人工智能技术调研

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇人工智能技术调研范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

人工智能技术调研范文第1篇

［关键词］人工智能；包装专业；人才培养转型

人工智能时代，是继农业革命、工业革命后，人类现代社会的第三次浪潮时代。以人工智能、大数据、物联网等为代表的新技术、新应用应运而生[1]。包装产业作为典型的传统产业，人的操作技能与经验曾发挥着决定性的重要作用，对生产效率、产品质量等有着重要的影响。然而，随着包装产业向绿色化、数字化、智能化、融合化的技术升级与转型，企业的岗位设置和人才需求也正在发生巨大变化[2]。为了深入了解包装相关产业的转型，深圳职业技术学院传播工程学院会同中国印刷科学技术研究院针对四类包括包装印刷生产企业、包装设计公司、设备制造企业和终端品牌客户在内的28家大中型代表性企业开展了“人工智能时代包装人才需求的调研”。本文将结合这次调研结果，探讨人工智能时代高职院校包装专业人才培养转型。

一、包装相关企业用人现状分析

根据调研数据分析，对于包装印刷生产企业，人员占比最大的是印刷生产人员和印后加工人员，这体现出目前我国包装印刷生产行业的现实情况，即印刷生产及印后加工自动化、数字化、智能化水平都处于较落后的状态。但随着数字车间、智能工厂的建设，印刷生产、印后加工、质检、仓储物流岗位将更多地被智能化设备所替代[3]，因此这些岗位的人员需求度将逐年降低。对于包装设计公司，人才需求主要集中在策划及包装创意设计人员，且设计师岗位工作目前受到人工智能技术的冲击较小。这也说明在人工智能时代，设计师岗位结构变化不大，因为设计岗位属于智力劳动型岗位，对设计师的专业知识和创新能力要求较高。作为包装印刷企业服务商的设备制造企业，其主要人员岗位均集中在产品研发人员、产品生产人员及售后服务人员。在这次人工智能技术革命中，设备制造商将发挥着重要作用，其产品要满足智能化的需要，就必须掌握并应用人工智能相关的技术，所以未来其产品研发岗位必定是设备制造企业的核心岗位，且对人才的要求较高，需求较旺盛。而对于最受毕业生就业喜欢的终端品牌客户其产品研发人员的比例远远高于前三类企业，产品研发人员一直是终端品牌客户关注的主要岗位，未来需求也将保持稳定。在调研中我们还发现，除了上述固有岗位结构变化外，对于包装类企业在人工智能时代也将催生一批新的就业岗位，如IE工程师、智能设备操作员、云服务平台运维人员、智能化信息管理人员、智能化物流管理仓储人才、智能化服务平台的运营人员等，这些新岗位的出现为包装高职教育提出更高的人才培养要求。

二、人工智能时代对包装专业高职人才培养提出的新要求

人工智能时代，技术创新不断涌现，包装产业结构也随之调整，在人才知识结构和专业技术能力要求两方面对包装专业高职人才的培养提出了新要求。

（一）人才知识结构要求

根据调研数据分析，从企业选择数量来看，人工智能时代，包装专业人才需要具备的知识，按照占比排前的依次为“包装策划与营销知识”“包装结构设计”“智能包装技术”“包装造型设计”。在人工智能时代，包装专业人才需要跨界融合的趋势越来越明显。作为一个包装从业人员要不断强化市场营销意识，根据包装产品的属性与特点，结合市场与消费者需求进行设计开发，并将功能、结构、装潢、材料、生产工艺等方面的因素同时考虑，进行针对性、多样化包装设计。例如，包装设计已由单品包装转为系列化的包装设计，一套茶叶包装可扩充为茶叶包、茶叶盒、茶叶手提袋等多种包装产品。另外，人工智能时代，智能包装必定成为包装行业的主流趋势，因此，日常工作中，包装设计师在保留包装产品基本功能后，还应设法提升产品的附加价值，进行品牌推广的同时需增加感知、监控、定位、记录等相关信息的辅助包装设计功能，帮助客户对产品流通全程进行跟踪、监控，以提高供应链整体效率，使客户安心放心使用产品[4]。与此同时，包装专业人才还应具备数据统计与分析、AR/VR/HTML5等新技术知识，可以帮助包装设计师了解消费者的心理动态，设计出更符合消费者需求的包装产品。

（二）专业能力要求

人工智能时代，随着客户需求的提高、包装承载功能的丰富，包装相关企业对于包装专业人才的能力有更高的要求，各调研对象对必备能力的选择，从选择的数量上来看，对于包装专业人才必须具备的能力排名靠前的分别是“对市场品牌的敏感度与审美”“包装造型与外观创意设计能力”“包装产品策划能力”和“包装结构设计能力”。这充分说明包装专业人才属于智慧型人才，需为客户提供品牌策划与设计方案。为此，首先要了解客户需求，对设计品牌的起源、特点及标志有一定认识，才能正确、清楚地进行需求定位；其次才是设计环节。而人工智能时代，包装专业人才的竞争，将不再局限于纸面上的设计图案，创新思维将成为当前包装策划设计人才的核心竞争力。

三、人工智能时代高职院校包装专业人才培养转型建议

人工智能等新技术与包装产业的融合对包装教育提出更高的要求和人才培养规格[5]。高职教育作为一种比其他教育类型更贴近市场、更注重实用性的教育，需要及时调整专业定位和人才培养目标。

（一）专业定位

高职教育以市场和就业为导向，企业需要什么样的人才，我们就应当培养什么样的人才，从前面的调研数据可知，无论是知识结构还是能力要求，策划和设计都是最重要的两个点。包装策划指根据产品特色与生产条件并结合市场与消费需求，对产品的市场目标、包装方式与品牌定位进行整体方向性规划定位的决策活动。包装设计则是一个大设计概念，包含装潢设计、结构设计、造型设计、运输包装设计、工艺设计等[6]。目前包装人才培养方面各院校更多偏重于设计、技术方面，而忽视了策划。未来，整个行业对具有市场数据分析、文案写作、创新思维、市场营销的策划类人才将有更多的需求。包装人才，策划先行，包装专业需在策划类课程建设、师资培养等方面投入更多精力。

