AOSS-中国人工智能软件开源白皮书-2018.7-166页-19mb

报告摘要

中国人工智能开源软件发展白皮书（2018）总结

核心内容

《中国人工智能开源软件发展白皮书（2018）》由工业和信息化部指导，中国电子技术标准化研究院牵头，联合多家企事业单位共同编写。白皮书旨在梳理人工智能开源软件的发展现状，分析其生态，提出发展建议，并展示应用案例，以推动我国人工智能开源软件的快速发展。

主要观点

人工智能开源软件的重要性
人工智能开源软件是推动技术创新和产业应用的重要支撑，是全球技术竞争的高地，对我国在新一轮科技变革中具有战略意义。
开源软件的发展趋势
开源软件推动了研发效率提升、成本降低和技术创新加速，成为人工智能生态构建的关键要素。
开源软件与人工智能的融合
开源社区和平台在人工智能发展过程中扮演了重要角色，如OpenCV、TensorFlow、PyTorch等，为人工智能的广泛应用提供了基础。
人工智能开源软件的生态构建
人工智能开源软件的发展涉及技术、人才、标准、社区、资金、知识产权和安全等关键要素，构建良好的开源生态是发展的核心。
中国人工智能开源软件的发展现状
我国在部分领域取得重要突破，但整体仍与国外存在差距，需加强薄弱环节的研究和生态构建。
开源软件的未来发展方向
人工智能开源软件将朝着易用、高效、灵活、开放的方向发展，以适应日益复杂的应用场景。

关键信息

一、人工智能开源软件发展历程

第一次成长期（1950s-1980s）：人工智能刚刚诞生，研究集中在搜索式推理、自然语言和微世界等领域。
第二次成长期（1980s-1990s）：专家系统成为主流，但因成本高和应用场景局限，人工智能再次陷入低谷。
复苏期（1990s末）：随着计算能力提升和数据积累，人工智能进入复苏期，OpenCV等开源软件出现。
机器学习繁荣期（2007-2012）：开源机器学习框架推动机器学习发展，如Scikit-learn、Mahout、MLlib。
深度学习爆发期（2012年至今）：深度学习算法和框架成为主流，如TensorFlow、Caffe、PyTorch、PaddlePaddle等。

二、人工智能开源软件现状

1. 人工智能开源计算平台

CUDA：NVIDIA开发的并行计算平台，适用于GPU加速。
ROCm：AMD推出的基于OpenCL的计算平台，旨在构建可替代CUDA的生态。
OpenCL：多厂商联合开发的通用并行计算平台，具有良好的跨平台性。
TPU：Google开发的定制化加速器，专为深度学习优化。

2. 开源机器学习框架

Scikit-learn：基于Python的机器学习框架，适合基础算法。
Mahout：基于Java的开源框架，适用于大数据并行处理。
MLlib：基于Apache Spark的机器学习库，适合分布式计算。
TensorFlow：Google推出的深度学习框架，支持多种计算设备和平台。
Caffe：由伯克利大学开发，适合图像和视频处理。
PyTorch：Facebook推出的深度学习框架，支持快速开发和灵活调试。
PaddlePaddle：百度推出的深度学习平台，支持多种硬件和应用场景。

3. 应用领域相关开源软件

自然语言处理（NLP）
- NLTK：Python开发的自然语言处理工具包，支持多种任务。
- OpenNLP：Apache开发的NLP工具包，涵盖多种模型。
- LTP：哈尔滨工业大学开发的中文处理平台。
- FudanNLP：复旦大学开发的中文NLP工具包。
- Gensim：基于机器学习的NLP工具包，支持主题建模和文档索引。
计算机视觉
- OpenCV：广泛用于图像处理和计算机视觉。
- TensorFlow Object Detection API：用于目标检测的开源库。
- Detectron：Facebook推出的开源目标检测与分割工具。
- InsightFace：基于MXNet的人脸识别框架。
- Tesseract：Google维护的OCR工具，支持多种语言。
智能语音
- ISIP：美国密西西比州立大学开发的语音识别工具包。
- Julius：日本开发的高词汇量语音识别工具。
- HTK：剑桥大学开发的语音识别工具，支持多种任务。
- Kaldi：基于Apache协议的语音识别工具，广泛应用。
- MARY：德国开发的多语言语音合成平台。
- Festival：英国开发的语音合成框架，支持多种语言。
无人系统
- ROS：机器人操作系统，支持多种功能模块，成为行业标准。
- MOOS-Ivp：麻省理工学院开发的智能机器人系统底层平台。
- MRPT：机器人编程工具包，支持移动和视觉功能。
- DART：跨平台机器人软件库，支持仿真和动画。