人工智能，简称AI（ArtificialIntelligence），起源很早。1956年夏天，在美国哈诺斯小镇，一群人对计算机之父图灵提出的图灵测试很感兴趣。感兴趣的科学家和爱好者（图灵测试是指如果超过30%的被测者认为与他们交流的人是人而不是机器，那么可以说机器通过了测试），他们聚集在小镇上他们想通过这次会议来讨论和解决人工智能相关的问题，但是在会上讨论了一两个月之后，他们发现人工智能并没有他们想象的那么简单，之后也没有实质性的进展会议。那一年被称为人工智能元年。1956年：达特茅斯会议启动了AI领域，并创造了“人工智能”一词。但是这群爱好者并没有放弃对人工智能的追求，而人工智能是一门随着计算机的发展而发展起来的科学。早期计算机的发展似乎在为人工智能铺平道路。人工智能发展时间轴随着计算机的发展，人工智能的发展经历了几个寒冬和高潮。在这个过程中，人们因为看到了人工智能的前景而欢呼雀跃，却又因为它的技术天花板和远程实现而失去了关注。2016年，谷歌的人工智能机器“阿尔法狗”（AlphaGo）以4:1的总比分战胜了围棋世界冠军李世石。到2018年，依赖Data-Driven的深度网络技术将开始窥探天花板。纯AI企业的技术落地和商业变现能力越来越难。技术和场景需要结合。没有使用场景和配套服务流程的人工智能企业正在逐步被淘汰，很多大公司在使用场景上都有很大的优势，比如海康监控，因为有人工智能的加持，具有行业优势。然而，大公司也有他们的烦恼。人工智能研究的投入是非常巨大的，但为了市场机会和公司估值，企业不得不继续为人工智能烧钱。人工智能行业似乎进入了胶着状态，那么接下来该何去何从？为突破人工智能技术与实现的难关，应针对当前产业发展现状，让人工智能逐步落地。比如，随着5G的发展，世界似乎进入了一个新的发展里程碑。这个时候，人工智能就应该利用好5G这块基石，在行业中“赋能”。所谓“赋能”，就是在行业中找到自己的定位。要想生存，就必须回归盈利。毕竟，好猫是能捉老鼠的。为了回归盈利，人工智能最终将应用于工程实践。在实际工程中，采用何种人工智能技术取决于项目的需要，主要是解决实际问题，往往需要综合各种学术成果。在这个过程中，是否会使用某种人工智能技术取决于多种因素。看技术能不能支持需求解决和公司资源的支持匹配。在学术研究领域，人工智能最关注的是算法，但在工程实践中，需要重新定位，一切工程需求放在首位。为解决工程需求，提供多种切实可行的人工智能解决方案成为可能。更关键。国家将加快人工智能研究生培养。2020年3月，国家发布了100所可以培养人工智能方向人才的大学，并发布了《关于 “双一流”建设高校促进学科融合 加快人工智能领域研究生培养的若干意见》的通知。从人工智能需要深入学习和研究的角度来看，这似乎与培养优秀人才的目的背道而驰。毕竟，人工智能是一门复杂的跨学科科学。它需要强大的工程知识背景才能做出更好的研究结果。但是，新公布的大学并不是传统工科强的重点大学。.如果你深入思考，你会不难发现，在工程实践的方向上，更多的是关注解决方案，是针对各个行业的解决方案。如果培养具有各行各业知识的人从事人工智能，反而比专门从事工程研究的人才更有优势。人工智能回归市场、回归产业生产似乎是必然趋势。
