重磅！《中国迈向新一代人工智能》全文来了

人工智能已经成为世界工业和经济发展转型的主要驱动力，世界各国正在奋力拥抱人工智能革命为本国经济社会发展带来的澎湃动能，已经产生并将不断催生各领域的新产品、新技术、新业态。

近日，中国工程院院士、浙江大学计算机学院潘云鹤教授作为通讯作者，与其他人工智能领域学者在《自然》子刊《机器智能》发表题为《中国迈向新一代人工智能》文章。

中文版全文来啦！

作者介绍 

Fei Wu, Cewu Lu, Mingjie Zhu, Hao Chen, Jun Zhu, Kai Yu, Lei Li, Ming Li, Qianfeng Chen, Xi Li, Xudong Cao, Zhongyuan Wang, Zhengjun Zha, Yueting Zhuang, Yunhe Pan, Towards a new generation of artificial intelligence in China, Nature Machine Intelligence, Vol 2, 2020 ,312–316

通讯作者：潘云鹤；吴飞、卢策吾和朱明杰共同一作, 其他作者以字母序进行排序.

摘要

人工智能已经成为世界工业和经济发展转型的主要驱动力量。世界各国包括中国正在奋力抓住人工智能革命这一机会来促进国内经济和科学技术发展。本文全景式介绍了中国新一代人工智能发展规划（2015-2030）的形成和主要内容，重点描述了中国新一代人工智能在基础研究、技术发展、人才教育和伦理道德等方面的面临的挑战，同时认为新一代人工智能将会搭建起中国人工智能生态发展的蓝图。

一、导言

在过去的几十年里，由于机器学习算法、计算机处理能力、移动互联网大量数据技术等方面的进步，计算和人工智能相关的方法取得了长足进展并引发了一系列的突破，人工智能已成为包括中国在内的许多国家经济发展的重要引擎。作为新一轮产业变革的核心驱动力，我们期待人工智能能重构经济活动的方方面面，并形成从宏观到微观各领域的智能化新需求，催生新产品、新技术、新业态。

中国的研究人员正在探索深度学习之后可能的下一代人工智能技术，希望对人类作出巨大科学贡献。中国学者希望通过建立一个开放的国际研究平台，与来自不同国家的研究人员和工程师们合作，共同应对世界面临的重大挑战。此外，在人工智能显著改变中国社会的同时也将会出现一些需要认真讨论的伦理问题。

在过去的三百年里，西方世界取得了重大的科学成就。在当前人工智能时代，中国的研究人员正在探索包括深度学习之后的新下一代人工智能技术，希望也能为人类做出重要的科学贡献。

 

二、新一代人工智能规划

2016年1月，中国工程院启动了《中国人工智能2.0发展战略研究》重大咨询项目，这一项目被简称为AI2.0。随后在3月份于北京召开的AI2.0启动会上，经过热烈讨论，与会专家决定向国家提交一份《建议我国启动“中国人工智能2.0”重大科技计划》的建议书。这一建议书得到国家高度重视，全国220多位来自高校、科研院所、公司和政府的人工智能专家随即参与了《中国新一代人工智能规划》的编写工作。

按照《国家创新驱动发展战略纲要》和国家“十三五”规划纲要部署，2016年8月科技部面向2030年部署了15个与国家战略长远发展和人民生活紧密相关科技创新重大项目，统称为“科技创新2030—重大项目”。

2017年7月，国务院印发《新一代人工智能发展规划》，这是本世纪以来中国发布的第一个人工智能系统性战略规划，这一规划提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施，明确了我国新一代人工智能三步走的战略目标：到2020年，人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点；到2025年，人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平，人工智能成为我国产业升级和经济转型的主要动力；到2030年，人工智能理论、技术与应用总体达到世界领先水平，成为世界人工智能创新中心之一。新一代人工智能成为第16个“科技创新2030—重大项目”[1]。

