关键词:智能科学与技术;发展;应用;高中教学场景
一、绪论
科学技术的发展帮助人类经历了农耕社会、工业社会、信息社会，逐渐步入到当前可初步以“智能”定义的新阶段。“智能科学”正以一种全新的方式改变着我们的生活。从AlphaGo取得人机大战的压倒性胜利，到无人驾驶技术的火爆，以及智能音箱的入户、语音识别人脸识别在众多公共场景的应用。无疑，人们已开始转向基于数据、信息和科学技术的智能工具，智能科学与技术的发展与广泛应用必将成为智能时展的基础与风向标。
二、智能科学与技术的概念
智能科学与技术是进入21世纪后得益于计算机技术成熟与飞速发展应运而生的全新研究领域。其综合了信息论、计算机科学、自动化技术以及脑科学、生物智能等在内的多学科领域，借助日益发达的计算机、信息处理等技术，从而实现模拟人类思维和认知的活动，并最终在计算能力、感性认知等方面改进并代替人的能力。智能科学与技术，一方面在于研究和发现机器智能的本质和规律;另一方面，则强调通过技术升级实现对智能科学理论的应用。不难看到，智能科学与技术与信息技术、纳米技术、生物基因工程等尖端科技联系密切，并呈现引领趋势。新一轮科技革命和产业变革，都是在智能科学的基础下启动的。国家科委主任宋健就曾明确指出:“人智能则国智，科技强则国强。”总之，智能科学与技术就是让机器实现智能化，代替更多只有人类才能完成的复杂工作，从而极大提高社会生产效率。［1］
三、智能科学与技术发展现状及应用
(一)智能科学与技术发展
(二)智能科学与技术在目前社会中的应用
在大数据的“滋养”下，AI在越来越多的领域更懂人，让拥有深度学习能力、不断进化的AI帮助人类探索学习规律、开拓认知潜能，已成为人不被机器淘汰的必要之举，根据教育部的规定，2018年秋季开学后，高中生们将要开设一门新课程：《人工智能》。
笔者发现，当前布局人工智能的在线教育大体分为三派：
教学或题库测评类工具产品，比如作业盒子等；
培训机构应用AI技术，比如好未来等；
人工智能教育引擎及平台提供商，比如高木学习等。
现在摆在AI教育创投从业者面前的问题是：到底以技术实力论英雄的AI教育的泡沫有多大？真金不怕火炼的AI教育项目的核心能力在哪里？如何才能落地？本文试做解读。
一、为什么“自适应”其实并非真正的AI？一位投资人朋友曾向我这样说道：“既懂互联网行业又完全懂本行业的业务的管理型人才不超过十个，这是在‘互联网+’双创浪潮中每个垂直行业头部项目就几家能玩转的原因。”而认知和技术门槛更高的“AI+”情况恐怕会更加不妙，甚至很多人把“自适应”与“AI教育”划等号。
自适应学习（AdaptiveLearning）的鼻祖是美国的Knewton公司，它通过评估不同学生对知识材料掌握度进行个性化推荐，有点类似于今日头条的兴趣引擎。Knewton在国内的门徒众多，目前大概有40多家项目宣布发力做“自适应”，比如“乂学教育”（学练测自适应）、“学吧课堂”（题库自适应）、“英语流利说”（英语口语纠正）、“一起作业”（家长、老师在线监控）等等。
嘉御基金创始人卫哲说过，“90%的人工智能项目都是伪AI”，鉴别的依据是看项目“算法速度”，如果是代数级而不是几何级计算那就不是“真AI”，以此来考验自适应项目，得到的结论未免让人失望。
初级的自适应项目是人工预设指令或编程规则推荐，高级的自适应是基于知识图谱推荐，即使是高级的自适应项目由于没有按照既定的教学大纲和教学目标有逻辑地展开，在具体知识学习之中并不系统。关键是很多自适应项目采集的是各科最优秀特级教师的能力，导致其算法本身是线性的、模拟人学习而已。
自适应的技术原理就好比AlphaGo是应用了人类最优秀围棋大师的能力而非是完全迥异机器深度学习和自演化模型；自动驾驶AI应用了某个人类零误差老司机的感知能力而非是基于全网海量交通大数据做运算和决策；人工智能医生是应用了看X片最快最准的医生的经验而非是海量数据库训练；显然按这样的路径训练出的机器并非是真正的AI。
“真正拥有充分教学大数据及算法速度的‘AI教师’是能轻松超越拥有30年教龄特级教师的，并且可以突破人类的知识局限，对算法模型进行自动演化，找到人类从未尝试过的策略。”高木学习创始人刘瞻这样描述AI教师。
刘瞻是帝国理工学院科班出身，早在2015年开启AI教育创业，他认为判断真伪AI教育项目具体有三个考察维度：
（1）自适应是基于模拟优秀老师的知识图谱推荐知识，而真正的AI教育机器人则是泡在“教学实践大数据”中做深度学习。
（2）自适应主要用作知识盲点的统计，但无法分析出知识体系之间的本质联系，用AI更重要的任务是找到行为背后的原因，比如某学生表面上二次函数是薄弱环节，既有可能是其对二次函数的各细分知识点掌握不牢，也有可能是前置知识点一次函数、函数的思想理解不透彻，还有可能是方程求解的问题；甚至有可能是抽象思维或计算能力的问题，AI会根据该学生数据和“知识路径矩阵”，找到问题背后的原因从而匹配出最优学习路径。