（二）人才培养目标

包装产业的融合性特点使得包装专业人才跨界融合的趋势越来越明显。未来，行业将更需要能提供包装整体解决方案的复合型高技术高技能人才，因此在人才培养目标的制订上将体现以下三个方面的特点。1.具有跨学科、跨专业知识背景调研数据显示，包装企业从业者往往身兼数职，需要同时掌握多种专业知识和业务知识。例如包装策划人员，一方面要有市场营销知识和品牌推广能力，对于客户消费心理有基本的分析和判断；另一方面还需要具备设计思维和设计技能，同时还应对各种包装材料、包装形式、包装工艺有深入了解。因此包装人才培养，不仅要具备包装设计、包装材料、包装工艺等知识，还要具备计算机软件应用、市场营销等方面的知识和技能以及人工智能基础知识。2.具有运用大数据分析、人工智能、物联网技术的能力目前包装企业还面临设备操作智能化水平低、数据信息交互机制缺失、生产劳动强度大的局面。为了更快地推进包装企业的智能化，实现高质高效，包装企业现阶段更需要一批既懂包装专业知识，又精通大数据分析、信息化、网络化、智能技术的技术型人才。包装专业人才同样需要运用大数据分析客户需求、客户喜好，同时能够将人工智能技术、物联网、区块链技术引入包装设计中，发展智能化包装。3.具有创新思维创新是企业发展最核心的动力，从前面的调研也可以看出，在人工智能时代，创新技术和创新设计已经成为企业的第一核心竞争力，特别是作为包装专业人才，需要通过策划、创意设计进行包装的创新以满足功能上的新要求和视觉上的新鲜感。没有创新思维，就像无本之木，没有办法实现包装在功能、形式、外观、材料等方面的创新。企业首先看重的就是创新思维，其次才是专业能力。高职院校应在平时教学中注重培养学生基于专业知识的发散思维，通过各种竞赛锻炼创新实践能力。应积极组织学生参与“包装之星”“世界之星”“全国包装设计职业技能大赛”等科技竞赛，以赛促学，以赛育人，参与设计专题讨论交流，切实提高学生的专业素养和培养质量

四、结语

人工智能技术调研范文第2篇

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

人工智能技术调研范文第3篇

《2018年全球数字化运营调研》关键发现

仅有10%的全球制造企业成为数字化冠军，约三分之二的企业尚未迈上数字化之路 。

亚太地区引领全球数字化浪潮。19%的受访亚洲制造企业已经成为数字化冠军，而美洲仅有11%，在欧洲、中东和非洲地区，该数字跌至5%。

从行业角度出发，汽车和电子品行业的数字化冠军最多，分别为20%和14%。消费品(6%)、工业制造(6%)以及加工业(6%)明显落后。

数字化冠军大规模采用新技术，人工智能初露锋芒。

三分之二的企业缺乏明确的数字化愿景和战略来支持数字化转型和企业文化变革。

工业4.0 正以前所未有的方式快速转变制造业，但仅有少数企业能真正地从中取得竞争优势。在普华永道思略特2018年全球数字化运营调研的受访企业中，仅有10%可以被归为数字化冠军，他们将数字化视为积极创新的长远目标，而非仅仅将数字化视为自动化和网络化。

19%的受访亚洲制造企业已经成为数字化冠军，而美洲仅有11%，在欧洲、中东和非洲地区，该数字跌至5%。亚洲地区涌现出一批热衷数字化技术的年轻管理人员，加之薪酬与生产成本的飙升迫使亚洲企业将主要运营流程数字化以保持竞争力，因此，亚洲企业快速推出数字化产品和服务，速度远超全球其他地区的同行。

2018年全球数字化运营调研的重要发现数字化将提升成熟市场的产量，让定制化生产更贴近终端客户市场。但是，欧洲、中东、非洲地区的企业的供应链整合程度还未达到中等水平，在生产制造方面缺乏工厂自动化和生产设备互联。与亚洲地区的竞争对手相比，欧洲、中东、非洲企业往往缺乏将企业战略与运营、技术和人才相关的能力，也很少在业务模式中依赖合作伙伴来创造客户价值。

由于落后与其他地区，因此欧洲、中东和非洲企业对未来五年在新技术和数字化生态系统的投资仅会带来12.7%的数字化业务收入增长，而亚洲公司为16.6%。

普华永道思略特德国合伙人Reinhard Geissbauer博士表示：“亚洲企业在工厂自动化、员工队伍甚至IT架构网络等方面几乎从零开始，即无需升级、整合或摈弃大量复杂的历史遗留系统和设施，因此独具优势，易于建立稳健的数字化运营。此外，亚洲企业似乎更乐意尝试新型业务模式，开发创新产品和服务。”

各地区不同数字化成熟度企业的分布近三分之二的全球制造企业刚刚开始或尚未开展数字化转型，尤其是在加工、消费品和工业制造行业中，数字化冠军寥寥无几。虽然很多工业设备企业已经非常智能化，但汽车和电子品行业的数字化成熟度最高，数字化冠军中有20%的汽车企业和14%的电子企业。汽车企业的运营已经历数十年的优化、自动化和联网；电子制造企业一直处于外包制造的前沿，需要打通和管理延伸价值链上的不同系统和合作伙伴。

普华永道思略特中国工业产品及汽车咨询业务主管合伙人夷萍表示：“汽车和电子制造企业能够超期其他行业竞争对手的原因之一是，他们拥有高水准的供应链集成能力和优秀的全供应链综合规划能力。汽车行业在过去几十年来孜孜不倦地通过精益技术提高效率、增加产量、减少浪费并回收运营资金。电子品企业在供应链整合方面也具有出色表现，因为他们与供应商建立长期的紧密合作，并频繁使用外包合同制造商以满足需求变化和较短的产品生命周期。”

各行业不同数字化成熟度企业的分布新技术正在被企业全面实施，但只有数字化冠军能够通过这些新技术实现整条价值链的互联与协作。数字化冠军取得成功的关键在于通观全局，携手战略合作伙伴在整个企业内部将关键技术相互连接，而不是单独实施各项技术。他们希望通过技术的实施来显著削减成本并提高效率，计划在未来五年节约16%的成本，而数字化菜鸟（报告中数字化成熟度最低的企业）的这一目标则为10%。

至少90%的数字化冠军已经实施、试点或计划使用时下流行的关键技术，比如工业物联网(97%)和先进机器人技术(90%)。相比之下，仅有三分之一的数字化菜鸟采用了预测性维护（39%）和供应链综合规划（32%）等最常见的运营技术。

三分之一的数字化冠军已在重要职能部门中布局人工智能，主要侧重于通过辅助智能和自主智能来实现人工作业和认知作业的自动化；而99%的数字化菜鸟尚未开始使用任何人工智能技术。总体来说调查显示人工智能已经初见锋芒。大多数企业都认识到了人工智能的巨大潜力，代表性的应用案例将慢慢浮现。即使在数字化冠军中，仍有52%的企业表示他们缺乏广泛实施人工智能系统的人才。许多企业对人工智能的全面铺开仍迟疑不决，怀疑其产生的数据不够成熟。亚洲企业是人工智能领域的领头羊，其中有15%实施了重要的人工智能解决方案，而欧洲、中东和非洲企业则远远落后，仅有5%采取了上述举措。

普华永道中国内地及香港工业行业管理咨询主管合伙人陈兆丰表示：“人工智能正在彻底改变数字化冠军的运作，以及未来的企业经营方式。在数字化成熟的企业中，人工智能系统得到了广泛的应用，跨越了简单的流程自动化，进而实现了自我学习和自主性，对业务、企业文化、员工工作方式、人机互动和企业发展战略都产生了影响。”

不同数字化成熟度企业的新技术实施情况三分之二接受调研的企业表示，他们缺乏明确的数字化愿景和战略来支持数字化转型和企业文化变革。仅有27%的受访者表示员工具备把握数字化未来所需的资质。另一方面，70%以上的数字化冠军的管理者拥有清晰的数字化愿景，在企业内部起到表率作用。与此同时，数字化冠军大力投资人才发展和培训，并培养多学科团队，进行跨职能创新。

