1、authorized user : mouse0232 中国人工智能中国人工智能产业产业 知识产权白皮书知识产权白皮书 （2 20 02121） 分册分册一：一：产业专利分析产业专利分析白皮书白皮书 （A AIIAIIA- -AIP2101AIP2101） 中国人工智能产业发展联盟中国人工智能产业发展联盟（A AIIAIIA） 20202 21 1 年年 1 12 2 月月authorized user : mouse0232 V PREFACE 前言前言 自 2017 年国务院印发实施新一代人工智能发展规划以来，人工智能产业被上升为国家战略的高度，人工智能技术的基础研究、产业转化和传统行业应

2、用都取得了长足的进展。人工智能技术既有独特的自身产业属性，又具有明显的对其它产业赋能、促进实体经济发展的特征，因而应用范围和影响力极为广泛。它所涉及的知识产权问题也具有很强的时代性，尤其在近年实体经济融合和产业数字化转型的过程中，也产生了许多新的挑战。 自 2018 年起，由 AIIA 学术与知识产权工作组组织，在上海交通大学苏州人工智能研究院的牵头下，联合各会员单位、法学界、人工智能产业界、知识产权服务机构等在内的专业团队，分年度组建了人工智能产业知识产权研究课题组，对不断产生的新问题和挑战进行研究，并将研究成果以白皮书的形式发表出来。 2018 年课题组由 11 家单位组成， 发布 201

3、8 人工智能产业知识产权与数据白皮书 （以下简称“2018 白皮书” ） ，从基本法律概况（保护端） 、专利分析（创新端）和专利价值评估（运营端）三个具体角度，呈现了 AI 领域的知识产权现状， 并通过既有争议和案例的展示， 对数据相关权利的几个主要问题进行了梳理。2018 白皮书一经发布，就在社会各界引起了强烈反响。 在此基础上，2019 年更多单位主动参与，21 家单位协同工作，扩大研究范围，提供了更多详实的数据，完成人工智能产业知识产权白皮书 2019 （以下简称“2019 白皮书” ） ，形成了更为规范和完整的框架，即：以人工智能的定义和分类标准为开篇引领， 在共识的定义和标准下进行专

4、利检索以及基于检索事实的专利分析， 之后结合知识产权布局现状对人工智能企事业单位面临的知识产权实务问题进行了一定的分析和探讨。 在 2019 年白皮书初步形成的 “内涵定义-专利检索和分析-知识产权实务” 的结构框架下，2020 年课题组进一步扩大规模，50 余家单位参与进来，进行全面authorized user : mouse0232 VI 而细致的讨论和事实补充，形成了中国人工智能产业知识产权白皮书 2020（以下简称“2020 白皮书” ） 。2020 白皮书第一章和第二章从基础层、感知认知层、行业应用层、综合运用层 4 个层面 22 个子主题，展现当下人工智能全产业链的产业发展状况和

5、专利布局趋势； 第三章至第六章内容覆盖人工智能知识产权管理工作的主要环节知识产权创造、运用、保护、风险防控，成为人工智能领域知识产权相关实务工作的实操指南。 2021 年，仍有 50 家左右单位参与白皮书的制作。针对白皮书篇幅庞大的问题，课题组对知识产权白皮书形式进行了革新：根据主题的不同，将白皮书总体划分成三个分册和一个案例选编， 形成 中国人工智能产业知识产权白皮书 2021的分册一：产业专利分析白皮书 （简称“专利分析白皮书” ） 、 分册二：数据治理白皮书 （简称“数据治理白皮书” ） 、 分册三：知识产权管理白皮书 （简称“知识产权管理白皮书” ）和附录：知识产权优秀案例选编 （简称

6、“案例选编” ） ，其中： 专利分析白皮书重点在于人工智能基础层、 感知认知层和行业应用层上的技术和专利分析，展现人工智能在产业链上的发展状况和专利布局趋势，除了提供权威统计数据和分析结论外，还延续了 2019 年、2020 年白皮书的传统，即专利检索式、检索策略、数据来源等信息全部公开，充分体现了编纂作者的奉献精神与白皮书的公开透明。相较于往年，白皮书紧跟 AI 热点技术，在行业应用层中新增了智能媒体、智慧城建两个新型领域的专利分析； 数据治理白皮书聚焦于当前热点的人工智能数据治理话题， 介绍了全球人工智能数据相关政策、数据合规和安全风险及其应对措施，并提供了丰富的案例和解析，来力争让人工智