（3）人类教师的情感因素能左右学生的学习效果，AI教师也应综合考虑学生的自信心与成就感的培育与激发，从而确保学生学习过程“知”、“情”、“意”的一体化。
二、AI教育的核心：帮助每个学生找到“元认知能力”AI教育并不会改变“老师-学生”的二元结构，甚至人工智能教育还要在师生两端彻底解决互联网教育未完成的两大难题：
如何帮助老师对学生更高效的“因材施教”？目前在我国师资资源依然整体短缺并且分布不均，1对1培优成本高、小班普及率低等问题依然突出。
AI教育的优势在于通过数据化形式分析学生自己都不清楚的“症结”，即所谓的“懂我更懂教好我”，同时AI还能帮助老师实现教学效果的稳定化和可控化。AI在充分收集和处理教与学两端的大数据后，还得在具体教学场景之中个性化建模，最终实现“让学生更会学，让老师更会教”，这是人工智能教育的目的。
当人主动设定学习计划、自我反馈、动态调整学习策略时，就接近了“元认知”，在大数据时代，这种元认知能力是能被定量化分析的，AI教育可以为学习者提供关于反复激活元认知能力的“训练法”。根据刘瞻的解读，AI教育的“训练法”就好比给蹒跚学步的婴儿安上矫正走姿的“学步车”，具体应用什么样“训练模型”则是由AI根据大数据进行场景化定制的，有可能是通向学习目标所需要的“云梯”，有可能是“舟楫”，或者是“拐杖”等等，这些模型能不断调取和强化人的“元认知能力”。
尽管市面上90%项目都是着眼于知识点和解题训练的自适应，真正AI教育项目比如高木学习的AI不仅包含自适应的知识图谱大数据，而且还能不断从学生的行为数据中演化“知识路径矩阵”即AI可根据学生对知识和能力体系的理解定制出个性化学习路径。与此同时，AI让学生在对知识的理解与记忆过程中不仅训练知识掌握度，还不自觉地训练了元认知能力，这套“个性化学习引擎”其实是在培养学生“忘掉所有知识后”剩下的元认知能力，具有普适化的特点。
实际上，AI教育并不需要局限在某一学习阶段、某一学科的知识体系，完全可以打造一个跨学科、跨门类、跨阶段使用的“通用知识学习引擎”，也就是说，除了应用在K12领域外，AI教育还可以应用在高等教育阶段，甚至在辅导大学生时比中小学生会更为轻松，无须综合考虑学生的学习动力因素等。
反过来讲，如果市面上的人工智能教育项目只能用于某一单科或只能教K12，就不是基于大数据获取和智能化引擎的“全才”和“通才”，基本可视为基于特定领域专家总结的经验规则的“伪AI”。
三、为什么AI教育项目落地，toB模式比toC模式更容易跑通？当前AI教育项目的商业化进程走向大体分为两大派：
一派是自建场景的颠覆派，试图开发新的测试软件以抓取学生的数据，甚至引入一些把AR（增强现实）、MR（混合现实）等黑科技，其目标是以“AI教师”完全取代真人老师教学，属于“人机对抗”模式，较为典型的是乂学教育的松鼠AI。
另一派是升级现行教育体系、不另创场景的改良派，属于“人机共教”模式，较为典型的是高木学习的AITutor。
一般走人机对抗模式最终走的是toC模式；而“人机共教”走的是toB模式。鉴于我国当前AI教育的应用场景主要为教学机构包括全日制学校与培训机构，而非一个个分散的学生；只有让AI去辅助老师备课、上课，嵌入到学生作业和训练，帮助学生提分和学校提升升学率，才能帮助AI更快落地并且找到盈利模式。
从“全日制学校”应用AI的实践上看，AI能让老师“心中有数（据）”，提升教学的针对性，AI教师实际上相当于真人老师的“智能助教”，可以减轻老师50%的工作负荷量，比如AI帮老师批改作业，把数据分析的可视化呈现出来帮助老师定制教研方案。因此，在市场推广过程中，AI教育项目不需要担心基层老师的接受阻力，能让老师摆脱“汗水老师”的局面也是基础教育机构所希望看到的。
由于全日制学校获取的大数据比培训机构更加海量、持续、高频，因此高木学习更看重AI在全国全日制学校场景中的数据价值，积极在全国推行城市合伙人制度，并计划与地方教育主管部门合作推出全国教师AI应用能力培训公益活动。
ToB模式中另一大企业客户就是体制外的培训机构，他们所面对的学生付费意愿强、购买力相对旺盛，是AI教育项目获得稳健现金流的必争之地，那么当前培训机构应用AI教育项目开展“人工智能双师班”的效果如何呢？
首先，AI教练能保持教学效果稳定化输出，解决原本老师教学效果不确定的弊端。
其次，AI提升了老师的工作效率，突破了培训机构因为名师稀缺且流动性大限制培训机构的规模化发展的瓶颈。
再次，比如高木学习的AI帮助学生发掘了“元认知能力”增强学习信心、提分效果明显，帮助合作培训机构提升了续费率，为招生带来便捷。
