人工智能的二十年起伏_31页_2mb

人工智能发展历程与应用总结

核心内容

人工智能经历了从“深蓝”到“AlphaGo”的二十年发展，从单纯的计算能力到具备深度学习能力的“智慧”系统。报告从算法改进、大数据与计算能力提升、人工智能应用领域以及国内相关投资标的等方面，对人工智能的演进进行了全面梳理。

主要观点

1. 人工智能算法演进：

   • 人工智能的目标是使机器具备“智能”，而神经网络是其中的关键算法。
   • 传统神经网络存在训练困难、容易陷入局部最优和梯度扩散等问题，导致发展停滞。
   • 2006年深度学习的提出，通过非监督学习逐层训练和监督学习优化，解决了传统神经网络的瓶颈，成为推动人工智能发展的核心力量。

2. 大数据与计算能力推动：

   • 计算能力指数式提升，尤其是GPU和云计算的出现，极大提升了深度学习的训练效率。
   • 数据积累爆炸式增长，尤其是非结构化数据，为深度学习提供了丰富的训练资源。
   • 人工智能的发展离不开数据和计算资源的双重支撑。

3. 人工智能应用方向：

   • 当前人工智能主要处于感知智能阶段，具备“听说读写”能力，如语音识别、图像识别、视频分析等。
   • 认知智能正在成为新的研究方向，未来可能实现更复杂的自主决策和行动，如无人驾驶、智能机器人等。

关键信息

• 深度学习：通过非监督学习初始化参数，监督学习优化，具备自动提取特征的能力。
• AlphaGo：相比“深蓝”，其采用深度学习与蒙特卡洛树搜索结合的方式，展现出“智慧”的特性。
• 大数据：非结构化数据占比逐年上升，成为深度学习的主要训练资源。
• 计算能力：GPU、云计算等新技术大幅提升了深度学习的训练效率。
• 应用领域：深度学习已广泛应用于语音识别、图像识别、精准营销等，未来将向认知智能发展。

投资建议与相关标的

建议关注的公司

投资建议背景

• 深度学习技术的成熟，结合大数据和计算能力的提升，为人工智能在多个行业带来商业化机会。
• 随着技术发展，人工智能在“感知智能”阶段已取得显著成果，部分企业开始向“认知智能”迈进。
• 投资者应关注具备深度学习技术积累、数据资源丰富及产业链布局完善的公司。

风险提示

• 人工智能应用进度不及预期：尽管深度学习算法成熟，但实际应用效果依赖于具体场景和算法优化，存在不确定性。
• 研发成本高：人工智能技术发展需要大量前瞻性投入，部分尝试可能无法带来商业回报。

附录：相关术语释义

图表目录

• 图1：IBM深蓝超级计算机
• 图2：韩国围棋选手李世旻对决谷歌AlphaGo
• 图3：第一台感知机硬件，康奈尔航天实验室MarkI感知机
• 图4：利用单层感知机模型判断目标豆是否为豌豆
• 图5：双隐层神经网络结构示意图
• 图6：以“树叶分类”为例看“过拟合”与“欠拟合”
• 图7：随着层数增加，神经网络容易陷入局部最优
• 图8：标注数据VS未标注数据
• 图9：深度学习基本原理示意图
• 图10：四大方面让数据指数级增长
• 图11：结构化数据与非结构化数据
• 图12：人工智能当前尚处于感知阶段，正向认知发展和突破
• 图13：模拟声音信号波形
• 图14：声学信号转化为特征向量
• 图15：科大讯飞自然语言处理产品
• 图16：Google翻译将引入深度学习以提高准确率
• 图17：依图科技人脸识别示案例
• 图18：基于深度学习的京东JIMI机器人
• 图19：讯飞超脑应用展望
• 图20：“沃森医生”的诊断过程
• 图21：自动驾驶解决方案：感知、高精度地图、智能识别、路径规划与控制
• 图22：“大金融智能版”人工智能投资系统
• 图23：“i问财”智能语义搜索示例
• 图24：构建面向行业的完整的视频应用解决方案
• 图25：公司行业应用及解决方案

结论

人工智能的发展经历了从神经网络到深度学习的算法革新，依托大数据和计算能力的提升，逐步从“感知智能”走向“认知智能”。当前人工智能在多个行业已取得广泛应用，未来在无人驾驶、智能医疗、金融智能等方向具有广阔前景。投资者应关注具备技术积累和产业布局的领先企业，同时也要注意技术落地与商业化过程中的风险。