7、能从业者从中获得启发，指导实践工作，尽量避免触犯法律红线， 这也是课题组在历届白皮书中首次对人工智能数据治理这一主题进行系统地研究和介绍； 知识产权管理白皮书侧重于人工智能企事业单位对知识产权的高质量创造、保护、许可运营、开源、技术秘密等方面的管理，包括高价值专利培育、应对海外审查规则、标准必要专利及其许可、风险防控、专利商标技术秘密的保护、管理体系的高质量建设等方面的研究等，并提出相关的实务工作建议； 另外， 本白皮书还附有工作组征集的来自小米、 眼控科技、 中国移动、 商汤、authorized user : mouse0232 VII 快手、追一、同方威视等多个企业的、各具特色的知识产权

8、优秀案例，涉及人工智能企业知识产权制度体系建设、专利布局、专利侵权风险管理、企业知识产权管理服务、技术和专利的协同融合、专利资本化等多个领域，供联盟单位及社会各界同行进行学习和参考。 2021 年将以年度白皮书合集的方式发布各个白皮书分册和案例选编。我们希望 2021 年度白皮书合集有助于从业者和决策者清晰并精准了解人工智能领域的知识产权发展现状和未来趋势，以及其中的风险和应对措施，并以此制定专业合理的知识产权工作策略、管理体系与框架，共同推动人工智能领域技术的发展与运用。 白皮书仍难免有疏漏和不当之处，望业界专家学者批评指正。我们同样欢迎业界各单位提出建议，我们将积极听取各方意见，并在后续系

9、列报告中进行修改完善。 中国人工智能产业发展联盟 学术与知识产权工作组 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 人工智能的定义及边界界定 . 1 1.1.1 人工智能的定义 . 1 1.1.2 人工智能的边界界定 . 3 1.2 人工智能的分类 . 4 1.2.1 人工智能的行业分类 . 4 1.2.2 人工智能的产品分类 . 7 第二章第二章 人工智能产业基础要素人工智能产业基础要素 . 1010 2.1 算法 . 10 2.1.1 定义 . 10 2.1.2 行业态势 . 10 2.1.3 小结 . 16

10、 2.2 算力 . 16 2.2.1 定义 . 16 2.2.2 行业态势 . 17 2.2.3 小结 . 23 2.3 数据 . 23 2.3.1 定义 . 23 2.3.2 行业态势 . 24 2.3.3 小结 . 32 第三章第三章 人工智能感知认知专利分析人工智能感知认知专利分析 . 3 33 3 3.1 计算机视觉 . 33 authorized user : mouse0232 IX 3.1.1 定义 . 33 3.1.2 行业态势 . 33 3.1.3 专利态势 . 42 3.1.4 小结 . 51 3.2 语音识别 . 52 3.2.1 定义 . 52 3.2.2 行业态势 .

11、 52 3.2.3 专利态势 . 54 3.2.4 小结 . 59 3.3 自然语言处理 . 60 3.3.1 定义 . 60 3.3.2 行业态势 . 60 3.3.3 专利态势 . 64 3.3.4 小结 . 69 第四章第四章 人工智能行业应用专利分析人工智能行业应用专利分析 . 7070 4.1 智能家居 . 70 4.1.1 定义 . 70 4.1.2 行业态势 . 70 4.1.3 专利态势 . 73 4.1.4 小结 . 85 4.2 智慧医疗 . 86 4.2.1 定义 . 86 4.2.2 行业态势 . 86 4.2.3 专利态势 . 89 4.2.4 小结 . 95 4.3

12、 智慧防疫 . 95 4.3.1 定义 . 95 4.3.2 行业态势 . 95 authorized user : mouse0232 X 4.3.3 专利态势 . 101 4.3.4 小结 . 108 4.4 智慧建筑 . 109 4.4.1 定义 . 109 4.4.2 行业态势 . 110 4.4.3 专利态势 . 112 4.4.4 小结 . 117 4.5 智慧交通 . 117 4.5.1 定义 . 117 4.5.2 行业态势 . 118 4.5.3 专利态势 . 122 4.5.4 小结 . 127 4.6 智能制造 . 127 4.6.1 定义 . 128 4.6.2 行业态

13、势 . 128 4.6.3 专利态势 . 131 4.6.4 小结 . 137 4.7 网络智能 . 138 4.7.1 定义 . 138 4.7.2 行业态势 . 138 4.7.3 专利态势 . 139 4.7.4 小结 . 144 4.8 智能客服 . 144 4.8.1 定义 . 145 4.8.2 行业态势 . 145 4.8.3 专利态势 . 146 4.8.4 小结 . 154 4.9 智能车. 154 authorized user : mouse0232 XI 4.9.1 定义 . 155 4.9.2 行业态势 . 155 4.9.3 专利态势 . 160 4.9.4 小结

