近年来，随着人工智能的进一步发展和创新，新技术不断取得突破，呈现出深度学习、跨界融合、人类-机器协作、群体智能开放、自主控制等面向应用的新特性。
加强对新一代人工智能技术的前瞻性预测，准确把握全球技术创新趋势和发展趋势，将为行业健康发展、资金有序进入、政策规划、以及新兴市场的发展。
智力支持。
围绕此，中国电子学会根据国家《新一代人工智能发展规划》、《促进新一代人工智能产业发展三年行动计划（－年）》等一系列政策规划，调研走访了一批在新一代人工智能领域具有领先水平和特色的龙头企业科技与产业，组织参访知名高校、研究机构人工智能相关领域的专家学者，系统梳理权威智库、知名战略咨询公司的最新报告，评选出十大最具特色增长技术，并发布了《新一代人工智能领域十大最具成长性技术展望（－）》。
对抗性神经网络对抗性神经网络是指由不断生成数据的神经网络模块和不断判断生成的数据是否真实的神经网络模块组成的神经网络架构，创建近乎真实的原始图像、声音和文本数据。
技术。
该技术有望显着提高机器翻译、人脸识别和信息检索的精度和准确度。
随着三维模型数据序列能力的提升，未来在自动驾驶、安防监控等领域将具有可观的应用价值。
图 1 对抗性神经网络中的数据生成和区分仍在继续。
来源：《麻省理工科技评论》胶囊网络胶囊网络是指在深度神经网络中构建多层神经元模块，以发现和存储物体详细的空间位置、姿态等信息技术。
该技术使得机器能够以较少的样本数据在不同情况下快速识别同一物体，在人脸识别、图像识别、字符识别等领域具有广阔的应用前景。
图2 胶囊网络算法可以从不同角度识别同一物体 来源：国际学习表征会议，《Matrix capsules with EM routing》云人工智能 云人工智能是指云计算运行模式与人工智能的深度融合，并在网络中集中使用和共享云 机器学习工具技术。
该技术将巨大的人工智能运营成本转移到云平台，可以有效降低终端设备使用人工智能技术的门槛，有利于扩大用户群。
未来将广泛应用于医疗、制造、能源、教育等多个行业和领域。
。
图3 推出人工智能服务的主要云计算公司 资料来源：中国电子学会编译的深度强化学习 深度强化学习是指深度神经网络和强化学习与决策能力相结合，实现感知、决策或感知-决策集成技术。
该技术具有不需要先验知识、降低网络结构复杂度、需要较少硬件资源的特点。
它可以显着提高机器智能适应复杂环境的效率和鲁棒性。
将应用于智能制造、智能医疗、智能教育、智能驾驶等领域，发展前景广阔。
图4 深度强化学习具有良好的结构特性。
智能脑机交互。
智能脑机交互是指通过在人脑神经与外部设备之间建立高度生物相容性的直接连接路径，实现神经系统与外部设备之间的信息交互。
技术与功能相结合。
该技术利用人工智能控制的脑机接口，精准分析人脑的工作状态，达到促进脑机智能融合、让人类沟通方式更加多样化、高效的效果。
未来将广泛应用于临床康复、自动驾驶、航空航天等领域。
图5 智能脑机交互让人类沟通高效对话式人工智能对话式人工智能平台。
它是指集成语音识别、语义理解、自然语言处理、语音合成等解决方案的技术，为开发者提供一个具有识别、理解和反馈能力的开放平台。
该技术可以实现对话式服务场景中机器与人的自然交互，未来有望广泛应用于智能穿戴设备、智能家居、智能汽车等多个领域。
图6 会话式人工智能平台结构 资料来源：IDC，中国电子学会编 情感智能 情感智能是指利用人工智能模拟表情、语气、情绪等类似人类的情感反应，创建具有情感属性的虚拟图像的技术。
该技术可以让机器设备更好地识别、理解和引导人类情感，为用户带来更加高效、人性化的交互体验。
未来它的应用将会更加频繁，并应用于智能机器人、智能虚拟助理等领域。
深入应用。
图7 情商技术将模拟人类情绪 来源：《人类神经科学前沿》 神经拟态计算 神经拟态计算是指模拟生物大脑神经系统，在芯片上模拟生物神经元和突触的功能及其网络组织，赋能机器感知和感知的技术学习能力。
这项技术的目标是让机器具有类似于生物大脑的低功耗、高效率、高容错能力。
在智能驾驶、智能安防、智能搜索等领域将具有广阔的应用前景。
图8 神经拟态计算结构 资料来源：中国电子学会元学习编着 元学习是指将神经网络与人类注意力机制相结合，构建通用算法模型，使机器智能具备快速自主学习能力的技术。
该技术可以使机器智能真正实现自主编程，显着提高现有算法模型的效率和准确性。
未来进一步的应用将成为人工智能从专用阶段走向通用阶段的关键。
图9 元学习实现快速自主学习。
资料来源：arXiv。
org, 《Matching Networks for One Shot Learning》量子神经网络 量子神经网络是指利用量子器件构建神经网络并优化神经网络结构和性能的技术。
该技术充分利用了量子计算的超高速、超并行、指数级容量特性，有效缩短了神经网络的训练时间。
未来在人脸识别、图像识别、字符识别等领域具有重要的应用价值和广阔的前景。