1、authorized user : mouse0232 中國人工智能中國人工智能產業產業 知識產權白皮書知識產權白皮書 （2 20 02121） 分冊分冊一：一：產業專利分析產業專利分析白皮書白皮書 （A AIIAIIA- -AIP2101AIP2101） 中國人工智能產業發展聯盟中國人工智能產業發展聯盟（A AIIAIIA） 20202 21 1 年年 1 12 2 月月authorized user : mouse0232 V PREFACE 前言前言 自 2017 年國務院印發實施新一代人工智能發展規劃以來，人工智能產業被上升為國家戰略的高度，人工智能技術的基礎研究、產業轉化和傳統行業應

2、用都取得了長足的進展。人工智能技術既有獨特的自身產業屬性，又具有明顯的對其它產業賦能、促進實體經濟發展的特征，因而應用范圍和影響力極為廣泛。它所涉及的知識產權問題也具有很強的時代性，尤其在近年實體經濟融合和產業數字化轉型的過程中，也產生了許多新的挑戰。 自 2018 年起，由 AIIA 學術與知識產權工作組組織，在上海交通大學蘇州人工智能研究院的牽頭下，聯合各會員單位、法學界、人工智能產業界、知識產權服務機構等在內的專業團隊，分年度組建了人工智能產業知識產權研究課題組，對不斷產生的新問題和挑戰進行研究，并將研究成果以白皮書的形式發表出來。 2018 年課題組由 11 家單位組成， 發布 201

3、8 人工智能產業知識產權與數據白皮書 （以下簡稱“2018 白皮書” ） ，從基本法律概況（保護端） 、專利分析（創新端）和專利價值評估（運營端）三個具體角度，呈現了 AI 領域的知識產權現狀， 并通過既有爭議和案例的展示， 對數據相關權利的幾個主要問題進行了梳理。2018 白皮書一經發布，就在社會各界引起了強烈反響。 在此基礎上，2019 年更多單位主動參與，21 家單位協同工作，擴大研究范圍，提供了更多詳實的數據，完成人工智能產業知識產權白皮書 2019 （以下簡稱“2019 白皮書” ） ，形成了更為規范和完整的框架，即：以人工智能的定義和分類標準為開篇引領， 在共識的定義和標準下進行專

4、利檢索以及基于檢索事實的專利分析， 之后結合知識產權布局現狀對人工智能企事業單位面臨的知識產權實務問題進行了一定的分析和探討。 在 2019 年白皮書初步形成的 “內涵定義-專利檢索和分析-知識產權實務” 的結構框架下，2020 年課題組進一步擴大規模，50 余家單位參與進來，進行全面authorized user : mouse0232 VI 而細致的討論和事實補充，形成了中國人工智能產業知識產權白皮書 2020（以下簡稱“2020 白皮書” ） 。2020 白皮書第一章和第二章從基礎層、感知認知層、行業應用層、綜合運用層 4 個層面 22 個子主題，展現當下人工智能全產業鏈的產業發展狀況和

5、專利布局趨勢； 第三章至第六章內容覆蓋人工智能知識產權管理工作的主要環節知識產權創造、運用、保護、風險防控，成為人工智能領域知識產權相關實務工作的實操指南。 2021 年，仍有 50 家左右單位參與白皮書的制作。針對白皮書篇幅龐大的問題，課題組對知識產權白皮書形式進行了革新：根據主題的不同，將白皮書總體劃分成三個分冊和一個案例選編， 形成 中國人工智能產業知識產權白皮書 2021的分冊一：產業專利分析白皮書 （簡稱“專利分析白皮書” ） 、 分冊二：數據治理白皮書 （簡稱“數據治理白皮書” ） 、 分冊三：知識產權管理白皮書 （簡稱“知識產權管理白皮書” ）和附錄：知識產權優秀案例選編 （簡稱

6、“案例選編” ） ，其中： 專利分析白皮書重點在于人工智能基礎層、 感知認知層和行業應用層上的技術和專利分析，展現人工智能在產業鏈上的發展狀況和專利布局趨勢，除了提供權威統計數據和分析結論外，還延續了 2019 年、2020 年白皮書的傳統，即專利檢索式、檢索策略、數據來源等信息全部公開，充分體現了編纂作者的奉獻精神與白皮書的公開透明。相較于往年，白皮書緊跟 AI 熱點技術，在行業應用層中新增了智能媒體、智慧城建兩個新型領域的專利分析； 數據治理白皮書聚焦于當前熱點的人工智能數據治理話題， 介紹了全球人工智能數據相關政策、數據合規和安全風險及其應對措施，并提供了豐富的案例和解析，來力爭讓人工智