14、. 166 4.10 智能媒体. 168 4.10.1 定义 . 168 4.10.2 行业态势 . 168 4.10.3 专利态势 . 172 4.10.4 小结 . 179 4.11 智慧城建. 180 4.11.1 定义 . 180 4.11.2 行业态势 . 180 4.11.3 专利态势 . 185 4.11.4 小结 . 189 版权与免责声明版权与免责声明 . 191191 致致 谢谢 . 192192 机构简介机构简介 . 193193 联系方式联系方式 . 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义及边界界定定义及边界界定 执笔及素材提供单位：南京理工大学 作为一项引领未来的战略技术，人工智能在增强国家、地区或企事业核心竞争力方面具有基础性和支撑性作用，是世界各国、地区以及企事业单位正在抢占的技术制高点。当前，由人工智能引领的新一轮科技革命和产业变革方兴未艾，政、产、学、研、用等各界均对人工智能产生了浓厚的兴趣，各类“人工智能+”或“+人工智能”技术与应用层出不穷。明确人工智能的定义及其边界，对于理解人工智能的内涵、 明晰人工智能外延和促进我国人工智能技术蓬勃发展具有重要意义。 1.1.1 人工智能人工智能的的定义定义 人工智能并

16、非诞生于现代。事实上，它的起源可以追溯到古希腊时期甚至更早，始于人类膜拜神灵的古老愿望。在希腊神话中，赫菲斯托斯是赫拉和宙斯的儿子，他出生时身体虚弱，在被抛到了奥林匹斯山上后，被爱琴海岛屿利姆诺斯岛人所救，长大后的赫菲斯托斯制造了一个魔法宝座。该宝座具有现代人工智能的特征： 为助人们实现某个目标， 能够根据情况提前编程并以不同方式作出响应。 亚里士多德（公元前 384 年-322 年）是精确制定规则的第一人，他开发的非正式三段论，在原则上允许人们能够在给定的初始前提下机械地得出结论。 现代人工智能的种子是最初由古典哲学家种下， 他们试图将人类思维过程描述为机械符号并操纵。这种思想一定程度促进了

17、 20 世纪 40 年代可编程数字计算机的发明，并激发了后续讨论建立电子大脑的可能性。经过多年的发展，人工智能已经发展成为一门覆盖领域十分广泛且极富挑战性的技术科学， 也正因如此，人工智能的定义到现在依旧是百家争鸣， 但其核心思想却始终如一像人类一样思考的机器。 人工智能最早是由麻省理工学院的 John McCarthy 在 1956 年达特茅斯会议上提出的， McCarthy 将其定义为： 人工智能就是让机器的行为看起来像是人所表现出的智能行为一样（McCarthy 1956） 。图灵奖得主 Edward Feigenbaum 把人工智能定义为： 人工智能属于计算机科学的一个分支， 旨在设计

18、智能的计算机系统，authorized user : mouse0232第一章第一章 人工智能概述人工智能概述 2 即对照人类在自然语言理解、学习、推理、问题求解等方面的智能行为，人工智能所设计的系统应呈现出与人类行为类似的特征（Feigenbaum et al. 1981） 。玛格丽特博登在人工智能哲学一书中就目前四种最为流行的人工智能定义进行了归类和辨析，分别为： （1）人工智能就是让计算机去做人类需要运用智能才能做的事； （2）研究怎样制造计算机，并为其编程，使其能做心灵所能做的那些事情； （3）人工智能是计算机的发展，而计算机的外在性能具有我们认为是属于人类心理过程的那些特征； （4）

19、人工智能是一种一般性的智能科学，是认知科学的智力内核，它的目标是提供一个系统的理论，既可解释意向性，也可以解释以此为基础的各种心理能力。其中，玛格丽特认为前三种定义各自有其偏颇和缺陷，只是对技术的表层功能进行了阐释，没有上升到理论和哲学的高度，而第四种定义则能够从心理认知的角度进行阐释。 我国学者在人工智能的定义上也是各引一端。中国科学院院士、清华大学人工智能研究院院长张钹认为人工智能是利用机器去模仿人的智能行为， 这些智能行为包括推理、决策、规划、感知和运动。中国科学院院士、中科院自动化所研究员谭铁牛认为人工智能是一门以探寻智能本质、 研制具有类人智能的智能机器为目的，以模拟、延伸和扩展人类