《新一代人工智能发展规划》提出了五种人工智能的技术形态，即从数据到知识到决策的大数据智能[2-5]、从处理单一类型媒体数据到不同模态（视觉、听觉和自然语言等）综合利用的跨媒体智能[6]、从“个体智能”研究到聚焦群智涌现的群体智能[7]、从追求“机器智能”到迈向人机混合的增强智能[8]、从机器人到智能自主系统[9]。

中国《新一代人工智能发展规划》不仅包括了人工智能有关的科学研究和技术手段等内容，而且为人工智能人才培养和伦理道德制定提供了指导，以培育人工智能生态( AI ecosystem)。

三、大学-政府-产业的协同

为了充分发挥人工智能领军企业和研究机构的引领示范作用，以持续输出人工智能核心研发能力和服务能力，按照应用驱动、市场引领和企业为主的原则，科技部启动建设了十五家国家新一代人工智能开放创新平台，分别是自动驾驶（百度）、城市大脑（阿里云）、医疗影像（腾讯）、智能语音（科大讯飞公司）、智能视觉（商汤集团）、视觉计算（上海依图）、营销智能（明略科技）、基础软硬件（华为）、普惠金融（中国平安）、视频感知（海康威视）、智能供应链（京东），图像感知（旷视）、安全大脑（360）、智慧教育（好未来）、智能家居（小米）。

为了充分发挥地方主体作用，在体制机制、政策法规等方面先行先试，形成促进人工智能与经济社会发展深度融合的新路径，科技部批准了十一个地方政府为国家新一代人工智能创新发展试验区，分别是北京、上海、合肥、杭州、深圳、天津、德清（唯一一个县域地方政府）、重庆、成都、西安、济南。

2018年10月和2020年1月，科技部发布“科技创新2030-新一代人工智能重大科技项目”指南，指南内容涵盖基础理论（深度学习、因果推理、博弈决策、群智涌现、混合增强智能、类脑智能等）、技术（知识计算、跨媒体分析、自适应感知等）以及应用。

负责国家自然领域基础科学研究的国家自然科学基金委员会于2018年在信息学部设立了人工智能新的学科代码，从人工智能基础、复杂理论与系统、机器学习、知识表示与处理、机器视觉、模式识别、自然语言处理、人工智能芯片与软硬件、智能系统与应用、新型和交叉人工智能、仿生智能（类脑机制）和人工智能安全等方面进行项目资助。

目前，在大学、政府和产业之间正在形成一种协作创新体系，以推动新一代人工智能发展。

四、新一代人工智能若干关注重点

人工智能是类似于内燃机或电力的一种“使能”技术，具有赋能其他技术的潜力。表1列出了推动社会经济发展的人工智能平台。

国家平台	任务	企业/地方政府
国家新一代人工智能开放创新平台 （15个）	聚焦人工智能重点细分领域，充分发挥行业领军企业、研究机构的引领示范作用，整合技术资源、产业链资源和金融资源，持续输出人工智能核心研发能力和服务能力的重要创新载体。	自动驾驶（百度）、城市大脑（阿里云）、医疗影像（腾讯）、智能语音（科大讯飞公司）、智能视觉（商汤集团）、视觉计算（上海依图）、营销智能（明略科技）、基础软硬件（华为）、普惠金融（中国平安）、视频感知（海康威视）、智能供应链（京东），图像感知（旷视）、安全大脑（360）、智慧教育（好未来）、智能家居（小米）
国家新一代人工智能创新发展试验区 （11个）	发挥地方主体作用，在体制机制、政策法规等方面先行先试，形成促进人工智能与经济社会发展深度融合的新路径，探索智能时代政府治理的新方式，推动新一代人工智能健康发展	北京、上海、合肥、杭州、深圳、天津、德清（2300多个县域中唯一一个）、重庆、成都、西安、济南
人工智能创新应用 先导区	定位于攻破难点、痛点的“先锋队”，定位于探索新机制新方法的“试验田”，定位于培养产业发展的“主力军”。鼓励新技术新产品先行先试，着力夯实技术-产业系统迭代发展的基础	上海（浦东新区）、深圳、济南-青岛

