我感觉现在的人工智能的阶段
物联网——物联网提供了计算机感知和控制物理世界的接口和手段，它们负责采集数据、记忆、分析、传送数据、交互、控制等等。摄像头和相机记录了关于世界的大量的图像和视频，麦克风记录语音和声音，各种传感器将它们感受到的世界数字化等等。这些传感器，就如同人类的五官，是智能系统的数据输入，感知世界的方式。而大量智能设备的出现则进一步加速了传感器领域的繁荣，这些延伸向真实世界各个领域的触角是机器感知世界的基础，而感知则是智能实现的前提之一。
大规模并行计算——人脑中有数百至上千亿个神经元，每个神经元都通过成千上万个突触与其他神经元相连，形成了非常复杂和庞大的神经网络，以分布和并发的方式传递信号。这种超大规模的并行计算结构使得人脑远超计算机，成为世界上最强大的信息处理系统。近年来，基于GPU（图形处理器）的大规模并行计算异军突起，拥有远超CPU的并行计算能力。
从处理器的计算方式来看，CPU计算使用基于x86指令集的串行架构，适合尽可能快的完成一个计算任务。而GPU从诞生之初是为了处理3D图像中的上百万个像素图像，拥有更多的内核去处理更多的计算任务。因此GPU天然具备了执行大规模并行计算的能力。云计算的出现、GPU的大规模应用使得集中化的数据计算处理能力变得前所未有的强大。
大数据——根据统计，2015年全球产生的数据总量达到了十年前的20多倍，海量的数据为人工智能的学习和发展提供了非常好的基础。机器学习是人工智能的基础，而数据和以往的经验，就是人工智能学习的书本，以此优化计算机的处理性能。
深度学习算法——最后，这是人工智能进步最重要的条件，也是当前人工智能最先进、应用最广泛的核心技术，深度神经网络（深度学习算法）。2006年，Geoffrey Hinton教授发表的论文《A fast learning algorithm for deep belief nets》。他在此文中提出的深层神经网络逐层训练的高效算法，让当时计算条件下的神经网络模型训练成为了可能，同时通过深度神经网络模型得到的优异的实验结果让人们开始重新关注人工智能。之后，深度神经网络模型成为了人工智能领域的重要前沿阵地，深度学习算法模型也经历了一个快速迭代的周期，Deep Belief Network、Sparse Coding、Recursive Neural Network, Convolutional Neural Network等各种新的算法模型被不断提出，而其中卷积神经网络（Convolutional Neural Network，CNN）更是成为图像识别最炙手可热的算法模型。
人工智能会带来大规模失业吗？
最简单的答案是：不会。新技术会减少生产现有产品的人工数量，释放出的人力资本可以投入到开发和生产新产品中。
报告以美国农业为例指出，在1900年，美国农业劳动力在全体劳动力中的占比为38%。随着农用机械不断更新换代，大幅解放人力，100多年后的今天，美国农业劳动力在全体劳动力中的占比已降至仅有2%，农业产量也比一个世纪前大幅提高。
需要特别指出的是，从农业中释放出来的劳动力并未因此失业。相反，教育、娱乐、医疗等这些在1900年很少有人从事的职业百年来获得高速发展，吸纳了大量劳动力。如今，在美国从事这些服务业的劳动者已占全体劳动力的半壁江山，且正创造更多的就业机会。
报告指出，与造成失业相反，科技发展会创造更多的就业机会。有资料显示，美国一些公司成功引入智能设备后，该公司的就业岗位非但没有减少，反而增加了。另外，在一些人类从事了很长时间的岗位上，如果改用人工智能设备，有时候机器并不能如愿高质高效地完成工作。斯坦福大学和胡佛研究所首席经济学家埃德·拉兹尔在近日接受媒体采访中，也提到类似的观点。
毋庸置疑，人工智能的发展会减少劳动密集型产业对人力的需求，过去一个世纪农业劳动力不断减少就是最好的例证。但是，历史经验告诉我们，一些新兴产业的诞生和发展会吸纳这些被解放出来的劳动力。因此人工智能的出现不会造成大规模失业。
