1. 數據優勢
1.1. 人工智能在現階段甚至相當長的一段時間內大概率將沿襲當前的技術路徑，即依賴大數據機器學習的數據智能
1.2. 各國政府、企業、研究機構在推動人工智能算力算法升級和產業落地的過程中，都將依賴於龐大的數據基礎，而這正是中國發展人工智能的優勢所在
1.3. 數據優勢
-
1.3.1. 具備極其龐大的數據體量
-
1.3.1.1. 龐大的人口規模、豐富的應用場景、多元化的商業模式和高度的互聯網普及，使得中國無論在數據體量方面還是在數據類型方面都具有得天獨厚的優勢，有效奠定了人工智能模型訓練所需的大數據基礎
-
1.3.1.2. 中國龐大而豐富的數據不僅是人工智能的“燃料”，更成為人工智能的“養料”，為人工智能技術的發展注入了豐富營養
-
-
1.3.2. 具備相對寬鬆的數據獲取和應用條件
-
1.3.2.1. 與西方國家動輒將個人數據與人權、科技公司影響力及隱私安全掛鈎，圍繞數據的使用和共享開展激烈爭論的現實情況不同，中國民眾更傾向於分享個人數據，以獲得更加便利和優質的服務體驗
-
1.3.2.2. 無論是政府還是企業都能夠在場景落地的過程中獲得極為豐富的大數據支持，如個人信用歷史、行為偏好、人脈信息、履約能力、身份特質等，而這也催生了中國人工智能在定製化服務、生物醫藥、自動駕駛、金融科技、治安監控等領域的普遍應用和全面開花
-
1.3.2.3. 中國政府和企業也高度重視在確保數據安全能力建設和數據共享規則建設的同時，推動政府間、行業間以及政府與產業的數據共享，以期打破數據壁壘，消除數據鴻溝，進一步推動人工智能技術和產業的發展
-
-
1.3.3. 具備得天獨厚的數據標註成本優勢
-
1.3.3.1. 數據是人工智能的“養料”，在對人工智能進行“餵養”訓練之前，人們必須對這些數據進行嚴格的清洗和標註，作為有監督機器學習的先驗經驗
-
1.3.3.2. 在相當程度上，人工智能系統的優化取決於數據標註的數量和質量
-
1.3.3.3. 數據標註分為分類標註（應用於情緒識別等）、標框標註（應用於物品識別等）、區域標註（應用於自動駕駛等）、標點標註（應用於人臉識別等），以及根據不同需求的個性化標註，這既是人工智能的基礎支撐，但同時也需要耗費巨大的人力
-
1.3.3.4. 中國相對較低的勞動力成本和巨大的勞動力規模則體現出相當的優勢
-
1.4. 數據優勢並不能使中國人工智能發展高枕無憂
-
1.4.1. 數據的流通交換也在國內國外面臨着不同的瓶頸
-
1.4.2. 出於對國家安全、公民隱私以及數據交易規則的擔憂，中國政府在數據開放方面的力度仍不強
-
1.4.3. 跨境數據流通的規則仍不明朗，我國企業在數據領域的全球合作仍面臨諸多不確定性
-
1.4.3.1. 出於國內層面對數據安全的考慮
-
1.4.3.2. 受到國際社會尤其是發達國家出於限制中國人工智能發展而設定的一系列規則障礙的影響
-
2. 技術積澱
2.1. 專利是給天才之火澆上利益之油。
- 2.1.1. 美國第16屆總統亞伯拉罕·林肯
2.2. 高水平論文代表着前沿科技的行進方向，是技術突破和走向商用的基礎沉澱，專利則進一步保護和激發了創新活力，起到了引領創新決策、鞏固創新地位、實現創新價值的作用，為發明創造、技術突破、企業成長以及技術的推廣應用提供源源不斷的可持續動力
2.3. 在人工智能領域，高水平論文和專利的這一作用尤其突出，其數量和質量直接代表了這一技術領域發展的技術積澱，在相當程度上決定着未來的發展勢頭
2.4. 無論是論文總量還是高被引論文數，中國的論文數量皆居世界第一，尤其是論文產出總量是排名第三的英國的近4倍
2.5. 國家電網、百度、中科院、騰訊、阿里巴巴等成為主要玩家，且專長領域各有不同
-
2.5.1. 國家電網、百度、中科院、騰訊、阿里巴巴等成為主要玩家，且專長領域各有不同
-
2.5.2. 百度則專長於自動駕駛、語音識別、自然語言處理、智能搜索和推薦四大技術領域
-
2.5.3. 中科院的專利主要集中在機器學習、基礎算法、計算機視覺和圖像識別等方向
2.6. 中國也已成為全球人工智能專利最多的國家
2.7. 中國的人工智能人才儲備也日漸豐富
2.8. 無論在高被引論文、專利還是人才儲備方面，我們仍存在着不同程度的短板和缺陷
-