表1  新一代人工智能若干平台

本节从互联网消费、自主驾驶、智能医疗和智能物联四个方面介绍人工智能赋能社会经济发展。

❀ 互联网消费

在中国，人工智能技术被广泛应用于日常生活中，比如本地企业和金融服务。消费者通过在其智能手机上安装的一系列应用程序来获得人工智能和机器学习技术所带来的便利。例如，很多人都熟悉支付宝、美团或大众点评等交易型“超级应用程序”，它们融合了各种生活方式服务，将数亿客户与本地企业联系起来。这些应用程序改变了中国城市亿万人民的生活，加快了餐饮、酒店住宿和电影票等服务的预订和交付。例如，每天有超过60万的外卖配送人员平均在30分钟内完成食品配送订单。这么高的效率得益于强大而智能的调度系统，该系统每小时计算30亿条路线计划，以优化“外卖小哥”的配送量和配送时间[10]。

在金融领域，随着在线消费信贷服务和微信支付/支付宝等应用的兴起，中国消费信贷市场规模迅速增长，截至2018年底,中国市场消费信贷余额已超过8.45万亿元人民币，授权信用卡总额度超过14万亿[11]。但与此同时，消费信贷行业面临着信用数据缺乏(中国60%以上的人口缺乏信用记录)、风险管理薄弱、运营服务效率低下等问题。在这些在线信贷服务或应用程序中，人工智能通过处理互联网的大数据，采用先进的算法来提高金融服务决策的质量和运营效率。例如，通过深度学习方法利用序列行为数据和社交网络关系中同质效应来识别群体欺诈攻击；利用深度语义模型从多角度的大数据中理解客户的需求与使用度，以提高客户服务的效率和运营的安全性。

此外，人工智能技术已经改变了人们与有价值的信息和内容(包括文本、图像、音频或视频)的联系方式。截至2018年底，中国移动用户已达11.7亿，普及率为82%[12]。大部分人都在使用智能手机和时下流行的移动应用程序（例如、抖音、爱奇艺、腾讯视频、头条、快手和微博）进行学习和推荐。大规模推荐算法是信息获取的重要技术之一，由深层神经网络支持的系统每天根据用户兴趣和喜好量身定制数以千计的新兴新闻和视频。例如，中国每天有超过1.2亿人使用今日头条来看新闻、视频和其他内容。在这个过程中，系统实时收集用户反馈，并将其反馈到先进的分布式机器学习算法中，调整模型以用于下一个项目推荐。一些领先的消费者应用程序均是采用人工智能技术来提高信息创建、审核、传播、消费和交互的有效性和效率。

 

❀ 自动驾驶

据相关统计，全球每年约有130万人死于交通事故，造成的经济损失累计超过6000亿美元[13]。作为世界上人口最密集和拥挤的国家之一，中国有望成为最大但也是最具挑战性的自动驾驶市场。近年来，中国涌现了几家自动驾驶初创公司，其使命是开发可以挽救生命并提高效率的自动驾驶解决方案。要在不断变化的各种环境(包括地理、天气、交通、不同使用场景等)中部署自动驾驶解决方案，需要灵活易扩展、可升级的算法。充足的感知数据、高清地图、驾驶行为和脱离事件是开发此类解决方案的先决条件。

业界通常将自动驾驶产品分为量产/ ADAS（高级驾驶辅助系统）解决方案和完全自主/ AV（自动驾驶）解决方案。利用数据驱动的算法和算法管路改进可实现量产和完全自主两个领域的相互促进。只有两个领域共享主要传感器和数据时才能实现协同效应。在完全自主技术成熟之前，可通过一系列的ADAS功能来获取所需的数据。在ADAS领域中，从各种设置生成的数据将成为不断发展和改进完全自主驾驶解决方案的基础。通过使用人工智能技术同时解决这两个领域的问题，汽车公司将加快开发灵活易扩展、升级更新快的自动驾驶解决方案，以满足未来的移动需求。

 

