人工智能技术标准化白皮书.docx
《人工智能技术标准化白皮书.docx》由会员分享，可在线阅读，更多相关《人工智能技术标准化白皮书.docx（81页珍藏版）》请在冰点文库上搜索。
人工智能技术标准化白皮书
人工智能技术标准化白皮书
1.前言
1.1.研究背景
人工智能概念诞生于1956年，在半个多世纪的发展历程中，由于受到智能算法、计算速度、存储水平等多方面因素的影响，人工智能技术和应用发展经历了多次高潮和低谷。
2006年以来，以深度学习为代表的机器学习算法在机器视觉和语音识别等领域取得了极大的成功，识别准确性大幅提升，使人工智能再次受到学术界和产业界的广泛关注。
云计算、大数据等技术在提升运算速度，降低计算成本的同时，也为人工智能发展提供了丰富的数据资源，协助训练出更加智能化的算法模型。
人工智能的发展模式也从过去追求“用计算机模拟人工智能”，逐步转向以机器与人结合而成的增强型混合智能系统，用机器、人、网络结合成新的群智系统，以及用机器、人、网络和物结合成的更加复杂的智能系统。
作为新一轮产业变革的核心驱动力，人工智能在催生新技术、新产品的同时，对传统行业也具备较强的赋能作用，能够引发经济结构的重大变革，实现社会生产力的整体跃升。
人工智能将人从枯燥的劳动中解放出来，越来越多的简单性、重复性、危险性任务由人工智能系统完成，在减少人力投入，提高工作效率的同时，还能够比人类做得更快、更准确；人工智能还可以在教育、医疗、养老、环境保护、城市运行、司法服务等领域得到广泛应用，能够极大提高公共服务精准化水平，全面提升人民生活品质；同时，人工智能可帮助人类准确感知、预测、预警基础设施和社会安全运行的重大态势，及时把握群体认知及心理变化，主动作出决策反应，显著提高社会治理能力和水平，同时保障公共安全。
人工智能作为一项引领未来的战略技术，世界发达国家纷纷在新一轮国际竞争中争取掌握主导权，围绕人工智能出台规划和政策，对人工智能核心技术、顶尖人才、标准规范等进行部署，加快促进人工智能技术和产业发展。
主要科技企业不断加大资金和人力投入，抢占人工智能发展制高点。
2017年，我国出台了
《新一代人工智能发展规划》（国发〔2017〕35号）、《促进新一代人工智能产业发展三年行动计划（2018-2020年）》（工信部科〔2017〕315号）等政策文件，推动人工智能技术研发和产业化发展。
目前，国内人工智能发展已具备一定的技术和产业基础，在芯片、数据、平台、应用等领域集聚了一批人工智能企业，在
部分方向取得阶段性成果并向市场化发展。
例如，人工智能在金融、安防、客服等行业领域已实现应用，在特定任务中语义识别、语音识别、人脸识别、图像识别技术的精度和效率已远超人工。
标准化工作对人工智能及其产业发展具有基础性、支撑性、引领性的作用，既是推动产业创新发展的关键抓手，也是产业竞争的制高点。
当前，在我国人工智能相关产品和服务不断丰富的同时，也出现了标准化程度不足的问题。
人工智能涉及众多领域，虽然某些领域已具备一定的标准化基础，但是这些分散的标准化工作并不足以完全支撑整个人工智能领域。
另一方面，人工智能属于新兴领域，发展方兴未艾，从世界范围来看，标准化工作仍在起步过程中，尚未形成完善的标准体系，我国基本与国外处于同一起跑线，存在快速突破的机会窗口。
只要瞄准机会，快速布局，完全有可能抢占标准创新的制高点，反之，则有可能丧失良机。
因此，迫切需要把握机遇，加快对人工智能技术及产业发展的研究，系统梳理、加快研制人工智能各领域的标准体系，明确标准之间的依存性与制约关系，建立统一完善的标准体系，以标准的手段促进我国人工智能技术、产业蓬勃发展。
1.2.研究目标及意义
本白皮书通过梳理人工智能技术、应用和产业演进情况，分析人工智能的技术热点、行业动态和未来趋势，从支撑人工智能产业整体发展的角度出发，研究制定了能够适应和引导人工智能产业发展的标准体系，进而提出近期急需研制的基础和关键标准项目。
