來源：德先生（D-Technologies）

FITEE“人工智慧2.0”專題導讀

國務院近日印發《新一代人工智慧發展規劃》，提出了面向2030年我國新一代人工智慧發展的指導思想、戰略目標、重點任務和保障措施，部署構築我國人工智慧發展的先發優勢，加快建設創新型國家和世界科技強國。

2017年1-2月，中國工程院院刊資訊與電子工程學部分刊《資訊與電子工程前沿（英文）》出版了“Artificial Intelligence 2.0”專題，潘雲鶴、李未、高文、鄭南寧、吳澄、李伯虎、陳純等多位院士以及專家學者參與撰文，對新一代人工智慧中涉及的大資料智慧、群體智慧、跨媒體智慧、混合增強智慧和自主智慧等進行了深度闡述。專題包括7篇綜述、5篇研究論文。讓我們隨著專題中的綜述文章，一起領略新一代人工智慧中5大智慧方向的圖景。

1956年，在美國達特茅斯（Dartmouth）學院，約翰·麥卡錫（John McCarthy，1971年度圖靈獎獲得者）、馬文·李·閔斯基（Marvin Lee Minsky，1969年度圖靈獎獲得者）、克勞德·艾爾伍德·夏農（Claude Elwood Shannon，資訊理論之父）、納撒尼爾·羅徹斯特（Nathaniel Rochester，IBM第一代通用計算機701主設計師）四位學者發起舉行“人工智慧夏季研討會”，指出“人工智慧”研究目標是實現能模擬人類的機器，該機器能使用語言，具有概念抽象和理解能力，能夠完成人類才能完成的任務並不斷提高機器自身。

“人工智慧”這一概念提出後，迅速發展成為一門廣受關注的交叉和前沿學科，沿著“從符號主義走向連線主義”和“從邏輯走向知識”兩個方向蓬勃發展，在象棋博弈、機器證明和專家系統等方面取得了豐富成果。隨著網際網路的普及、感測網的滲透、大資料的湧現、資訊社群的崛起，資料和資訊在人類社會、物理空間和資訊空間之間的交叉融合與相互作用，大眾創業和萬眾創新等新技術、新產業和新業態不斷湧現，使得對人工智慧基本理論和方法的研究開始出現新的變化，這些變化也使得人工智慧新的應用呈現勃勃生機。

為了更好地與學術同行交流人工智慧2.0理論、方法和技術，潘雲鶴院士於2016年12月在中國工程院院刊Engineering（主刊）發表了題為“Heading toward artificial intelligence 2.0”的論文，從人工智慧60年的發展歷史出發，通過分析促成人工智慧2.0形成的外部環境與目標的轉變，分析技術萌芽，提出了人工智慧2.0的核心理念，並結合中國發展的社會需求與資訊環境特色，給出了發展人工智慧2.0的建議。

2017年1~2月，中國工程院院刊資訊與電子工程學部分刊《資訊與電子工程前沿（英文）》出版了“Artificial Intelligence 2.0”專題，潘雲鶴、李未、高文、鄭南寧、吳澄、李伯虎、陳純等多位院士以及專家學者參與撰文，對新一代人工智慧中涉及的大資料智慧、群體智慧、跨媒體智慧、混合增強智慧和自主智慧等進行了深度闡述。

挑戰與希望：AI 2.0時代從大資料到知識

莊越挺、吳飛、陳純、潘雲鶴

對大資料時代人工智慧領域近期出現的若干理論和技術進展進行了綜述，認為將資料驅動機器學習方法與人類的常識先驗與隱式直覺有效結合，可以實現可解釋、更魯棒和更通用的人工智慧。AI 2.0時代大資料人工智慧具體表現為：從淺層計算到深度神經推理；從單純依賴於資料驅動的模型到資料驅動與知識引導相結合學習；從領域任務驅動智慧到更為通用條件下的強人工智慧（從經驗中學習）。下一代人工智慧（AI 2.0）將改變計算本身，將大資料轉變為知識，以支援人類社會更好決策。