被Siri搅动的寂寞江湖
这个行业也曾在上世纪90年代末期迎来短暂的繁荣：
1997年，蓝色巨人IBM推出可安装在PC机上的语音识别软件viavoice；
同年，美国公司Nuance了连续听写产品DragonNaturallySpeaking，奠定了Nuance公司在此领域的巨头地位；
2000年前后，摩托罗拉等知名手机厂商了带有语音拨号功能的高端机。
然而，语音识别技术一直作为一个附加功能出现，应用场景和应用领域都非常有限，产业化更是遥遥无期。
2008年前后，云技术和大数据的出现搅动了沉寂许久的语音识别江湖。云的存在，使得技术人员可以用几乎无限的计算资源，从而服务器端可以用很大的集群、最牛的算法、最复杂的手段来把性能提上去。当数据不断地训练引擎的时候，系统可以被训练得很好。“以前做语音识别产品，每个语言版本的容量只有100个小时，而现在我们云知声的平台上每天的日调用量在1.5亿～2亿次，这在过去是不可想象的。”李霄寒说道。
2007年，苹果推出siri，识别率可以达到99%。技术的提高使语音识别的功能迅速普及，谷歌当时做了一个统计，有25%的用户习惯用语音功能进行搜索，在中国，这个数字是10%。
技术的突破使得识别率大大提高，而智能手机的兴起又催生出更多的需求场景。无论从需求端还是技术端来看，都为语音识别的爆发做好了准备。置身语音识别领域多年，云知声创始人们都敏锐地察觉到，语音识别的时代来了。2012年6月29日，云知声科技公司正式成立。他们并没有一个庞大的商业计划，盈利方式也并不清晰，只是坚信自己的两点判断：
第一，语音是未来人机交互的基础，在互联网领域、移动互联网领域，以及此后的物联网领域至关重要。
第二，“云”技术会产生巨大的价值。因此他们没有像以前的语音公司那样先做语音技术，而是从一开始就致力于语音云的研发。
2012年10月，云知声拿到了千万元的天使轮融资。
公司成立前两年，一直以技术研发为主。他们选择从语音交互和云入手，并在2012年9月，推出了语音公共云，这是第一家永久免费的语音云。
同年11月，云知声与搜狗语音助手合作，这一项目为云知声的公共云带来了巨大的用户量，技术团队基于这些数据进行迭代，很快使语音云识别的性能有了一个巨大的飞跃。
不断探索，确定四个垂直领域
云知声成立之初，市场上做语音识别的创业公司并不多，基于云端的语音识别只有科大讯飞和云知声两家，是明显的卖方市场。对于云知声来说，这却是一个喜忧参半的事情，他们可以在市场上争取到不错的议价权，同时也要面对一个困惑：面对来自各行各业的需求方，他们分不清哪些需求是刚需，哪些是伪需求。公司成立前两年，云知声开始不断探索和尝试。
第一，教育市场。最典型的应用场景是口语评测，未来的口语考试中，或许为你打分的是一个人工智能机器人。
第二，车载后装市场。从公司成立之初，云知声一直看好车载市场，并坚持认为安卓系统将是更大的市场。2014年，安卓系统在车载后装市场的占有率约为5%，云知声开发了“车载Siri”。到今年，安卓设备比例已经达到了90%。
第三，医疗市场。这一领域在国外已经有成熟的业务模式及产品。语音江湖老大Nuance有接近一半的收入来自医疗产业。语音识别技术可以帮助医生做病历录入，大大节省了人力。今年，云知声与协和医院展开合作，协和成为国内第一家全院语音识别病历的医院。
第四，智能家居。家电智能化已成必然趋势，超级电视，空调等的智能化改造都需要语音识别技术。在这一领域，云知声第一个落地的项目是华帝油烟机，用户在做饭时，不需要腾出双手，可以用语音对油烟机进行操控。这一项目的难点在于如何降噪，云知声使用了降噪芯片加上特有的语音算法，完美地解决了这个问题。
云、端、芯产品体系
2014年，云知声提出AI芯、AIUI（智能交互）、AIService（智能云服务）的概念。云、端、芯三者结合，打造成为一个完整的产业闭环。
第一个层次是芯片侧，叫作AI芯。李霄寒解释道：“今后人们的生活中，芯片将无处不在，包括灯、插座等很多东西都是自带芯片，可以联网的。而每个家电厂商的平台、操作系统、硬件的核都是不一样的。我们现在做一个AI芯，直接把芯片嵌进去，通过芯片来将我们的技术应用在服务中。
李霄寒所说的AI芯片，可以理解为一个硬件Siri，它像一个翻译，把人们的指令传达给硬件。假设我们对空调发出“气温调到26度”的指令，AI芯就会给空调发指令。如今，云知声已经与一线芯片厂商高通等达成合作。
第二层次是软件侧，叫作AIUI，这是指一整套的交互、对话、SDK逻辑。
第三个层次是端口，叫作AIService。语音识别是把语音变成了文字本身，把人们说的话变成了打印体。人工智能还要根据数据场景分析真实的意思，即语用计算。谈到这里，李霄寒举了一个生动的例子：比如“我的信用卡被猫吃了”这句话，如果语境是移动营业厅，营业员会告诉你换张卡；如果语境是宠物店，宠物医生会告诉你如何让猫把卡吐出来。根据不同的数据场景，人工智能会分析出话语不同的含义。