7、能從業者從中獲得啟發，指導實踐工作，盡量避免觸犯法律紅線， 這也是課題組在歷屆白皮書中首次對人工智能數據治理這一主題進行系統地研究和介紹； 知識產權管理白皮書側重于人工智能企事業單位對知識產權的高質量創造、保護、許可運營、開源、技術秘密等方面的管理，包括高價值專利培育、應對海外審查規則、標準必要專利及其許可、風險防控、專利商標技術秘密的保護、管理體系的高質量建設等方面的研究等，并提出相關的實務工作建議； 另外， 本白皮書還附有工作組征集的來自小米、 眼控科技、 中國移動、 商湯、authorized user : mouse0232 VII 快手、追一、同方威視等多個企業的、各具特色的知識產權

8、優秀案例，涉及人工智能企業知識產權制度體系建設、專利布局、專利侵權風險管理、企業知識產權管理服務、技術和專利的協同融合、專利資本化等多個領域，供聯盟單位及社會各界同行進行學習和參考。 2021 年將以年度白皮書合集的方式發布各個白皮書分冊和案例選編。我們希望 2021 年度白皮書合集有助于從業者和決策者清晰并精準了解人工智能領域的知識產權發展現狀和未來趨勢，以及其中的風險和應對措施，并以此制定專業合理的知識產權工作策略、管理體系與框架，共同推動人工智能領域技術的發展與運用。 白皮書仍難免有疏漏和不當之處，望業界專家學者批評指正。我們同樣歡迎業界各單位提出建議，我們將積極聽取各方意見，并在后續系

9、列報告中進行修改完善。 中國人工智能產業發展聯盟 學術與知識產權工作組 authorized user : mouse0232 VIII 第一章第一章 人工智能概述人工智能概述 . 1 1 1.1 人工智能的定義及邊界界定 . 1 1.1.1 人工智能的定義 . 1 1.1.2 人工智能的邊界界定 . 3 1.2 人工智能的分類 . 4 1.2.1 人工智能的行業分類 . 4 1.2.2 人工智能的產品分類 . 7 第二章第二章 人工智能產業基礎要素人工智能產業基礎要素 . 1010 2.1 算法 . 10 2.1.1 定義 . 10 2.1.2 行業態勢 . 10 2.1.3 小結 . 16

10、 2.2 算力 . 16 2.2.1 定義 . 16 2.2.2 行業態勢 . 17 2.2.3 小結 . 23 2.3 數據 . 23 2.3.1 定義 . 23 2.3.2 行業態勢 . 24 2.3.3 小結 . 32 第三章第三章 人工智能感知認知專利分析人工智能感知認知專利分析 . 3 33 3 3.1 計算機視覺 . 33 authorized user : mouse0232 IX 3.1.1 定義 . 33 3.1.2 行業態勢 . 33 3.1.3 專利態勢 . 42 3.1.4 小結 . 51 3.2 語音識別 . 52 3.2.1 定義 . 52 3.2.2 行業態勢 .

11、 52 3.2.3 專利態勢 . 54 3.2.4 小結 . 59 3.3 自然語言處理 . 60 3.3.1 定義 . 60 3.3.2 行業態勢 . 60 3.3.3 專利態勢 . 64 3.3.4 小結 . 69 第四章第四章 人工智能行業應用專利分析人工智能行業應用專利分析 . 7070 4.1 智能家居 . 70 4.1.1 定義 . 70 4.1.2 行業態勢 . 70 4.1.3 專利態勢 . 73 4.1.4 小結 . 85 4.2 智慧醫療 . 86 4.2.1 定義 . 86 4.2.2 行業態勢 . 86 4.2.3 專利態勢 . 89 4.2.4 小結 . 95 4.3

12、 智慧防疫 . 95 4.3.1 定義 . 95 4.3.2 行業態勢 . 95 authorized user : mouse0232 X 4.3.3 專利態勢 . 101 4.3.4 小結 . 108 4.4 智慧建筑 . 109 4.4.1 定義 . 109 4.4.2 行業態勢 . 110 4.4.3 專利態勢 . 112 4.4.4 小結 . 117 4.5 智慧交通 . 117 4.5.1 定義 . 117 4.5.2 行業態勢 . 118 4.5.3 專利態勢 . 122 4.5.4 小結 . 127 4.6 智能制造 . 127 4.6.1 定義 . 128 4.6.2 行業態

13、勢 . 128 4.6.3 專利態勢 . 131 4.6.4 小結 . 137 4.7 網絡智能 . 138 4.7.1 定義 . 138 4.7.2 行業態勢 . 138 4.7.3 專利態勢 . 139 4.7.4 小結 . 144 4.8 智能客服 . 144 4.8.1 定義 . 145 4.8.2 行業態勢 . 145 4.8.3 專利態勢 . 146 4.8.4 小結 . 154 4.9 智能車. 154 authorized user : mouse0232 XI 4.9.1 定義 . 155 4.9.2 行業態勢 . 155 4.9.3 專利態勢 . 160 4.9.4 小結