20、智能的理论、方法、技术及应用系统为内容，以会看、会说、会行动、会思考、会学习为表现形式的学科（谭铁牛，2018） 。中国通信学会将人工智能定义为：研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，将其视为计算机科学的一个分支，指出其研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等（张 et al. 2018） 。 人工智能标准化白皮书 2018中认为人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统（Cesi，2018） 。 目前，为人工智能进行普适性定义

21、比较困难，且从时间的维度来看，人工智能的内涵仍在不断丰富和发展，涵盖的领域也越来越多。正如前美国麻省理工学院人工智能实验室主任 Patrick Winston 所述， 当前给出一个一般性的人工智能定义似乎是不可能的， 因为智能似乎是一个包含着许多信息处理和信息表达技能的混合体（Winston and Shellard，1990） 。目前，学界的共识多为“让计算机为人类做各种各样的事情”且“人工智能是建立在现代算法基础上，以历史数据为支撑而形成的具有感知、推理、学习、决策等思维活动并能够按照一定目标完成相应行为的计算机系统” 。 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 人工智能的边界界定人工智能的边界界定 虽然人工智能的概念存在诸多争论，但是有两个核心准则可以作为参考：一是人工智能的中心目标是建立那些使智能的实现成为可能的原理； 二是实现人工智能的途径必然离不开感知、交流、学习、推理以及在复杂环境中进行决策等智能行为的实现。 即使人工智能的边界再广， 也基本上不会超出上述两个界定标准。一般来说，不具备这两个核心准则的理论、方法、技术和系统，不能够称作人工智能。 人工智能是一项综合性的现代化技术，基于大数据算法，其具备了心理学、语言学、行为学以及计算机科学等内容，是当前计算机科学发展的产物。迄今为止， 人工智能的智能

23、化表现主要为模仿人类左半脑的理性思维模式，而很难具备右半脑的感性思维。普罗泰戈拉在论真理中提到“人是万物的尺度” 。人与人之间，尤其是至亲、挚友之间，经过长时间的磨合与沟通，哪怕是一个眼神、一个动作都能够理解到对方的意图。对于机器人来说，却很难懂得“相顾无言，唯有泪千行”背后的感动与不舍（青岛日报，2020） 。现阶段，根据人工智能是否能真正实现推理、思考和解决问题等智能行为，可以将人工智能分为弱人工智能和强人工智能。 弱人工智能是指专门设计用于专注于特定任务， 不能真正实现推理和解决问题的智能机器（Techopedia，2019） 。这些机器表面看像是智能的，但是并不具备任何认知功能，也不会

24、有自主意识。弱人工智能的一个很好的例子是 Apple 的语音助手 Siri，它拥有互联网作为强大的数据库，能够与真实的人进行简单对话，但是却不能像人类智能那样不断适应复杂的语义环境。迄今为止，人工智能的主流研究仍然集中于弱人工智能，并取得了显著进步，如在语音识别、图像分类和物体分割、机器翻译等方面取得了重大突破，接近甚至超越人类水平。 强人工智能是指真正能思维的智能机器， 它具有理解或学习人类可以执行的任何智力任务的能力，也是人工智能研究的主要目标（Yampolskiy，2013） 。强人工智能不仅在哲学上存在巨大争论（涉及到思维与意识等根本问题的讨论） ，在技术上也存在极大挑战性，学术界对实

25、现强人工智能的时间结点尚未形成共识（Goertzel，2007；Goertzel and Pennachin，2007） 。尽管强人工智能非常复杂，我国仍然有一些顶尖研究机构仍在强人工智能领域持续探索。 正如中国科学院自动化研究徐波研究员所说，当前人工智能发展仍处于初期阶段，基础理论面临瓶颈， 我国只有高度重视基础研究，才有可能在人工智能马拉松式的国际竞争中始终占据有利位置（新华社，2019） 。 authorized user : mouse0232第一章第一章 人工智能概述人工智能概述 4 总而言之，人工智能的边界由其学科特点所决定的，界定一个系统是否是人工智能应当首先判断其是否以人工智能

26、学科的基本思想和内容作为出发点， 即是否是围绕智能活动而构造的人工系统，其次判断该系统实现途径是否以感知、交流、学习、推理以及在复杂环境中进行决策等智能行为为基础。 1.2 人工智能的分类人工智能的分类 执笔单位：乐知新创（北京）咨询服务有限公司 素材提供单位： 山东优化信息科技有限公司 星际空间（天津）科技发展有限公司 1.2.1 人工智能的行业分类人工智能的行业分类 人工智能已经渗透进我们生活的角角落落。近年来，人工智能已经被提升到国家战略高度，在“新基建”背景下，人工智能为智能经济的发展和产业数字化转型提供底层支撑， 推动人工智能与 5G、云计算、大数据、物联网等领域深度融合，由此衍生出

