当前位置: 首页 > >

人工智能激发实体经济新动能_论文

发布时间:

· · · · · · · · · · · · · · · · · · · · · · · · · · · F 技术专题· eatrues 引擎, 制造业是国民经济的主体, 是产业融合的主战 场。推动数字经济发展, 关键在于推动制造业数字 化转型。要加快建设制造强国, 深化落实中国制造 2025, 坚持推动工业化和信息化深度融合, 深化制造 业与互联网融合发展。要以提升制造业供给质量和 供给能力为目标, 以数字技术与制造业深度融合为 主线, 以推动制造业 “双创” 为重要抓手, 深入实施智 能制造工程, 加快制造业数字化转型。 · 拓展国际空间 要深化数字经济领域国际合作。积极推动基础 设施互联互通和技术产业创新合作, 支持企业 “走出 去” 。与各方深化数字产业合作, 积极参与数字贸易 规则制定, 主动引导跨境电商、 业务开放、 数据流动 等国际新规则。广泛参与数字经济国际治理, 推广 网络空间全球治理中国方案, 在联合国框架下推动 建立各方普遍接受的国际规则, 加强政府间和非政 府间数字经济治理合作。 · 提升治理能力 营造有利于数字经济创新健康发展的环境。积 极开展制造强国战略、 网络强国战略、 数字经济发展 等配套立法研究, 夯实制度保障体系。加快政府职 能转变和 “放管服” 改革, 深入*姓笈贫雀 革, 实施更加精准的产业政策, 研究建立产业政策执 行情况监督、 评估机制。 · 加强发展保障 要完善信用和产权体系, 建立覆盖数字经济各 类市场主体的信用档案, 充分发挥全国统一的信用 信息*台作用。要加强网络安全保障, 提升关键信 息基础设施可控水*。要加大财税政策支持, 撬动 社会资本加大对数字经济核心技术、 关键设备及重 要应用的支持。要加强数字经济风险防控, 建立风 险监测、 预警、 处置体系, 及时发现潜在风险。 (原载于 《人民邮电报》 ) 人工智能激发实体经济新动能 中国信息通信研究院信息化与工业化融合研究所 李论 党的十九大报告指出, “加快建设制造强国, 加 快发展先进制造业, 推动互联网、 大数据、 人工智能 和实体经济深度融合。 ” 十九大已将人工智能作为推 动实体经济创新发展的重要助力。强大的计算能 力, 逐步*死嗨*的人工智能技术, 以及我国良 好的数据土壤, 均标志着人工智能这一新兴社会生 产力已初步做好融入各行各业的准备, 助力实体经 济结构从要素驱动向创新驱动转变, 激发新的增长 动能。 人工智能技术日趋成熟, 已做好与实体 经济融合的准备 2017 年, DeepMind 发布的 AlphaGo Zero 再次 提升了社会对于人工智能的关注热度, AlphaGo Zero 仅用 3 天时间, 使用强化无监督学*的前沿学* 方式, 通过 490 万盘自我对弈的训练数据、 一台主机 和 4 块 TPU 打败了战胜过韩国棋手李世石对弈的 AlphaGo。从 AlphaGo 与围棋大师、 德州扑克大师 ·8· December 2017 Vol.47 No.6 · · · · · · · · · · · · · · · · · · · · · · · · · · · · M 现代电信科技 ODERN SCIENCE & TECHNOLOGY OF TELECOMMUNICATIONS 的人机大战, 到机器之间的博弈, 人工智能的算法正 在迅速进化, 智能时代已经到来。 源起计算能力的大幅提升与深度神经网络算法 研究的突破性进展, 人工智能进入产业化阶段。人 工智能是指让机器进行智能化的活动, 即如何让机 器更为聪明, 当前, 业内专家主要关注机器对于人类 智能的模仿。人工智能的概念早在 1956 年提出, 在 这 62 年的时间里, 经历了符号主义、 专家系统、 连接 主义等三次浪潮, 又由于计算能力有限、 技术路线瓶 颈等问题多次进入衰落期。本次人工智能浪潮的里 程碑, 是 2012 年在 ImageNet 大赛上, 多伦多大学的 Alex Krizhevsky 教授使用深度神经网络算法将图像 分类的识别正确率从 74.2%大幅提升到 83.6%, 从而 引起了资本市场、 企业、 高校对智能技术实用化的希 望, 掀起了人工智能向传统行业渗透的热潮。 人工智能技术水*逐步向人类* 为实体经 济创新提供支撑。语音识别、 智能翻译、 图像分类等 技术已经达到可用级别, 甚至部分智能技术能力已 超越人类, 主要体现在: · 机器视觉方面, 机器视觉是深度神经网络算法 应用最为成功的领域之一, 2017 年, ImageNet 大赛 中机器图像分类的错误率仅为 2.3%, 超过人眼辨识 错误率, 视频物体识别技术发展迅速, *均准确率也 已越过合格线, 在安防、 自动驾驶等多个领域应用前 景广阔。 ·语音语义方面, Google 使用深度神经网络算 法的机器翻译水*已接*人类, 在满分为 6 分的测 评当中, 英语、 法语、 汉语等多门语言的互译水*与 人类水*相差 1 分以内, 科大讯飞的语音识别技术 准确率已达到 97%, 讯飞口语作文评测机器在广东 高考使用, 总分*均误差低于人工误差。 数据是人工智能技术融入传统行业的先决条 件, 我国部分垂直行业已具备一定数据积累。业界 主流使用的深度神经网络算法主要依靠大样本量、 有标注的过程数据, 并通过有监督学*的方式进行 学*, 比如, 在著名的 Google 猫脸识别应用中, 猫脸 识别模型的训练数据集就需要 1000 万张 200×200 像素的猫脸图像。数据的质量也是影响传统行业智 能化发展的重要因素, 反馈正确的大规模垂直行业 数据是行业智能化应用落地的必要条件, 这主要是 由于现阶段我们尚未对深度神经网络算法的学*机 *泻侠斫馐停 数据的错误反馈将会影响到机器 的判断能力。值得关注的是, 我国互联网、 大数据产 业基础较好, 人口规模庞大, 在电子商务、 安防、 教育 等多个方



友情链接: