人工智能（Artificial Intelligence），英文缩写为AI。它是研究、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。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，我们将对其应用进行调研分析。

1. 人工智能在5G基带电路中的应用

“5G基带电路及相关芯片是5G基站及终端的核心，但它们的开发难度很高，往往需要很多工程师开发几年才能完成。而各行各业对于5G的需求千差万别，一些简单的应用如果也用高大上的电路是浪费的，这相当于杀鸡用牛刀，而重新开发电路又需要投入时间、人力再重新研发。现在已经研发出一款系统，可以根据行业需求，结合AI技术定制化地设计5G基带电路，成本低、节省人力，研发周期短。”12月8日，在南京市“共建重大创新平台推动科技自主自强”推进会上，东南大学与网络通信与安全紫金山实验室联合发布“5G/B5G 基带电路自动生成软件系统”，东南大学教授尤肖虎用这番描述，解读团队如何助力我国移动通信领域电子设计自动化。

过去6年，该研究团队一直试图找到5G电路的共性差异，设想能否用共同的核心技术生成适合各个5G应用场景的电路，后来联合课题组发现，5G基带中按传统方法分解的各模块大多可以用统一的贝叶斯统计概率推断模型来表征，由此可以采用“统一模型、按需配置”的设计思路高效完成基带电路的定制化。“整个设计流程基本无需人工干预，实现了真正意义上的电子设计自动化，例如5G极化码电路自动生成、超低成本5G物联网基带电路自动生成，以及超高速率与超高可靠5G车联网基带电路自动生成等。”尤肖虎说，该成果在5G、B5G乃至未来6G基带电路的定制化设计方面都具有广阔的应用前景。

2. 人工智能在大规模教育考试中的应用

人工智能赋能大规模教育考试的组织和管理旨在实现考试组织和管理的智能化，提高考试组织和管理的效率。人工智能赋能大规模教育考试的题库建设是

目前的研究重点。题库不仅仅是试题的存储库，更重要的是要实现智能化组卷。命制足够多的试题是题库建设的初期工作，在试题的数量足够多后，需要对试题进行分类和表征编码。人工智能赋能大规模教育考试的具体实施是大规模教育考试信息化和智能化的基本要求。人工智能赋能大规模教育考试的具体实施是对纸笔考试的全面变革，考生不再进行纸笔测试，而是使用计算机进行线上考试。线上考试主要包括线上作答和线上监控。阅卷对考试有重要影响，大规模教育考试实现智能化阅卷对提高阅卷效率和促进考试公平有重要意义。目前一些仅包含选择题、填空题和是非判断题的考试，已经实现智能化阅卷和反馈；但对于有较多主观题的大规模教育考试的阅卷，目前仅能实现网上阅卷，尚未达到智能阅卷。考试大数据是教育大数据的重要组成部分，对考试大数据的分析有助于实现从单一考试评价向多元评价转变及教育决策的精准化。具体来说，分析考试数据有助于发现考生在知识、技能、能力和素养上的优势和不足，可以为教师改进教学以及为学生改善学习和激发学生学习潜力提供建议，有利于发挥考试的积极导向作用。

大规模教育考试组织、管理、实施和评价的全面信息化和智能化是人工智能赋能大规模教育考试的目的。考试组织和管理的智能化是第一步，是基础；题库建设和智能化组卷是第二步，是前提；智能化阅卷和反馈是第三步，是难点；线上考试和智能化监控是第四步，是必然要求；人工智能赋能大规模教育考试的评价是第五步，是考试管理的收尾工作。人工智能赋能大规模教育考试的组织和管理；人工智能赋能大规模教育考试的题库建设；人工智能赋能大规模教育考试的具体实施；人工智能赋能大规模教育考试的阅卷和反馈；人工智能赋能大规模教育考试的评价。这5步是按照智能化考试所需的人工智能技术要求来划分的，每一步都以前一步为基础。如果完成这5步，那么大规模教育考试组织、管理、实施和评价的全面信息化和智能化就可以成为现实。

3. 人工智能在流程制造中的应用

流程制造业是国民经济和社会发展的支柱产业。经过数十年发展，中国石化、化工、钢铁、有色金属、建材等流程制造业的生产工艺、装备和生产过程自动化水平都得到了大幅度提升，产业规模和整体实力迅速增长，国际影响力显著提高，目前已成为世界上门类最齐全、规模最庞大的流程制造工业大国。在当前资源、能源、安全和环保的重重约束下，中国流程制造业面临着结构性产能过剩、安全环境风险突出、自主创新能力较弱、高端产品不足的严峻挑战。亟需应用人工智能等现代信息技术进行生产、管理、营销模式的变革，重塑产业链、供应链和价值链，实现流程制造业的高质量发展。