❀ 智能医疗

作为世界上人口最多的国家，中国有潜力成为最大的人工智能医疗市场。近年来，中国已有100多家人工智能医疗初创公司成立，涉及医疗影像分析、药物发现、手术机器人和临床决策支持系统等多个领域。其中，大多数公司专注于医疗影像，特别是肿瘤影像学，包括但不限于放射学、病理学和放射疗法。他们的任务是使诊断自动化，辅助医疗决策，并最终改变当前的临床工作流程。癌症在中国已成为主要的死亡原因，因此成为人工智能首先研究的主要领域[14][15]。

自2012年以来，在一些特定任务的应用中[16]，尤其是在放射线成像[17]和计算病理学[18]领域，深度学习已被证明与人类表现相匹配甚至超越人类[16]。但是，随着深度学习技术的不断发展，医学影像仍然面临着诸多挑战。例如，深度学习需要大量医学数据和精确专家标注知识，以从存在噪声或部分缺失训练数据中训练得到更健壮人工智能模型。这些高质量标注知识必须从有多年经验的专家那里获取，而不是在计算机视觉领由众包获得，这会使得获得高质量标注数据的效率低下，并且我们仍然无法利用大规模的未标记数据集。在这种情况下，弱监督或半监督学习可以为这一挑战提供替代解决方案[19]。

在利用大规模多中心医疗数据时，还必须考虑数据孤岛和患者隐私，具有协同机制的联邦学习无需集中培训数据，因此有望克服这个问题[20][21]。迄今为止，国内已有数十种医疗AI产品成功投入临床试验，如CT扫描肺结节检测、根据眼底照片筛查糖尿病视网膜病变以及根据宫颈涂片筛查宫颈癌等。

随着数字化过程更为标准以及大规模医疗数据不断涌现，医生和人工智能研究人员之间的密切合作将把人工智能辅助系统引入临床工作流程，成为医生的重要辅助工具，并最终改善患者管理。

 

❀ 物联网对话式人工智能

在中国，目前数以亿计的智能硬件构成了物联网，用于每天的信息访问[22]。语音和语言是人与智能硬件进行信息交换的自然选择。因此，对话式人工智能引起了工业界和学术界的极大兴趣。百度等巨头公司和思必驰等新兴人工智能公司都在积极构建全链对话式人工智能平台，目标是构建可定制的虚拟对话助手，为所有可能的智能物联网设备提供支持。这是一个非常具有挑战性的研究方向。对话式人工智能主要是对语音对话系统(SDS)进行研究。面向特定任务语音对话系统是最感兴趣的研究点，问答对话或聊天是当下流行的研究。

在未来的几年里，中国在工业界和学术界可能会出现下述三种趋势。首先，复杂声学环境和非合作交互场景中的感知技术将成为研究的重点，例如多个话者同时交流场景中语音识别。其次，上下文相关语言理解和对话决策会成为热点。在这方面，数据驱动模型和知识引导方法相互结合是潜在的有效方法。另一方面，统计对话策略成功使用会使面向特定任务的对话助手在为人类服务时能够不断自我学习进化。最后，对话概念将从基于语音扩展到多模态（跨媒体），能够同时处理语音数据和视觉信息的智能算法将广泛应用于各种形式的智能硬件中。

 

五、挑战与希望

中国在人工智能领域有良好基础，特别是在人脸和语音识别、视觉分析以及自然语言处理等领域。中国目前有8.4亿互联网用户（世界上最大的互联网用户群体），这给人工智能应用创造了无限市场。但是，中国人工智能发展也面临挑战：人工智能人才、人工智能生态和人工智能伦理。

 

❀ 培育本土人工智能人才

中国对人工智能人才培养倾注了大量精力。2018年4月，教育部发布《高等学校人工智能创新行动计划》，引导高校瞄准世界科技前沿，强化高校人工智能领域科技创新、人才培养和服务国家需求的能力。2020年3月，教育部、发改委、财政部联合发布《关于“双一流”建设高校促进学科融合 加快人工智能领域研究生培养的若干意见》，力推高校建立起交叉人才培养体系，提高人工智能研究生培养质量。