AI芯、AIUI和AIService三大解决方案构成了一个完整的生态闭环。
强大的技术背景加上先发优势，云知声自成立起就是资本追逐的宠儿。2013年，他们完成了亿元级A轮融资，2014年12月启动了5000万美元B轮融资，不到一个月后又启动了B+轮数千万美元的融资。
目前云知声的合作伙伴超过两万家，其中不乏乐视TV、小米、联想、华为等一线企业。据悉，云知声去年已实现营收数千万人民币，而继续融资是想要在物联网布更大的局。
抱怨的背后正体现出中国人工智能厚积薄发，取得了一定成就，尤其是在应用层的发展达到了与美国相近的水平。如在移动支付方面，目前中国的移动支付普及率为77%，位居全球第一，在大量应用的背后，从刷脸支付到算法优化，人工智能扮演着关键作用。美国人免不了喝上一壶老陈醋。
事实真的如此吗？
我们在做《中美两国人工智能产业发展全面解读》报告时发现：中国人工智能企业数量、人才数量都仅为美国的一半；美国布局全面，而中国无论是企业还是人才，在产业基础层、技术层、应用层，分布不均，仅应用层略有积累。
施密特之抱怨，终究无法掩盖中美两国巨大的产业落差。
不过，现在产业界也不够冷静。甚至于出现了一些让人担忧的迹象。回顾2017人工智能领域已经出现了三大突破，算法、政策、资金，均创里程碑，业界欢呼鼓舞，这种情形像极了1999年底网络泡沫泛滥的情形。
展望2018，偌大一个人工智能，优秀项目不够、顶尖人才不足、场景落地缺失，三大难题横亘眼前，又将如何破解？
2017年的三大突破
1、算法的突破
要说在2017年把人工智能引入舆论的，就不得不提围棋人机大战。来自谷歌旗下的AlphaGo以3：0击败了世界排名第一的柯洁，随后AlphaGoZero又取得超过AlphaGo的实力，赢得了100场比赛的全胜，并在40天内超过了所有旧版本。
AlphaGo的前几代版本，主要采用深度学习算法，一开始用上千盘人类棋谱进行训练。
AlphaGoZero则跳过了这个步骤，自我对弈学习下棋，完全从乱下开始，采用的是强化学习。该系统从一个对围棋一无所知的神经网络开始，将该神经网络和一个强力搜索算法结合，自我对弈。在对弈过程中，神经网络不断调整、升级，预测每一步落子和最终的胜利者。
强化学习其实也是机器学习的一个分支，强化学习是一种标记延迟的监督学习。它讲究在一系列的情景之下，通过多步恰当的决策来达到一个目标，是一种序列多步决策的问题。
AlphaGoZero的成果提示，AI并非只有深度学习，强化学习也很值得研究。
在过去的三十年，深度学习运动一度被认为是学术界的一个异类，GeoffHinton和他同事的努力，使得深度学习成为主流，应用于语音识别、图像标签以及其他无数在线工具的用户体验。
有趣的是，临近年底，深度学习之父Hinton新论文Capsule，断然宣称要放弃反向传播和深度学习理论，欲自废三十年功力再练一套新AI“功夫”。圈里圈外顿时蒙圈。
自我颠覆或酝酿着AI的另一次飞跃。李飞飞对此大为赞赏，发推特称：没有工具是永恒的，即使是反向传播和深度学习。重要的是基础研究继续推进。
2、政策的突破
2017顶层设计已经明确昭示产业发展方向，可以预期，2018年后各地将掀起新一轮的发展。
为抢抓人工智能发展的重大战略机遇，构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国，2017年7月，国务院印发的《新一代人工智能发展规划》，提出三步走计划，到2030年人工智能理论、技术与应用总体达到世界领先水平。
继《规划》后，11月15日，科技部在北京召开新一代人工智能发展规划暨重大科技项目启动会，宣布依托百度、阿里、腾讯和科大讯飞四家公司，成立人工智能四大平台，标志着新一代人工智能发展规划和重大科技项目进入全面启动实施阶段。
作为创业者和企业家，2018年发展什么样的人工智能技术和产品、怎样发展人工智能技术和产品？翻开《规划》，尤其是关于“培育高端高效的智能经济”的内容，一定可以找到一些思路：“大力发展人工智能新兴产业，将技术转换成应用，实现在智能软硬件、智能机器人、智能运载工具(车、船、飞机、火箭等)、VR/AR、智能终端和物联网基础器件的创新；加快推进产业智能化升级，促进传统企业的改造，让制造、农业、物流、金融、商务和家居等各领域都实现人工智能规模化应用；大力发展智能企业，推动企业智能升级，推广应用智能工场；打造人工智能创新高地，鼓励打造建设以人才、企业、生产要素为中心的产业群、产业园。”
3、AI投融资突破