智能、自主、可控是未来流程制造智能化的前沿研究方向，需要通过人工智能等现代信息技术与流程制造业的深度融合，拓展“智能+”，研究面向复杂系统的多时空尺度的优化调控方法和技术，其前沿科学问题包括物质转化过程行为特性表征与认知、制造过程多目标自主协同调控机制、制造系统跨层人机物融合智能决策3个层面。

物质转化过程行为特性表征与认知。从物质转化本质出发，研究典型流程制造中关键物料分子结构及组成与其物化特性的分子表征方法，基于全时空信息泛在感知和认知计算，实现微观尺度物质转化机理和宏观尺度系统运行特性的构效关系表征；研究融合大数据、人工智能的流程制造过程智能混合建模与全流程模拟方法，实现物质转化过程动态性能与工况趋势的认知；基于工艺机理模型、边缘计算、信息可视化等方法，创新典型物质转化制造过程的虚拟制造技术，实现平行制造。

制造过程多目标自主协同调控机制。从过程性能调控出发，发展具有自适应、自学习、自动调整控制结构和控制参数的控制理论与方法，实现适应工业过程动态变化的自主控制；研究数据和模型融合的工业过程故障诊断、自愈控制方法，实现工业过程的安全可靠运行；研究大数据、小样本的机器学习方法，提出工艺机理与数据驱动深度融合的制造过程多层次、多尺度、多目标协同动态优化和控制一体化理论方法，实现安全、环保、质量、效益多目标控制与优化的智能协同。

制造系统跨层人机物融合智能决策。从系统行为决策出发，通过人机物三元融合，发展基于人工智能的具有可解释性的决策优化方法，解决不确定条件下决策的鲁棒性问题；研究基于数据知识和专家知识、融合装置运行特性的生产计划与调度优化方法，实现制造全流程资源与能源的优化配置及加工方案的优化，确保价值链最大化；发展环境深度耦合的风险关系辨识理论与方法，研究风险传播与装备、人员、环境的交互关系，实现制造系统异常成因分析、风险动态智能评估与辅助决策。

4. 人工智能在扫地机器人中的应用

扫地机器人作为目前家用电器中唯一具备自主移动能力和环境感知能力的品类，一直是新技术应用的先锋。2002年，军事机器人出身的美国iRobot公司推出了第一款真正意义上的家用扫地机器人Roomba，正式开启了智能扫地机器人时代。

目前，市场上的扫地机器人的细分品类非常多，按照导航规划方式，可以划分为随机清扫和导航规划清扫（弓字型行走）两大类，导航规划清扫是中高端扫地机器人的标配，可以为室内环境建图，以此规划清扫路线，工作起来既节能又高效。

现阶段实际落地的导航技术有两种（如图1所示），一种是视觉导航（vSLAM，

visual Simultaneous Localization And Mapping）， 另一种是激光导航（Lidar SLAM）。前者用普通的摄像头采集环境中的特征点信息，利用视觉算法确定机器人的位姿；而后者则采用安装在机器人顶部的可以发射接收激光的模组，通过360度多点位激光测距，实现二维地图建图，同时确定扫地机器人自身的位置。  

图1 激光导航扫地机器人机器人（左）对比视觉导航扫地机器人（右）

在技术路线选择上，Neato（俐拓）、石头科技等厂家选择了激光导航方案，以确保在高端扫地机器人上的体验优势；而iRobot、追觅科技则选择押注视觉方案的长期扩展性，希望通过软件算法的升级迭代，提升扫地机器人的用户体验。其代表性的产品iRobot Roomba i7/s9、米家扫拖机器人1C都在通过远程OTA（On-The-Air, 远程在线升级）逐步增加产品功能体验，如图2所示。

在智能可扩展性方面，视觉导航方案的潜力则远高于纯激光导航方案。采用视觉导航方案的扫地机器人输入的信息是维度更加丰富的二维图像信息，而激光雷达采集的仅仅是激光测距的一维距离信息。虽然目前由于算法和算力的原因，视觉导航方案仅仅提取了其中的点/线等有限信息用于导航定位，但随着算法的提升，结合图像识别等人工智能算法的迭代，视觉导航方案能够基于对环境的理解，提供更加智能的清扫体验。而由于嵌入式芯片的超摩尔定律和软件算法研发的极低边际成本，未来将会出现成本和性能均超越激光导航方案的视觉导航解决方案。

图2 米家扫拖机器人1C高级地图功能（左）与iRobot i7 APP高级地图功能（右）