27、更多的应用场景，尤其是 2020 年全球疫情爆发，更加速人工智能与数字经济融合的进程。 综合人工智能与各行业融合应用情况， 我们将人工智能行业划分为智能制造、智慧教育、 智慧金融、 智慧农业以及智能家居、 智慧物流、 智慧交通、 智慧医疗、智能媒体、智能防疫应用等十六个一级行业分支，以及每个行业分支衍生的二级行业分支，图 1.2.1 示出了一级行业分支和二级行业分支的简图。 该分支简图是基于中国人工智能产业知识产权白皮书（2020） 报告中的行业分类图来进行修改的。相较中国人工智能产业知识产权白皮书（2020） ，本白皮书报告中，人工智能行业分类的变化在于：新增了智能媒体这个全新的领域；将智慧

28、建筑和智慧城建进行了分离界定，分别覆盖不同的领域；另外，鉴于疫情防控的常态化以及人工智能技术在疫情防控上的广泛应用， 智能防疫已经逐渐成为一个较为成熟的行业，因此将智能防疫独立出来。详情如下： authorized user : mouse0232第一章第一章 人工智能概述人工智能概述 5 图 1.2.1 人工智能的行业分类示意图 authorized user : mouse0232第一章第一章 人工智能概述人工智能概述 6 【智能媒体】 智能媒体是指在数字多媒体的基础上， 通过结合人工智能软硬件技术从而实现用户对于媒体信息的高效和智能获取。 随着互联网与传统媒体的融合走向深化，传媒产业已经

29、成为中国数字经济的重要组成部分。当前我国智能媒体生态中，新型主流媒体和头部互联网商业平台是最重要的两股力量。疫情时期，智能媒体快速发展，领先的智能媒体开始向其它垂直行业渗透拓展。 【智慧建筑】 智慧建筑是指运用现代计算机技术、自动控制技术、通信技术、多媒体技术和现代建筑艺术相结合，通过对机电设备的自动控制、对信息资源的管理，向用户提供信息服务及安全、舒适、便利的环境服务，适合当今信息技术高速发展的需求特点的现代化建筑。智慧建筑主要是针对建筑行业、基建建设等方面，其前身为智慧工地、BIM 管理、劳务实名制管理等功能。 【智慧城建】 智慧城建是在数字城市建设基础上，由信息化、数字化向网络化和智慧化

30、发展的新趋势。在新时期的城市发展中形成以互联网、物联网、电信网、广电网、无线宽带网等网络组合为基础，以智慧技术高度集成、智慧产业高端发展、智慧服务高效便民为主要特征的新模式，基于技术支撑而进行相应的体制、结构或者是管理模式的变革，是国际国内发展形势发展的新要求。 【智能防疫应用】 智能防疫应用即利用人工智能技术协助疫情防控过程中的各项事务， 如利用无人机配送防疫物资、无人机巡检广播、智能机器人进行药品物资配送和环境卫生清洁、人工智能语音机器人进行居民健康情况调查、公共场所利用 AI 智能测温、 AI 医疗机器人进行辅助诊疗等。 总体来说， 智能防疫应用可以分为三个部分，分别为智能信息采集系统、

31、防疫机器人、防疫数字平台。 全球疫情爆发加速人工智能对各行业的渗透， 大量人工智能技术投入实际应用，人工智能对各行业“赋能”作用凸显，尤其是在疫情防控过程中，人工智能技术已经成为了赢得防疫攻坚战的重要保障。在疫情防控常态化时期，智能防疫应用是人工智能产业落地应用的重要研发方向，其中， 智能防疫机器人的应用广泛，并渗透到社会经济生活的方方面面。在中国大力发展新基建的背景下，智能防疫机器人作为新基建的新载体，融合 5G、人工智能、大数据中心、物联网、工业互联网等高科技核心技术，通过“无接触服务” ，能够代替人类工作，如远程医疗机器人、送货机器人、消毒机器人和巡逻无人机都为医疗救治和疫情防控提供了辅

32、助作用，减少了人员近距接触带来的感染风险，保护了人们的安全，既authorized user : mouse0232第一章第一章 人工智能概述人工智能概述 7 节省了人力又提高了效率。智能防疫机器人在安全性、稳定性及效率上均具备很大优势，能够补强疫情管控的技术短板，在医院、企业复工复产、学校复学和城市管理恢复中发挥了重要作用。 1.2.2 人工智能的产品分类人工智能的产品分类 人工智能技术日益成熟，应用领域不断扩大，作为人类智慧的载体，人工智能的产品分类也不断丰富。根据人工智能技术落地产品形态、功能、场景角度，将人工智能产品划分为智能安防设备、智能终端、智能运载工具、智能家电、智能医疗设备、A

