发展方向！ 随着数字化以及产业数据基础设施的完善，提升产业整体的效率，实现产业互联网价值最大化，未来，人工智能给人类带来的潜在影响可能有许多方面，它可以渗透到社会的许多领域，可以渗透到人们生活和工作的方方面面。
目前随着所谓的生成 AI 的到来，例如 ChatGPT，几十年来 AI 进步的缓慢进展感觉更像是一个巨大的飞跃。目前很多公司的程序都是面向ChatGPT进行写代码了！
PS：目前人工智能已经深入到了各个领域，就拿我们程序员来说，目前程序员都都是面向ChatGPT开发，很多公司都在开发自己的chatGpt了，同时也要有很多公司在训练自己的AI大规模模型，如果你想了解基于AI的llm 技术，最高效的方式就是看视频教程，推荐知乎官方「知乎知学堂」和「AGI课堂」联动，推出的【程序员的AI大模型进阶之旅】公开课，里面有介绍了在llm 的时代，看了后就可以对于整个大模型的现状有个了解了，个人感觉学到了很多的AI知识
个人觉得程序要应该如何抓住这次机会，并且讲解了llm fine tuning 和 开源工具LangChain 等技术干货。
于哥认为中国AI的发展前景非常乐观，并且有政府和企业的支持、技术创新、人才储备应用前景以及商业价值，都为AI的发展提供了 有力的保障。同时随着技术的不断创新，和应用范围的不断扩大，中国的AI也面临着新的挑战和机遇，相信随着大家的不断努力和探索，中国的AI将会为经济和社会发展带来更多而惊喜！