2.8.1. 在論文方面，我國仍缺乏真正有原創性、突破性、標誌性的基礎研究成果
-
2.8.2. 人才培養課程尚未形成體系，按高H因子衡量的中國真正的傑出人才數量稀少
3. 資本熱情
3.1. 在2012年，傑弗裏·辛頓帶着他的卷積神經網絡參加ImageNet圖像識別大賽，以84.7%的準確率摘得桂冠，成功證明深度學習的應用潛力之時，國內創業力量尚在彷徨尋路，未能聚成合力
3.2. 不乏“偽人工智能”的圈錢公司和急功近利的投機資本
3.3. 中國的人工智能並未因資本利益的驅使畸形發展，而是正在逐步迴歸理性，進行自發的去偽存真，保持了良好且強勁的發展勢頭
4. 類腦智能助力
4.1. 以傳統馮·諾依曼架構為基礎、以數據模型學習驅動的人工智能技術路徑正面臨着嚴峻考驗，即需要海量數據和高質量標註，自適應能力弱、計算資源消耗大、分析推理能力不足對於非結構化數據的處理產生困難
4.2. 人工智能的另一技術路徑—以認知仿生驅動的類腦智能則可以充分克服數據智能的侷限和不足
4.3. 發展目標是在結構層次上模仿腦、在器件層次上逼近腦、在功能層次上超過腦，因此也被寄希望成為能夠完成自主學習、記憶、推理、感知、決策、多任務處理的通用人工智能技術方案
4.4. 優勢
-
4.4.1. 擁有種類豐富的靈長類動物資源
-
4.4.1.1. 腦科學基礎研究是驅動類腦計算創新發展的源頭，對大腦生物學機理和運行機制的認識在一定程度上直接決定了類腦計算的發展上限
-
4.4.1.2. 非人靈長類動物的腦組織結構與人腦更為相近，在大腦結構和認知機制等方面更為複雜和強大，是開展類腦智能研究的理想模型
-
4.4.1.3. 我國靈長類動物資源非常豐富，全國分佈有4科8屬24種共45亞種，約佔世界非人靈長類物種的10%，人工養殖存欄數達30餘萬隻，我國已成為全球非人靈長類實驗動物數量最多、規模最大的國家
-
-
4.4.2. 具備類腦智能研究的先發優勢
-
4.4.2.1. 對於類腦智能的研究不但開始時間早，而且佈局廣泛，進展顯著
-
4.4.2.2. 清華大學類腦計算研究中心研發出具有自主知識產權的類腦芯片，完全棄用了傳統的馮·諾依曼架構，實現了基於1024個氧化物憶阻器陣列的類腦計算，功耗則低於傳統芯片的千分之一
-
-
4.4.3. 具備達到世界尖端水平的大腦成像技術
-
4.4.3.1. 對大腦認知機制進行探究的關鍵在於對腦連接進行清晰成像
-
4.4.3.2. 華中科技大學駱清銘團隊的研究成果“顯微光學切片斷層成像技術”(MOST)
-
4.4.3.3. MOST系統是一種適用於大樣本的高分辨率、高通量的三維顯微光學成像的系列技術，它在世界上率先實現了單神經元分辨水平全腦神經結構的精準成像
-
5. 制度優勢
5.1. 中國政府從國家戰略高度發展人工智能，各項措施激勵有效、推進有力
-
5.1.1. 20世紀50年代蘇聯的“Sputnik Moment”（衞星時刻）激發了美國政府大力推動衞星研製一樣
-
5.1.2. 2016年AlphaGo的橫空出世也同樣刺激了中國政府的敏感神經
5.2. 出台了以人工智能為焦點的《“十三五”國家科技創新規劃》《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）》等多項頂層戰略文件
5.3. 擁有高度的組織性、堅實的民意基礎和強大的資源協調能力，能夠最大限度地匯聚民族的強大凝聚力和發揮強大的行動能力
5.4. 對於人工智能這類高風險、長週期的科技產業項目，中國政府資金的長期支持相當於為該行業注入了一劑強心針，且中國政府可以以支持人工智能研發的財政和税收激勵政策
- 5.4.1. 工業結構調整和升級基金、中央基礎設施預算、中央科技融資、企業研究開發費用税前加計扣除及重大技術裝備保險補償等形式
5.5. 在人工智能領域給予的強力支持，中國已經從人才輸出國向人才引力場轉變
5.6. 人工智能發展不可迴避的問題就是其技術和產業進步將對社會多個方面產生變革性的深遠影響，對現有的社會運行規則形成挑戰
5.7. 推動人工智能發展最為緊迫的問題就是前瞻性地做好倫理規範和建立完備的法律框架
5.8. 科技領域安全是國家安全的重要組成部分，要強化國家戰略科技力量和加快科技安全預警監測體系建設，圍繞人工智能、自動駕駛、服務機器人等領域，加快推進相關立法工作