一改前两年的低调，2017年的资本，高调的聚集到屈指可数的较成规模的AI创业项目中。
7月11日，4.1亿美元！商汤科技刷新AI领域单轮融资纪录！
10月31日，4.6亿美元！旷视科技获4.6亿美元C轮融资，再次刷新了融资记录！
2017年，一系列眼花缭乱的融资事件陆续爆发。
2017年中国AI领域投融资创出历史新高，一年内总投融资达582亿元。
值得一提的是，国产AI芯片独角兽出现。长期以来，中国信息产业受制于人，在产业核心芯片方面的落后不仅仅是技术、资金的匮乏，更重要的还有产业生态意识的淡薄。AI芯片投资周期长，金额大，产出小的特点，使得很多投资商及企业对它望而却步。而此次一亿美元的融资，将用于发展国产AI芯片的产品化和市场化，有助于推动产业走向自主发展的道路。
粥多僧少，泡沫也在酝酿。由于创业公司成立数量较前两年有所回落，2017年资金明显偏向中后期、大多数是一些较为成熟的项目，金额相当巨大。
2018年，投资人会不会对AI初创项目表示更多热情？
许多AI初创项目，属于“三缺一”项目，缺少独创技术、缺少应用场景、缺少成熟度，只有一个概念，徘徊在实验室里，难以推开市场的大门，看起来有点悬。
2018年的三大难题
1、资金很多，项目不够用了
当前的AI产业发展面临泡沫化的风险，主要体现在投资供应数量大而项目供给数量少，市场对创业项目寄予很高的期望，而实际的产品体验欠佳。
泡沫即将出现。在腾讯研究院的《中美两国人工智能产业发展全面解读》报告中，分析了引发行业泡沫的两个信号：
一是资金多而项目缺。
综合过往数据和2017年前半年的情况，今年美国新增企业数量将跌到谷底，在2017之际，美国新增企业数量范围在25-30家之间徘徊。同时，美国的累计融资量持续快速增长，最后将稳定在1380-1500亿元的区间。
2018年后，中美两国AI企业数量增长都将有所恢复，但依然平缓。在这段时期内，创投圈将会发现，找到一个新的有潜力的项目越来越难，由于新增企业数量稀少，经常只能跟投一些项目。
到2020年，美国累计AI公司数量将会超过1200家，累计融资将达到惊人的2000亿人民币。中国AI企业增势不明朗。根据行业发展周期来计算，中国人工智能产业将会在2018年回暖，新增公司数量会上扬到30以上，预期融资累计量将会达到900-1000亿元。
二是周期长而营收难。
通俗的说，人工智能期望值被大大高估了。引领本轮AI热潮的深度学习，起源于上世纪八九十年代的神经网络研究。在很多情况下，前沿研究是由对已有方法的微小改动和改进组成，而这些方法在几十年前就已经被设计出来了。
从投融资趋势来看，涌入人工智能领域的资金依然还会增加。
一个依据是，据不完全统计，2017年中国人工智能领域的投融资事件约353起，比2016年稍有回落。但投资金额激增，总融资金额近600亿人民币，在政府的鼓励和行业并购中，2018年中国AI的投资将会持续大幅增加。
另一个依据是，行业并购开始加剧。根据CBInsights提供的数据显示，自2011年以来，已有近140家人工智能初创公司被收购，而2017年的第一季度，海外就有34家人工智能初创公司被收购，为去年同期的两倍。2018年，仍将延续这一趋势。在资金增长的同时，中国AI企业数量却不能同幅增长。根据行业发展周期来计算，中国人工智能产业将会在2018年呈现回暖，预期融资累计量将会达到900-1000亿人民币，而新增公司数量仅仅上扬到30家左右。
资金多而项目缺，周期长而营收难，项目却一天比一天更加昂贵，这种情形与1999年的第一次互联网泡沫何其相似。
2、事情很多，人不够用了
作为国家未来的发展方向，AI技术对于经济发展、产业转型和科技进步起着至关重要的作用。而AI技术的研发，落地与推广离不开各领域顶级人才的通力协作。在推动AI产业从兴起进入快速发展的历程中，AI顶级人才的领军作用尤为重要，他们是推动人工智能发展的关键因素。
然而，中国人工智能领域人才发展极为欠缺。
据腾讯研究院的《2017全球人工智能人才白皮书》显示，目前我国约有20所大学的研究实验室专注于人工智能，高校教师以及在读硕博生约7000人；产业界现存人员人数约为39000人。远不能满足我国市场百万级的人才需求量。
从产业发展来看，我国人工智能领域人才分布严重失衡。
人工智能产业由基础层(芯片/处理器、传感器等)，技术层(自然语言处理，计算机视觉与图像，机器学习/深度学习，智能机器人等)和应用层(语音识别，人脸识别)等组成，目前我国在产业层次人才上面临两个问题如下：
问题一，产业分布不均。中国AI产业的主要从业人员集中在应用层，基础层和技术层人才储备薄弱，尤其是处理器/芯片和AI技术平台上，严重削弱中国在国际上竞争力。
人才不足，是制约中国AI产业发展的关键因素。
