第一篇：美國人工智能發展及政府發展戰略

【 內 容 提 要 】

最近十 余 年，人 工 智 能 在 美 國 得 到 快 速 發 展。

目 前美 國 的 人 工 智 能 在 研 發 方 面 居 于 全 球 領 先 地 位。

學 術 機 構 是 美 國人 工 智 能 研 發 的 主 力，企 業 界 的 作 用 也 在 不 斷 增 強。

人 工 智 能 已在 美 國 商 業 領 域 得 到 廣 泛 應 用，催 生 了 眾 多 新 興 產 業，并 提 升 了傳 統 行 業 的 智 能 化 水平，從 而 產 生 了 可 觀 的 經 濟 效 益。

美 國 也 在積 極 深 化 人 工 智 能 在 政 府 部 門 特 別 是 軍 事 領 域 的 應 用。

目 前，美國 政 府 已 經 制 定 了 較 為 完 整 的 人 工 智 能 戰 略，進 入 了 快 速 實 施 階段。

特 朗 普 政 府 為 美 國 人 工 智 能 發 展 設 立 了 目 標 和 原 則，成 立 了指 導 和 實 施 機 構，注 入 了 大 量 資 金，并 積 極 推 動 數 據 開 放、標 準制 定、人 才 培 養、政 府 與 企 業 合 作 以 及 風 險 管 控。

然 而，美 國 人工 智 能 發 展 仍 面 臨 資 金 不 足、人 才 短 缺 和 政 策 執 行 效 率 低 下 等 問題。

美 國 政 府 在 制 定 人 工 智 能 發 展 戰 略 時，一 直 把 中 國 當 作 首 要的 比 較 和 防 范 對 象，把 中 國 在 人 工 智 能 領 域 里 的 競 爭 視 為 爭 奪 世界 領 導 權 的 戰 略 競 爭，密 切 關 注 中 國 在 發 展 人 工 智 能 方 面 的 動 向，竭 力 防 止 中 國 在 人 工 智 能 領 域 獲 得 領 先 地 位。

人 工 智 能 的 發 展 將使 中 美 在 軍 事 與 安 全、貿 易 和 政 治 方 面 的 矛 盾 進 一 步 加 深。

】

【關鍵詞】

人工智能；高科技；戰略競爭；中美關系

人工智能是一個迅速發展的高科技領域，它影響到一個國家政治、社會和經濟生活的許多方面，對國際關系也具有潛在的重大影響。美國是最早發展人工智能的國家，目前它在人工智能方面處于全球領先地位。近年來，為了保持本國的經濟競爭優勢，美國政府尤其重視人工智能的發展，制定了詳盡的促進政策。這些政策不僅關乎美國自身，其影響還會傳導到國際關系和國際貿易領域。美國在高科技領域對中國的打壓就體現了這一點。因此，我們在國際關系和外交領域應當對美國人工智能的發展及政府發展戰略給予足夠的重視。

一 一

人工智能定義與重要相關概念 目前人工智能沒有普遍認可的定義。一種簡要的定義是:人工智能是“對思想和智能行為背后的計算原理的科學研究”。也可將人工智能定義為“能夠執行通常需要人類智能，如視覺感知、語音識別、決策和語言翻譯任務的計算機系統的理論與發展”。因此，一般在提到人工智能時，可以把人工智能通俗地理解為“機器學習、自動推理、機器人、計算機視覺和自然語言處理（NLP）的總稱”。

關于對人工智能更具體的描述，可以參考美國《2019 財年國防授權法》給出的定義:（1）任何在變化的、不可預測的情況下執行任務而無須重大的人為監督的人工系統，或者在接觸數據集時可以從經驗中學習并改善性能的任何人工系統；（2）在計算機軟件、物理硬件或其他環境中發展起來的一種人工系統，用于完成需要類似于人的感知、認知、計劃、學習、交流或身體動作的任務；（3）一種被設計成像人一樣思考或行動的人工系統，包括認知結構和神經網絡；（4）一組技術，包括旨在用于近似認知任務的機器學習；（5）一種旨在采取合理行動的人工系統，包括一個智能軟件代

理或嵌入式機器人，它通過感知、計劃、推理、學習、交流、決策和行動來實現目標。

哲學家約翰·塞爾（John Searle）區分了強人工智能和弱人工智能的區別。他提出了一個問題:計算機是否可以有頭腦，還是它們只能模擬頭腦-強人工智能要求計算機對其所做的事情有更深入的理解，確實是在思考而不只是模擬思考，塞爾認為強人工智能是不可能實現的。而弱人工智能雖然可能看起來像是智能的，但是它們對自己做的事情缺乏更深入的理解，也不具有自主意識。從這個意義上說，強人工智能與弱人工智能的區別同通用人工智能與專業人工智能的區別相類似。通用人工智能具有類似人類的思維和智能，“能夠執行目前需要人類智能的任何認知任務或操作任務”，而專業人工智能是為一個特定目的而訓練的，很少有完成其他任務的能力。例如，2016 年 3 月谷歌公司研發的擊敗人類世界圍棋冠軍李世石的阿爾法狗就屬于專業人工智能的范疇，它不能進行人臉識別。迄今所有的人工智能應用都是以專業人工智能的形式出現的。人們普遍認為，目前人類距離開發出通用人工智能還十分遙遠。

人工智能成為熱門是最近十幾年的事情，但它并不是一種新現象。人們公認，1956 年美國“達特茅斯學院人工智能夏季研究項目”研討會是人工智能概念形成的起點。項目主持人約翰·麥卡錫（錫（John McCarthy）邀請了包括語言模擬、神經網絡和復雜性理論等在內的各個學科的研究人員參加會議，澄清并提出與“思維機器”（thinking machines）相關的概念。會議的提案指出，“這項研究應當基于這樣的推測:原則上可以精確地描述學習的各個方面或智能的任何其他特征，以便制造出模擬它的機器”。早期的人工智能研究激發了人們巨大的熱情和期望，曾在 20 世紀 60 年代和 80 年代掀起兩次發展高潮，但由于受到算法、數據量、數學理論和計算機運算能力等因素的限制，所取得的成果有限，發展勢頭也兩次跌入低谷。至 2010 年左右，隨著互聯網時代大數據的積累和可獲得性、機器學習方法的改進以及機器處理能力的提高，人們重新燃起對人工智能的興趣，從而刺激了專業人工智能的發展。前兩輪人工智能熱潮是學術研究主導的，而新一輪熱潮主要是商業需求驅動的，并且產生了成熟的商業模式、廣泛的市場應用和可觀的經濟效益。

要了解人工智能的發展現狀，首先要了解以下幾個關鍵概念以及它們之間的關聯。

（1）機器學習。人工智能最重要的進步之一是機器學習，它是引領當前人工智能大發展的革命性技術突破。機器學習是獲得人工智能的一種方法，其重點是賦予機器學習的能力，這是通過數據和算法的結合來完成的。機器被輸入數據，之后使用算法來“研究”這些數據以發現模式，機器從這些數據中“學習”，目的是能夠執行任務。一般來說，機器學習可以幫助研究者對數據進行分類、聚類和預測。在此基礎上，計算機能夠檢測惡意軟件、預測住院情況、檢查法律合同是否存在錯誤、防止洗錢、通過鳴叫聲來識別鳥類、預測基因功能、發現新藥、預測犯罪并適當安排警察巡邏、識別最適宜種植的農作物、測試軟件以及標記文章等。