本白皮书并不预期成为人工智能领域的全面技术和产业综述，不求面面俱到，仅针对目前人工智能领域涵盖的技术热点和产业情况进行分析，研究提出人工智能标准体系。
人工智能标准化工作尚处于起步阶段，本白皮书只作为人工智能领域技术、产业和标准化之间初始的连接纽带，并将在今后不断根据技术、产业和标准化的发展需求进行修订。
本白皮书不过多地给出人工智能领域观点性的陈述，力求以较为浅显易懂的语言和方式进行阐述。
本文的意义在于与业界分享人工智能领域的研究成果和实践经验，呼吁社会各界共同加强人工智能领域的技术研究、产业投入、标准建设与服务应用，共同推动人工智能及其产业发展。
2.人工智能概述
2.1.人工智能的历史及概念
2.1.1.人工智能的起源与历史
人工智能始于20世纪50年代，至今大致分为三个发展阶段：
第一阶段（20世纪50年代——80年代）。
这一阶段人工智能刚诞生，基于抽象数学推理的可编程数字计算机已经出现，符号主义（Symbolism）快速发展，但由于很多事物不能形式化表达，建立的模型存在一定的局限性。
此外，随着计算任务的复杂性不断加大，人工智能发展一度遇到瓶颈；第二阶段（20世纪80年代——90年代末）。
在这一阶段，专家系统得到快速发展，数学模型有重大突破，但由于专家系统在知识获取、推理能力等方面的不足，以及开发成本高等原因，人工智能的发展又一次进入低谷期；第三阶段（21世纪初——至今）。
随着大数据的积聚、理论算法的革新、计算能力的提升，人工智能在很多应用领域取得了突破性进展，迎来了又一个繁荣时期。
人工智能具体的发展历程如图1所示。
图1人工智能发展历史
长期以来，制造具有智能的机器一直是人类的重大梦想。
早在1950年，AlanTuring在《计算机器与智能》中就阐述了对人工智能的思考。
他提出的图灵测试是机器智能的重要测量手段，后来还衍生出了视觉图灵测试等测量方法。
1956
年，“人工智能”这个词首次出现在达特茅斯会议上，标志着其作为一个研究领域的正式诞生。
六十年来，人工智能发展潮起潮落的同时，基本思想可大致划分为四个流派：
符号主义（Symbolism）、连接主义（Connectionism）、行为主义
（Behaviourism）和统计主义（Statisticsism）（注：
由于篇幅原因，本白皮书不对四个流派进行详细阐述）。
这四个流派从不同侧面抓住了智能的部分特征，在“制造”人工智能方面都取得了里程碑式的成就。
1959年，ArthurSamuel提出了机器学习，机器学习将传统的制造智能演化为通过学习能力来获取智能，推动人工智能进入了第一次繁荣期。
20世纪70年代末期专家系统的出现，实现了人工智能从理论研究走向实际应用，从一般思维规律探索走向专门知识应用的重大突破，将人工智能的研究推向了新高潮。
然而，机器学习的模型仍然是“人工”的，也有很大的局限性。
随着专家系统应用的不断深入，专家系统自身存在的知识获取难、知识领域窄、推理能力弱、实用性差等问题逐步暴露。
从1976年开始，人工智能的研究进入长达6年的萧瑟期。
在80年代中期，随着美国、日本立项支持人工智能研究，以及以知识工程为主导的机器学习方法的发展，出现了具有更强可视化效果的决策树模型和突破早期感知机局限的多层人工神经网络，由此带来了人工智能的又一次繁荣期。
然而，当时的计算机难以模拟复杂度高及规模大的神经网络，仍有一定的局限性。
1987年由于LISP机市场崩塌，美国取消了人工智能预算，日本第五代计算机项目失败并退出市场，专家系统进展缓慢，人工智能又进入了萧瑟期。
1997年，IBM深蓝（DeepBlue）战胜国际象棋世界冠军GarryKasparov。
这是一次具有里程碑意义的成功，它代表了基于规则的人工智能的胜利。
2006年，在Hinton和他的学生的推动下，深度学习开始备受关注，为后来人工智能的发展带来了重大影响。