夷萍表示：“智能工厂配备了大量先进技术，即机器人、增强现实和虚拟现实、数字孪生、工业物联网，而其所处的生态体系也包含大量开放式的交流与互动。因此，能操作复杂设备并编程控制，对产品线、设计、合作伙伴的输入变化能迅速做出决策的熟练工将受到热捧。58%的企业表示，数字化转型将增加未来五年对熟练工的需求。”

人工智能技术调研范文第4篇

据统计，2017年中国人工智能核心产业规模超过700亿元，随着各地人工智能建设的逐步启动，预计到2020年，中国人工智能核心产业规模将超过1600亿元，年复合增长率将达31.7%。

随着人工智能技术的不断成熟，人工智能创业的难度逐步降低，越来越多的创业公司加入人工智能的阵营。

2018年被称为人工智能爆发的元年，人工智能技术应用所催生的商业价值逐步凸显。人工智能逐步切入到社会生活的方方面面，带来生产效率及生活品质的大幅提升。智能红利时代开启！资本、巨头和创业公司纷纷涌入，将人工智能拉到了信息产业革命的风口。

如何把握产业动向，抓住风口机会？创业邦研究中心凭借在人工智能等前言科技领域持续研究、洞察的能力，在对国内人工智能创业公司进行系统调研的基础上，推出《2018中国人工智能白皮书》，对人工智能的核心技术、主要应用领域、巨头和创业公司的布局、未来发展态势和投资机会进行了深度解析。

第一部分人工智能行业发展概述

1.人工智能概念及发展

人工智能（Artificial Intelligence， AI）又称机器智能，是指由人制造出来的机器所表现出来的智能，即通过普通计算机程序的手段实现的类人智能技术。

自1956年达特茅斯会议提出“人工智能”的概念以来，“人工智能”经历了寒冬与交替的起起伏伏60多年的发展历程。2010年以后，深度学习的发展推动语音识别、图像识别和自然语言处理等技术取得了惊人突破，前所未有的人工智能商业化和全球化浪潮席卷而来。

人工智能发展历程

2.人工智能产业链图谱

人工智能产业链可以分为基础设施层、应用技术层和行业应用层。

A基础层，主要有基础数据提供商、半导体芯片供应商、传感器供应商和云服务商。

B技术层，主要有语音识别、自然语言处理、计算机视觉、深度学习技术提供商。

C应用层，主要是把人工智能相关技术集成到自己的产品和服务中，然后切入特定场景。目前来看，自动驾驶、医疗、安防、金融、营销等领域是业内人士普遍比较看好方向。

人工智能产业链

资料来源：创业邦研究中心

第二部分人工智能行业巨头布局

巨头积极寻找人工智能落地场景，B、C 端全面发力。

资料来源：券商报告、互联网公开信息，创业邦研究中心整理

第三部分机器视觉技术解读及行业分析

1.机器视觉技术概念

机器视觉是指通过用计算机或图像处理器及相关设备来模拟人类视觉，以让机器获得相关的视觉信息并加以理解，它是将图像转换成数字信号进行分析处理的技术。

机器视觉的两个组成部分

资料来源：互联网公开信息，创业邦研究中心整理

2.发展关键要素：数据、算力和算法

数据、算力和算法是影响机器视觉行业发展的三要素。 人工智能正在像婴儿一样成长，机器不再只是通过特定的编程完成任务，而是通过不断学习来掌握本领，这主要依赖高效的模型算法进行大量数据训练，其背后需要具备高性能计算能力的软硬件作为支撑。

深度学习出现后，机器视觉的主要识别方式发生重大转变，自学习状态成为视觉识别主流，即机器从海量数据里自行归纳特征，然后按照该特征规律使图像识别的精准度也得到极大的提升，从70%+提升到95%。

3.商业模式分析

机器视觉包括软件平台开发和软硬件一体解决方案服务。整体用户更偏向于B端。软件服务提供商作为技术算法的驱动者，其商业模式应以“技术层+场景应用”作为突破口。软硬件一体化服务供应商作为生态构建者，适合以“全产业链生态+场景应用”作为突破口，加速商业化。

（1）软件服务：技术算法驱动者—“技术层+场景应用”作为突破口

这种商业模式主要是提供以工程师为主的企业级软件服务。有海量数据支撑，构建起功能和信息架构较为复杂的生态系统，推动最末端的消费者体验。

此类商业模式成功关键因素：深耕算法和通用技术，建立技术优势，同时以场景应用为入口，积累用户软件。视觉软件服务按处理方式和存储位置的不同可分为在线API、离线SDK、私有云等。

国内外基础算法应用对比

资料来源：互联网公开信息，创业邦研究中心整理

（2）软硬件一体化：生态构建者—“全产业链生态+场景应用”作为突破口

软硬一体化的商业模式是一种“终端+软件+服务”全产业链体系。成功的因素是大量算力投入，海量优质数据积累，建立算法平台、通用技术平台和应用平台，以场景为入口，积累用户。亮点是打造终端、操作系统、应用和服务一体化的生态系统，各部分相辅相承，锐化企业竞争力，在产业链中拥有更多话语权。

4.投资方向

（1）前端智能化，低成本的视觉解决模块或设备

从需求层面讲，一些场景对实时响应是有很高要求的。提供某些前端就本身有一定计算能力的低成本的视觉模块和设备将有很大市场需求。前置计算让前端设备成为数据采集设备和数据处理单元的合体，一方面提升了处理速度，另一方面可以处理云端难以解决的问题。

机器视觉在消费领域落地的一个障碍是支持高性能运算的低功耗、低价位芯片选择太少。从低功耗、高运算能力的芯片出发，结合先进的算法开发模块和产品，这类企业将在机器视觉领域拥有核心竞争力。

（2）深度学习解决视觉算法场景的专用芯片

以AI芯片方式作为视觉处理芯片有相当大的市场空间。以手势识别为例，传统的识别方案大都基于颜色空间，如 RGB，HSV ，YCrBr，无法排除类肤色物体及黑色皮肤对识别精度的干扰。借助深度学习，如通过 R-CNN 训练大量标注后的手势图像数据，得到的模型在处理带有复杂背景及暗光环境下的手势识别问题时，比传统方案的效果好很多。

（3）新兴服务领域的特殊应用

前沿技术带来的新领域（如无人车、服务机器人、谷歌眼镜等），对机器视觉提出了新要求。机器视觉可以让机器人在多种场合实现应用。服务机器人与工业机器人最大的区别就是多维空间的应用。目前国内的机器视觉，涉及三维空间、多维空间，其技术基本上处在初始阶段，未来存在较大市场增长空间。

（4）数据是争夺要点，应用场景是着力关键

机器视觉的研究虽然始于学术界，但作为商业应用，能解决实际问题才是核心的竞争力。当一家公司先天能够获得大量连续不断的优质场景数据，又有挖掘该数据价值的先进技术时，商业模式和数据模式上就能形成协同效应。创业公司要么通过自有平台获取数据，要么选择与拥有数据源的公司进行合作，同时选择一个商业落地的方向，实现快速的数据循环。