（2）算法。在機器學習中，算法是關鍵。算法是用機器語言一步步地描述如何執行任務或計算。算法的目的是解決問題。至關重要的是，在輸入相同的條件下應當反復產生相同的結果。不同的算法適用于完成不同的任務。

（3）深度學習。深度學習是機器學習的一個領域，它受人腦結構的啟發，依賴于所謂的神經網絡。這種機器學習神經網絡可以從數據中學習，而無須外部指導。機器之所以能夠做到這一點，是因為它們可以通過調整部分編程來獲得更好的結果。深度學習是解決某些問題的絕佳工具，特別是涉及感知分類的問題，如識別音節和賓語。深度學習意味著系統“正確處理”的可能性增加了，它是基于該系統經過多次迭代來識別圖像中的特定元素并根據識別是否成功而進行調整來完成的。這與人們通常理解的智能有很大不同。

（4）人工神經網絡。人工神經網絡為深度學習提供了動力。它們由多層次的“像一個大腦一樣的一組相互連接的模擬神經元”組成。人們通過算法來模擬各個層次的神經元。人工神經網絡非常適合于識別圖像，它們從少量的圖像中學習，這些圖像已被手動標記為“貓”或“非貓”。網絡可以由此識別出一組特征，從而能夠識別圖像中的貓。同樣的原理也可用于分析衛星圖像。

在訓練方面，可以區分有監督的、無監督的和強化的學習。阿爾法狗是通過與人類對弈來訓練的。借助于強化學習，其后繼者阿爾法元可以在沒有人工輸入的情況下通過與自己對弈來學習。強化學習現在被用來訓練精通多個棋盤游戲的人工智能。目前深度學習為語音識別、圖像識別和自然語言處理等領域帶來了突破性進展，語音識別的準確率在過去 10 年內從65%提升到 95%。這些技術進步催生了廣泛的實際應用，如自動駕駛、機器翻譯、智能生活、數據挖掘、災害預測、輔助醫療和精準營銷等。

（5）大數據。人工智能離不開大數據。人工智能和機器學習建立在大數據的可獲得性不斷提高和計算能力不斷增強的基礎之上。機器學習是借助以前所未有的數量、種類和速度提供的數據培養起來的。近年來大多數機器學習進步背后的促進因素就是大數據和深度學習。

二 二

美國人工智能發展現狀 狀（一）美國人工智能研發現狀 2019 年一份對美國、中國、歐洲人工智能發展的比較研究報告顯示，在六項指標——人才、研究、開發、采用、數據和硬件中，美國處于絕對領先地位，中國位居第二，歐洲則位居第三。根據對 2018 年在 21 個主要人工智能國際會議上發表論文的作者獲得博士學位情況的調查，其中有 44%的人在美國獲得博士學位，比在歐盟（估計為 21%）和中國（11%）的總和還多。這在很大程度上為美國提供了人工智能人才的優勢。根據人工智能論文和專利記錄，在雇用人工智能人才最多的 20 家公司中，2017 年有一半

設在美國。這 10 家美國公司合計擁有 1623 名人工智能人才。相比之下，歐盟有 6 家這樣的公司，總共有 522 名人工智能人才。排名前 20 位的唯一一家中國公司是華為，擁有 73 名相關人才。

美國在人工智能方面的研究成果在全球處于領先地位。根據全球最大的引文數據庫 Scopus 的檢索結果，2018 年美國共發表了 16233 篇與人工智能有關的同行評審論文。論文數量的快速增長主要發生在 2013 年之后，5 年內增長了 2.7 倍。同一時期中國和歐盟的人工智能論文數量也有類似的快速增長，而且每年發表論文的數量明顯超過美國，兩者 2018 年的發表數量分別高達 24929 篇和 20418 篇。不過，美國人工智能論文的質量一直大幅度領先于其他地區，2018 年其平均每篇論文被引用的次數為 2.23 次，而中國為 1.36 次。美國每個作者被引用的次數也比全球平均水平高出 40%。

美國在深度學習領域發表的論文數量遠超過其他國家，2015—2018 年共在預印本文庫網站 arXiv 發表了 3078 篇相關論文，是中國同期的兩倍。最近幾年，美國每年取得的人工智能專利數量都占到全球總量的一半左右，專利引證數量占到全球的 60%。在全球最大的軟件源代碼托管服務平臺GitHub 上，美國各機構貢獻的人工智能軟件庫受到最多的關注。僅谷歌公司主導的機器學習開源軟件庫 TensorFlow 的累積點贊數就超過 15 萬次，接近所有其他主要相關軟件庫的總和。然而，中國與美國在這方面的差距正在縮小。艾倫人工智能研究所 2019 年對人工智能論文進行的分析發現，在被引用最多的 10%的人工智能論文中，美國所占份額從 1982 年的 47%下降到 2018 年的 29%，中國從 1982 年的幾乎為 0 增長到 26.5%。

學術機構是美國人工智能研究的主力。1998—2018 年，美國共發表了32 萬篇各類關于人工智能的論文，其中有 27 萬篇來自學術機構，比例達到85%。這與中國和歐盟的情況類似，后兩者的比例還要略高，分別高達 93%和 91%。2013—2017 年發表人工智能論文最多的 5 個美國機構是卡內基梅隆大學、麻省理工學院、微軟、IBM 和斯坦福大學。根據 2018 年 3 月 6 日的科研論文影響力（FWCI）評分，這五個機構加在一起為 4.0，顯著高于歐盟前五名（1.9）和中國前五名（1.4）的評分。人工智能迅速成為美國計算機科學中最熱門的博士生專業，遠超過傳統的信息安全、計算機網絡、軟件工程等專業。2018 年美國畢業的 1251 個計算機科學博士中有 266 人主修人工智能，比例超過 21%，比 5 年前增加了 10 個百分點。

企業界也在美國的人工智能研發中發揮了很大作用。從 1998 年到 2018年，來自企業的各類人工智能文章共有 3.8 萬篇，占總數的 12%，而該比例在中國和歐盟分別只有 2.2%和 3.6%。目前，企業界已經成為美國人工智能人才的最大就業場所。

2018 年，超過 60%的人工智能博士畢業生進入企業界，比 2004 年高出40 個百分點。人工智能教師離開學術界進入工業界的速度也在加快，2018年有 40 多人離職，比 2012 年多 25 人。

美國的人工智能研究在許多關鍵技術領域居于世界領先地位。在計算機視覺領域，谷歌公司和卡內基梅隆大學開發的 Noisy Student 方法對圖片進行分類的 Top-1 準確率達到 88.4%，比 6 年前提高了 35 個百分點；在云基礎設施上訓練大型圖像分類系統所需的時間已經從 2017 年的 3 個小時減少到 2019 年的 88 秒，訓練費用也從 1112 美元下降到 12.6 美元。自然語言處理的進展也非常迅速。2012 年以來，人工智能系統的計算量一直呈指數式增長，平均每 3.4 個月就翻一番，遠遠超過摩爾定律限定的每兩年翻一番的增長速度。谷歌公司的阿爾法元每天能進行 1020 次浮點運算，遠超出任何其他人工智能系統。

然而，當前由深度學習主導的人工智能發展有其應用范圍和理論上的瓶頸。深度學習在語音和圖像識別、自然語言處理等領域擁有其他人工智能技術無可比擬的優勢，但也具有易受攻擊、學習效率低、應用不穩定、缺乏可解釋性等局限。2011 年圖靈獎得主、人工智能專家朱迪亞·珀爾（Judea Pearl）認為，深度學習是一種非常通用和強大的曲線擬合技術，它可以識別以前隱藏的模式，推斷出趨勢，并預測出各種問題的結果，但除非算法和由它們控制的機器能夠推出因果關系，否則它們的效用和通用性永遠不會接近于人類。

