导读：很多朋友问到关于人工智能还缺什么的相关问题，本文首席CTO笔记就来为大家做个详细解答，供大家参考，希望对大家有所帮助！一起来看看吧！
本文目录一览：
1、人工智能时代下，我们会失去哪些工作？2、人工智能有什么缺陷3、人工智能需要什么基础？4、人工智能的短板是什么？5、中国人工智能产业还存在哪三项弱点？人工智能时代下，我们会失去哪些工作？
1.卡车司机

仅美国的卡车司机人数就有2000万人左右，但每年的人数却在不断下降，相信在未来的某个月或某一天，卡车司机可能真的要消失了。究其原因，是自动化和智能化的发展。 要知道，如今亚马逊公司已经着手开发无人机物流送货服务了。另外，未来自动卡车驾驶将越来越成为主流，因为汽车自动驾驶也在不断发展。此外，特斯拉公司在2017年还推出了一款半自动驾驶的卡车。这款卡车不仅能够通过摄像头来控制车辆行驶方向，还能根据路况做出判断，从而实现自主导航。除此之外，它还是一个无人驾驶的智能机器人，可以在道路上行走，并进行拍照等操作。在未来自动驾驶汽车和无人机送货到成熟的时候，这将为无数商家节省更多人工成功的成本。同时也表明卡车司机这个职业很有可能会消失，加上快递工作者的失业。
2，体育比赛的裁判员

裁判员是体育比赛过程中不可缺少的一员，有时他们也能创造出一些闻名世界的判罚。 但裁判工作并不那么容易，有时某些失误也会引起巨大争议。 未来十年，我们很有可能会发现，裁判这个职业正在一步步走向死亡。 因为在人工智能日益发达的今天，机器人或AI裁判将完美地取代裁判员的职责，其出现错误的概率甚至会低于真人裁判。因此，我们有必要对人工智能时代下的裁判员进行研究和探讨。1.机器人与智能裁判1.1机器人裁判：未来的裁判员。目前，机器人裁判已经成为了一种趋势。因为在人工智能不断发展的今天，机器人或AI裁判将完美地代替裁判员的工作，他们出现错误的概率可能比真人裁判更低。 如他们能准确看清任意一个球的落点并在第一时间内播放，从而避免引起纠纷；此外，缺乏情感的机器人裁判员很难受到现场观众的影响。
3，飞机驾驶员

汽车驾驶汽车，卡车，货车等汽车上行驶的事物，也许在未来会变得更加普通和平凡，但你有没有想过自动驾驶飞机呢？ 有时我们会从新闻中看到这样一件事：有的飞行员因为失误，导致飞机坠毁。 但在人工智能驾驶员操作下，他们会更多地减少错误方式，严格遵循安全规则，这很可能会降低意外事故发生率。 美国国家航空与运输协会（NASA）的数据显示：从目前到2040年，每年大约要花费1亿美元用于研发智能技术；而到了2030年时，这个数字将达到10万亿美元左右。 因为人工成本的降低，也使得飞机票的成本降低。
4，工厂工人

自动化工厂可以比人更快更高效地完成任务的同时还可以降低成本，这就决定了工厂在未来的某一天不需要人，因为只要用机器人就可以了。
5，出租车司机

又因为自动驾驶发展迅速，将来的出租车也会转变为全自动行驶，也就是说本来依靠这种赚钱养家的人不得不另谋出路。 在这个背景下，自动驾驶技术给人们带来了巨大便利的同时也让一些人产生了“自动驾驶汽车会取代人类”的想法。其实这种说法并不正确，自动驾驶是有可能代替人的。 而且，由于方便的手机应用与自动驾驶汽车相连，人也同样可以通过手机应用迅速叫车。
6，收银员

在超市，便利店或快餐店，收银的人似乎是必不可少的工作人员。 但现在很多地方都有不少自动收银台。 但这还不够智能。 在未来，随着科技的进步，自动收银台将更加自动化，智能化。 购物车中的物品会自动进入到指定位置的扫描仪中进行消费情况的统计，通过人脸或指纹等方式确认消费金额后即可完成支付交易。 而且在饭店里，服务员和收银员会对你进行一体化的服务，他们会开车到你的屏幕前，为你提供点餐和支付服务。 在这些情况下，收银员将成为一个机器人，而不是一个人。如果收银员的身份不允许使用的话，他们就无法完成任何业务。此外，收银过程也很容易出错。 因此，收银员这个职业也许会被取代。