文章配圖：從資料到知識

AI 2.0時代的群體智慧

李未、吳文峻、王懷民、程學旗、陳華鈞、周志華、丁嶸

認為基於網際網路的資訊物理世界深刻地改變了人工智慧發展的資訊環境，將人工智慧研究的新浪潮推進到人工智慧2.0新紀元。作為AI 2.0時代最突出的研究特點之一，群體智慧引起了產業界和學術界的廣泛關注。具體來說，為應對挑戰，群體智慧提供了一種通過聚叢集體的智慧解決問題的新模式。特別是由於共享經濟的快速發展，群體智慧不僅成為了解決科學難題的新途徑，而且也已融入日常生活的各個方面，例如線上到線下（online-to-offline, O2O）應用、實時交通監控、物流管理。該文對現有群體智慧研究成果進行總結和綜述。首先，論述了群體智慧的基本概念，並對其與現有相關概念（如眾包和人本計算）的關係進行了解釋。然後，介紹了4類具有代表性的群體智慧平臺，總結了3項核心問題以及最新的群體智慧技術。最後，討論了群體智慧研究的發展方向。 

文章配圖：參與式和移動人群感知

跨媒體分析與推理：研究進展與發展方向

彭宇新、朱文武、趙耀、徐常勝、黃慶明、盧漢清、鄭慶華、黃鐵軍、高文

認為隨著人類文明的進步以及科技的發展，資訊的傳播從文字、影象、音訊、視訊等單一媒體形態逐步過渡到相互融合的多種媒體形態，越來越顯現跨媒體特性，而如何實現跨媒體分析與推理就成為了研究和應用的關鍵問題。本文從7個方面對跨媒體分析與推理進行綜述：（1）跨媒體統一表徵理論與模型；（2）跨媒體關聯理解與深度挖掘；（3）跨媒體知識圖譜構建與學習方法；（4）跨媒體知識演化與推理；（5）跨媒體描述與生成；（6）跨媒體智慧引擎；（7）跨媒體智慧應用。

文章配圖：多模態資料統一表徵方法示例

混合—增強智慧：協作與認知

鄭南寧、劉子熠、任鵬舉、馬永強、陳仕韜、餘思雨、薛建儒、陳霸東、王飛躍

認為由於人類面臨的許多問題具有不確定性、脆弱性和開放性，任何智慧程度的機器都無法完全取代人類，這就需要將人的作用或人的認知模型引入到人工智慧系統中，形成混合—增強智慧的形態，這種形態是人工智慧或機器智慧的可行的、重要的成長模式。混合—增強智慧可以分為兩類基本形式：一類是人在迴路的人機協同混合增強智慧，另一類是將認知模型嵌入機器學習系統中，形成基於認知計算的混合智慧。該文討論人機協同的混合—增強智慧的基本框架，以及基於認知計算的混合—增強智慧的基本要素——直覺推理與因果模型、記憶和知識演化；特別論述了直覺推理在複雜問題求解中的作用和基本原理，以及基於記憶與推理的視覺場景理解的認知學習網路；闡述了競爭—對抗式認知學習方法，並討論了其在自動駕駛方面的應用；最後給出混合—增強智慧在相關領域的典型應用。

文章配圖：人在迴路的混合增強智慧

文章配圖：直覺推理與認知對映的關係

文章配圖：企業協作決策的混合增強智慧的一般框架

AI 2.0時代的類人與超人感知：研究綜述與趨勢展望

田永鴻、陳熙霖、熊紅凱、李洪亮、戴禮榮、陳婧、興軍亮、陳靖、吳璽巨集、胡衛明、胡鬱、黃鐵軍、高文

簡要回顧了不同智慧感知領域的研究現狀，包括視覺感知、聽覺感知、言語感知、感知資訊處理與學習引擎等方面。在此基礎上，對即將到來的AI 2.0時代智慧感知領域需要大力研究發展的重點方向進行了展望，包括：（1）類人和超人的主動視覺；（2）自然聲學場景的聽知覺感知；（3）自然互動環境的言語感知及計算；（4）面向媒體感知的自主學習；（5）大規模感知資訊處理與學習引擎；（6）城市全維度智慧感知推理引擎。