根據高德納咨詢公司提出的技術成熟度曲線，新科技從誕生到成熟應用通常要耗費十余年時間或更久，其間要經歷五個階段:科技誕生的促動期、過高期望的峰值期、泡沫化的低谷期、穩步爬升的光明期和實質生產的高峰期。該公司對當前人工智能的各種技術和應用進行了評估，認為只有語音識別達到了實質生產的高峰期，其他都仍處于前三個時期。例如，自動駕駛正處于泡沫化的低谷期，計算機視覺、智能助手、自然語言處理、機器學習和深度神經網絡等都處于從高峰期向低谷期下降的階段。因此，對于絕大多數人工智能技術及其應用來說，至少還需要數年時間才能達到實質生產的高峰期。

（二）美國人工智能產業的發展 美國人工智能產業對勞動力的需求在迅速增長。2010—2019 年，與人工智能相關的工作崗位占總工作崗位的比例從 0.26%上升到 1.32%。其中機器學習所占的比例最高，占到總工作崗位的 0.51%。各個行業都需要人工智能人才，其中信息產業的需求量最大，其次是高科技服務業和金融保險業。

從地域來看，美國各州對人工智能人才的需求都在快速增長，但需求量最大的仍是加利福尼亞州、紐約州、得克薩斯州、馬薩諸塞州、華盛頓州和弗吉尼亞州等高科技產業聚集的州。2018—2019 年，加利福尼亞州對人工智能人才的需求超過 9.3 萬人，占該州工作需求總量的 1.3%。德勤會計師事務所評出的全球前 20 個人工智能創新和應用城市中，有 5 個位于美國，分別是舊金山、波士頓、紐約、洛杉磯和達拉斯。相對而言，人工智能更容易對高技能工作造成沖擊，而中低技能工作更容易受到軟件和機器人的沖擊。擁有學士學位的人受到人工智能沖擊的程度是高中學歷者的 5 倍，這是因為人工智能更容易完成白領擅長的規劃、推理、預測和解決問題等任務。

美國與人工智能相關的公司數量以及對這些公司的投資也在快速增長。美國的人工智能初創企業超過 5000 家，數量遠超過其他國家。排名第二的英國大約有 1000 家，中國大約有 300 多家。全球排名前 100 的人工智能初創公司中的 77 家位于美國。2018 年，美國人工智能初創公司共獲得 187 億美元的私人投資，相當于 2013 年的 7.6 倍，大約占全球總量的 46%。這些美國初創公司雖然獲得了大量投資，但目前很少進行上市和公開募股活動，更多是被高科技巨頭收購。例如，蘋果公司共收購了 20 家，谷歌收購了 14家，微軟收購了 10 家。美國人工智能初創公司涉及的領域非常多樣化，其中數據工具領域得到了最多的投資，接下來是醫療技術、零售、文本分析、聊天機器人和廣告營銷等。這與中國的情況有明顯不同:中國的投資主要流向自動化、人臉識別、教育技術和自動駕駛等領域。

在人工智能公司的風險資本和私募股權融資方面，美國也居于首位。2017—2018 年，美國的風險投資和私募股權融資數額約為 169 億美元。其次是中國，約為 135 億美元。排第三的是歐盟，約為 28 億美元。再看涉及人工智能公司的風險資本和私募股權融資交易數量，2017—2018 年，美國人工智能公司獲得的投資最多（1270 項），超過歐盟（660 項）和中國（390項）。知名的初創公司及投資機構生態數據庫 Crunch-Base 上列出了 2000年 1 月到 2019 年 5 月按地區劃分的人工智能類別組中的公司收購數量，美國擁有此類公司 1727 家，超過歐盟（擁有 762 家）和中國（擁有 224 家）的總和。

美國在發展世界一流的人工智能公司中處于領先地位。美國公司在專利和主導性人工智能收購方面表現強勁，例如，在 15 個機器學習子類別中，微軟和 IBM 在 8 個子類別中申請了比其他任何實體公司都更多的專利，包括監督學習和強化學習類。美國公司在 20 個領域中的 12 個領域的專利申請處于領先地位，包括農業（迪爾公司）、安全（IBM 公司）以及個人設備、計算機和人機互動（微軟公司）。中國科學院則在深度學習方面申請了最多的專利，德國的西門子公司在神經網絡方面申請了最多的專利。

此外，2012—2016 年，IBM 的人工智能專利申請為 3677 項，居全球之首。Alpha-bet 公司有 2185 項，微軟有 1952 項，均位列全球前五名。1960—2018 年，專利申請人在美國專利數據庫（USPTO）中申請了 28031項高引用率專利，這大大超過了歐盟的 2985 項和中國的 691 項。雖然此項指標顯示的是申請人在哪里提交專利，而不是他們的所在地，但大多數申請人通常會首先選擇在其居住的國家/地區提交專利。此外，世界知識產權組織（WIPO）追蹤了 1960—2018 年首次作為《專利合作條約》（Pa-tent Cooperation Treaty）專利申請的知識產權專利的數量。在這方面，美國有1863 項，領先于中國的 1085 項和歐盟的 1074 項。

美國在每一項人工智能發展指標上都處于領先地位，這表明美國比中國和歐盟更有能力繼續發展全球領先的人工智能企業。專利和收購數據也顯

示，美國在發展世界級人工智能公司方面已經居于顯著的領先地位。但是，部分由于中國強大的風險投資和私募股權生態系統，中國正在趕上歐盟和美國。

超級計算機是人工智能發展的關鍵基礎設施之一。在超級計算機擁有量方面，根據 2019 年 11 月 Top500 公布的數據，在全球前 500 強的超級計算機系統中，美國擁有 117 臺，占 23.4%，平均綜合得分為 5223；中國（不含港澳臺地區）擁有 228 臺，占 45.6%，平均綜合得分為 2333；歐盟國家（含英國）有 91 臺，占 18.2%，平均綜合得分為 3211。世界上最快的 10臺超級計算機中有 5 臺屬于美國，世界上最快的兩臺超級計算機（Summit和 Sierra）就安置在美國能源部。

此外，美國的英特爾公司開發了 500 強超級計算機中 94.8%的處理器。使用加速器或協處理器來增強計算機性能的超級計算機有 145 臺，其中有141 臺使用了來自美國的 Nvidia 或英特爾公司的加速器或協處理器，占總數的 97.2%。中國的超級計算機研發在某些方面正在趕超美國。2010 年 6月，全球 500 臺性能最強的超級計算機中有 282 臺安裝在美國，但是到 2018年，美國擁有的臺數下降到了 109 臺的歷史最低位。中美都在努力開發每秒百億億次浮點運算的計算機。2018 年《科學》（Science）雜志的一篇報道說，2018 年 6 月以前，中國在世界排名中最靠前的兩臺超級計算機太湖之光（排名第一）和天河 2A（排名第三）的算力總和比美國能源部當時擁有的 21 臺超級計算機的總和還要強大。直到 2018 年 6 月美國田納西州橡樹嶺國家實驗室名為 Summit 的計算機付諸運行，它才為美國奪回了最強超級計算機的稱號。目前美國能源部正在研發一臺名為極光（Aurora）的超級計算機，其計算和分析能力是 Summit 的 50 倍。