从2010年开始，人工智能进入爆发式的发展阶段，其最主要的驱动力是大数据时代的到来，运算能力及机器学习算法得到提高。
人工智能快速发展，产业界也开始不断涌现出新的研发成果：
2011年，IBMWaston在综艺节目《危险边缘》中战胜了最高奖金得主和连胜纪录保持者；2012年，谷歌大脑通过模仿人类大脑在没有人类指导的情况下，利用非监督深度学习方法从大量视频中成功学习到识别出一只猫的能力；2014年，微软公司推出了一款实时口译系统，可以模仿说话者的声音并保留其口音；2014年，微软公司发布
全球第一款个人智能助理微软小娜；2014年，亚马逊发布至今为止最成功的智能音箱产品Echo和个人助手Alexa；2016年，谷歌AlphaGo机器人在围棋比赛中击败了世界冠军李世石；2017年，苹果公司在原来个人助理Siri的基础上推出了智能私人助理Siri和智能音响HomePod。
目前，世界各国都开始重视人工智能的发展。
2017年6月29日，首届世界智能大会在天津召开。
中国工程院院士潘云鹤在大会主论坛作了题为“中国新一代人工智能”的主题演讲，报告中概括了世界各国在人工智能研究方面的战略：
2016年5月，美国白宫发表了《为人工智能的未来做好准备》；英国2016年12月发布《人工智能：
未来决策制定的机遇和影响》；法国在2017年4月制定了《国家人工智能战略》；德国在2017年5月颁布全国第一部自动驾驶的法律；在中国，据不完全统计，2017年运营的人工智能公司接近400家，行业巨头XX、腾讯、阿里巴巴等都不断在人工智能领域发力。
从数量、投资等角度来看，自然语言处理、机器人、计算机视觉成为了人工智能最为热门的三个产业方向。
2.1.2.人工智能的概念
人工智能作为一门前沿交叉学科，其定义一直存有不同的观点：
《人工智能
——一种现代方法》中将已有的一些人工智能定义分为四类：
像人一样思考的系统、像人一样行动的系统、理性地思考的系统、理性地行动的系统。
维基百科上定义“人工智能就是机器展现出的智能”，即只要是某种机器，具有某种或某些
“智能”的特征或表现，都应该算作“人工智能”。
大英百科全书则限定人工智能是数字计算机或者数字计算机控制的机器人在执行智能生物体才有的一些任务上的能力。
XX百科定义人工智能是“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。
本白皮书认为，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。
人工智能的定义对人工智能学科的基本思想和内容作出了解释，即围绕智能
活动而构造的人工系统。
人工智能是知识的工程，是机器模仿人类利用知识完成一定行为的过程。
根据人工智能是否能真正实现推理、思考和解决问题，可以将人工智能分为弱人工智能和强人工智能。
弱人工智能是指不能真正实现推理和解决问题的智能机器，这些机器表面看像是智能的，但是并不真正拥有智能，也不会有自主意识。
迄今为止的人工智能系统都还是实现特定功能的专用智能，而不是像人类智能那样能够不断适应复杂的新环境并不断涌现出新的功能，因此都还是弱人工智能。
目前的主流研究仍然集中于弱人工智能，并取得了显著进步，如语音识别、图像处理和物体分割、机器翻译等方面取得了重大突破，甚至可以接近或超越人类水平。
强人工智能是指真正能思维的智能机器，并且认为这样的机器是有知觉的和自我意识的，这类机器可分为类人（机器的思考和推理类似人的思维）与非类人
（机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式）两大类。
从一般意义来说，达到人类水平的、能够自适应地应对外界环境挑战的、具有自我意识的人工智能称为“通用人工智能”、“强人工智能”或“类人智能”。