14、. 166 4.10 智能媒體. 168 4.10.1 定義 . 168 4.10.2 行業態勢 . 168 4.10.3 專利態勢 . 172 4.10.4 小結 . 179 4.11 智慧城建. 180 4.11.1 定義 . 180 4.11.2 行業態勢 . 180 4.11.3 專利態勢 . 185 4.11.4 小結 . 189 版權與免責聲明版權與免責聲明 . 191191 致致 謝謝 . 192192 機構簡介機構簡介 . 193193 聯系方式聯系方式 . 194194 authorized user : mouse0232第一章第一章 人工智能概述人工智能概述 1 第一章

15、人工智能人工智能概述概述 1.1 人工智能人工智能的的定義及邊界界定定義及邊界界定 執筆及素材提供單位：南京理工大學 作為一項引領未來的戰略技術，人工智能在增強國家、地區或企事業核心競爭力方面具有基礎性和支撐性作用，是世界各國、地區以及企事業單位正在搶占的技術制高點。當前，由人工智能引領的新一輪科技革命和產業變革方興未艾，政、產、學、研、用等各界均對人工智能產生了濃厚的興趣，各類“人工智能+”或“+人工智能”技術與應用層出不窮。明確人工智能的定義及其邊界，對于理解人工智能的內涵、 明晰人工智能外延和促進我國人工智能技術蓬勃發展具有重要意義。 1.1.1 人工智能人工智能的的定義定義 人工智能并

16、非誕生于現代。事實上，它的起源可以追溯到古希臘時期甚至更早，始于人類膜拜神靈的古老愿望。在希臘神話中，赫菲斯托斯是赫拉和宙斯的兒子，他出生時身體虛弱，在被拋到了奧林匹斯山上后，被愛琴海島嶼利姆諾斯島人所救，長大后的赫菲斯托斯制造了一個魔法寶座。該寶座具有現代人工智能的特征： 為助人們實現某個目標， 能夠根據情況提前編程并以不同方式作出響應。 亞里士多德（公元前 384 年-322 年）是精確制定規則的第一人，他開發的非正式三段論，在原則上允許人們能夠在給定的初始前提下機械地得出結論。 現代人工智能的種子是最初由古典哲學家種下， 他們試圖將人類思維過程描述為機械符號并操縱。這種思想一定程度促進了

17、 20 世紀 40 年代可編程數字計算機的發明，并激發了后續討論建立電子大腦的可能性。經過多年的發展，人工智能已經發展成為一門覆蓋領域十分廣泛且極富挑戰性的技術科學， 也正因如此，人工智能的定義到現在依舊是百家爭鳴， 但其核心思想卻始終如一像人類一樣思考的機器。 人工智能最早是由麻省理工學院的 John McCarthy 在 1956 年達特茅斯會議上提出的， McCarthy 將其定義為： 人工智能就是讓機器的行為看起來像是人所表現出的智能行為一樣（McCarthy 1956） 。圖靈獎得主 Edward Feigenbaum 把人工智能定義為： 人工智能屬于計算機科學的一個分支， 旨在設計

18、智能的計算機系統，authorized user : mouse0232第一章第一章 人工智能概述人工智能概述 2 即對照人類在自然語言理解、學習、推理、問題求解等方面的智能行為，人工智能所設計的系統應呈現出與人類行為類似的特征（Feigenbaum et al. 1981） ?，敻覃愄夭┑窃谌斯ぶ悄苷軐W一書中就目前四種最為流行的人工智能定義進行了歸類和辨析，分別為： （1）人工智能就是讓計算機去做人類需要運用智能才能做的事； （2）研究怎樣制造計算機，并為其編程，使其能做心靈所能做的那些事情； （3）人工智能是計算機的發展，而計算機的外在性能具有我們認為是屬于人類心理過程的那些特征； （4）

19、人工智能是一種一般性的智能科學，是認知科學的智力內核，它的目標是提供一個系統的理論，既可解釋意向性，也可以解釋以此為基礎的各種心理能力。其中，瑪格麗特認為前三種定義各自有其偏頗和缺陷，只是對技術的表層功能進行了闡釋，沒有上升到理論和哲學的高度，而第四種定義則能夠從心理認知的角度進行闡釋。 我國學者在人工智能的定義上也是各引一端。中國科學院院士、清華大學人工智能研究院院長張鈸認為人工智能是利用機器去模仿人的智能行為， 這些智能行為包括推理、決策、規劃、感知和運動。中國科學院院士、中科院自動化所研究員譚鐵牛認為人工智能是一門以探尋智能本質、 研制具有類人智能的智能機器為目的，以模擬、延伸和擴展人類

