人工智能的发展离不开基础支持层和技术层，基础支持层包括大数据、计算力和算法；技术层包括计算机视觉、语音识别和自然语言处理。在过去的2016年人工智能风风火火了一把，到目前为止，还在大力向前发展，研究机构、企业、投资机构和都对人工智能投入了很多关注，并陆续出台了一些政策。人工智能的技术本质是什么，本文会详细分析。
基础支撑层的算法创新发生在20世纪80年代末，是大数据和计算力将人工智能推到镁光灯之下，而建立在这之上的基础技术便是计算机视觉、语音识别和自然语言理解，机器试图看懂、听懂人类的世界、用人类的语言和人类交流，研究人类智能活动的规律。 “人的大脑皮层的活动， 大约70%是在处理视觉相关信息。视觉就相当于人脑的大门，其它如听觉、触觉、味觉那都是带宽较窄的通道。视觉相当于八车道的高速， 其它感觉是两旁的人行道。如果不能处理视觉信息的话，整个人工智能系统是个空架子，只能做符号推理，比如下棋、证明， 没法进入现实世界。计算机视觉之于人工智能，它相当于说芝麻开门。大门就在这里面，这个门打不开, 就没法研究真实世界的人工智能。” 根据科普中国撰写的对计算机视觉的定义，这是一门研究如何让机器“看”的科学，更进一步的说，是指用计算机代替人眼对目标进行识别、和测量的机器视觉，并进一步做图形处理，使计算机处理成为更适合人眼观察或传送给仪器检测的图像。
计算机视觉更关注图像信号本身以及图像相关交叉领域（地图、医疗影像）的研究；机器视觉则偏重计算机视觉技术工程化，更关注广义上的图像信号（激光和摄像头）和自动化控制（生产线)计算机视觉识别技术的分类
训练模型：样本数据包括正样本（包含待检目标的样本）和负样本（不包含目标的样本），视觉系统利用算法对原始样本进行特征的选择和提取训练出分类器（模型）；此外因为样本数据成千上万、提取出来的特征更是翻番，所以一般为了缩短训练的过程，会人为加入知识库（提前告诉计算机一些规则），或者引入条件来缩小搜索空间。
目前世界上图像识别最大的数据库，是斯坦福大学人工智能实验室提供的ImageNet，针对诸如医疗等细分领域也需要收集相应的训练数据；Google、Microsoft此类科技巨头会面向市场提供开源算法框架，为初创视觉识别公司提供初级算法。
语音识别是以语音为研究对象，通过信号处理和识别技术让机器自动识别和理解人类的语言后，将语音信号转换为相应的文本或命令的一门技术。 语音信号经过前端信号处理、端点检测等预处理后，逐帧提取语音特征，传统的特征类型包括有MFCC、PLP、FBANK等特征，提取好的特征会送到解码器，在训练好的声学模型、语言模型之下，找到最为匹配的此序列作为识别结果输出。
基础层：包含大数据、计算力和算法三块，其中大数据等接入的是相应领域的第三方服务商。机器在识别人类的语音指令后接入、提供相应的服务。诸如影视、电影票、餐饮等；
自然语言理解即文本理解，和语音图像的模式识别技术有着本质的区别，语言作为知识的载体，承载了复杂的信息量，具有高度的抽象性，对语言的理解属于认知层面，不能仅靠模式匹配的方式完成。
事实上搜索引擎和机器翻译不分家，互联网、移动互联网为其充实了语料库使得其发展模态发生了质的改变。互联网、移动互联网除了将原先线下的信息（原有语料）进行在线化之外，还衍生出来的新型UGC模式：知识分享数据，像、百度百科等都是人为校准过的词条，噪声小；社交数据，像微博和微信等展现用户的个性化、主观化、时效性，可以用来做个性化推荐、情感倾向分析、以及热点舆情的检测和等；社区、论坛数据，像果壳、知乎等为搜索引擎提供了问答知识、问答资源等数据源。 “远望智库”聚焦前沿科技领域，着眼科技未来发展，围绕军民融合、科技创新、管理创新、科技安全、知识产权等主题，开展情报挖掘、发展战略研究、规划论证、评估评价、项目筛选，以及等工作，为管理决策、产业规划、企业发展、机构投资提供情报、咨询、培训等服务，为推动国家创新驱动发展和军民融合深度发展提供智力支撑
|