1、安全生产将成为重中之重
工业核心数据、关键技术专利、企业用户数据等数字化资产已成为企业核心资产。
作为生产的首要保证，安全性一直都是政府和员工最为关心的问题。
当智能制造融合了机器人、人工智能众多前沿科技后，人为能够及时
另外，在工业物联网进入制造业后，工业物联网遭到数据攻击的事件常有发生，所以企业的设备、产品等数据的安全也显得尤为重要。
目前我国数据安全法规体系和监督机制尚不健全，一定程度上抑制了企业智能化升级步伐。
未来，提高数据全生命周期安全性，增加企业上云信任度和意愿，将成为中国企业智能化升级决策的重要依据。
2、智能制造行业将会近一步扩大
智能制造在汽车行业、3C电子领域的应用已经逐步加深，当各企业开始认识到智能制造是实现中国制造2025的重要方向后，数字化、网络化、智能化能够对企业的产值和效率持续优化，智能制造会进一步渗透石化、纺织、机械等行业。
3、通用性技术或将成为AI＋的突破口
控制的事故似乎变得更加简单，但是在设备增多的情况下，如何有效管理人机交互时的安全性是重点之一。
在定制化柔性制造、多场景生产的大力发展下，通用性技术并不能满足生产需求。对于AI赋能传统工业，就能够容易解决这些需求。
在大数据的积累下，企业能够利用AI实现专业场景的快速转变，真正做到制造向“智”造转型。
4、数字双胞胎技术或将崛起
2018年，汽车行业较为萎靡，并没有像往年那样“金九银十”，客观来讲从买车到养车的成本很高。
数字孪生技术将作为企业数字化升级和智能工厂建设的第一选择，车企可以通过这些技术在研发过程中解决生产过程复杂、资源浪费等产生高成本的问题，以更低的成本做出数字化模型。
通过降低成本，汽车行业在明年的销量可期。同时，在3C领域引入数字双胞胎技术也可带动行业的发展。
预计到2020年，至少50%年收入超过10亿元的制造商将为其产品或资产启动至少一项数字孪生项目。
5、打造精准大数据闭环
近些年，工业大数据开始被企业所重视，利用大数据能够挖掘那些隐藏在背后的客户价值，帮助企业完成时限客户需求、生产系统、商业模式、决策模式的转变。大数据能够帮助企业从0做到1，然后再从1做到N，从N做到1（个性化）。
6、更多互联网企业进军智能制造
互联网企业进军工业领域，即“互联网+智能制造”已取得初步成效。阿里云与西门子合作，宣布正式进军工业物联网，同时百度智慧工厂以及京东智慧供应链等都在打造自己的智能制造产业。
互联网企业具有长时间的数据积累和技术优势，在进军工业领域后，能够给传统制造企业带来更多的技术应用场景，加速企业智能制造的转型。
7、用户需求将引导企业转型
工业发展进程正在从企业产品牵引用户需求转变为用户需求引领企业生产，智能制造将会改变传统制造从生产环节降低成本增效，进而转向提供高附加值的衍生服务，从提供智能产品到智能服务实现附加值提升。
要实现这样的模式，就需要企业构建从构建从采集、分析、转化、反馈等环节的精准数据流闭环。
8、行业级工业互联网平台将率先探索出市场化商业模式
通用性行业平台由于纵深程度有限，市场供给与需求并不匹配，使得企业上云意愿不强，尚未探索出成熟的市场化模式。
行业级工业互联网平台由于兼具聚焦和普适双重特性，面对智能制造各行业不同需求，有望率先探索出可行的市场化商业模式。
9、聚焦智能制造解决方案等细分行业
由于国内智能制造起步较晚，对于人才的挖掘和培养以及资金压力是企业所面临的最大问题，如果从几个发展方向上切入智能制造，或许只有大企业才能负担起。
如果中小企业从智能制造系统等细分领域深入研究将有望成为独角兽。
10、超高附加值制造领域将成为增材制造在工业领域的最优切入点
增材制造技术应用在桌面级应用以及简单的工艺大规模的场景不具备成本优势，而作为发动机、风电叶片、潜艇螺旋桨等为代表的超高附加值、超大型定制化单品制造领域可能会在2019年给增材制造在工业领域带来机会。
网友评论