高等学校需要培养两种类型人工智能优秀人才，一是从事基础科研和原始创新的研究型人才，一是能够将人工智能创新思维转换为产品的工程性人才。2020年，教育部批准了215所高校开设人工智能本科专业。目前，教育部批准浙江大学、华中科技大学和武汉大学设置了人工智能交叉学科（学科代码：9901）。中国一些高校（如西安电子科技大学、南京大学和西安交通大学等）建立了人工智能学院、一些高校（如浙江大学、北京大学、清华大学、上海交通大学等）建立了人工智能研究院/研究中心。

人工智能研究的下一步突破将来自于多学科交叉内禀，比如神经科学、物理学、数学、电子工程、生物学、语言学和心理学的相互交叉以解决复杂社会发展问题和重塑国家工业体系[23]。目前来看，当前以特定任务驱动的人工智能与可解释通用人工智能还有相当远的距离，多学科交叉的无尽探索可缩短这一距离。

中国人工智能人才培养强调要强化多学科交叉以及与工业界建立连接。同时，人工智能伦理也是人工智能人才培养中很重要的一门课程。为了培养本土高质量人工智能人才，中国正在重建人工智能课程体系、而不是将人工智能课程体系视为其他学科（如计算机）的一个核心子集。

令人高兴的是，中国高中学生从2020年开始使用信息技术新课标教科书，信息技术新课标中有关人工智能知识内容将让高中生掌握人工智能正确概念，以便为今后大学阶段学习做好充足准备。

 

❀ 规范人工智能伦理

由于人工智能具有社会属性和技术属性双重特点，为了保证人工智能长久造福人类社会，我们不仅要通过技术手段使人工智能发挥最大效用，而且要对人工智能技术发展所引发的伦理、法律和经济问题予以重视。2019年6月，国家新一代人工智能治理专业委员会发布了《新一代人工智能治理原则——发展负责任的人工智能》。2019年4月，欧盟委员会人工智能高级专家组发布了《可信人工智能伦理》。北京智源人工智能研究院于2019年5月发布了人工智能北京共识。G20集团强调负责任、可信人工智能准则[24]。

中国人工智能伦理准则较为强调人工智能安全可信，以服务日常生活。欧洲人工智能伦理准则较为关注数据保护以及模型应用。

研究人员目前开始将人工智能伦理准则（如安全、可信、可解释和公平等）嵌入到算法模型中，以避免因算法不公平而造成社会伤害[25]。比如联邦学习和区块链技术相互结合可保护数据隐私以及“去偏见”，[26]介绍了在机器学习模型训练中有效保护数据隐私的一种方法。

中国人工智能伦理准则还缺乏立法，为此需要开展与人工智能伦理准则相关的法律法规社会实验和效果评估。根据科技部发布得《国家新一代人工智能创新发展试验区建设工作指引》，要在新一代人工智能创新发展试验区开展长周期和跨学科的人工智能社会试验，以形成更适宜的人工智能治理手段和方法[27]。

 

❀ 培育人工智能生态（AI Ecosystem）

对中国而言，推动新一代人工智能发展是一个战略决策，其将提升科学技术的发展水平、改善工业领域和提高生产力[28,29]。人工智能生态是一个有机连接产业、初创公司、资本、研究机构和市场的活跃网络，通过相互合作和成果转化而孕育创新产品和竞争服务。在人工智能生态系统中，每一个来自不同领域的参与者都可郁郁葱葱、乘势成长。

01

参考文献

1. China issues guideline on artificial intelligence development. Gov.cn, http:///policies/latest_releases/2017/07/20/content_281475742458322.htm (2017).

2. Pan, Y. Heading toward artificial intelligence 2.0. Engineering 2,409–413 (2016).

3. Pan, Y.-h. Special issue on artificial intelligence 2.0. Front. Inform. Technol.Electron. Eng. 18, 1–2 (2017).

4. Pan, Y.-h. Special issue on artificial intelligence 2.0: theories and applications. Front. Inform. Technol. Electron. Eng. 19, 1–2 (2018).