第四部分智能语言技术解读及行业分析

1.语音识别技术

（1）语音识别技术已趋成熟，全球应用持续升温

语音识别技术已趋成熟，全球应用持续升温。语音识别技术经历了长达60年的发展，近年来机器学习和深度神经网络的引入，使得语音识别的准确率提升到足以在实际场景中应用。深度神经网络逐步找到模型结构和调参算法来替代或结合高斯混合算法和HMM算法，在识别率上取得突破。根据Google Trends统计，自2008年iPhone及谷歌语音搜索推出以来语音搜索增长超35倍。百度人工智能专家吴恩达预测，2020年语音及图像搜索占比有望达到50%。Echo热销超过400万，带动智能音箱热潮。

（2）语音识别进入巨头崛起时代，开放平台扩大生态圈成主流

语音识别即将进入大规模产业化时代。随着亚马逊Echo的大卖，语音交互技术催生的新商机，吸引大大小小的公司构建自己主导的语音生态产业链。各大公司纷纷开放各自的智能语音平台和语音能力，欲吸引更多玩家进入他们的生态系统。

（3）语音识别技术发展瓶颈与趋势

低噪声语料下的高识别率在现实环境使用中会明显下降到70-80%，远场识别、复杂噪声环境和特异性口音的识别是下一个阶段需要解决的问题。

麦克风阵列类前端技术不仅是通过降噪和声源定位带来识别率的提高，带环境音的语料的搜集、标注可用于模型的训练，有助于打造更新一代的语音识别引擎技术。语音巨头已经在布局。

在IOT包括车载领域，云端识别并非通行的最优方案，把识别引擎结合场景进行裁剪后往芯片端迁徙是工程化发展的方向。

2.自然语言处理（NLP）发展现状

（1）多技术融合应用促进NLP技术及应用的发展

深度学习、算力和大数据的爆发极大促进了自然语言处理技术的发展。深度学习在某些语言问题上正在取得很大的突破，比如翻译和写作。2014年开始LSTM、Word2Vec以及Attention Model等技术研究的进展，使DL有了路径在语义理解领域取得突破，并且已经有了明显的进展。对话、翻译、写作新技术成果里都开始逐渐混合入DL的框架。2014-2015年，硅谷在语义理解领域的投资热度剧增。

深度学习能最大程度发挥对大数据和算力资源的利用，语义理解的发展还需要深度学习、搜索算法、知识图谱、记忆网络等知识的协同应用，应用场景越明确（如客服/助理），逻辑推理要求越浅（如翻译），知识图谱领域越成熟（如数据饱和度和标准性较强的行业），技术上实现可能性相对较低。在各种技术融合应用发展的情况下，具备获取一定优质数据资源能力并可结合行业Domain knowledge构建出技术、产品、用户反馈闭环的企业会有更好的发展机会。

（2）NLP主要应用场景

问答系统。问答系统能用准确、简洁的自然语言回答用户用自然语言提出的问题。基本工作原理是在线做匹配和排序。比如 IBM 的 Watson，典型的办法是把问答用FAQ索引起来，与搜索引擎相似。对每一个新问题进行检索，再将回答按匹配度进行排序，把最有可能的答案排在前面，往往就取第一个作为答案返回给用户。

图像检索。同样也是基于深度学习技术，跨模态地把文本和图片联系起来。

机器翻译。机器翻译的历史被认为与自然语言处理的历史是一样的。最近，深度学习被成功地运用到机器翻译里，使得机器翻译的准确率大幅度提升。

对话系统。对话系统的回复是完全开放的，要求机器能准确地理解问题，并且基于自身的知识系统和对于对话目标的理解，去生成一个回复。

（3）创业公司的机遇

1)机器翻译方面：经过多年的探索，机器翻译的水平已经得到大幅度提升，在很多垂直领域已经能够在相当大程度上替代一部分人工，机器翻译技术的商业化应用已经开始进入大规模爆发的前夜。

2)应用于垂直领域的自然语言处理技术

避开巨头们对语音交互入口的竞争，以某一细分行业为切入点，深耕垂直领域，对创业公司也是一个不错的选择。

第五部分人工智能在金融行业的应用分析

人工智能产业链包含基础层、技术层、应用层三个层面。基础层的大数据、云计算等细分技术被应用到金融征信、保险、理财管理、支付等金融细分领域；技术层的机器学习、神经网络与知识图谱应用于金融领域的征信与反欺诈、智能投顾、智能量化交易，计算机视觉与生物识别应用于金融领域的身份识别，语音识别及自然语言处理应用于金融领域的智能客服、智能投研；应用层的认知智能应用于金融领域的智能风控。

人工智能在金融行业的典型应用情况

资料来源：创业邦研究中心

第六部分人工智能在医疗行业的应用分析

1.人工智能在医疗行业的应用图谱

人工智能在医疗行业的应用潜力巨大，目前在健康管理、辅助诊疗、虚拟助理、医学影像、智能化器械、药物挖掘和医院管理等领域均有企业在布局，其中医学影像、药物挖掘、健康管理，辅助诊疗、虚拟助理的应用发展速度较快。

图 人工智能在医疗行业的应用图谱

资料来源：创业邦研究中心

2.人工智能在医疗行业的具体应用场景

医学影像。人工智能应用于医学影像，通过深度学习，实现机器对医学影像的分析判断，是协助医生完成诊断、治疗工作的一种辅助工具，帮助更快的获取影像信息，进行定性定量分析，提升医生看图/读图的效率，协助发现隐藏病灶。 人工智能通过影像分类、目标检测、图像分割、图像检索等方式，完成病灶识别与标注，三维重建，靶区自动勾画与自适应放疗等功能，应用在疾病的筛查、诊断和治疗阶段。目前较为火热的应用有肺部筛查、糖网筛查、肿瘤诊断和治疗等。

药物挖掘。人工智能在药物研发上的应用可总结为临床前和临床后两个阶段。临床前阶段：将深度学习技术应用于药物临床前研究，在计算机上模拟药物筛选的过程，包括靶点选择、药效和晶型分析等，预测化合物的活性、稳定性和副作用，快速 、准确地挖掘和筛选合适的化合物或生物，提高筛选效率，优化构效关系。临床后阶段：针对临床试验的不同阶段，利用人工智能技术对患者病历进行分析，迅速筛选符合条件的被试者，监测管理临床试验过程中的患者服药依从性和数据收集过程，提高临床试验的准确性。

虚拟助理。医疗虚拟助理是基于医疗领域的知识系统，通过人工智能技术实现人机交互，从而在就医过程中，承担诊前问询、诊中记录等工作，成为医务人员的合作伙伴，使医生有更多时间可以与患者互动。医疗虚拟助理根据参与就医过程的功能不同，主要有智能导诊分诊，智能问诊，用药咨询和语音电子病历等方向。

第七部分智能驾驶行业分析

1.智能驾驶行业产业链

智能驾驶行业的中心业务是以Google、百度为代表的智能驾驶操纵解决方案提供商和以特斯拉、蔚来为代表的成车厂商。该类厂商，上接上游软硬件提供商，下接公司和消费者，在整个业务链中扮演至关重要的一环。