近几年来，Google不断的收购AI领域的公司最主要的目的是“抢购”一批世界上最一流的专家，在一个迅速成长的人工智能领域里面，这些专家无一不是佼佼者。其他科技巨头也相机而动。
可以推想，人才流动，还将加剧。人才引进，还需持续。2018年，无法缓解人才饥渴症。
3、场景很多，路不好走了
其中，医疗、金融、无人驾驶这三大热点中的悬疑，更是大大的吊足了公众的胃口。
悬疑一，AI医疗的变革的信号在哪里？
作为民生领域，医疗年年改，却次次令人无奈。风险投资也对AI+医疗有持续不断的支持。2017年，每个月都有VC流入AI+医疗领域，国内所有医疗人工智能公司累计融资额已超过180亿人民币。
科技企业智能医疗的布局与应用已有雏形，IBMWaston已应用于临床诊断和治疗，在2016年就进入中国在多家医院推广；阿里健康重点打造医学影像智能诊断平台；腾讯在17年8月推出腾讯觅影，可辅助医生对食管癌进行筛查。图玛深维11月获投2亿元，正在把深度学习引入到计算机辅助诊断系统中，晶泰科技(XtalPi)近期也融资1500万美元，用于新一代的智能药物研发技术，以解决药物临床前研究中的效率与成功率问题。
遗憾的是，尽管政府亮了绿灯，企业投了人力财力，但人工智能却并没有在医疗领域出现爆发。原因何在？在于人工智能需要大量共享数据，而医院和患者的数据如同孤岛。如何打破各方壁垒，保障健康的同时又保障数据安全性？这将是推动智能医疗快速发展的一个重要信号。
悬疑二，AI如何深层次的撬动金融？
与智能医疗面临相同数据问题的还有金融领域，大量的可信度较高的数据握在各大银行手中，AI怎么能够撬出来这些数据以推动金融科技的创新，是创业者们绞尽脑汁思考的课题。
当前，人脸识别、指纹识别技术作为验证客户身份、远程开户、刷脸支付，解决金融安全隐患的方案，已经发展成熟正在逐步推广。
如何利用知识图谱挖掘潜在客户、进一步深挖客户潜在需求的技术也已较为成熟，而数据源的问题亟待解决。
美国的科技公司FutureAdvisor最早研制出“机器人理财顾问”。随后，此类机器人理财顾问迅速风靡全球。
2017年智能投顾更是火烧火燎，被视为是下一个风口。但是，机器人炒股，结果赔了。
悬疑三，智能汽车究竟何时上市？
无人驾驶汽车被称为“四轮机器人”，但其发展何时会像智能手机一般，人手一台，彻底颠覆传统手机进而推动整个产业变革？这答案仍然是个悬疑。
2017年，汽车行业内智能造车势力动作不断，其中一部分已陆续交出答卷，让产品接受市场的检验，而一部分仍在温室中培养，等待结果。之所以称之为“温室”，是因为各行各界都对其予以厚望，尤其是在投融资上，虽然投资事件数不多，但金额达234亿人民币。
百度宣布开放阿波罗平台。阿里巴巴与上汽集团等传统车企展开合作。腾讯于年初成功入股特斯拉成为第五大股东，领投蔚来汽车首款纯电动产品，已正式上市。
回顾2000年互联网泡沫的幻灭，很多人依然觉得不可思议。那时候的产业发展日新月异，软件应用、网络服务ISP，网络内容ICP爆发，常有一日不见如隔三秋的感叹。
如今的AI产业正蓬勃发展，与互联网初期阶段何其相似。
产业带着耀眼的光环，肩负国家战略的重任，高度依赖资本市场渠道，舆论高度爆炒，从业者无不都是三高社会精英。
关键词：人工智能；人机交互；机器学习；深度学习；数据挖掘
1什么是人工智能
2人机智能的研究方向
人工智能的科学研究通常涉及到数学、逻辑学、认知科学、以及最重要的计算机科学等多学科领域，延伸出了以下几个主要的研究方向：
2.1逻辑推理与证明
2.2问题求解
问题求解领域的一大重要应用则是下棋程序的功能实现，化繁为简、将困难的问题点拆分成为独立的子问题进行求解；而另一个实例则是数学方程的求解实现，分析各种公式符号的组合意义从而为科学研究者提供强有力的基础保障。问题求解中所运用的搜索和规约也是人工智能领域中的两大基本技术。
2.3自然语言处理
2.4专家系统
专家系统的建立包含以下几个步骤：（1）初始专家知识库的设计：包括问题、知识、概念、形式、规则等多个概念的筹建；（2）开发和试验系y原型机；（3）改进与归纳专家知识库等。
专家系统的实现通常建立在大量的数据统计与人类专家提供的问题解决实例上，没有精确或统一的求解算法，因此也会造成一些局限性。在人工智能与计算机科学快速发展的今天，专家系统也逐渐更重视理论和基础研究，除了基于经验的理论，基于规则和模型的方法也将投入到实际运用中，未来的专家系统将更偏向协同式和分布式方向发展。
2.5机器学习
机器学习是指计算机自动获取新的推理算法和新的科学事实的过程，是计算机具有智能的基础。计算机的学习能力是人工智能研究史上的突出成就与重要进展，也是人工智能初步实现的重要标志。机器学了在人工智能领域有着重要应用，对于探索人类智慧的奥秘以及学习方法和机理都有着重要意义，机器学习的时代才刚刚开始，各种理论方法也正在逐步完善中，未来精彩可期。