20、智能的理論、方法、技術及應用系統為內容，以會看、會說、會行動、會思考、會學習為表現形式的學科（譚鐵牛，2018） 。中國通信學會將人工智能定義為：研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學，將其視為計算機科學的一個分支，指出其研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等（張 et al. 2018） 。 人工智能標準化白皮書 2018中認為人工智能是利用數字計算機或者數字計算機控制的機器模擬、延伸和擴展人的智能，感知環境、獲取知識并使用知識獲得最佳結果的理論、方法、技術及應用系統（Cesi，2018） 。 目前，為人工智能進行普適性定義

21、比較困難，且從時間的維度來看，人工智能的內涵仍在不斷豐富和發展，涵蓋的領域也越來越多。正如前美國麻省理工學院人工智能實驗室主任 Patrick Winston 所述， 當前給出一個一般性的人工智能定義似乎是不可能的， 因為智能似乎是一個包含著許多信息處理和信息表達技能的混合體（Winston and Shellard，1990） 。目前，學界的共識多為“讓計算機為人類做各種各樣的事情”且“人工智能是建立在現代算法基礎上，以歷史數據為支撐而形成的具有感知、推理、學習、決策等思維活動并能夠按照一定目標完成相應行為的計算機系統” 。 authorized user : mouse0232第一章第一章

22、 人工智能概述人工智能概述 3 1.1.2 人工智能的邊界界定人工智能的邊界界定 雖然人工智能的概念存在諸多爭論，但是有兩個核心準則可以作為參考：一是人工智能的中心目標是建立那些使智能的實現成為可能的原理； 二是實現人工智能的途徑必然離不開感知、交流、學習、推理以及在復雜環境中進行決策等智能行為的實現。 即使人工智能的邊界再廣， 也基本上不會超出上述兩個界定標準。一般來說，不具備這兩個核心準則的理論、方法、技術和系統，不能夠稱作人工智能。 人工智能是一項綜合性的現代化技術，基于大數據算法，其具備了心理學、語言學、行為學以及計算機科學等內容，是當前計算機科學發展的產物。迄今為止， 人工智能的智能

23、化表現主要為模仿人類左半腦的理性思維模式，而很難具備右半腦的感性思維。普羅泰戈拉在論真理中提到“人是萬物的尺度” 。人與人之間，尤其是至親、摯友之間，經過長時間的磨合與溝通，哪怕是一個眼神、一個動作都能夠理解到對方的意圖。對于機器人來說，卻很難懂得“相顧無言，唯有淚千行”背后的感動與不舍（青島日報，2020） ?，F階段，根據人工智能是否能真正實現推理、思考和解決問題等智能行為，可以將人工智能分為弱人工智能和強人工智能。 弱人工智能是指專門設計用于專注于特定任務， 不能真正實現推理和解決問題的智能機器（Techopedia，2019） 。這些機器表面看像是智能的，但是并不具備任何認知功能，也不會

24、有自主意識。弱人工智能的一個很好的例子是 Apple 的語音助手 Siri，它擁有互聯網作為強大的數據庫，能夠與真實的人進行簡單對話，但是卻不能像人類智能那樣不斷適應復雜的語義環境。迄今為止，人工智能的主流研究仍然集中于弱人工智能，并取得了顯著進步，如在語音識別、圖像分類和物體分割、機器翻譯等方面取得了重大突破，接近甚至超越人類水平。 強人工智能是指真正能思維的智能機器， 它具有理解或學習人類可以執行的任何智力任務的能力，也是人工智能研究的主要目標（Yampolskiy，2013） 。強人工智能不僅在哲學上存在巨大爭論（涉及到思維與意識等根本問題的討論） ，在技術上也存在極大挑戰性，學術界對實

25、現強人工智能的時間結點尚未形成共識（Goertzel，2007；Goertzel and Pennachin，2007） 。盡管強人工智能非常復雜，我國仍然有一些頂尖研究機構仍在強人工智能領域持續探索。 正如中國科學院自動化研究徐波研究員所說，當前人工智能發展仍處于初期階段，基礎理論面臨瓶頸， 我國只有高度重視基礎研究，才有可能在人工智能馬拉松式的國際競爭中始終占據有利位置（新華社，2019） 。 authorized user : mouse0232第一章第一章 人工智能概述人工智能概述 4 總而言之，人工智能的邊界由其學科特點所決定的，界定一個系統是否是人工智能應當首先判斷其是否以人工智能

26、學科的基本思想和內容作為出發點， 即是否是圍繞智能活動而構造的人工系統，其次判斷該系統實現途徑是否以感知、交流、學習、推理以及在復雜環境中進行決策等智能行為為基礎。 1.2 人工智能的分類人工智能的分類 執筆單位：樂知新創（北京）咨詢服務有限公司 素材提供單位： 山東優化信息科技有限公司 星際空間（天津）科技發展有限公司 1.2.1 人工智能的行業分類人工智能的行業分類 人工智能已經滲透進我們生活的角角落落。近年來，人工智能已經被提升到國家戰略高度，在“新基建”背景下，人工智能為智能經濟的發展和產業數字化轉型提供底層支撐， 推動人工智能與 5G、云計算、大數據、物聯網等領域深度融合，由此衍生出