产业链上游厂商多为细分技术提供商，如深度学习、人机交互、图像识别和新材料、新制造新能源等。

智能驾驶产业链图谱

资料来源：创业邦研究中心

2.智能驾驶市场分析

伴随着 ADAS 技术的不断更新，推断全球 L1-L5 智能驾驶市场的渗透率会在接下来 5年内处于高速渗透期，然 后伴随半无人驾驶的普及进入稳速增长期。在未来的 2025 年无人驾驶放量阶段后，依赖全产业链的配合而进入市场成熟期。预测到2030年，全球 L4/5 级别的自动驾驶车辆渗透率将达到 15%，单车应用成本的显着提升之 外，从 L1-L4 级别的智能驾驶功能全面渗透为汽车产业带来全面的市场机会。

按照 IHS Automotive 保守估计，全球 L4/L5 自动驾驶汽车产量在 2025 年将接近 60 万辆，并在 2025- 2035 年间获得高速发展，年复合增长率将达到43%，并在2035年达到2100万辆。另有接近 7600 万辆的汽车具备部分自动驾驶功能，同时会带动产业链衍生市场的大规模催化扩张。

根据独立市场调研机构 Strategy Engineers 的预测，L4 高度自动驾驶等级下，自动驾驶零部件成本约在 3100 美元/车，其中硬件占比 45%，软件占比 30%，系统整合占比 14%，车联网部分占比 11%。按照全球 1 亿辆量 产规模计算，理想假设所有车辆全部达到 L4 高度自动驾驶水平，那么全球自动驾驶零部件市场规模在 2020 年 将达到 3100 亿美元。

第八部分中国人工智能企业画像分析

随着人工智能技术的不断成熟，人工智能创业的难度逐步降低。创新的大门吸引众多创业企业进入。为了观察行业风向，助力创新企业发展，创业邦研究中心对国内200多家人工智能创业公司进行了系统调研，从发展能力、创新能力、融资能力等多维度指标，评选出“2018中国人工智能创新成长企业50强”。

地域分布

全国88%的人工智能企业聚集在北京、上海、广东和江苏。其中，北京人工智能企业最多，占比高达39.66%;其次是上海，人工智能企业占比达21.55%;位列第三的是广东，人工智能企业占达15.52%。北京以领先全国其他地区的政策环境、人才储备、产业基础、资本支持等，成为人工智能创业首要阵地;华东地区的上海、江苏、浙江均有良好的经济基础和科技实力，人工智能应用实力雄厚，也聚集了一批人工智能垂直产业园;广东互联网产业发达，企业对数据需求强烈，依靠大数据产业链推动人工智能产业发展。

行业分布

从行业大类分布来看，行业应用层的企业占比最大，为56.03%;其次是应用技术层的企业，占比达31.04%;基础技术层的企业占比最小，仅为12.93%。随着人工智能技术的发展，人工智能与场景深度融合，应用领域不断扩展，行业应用公司比重不断提升。在基础层技术方面，国际IT巨头占据行业领先地位， 国内与国际差距明显，中小初创企业很难进入。

从行业应用来看，智能金融企业占比最大，为16.92%;其次是机器人企业，占比达15.38%;位列第三的是智能驾驶和智能教育，占比均为12.31%。金融行业的强数据导向为人工智能的落地提供了产业基础，智慧金融被列入国家发展规划中，庞大的金融市场为人工智能落地带来了发展前景。机器人作为人工智能产业落地输出， 目前市场需求较大，商业机器人占据较大份额。中国智能驾驶市场在资本推动下进入者较多，企业积极推动应用落地，百度、北汽等大型企业尝试商业化落地智能驾驶汽车。人工智能推动教育个性化落地，相关初创企业涉入教育蓝海，推动智慧教育的发展。

收入情况

收入分布在500-10000万之间的企业最多，占比达49.14%;500万以下的企业位居其次，占比达 26.72%;位列第三的是10000-100000万之间的企业，占比为17.24%。

最新估值

企业最新估值均在亿元级别，且分布较为均衡。三成企业估值超过15亿元，还有企业估值达到百亿级别，如优必

选科技、达闼科技和商汤科技等，将来或将跻身人工智能独角兽企业。(备注：分析样本量剔除一半未披露企业)

第九部分典型企业案例分析

1.Atman

企业概述

Atman由来自微软的人工智能科学家和产业经验丰富的产品团队创办，提供专业领域机器翻译、机器写作、知识图谱、大数据智能采集挖掘等语言智能产品，致力于成为医学、新闻、法律等专业领域语言智能专家，为专业领域用户赋能，推动专业领域用户进入人工智能时代，助力专业领域文字智能水平实现跨越式提升。Atman已为强生、新华社参考消息、北大法宝、君合律师事务所等世界领先药企、新闻媒体、法律服务机构开发机器翻译、机器写作、知识图谱、大数据智能采集挖掘等语言智能产品。

目前Atman在北京和苏州两地运营，能快速响应全国各地客户需求。

企业团队

创始人&CEO：马磊

清华大学计算机系毕业，曾先后在微软研究院和工程院担任研究员和架构师，机器学习专家、多次创业者、曾主导多项人工智能重大项目，和申请国际专利共计15+项。

Atman公司核心团队由来自微软、百度、法电等领域高端人才和资深技术人才组成，公司员工40人，其中硕士以上学历占比60%，技术开发人员占比70%，一半以上来自微软亚洲研究院和工程院。

核心技术与产品

技术方面，擅长机器学习（深度学习、强化学习、群体智能）在复杂问题的应用，和国际专利15项，Atman神经网络机器翻译系统于2016年9月首秀，早于谷歌的GNMT，专业领域翻译效果在公测标准和行业客户测试中均持续领先。核心产品为垂直领域机器翻译、机器写作、知识图谱抽取构建、大数据智能挖掘等语言智能产品。

Atman的机器翻译产品可自动翻译编辑专业文献、报告、音视频和网页，支持私有部署和云端混合部署，提供包括数据隐私安全以及自学习的端到端解决方案。

机器写作可对海量数据进行快速搜索、过滤、聚类，根据行业需求自动生成专业文档，适用于所有专业写作场景，可大幅减少专业报告写作过程中的繁复工作，大幅提升专业领域写作效率。

知识图谱可实现海量数据的语义检索、长链推理、意图识别、因果分析，形成一个全局知识库。大数据智能采集挖掘系统为专业领域用户提供智能数据源管理、海量专业数据获取和非结构化数据自动解析并结合知识图谱提供auto-screening、知识重构、专业决策辅助，帮助用户建立强大的以专业大数据为基础的业务辅助能力。

2.黑芝麻

企业概述

黑芝麻智能科技有限公司是一家视觉感知核心技术与应用软件开发企业，2016年分别在美国硅谷和上海成立研发中心，主攻领域为嵌入式图像、计算机视觉，公司核心业务是提供基于图像处理、计算图像以及人工智能的嵌入式视觉感知平台，为ADAS及自动驾驶提供完整的视觉感知方案。

目前公司和博世、滴滴、蔚来、上汽、上汽大通、EVCARD、中科创达、车联天下和云乐新能源等展开深入合作，提供基于视觉的感知方案；除此之外，公司还在消费电子、智能家居等领域布局为智能终端提供视觉解决方案。目前公司已经完成A+轮融资。