7，农民

一，农业的重要意义rn农业和工业是并列的，无论在什么时候，农业都很重要。 因为农业不仅能够为人们提供食物，同时还能为其他行业创造价值。所以，世界各国的政府都很重视农业。在很多国家中，农业占国民生产总值的60%以上。 农业生产因其出口农产品量大面广，影响着全国乃至世界的命脉。 但是由于农业和工业的结合、自动化技术的发展、人工智能技术的进步，未来农民这个职业可能会销声匿迹。 因为，它的工作将被机器人所取代，相对于人类而言，它的工作效率更高，而且不知疲倦。 未来，真正管理农田的不再是农民，而是科学家和机器人。
人工智能有什么缺陷
第一脆弱性。人工智能系统还无法超出场景或语境理解行为，虽然在下棋或游戏等有固定规则的范围内不会暴露出这一弱点，但是一旦场景发生变化或这种变化超出一定范围，人工智能可能就立刻无法“思考”。
第二、不可预测性。用户无法预测人工智能会做出何种决策，这既是一种优势，也会带来风险，因为系统可能会做出不符合设计者初衷的决策。
第三、安全问题和漏洞。机器会重结果而轻过程，它只会通过找到系统漏洞，实现字面意义上的目标，但其采用的方法不一定是设计者的初衷。例如，网站会推荐一些极端主义视频，因为刺激性内容可以增加浏览时间。再如，网络安全系统会判断人是导致破坏性软件植入的主要原因，于是索性不允许人进入系统。
第四、人机交互失败。尽管让机器提供建议，由人类做最后决策，是解决人工智能某些弱点的常用方法，但由于决策者对系统局限性或系统反馈的认知能力不同，这一问题并不能得到根本解决。
扩展资料：
当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。如今人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，在大家不懈的努力下，如今计算机似乎已经变得十分聪明了。
例如，1997年5月，IBM公司研制的深蓝（DEEP BLUE）计算机战胜了国际象棋大师卡斯帕洛夫（KASPAROV）。大家或许不会注意到，在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。
人工智能始终是计算机科学的前沿学科，计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在。
人工智能需要什么基础？
首先要掌握必备的数学基础知识，具体来说包括：
线性代数：如何将研究对象形式化？
概率论：如何描述统计规律？
数理统计：如何以小见大？
最优化理论： 如何找到最优解？
信息论：如何定量度量不确定性？
形式逻辑：如何实现抽象推理？
线性代数：如何将研究对象形式化？
事实上，线性代数不仅仅是人工智能的基础，更是现代数学和以现代数学作为主要分析方法的众多学科的基础。从量子力学到图像处理都离不开向量和矩阵的使用。而在向量和矩阵背后，线性代数的核心意义在于提供了⼀种看待世界的抽象视角：万事万物都可以被抽象成某些特征的组合，并在由预置规则定义的框架之下以静态和动态的方式加以观察。
着重于抽象概念的解释而非具体的数学公式来看，线性代数要点如下：线性代数的本质在于将具体事物抽象为数学对象，并描述其静态和动态的特性；向量的实质是 n 维线性空间中的静止点；线性变换描述了向量或者作为参考系的坐标系的变化，可以用矩阵表示；矩阵的特征值和特征向量描述了变化的速度与方向。
总之，线性代数之于人工智能如同加法之于高等数学，是一个基础的工具集。
概率论：如何描述统计规律？
除了线性代数之外，概率论也是人工智能研究中必备的数学基础。随着连接主义学派的兴起，概率统计已经取代了数理逻辑，成为人工智能研究的主流工具。在数据爆炸式增长和计算力指数化增强的今天，概率论已经在机器学习中扮演了核心角色。
