久久久久精品免费福利电影,国产又黄又大又粗视频,A级毛片免费播放无码,人人妻人人爽人人澡欧美一区

二、基礎(chǔ)科研：美國(guó)最強(qiáng)，中國(guó)快速追趕

中國(guó)人工智能領(lǐng)域論文數(shù)量增長(zhǎng)較快，但論文質(zhì)量與美國(guó)依然存在差距。如圖5.3所示，全球累計(jì)發(fā)布人工智能論文超過70萬篇，中美兩國(guó)是論文發(fā)表大國(guó)，2018年中美兩國(guó)分別發(fā)表論文2.5萬篇和1.6萬篇，合計(jì)占全球比重達(dá)46.5%。從增長(zhǎng)趨勢(shì)來看，美國(guó)保持勻速增長(zhǎng)，中國(guó)自2014年后增長(zhǎng)較快，中國(guó)論文數(shù)量占全球總量比重從1998年的8.9%上升為2018年的28.2%。從代表論文質(zhì)量的FWCI(平均加權(quán)引用影響)指數(shù)來看，如圖5.4所示，中國(guó)論文質(zhì)量也在穩(wěn)步提升，從1998年的0.43提升至2018年的1.39。美國(guó)保持全球最高水平，長(zhǎng)年保持在2左右，2018年FWCI指數(shù)達(dá)2.38。

從論文發(fā)表機(jī)構(gòu)類型來看，包括中國(guó)、美國(guó)、歐盟27國(guó)等在內(nèi)的各國(guó)和地區(qū)均以高校為核心科研力量，2018年三者高校論文產(chǎn)出占各自總產(chǎn)出的92.1%、84.6%、90.7%。除高校外，中美兩國(guó)的主力科研主體有所不同。如圖5.5所示，2018年中國(guó)科研機(jī)構(gòu)產(chǎn)出約為中國(guó)企業(yè)產(chǎn)出的3倍。如圖5.6所示，同期美國(guó)企業(yè)產(chǎn)出約為美國(guó)科研機(jī)構(gòu)產(chǎn)出的1.6倍。

三、數(shù)據(jù)量：人工智能時(shí)代的“原材料”，中國(guó)具有規(guī)模優(yōu)勢(shì)

電腦和智能手機(jī)的普及、互聯(lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)所累積的數(shù)據(jù)爆發(fā)，是促進(jìn)人工智能技術(shù)和應(yīng)用突破的重要原因之一。人工智能需要做到“感知、思考、決策”，首先就需要足夠多、足夠好的原始數(shù)據(jù)對(duì)計(jì)算機(jī)進(jìn)行訓(xùn)練，猶如培育良駒，必須喂足新鮮的牧草。“足夠多”代表數(shù)據(jù)的數(shù)量要多，電腦的發(fā)明使運(yùn)算簡(jiǎn)化，并讓信息以電子化形式保存，智能手機(jī)的普及使全球網(wǎng)民滲透率大幅提高，兩者令大量的數(shù)據(jù)被保存。“足夠好”代表數(shù)據(jù)的質(zhì)量要佳，互聯(lián)網(wǎng)的誕生極大地縮短了信息交流的物理距離，提高了傳播速度，各類互聯(lián)網(wǎng)類服務(wù)應(yīng)用程序誕生，其產(chǎn)生的數(shù)據(jù)類型也更加多樣，包括瀏覽網(wǎng)頁喜好、外賣點(diǎn)單頻率、行程記錄等，只有多元豐富的數(shù)據(jù)才能應(yīng)對(duì)各種訓(xùn)練人工智能的要求。數(shù)據(jù)增長(zhǎng)和應(yīng)用依賴于信息及物理的基礎(chǔ)設(shè)施構(gòu)建，中國(guó)將成為全球最大的數(shù)據(jù)中心。得益于人口數(shù)量、互聯(lián)網(wǎng)滲透率、智 能手機(jī)滲透率、網(wǎng)速等因素，如圖5.7所示，2018年中國(guó)擁有數(shù)據(jù)量7.6ZB，占全球數(shù)據(jù)總量的23.4%。隨著5G、物聯(lián)網(wǎng)等的發(fā)展，通信設(shè)備接入數(shù)量和承載能力的提高，終端消費(fèi)者的增多，預(yù)計(jì)中國(guó)的數(shù)據(jù)量將在2025年達(dá)48.6ZB，占全球數(shù)據(jù)總量的27.8%(見圖5.8)，成為全球最大的數(shù)據(jù)集中地，這將極大地促進(jìn)和豐富人工智能訓(xùn)練，相關(guān)模型結(jié)構(gòu)和結(jié)果也會(huì)更精準(zhǔn)。

四、技術(shù)：深度學(xué)習(xí)推動(dòng)本次人工智能熱潮

足夠多、足夠好的數(shù)據(jù)支撐人工智能“感知”階段，而人工智能算法使計(jì)算機(jī)擁有思維，從而達(dá)到“理解、決策”，深度學(xué)習(xí)在此過程中做出了巨大貢獻(xiàn)。深度學(xué)習(xí)是一類模式分析方法的統(tǒng)稱，計(jì)算機(jī)通過學(xué)習(xí)樣本數(shù)據(jù)來掌握內(nèi)在邏輯和規(guī)律，從而擁有分析能力，這項(xiàng)研究最早可以追溯到1958年弗蘭克·羅森布拉特發(fā)明的感知機(jī)(Perceptron)。利用感知機(jī)，可以進(jìn)行圖像區(qū)分訓(xùn)練，例如，最常見的是從水果堆中選出“蘋果”或者“香蕉”。然而由于當(dāng)時(shí)缺少足量的數(shù)據(jù)，該項(xiàng)研究陷入瓶頸，并出現(xiàn)過度擬合(Overfitting)問題。例如學(xué)生希望通過練習(xí)相似的題目來掌握一種題型，但是訓(xùn)練量不夠大，學(xué)生并沒有理解題型背后的知識(shí)點(diǎn)，因此試題一旦發(fā)生些許變化，學(xué)生便無法解出答案。后來，科學(xué)家通過研究人腦，試圖模仿腦神經(jīng)網(wǎng)絡(luò)機(jī)制來進(jìn)行圖像、聲音等分類工作，逐漸演化成如今的深度學(xué)習(xí)(見圖5.9)。