企业团队

团队核心成员来自于OmniVision、博世、安霸、英伟达和高通等知名企业，平均拥有超过15年以上的产业经验，毕业于清华、交大、中科大和浙大等知名高校。

创始人&CEO：单记章此前在硅谷一家全球顶尖的图像传感器公司工作近20年，离职前担任该公司的技术副总裁一职，工作内容覆盖了图像传感器研发和设计、图像处理算法研发和图像处理芯片设计。

核心技术和产品

在汽车领域，黑芝麻可提供车内监控方案（DMS），自动泊车方案（AVP），ADAS/自动驾驶感知平台方案。黑芝麻智能科技提供的解决方案包括算法和芯片两个核心部分：黑芝麻感知算法从基础的控光技术，到面向AI的图像处理技术出发来提高成像质量，以及应用深度神经网络训练，结合视频处理和压缩技术，形成从传感器端到应用端的处理过程；黑芝麻芯片平台采用独有的神经网络架构，包括独有的图像处理，视频压缩和计算机视觉模块，与黑芝麻视觉算法结合，采用16nm制程，设计功耗2.5w，每秒浮点计算达20T。

3.乂学教育

企业概述

乂学教育，成立于2014年，是一家网络教育培训机构，采用人工智能和大数据技术，为学生提供量身定制学习解决方案和个性化学习内容。核心团队来自美国Knewton、Realizeit、ALEKS等人工智能教育公司，销售团队有全国40亿toC销售额的经验。

企业自主研发了针对中国K12领域的学生智适应学习产品，其核心部分是以高级算法为核心的智适应学习引擎“松鼠AI”，该产品拥有完整自主知识产权，能够模拟真实特级教师教学。企业发表的学术论文得到了全球国际学术会议AIED、CSEDU、UMAP认可，并在纽约设计了人工智能教育实验室，与斯坦福国际研究院（SRI）在硅谷成立了人工智能联合实验室。

主要产品

学生智适应学习是以学生为中心的智能化、个性化教育，在教、学、评、测、练等教学过程中应用人工智能技术，在模拟优秀教师的基础之上，达到超越真人教学的目的。该产品性价比高，以人工智能+真人教师的模式，做到因材施教，有效解决传统教育课时费用高，名师资源少，学习效率低等问题。

智适应学习人工智能系统

智适应学习人工智能系统模拟特级教师，采用图论、概率图模型，机器学习完成知识点拆分和个人学习画像，采用神经网络、逻辑斯蒂回归和遗传算法为学生实时动态推荐最佳学习路径，实现个性化教育。

业务模式

线上与线下，2B和2C相结合。以松鼠AI智适应系统教学为主，真人教师辅助，学生通过互联网在线上学习课程。开创教育新零售模式，授权线下合作学校，已在全国100多个城市开设500多家学校。

4.云从科技

企业概述

云从科技成立于2015年4月，是一家孵化于中国科学院重庆研究院的高科技企业，专注于计算机视觉与人工智 能。云从科技是人工智能行业国家队，是中科院战略先导项目人脸识别团队唯一代表，唯一一家同时受邀制定人 脸识别国家标准、行业标准的企业。2018年，云从科技成为祖国“一带一路”战略实行路上的人工智能先锋，与 非洲南部第二大经济体津巴布韦政府完成签约。

云从科技奠定了行业领导地位： 国家肯定，国家发改委2017、2018年人工智能重大工程承建单位；顶层设计，唯一同时制定国标、部标和行标的人工智能企业；模式创新，三大平台解决方案，科学家平台、核心技术平台和行业应用平台。

企业核心团队

创始人

周曦博士，师从四院院士、计算机视觉之父—ThomasS.Huan黄煦涛教授，专注于人工智能识别领域的计算机视觉 研究。入选中科院“百人计划”，曾任中国科学院重庆研究院信息所副所长、智能多媒体技术研究中心主任。

周曦博士带领团队曾在计算机视觉识别、图像识别、音频检测等国际挑战赛中7次夺冠;在国际顶级会议、杂志 上发表60余篇文章，被引用上千次。

核心技术团队

云从科技依托美国UIUC和硅谷两个前沿实验室，中科院、上海交大两个联合实验室上海、广州、重庆、成都四 个研发中心组成的三级研发架构。目前研发团队已经超过300人，80%以上拥有硕士学历。

技术优势

全方位多维智能学习模块适应不同场景要求；模块化设计为在工业视觉、医学影像、自动驾驶AR等领域扩展打下良好基础。

云从科技具有高技术壁垒：世界智能识别挑战赛成绩斐然，在CLEAR、 ASTAR、 PASCAL VOC、 IMAGENET、FERA以及微软全球图像识别挑战赛上共计夺得7次世界冠军;在银行、公安等行业智能识别技术 PK实战中，85次获得第一；2018年，云从科技入选MIT全球十大突破性技术代表企业。

在跨镜追踪(ReID)技术上取得重大突破。Market-1501，DukeMTMC-reID，CUHK03三个数据同时集体刷 新世界记录， Market-1501上的首位命中率达到96.6%，首次达到商用水平。

正式在国内“3D结构光人脸识别技术”，可全面应用于手机、电脑、机具、设备、家电。相较以往的2D人 脸识别及以红外活体检测技术，3D结构光人脸识别技术拥有不需要用户进行任何动作配合完成活体验证的功能， 分析时间压缩到了毫秒级以及不受环境光线强弱的影响等诸多优点，受到国际巨头公司的关注。

行业应用

目前国内有能力自建系统的银行约为148家。截止2018年3月15日，已经完成招标的银行约为121家，其中云从科 技中标了88家总行平台，市场占有率约为72.7%;在安防领域推动中科院与公安部全面合作，通过公安部重大课题研发火眼人脸大数据平台等智能化系统，在民航领域，已经与中科院重庆院合作覆盖80%的枢纽机场。

5.Yi+

企业概述

北京陌上花科技是领先的计算机视觉引擎服务商，为企业提供视觉内容智能化和商业化解决方案。致力于“发现视觉信息的价值”。

旗下品牌Yi+是世界一流的人工智能计算机视觉引擎，衣+是时尚商品搜索引擎。公司在图像视频中对场景、通用物体、商品、人脸的检测、识别、搜索及推荐均达到领先水平。

目前公司和阿里巴巴、爱奇艺、优酷土豆、中国有线、CIBN、中信国安、海信、华为、360等数十家顶级机构/产品深度合作，通过提供边看边买引擎、图像视频内容分析引擎、人脸识别引擎等基于视觉识别技术的数据结构化产品服务于海量用户，同时帮助政府机构、广电系统、内容媒体、零售商、电商、视听设备等行业实现智能分析、智能互动与场景营销。目前公司已经获得B轮融资。

企业团队

团队成员来自于斯坦福、耶鲁、帝国理工、新加坡国大、南洋理工、清华、北大、中科院等名校及谷歌、微软、IBM、英特尔、阿里巴巴、腾讯、百度、华为等名企。

创始人&CEO：张默

北京大学软件工程硕士， 南洋理工大学创业创新硕士。连续创业者， 曾任华为算法工程师、微软WindowsMobile工程师、 IBM SmarterCity 架构师，北方区合作伙伴经理，主机Linux中国区负责人，中国区开源联盟负责人，年销售额数亿。 2013年创业于美国硅谷和新加坡，2014年6月在中国设立北京陌上花科技有限公司。

