在2018世界機器人大會17日的主論壇上，中國電子學會發布《新一代人工智慧領域十大最具成長性技術展望（2018-2019年）》。

當前，全球正在經歷科技和產業高度耦合、深度迭加的新一輪變革，大資料的形成、理論演算法的革新、計算能力的提升及網路設施的演進驅動人工智慧進入新一輪創新發展高峰期，新技術持續獲得突破性進展，呈現出深度學習、跨界融合、人機協同、群智開放、自主操控等以應用為導向的新特徵。加強新一代人工智慧技術的前瞻預判，準確把握全球技術創新動態及發展趨勢，將為行業健康發展、資金有序進入、政策規劃出臺、新興市場開拓等提供具備決策參考價值和實踐指導意義的智力支撐。

圍繞於此，中國電子學會依據國家出臺的《新一代人工智慧發展規劃》、《促進新一代人工智慧產業發展三年行動計劃（2018-2020年）》等一系列政策規劃，調研走訪了一批在新一代人工智慧技術及產業方面具備領先水平和特色的龍頭企業，組織拜訪了來自於知名高校、研究機構的人工智慧相關領域專家學者，系統梳理了權威智庫和知名戰略諮詢公司的最新報告，遴選了十項最具特色的成長性技術，得出以下結論：

一、對抗性神經網路。是指由一個不斷產生資料的神經網路模組與一個持續判別所產生資料是否真實的神經網路模組組成的神經網路架構，創造出近似真實的原創影像、聲音和文字資料的技術。該技術有望大幅提升機器翻譯、人臉識別、資訊檢索的精度和準確性，隨著三維模型資料序列能力的提升，未來將在自動駕駛、安防監控等領域產生可觀的應用價值。

圖1對抗性神經網路中產生資料與判別資料持續進行

資料來源：《麻省理工科技評論》

二、膠囊網路。是指在深度神經網路中構建多層神經元模組，用以發現並儲存物體詳細空間位置和姿態等資訊的技術。該技術能使機器在樣本資料較少情形下，快速識別不同情境下的同一物件，在人臉識別、影像識別、字元識別等領域具有廣闊的應用前景。

圖2膠囊網路演算法可以從不同角度識別同一物體

資料來源：International Conference on Learning Representations，

《Matrixcapsules with EM routing》

三、雲端人工智慧。是指將雲端計算的運作模式與人工智慧深度融合，在雲端集中使用和共享機器學習工具的技術。該技術將龐大的人工智慧執行成本轉移到雲平臺，能夠有效降低終端裝置使用人工智慧技術的門檻，有利於擴大使用者群體，未來將廣泛應用於醫療、製造、能源、教育等多個行業和領域。

圖3推出人工智慧服務的主要雲端計算公司

資料來源：中國電子學會整理

四、深度強化學習。是指將深度神經網路和具有決策能力的強化學習相結合，通過端到端學習的方式實現感知、決策或感知決策一體化的技術。該技術具有無需先驗知識、網路結構複雜性降低、硬體資源需求少等特點，能夠顯著提升機器智慧適應複雜環境的效率和健壯性，將在智慧製造、智慧醫療、智慧教育、智慧駕駛等領域具有廣闊發展前景。

圖4深度強化學習具有良好的結構特點

五、智慧腦機互動。是指通過在人腦神經與具有高生物相容性的外部裝置間建立直接連線通路，實現神經系統和外部裝置間資訊互動與功能整合的技術。該技術採用人工智慧控制的腦機介面對人類大腦的工作狀態進行準確分析，達到促進腦機智慧融合的效果，使人類溝通交流的方式更為多元和高效，未來將廣泛應用於臨床康復、自動駕駛、航空航天等多個領域。

圖5智慧腦機互動使人類溝通交流高效化

六、對話式人工智慧平臺。是指融合語音識別、語義理解、自然語言處理、語音合成等多種解決方案，為開發者提供具備識別、理解及反饋能力的開放式平臺的技術。該技術能夠實現機器與人在對話服務場景中的自然互動，未來有望在智慧可穿戴裝置、智慧家居、智慧車載等多個領域得到大規模應用。

圖6對話式人工智慧平臺結構

資料來源：IDC，中國電子學會整理

七、情感智慧。是指利用人工智慧手段模擬表情、語氣、情感等類人化情緒響應，以打造具有情緒屬性的虛擬形象的技術。該技術可賦予機器裝置更好的對人類情感的識別、理解和引導能力，為使用者帶來更具效率和人性化的互動體驗，未來將在智慧機器人、智慧虛擬助手等領域得到更為頻繁和深入的應用。

圖7情感智慧技術將模擬人的情緒

資料來源：《人類神經科學前沿》

八、神經形態計算。是指模擬生物大腦神經系統，在晶片上模擬生物神經元、突觸的功能及其網路組織方式，賦予機器感知和學習能力的技術。該技術的目標在於使機器具備類似生物大腦的低功耗、高效率、高容錯等特性，將在智慧駕駛、智慧安防、智慧搜尋等領域具有廣闊應用前景。

圖8神經形態計算的結構

資料來源：中國電子學會整理

九、元學習。是指將神經網路與人類注意機制相結合，構建通用演算法模型使機器智慧具備快速自主學習能力的技術。該技術能夠使機器智慧真正實現自主程式設計，顯著提升現有演算法模型的效率與準確性，未來的進一步應用將成為促使人工智慧從專用階段邁向通用階段的關鍵。

圖9元學習實現快速自主學習

資料來源：arXiv.org，《MatchingNetworks for One Shot Learning》

十、量子神經網路。是指採用量子器件搭建神經網路，優化神經網路結構和效能的技術。該技術充分利用了量子計算超高速、超並行、指數級容量的特點，有效縮短了神經網路的訓練時間，未來將在人臉識別、影像識別、字元識別等領域具有重要應用價值和廣闊前景。

圖10量子神經網路結構示意圖

資料來源：聯合量子研究院（JQI）