人工智能對美國經濟將產生顯著的促進作用。它不僅催生了圖像識別、語音識別、機器翻譯等新興產業，其更廣泛的應用是所謂的“AI+”，即人工智能為醫療、制造、運輸、金融、零售、教育、農業等傳統行業賦能，提高這些行業的智能化水平，推動傳統經濟結構轉型升級，向“工業 4.0”轉變，創造出新的經濟增長點。普華永道會計師事務所預測，到 2030 年人工智能對全球經濟的累積貢獻可能高達 15.7 萬億美元，其中 6.6 萬億美元源自生產率的提升，9.1 萬億美元源自消費，今后對美國經濟的累積貢獻將達到 3.7萬億美元。埃森哲咨詢公司預測，到 2035 年人工智能將每年為美國經濟帶來 2.6%—4.6%的額外增長。由于深度學習在美國發展得最早，它對美國經濟的促進作用將很快顯現出來，在 21 世紀 20 年代中期就能達到高峰，可能比中國要早 5 年。

人工智能已經在美國多個行業中得到應用。獲益最多的行業之一是醫療保健，主要應用范圍是輔助診斷和治療、醫療影像分析、傳染病的早期識別和跟蹤、新藥研發等。僅 2018 年，美國食品藥品管理局就批準了 16 款人工智能醫療產品，用于檢測骨折、糖尿病、心臟和腦部疾病。自動駕駛是另一個人工智能技術正在快速走向實用的領域，美國在這方面也處于世界領先地位。根據畢馬威對各國自動駕駛發展情況的評估，2019 年美國位列世界第四，其中在技術和創新方面位列世界第三，僅次于以色列和挪威。

中國的綜合排名是第 20 名，技術和創新位列第 19 名。美國汽車工程師學會將自動駕駛分成 L0 到 L5 共六個等級，特斯拉等美國量產車型的自動駕駛等級處于 L2 到 L3 之間，大約領先中國一個等級。在金融行業，人工智能將促進個人化理財規劃和交易自動化，這有助于監控金融欺詐和洗錢活動。人工智能還將促進制造業自動化和個人定制生產，幫助銷售行業預測消費者的需求、優化存儲和物流，便于新聞和娛樂行業定制用戶內容、精準投放廣告。

（三）人工智能在美國政府部門與政治中的應用 人工智能已經在美國政府部門中得到廣泛應用。至少有 142 個重要的聯邦政府部門正在使用人工智能，其用途多種多樣，包括在執法行動中精準識別和選擇目標、收集和分析信息以制定決策，改進與公眾交流的方式、提高內部管理效率等。證券交易委員會、社會保障管理局、海關和邊境保護局、食品與藥品管理局、聯邦通信委員會是使用人工智能較多的機構。

美國政府特別注重人工智能在軍事和安全方面的應用。國防部建立了聯合人工智能中心，并一次性撥給 6 年共 17.5 億美元的預算，以推動國防部盡快使用人工智能、協調技術研發和應用、防止美國關鍵基礎設置遭到網絡攻擊，其當前負責人是陸軍中將約翰·沙納漢。國防部設立了算法戰跨職能小組，這是聯合人工智能中心的第一個項目，負責把人工智能快速集成到國防部的現有系統中。人工智能在預計情報、監視和偵察方面特別有用。美國情報界正在開展一些公開的人工智能研究項目，僅中央情報局就有大約 140 個正在開發的項目，旨在利用人工智能在一定程度上完成圖像識別和預測分析等任務。美國情報高級研究計劃局正在資助幾個人工智能研究項目，打算在未來 4—5 年內開發出相關分析工具，例如用于在嘈雜環境中進行多種語言語音識別和翻譯的算法、在沒有相關元數據的情況下對圖像進行地理定位以及融合二維圖像以創建三維模型等。

空軍使用人工智能來預測飛機的維修，它提取飛機傳感器的數據，將數據輸入預測算法，以確定技術人員何時需要檢查飛機或更換零件；空軍還在開發多域指揮控制系統，旨在集中規劃和執行空中、太空、網絡、海上和陸上軍事行動。美國各軍事部門都在努力將人工智能納入戰斗機、無人機、車輛和艦艇中，利用人工智能技術感知環境、識別障礙物、融合傳感器數據、規劃導航以及與其他設備通信。美國還在開發殺傷性自主武器系統，它能夠獨立識別目標，不需要與人類溝通就能利用機載武器系統發動攻擊。鑒于美國企業通常不愿與國防部合作，國防部還在向企業施加更大壓力，要求它們授予無限制使用數據和軟件的權利。

人工智能在美國政治生活中也得到廣泛應用。它既為政治人物和普通民眾提供了新的參與政治的手段，也加速了“后真相時代”的到來。通過分析網絡用戶的消費模式和社交關系，人工智能可以為每個用戶建立獨特的畫像，并預測他們的政治傾向和投票行為，進而幫助競選者精準投放競選廣告。人工智能也能幫助選民更精確地挑選自己喜歡的政治資訊，促進對特定議題和候選人的了解。奧巴馬最早在選舉中運用人工智能，他的競選團隊在2012 年使用大數據分析來精準投放競選廣告和 郵 件，最 終 獲 得 10 億 美元 的 巨 額 捐 款。

2016 年 特 朗 普 競 選 團 隊 利 用 劍 橋 分 析 公 司 來 幫 他操 縱 和 引 導 社 交 媒 體 上 的 輿 論 風 向。

2018 年 該 公 司 被 揭 露 曾 以 不當 方 法 獲 取 和 轉 賣 臉 書 5000 萬 用 戶 的 數 據。

在 2018 年 的 美 國 中期 選 舉 中，一 項 令 人 警 惕 的 人 工 智 能 技 術 是 深 度 偽 造，它 可 被 用來 逼 真 地 偽 造 政 治 人 物 的 聲 音 或 視 頻，以 此 來 誤 導 選 民。

2019 年6 月 13 日，美 國 眾 議 院 情 報 委 員 會 專 門 召 開 了 關 于 深 度 偽 造 的 聽證 會，討 論 這 項 技 術 對 國 家、社 會 和 個 人 的 風 險 及 應 對 措 施。

第二篇：人工智能的發展及應用解讀

人工智能的發展及應用

學院 ： 班級 ： 姓名 ： 學號 ：

人工智能是研究使計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、制造類似于人腦智能的計算機，使計算機能實現更高層次的應用。人工智能幾乎涉及到是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智能與思維科學的關系是實踐和理論的關系，人工智能是處于思維科學的技術應用層次，是它的一個應用分支。從思維觀點看，人工智能不僅限于邏輯思維，要考慮形象思維、靈感思維才能促進人工智能的突破性的發展，數學常被認為是多種學科的基礎科學，數學也進入語言、思維領域，人工智能學科也必須借用數學工具，數學不僅在標準邏輯、模糊數學等范圍發揮作用，數學進入人工智能學科，它們將互相促進而更快地發展。

人工智能是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智能研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。人工智能的定義可以分為兩部分，即“人工”和“智能”。“人工”比較好理解，爭議性也不大。有時我們會要考慮什么是人力所能及制造的，或者人自身的智能程度有沒有高到可以創造人工智能的地步，等等。但總的來說，“人工系統”就是通常意義下的人工系統。關于什么是“智能”，就問題多多了。這涉及到其它諸如意識、自我、思維等等問題。人唯一了解的智能是人本身的智能，這是普遍認同的觀點。但是我們對我們自身智能的理解都非常有限，對構成人的智能的必要元素也了解有限，所以就很難定義什么是“人工”制造的“智能”了。關于人工智能一個大家比較容易接受的定義是這樣的： 人工智能是人造的智能,是計算機科學、邏輯學、認知科學交叉形成的一門科學，簡稱AI。