33、I 芯片、智能媒体管理平台、智能防疫平台等十五个产品类别。下图中示出 AI 产品分类简图。 图 1.2.2 人工智能的产品分类示意图 相较中国人工智能产业知识产权白皮书（2020） 报告，本白皮书人工智能产品分类新增智能媒体管理平台和智能防疫平台。 【智能媒体管理平台】 随着我国媒体融合向纵深发展，越来越多的媒体机构开始有计划、有步骤地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、大数据、云计算等先进技术。2020 年全球深受新冠肺炎疫情影响，全球政治、经济、社会、科技格局加速演变，多数传媒机构已启动了智能媒体项目，催化了“智媒

34、行业”发展，推动文旅、会展、政务等成为智媒赋能垂直行业、拓展传媒生态版图的试验田。 新媒体产生的前提和传播内容、方式的革新是基于传播技术的革命性变化，所以媒体融合也必须紧紧抓住技术和平台这个关键，在这样的前提下，用互联网思维进行内容生产和组织管理。通过技术手段，智能媒体管理平台可以对汇聚于平台的初生舆情进行挖掘整合，对舆情走向的整体掌握和基本判断，也可以进行精准研判，从而形成主流的舆论并通过平台传播。 【智能防疫平台】 智能防控平台充分利用互联网、大数据、人工智能等技术，结合基层公共卫生服务和基层医疗，建立基层医疗机构和辖区居民的虚拟通道，使基层防疫工作常态化、连续化，从疫情发展趋势、疫情新增

35、趋势、网格数据填报采集数量、排摸渠道统计等几个方面进行数据分析展示，有效支撑疫情防疫“防控治管”新机制，全面提升区域疫情防控效率、基层综合抗冠防治能力及居民自我防疫意识。 除此之外，近年来，人工智能也新发展出来一些其他的热点技术和相关衍生产品，值得引起关注，例如智慧土地、指静脉识别等。 “智慧土地”是利用新一代信息技术来感知、监测、整合、分析土地资源状态、演变过程和人类对土地资源开发、利用和保护过程中形成的各种人地关系，并据此对土地系统运行状态和过程作出迅速、灵活、准确的预警、调控和决策反应，融合“人本”与“技术”智慧以实现土地资源治理能力提升，构建高效、协调、可持续的土地资源系统。我国用全球

36、 7%的耕地承载着近 20%的人口，近年来，随着工业化、城镇化的快速推进，土地资源长期面临高强度、高风险利用，为了保障粮食安全、耕地安全、生态安全以及人民健康，需要构建高效、协调和可持续的国土空间开发格局。因此，需要精准化、动态监管每一块土地资源开发利用与保护全过程，传统的土地资源管理模式面临着挑战。北斗卫星导航系统是中国正在建设的拥有自主知识产权的卫星导航系统。 它可以在全球范围内全天候、全天时为各类用户提供高精度、高可靠定位、导航、授时服务，并兼具短报文通信能力。在运用北斗卫星导航系统进行地籍控制测量时不需要通视， 有效避免了常规地籍控制工作中点位选取不利等诸多弊端。 基于北斗的智能土地及

37、环境在线监察技术和产品是以通信铁塔、 光纤传输为依托， 利用北斗地基增强系统， 结合多源数据， 为土地、 环境监测提供技术手段，最终实现多源数据处理、智能化的土地和环境在线监察的功能。将北斗卫星导航authorized user : mouse0232第一章第一章 人工智能概述人工智能概述 9 系统应用在土地监测中，会使监测速度和精度大大提高， 克服传统监测方法的种种弊端，适应各种复杂的变更情况，真正地实现了动态监测的实时性、数值化，确保土地利用现状调查的时效性。 指静脉识别技术相关产品是通过指静脉采集仪取得个人手指静脉分布图， 依据先进的滤波、图像二值化、细化手段对数字图像专用比对算法提取特

38、征值，采用复杂的匹配算法与存贮在计算机系统中的特征值模板数据库进行匹配， 从而实现个人身份鉴定的精准活体识别技术产品。 指静脉图像的获取原理是通过近红外光线照射手指静脉血管时， 血液中的活体红血球蛋白吸收近红外光后形成手指静脉暗影图像，用 CCD 专用摄像头采集获得，可以确保拍摄到高对比度的手指静脉影像，而不受皮肤表面的褶皱、纹理、粗糙度、干湿度等任何缺陷和瑕疵的影响。指静脉隐蔽于人的手指中，一般在 6 岁以后基本成型，终身不变，两个人静脉结构相同的概率是 34 亿分之一，正如“世上没有两片完全相同的树叶” ，指静脉识别技术具有不变性、唯一性、不被遗忘、不易被盗的特点，成为了世上独一无二的天然