核心技术与产品

技术方面，在国际顶级计算机视觉竞赛ImageNet中，成绩曾超过谷歌、斯坦福等，2015-2016年2年获得十项世界第一。2018年3月，人脸识别准确率位列LFW榜首。Yi+通过遵循无限制，标记的外部数据协议。 Yi+的系统由人脸检测，人脸对齐和人脸描述符提取组成。使用多重损失和训练数据集训练CNN模型，其中包含来自多个来源的约10M个图像，其中包含150，000个人（训练数据集与LFW没有交集）。在测试时， Yi+使用原始的LFW图像并应用简单的L2norm。图像对之间的相似性用欧氏距离来测量，最终取得优异成绩。

公司的核心产品主要包括视觉搜索引擎，图像视频分析引擎以及人脸识别和分析引擎：

行业解决方案

针对营销、安防、相机和电视的不同特点，推出相应解决方案。

营销+AI。场景化广告方案中，大屏AI助理信息流推荐、神字幕、物体/人脸AR动态贴图、video-out、场景化角标与广告滤镜等形式的广告内容推荐，适用于快消、汽车、电商、IT、金融、旅游服务等多个行业。

智慧城市+AI。使用计算及视觉助力智慧城市，在智慧安防、智慧交通、智慧园区等方面提供解决方案。在智慧安防实时识别上，实时处理直播摄像头信息，算法反应敏捷，相应迅速。建立智慧园区方案模型，考虑扩展性&灵活性、数据管理、松散耦合性、安全性、实时整合性以及功能性和非功能性需求等技术方案要素，从业务和技术两方面整合解决方案实现步骤。

电视+AI。电视+AI的解决方案赋予智能电视多样播放能力和营销能力。

相机+AI。相机更具交互能力。用户通过搜索关键字标签同步展示图片，打通相册和购物一站式体验。准确识别人物属性特征，动态适应表情变化，可以在视频以及图像中对人脸实时检测，基于深度学习技术，进行人脸相似度检测，实现面部关键点定位、妆容图像渲染，试用与粉底、唇彩以及眼影等多种虚拟试装方式。实时检测摄像头中出现的物品、场景和人脸等，添加AR效果，SDK支持本地检测、识别、追踪，平均检测帧率可达到25fps。

新零售+AI。Yi+新零售解决方案是基于公司自主研发的人脸识别、商品识别和其他图像识别算法技术为核心，建立一整套基于人脸、商品的智能零售门店管理方案。Yi+新零售解决方案主要包含数据采集、算法模型说明和部署方案三部分，其中数据采集包括人脸数据采集、商品数据采集；算法模型说明包括识别算法训练、商品识别、识别输出；部署方案包括本地部署、云端部署、本地部署与云端部署结合。

6.擎创科技

企业简介

擎创科技成立于2016年，专注于将人工智能和机器学习赋予传统IT运维／企业运营管理，为企业客户提供智能运维大数据分析解决方案，从而取代和改善对高技能运维人员严重依赖的现状。2017年，擎创科技已实现全年2000万营收，迅速成为国内AIOps领域的领跑者和中流砥柱。2018年初，擎创科技完成了数千万人民币的A轮融资，由火山石投资领投，晨晖创投、元璟资本及新加坡STTelemedia跟投。

核心团队

擎创团队的核心成员主要由BMC、微软等美国企业服务上市公司的运维老兵，与新浪、饿了么等知名互联网公司的大数据、算法专家组成，核心团队成员至少拥有10年以上的行业经验。其中CEO杨辰是国内最顶级的B端销售，曾带领团队获得10倍的业绩增长；CTO葛晓波拥有长达15年的企业级软件开发和运维经验；而产品总监屈中泠则来自甲方，创业前为浦发硅谷银行企业架构师，深知甲方对企业运维产品的需求。这个曾经深耕于运维企业服务市场的团队，如今在智能运维企业服务赛道继续领跑，让擎创科技成为最懂企业的客户，最值得企业客户信赖的软件厂商。

主要产品

“夏洛克AIOps” 作为擎创自主研发的大数据智能运维主打产品，自2016年上线以来，已从1.0版本升级至1.9版本，可应用在金融、大型制造业、铁路民航、能源电力等涉及国家发展和民生问题的多种行业。在2017全球运维大会上，夏洛克AIOps获得由中国信息通信研究院与高效运维社区联合颁发的“年度最具影响力AIOps产品”奖。

“夏洛克AIOps”充分利用自研算法辅助客户实现IT运维价值，结合客户的现有情况，规划从传统ITOM至AIOps智能运维的一站式路径，助其运营落地，由此打破数据孤岛，建立统一的大数据智能分析平台，实现以人工智能为核心，驱动传统IT运维监、管、控三个层面，并将相关运维数据及业务数据实时展现。

“夏洛克AIOps”拥有多项自研算法，犹如运维界的福尔摩斯，能迅速发现并定位运维问题的根因，实现秒级排障，最大程度避免企业产生重大损失。更有价值的是，“夏洛克AIOps”还能通过长期的数据积累和机器学习，运用新型深度神经网络算法对企业的业务数据进行预测，帮助企业提前规划IT资源，高效预防各类黑天鹅事件的发生。

商业模式

目前，擎创科技已与多家金融和制造行业标杆客户形成稳定的合作关系，包括浦发银行、浦发硅谷银行、国家开发银行、上海铁路局、银联、海尔、浙江能源等。针对不同客户，采用个性化的商业模式进行服务，目前主要有私有模式和SaaS模式两种，都具有较强的可复制性。

核心优势

人工智能技术调研范文第5篇

［关键词］人工智能；财务机器人；会计电算化；人才培养

0引言

正如会计电算化替代传统手工会计一样，随着信息化、智能化、互联网、大数据等科技元素在会计信息化中的应用，人工智能悄然到来。自2017年“会计证被取消”，到普华永道、安永、德勤等国际会计师事务所纷纷推出财务机器人，这些举动在财务圈引起了轩然大波，许多中职学校会计相关专业的学生，担心基础核算会计将被人工智能取代，对未来颇感担忧。根据世界经济论坛2016年的调研数据预测，到2020年，在全球15个主要的工业化国家中，机器人与人工智能的崛起，将导致510万个就业岗位的流失，未来20年最有可能被机器人抢走饭碗的岗位包括低端制造业的生产、会计等［1］。2017年7月，中国《新一代人工智能发展规划》，将人工智能上升为国家战略。所以笔者认为，基于人工智能背景下的中职会计电算化专业人才培养方式将面临变革，在教学中应站在未来发展的高度，适应信息化发展，及时掌握人工智能相关技术，实现由传统会计电算化专业人才培养向智能化管理会计转型。