5. Zhuang, Y.-t., Wu, F., Chen, C. & Pan, Y.-h. Challenges and opportunities: from big data to knowledge in AI 2.0. Front. Inform. Technol. Electron. Eng. 18, 3–14 (2017).

6. Peng, Y.-x et al. Cross-media analysis and reasoning: advances and directions. Front. Inform. Technol. Electron. Eng. 18, 44–57 (2017).

7. Li, W. et al. Crowd intelligence in AI 2.0 era. Front. Inform. Technol. Electron. Eng. 18, 15–43 (2017).

8. Zheng, N.-n et al. Hybrid-augmented intelligence: collaboration and cognition. Front. Inform. Technol. Electron. Eng. 18, 153–79 (2017).

9. Zhang, T. et al. Current trends in the development of intelligent unmanned autonomous systems. Front. Inform. Technol. Electron. Eng. 18, 68–85 (2017).

10. Fisk, P. Meituan Dianping: China’s everything-app to “eat better, live better”. Gamechangers https://www./gamechanger/meituan-dianping/ (2019).

11. China’s consumer credit balance expected to exceed 10t yuan by 2020. China Banking News http://www./2019/01/21/chinas-consumer-credit-balance-expected-to-exceed-10t-yuan-by-2020/ (2019).

12. The Mobile Economy 2020 (GSMA Intelligence, 2020)

13. Global Status Report on Road Safety 2018 (World Health Organization, 2018).

14. Chen, W. et al. Cancer statistics in China, 2015. CA: Cancer J. Clin. 66, 115–132 (2016).

15.  Bi, W. L. et al. Artificial intelligence in cancer imaging: clinical challenges and applications. CA: Cancer J. Clin. 69, 127–157 (2019).

16. LeCun, Y., Bengio, Y. & Hinton, G. Deep learning. Nature 521, 436–444 (2015)

17.  Hosny, A., Parmar, C., Quackenbush, J., Schwartz, L. H. & Aerts, H. J. W. L. Artificial intelligence in radiology. Nat. Rev. Cancer 18, 500–510 (2018).

18. Bejnordi, B. E. et al. Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA 318, 2199–2210 (2017).

19. Papandreou, G. et al. Weakly-and semi-supervised learning of a deep convolutional network for semantic image segmentation. In Proc. IEEE Int. Conf. Computer Vision 1742–1750 (IEEE, 2015).

20. Bonawitz, K. et al. Towards federated learning at scale: system design. Preprint at https:///abs/1902.01046 (2019).

21. Song, J. et al. IEEE Trans. Neural Netw. Learn. Syst. https:///10.1109/ tnnls.2020.2989364 (2020).

22. Growing IoT in China (GSMA, 2019).

23. Zhuang, Y. et al. The next breakthroughs of artificial intelligence: the interdisciplinary nature of AI. Engineering 6, 245–247 (2020)

24. Wu, W., Huang, T. & Gong, K. Ethical principles and governance technology development of AI in China. Engineering 6, 302–309 (2020).

25. Amini, A. Soleimany, A. P., Schwarting, W., Bhatia, S. N. & Rus, D. Uncovering and mitigating algorithmic bias through learned latent structure. In Proc. 2019 AAAI/ACM Conf. AI, Ethics, and Society 289–295 (ACM, 2019).

26. Papernot, N., Abadi, M., Erlingsson, U., Goodfellow, I. J. & Talwar, K. Semi-supervised knowledge transfer for deep learning from private training data. In 5th Int. Conf. Learning Representations (ICLR, 2017).

27. China AI Development Report 2018 (Tsinghua Univ., 2018).

28. Lv, Y.-G. Artificial intelligence: enabling technology to empower our society. Engineering 6, 205–206 2020).

29. Roberts, H. et al. The Chinese approach to artificial intelligence: an analysis of policy and regulation. Preprint at https:///10.2139/ssrn.3469784 (2019).

本文编辑：曹蒙蒙

责任编辑：杨金