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），在技术上的研究也具有极大的挑战性。
强人工智能当前鲜有进展，美国私营部门的专家及国家科技委员会比较支持的观点是，至少在未来几十年内难以实现。
靠符号主义、连接主义、行为主义和统计主义这四个流派的经典路线就能设计制造出强人工智能吗？
其中一个主流看法是：
即使有更高性能的计算平台和更大规模的大数据助力，也还只是量变，不是质变，人类对自身智能的认识还处在初级阶段，在人类真正理解智能机理之前，不可能制造出强人工智能。
理解大脑产生智能的机理是脑科学的终极性问题，绝大多数脑科学专家都认为这是一个数百年乃至数千年甚至永远都解决不了的问题。
通向强人工智能还有一条“新”路线，这里称为“仿真主义”。
这条新路线通过制造先进的大脑探测工具从结构上解析大脑，再利用工程技术手段构造出模仿大脑神经网络基元及结构的仿脑装置，最后通过环境刺激和交互训练仿真大脑实现类人智能，简言之，“先结构，后功能”。
虽然这项工程也十分困难，但都是有可能在数十年内解决的工程技术问题，而不像“理解大脑”这个科学问题那样遥不可及。
仿真主义可以说是符号主义、连接主义、行为主义和统计主义之后的第五个流派，和前四个流派有着千丝万缕的联系，也是前四个流派通向强人工智能的关键一环。
经典计算机是数理逻辑的开关电路实现，采用冯•诺依曼体系结构，可以作为逻辑推理等专用智能的实现载体。
但要靠经典计算机不可能实现强人工智能。
要按仿真主义的路线“仿脑”，就必须设计制造全新的软硬件系统，这就是
“类脑计算机”，或者更准确地称为“仿脑机”。
“仿脑机”是“仿真工程”的标志性成果，也是“仿脑工程”通向强人工智能之路的重要里程碑。
2.2.人工智能的特征
（1）由人类设计，为人类服务，本质为计算，基础为数据。
从根本上说，人工智能系统必须以人为本，这些系统是人类设计出的机器，按照人类设定的程序逻辑或软件算法通过人类发明的芯片等硬件载体来运行或工作，其本质体现为计算，通过对数据的采集、加工、处理、分析和挖掘，形成有价值的信息流和知识模型，来为人类提供延伸人类能力的服务，来实现对人类期望的一些“智能行为”的模拟，在理想情况下必须体现服务人类的特点，而不应该伤害人类，特别是不应该有目的性地做出伤害人类的行为。
（2）能感知环境，能产生反应，能与人交互，能与人互补。
人工智能系统应能借助传感器等器件产生对外界环境（包括人类）进行感知的能力，可以像人一样通过听觉、视觉、嗅觉、触觉等接收来自环境的各种信息，对外界输入产生文字、语音、表情、动作（控制执行机构）等必要的反应，甚至影响到环境或人类。
借助于按钮、键盘、鼠标、屏幕、手势、体态、表情、力反馈、虚拟现实/增强现实等方式，人与机器间可以产生交互与互动，使机器设备越来越“理解”人类乃至与人类共同协作、优势互补。
这样，人工智能系统能够帮助人类做人类不擅长、不喜欢但机器能够完成的工作，而人类则适合于去做更需要创造性、洞察力、想象力、灵活性、多变性乃至用心领悟或需要感情的一些工作。
（3）有适应特性，有学习能力，有演化迭代，有连接扩展。
人工智能系统在理想情况下应具有一定的自适应特性和学习能力，即具有一定的随环境、数据或任务变化而自适应调节参数或更新优化模型的能力；并且，能够在此基础上通过与云、端、人、物越来越广泛深入数字化连接扩展，实现机器客体乃至人类主
体的演化迭代，以使系统具有适应性、鲁棒性、灵活性、扩展性，来应对不断变化的现实环境，从而使人工智能系统在各行各业产生丰富的应用。
2.3.人工智能参考框架
目前，人工智能领域尚未形成完善的参考框架。
因此，本章基于人工智能的发展状况和应用特征，从人工智能信息流动的角度出发，提出一种人工智能参考框架（如图2所示），力图搭建较为完整的人工智能主体框架，描述人工智能系统总体工作流程，不受具体应用所限，适用于通用的人工智能领域需求。
安全、隐私、伦理
IT价值链