27、更多的應用場景，尤其是 2020 年全球疫情爆發，更加速人工智能與數字經濟融合的進程。 綜合人工智能與各行業融合應用情況， 我們將人工智能行業劃分為智能制造、智慧教育、 智慧金融、 智慧農業以及智能家居、 智慧物流、 智慧交通、 智慧醫療、智能媒體、智能防疫應用等十六個一級行業分支，以及每個行業分支衍生的二級行業分支，圖 1.2.1 示出了一級行業分支和二級行業分支的簡圖。 該分支簡圖是基于中國人工智能產業知識產權白皮書（2020） 報告中的行業分類圖來進行修改的。相較中國人工智能產業知識產權白皮書（2020） ，本白皮書報告中，人工智能行業分類的變化在于：新增了智能媒體這個全新的領域；將智慧

28、建筑和智慧城建進行了分離界定，分別覆蓋不同的領域；另外，鑒于疫情防控的常態化以及人工智能技術在疫情防控上的廣泛應用， 智能防疫已經逐漸成為一個較為成熟的行業，因此將智能防疫獨立出來。詳情如下： authorized user : mouse0232第一章第一章 人工智能概述人工智能概述 5 圖 1.2.1 人工智能的行業分類示意圖 authorized user : mouse0232第一章第一章 人工智能概述人工智能概述 6 【智能媒體】 智能媒體是指在數字多媒體的基礎上， 通過結合人工智能軟硬件技術從而實現用戶對于媒體信息的高效和智能獲取。 隨著互聯網與傳統媒體的融合走向深化，傳媒產業已經

29、成為中國數字經濟的重要組成部分。當前我國智能媒體生態中，新型主流媒體和頭部互聯網商業平臺是最重要的兩股力量。疫情時期，智能媒體快速發展，領先的智能媒體開始向其它垂直行業滲透拓展。 【智慧建筑】 智慧建筑是指運用現代計算機技術、自動控制技術、通信技術、多媒體技術和現代建筑藝術相結合，通過對機電設備的自動控制、對信息資源的管理，向用戶提供信息服務及安全、舒適、便利的環境服務，適合當今信息技術高速發展的需求特點的現代化建筑。智慧建筑主要是針對建筑行業、基建建設等方面，其前身為智慧工地、BIM 管理、勞務實名制管理等功能。 【智慧城建】 智慧城建是在數字城市建設基礎上，由信息化、數字化向網絡化和智慧化

30、發展的新趨勢。在新時期的城市發展中形成以互聯網、物聯網、電信網、廣電網、無線寬帶網等網絡組合為基礎，以智慧技術高度集成、智慧產業高端發展、智慧服務高效便民為主要特征的新模式，基于技術支撐而進行相應的體制、結構或者是管理模式的變革，是國際國內發展形勢發展的新要求。 【智能防疫應用】 智能防疫應用即利用人工智能技術協助疫情防控過程中的各項事務， 如利用無人機配送防疫物資、無人機巡檢廣播、智能機器人進行藥品物資配送和環境衛生清潔、人工智能語音機器人進行居民健康情況調查、公共場所利用 AI 智能測溫、 AI 醫療機器人進行輔助診療等。 總體來說， 智能防疫應用可以分為三個部分，分別為智能信息采集系統、

31、防疫機器人、防疫數字平臺。 全球疫情爆發加速人工智能對各行業的滲透， 大量人工智能技術投入實際應用，人工智能對各行業“賦能”作用凸顯，尤其是在疫情防控過程中，人工智能技術已經成為了贏得防疫攻堅戰的重要保障。在疫情防控常態化時期，智能防疫應用是人工智能產業落地應用的重要研發方向，其中， 智能防疫機器人的應用廣泛，并滲透到社會經濟生活的方方面面。在中國大力發展新基建的背景下，智能防疫機器人作為新基建的新載體，融合 5G、人工智能、大數據中心、物聯網、工業互聯網等高科技核心技術，通過“無接觸服務” ，能夠代替人類工作，如遠程醫療機器人、送貨機器人、消毒機器人和巡邏無人機都為醫療救治和疫情防控提供了輔

32、助作用，減少了人員近距接觸帶來的感染風險，保護了人們的安全，既authorized user : mouse0232第一章第一章 人工智能概述人工智能概述 7 節省了人力又提高了效率。智能防疫機器人在安全性、穩定性及效率上均具備很大優勢，能夠補強疫情管控的技術短板，在醫院、企業復工復產、學校復學和城市管理恢復中發揮了重要作用。 1.2.2 人工智能的產品分類人工智能的產品分類 人工智能技術日益成熟，應用領域不斷擴大，作為人類智慧的載體，人工智能的產品分類也不斷豐富。根據人工智能技術落地產品形態、功能、場景角度，將人工智能產品劃分為智能安防設備、智能終端、智能運載工具、智能家電、智能醫療設備、A