人工智能體現在思維、感知、行為三個層次。它主要模擬眼神、擴展人的智能。其研究內容可以分為機器思維和思維機器、機器行為和行為機器、機器感知和感知機器、三個層次。人工智能研究與應用雖然取得了不少成果，但離全面推廣應用還有很大距離，還有很多問題需要許多學科的共同研究。

人工智能有兩種實現方式，第一種叫做工程學方法（Engineering approach），是采用傳統的編程技術，使系統呈現智能的效果，而不考慮所用方法是否與人或動物機體所用的方法相同。它已在一些領域內作出了成果，如文字識別、電腦下棋等。第二種是模擬法（Modeling approach），它不僅要看效果，還要求實現方法也和人類或生物機體所用的方法相同或相類似。第一種方法，需要人工詳細規定程序邏輯，如果游戲簡單，還是方便的。如果游戲復雜，角色數量和活動空間增加，相應的邏輯就會很復雜（按指數式增長），人工編程就非常繁瑣，容易出錯。而一旦出錯，就必須修改原程序，重新編譯、調試，最后為用戶提供一個新的版本或提供一個新補丁, 非常麻煩。采用第二種方法時，編程者要為每一角色設計一個智能系統（一個模塊）來進行控制，這個智能系統（模塊）開始什么也不懂，就像初生嬰兒那樣，但它能夠學習，能漸漸地適應環境，應付各種復雜情況。人工智能的發展: 人工智能的研究經歷了以下幾個階段: 孕育階段:古希臘的Aristotle（亞里士多德）（前384-322），給出了形式邏輯的基本規律。英國的哲學家、自然科學家Bacon（培根）（1561-1626），系統地給出了歸納法。“知識就是力量”德國數學家、哲學家Leibnitz（布萊尼茲）（1646-1716）。提出了關于數理邏輯的思想，把形式邏輯符號化，從而能對人的思維進行運 算和推理。做出了能做四則運算的手搖計算機英國數學家、邏輯學家Boole（布爾）（1815-1864）實現了布萊尼茨 的思維符號化和數學化的思想,提出了一種嶄新的代數系統——布爾代數。

第一階段: 50 年代人工智能的興起和冷落人工智能概念首次提出后，相繼出現了一批顯著的成果，如機器定理證明、跳棋程序、通用問題s 求解程序LISP表處理語言等。但由于消解法推理能力的有限，以及機器翻譯等的失敗，使人工智能走入了低谷。這一階段的特點是：重視問題求解的方法，忽視知識重要性。

第二階段: 60 年代末到70 年代，專家系統出現，使人工智能研究出現新高潮DENDRAL 化學質譜分析系統、MYCIN 疾病診斷和治療系統、PROSPECTIOR 探礦系統、Hearsay-II 語音理解系統等專家系統的研究和開發，將人工智能引向了實用化。并且，1969 年成立了國際人工智能聯合會議（International Joint Conferences onArtificial Intelligence 即IJCAI）。

第三階段: 80 年代，隨著第五代計算機的研制，人工智能得到了很大發展日本1982 年開始了“第五代計算機研制計劃”，即“知識信息處理計算機系統K I P S”，其目的是使邏輯推理達到數值運算那么快。雖然此計劃最終失敗，但它的開展形成了一股研究人工智能的熱潮。

第四階段: 80 年代末，神經網絡飛速發展1987 年，美國召開第一次神經網絡國際會議，宣告了這一新學科的誕生。此后，各國在神經網絡方面的投資逐漸增加，神經網絡迅速發展起來。

第五階段: 90 年代，人工智能出現新的研究高潮由于網絡技術特別是國際互連網技術的發展，人工智能開始由單個智能主體研究轉向基于網絡環境下的分布式人工智能研究。不僅研究基于同一目標的分布式問題求解，而且研究多個智能主體的多目標問題求解，將人工智能更面向實用。另外，由于Hopfield 多層神經網絡模型的提出，使人工神經網絡研究與應用出現了欣欣向榮的景象。人工智能已深入到社會生活的各個領域。人工智能的應用: 人工智能是在計算機科學、控制論、信息論、心理學、語言學等多種學科相互滲透的基礎發展起來的一門新興邊緣學科，主要研究用機器（主要是計算機）來模仿和實現人類的智能行為，經過幾十年的發展，人工智能應用在不少領域得到發展，在我們的日常生活和學習當中也有許多地方得到應用。本文就符號計算、模式識別、專家系統、機器翻譯等方面的應用作簡單介紹，籍此使讀者對我們身邊的人工智能應用有一個感性的認識。

符號計算計算機最主要的用途之一就是科學計算,科學計算可分為兩類: 一類是純數值的計算,例如求函數的值, 方程的數值解, 比如天氣預報、油藏模擬、航天等領域;另一類是符號計算,又稱代數運算,這是一種智能化的計算, 處理的是符號。符號可以代表整數、有理數、實數和復數,也可以代表多項式,函數,集合等。隨著計算機的普及和人工智能的發展,相繼出現了多種功能齊全的計算機代數系統軟件, 其中Mathematica和Maple 是它們的代表，由于它們都是用C 語言寫成的, 所以可以在絕大多數計算機上使用。

模式識別模式識別就是通過計算機用數學技術方法來研究模式的自動處理和判讀。這里,我們把環境與客體統稱為“模式”, 隨著計算機技術的發展，人類有可能研究復雜的信息處理過程。用計算機實現模式（文字、聲音、人物、物體等）的自動識別，是開發智能機器的一個最關鍵的突破口，也為人類認識自身智能提供線索。計算機識別的顯著特點是速度快、準確性和效率高。識別過程與人類的學習過程相似。以“語音識別”為例：語音識別就是讓計算機能聽懂人說的話，一個重要的例子就是七國語言（英、日、意、韓、法、德、中）口語自動翻譯系統。該系統實現后，人們出國預定旅館、購買機票、在餐館對話和兌換外幣時，只要利用電話網絡和國際互聯網，就可用手機、電話等與“老外”通話。指紋是人體的一個重要特征，具有唯一性。北京大學有關專家對數字圖像的離散幾何性質進行了深入研究，建立了從指紋灰度圖像精確計算紋線局部方向、進而提取指紋特征信息的理論與算法，隨后研究成功了適于民用身份鑒定的全自動指紋鑒定系統，以及適于公安刑事偵破的指紋鑒定系統。從而開創了我國指紋自動識別系統應用的先河。北京指紋自動識別系統的推出，使我國公安干警從指紋查對的繁重人工處理中解放出來。

專家系統專家系統是一種模擬人類專家解決某些領域問題的計算機程序系統。專家系統內部含有大量的某個領域的專家水平的知識與經驗，能夠運用人類專家的知識和解決問題的方法進行推理和判斷，模擬人類專家的決策過程，來解決該領域的復雜問題。專家系統是人工智能應用研究最活躍和最廣泛的應用領域之一,涉及到社會各個方面，各種專家系統已遍布各個專業領域，取得很大的成功。根據專家系統處理的問題的類型，把專家系統分為解釋型、診斷型、調試型、維修型、教育型、預測型、規劃型、設計型和控制型等1 0 種類型。具體應用就很多了，例如血液凝結疾病診斷系統、電話電纜維護專家系統、花布圖案設計和花布印染專家系統等等。