同线性代数一样，概率论也代表了一种看待世界的方式，其关注的焦点是无处不在的可能性。频率学派认为先验分布是固定的，模型参数要靠最大似然估计计算；贝叶斯学派认为先验分布是随机的，模型参数要靠后验概率最大化计算；正态分布是最重要的一种随机变量的分布。
数理统计：如何以小见大？
在人工智能的研究中，数理统计同样不可或缺。基础的统计理论有助于对机器学习的算法和数据挖掘的结果做出解释，只有做出合理的解读，数据的价值才能够体现。数理统计根据观察或实验得到的数据来研究随机现象，并对研究对象的客观规律做出合理的估计和判断。
虽然数理统计以概率论为理论基础，但两者之间存在方法上的本质区别。概率论作用的前提是随机变量的分布已知，根据已知的分布来分析随机变量的特征与规律；数理统计的研究对象则是未知分布的随机变量，研究方法是对随机变量进行独立重复的观察，根据得到的观察结果对原始分布做出推断。
用一句不严谨但直观的话讲：数理统计可以看成是逆向的概率论。 数理统计的任务是根据可观察的样本反过来推断总体的性质；推断的工具是统计量，统计量是样本的函数，是个随机变量；参数估计通过随机抽取的样本来估计总体分布的未知参数，包括点估计和区间估计；假设检验通过随机抽取的样本来接受或拒绝关于总体的某个判断，常用于估计机器学习模型的泛化错误率。
最优化理论： 如何找到最优解？
本质上讲，人工智能的目标就是最优化：在复杂环境与多体交互中做出最优决策。几乎所有的人工智能问题最后都会归结为一个优化问题的求解，因而最优化理论同样是人工智能必备的基础知识。最优化理论研究的问题是判定给定目标函数的最大值（最小值）是否存在，并找到令目标函数取到最大值 (最小值) 的数值。 如果把给定的目标函数看成一座山脉，最优化的过程就是判断顶峰的位置并找到到达顶峰路径的过程。
通常情况下，最优化问题是在无约束情况下求解给定目标函数的最小值；在线性搜索中，确定寻找最小值时的搜索方向需要使用目标函数的一阶导数和二阶导数；置信域算法的思想是先确定搜索步长，再确定搜索方向；以人工神经网络为代表的启发式算法是另外一类重要的优化方法。
信息论：如何定量度量不确定性？
近年来的科学研究不断证实，不确定性就是客观世界的本质属性。换句话说，上帝还真就掷骰子。不确定性的世界只能使用概率模型来描述，这促成了信息论的诞生。
信息论使用“信息熵”的概念，对单个信源的信息量和通信中传递信息的数量与效率等问题做出了解释，并在世界的不确定性和信息的可测量性之间搭建起一座桥梁。
总之，信息论处理的是客观世界中的不确定性；条件熵和信息增益是分类问题中的重要参数；KL 散度用于描述两个不同概率分布之间的差异；最大熵原理是分类问题汇总的常用准则。
形式逻辑：如何实现抽象推理？
1956 年召开的达特茅斯会议宣告了人工智能的诞生。在人工智能的襁褓期，各位奠基者们，包括约翰·麦卡锡、赫伯特·西蒙、马文·闵斯基等未来的图灵奖得主，他们的愿景是让“具备抽象思考能力的程序解释合成的物质如何能够拥有人类的心智。”通俗地说，理想的人工智能应该具有抽象意义上的学习、推理与归纳能力，其通用性将远远强于解决国际象棋或是围棋等具体问题的算法。
如果将认知过程定义为对符号的逻辑运算，人工智能的基础就是形式逻辑；谓词逻辑是知识表示的主要方法；基于谓词逻辑系统可以实现具有自动推理能力的人工智能；不完备性定理向“认知的本质是计算”这一人工智能的基本理念提出挑战。
人工智能的短板是什么？
1、 只能解决小规模问题：著名的识别猫实验 – 1,000 台计算机，16,000 GPUs
2、 缺乏可解释性：Explainable AI - XAI
3、 没有（完整的）数学理论支撑：理论不够，技巧来凑
旗鱼科技是润建股份控股子公司，在元宇宙领域深耕多年，产品有巧见云3D内容生产平台、3D LED大屏、VR/AR眼镜、无线会议室等，与军方和学院都有密切合作，感兴趣的话可以搜索看看。