3人工智能的应用
人工智能的首次提出至今已有60年的历史，在这个循序渐进的过程中，无论是功能场景还是机器模式，都逐渐从单一到通用、从简单到复杂，表达方法也更多种多样。目前主要通过赋予机器产品一定的人类智能从而有效地提升机器工作效率及能力，未来的人工智能将更多的模拟人类生活环境及思维方式来设计出真正具有人类智能的高效人机系统。
3.1人工智能在各个行业的应用
人工智能已经运用到人类生产生活的各个方面，主要包括以下几点：（1）以智能汽车为代表的自动化交通方式。（2）种类繁多的家庭智能服务机器人。（3）用于临床支持和病人看护中的自动化智能设备及医疗器械。（4）智能教育辅导系统、线上学习和智能辅助学习设备的普及。（5）基于图像处理和自然语言处理的各类音乐社交软件及VR设备的兴起给互联网娱乐时代带来的巨大变革。（6）逻辑证明及智能分析在公共安全领域的预测及防范。（7）大量重复机械的劳动逐渐由智能机器取代，人类承担着更多的创新及实践工作。
3.2人工智能生活应用实例
4人工智能的发展历程
人工智能的发展历程不算很长，但发展速度却异常迅猛。跟所有新兴的前沿学科一样，人工智能的发展中也经历了和低谷时期。根据不同时期代表性人物和事件的发生，我们大致可以将整个过程分为以下几个阶段：
（1）1950年，举世闻名的“图灵测试”（图灵，英国数学家，1912―1954）首次发表于《计算机与智能》一文，即通过房间外的人和两个房间内的人和机器分别对话中，是否能区分人和机器从而判断出机器是否具有了人的智能。这是人类对于人工智能最初的概念。
（2）1956年，由香农、麦卡锡、朗彻斯特和明斯基共同发起的DARTMOUTH学会于达特茅斯大学召开，会上首次提出“人工智能”一词，这是历史上第一次关于人工智能领域的研讨会，见证了人工智能学科研究的开端。
（3）1960年以来，生物进化领域逐渐建立起了遗传、策略和规划等算法。1992年计算智能由Bezdek提出，计算智能对于生物进化学的探究有着重大意义，涵盖了模式识别、人工生命、神经网络、进化计算等多学科集合与交叉。
（4）上世纪90年代开始，专家系统逐渐兴起，对于专家知识库的不断改进以及基于规则和模型的协同式分布式专家系统将是未来使用的主要趋势。
（5）从1960年神经网络首次应用于自动控制的实施，到1965年人工智能启发式推理规则的方法引入，再到1977年运筹学理论中概念智能控制模式的成功借鉴，人工智能的发展也顺利引导了自动控制模式逐渐切换到了智能控制模式。
（6）从1956年AI概念的正式提出以来，人工智能领域已经取得了众多突破性的成就和进展，很多天马行空的想象也随着科技的进步在一代代科学工作者的不断努力下逐渐设计落实，人工智能已经从科学研究逐渐走向了人们的日常生活中，成为了当下最具潜力的多学科交叉的前沿科学。
5人工智能的未来与发展趋势
6结语
参考文献
[1]李红霞.人工智能的发展综述[J].甘肃科技纵横，2007，36（5）：17-18.
“新增专业弥补了我省有关专业的布点空白，进一步优化了专业结构。”省教育厅高教处副处长王国银介绍，此次省属高校新增专业主要围绕数字经济“一号工程”、战略性新兴产业、高新技术产业和万亿产业开设，这些专业瞄准国家战略需要和社会经济发展急需，进行创新型、复合型、应用型人才储备。
夯实基础
新文科、新农科未来可期
作为近年来高等教育中最时髦的词汇之一，新工科对于考生和家长来说已经不陌生了，但如果说起新文科、新农科，很多人可能就要打个问号。
去年10月，教育部等部门决定实施“六卓越一拔尖”计划2.0，在基础学科拔尖学生培养计划中，首次增加了心理学、哲学、中国语言文学、历史学等人文学科，“新文科”概念浮出水面。今年4月，教育部、科技部等13个部门正式联合启动“六卓越一拔尖”计划2.0，全面推进新工科、新医科、新农科、新文科建设。
新文科“新”在何处打破旧壁垒，跨界寻方法，归纳真规律，新文科意味着对传统基础学科的一次重新整合。
“相对于传统文科，新文科有两个特色。”南开大学传播学系主任陈鹏说。其一，新文科是问题导向的，新文科面对的是社会发展变化中的新现象、新问题、新变化，有些现象和问题是人类历从未遇到过的，如大数据、区块链、5G、人工智能等，需要突破传统文科的框架，采用新方法、新视野去探索新理论、新规律。其二，新文科为了寻求对社会和人类自身的研究，需要通过“跨界”方式进行革新，这种“跨界”不仅仅发生在文科的各学科之间，甚至出现在文科和理科、工科、医科等学科之间，需要多学科之间的交叉和深度融合。