图2人工智能参考框架图
人工智能参考框架提供了基于“角色—活动—功能”的层级分类体系，从“智能信息链”（水平轴）和“IT价值链”（垂直轴）两个维度阐述了人工智能系统框架。
“智能信息链”反映从智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。
在这个过程中，智能信息是流动的载体，经历了“数据—信息—知识—智慧”的凝练过程。
“IT价值链”从人工智能的底层基础设施、信息（提供和处理技术实现）到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。
此外，人工智能系统还有其它非常重要的框架构件：
安全、隐私、伦理和管理。
人工智能系统主要由基础设施提供者、信息提供者、信息处理者和系统协调者4个角色组成。
（1）基础设施提供者
基础设施提供者为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。
计算能力由智能芯片（CPU、GPU、ASIC、FPGA等硬件加速芯片以及其它智能芯片）等硬件系统开发商提供；与外部世界的沟通通过新型传感器制造商提供；基础平台包括分布式计算框架提供商及网络提供商提供平台保障和支持，即包括云存储和计算、互联互通网络等。
（2）信息提供者
信息提供者在人工智能领域是智能信息的来源。
通过知识信息感知过程由数据提供商提供智能感知信息，包括原始数据资源和数据集。
原始数据资源的感知涉及到图形、图像、语音、文本的识别，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。
（3）信息处理者
信息处理者是指人工智能领域中技术和服务提供商。
信息处理者的主要活动包括智能信息表示与形成、智能推理、智能决策及智能执行与输出。
智能信息处理者通常是算法工程师及技术服务提供商，通过计算框架、模型及通用技术，例如一些深度学习框架和机器学习算法模型等功能进行支撑。
智能信息表示与形成是指为描述外围世界所作的一组约定，分阶段对智能信息进行符号化和形式化的智能信息建模、抽取、预处理、训练数据等。
智能信息推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。
智能信息决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。
智能执行与输出作为智能信息输出的环节，是对输入作出的响应，输出整个智能信息流动过程的结果，包括运动、显示、发声、交互、合成等功能。
（4）系统协调者
系统协调者提供人工智能系统必须满足的整体要求，包括政策、法律、资源
和业务需求，以及为确保系统符合这些需求而进行的监控和审计活动。
由于人工智能是多学科交叉领域，需要系统协调者定义和整合所需的应用活动，使其在人工智能领域的垂直系统中运行。
系统协调者的功能之一是配置和管理人工智能参考框架中的其他角色来执行一个或多个功能，并维持人工智能系统的运行。
（5）安全、隐私、伦理
安全、隐私、伦理覆盖了人工智能领域的其他4个主要角色，对每个角色都有重要的影响作用。
同时，安全、隐私、伦理处于管理角色的覆盖范围之内，与全部角色和活动都建立了相关联系。
在安全、隐私、伦理模块，需要通过不同的技术手段和安全措施，构筑全方位、立体的安全防护体系，保护人工智能领域参与者的安全和隐私。
（6）管理
管理角色承担系统管理活动，包括软件调配、资源管理等内容，管理的功能是监视各种资源的运行状况，应对出现的性能或故障事件，使得各系统组件透明且可观。
（7）智能产品及行业应用
智能产品及行业应用指人工智能系统的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：
智能制造、智能交通、智能家居、智能医疗、智能安防等。