文章配圖：AI 2.0時代智慧感知技術框架

智慧無人自主系統發展趨勢

張濤、李清、張長水、樑華為、李平、王田苗、李碩、朱雲龍、吳澄

介紹了智慧無人自主系統的發展趨勢，將相關技術分成了7個領域，包括人工智慧技術、無人車、無人機、服務機器人、空間機器人、海洋機器人和無人車間/智慧工廠，對每個領域的發展趨勢進行了介紹。

文章配圖：無人機發展趨勢預測

人工智慧在智慧製造領域的應用研究

李伯虎、侯寶存、於文濤、陸小兵、楊春偉

介紹了團隊近年將人工智慧技術應用於製造領域的研究與實踐。首先，簡析“網際網路+人工智慧”時代核心技術飛速發展正引發製造領域的模式、手段和生態系統的重大變革以及人工智慧的新發展；接著，基於人工智慧技術與資訊通訊技術、製造技術及產品有關專業技術等融合，研究提出了智慧製造新模式、新手段、新業態，智慧製造系統體系架構和智慧製造系統技術體系；進而，從智慧製造的應用技術、產業和應用示範等角度, 簡述智慧製造領域的國內外發展現狀；最後，提出我國人工智慧2.0在智慧製造領域應用研究的建議。

文章配圖：智慧製造新模型、新方法、新形式示意圖

六篇論文打包下載如下連結： 

連結: https://pan.baidu.com/s/1qXCO6oG

密碼: kbkz

從供應鏈優化到差異化定價：機器學習十種方式變革製造業

引言：機器學習可以參與到製造業加工的整個生產流程中：在生產過程中通過供應鏈和維護方案優化降低生產成本和提高生產的效率和質量，最後還能通過差異化的定價獲取最大化的利潤。

每個製造商都有很多可能把機器學習運用到自己產業中，通過獲得對產品的前瞻性思考會讓他們更具競爭力。

機器學習的核心技術正好能解決現今製造商們面臨的問題。從努力維持供應鏈運轉，到定製化生產，再到按時完成訂單任務，機器學習演算法可以為每個生產環節提供更高的預測精準度。開發出的很多演算法都是迭代型的，它們能夠持續不斷地學習並尋求最優解。這些演算法能在幾毫秒內反覆迭代，讓製造商在幾分鐘內就能找到最佳解決方案，而非之前的數個月。

機器學習變革製造業的十種方式：

1、生產力提升 20%，材料消耗率降低 4%。利用資料預測分析和機器學習的智慧製造系統有潛力提升生產單元以及整個製造廠級別中機器的收益率。下面的圖片來自通用電氣（General Electric），並被國家標準協會（NIST）所引用，總結了預測分析和機器學習的運用給製造業帶來的好處。

資料來源：: Focus Group: Big Data Analytics for Smart Manufacturing Systems

2、提供了更多相關資料，因此金融、運作及供應鏈團隊能更好地管理工廠和需求方面的約束。很多製造業公司的 IT 系統並不完整，導致交叉功能型團隊難以完成共同的目標。引入了機器學習，這些團隊的洞察力和智慧能被提升到一個全新的水平上，而他們優化產品工作流、存貨清單，在製品（WIP）以及價值鏈決策的目標就會成為可能。

資料來源: GE Global Research Stifel 2015 Industrials Conference

3、增強元件和區域性層級的預測準確度，從而改善預防性維護與維護－修理－大修（MRO）的效能。把機器學習的資料庫、應用和演算法整合到雲端計算平臺已經很普遍了，亞馬遜、谷歌和微軟的雲平臺公佈就可以證明這一點。下面的圖片解釋了機器學習是如何整合到 Azure 平臺上的。微軟授權 Krone 使用 Azure 平臺，讓他們得以把製造運作流程自動化，以實現工業 4.0 目標。

資料來源: Enabling Manufacturing Transformation in a Connected World John Shewchuk Technical Fellow DX, Microsoft

4、實現狀態監控流程，讓製造商得以在廠房層級上管理整體裝置效率（OEE，Overall Equipment Effectiveness），並將 OEE 從 65% 提高到了 85%。一家與塔塔諮詢服務公司（Tata Consultancy Services）合作的