39、生物活体识别技术。 当前指静脉识别技术相关产品已经被应用在安防、金融、智能家居、智慧社区、社保医疗、高考教育、政府机构等多个领域。随着云计算、物联网、人工智能、大数据等前沿技术的持续发展，生物识别技术融合应用的技术不断成熟，站在人工智能前沿的指静脉识别技术应用范围不断拓宽，将为各行业提供更安全、更便利的服务，助力社会的数字化发展。 authorized user : mouse0232第第二章二章 人工智能产业人工智能产业基础要素基础要素 10 第二章 人工智能产业人工智能产业基础基础要素要素 2.1 算法算法 执笔单位：腾讯科技（深圳）有限公司 素材提供单位：百度在线网络技术（北京）有限公司

40、 2.1.1 定义定义 人工智能算法从基础理论上，可以分为传统机器学习算法和深度学习算法。传统机器学习算法包括：线性回归、逻辑回归、支持向量机等，至今仍然广泛使用在推荐和决策场景等。 深度学习是当前应用最广泛的算法，在应用于序列任务（如自然语言处理领域）时，多采用基于 Recurrent Neural Network（RNN） 、Transformer 等网络结构对数据进行特征处理；在应用于平面结构任务（如计算机视觉领域）时，多采用基于 Convolutional Neural Network（CNN）的网络结构对数据进行特征处理。 在现实世界中更多的数据表示并不是序列或者平面这种简单的排列，

41、 而是更为复杂的图结构，如社交网络、分子结构等等，由此诞生了图神经网络 Graph Neural Network（GNN） 。GNN 在社交网络、知识图、推荐系统甚至生命科学等各个领域得到了越来越广泛的应用。 2.1.2 行业态势行业态势 2.1.2.1 发展现状与趋势发展现状与趋势 人工智能发展的关键要素包括：算法、数据和算法。算法不是物理世界中真实存在的，而是数字世界中解决现实问题的一个模型抽象。近年来，深度学习算法在具体落地和应用时，产生了越来越多的解决方案，人工智能产业得到了飞速的发展。 （一）关于数据生成问题的算法研究（一）关于数据生成问题的算法研究 随着深度学习技术的不断进步， 其

42、应用范围已经从已有数据中学习内在联系，拓展到了基于生成式模型来产生新数据，包括图像、视频、语音、文本等。通过对现有数据的特性进行挖掘，可以使得模型学习到数据背后的概率分布信息，并authorized user : mouse0232第第二章二章 人工智能产业人工智能产业基础要素基础要素 11 据此通过采样等方式，生成全新且有意义的各类数据。 目前， 较为常用的生成式模型包括变分自编码器 （VAE） 、 生成对抗网络 （GAN）以及能量模型（EBM）等。在计算机视觉领域，Nvidia 的 Progressive-GAN、NAVER的 StarGAN 以及商汤科技的 SCGAN 等模型，可以生成几

43、乎能以假乱真的图像或者视频片段；在与自然语言理解以及语音合成技术结合后，甚至可以对图像或者视频数据自动地生成文本或者音频描述。此外，通过分离图片或者视频中的内容与风格信息，可以将普通图片变换成不同的艺术风格。在药物研发领域，生成式模型可以针对特定的药物靶点，生成大量候选的药物分子结构，为新药研发提供更广阔的候选。 另一方面，高质量的生成式模型，也对现有的人脸识别等系统提出了新的挑战（如何辨别真实的或者合成的人脸数据） ，合成数据倘若使用不当，甚至会带来潜在的法律风险， 而这些也都是未来需要学术界和工业界共同探讨和解决的问题。 （二）关于算法开发和部署的研究（二）关于算法开发和部署的研究 随着深

44、度学习的发展， 越来越多的学者和公司希望研究和利用这个强大的工具。但是当前的开发和部署过程依然挑战比较大。如何提升开发和部署的效率，深度学习框架逐渐发展起来，从而有效地解决了当前的开发和部署方面的问题。当前最流行的在云侧部署的框架包括： 谷歌的 Tensorflow、 Facebook 的 Pytorch、华为的 MindSpore 和百度的 PaddlePaddle 等。 随着端侧算力的提升和用户对隐私保护的强烈诉求，这些框架也在端侧提供了推理甚至训练的版本，当前发展比较成熟的有：谷歌的 TensorFlow Lite、腾讯的 NCNN 等。端侧深度学习推理框架为端侧场景的 AI 应用提供高