3.人工智能标准化现状
近年来，在国际标准化组织、国外标准化组织、以及国内标准化组织都在研究人工智能问题，并进行相关技术的标准化工作。
3.1.国际标准化现状
3.1.1.ISO/IECJTC1
ISO/IECJTC1（国际标准化组织和国际电工委员会第一联合技术委员会）在人工智能领域的标准化工作已有20多年的历史。
前期，在人工智能词汇、人机交互、生物特征识别、计算机图像处理等关键领域，以及云计算、大数据、传感网等人工智能技术支撑领域，ISO/IECJTC1均已开展了相关标准化工作。
在词汇领域，ISO/IECJTC1词汇工作组发布了ISO/IEC2382-28:
1995《信息技术词汇第28部分：
人工智能基本概念与专家系统》、ISO/IEC2382-29:
1999
《信息技术词汇第29部分：
人工智能语音识别与合成》、ISO/IEC2382-31:
1997《信息技术词汇第31部分：
人工智能机器学习》、ISO/IEC
2382-34:
1999《信息技术词汇第34部分：
人工智能神经网络》等4项标准。
目前，上述标准已经废止，相关术语收录在ISO/IEC2382:
2015《信息技术词汇》标准中。
在人机交互领域，ISO/IECJTC1/SC35（用户界面分技术委员会）开展了语音交互、手势交互和情感交互等标准项目。
语音交互方面有ISO/IEC30122-1《信息技术语音命令第1部分：
框架和通用指南》、ISO/IEC30122-2《信息技术语音命令第2部分：
构建和测试》、ISO/IEC30122-3《信息技术语音命令第3部分：
翻译和本地化》、ISO/IEC30122-4《信息技术语音命令第4部分：
语音命令注册管理》等四个标准项目，其中第2和3部分已经发布；手势交互方面正在进行ISO/IEC30113-1《信息技术用户界面跨设备基于手势的界面和
方法第1部分：
框架》等3个项目；情感交互正进行ISO/IEC30150《信息技术情感计算用户界面框架》1个项目。
在生物特征识别领域，ISO/IECJTC1/SC37（生物特征识别分技术委员会）已发布了共计121项标准，包括数据交换格式、应用程序接口、样本质量、性能
测试等方面。
代表性的标准有ISO/IEC19794-2:
2005《信息技术生物特征识别数据交换格式第2部分：
指纹细节点数据》、ISO/IEC19784-1:
2006《信息技术生物特征识别应用程序接口第1部分：
BioAPI规范》、ISO/IEC29794-6:
2015
《信息技术生物特征样本质量第6部分：
虹膜样本质量数据》、ISO/IEC19795-1:
2006《信息技术生物特征识别性能测试和报告第1部分：
原则与框架》等，涵盖了指纹、人脸、虹膜、静脉、数字签名、声纹等模态，形成了较为完备的标准体系。
在计算机图像处理领域，ISO/IECJTC1/SC24（计算机图形、图像处理和环境数据表示分技术委员会）和ISO/IECJTC1/SC29（音频、图像编码、多媒体及超媒体信息分技术委员会）负责开展标准化工作。
ISO/IECJTC1/SC24正在研制ISO/IEC8632-1《信息技术计算机图形存储和传送图形描述信息的元文卷第1部分：
功能规范》、ISO/IEC8632-3《信息技术计算机图形存储和传送图形描述信息的元文卷第3部分：
二进制编码》、ISO/IEC18039《信息技术混合和增强现实参考模型》等标准。
ISO/IECJTC1/SC29正在研制及发布的标准有ISO/IEC15938-13《信息技术多媒体内容描述接口第13部分：
图像搜索用简洁描述符》、ISO/IEC24800-3《信息技术JP搜索第3部分：
查询格式》等。
在云计算领域，ISO/IECJTC1/SC38（云计算和分布式平台分技术委员会）主要研制了云计算通用基础标准、互操作标准、可移植标准、云服务、应用场景、案例分
升级会员 