機器翻譯機器翻譯是利用計算機把一種自然語言轉變成另一種自然語言的過程，用以完成這一過程的軟件系統叫做機器翻譯系統。目前，國內的機器翻譯軟件不下百種，根據這些軟件的翻譯特點，大致可以分為三大類：詞典翻譯類、漢化翻譯類和專業翻譯類。詞典類翻譯軟件代表是“金山詞霸”了，堪稱是多快好省的電子詞典，它可以迅速查詢英文單詞或詞組的詞義，并提供單詞的發音，為用戶了解單詞或詞組含義提供了極大的便利。漢化翻譯軟件的典型代表是“東方快車2000”，它首先提出了“智能漢化”的概念，使翻譯軟件的輔助翻譯作用更加明顯。未來發展與展望: 未來人工智能可能會向以下幾個方面發展: 模糊處理、并行化、神經網絡和機器情感，因為目前人工智能的推理功能已獲突破，學習及聯想功能正在研究之中，下一步就是模仿人類右腦的模糊處理功能和整個大腦的并行化處理能。人工神經網絡是未來人工智能應用的新領域。

今天，已經有很多人工智能研究的成果進入人們的日常生活，一些面向蘋果機和IBM兼容機的應用軟件例如語音和文字識別已可買到;使用模糊邏輯,AI技術簡化了攝像設備，相信將來人工智能技術的發展將會給人們的生活、工作和教育等帶來更大的影響。

我們至少要經歷幾代人的堅持奮斗，進行多學科聯合協作研究，才可能基本上解開“人工智能”之謎，使人工智能理論達到一個更高水平。

心得體會 通過老師對人工智能的講解，我對人工智能有了一些簡單的感性的認識，我知道了人工智能從誕生，發展到今天經歷一個漫長的過程，許多人為此做出了不懈的努力。我覺得這門課是一門非常富有挑戰性的學科，而從事這項工作的人不僅要懂得計算機知識，還必須懂得編程。

人工智能在很多領域得到了發展，在我們的日常生活和學習中發揮了重要的作用。如：機器翻譯，機器翻譯是利用計算機把一種自然語言轉變成另一種自然語言的過程，用以完成這一過程的軟件系統叫做機器翻譯系統。利用這些機器翻譯系統我們可以很方便的完成一些語言翻譯工作。目前，國內的機器翻譯軟件有很多，富有代表性意義的當屬“金山詞霸”，它可以迅速的查詢英文單詞和詞組句子翻譯，重要的是它還可以提供發音功能，為用戶提供了極大的方便。

通過老師對人工智能的講解，我明白了人工智能發展的歷史和所處的地位，它始終處于計算機發展的最前沿。我相信人工智能在不久的將來將會得到更深一步的實現，會創造出一個全新的人工智能世界。

讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的。——達爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲。——顏真卿

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢。——陳壽

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上。——高爾基

14、書到用時方恨少、事非經過不知難。——陸游

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話。——笛卡兒

17、學習永遠不晚。——高爾基

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光。——劉向

19、學而不思則惘，思而不學則殆。——孔子

20、讀書給人以快樂、給人以光彩、給人以才干。——培根

第三篇：人工智能的發展及預測學習報告

人工智能的發展及預測學習報告

姓名

人工智能（Aritificial Intelligence，AI）是一門融合了計算機科學、統學、腦神經學和社會科學的前沿綜合性學科。它的目標是希望計算機擁有像人一樣的智力能力，可以替代人類實現識別、認知、分類和決策等多種功能。

一、實現人工智能的方法----機器學習

機器學習最基本的做法，是使用算法來解析數據、從中學習，然后對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。

機器學習直接來源于早期的人工智能領域。傳統算法包括決策樹學習、推導邏輯規劃、聚類、強化學習和貝葉斯網絡等等。眾所周知，我們還沒有實現強人工智能。早期機器學習方法甚至都無法實現弱人工智能。

機器學習最成功的應用領域是計算機視覺，雖然也還是需要大量的手工編碼來完成工作。人們需要手工編寫分類器、邊緣檢測濾波器，以便讓程序能識別物體從哪里開始，到哪里結束；寫形狀檢測程序來判斷檢測對象是不是有八條邊；寫分類器來識別字母“ST-O-P”。使用以上這些手工編寫的分類器，人們總算可以開發算法來感知圖像，判斷圖像是不是一個停止標志牌。

這個結果還算不錯，但并不是那種能讓人為之一振的成功。特別是遇到云霧天，標志牌變得不是那么清晰可見，又或者被樹遮擋一部分，算法就難以成功了。這就是為什么前一段時間，計算機視覺的性能一直無法接近到人的能力。它太僵化，太容易受環境條件的干擾。

隨著時間的推進，學習算法的發展改變了一切。

二、實現機器學習的技術—深度學習

人工神經網絡（Artificial Neural Networks）是早期機器學習中的一個重要的算法，歷經數十年風風雨雨。神經網絡的原理是受我們大腦的生理結構——互相交叉相連的神經元啟發。但與大腦中一個神經元可以連接一定距離內的任意神經元不同，人工神經網絡具有離散的層、連接和數據傳播的方向。

例如，我們可以把一幅圖像切分成圖像塊，輸入到神經網絡的第一層。在第一層的每一個神經元都把數據傳遞到第二層。第二層的神經元也是完成類似的工作，把數據傳遞到第三層，以此類推，直到最后一層，然后生成結果。每一個神經元都為它的輸入分配權重，這個權重的正確與否與其執行的任務直接相關。最終的輸出由這些權重加總來決定。我們仍以停止（Stop）標志牌為例。將一個停止標志牌圖像的所有元素都打碎，然后用神經元進行“檢查”：八邊形的外形、救火車般的紅顏色、鮮明突出的字母、交通標志的典型尺寸和靜止不動運動特性等等。神經網絡的任務就是給出結論，它到底是不是一個停止標志牌。神經網絡會根據所有權重，給出一個經過深思熟慮的猜測——“概率向量”。這個例子里，系統可能會給出這樣的結果：86%可能是一個停止標志牌；7%的可能是一個限速標志牌；5%的可能是一個風箏掛在樹上等等。然后網絡結構告知神經網絡，它的結論是否正確。即使是這個例子，也算是比較超前了。直到前不久，神經網絡也還是為人工智能圈所淡忘。其實在人工智能出現的早期，神經網絡就已經存在了，但神經網絡對于“智能”的貢獻微乎其微。主要問題是，即使是最基本的神經網絡，也需要大量的運算。神經網絡算法的運算需求難以得到滿足。

不過，還是有一些虔誠的研究團隊，以多倫多大學的Geoffrey Hinton為代表，堅持研究，實現了以超算為目標的并行算法的運行與概念證明。但也直到GPU得到廣泛應用，這些努力才見到成效。我們回過頭來看這個停止標志識別的例子。神經網絡是調制、訓練出來的，時不時還是很容易出錯的。它最需要的，就是訓練。需要成百上千甚至幾百萬張圖像來訓練，直到神經元的輸入的權值都被調制得十分精確，無論是否有霧，晴天還是雨天，每次都能得到正確的結果。

只有這個時候，我們才可以說神經網絡成功地自學習到一個停止標志的樣子；或者在Facebook的應用里，神經網絡自學習了你媽媽的臉；又或者是2012年吳恩達（Andrew Ng）教授在Google實現了神經網絡學習到貓的樣子等等。