33、I 芯片、智能媒體管理平臺、智能防疫平臺等十五個產品類別。下圖中示出 AI 產品分類簡圖。 圖 1.2.2 人工智能的產品分類示意圖 相較中國人工智能產業知識產權白皮書（2020） 報告，本白皮書人工智能產品分類新增智能媒體管理平臺和智能防疫平臺。 【智能媒體管理平臺】 隨著我國媒體融合向縱深發展，越來越多的媒體機構開始有計劃、有步驟地authorized user : mouse0232第一章第一章 人工智能概述人工智能概述 8 引入人工智能、大數據、云計算等先進技術。2020 年全球深受新冠肺炎疫情影響，全球政治、經濟、社會、科技格局加速演變，多數傳媒機構已啟動了智能媒體項目，催化了“智媒

34、行業”發展，推動文旅、會展、政務等成為智媒賦能垂直行業、拓展傳媒生態版圖的試驗田。 新媒體產生的前提和傳播內容、方式的革新是基于傳播技術的革命性變化，所以媒體融合也必須緊緊抓住技術和平臺這個關鍵，在這樣的前提下，用互聯網思維進行內容生產和組織管理。通過技術手段，智能媒體管理平臺可以對匯聚于平臺的初生輿情進行挖掘整合，對輿情走向的整體掌握和基本判斷，也可以進行精準研判，從而形成主流的輿論并通過平臺傳播。 【智能防疫平臺】 智能防控平臺充分利用互聯網、大數據、人工智能等技術，結合基層公共衛生服務和基層醫療，建立基層醫療機構和轄區居民的虛擬通道，使基層防疫工作常態化、連續化，從疫情發展趨勢、疫情新增

35、趨勢、網格數據填報采集數量、排摸渠道統計等幾個方面進行數據分析展示，有效支撐疫情防疫“防控治管”新機制，全面提升區域疫情防控效率、基層綜合抗冠防治能力及居民自我防疫意識。 除此之外，近年來，人工智能也新發展出來一些其他的熱點技術和相關衍生產品，值得引起關注，例如智慧土地、指靜脈識別等。 “智慧土地”是利用新一代信息技術來感知、監測、整合、分析土地資源狀態、演變過程和人類對土地資源開發、利用和保護過程中形成的各種人地關系，并據此對土地系統運行狀態和過程作出迅速、靈活、準確的預警、調控和決策反應，融合“人本”與“技術”智慧以實現土地資源治理能力提升，構建高效、協調、可持續的土地資源系統。我國用全球

36、 7%的耕地承載著近 20%的人口，近年來，隨著工業化、城鎮化的快速推進，土地資源長期面臨高強度、高風險利用，為了保障糧食安全、耕地安全、生態安全以及人民健康，需要構建高效、協調和可持續的國土空間開發格局。因此，需要精準化、動態監管每一塊土地資源開發利用與保護全過程，傳統的土地資源管理模式面臨著挑戰。北斗衛星導航系統是中國正在建設的擁有自主知識產權的衛星導航系統。 它可以在全球范圍內全天候、全天時為各類用戶提供高精度、高可靠定位、導航、授時服務，并兼具短報文通信能力。在運用北斗衛星導航系統進行地籍控制測量時不需要通視， 有效避免了常規地籍控制工作中點位選取不利等諸多弊端。 基于北斗的智能土地及

37、環境在線監察技術和產品是以通信鐵塔、 光纖傳輸為依托， 利用北斗地基增強系統， 結合多源數據， 為土地、 環境監測提供技術手段，最終實現多源數據處理、智能化的土地和環境在線監察的功能。將北斗衛星導航authorized user : mouse0232第一章第一章 人工智能概述人工智能概述 9 系統應用在土地監測中，會使監測速度和精度大大提高， 克服傳統監測方法的種種弊端，適應各種復雜的變更情況，真正地實現了動態監測的實時性、數值化，確保土地利用現狀調查的時效性。 指靜脈識別技術相關產品是通過指靜脈采集儀取得個人手指靜脈分布圖， 依據先進的濾波、圖像二值化、細化手段對數字圖像專用比對算法提取特

38、征值，采用復雜的匹配算法與存貯在計算機系統中的特征值模板數據庫進行匹配， 從而實現個人身份鑒定的精準活體識別技術產品。 指靜脈圖像的獲取原理是通過近紅外光線照射手指靜脈血管時， 血液中的活體紅血球蛋白吸收近紅外光后形成手指靜脈暗影圖像，用 CCD 專用攝像頭采集獲得，可以確保拍攝到高對比度的手指靜脈影像，而不受皮膚表面的褶皺、紋理、粗糙度、干濕度等任何缺陷和瑕疵的影響。指靜脈隱蔽于人的手指中，一般在 6 歲以后基本成型，終身不變，兩個人靜脈結構相同的概率是 34 億分之一，正如“世上沒有兩片完全相同的樹葉” ，指靜脈識別技術具有不變性、唯一性、不被遺忘、不易被盜的特點，成為了世上獨一無二的天然