45、效轻量的推理能力，推动 AI 应用更广泛的落地。 算法实现的过程和调优中需要大量的数据和计算支援支撑， 对于中小型企业来说依然挑战巨大。如何助力这些中小企业的快速发展，这样就应运而生了一系列的引擎产品，例如谷歌的 ML KIT，APPLE 的 CoreML 以及腾讯的 AI 开放平台等都是通过将计算机视觉，自然语言处理等已经研发成熟的算法，在应用层直向开发者提供 API 进行调用， 这样有效的推动了人工智能算法在行业中的应用和持续的创新。 （三）计算机视觉方向的前沿算法研究（三）计算机视觉方向的前沿算法研究 计算机视觉是使用计算机及相关设备对生物视觉的一种模拟， 是人工智能领域的一个重要部分。

46、从宏观角度来说上说，计算机视觉这个学科是“赋予计算机authorized user : mouse0232第第二章二章 人工智能产业人工智能产业基础要素基础要素 12 自然视觉能力” ，目标是对真实环境的表达和理解。核心问题是研究如何对输入的图像信息进行组织，对物体和场景进行识别，进而对图像内容给予解释，使得计算机拥有类似于人类的那种对目标进行分割、分类、识别、跟踪、判别决策的功能。 计算机视觉的应用领域主要包括对照片、视频资料如航空照片、卫星照片、视频片段等的解释、精确制导、移动机器人视觉导航、医学辅助诊断、工业机器人的手眼系统、 地图绘制、 物体三维形状分析与识别及智能人机接口等。 近年来

47、，基于生物特征（biometrics）的鉴别技术得到了广泛重视，主要集中在对人脸、虹膜、指纹、声音等特征上，这其中大多都与视觉信息有关。 在视觉算法的发展层面上， 缺乏带有高质量标签的样本集合是长期困扰研究人员的问题，而无监督学习近年作为一种可能的解决方案受到了广泛的关注。自然语言处理领域的大规模预训练语言模型 （BERT） 已经证明了无监督学习在该领域的可行性与发展潜力，Transformer 体系结构也已开始从自然语言领域扩展至最相关的语音技术领域，但对于 Transformer 模型在视觉领域的应用仍然受到卷积网络结构本身的限制。近期，由 Google Brain 团队开发的最新视觉 T

48、ransformer模型 （ViT） 已经在突破这种限制的路上迈出了第一步。 通过基于大量数据的预训练，该模型已经可以成功地迁移运营到多个中小型 CV 数据集上（如 ImageNet、CIFAR-100/VTAB 等）并取得了目前最优秀的 SOTA 表现。诸多数据表明，无监督学习有利于解决目前人工智能技术的主要瓶颈之一：数据不足问题。与其相关的少样本学习、模仿学习、自监督学习以及对比学习等都有着无限可能性。 （四）关于语音方向的算法研究（四）关于语音方向的算法研究 人工智能在语音领域的应用，则更多是对声波进行分析与合成。通过对声波与自然语言之间的关系的学习，完成包括语音识别、语音合成、语音分离

49、、音频降噪等多种任务。近几年来，随着神经网络研究的不断深入，语音相关的多个技术方向也有了新的进展，实现了新的任务能力。 在语音识别方向，包括 RNNT 和 LAS 系统的端到端建模框架得到了越来越多的应用， 简化了原先的训练流程， 并且可以应用更大粒度单元。 在模型结构方面，Transformer 模型中自注意力网络结构得到了广泛应用，并在此基础上研发了可流式处理的操作机制。2019 年初，百度语音技术团队公布在线语音领域全球首创的流式多级的截断注意力模型 SMLTA（Streaming Multi-Layer Truncated Attention） ， 相对准确率提升 15%。 2021

50、年 10 月百度语音团队对外重磅发布基于历史信息抽象的流式截断 conformer 建模技术SMLTA2。 基于这些新的算法突authorized user : mouse0232第第二章二章 人工智能产业人工智能产业基础要素基础要素 13 破，语音识别在针对口音方言、复杂噪声、中英混合等困难条件下的识别准确率在逐年提升。 语音识别任务的一大技术关键是语音分离问题， 目标是在具有多重干扰尤其是人声干扰的环境下，维持语音识别系统的鲁棒性。近几年来，随着置换不变性训练准则的提出，从频域退化到时域使得神经网络可以自动提取更有效的特征，为语音分离带来了更好的性能。除此之外，通过引入如声纹信息，视觉信息