中國電子學會 17 日在北京舉行的 2018 世界機器人大會上發布《新一代人工智能領域十大最具成長性技術展望 (2018-2019 年)》，對抗性神經網絡、膠囊網絡、情感智能、神經形態計算、量子神經網絡等入選。

在2018世界機器人大會17日的主論壇上，中國電子學會發布《新一代人工智能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，大數據的形成、理論算法的革新、計算能力的提升及網絡設施的演進驅動人工智能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征。加強新一代人工智能技術的前瞻預判，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。

圍繞于此，中國電子學會依據國家出臺的《新一代人工智能發展規劃》、《促進新一代人工智能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能技術及產業方面具備領先水平和特色的龍頭企業，組織拜訪了來自于知名高校、研究機構的人工智能相關領域專家學者，系統梳理了權威智庫和知名戰略咨詢公司的最新報告，遴選了十項最具特色的成長性技術，得出以下結論：

一、對抗性神經網絡。是指由一個不斷產生數據的神經網絡模塊與一個持續判別所產生數據是否真實的神經網絡模塊組成的神經網絡架構，創造出近似真實的原創圖像、聲音和文本數據的技術。該技術有望大幅提升機器翻譯、人臉識別、信息檢索的精度和準確性，隨著三維模型數據序列能力的提升，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：對抗性神經網絡中產生數據與判別數據持續進行

資料來源：《麻省理工科技評論》

二、膠囊網絡。是指在深度神經網絡中構建多層神經元模塊，用以發現并存儲物體詳細空間位置和姿態等信息的技術。該技術能使機器在樣本數據較少情形下，快速識別不同情境下的同一對象，在人臉識別、圖像識別、字符識別等領域具有廣闊的應用前景。

圖2：膠囊網絡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、云端人工智能。是指將云計算的運作模式與人工智能深度融合，在云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能運行成本轉移到云平臺，能夠有效降低終端設備使用人工智能技術的門檻，有利于擴大用戶群體，未來將廣泛應用于醫療、制造、能源、教育等多個行業和領域。

圖3：推出人工智能服務的主要云計算公司

資料來源：中國電子學會整理

四、深度強化學習。是指將深度神經網絡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、網絡結構復雜性降低、硬件資源需求少等特點，能夠顯著提升機器智能適應復雜環境的效率和健壯性，將在智能制造、智能醫療、智能教育、智能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、智能腦機交互。是指通過在人腦神經與具有高生物相容性的外部設備間建立直接連接通路，實現神經系統和外部設備間信息交互與功能整合的技術。該技術采用人工智能控制的腦機接口對人類大腦的工作狀態進行準確分析，達到促進腦機智能融合的效果，使人類溝通交流的方式更為多元和高效，未來將廣泛應用于臨床康復、自動駕駛、航空航天等多個領域。

圖5：智能腦機交互使人類溝通交流高效化

六、對話式人工智能平臺。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交互，未來有望在智能可穿戴設備、智能家居、智能車載等多個領域得到大規模應用。

圖6: 對話式人工智能平臺結構

資料來源：IDC，中國電子學會整理

七、情感智能。是指利用人工智能手段模擬表情、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。該技術可賦予機器設備更好的對人類情感的識別、理解和引導能力，為用戶帶來更具效率和人性化的交互體驗，未來將在智能機器人、智能虛擬助手等領域得到更為頻繁和深入的應用。

圖7：情感智能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。是指仿真生物大腦神經系統，在芯片上模擬生物神經元、突觸的功能及其網絡組織方式，賦予機器感知和學習能力的技術。該技術的目標在于使機器具備類似生物大腦的低功耗、高效率、高容錯等特性，將在智能駕駛、智能安防、智能搜索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。是指將神經網絡與人類注意機制相結合，構建通用算法模型使機器智能具備快速自主學習能力的技術。該技術能夠使機器智能真正實現自主編程，顯著提升現有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能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、量子神經網絡。是指采用量子器件搭建神經網絡，優化神經網絡結構和性能的技術。該技術充分利用了量子計算超高速、超并行、指數級容量的特點，有效縮短了神經網絡的訓練時間，未來將在人臉識別、圖像識別、字符識別等領域具有重要應用價值和廣闊前景。

圖10：量子神經網絡結構示意圖

資料來源：聯合量子研究院（JQI）