中国人工智能产业还存在哪三项弱点？
如今，“智能+”社会已步步临近，社会各界也正积极勾勒未来社会图景。国外人工智能巨头动作不断，在基础技术、应用领域方面都有诸多突破，可以总结为三点：基础研究能力强、跨界创新密集、人才红利持续发挥。
我国在深度学习、识别技术等领域实力突出，在人工智能市场应用层面走在世界前列。但在基础技术、产业链跨界协同、核心人才培养方面则存有短板。业内专家呼吁，未来我国人工智能行业和学界应重点关注以上三项弱点，审时度势、全盘考虑、抓紧谋划、扎实推进，在巩固现有优势的同时，补足短板，推动中国人工智能产业可持续发展。
基础层研究成人工智能“硬指标”
人工智能研究可以分为基础层、技术层、应用层，美国在技术难度大、技术带动效应强的基础层方面，不断取得研究以及实践进展；而中国在基础层方面能力稍弱，在技术层和应用层发力更多。
基础层主要指处理器、芯片等支撑人工智能技术的核心能力；技术层包括自然语言处理、计算机视觉、技术平台等通用技术；应用层是指自动驾驶、智能机器人等实际应用主体。
人工智能浪潮的兴起，使得美国大公司纷纷进军基础层的研究。以芯片为例，美国的芯片制造企业英伟达推出了世界首款120万亿次级处理器Volta V100 GPU，可以将机器学习指令传达的效率从几周的时间缩短至几个小时，帮助客户更加快速地迭代并优化各自产品的上市时间。过去3年中，英伟达为深度学习提供了10倍的性能加速，被评论界称为“摩尔定律的平方”，保持目前的性能提升速率，到2025年，GPU将可实现比CPU快1000倍的性能。
谷歌、亚马逊、微软、苹果等最初并不研发芯片的公司，也开始发力芯片和处理器，这使得美国在全球人工智能基础层研究地位进一步增强。微软公司公布了其人工智能芯片制造项目，展示了一款专门为微软增强现实眼镜HoloLens打造的新型芯片。谷歌已于2016年宣布了其深度学习芯片的研发，并声称，随着语音识别技术的爆发，高性能处理器TPU已为公司省下了打造15个新数据中心的成本。谷歌同时在与生物公司合作开发高效计算DNA信息的芯片。2017年4月，苹果公司宣布苹果将通过自主研发和生产芯片，进一步掌握产业链主导权。消息一出，苹果芯片供应商英国公司Imagination的股价应声暴跌。
但是，中国在芯片基础研发领域仍然落后于美国企业，对进口芯片的需求居高不下。
从事计算机视觉识别的中国公司“旷视科技”品牌与市场中心总经理谢忆楠表示，在图像识别领域，公司同时应用英伟达和英特尔的芯片，目前还没有国产芯片能够完全取而代之。英特尔中国研究院院长宋继强也承认，我国人工智能领域不足之处在于我们原创理论创新、基础人工智能研发能力还不太够。中国学者需要在理论上有所突破。地平线机器人技术创始人余凯表示，在PC电脑与移动互联网时代，我们都错失了如操作系统等基础平台性技术，人工智能时代需要迎头赶上。
中国电子学会发布《中国机器人产业发展报告》指出，我国机器人领域核心技术积累不足，资金投入相对有限且分散，高端市场长期被外资企业占据，很大程度上以依托进口零部件和本体组装、集成为主营业务，虽有一定突破但基本上是被动地、跟随式发展，难以获得产业发展主动权。
计算机学家、图灵奖唯一的华人得主姚期智表示，中国想在2030年实现世界主要人工智能创新中心的战略目标，首先要解决人工智能发展缺少理论的问题。中国在下一波人工智能的发展上，应取得一些原创性的、有知识产权的成果，而不是追赶别人发明的科技。
跨界融合创新为智能生态“必修课”
未来人工智能领域不仅仅是单一的技术和产品，而是一个整合的“生态系统”。数字技术将结合神经研究等医学领域、自动化机械臂等工业领域共同组成人工智能的底层技术。
以人工智能为依托的机器人一方面会以“软件”形式融入社会，如自动翻译、图像识别等。另一方面也将通过集成“硬件”深入到百姓生活中，如特种机器人、医疗机器人等。