39、生物活體識別技術。 當前指靜脈識別技術相關產品已經被應用在安防、金融、智能家居、智慧社區、社保醫療、高考教育、政府機構等多個領域。隨著云計算、物聯網、人工智能、大數據等前沿技術的持續發展，生物識別技術融合應用的技術不斷成熟，站在人工智能前沿的指靜脈識別技術應用范圍不斷拓寬，將為各行業提供更安全、更便利的服務，助力社會的數字化發展。 authorized user : mouse0232第第二章二章 人工智能產業人工智能產業基礎要素基礎要素 10 第二章 人工智能產業人工智能產業基礎基礎要素要素 2.1 算法算法 執筆單位：騰訊科技（深圳）有限公司 素材提供單位：百度在線網絡技術（北京）有限公司

40、 2.1.1 定義定義 人工智能算法從基礎理論上，可以分為傳統機器學習算法和深度學習算法。傳統機器學習算法包括：線性回歸、邏輯回歸、支持向量機等，至今仍然廣泛使用在推薦和決策場景等。 深度學習是當前應用最廣泛的算法，在應用于序列任務（如自然語言處理領域）時，多采用基于 Recurrent Neural Network（RNN） 、Transformer 等網絡結構對數據進行特征處理；在應用于平面結構任務（如計算機視覺領域）時，多采用基于 Convolutional Neural Network（CNN）的網絡結構對數據進行特征處理。 在現實世界中更多的數據表示并不是序列或者平面這種簡單的排列，

41、 而是更為復雜的圖結構，如社交網絡、分子結構等等，由此誕生了圖神經網絡 Graph Neural Network（GNN） 。GNN 在社交網絡、知識圖、推薦系統甚至生命科學等各個領域得到了越來越廣泛的應用。 2.1.2 行業態勢行業態勢 2.1.2.1 發展現狀與趨勢發展現狀與趨勢 人工智能發展的關鍵要素包括：算法、數據和算法。算法不是物理世界中真實存在的，而是數字世界中解決現實問題的一個模型抽象。近年來，深度學習算法在具體落地和應用時，產生了越來越多的解決方案，人工智能產業得到了飛速的發展。 （一）關于數據生成問題的算法研究（一）關于數據生成問題的算法研究 隨著深度學習技術的不斷進步， 其

42、應用范圍已經從已有數據中學習內在聯系，拓展到了基于生成式模型來產生新數據，包括圖像、視頻、語音、文本等。通過對現有數據的特性進行挖掘，可以使得模型學習到數據背后的概率分布信息，并authorized user : mouse0232第第二章二章 人工智能產業人工智能產業基礎要素基礎要素 11 據此通過采樣等方式，生成全新且有意義的各類數據。 目前， 較為常用的生成式模型包括變分自編碼器 （VAE） 、 生成對抗網絡 （GAN）以及能量模型（EBM）等。在計算機視覺領域，Nvidia 的 Progressive-GAN、NAVER的 StarGAN 以及商湯科技的 SCGAN 等模型，可以生成幾

43、乎能以假亂真的圖像或者視頻片段；在與自然語言理解以及語音合成技術結合后，甚至可以對圖像或者視頻數據自動地生成文本或者音頻描述。此外，通過分離圖片或者視頻中的內容與風格信息，可以將普通圖片變換成不同的藝術風格。在藥物研發領域，生成式模型可以針對特定的藥物靶點，生成大量候選的藥物分子結構，為新藥研發提供更廣闊的候選。 另一方面，高質量的生成式模型，也對現有的人臉識別等系統提出了新的挑戰（如何辨別真實的或者合成的人臉數據） ，合成數據倘若使用不當，甚至會帶來潛在的法律風險， 而這些也都是未來需要學術界和工業界共同探討和解決的問題。 （二）關于算法開發和部署的研究（二）關于算法開發和部署的研究 隨著深

44、度學習的發展， 越來越多的學者和公司希望研究和利用這個強大的工具。但是當前的開發和部署過程依然挑戰比較大。如何提升開發和部署的效率，深度學習框架逐漸發展起來，從而有效地解決了當前的開發和部署方面的問題。當前最流行的在云側部署的框架包括： 谷歌的 Tensorflow、 Facebook 的 Pytorch、華為的 MindSpore 和百度的 PaddlePaddle 等。 隨著端側算力的提升和用戶對隱私保護的強烈訴求，這些框架也在端側提供了推理甚至訓練的版本，當前發展比較成熟的有：谷歌的 TensorFlow Lite、騰訊的 NCNN 等。端側深度學習推理框架為端側場景的 AI 應用提供高