1人工智能的概念［2］

人工智能即AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术以及应用系统的一门新的技术科学，它是指由人工制造出来的系统表现出来的智能。目前人工智能在计算机科学领域内，受到了广泛的发挥。在机器人、经济政治决策、控制系统、仿真系统中得到应用。人工智能是信息技术发展的必然，它已悄悄地改变着人类的各行各业。人工智能在会计行业中应用，促使会计由简单核算向管理方向变革，推动了会计行业的发展，同时也促使着中职学校会计及相关专业的人才培养转变。人工智能取代传统的会计电算化操作人员是一种趋势，但也是一种转变，自我提升的机遇。

2中职学校传统会计电算化专业人才培养［3］

2．1课程偏传统基础核算类，轻参与、管理类会计课程

在多数中职学校会计电算化教学计划课程设计中，传统财务会计类课程占大多数，管理会计类课程设置单一或者没有。而财务机器人的出现，则能够替代大部分重复性、流程性基础会计核算工作。

2．2会计实操偏基础性会计技能，轻数据分析、挖掘

在实践教学及技能培养中，过于注重培养学生点钞、传票的翻打、会计书写、凭证装订，会计电算化软件操作机械性录入等。在当前大数据、人工智能背景下，可以让会计人员摆脱繁杂事务，重点放在会计数据分析与数据挖掘，为企业决策提供服务。

2．3课程偏模拟操作，轻实际操作

无论是手工核算还是会计电算化记账，大多数实操是模拟一个企业一个月的业务，学生根据教材或老师给予的信息进行会计处理，过账，做报表。一学期就是这样反反复复练习。学期结束，虽然考试合格，但仍有很多学生不明白为什么这么处理，特别在月末业务处理更加模糊不清，例如工资发放，计提税费、费用摊销、成本及费用结转等。还有绝大多数学生不知道真实环境如何计税、报税、纳税，只是理想中的学习，为了做账而做账。

3人工智能背景下的中职会计电算化人才培养［4］

3．1由基础核算型初级人才向有思想的中级人才转变

人工智能在会计行业中的应用，会计核算软件中的基础数据录入、凭证录入与审核、记账、编制科目汇总表、材料的收发统计、报表的编制等操作很容易被财务机器人替代，但是也有一些是机器无可替代的，需要有思想的“人”来处理。例如：由于大环境变化，企业的固定资产有明显减值趋势，而财务机器人并不能分析与判断这个固定资产是否会减值或减值多少，如果财务上不及时做出处理，将可能导致企业少确认资产减值损失，虚增了企业的资产和利润，对于企业来说，这属于信息失真。在大数据时代，中级类型的会计人才储备相对较少，中职学校的会计电算化教育，需要培养的应当是此类会计人才。教学会学生不能只拘泥于看财务数据，还要学会合理利用有效的会计数据服务于企业的发展，提高企业的核心竞争力。

3．2由传统的财务会计向人工智能环境下的管理会计人才转变

财务机器人的出现，替代了传统的财会人员进行基础数据的录入，日常凭证的填制、审核、记账；凭证、账簿、报表的生成；成本结转、折旧等财务处理；纳税申报等，这不仅提高了会计工作的效率，减少了传统的会计人员繁杂的日常账务处理工作，但同时也让传统的会计人员失去工作。作为会计的教育者，如何让学生在未来立于不败之地，不被财务机器人替代，就需要学校适应时代趋势，教学重点由传统的基础核算向智能管理型会计演变。会计从事的活动，除了重复、机械、烦琐的事情外，还可以创造更多价值，比如：评估、判断、沟通、协作、建议等。管理型计人才就是通过智能机器人核算出的精确信息，对企业的未来做出评估、预判、建议等，甚至帮助企业管理者做出决策。

3．3由会计电算化软件操作员向人工智能会计系统的设计者转变

人工智能环境下的财务机器人，实质就是一种自动化运行的程序，这种程序的设计，需要设计人员既要懂计算机又要懂会计。而现在的中职学校，会计电算化专业主要培养的是会计专业人才，操作会计核算软件，而很少在计算机方面进行教学。在人工智能环境下，懂得会计专业的人才只是人工智能会计系统设计的主导者，而计算机方面人才则根据会计法及相关规则进行系统设计，自动化处理会计业务需要想到协作，融会贯通。人工智能永远是基于系统的规则和大数据，如果规则发生变化，人工智能将无法起作用。在日常教学中，哪怕我们不能完全让学生掌握编写程序，但是应当教会学生看懂和读懂程序，对机器人“思想”进行修改，也算是人工智能的掌控者，而不是被替代者。

4人工智能背景下中职学校会计电算化专业人才培养应对策略［5］

4．1更新理念与改变教学计划

笔者认为，在人工智能背景下，在中职学校，会计及电算化专业办学理念中应加入人工智能等相关技术，同时其人才培养方案、专业建设、教学计划等方面都需要做出相应的调整，培养适应于人工智能时代复合型人才。例如，中职学校会计或会计电算化专业的教学计划中，计算机方面课程开设仅有计算机应用及会计电算化软件操作课程，数据处理、编程类或人工智能课程几乎没有，这样的教学安排不利于学生对未来人工智能的应对能力培养，应当增加相应的计算机方面课程，财务管理、会计政策、法律法规等人工智能无法替代的课程，减少将来可能被财务机器人替代的会计技能课程。

4．2提高教师人工智能等相关理念和技术

要给学生一碗水，教师必须要有一桶水，虽然人工智能的出现解决了许多教育上的难题，但是教师在人工智能背景下还需要增强自身信息化能力，学习人工智能相关理念，掌握人工智能相关技术。这就需要学校给予老师多点人文关心以及人工智能方面的继续教育。

4．3关注人文综合素质培养，让人工智能为我所用

财务机器人出现，会计人员有更多时间去从事财务机器人无可替代更具有情感类的工作，这些工作需要人与人之间的沟通与交流，因此，笔者认为，中职会计电算化专业教育，不仅需要培养学生人工智能动手能力，还要关注学生思想道德、人文综合素质的培养，提升学生的思想道德水平，教会学生爱岗敬业，诚实守信、乐于助人，激发学生的学习主动性和创造性。如果没有良好职业道德水平，即使掌握了人工智能技术，也将会破坏规则，让会计信息失真。我们不能教出人工智能的“奴才”，应当让人工智能为人类所用，做人工智能的主人。

5结语

总之，人工智能正在快速又深刻地改变我们的生活和工作方式，将人工智能用于会计行业会也将会不断得到规范。对于人工智能这类新兴技术在财务行业的运用初期可能会让学生产生恐慌、彷徨，认为学校教育无用。作为专业教师，要教会学生变革思想，提高其对会计价值的认识，提高其人文综合素养，拥有过硬的专业技术，不断地完善专业胜任能力，把握机会，主动迎接挑战，那么人工智能就只是会计人员的好帮手，而不是掘墓人。

主要参考文献

［1］彭维．浅谈人工智能时代财务的变革与转型［J］．中国管理信息化，2018（19）：39－41．

［2］巩彦哲．人工智能在会计管理中的应用微探［J］．财会学习，2018（20）：86－87．

［3］卢映芝，黄静．人工智能与会计课程实操的结合探讨———VR技术的引进［J］．现代商贸工业，2018（30）：160－162．

［4］王立法．论人工智能环境下会计人才培养所面临的挑战及见解［J］．财经界，2018（6）．