正是在这种“共识”的指引下，“不务正业”几乎成为美国人工智能巨头都在做的事，从IBM、苹果，到谷歌、脸书、英伟达，所有的人工智能巨头都在尝试软件、硬件、应用场景的联通，不再单一专注于自己的传统业务，而是着眼布局未来。 2016年9月，谷歌、微软、脸书、亚马逊、IBM更是组成人工智能联盟，大有形成合力、制定行业标准之意。
目前，谷歌的跨界非常广泛，跨越了芯片、机器学习平台、软件、云计算等各个领域。其人工智能学习系统TensorFlow目前是全世界应用最为广泛的人工智能软件平台。研发芯片起家的高通，也推出了自己的摄像头Spectra Module，旨在优化VR、AR的效果。最近，这一摄像头又添加了一些新的功能，如深度检测和生物认证，用户可以通过虹膜扫描来解锁认证。
IBM中国研究院认知交互技术总监秦勇表示，IBM打造人工智能平台，最终目的就是形成生态圈，可以满足客户的不同需要。比如IBM的WDC（Watson Developer Cloud），已经有很多应用程序编程接口公布出来，比如知识图谱、语音识别、计算机视觉、性格分析、对话管理等等。在教育领域和芝麻街合作，利用人工智能帮助小孩，用游戏的方式来做辅助学习。这一平台还和美敦力（Medtronic）合作，提前两三小时就可以准确预测一个人的血糖指标。
英伟达不仅有芯片，还发布了高效的深度学习软件平台，为客户提供综合全面的服务，其客户涵盖汽车、虚拟现实、图像识别、基因分析等各领域。电商起家的亚马逊，凭借其深度学习能力，崛起成为人工智能的巨头。去年，其发布的三大人工智能技术（图像识别、自动语音发音、语音互动）广受欢迎，中国的社群电商软件“小红书”就利用了亚马逊的人工智能技术开发了人脸识别痘痘的功能。
除以技术优势加速全链条布局外，国外巨头凭借投资并购等资本运作手段，提升自身技术实力，在人工智能领域迅速占据制高点，也有部分巨头在我国建立产业基地，抢占中国市场。如微软收购位于多伦多的人工智能初创企业Maluuba，谷歌收购数据科学公司Kaggle。库卡也宣布建设中国二期厂房，继续扩大产能。
而中国人工智能产业的跨界互动能力不足，部分企业存在短期套利思维。业内人士认为，从技术到产品的跨越非常之困难。不同于硅谷技术公司的“一呼百应、迅速抱团”，中国企业之间的“门户之见”较深，产业链倾向于为了短期利益，维护已有的客户链条，而不会积极拥抱新产品，这使得一项技术需要投产时，找生产商就十分困难，更别提以后的推广、应用了。
另一方面，中国科学院自动化研究所复杂系统管理与控制国家重点实验室主任王飞跃认为，目前市场上有很多风险基金来主导基础研究型公司，这对正常的创新过程会产生一定负面影响。特定阶段确实需要一些特殊的措施，但无论如何要给有能力、愿意做研究的人一个安静的空间，这才是科研创新真正的源头。
王飞跃认为，很多人蜂拥而至进入智能行业，其中不乏“语言创新”、炒作概念的PPT公司，好多核心硬件还要从外国进口，企业技术能力“配不上”它的名字，这是需要我们反思的地方。
《中国机器人产业发展报告》建议，围绕市场需求，加强新技术之间的整合能力，打造“政产学研用”紧密结合的协同创新载体。既要围绕智慧工厂、智能家居和智慧城市开展细分领域示范工程，也要打造重点领域机器人应用系统集成商和综合解决方案服务商，推进全产业链协同发展。
人才队伍建设是产业发展“脊梁柱”
任何产业的发展都依赖高素质的人才。美国人工智能产业的发展，得益于过去几十年来高校、科研院所没有停止过的探索，美国从而成为世界人工智能人才的最大输出地。而中国人工智能人才则较为稀缺。
腾讯研究院发布的《中美两国人工智能产业发展全面解读》，从企业人数分布可以看出中美之间的巨大差异。报告显示，截至2017年6月，美国共有1078家人工智能企业，员工数量为78700名；中国有592家人工智能企业，员工数量为39200名，约为美国的50%。分领域来看，在处理器/芯片领域，美国员工人数是中国的13.8倍，美国17900人，中国1300人。中国在技术层领域的企业人数也远远落后于美国，仅在智能机器人领域人才稍多，为6400人，是美国同领域人数的3倍。