当前，清华大学、中国人民大学等高校开设的人文科学实验班，西安交通大学、华东师范大学等高校开展的学院式教学模式，都被视为我国新文科建设的重要经验。一位资深文科研究专家表示，当前，文科与其他学科有一些结合，比如考古学和技术结合，就形成了科技考古;信息技术和艺术结合，就形成了艺术设计的网络化等，但还远远无法满足现在社会的需求。新文科就是一种有效路径。
2018年4月，浙江大学召开文科大会，提出面向2035年发展目标和“文科十条”，进一步推进文科发展强主流、上一流。省内其他高校也纷纷积极为新文科创建搭建平台。浙江工商大学整合资源打造文科综合实验教学中心，打造跨学科综合性实验教学平台;浙江农林大学推出新文科求真实验班，帮助学生打牢知识储备金字塔的稳固塔基，再渐次进入专业学习，形成坚实塔身和更高耸的塔尖……
在浙江大学传播研究所教授、博士生导师邵培仁看来，建设新文科，其实也是对传统文科的反思。他指出，新文科有利于构建立足中国文化土壤、具有中国特色，具备整体性、包容性、互动性、共享性特质的面向全球、面向全人类的大文科。
除了新文科，新技术的出现也让一些专业被赋予了新的内涵，比如新农科。
“浙江是‘两山’理论诞生地，‘农’字头的专业发展空间很大。”浙江农林大学主要负责人表示，“新农科”建设是乡村振兴实践、高等教育改革、人才需求变化和社会经济进步的必然选择，原先注重高度专业化、技术化的教育教学方式和人才培养模式已无法适应新时代农林高等教育的新需求，亟需探索实现农科学生全面发展的“新农科”建设之路。
顺应趋势
大数据、人工智能纷纷开班
今年，我省有湖州师范学院、宁波工程学院、宁波财经学院、浙江大学城市学院等9所高校新增备案数据科学与大数据技术专业。一位专业课老师表示，社会在不断发展进步，现在的一些“新专业”也许尚无足够的办学经验，但可能恰恰是未来社会发展的需求所在。
浙江大学今年新增机器人工程和人工智能两个专业，还将在竺可桢学院新设图灵班。入选图灵班的学生可以在计算机科学与技术、人工智能、信息安全三个专业中确认专业。从入学开始，每位学生可从学院的优选导师库中选择一名学业导师，还将有国外顶尖大学的教学大师和科研领军人物到浙大给图灵班学生单独授课。
除了浙大以外，省内其他高校也在结合各自特色专业，构建人工智能专业的课程体系。比如，浙理工把专业发展方向和学校的优势结合起来，重点在智能穿戴等领域取得突破，还专门成立纺织工业人工智能研究院;浙工大结合了安防产业、智慧交通、“城市大脑”等浙江省的优势领域，与企业合作，开拓专业方向。
“打造新专业特色成了各高校的当务之急和立足之道。”杭州电子科技大学人工智能学院副院长吕强说，针对人工智能人才培养带来的新挑战，杭电人工智能学院提出了多方协同育人的理念，并将其作为教学改革项目进行探索，“人工智能对数理基础要求较高，我们在数学课程中增加了矩阵论、离散数学等原来研究生学习阶段才会有的课程内容，努力帮学生打好基础，在暑假，我们还计划举办夏令营，邀请企业名师进校园培训，共同开发专业课程等。”吕强说。
紧盯儿童
医教类专业持续扩招
当下，伴随着“全面二孩”政策施行，各大医院产科分娩量走高，目前助产人才无论从数量上还是质量上都难以满足社会需求，临床急需本科层次助产人才。助产学专业于2016年首次开设，当时仅有4所高校获批开办此专业，2017年有20多所高校新增此专业。
近两年，我省先后有浙江中医药大学、温州医科大学、杭州医学院等3所高校新增了助产学专业。温州医科大学的助产学专业设在护理学院，目标是培养掌握护理学和助产学的基础理论和护理技能，具有基本的临床护理和临床助产能力，在各类医疗卫生保健机构中能够从事临床助产、围产期护理，以及母婴保健工作的高级助产人才。今年，台州学院、温州医科大学仁济学院也开设了助产学专业。
一位从事医学教育多年的教授表示，当前社会大众对医疗的需求，不仅体现在量上，更体现在质上。虽然现在医疗行业整体水平保持着上升态势，但人们对优质医疗的需求增长更快，所以仍然感觉医疗资源紧缺。
不久前，由中国工程院院士郑树森担任院长的浙江树人大学树兰国际医学院揭牌成立。作为树兰国际医学院首个设置的重点专业，临床医学专业面向全国招生100人。学院拥有国际医学专家、博士生导师等组成的高水平师资队伍，以及一批高水平的基础医学与临床医学实验平台。
同样，面对强烈的社会需求，温州医科大学今年增加了普通本科计划数。临床医学(定向培养)从30人增加到60人，面向萧山区等30个县(市、区)招生;麻醉学专业从61人增加到93人，其中省内普招增加16人。
今年，杭州师范大学增加小学全科教师、中学紧缺学科教师定向培养招生计划。杭师大教务处副处长、招生办副主任顾海春介绍，今年，学校将继续面向杭州、宁波、温州、绍兴、金华、衢州、丽水、台州、舟山等地区定向招生255名，提前录取，补学费，包就业。同时，复建音乐学院，增加音乐学(师范)、舞蹈学(师范)专业招生计划。