吳教授的突破在于，把這些神經網絡從基礎上顯著地增大了。層數非常多，神經元也非常多，然后給系統輸入海量的數據，來訓練網絡。在吳教授這里，數據是一千萬YouTube視頻中的圖像。吳教授為深度學習（deep learning）加入了“深度”（deep）。這里的“深度”就是說神經網絡中眾多的層。

現在，經過深度學習訓練的圖像識別，在一些場景中甚至可以比人做得更好：從識別貓，到辨別血液中癌癥的早期成分，到識別核磁共振成像中的腫瘤。Google的AlphaGo先是學會了如何下圍棋，然后與它自己下棋訓練。它訓練自己神經網絡的方法，就是不斷地與自己下棋，反復地下，永不停歇。

三、人工智能的發展歷程

上圖是人工智能的發展史，短短的70年間，人工智能的發展取得了巨大的成功，并不斷細化。從機器學習開始飛速進步，再到深度學習驅動人工智能蓬勃發展，以至于造成了前所未有的巨大影響。

1956年，幾個計算機科學家相聚在達特茅斯會議（Dartmouth Conferences），提出了“人工智能”的概念。其后，人工智能就一直縈繞于人們的腦海之中，并在科研實驗室中慢慢孵化。之后的幾十年，人工智能一直在兩極反轉，或被稱作人類文明耀眼未來的預言；或者被當成技術瘋子的狂想扔到垃圾堆里。坦白說，直到2012年之前，這兩種聲音還在同時存在。

過去幾年，尤其是2015年以來，人工智能開始大爆發。很大一部分是由于GPU的廣泛應用，使得并行計算變得更快、更便宜、更有效。當然，無限拓展的存儲能力和驟然爆發的數據洪流（大數據）的組合拳，也使得圖像數據、文本數據、交易數據、映射數據全面海量爆發。這些方向的進步為包括谷歌、微軟、facebook等國際互聯網巨頭和包括百度、阿里、騰訊等國內人工智能發展的第一梯隊帶來了巨大的潛在市場價值。

四、人工智能與人類智能較量（從Alpha Go理解預測）以前人們說圍棋AI十年內打不過職業棋手，于是

1、AlphaGo Fan贏了樊麾；

2、AlphaGo Lee贏了人類李世石；

3、AlphaGo Lee有各種漏洞，于是AlphaGo Master連贏60局，圍棋峰會毫無懸念打出3-0，還留下一堆“神”譜；

4、AlphaGo Zero自我強化學習3天終結了AlphaGo Lee；

這次AlphaZero的出世，意義不止在于研究棋類游戲；它表明深度神經網絡還有大量的潛力有待挖掘，尤其是與之類似的對抗增強的網絡模型。

但是，AlphaZero的強化學習訓練耗費了海量的硬件資源，暗示著想要實現更強的人工智能還需要更多的計算力。有句話說“有多少人工就有多少智能”，所以這次的AlphaZero短期帶來的最大影響，可能是AI的各個研究領域要開始發展硬件了。

我認為人工智能發展始終圍繞著人類的發展，所謂“較量”或許終究是人與人的較量、人與未來的較量，人與落后的較量。我們應保持樂觀積極的發展態度，給人工智能以摧殘的未來，同時，警惕技術觸及倫理與道德和法律的底線，我們的明天終會更加美好！

參考資料：

[1]《機器學習》-周志華 [2]《人工智能》-李開復

第四篇：有機農業產業化發展模式及發展戰略

有機農業產業化發展模式及發展戰略

摘要：食品安全問題頻出，越來越注重綠色食品有機食品的發展，要滿足巨大的市場需求,需要有機農業的產業化發展。

關鍵詞：有機農業 產業化PTDFLE

有機農業產業化發展具有必然性。由于我國人多地少的國情，傳統的自耕農業已經不能滿足巨大的食品需求。于是現代農業隨之產生，極大的滿足了人們的食品需求，但現代農業在取得輝煌成就的同時，引起了能源危機、資源危機、生態危機、土地荒漠化、溫室效應、生物多樣性破壞等問題，似的人類生存環境受到極大的威脅，于是人們要求一種既能滿足人類食品需求，又能保護壞境，能與自然和諧相處的農業發展模式，那么有機農業就自然而然的產生了。有機農業也差不多發展了將近一個世紀了，但在我國有機農業的發展現狀仍然相對緩慢，其所占比例還比較小。我國有機農業用地只有30129h平方米，我國的有機產品還大多靠進口來滿足國內的需求。

為了解決困境，實現基本自給，有機農業的產業化經營已經迫在眉睫。實現有機農業“產供銷一體化，種養加一條龍”，實現以市場為導向，以農戶經營為基礎，以龍頭組織為依托，以經濟效益為中心，一系列服務為手段沒通過實行產供銷，種養加一體化經營，將農業再生產過程聯接起來的一個完整的產業系統，主題自愿結成的經濟利益共同體，市場農業的基本經營模式。

其中PTD（Participatory Technology Development)就是一個比較好的有機農業發展推廣模式，強調農民和農業研究、推廣機構之間的創造性的相互作用，將農民的知識與經驗同科學知識相結合，以尋求農業生產過程中對當地資源的最佳利用的方法。基本方法包括： ?對某一特定的農業生態系統的主要特征與變化達成共識；

?確定當地問題的重點；

?在當地農民或其他地區所具有的經驗和科學知識相結合的基礎上，確定當地的實驗方案，因地制宜，提高農民的試驗能力和加強農民之間的交流。

PTD工作程序如下圖：

PTD的工作程序

另外一種模式就是一濃密為中心的技術推廣模式，PLE系旨在技術推廣過程中農民在外界推廣和研究人員的幫助下，成為計劃、設計和執行推廣活動的主要角色。講究的是農民的積極參與，外界知識與農民實踐經驗相結合，倡導平等精神沒通過小規模驗證將酒宴成果和推廣相結合。加強外界推廣人員與農民的交流，充分發揮房地農業技術員的作用，推廣人員要和農民一起制定有機生產轉換計劃和技術方案。

在這些模式下，能極大的調動農民的積極性，從而加快推廣有機農業的發展步伐。

中國農業明顯表現出兩個基本特點：意識人均農業資源緊缺，農業生產實行精耕細作；二是中國農業生產力水平總體還比較低。所以只有做好有機農業的戰略定位非常重要，針對有機農業存在的問題，如有機農業生產的效率低，風險較大，成本和效益外泄現象嚴重，各級政府政策扶持力度不夠，公共認識與誠信體系的缺乏等問題，實事求是，具體問題具體分析，制定出比較好的發展戰略。

首先需要消除的是概念上的和認識上的某些誤區，防止急功近利。重物輕人等思想，有機農農業是只是經濟的產物，必須發揮知識在發展有機農業過程中德重要作用。其次需要制定、實施有機農業的產業政策。還要加強對有哦及食品及其產業發展的科學研究。加強監管，保障有機食品的健康發展。加強各部門的協調運作，共同把有機農業發展下去。參考文獻：吳大付胡國安 《有機農業》 9787802333895欽佩 《有機農業生態工程》學號：20107972姓名：牟建祥

第五篇：今后五年的發展思路及發展戰略

重慶金田電子（集團）有限公司 今后五年的發展思路及發展戰略

根據集團公司全體股東對公司至2015年發展的總體目標要求，今后五年集團公司的發展思路是：遵循一個方針：即企業經營方針；創新兩個機制：即人才機制和分配機制；強化三個重點：及戰略管理、基礎工作和監督管理；實施四大戰略：即低成本戰略、品牌戰略、差異化戰略、多元化戰略。