根据全球职场社交平台“领英”的数据，7成美国人工智能人才从业10年以上，而中国仅有4成相关人才有这样的从业经验。报告分析，这源于中国人工智能产业起步比美国晚，人才培养模式尚存差距。
中国高校在很长时间内并没有人工智能专业，而美国是人工智能概念的诞生地，基本上大院校都有人工智能专业和研究方向。根据美国国家科技委员会的人工智能全球大学排名，前20名中有16所是美国大学，这些大学源源不断地向科技企业输送人才。
业内人士表示，由于人才匮乏，人工智能工程师的年薪水涨船高。博士毕业进入企业，起薪或可高达百万元，“否则根本留不住人”。而且，即便这样的人也很难“上手就用”，都要在公司经过数月至一年的专业培训。
目前，中国正在快速追赶美国人工智能人才的培养步伐。从论文发表数量来看，华人作者的领先优势日益明显。在“深度学习”领域，中国的论文数量从2014年开始超越美国。专家认为，人才培养是“智能+”发展的关键，而且，人才培养要与重点项目相结合，真正做到核心人才本土化、核心项目自主化。
《中国机器人产业发展报告》建议，应建立机器人行业亟须的多层次、多类型技能人才培养体系，建立校企联合培养人才的新机制。同时，建立培养标准体系，运用职业培训和职业资格制度加深与汽车、电子、化工、消防等相关行业合作，实现人才培养与企业需求的良好对接。
国务院2017年印发《新一代人工智能发展规划》，提到将“加快培养聚集人工智能高端人才”。伴随着巨大的市场需求和应用场景，我国有望吸引更多人才来华从事人工智能行业。
在面向2030年对我国人工智能发展进行的战略性部署中，我国新一代人工智能发展规划也明确提出了我国人工智能发展的“三步走”目标：
第一步，到2020年，人工智能总体技术和应用与世界先进水平同步，人工智能产业进入国际第一方阵，成为我国新的重要经济增长点；第二步，到2025年，人工智能基础理论实现重大突破、技术与应用部分达到世界领先水平，人工智能产业进入全球价值链高端，成为带动我国产业升级和经济转型的主要动力，智能社会建设取得积极进展；到2030年，人工智能理论、技术与应用总体达到世界领先水平，我国成为世界主要人工智能创新中心，人工智能产业竞争力达到国际领先水平。
专家认为，要想让机器人渗透到人们生活，真正实现智能社会，一定要把相应的基础设施建设好，建立知识库、大数据库、面向各类具体问题的智能系统等。“这不仅要有技术，还涉及整个社会体系、服务体系和治理体系等。”业内人士呼吁，要加快机器人向各领域的应用，实现人机协调、跨界融合、共创分享，营造有利于机器人发展的良好生态。
瑞银研究报告显示：至2030年AI每年将为亚洲贡献经济价值高达1.8万亿至3.0万亿美元，将对金融服务、医疗保健、制造、零售和交通等行业产生巨大影响。这些行业加起来，相当于目前亚洲GDP的三分之二。
据统计，2000至2016年，中国人工智能企业数量累计增长1477家，融资规模达27.6亿美元。其中，2014至2016年三年是中国人工智能发展最为迅速的时期。这三年里新增的人工智能企业数量占累计总数的55.38%。另据艾瑞咨询公开数据，中国人工智能产业规模2016年已突破100亿元。
面对优势，还需戒骄戒躁；面对补足，还需踏实补强；我国应在人工智能产业发展的浪潮中争当“弄潮儿”。
未来已来，当时代的钟声缓缓敲响，新科技革命和产业变革将是最难掌控但必须面对的不确定性因素之一，抓住了就是机遇，抓不住就是挑战，必须在日新月异的科技大变革中、在国际合作与竞争的征程中加速前进。
结语：以上就是首席CTO笔记为大家整理的关于人工智能还缺什么的全部内容了，感谢您花时间阅读本站内容，希望对您有所帮助，更多关于人工智能还缺什么的相关内容别忘了在本站进行查找喔。