45、效輕量的推理能力，推動 AI 應用更廣泛的落地。 算法實現的過程和調優中需要大量的數據和計算支援支撐， 對于中小型企業來說依然挑戰巨大。如何助力這些中小企業的快速發展，這樣就應運而生了一系列的引擎產品，例如谷歌的 ML KIT，APPLE 的 CoreML 以及騰訊的 AI 開放平臺等都是通過將計算機視覺，自然語言處理等已經研發成熟的算法，在應用層直向開發者提供 API 進行調用， 這樣有效的推動了人工智能算法在行業中的應用和持續的創新。 （三）計算機視覺方向的前沿算法研究（三）計算機視覺方向的前沿算法研究 計算機視覺是使用計算機及相關設備對生物視覺的一種模擬， 是人工智能領域的一個重要部分。

46、從宏觀角度來說上說，計算機視覺這個學科是“賦予計算機authorized user : mouse0232第第二章二章 人工智能產業人工智能產業基礎要素基礎要素 12 自然視覺能力” ，目標是對真實環境的表達和理解。核心問題是研究如何對輸入的圖像信息進行組織，對物體和場景進行識別，進而對圖像內容給予解釋，使得計算機擁有類似于人類的那種對目標進行分割、分類、識別、跟蹤、判別決策的功能。 計算機視覺的應用領域主要包括對照片、視頻資料如航空照片、衛星照片、視頻片段等的解釋、精確制導、移動機器人視覺導航、醫學輔助診斷、工業機器人的手眼系統、 地圖繪制、 物體三維形狀分析與識別及智能人機接口等。 近年來

47、，基于生物特征（biometrics）的鑒別技術得到了廣泛重視，主要集中在對人臉、虹膜、指紋、聲音等特征上，這其中大多都與視覺信息有關。 在視覺算法的發展層面上， 缺乏帶有高質量標簽的樣本集合是長期困擾研究人員的問題，而無監督學習近年作為一種可能的解決方案受到了廣泛的關注。自然語言處理領域的大規模預訓練語言模型 （BERT） 已經證明了無監督學習在該領域的可行性與發展潛力，Transformer 體系結構也已開始從自然語言領域擴展至最相關的語音技術領域，但對于 Transformer 模型在視覺領域的應用仍然受到卷積網絡結構本身的限制。近期，由 Google Brain 團隊開發的最新視覺 T

48、ransformer模型 （ViT） 已經在突破這種限制的路上邁出了第一步。 通過基于大量數據的預訓練，該模型已經可以成功地遷移運營到多個中小型 CV 數據集上（如 ImageNet、CIFAR-100/VTAB 等）并取得了目前最優秀的 SOTA 表現。諸多數據表明，無監督學習有利于解決目前人工智能技術的主要瓶頸之一：數據不足問題。與其相關的少樣本學習、模仿學習、自監督學習以及對比學習等都有著無限可能性。 （四）關于語音方向的算法研究（四）關于語音方向的算法研究 人工智能在語音領域的應用，則更多是對聲波進行分析與合成。通過對聲波與自然語言之間的關系的學習，完成包括語音識別、語音合成、語音分離

49、、音頻降噪等多種任務。近幾年來，隨著神經網絡研究的不斷深入，語音相關的多個技術方向也有了新的進展，實現了新的任務能力。 在語音識別方向，包括 RNNT 和 LAS 系統的端到端建?？蚣艿玫搅嗽絹碓蕉嗟膽?， 簡化了原先的訓練流程， 并且可以應用更大粒度單元。 在模型結構方面，Transformer 模型中自注意力網絡結構得到了廣泛應用，并在此基礎上研發了可流式處理的操作機制。2019 年初，百度語音技術團隊公布在線語音領域全球首創的流式多級的截斷注意力模型 SMLTA（Streaming Multi-Layer Truncated Attention） ， 相對準確率提升 15%。 2021

50、年 10 月百度語音團隊對外重磅發布基于歷史信息抽象的流式截斷 conformer 建模技術SMLTA2。 基于這些新的算法突authorized user : mouse0232第第二章二章 人工智能產業人工智能產業基礎要素基礎要素 13 破，語音識別在針對口音方言、復雜噪聲、中英混合等困難條件下的識別準確率在逐年提升。 語音識別任務的一大技術關鍵是語音分離問題， 目標是在具有多重干擾尤其是人聲干擾的環境下，維持語音識別系統的魯棒性。近幾年來，隨著置換不變性訓練準則的提出，從頻域退化到時域使得神經網絡可以自動提取更有效的特征，為語音分離帶來了更好的性能。除此之外，通過引入如聲紋信息，視覺信息