（一）發展目標和發展戰略

今后五年集團公司發展的主要目標是：以政府鼓勵行業（如土地治理、三農項目）投資經營為主業，積極穩妥地做好現有煤礦企業；優先發展安防產業；加強資本運作，力爭實現企業上市；著力提升企業核心競爭力，確保公司資產安全運行、保值增值和優化配置，成為構架嚴密、體制完善、運轉高效，具備一流管理水平、配備一流人才隊伍、培育一流企業文化、創造一流經營業績的投資經營類大型民營企業。按2010年經營計算，到2015年集團公司總資產力爭新增5億元人民幣，凈資產力爭新增1億元人民幣。

為實現上述發展目標，我們必須實施三大發展戰略：

——實施資本運營戰略。以資本運營為核心，優化、組合各生產要素，創新投融資體系，通過企業上市，發揮優質資源，提升價值創造能力，確保公司資產保值增值，為投資建設和經營管理提供資金保障。——實施產業拓展戰略。依托集團公司成立15年來的產業項目資源優勢，以產業間的內在聯系為基礎，以現有政府鼓勵項目為主業，積極發展安防產業，通過合理規劃，投資土地治理項目、智能交通和物流等衍生附加服務產業，拓展產業投資領域，提高投資效益，實現經營的集約化、專業化、網絡化、品牌化。

——實施人才提升戰略。建立起科學合理的人才開發選拔機制、培養引進機制、激勵競爭機制、分配使用機制，創造人盡其才、才盡其用的良好發展環境，不斷激發員工自主創新活力，全面改善人才結構，提升隊伍素質，培養出一支適應集團公司投資建設、經營管理和資本運行需要的一流人才隊伍。

通過資本運營、產業拓展和人才提升相互促進，使產業資本、金融資本和人力資源不斷循環，全面提升集團公司價值，形成充滿活力的發展局面，凝聚強勁的發展動力，全面完成股東們提出的各項目標任務，實現集團公司資產保值增值和企業的可持續發展。

（二）轉變發展方式，走科學發展之路

黨的十七大報告把加快轉變經濟發展方式作為實現未來經濟發展目標的關鍵。對金田集團而言，轉變發展方式，走科學發展之路，著重要做到“兩個轉變”，即：從“量”的擴張向“量”、“質”并舉轉變，從投資建設型向投資建設、經營管理和資本運營型轉變；實現“三個創新”，即發展理念、發展方式和發展路徑上的創新。

創新發展理念。從“又快又好”到“又好又快”、“好字優先”，強調在速度、質量和效益之間尋求良性平衡。要實現更大更好發展，就要轉變發展方式，首先要創新發展理念，以新的發展理念指導各項工作。要充分認識到不僅要繼續保持量的增長，更要注重質的提升，要堅持好字當頭，好中求快，努力實現速度、質量、效益相協調。金田集團不僅要做大，更要做實、做強。要堅持以人為本，以回報社會、回報職工為價值追求，樹立服務意識，改進工作作風，加強經營服務導向。最大限度地提高集團公司經濟效益。

創新發展方式。在發展方式上實現集約型增長，是集團公司長遠發展的必由之路。要加強和改進項目前期工作，在項目規劃、方案論證、設計施工、運營管理等環節強化科學管理，有效提升投資效益。要大力倡導節約經營，降低資源能源消耗，倡導科技創新，大力推廣新技術、新材料、新能源、新工藝的使用。要對集團公司的產業進行科學規劃，形成合理布局，引導投資結構優化，理順經營管理體制，加大資本運作力度，加快從投資建設型企業向投資建設、經營管理和資本運營型企業轉變。要充分注重投資的經濟效益，在發展方式上加快從外延粗放型向內涵集約型轉變。

創新發展路徑。隨著能源、資源對今后發展提出的要求越來越高，隨著現代企業由傳統產業向現代服務業的戰略轉型，我們必須創新發展路徑，尋求新的發展支撐力。要開拓經營模式，創新經營業態，加快從單一煤礦投資向多種產業投資轉變。要依托集團公司銷售網絡，構筑集休閑旅游、商貿流通、金融保險和現代物流等功能于一體的服務平臺，發展政府鼓勵性產業。要培育企業自主創新能力，創新管理模式和手段。要注重創新人才的培育和引進，打造高素質人才隊伍。要注重長效機制的構建，將人才、資金等各類要素引入持續增長和良性循環的軌道，改善發展環境。要進一步深化體制改革，使各部門、各層級形成合力，發揮最大效能。在發展路徑上加快從主要依靠物質資源消耗向主要依靠產業拓展、勞動者素質提高和管理創新轉變。

（三）增強企業軟實力，走可持續發展之路

不斷提高競爭力，是企業長盛不衰的要訣。企業軟實力是企業競爭力中的重要組成部分，是影響企業競爭力消長的長期性、基礎性和戰略性要素。在經濟競爭與文化較量日益激烈的今天，我們要充分認識企業文化建設的重要性和緊迫性，通過加強思想文化建設、人才隊伍建設、黨的建設和班子建設，努力構建以價值理念、行為規范、形象識別為主要內容的企業文化體系，增強軟實力，提高硬實力，全方位提升企業核心競爭力。

加強思想文化建設。要培育“敬業愛崗，求實奉獻，開拓創新，追求卓越”的企業精神，將其“內化于心，固化于制，外化于行”，轉化為我們的思想和行為，貫穿到工程建設、經營管理活動的全過程，形成充滿活力、積極向上的精神面貌。要培養廣大員工的主人翁意識，激發創新的積極性，讓廣大員工與集團公司同呼吸、同成長、同發展。要進一步加強制度建設，修訂完善內部管理制度，形成科學合理的行為準則。要開展形式多樣的職工活動，豐富職工業余文化生活，陶冶情操，振奮精神。通過思想文化建設，形成互動和諧的工作氛圍、高效靈活的體制機制、適應市場的創新活力，逐步提升集團公司的軟實力。

加強人才隊伍建設。要構建出以全局性和前瞻性的人力資源計劃為基礎，合理的人員供需配置、技能開發、績效評價管理和薪酬管理為主要內容的戰略性人力資源框架，逐步形成完善的人力資源系統。要加大培養力度，進一步培養“一專多能”的實用性人才，塑造出一支與投資建設、營運管理要求相匹配的高素質專業隊伍，逐步適應集團公司產業拓展、企業發展的需求。要不斷深化人事制度改革，堅持民主、公開、競爭、擇優的原則，形成干部選拔任用的科學機制，著力造就高素質的干部隊伍和人才隊伍。要創新人才工作體制機制，激發人才創造活力和創業熱情，全面發揮人力資源的價值，發掘企業持續發展和市場競爭的優勢。

加強黨的建設和班子建設。要貫徹為民、務實、清廉的要求，以堅定理想信念為重點，加強思想建設；以提高黨員、干部隊伍素質為重點加強組織建設，以胡錦濤總書記提出的大力倡導八個方面的良好風氣為重點加強作風建設，以健全民主集中制為重點加強制度建設，以完善懲治和預防腐敗體系為重點加強反腐倡廉建設。要把提高班子領導水平作為班子建設的內容抓緊抓好，改善領導方式，把領導班子建設成為堅定貫徹黨的路線方針政策、善于領導科學發展的堅強領導集體。