美国人工智能发展及政府发展战略（优秀范文5篇）

第一篇：美国人工智能发展及政府发展战略

【 内 容 提 要 】

最近十 余 年，人 工 智 能 在 美 国 得 到 快 速 发 展。

目 前美 国 的 人 工 智 能 在 研 发 方 面 居 于 全 球 领 先 地 位。

学 术 机 构 是 美 国人 工 智 能 研 发 的 主 力，企 业 界 的 作 用 也 在 不 断 增 强。

人 工 智 能 已在 美 国 商 业 领 域 得 到 广 泛 应 用，催 生 了 众 多 新 兴 产 业，并 提 升 了传 统 行 业 的 智 能 化 水平，从 而 产 生 了 可 观 的 经 济 效 益。

美 国 也 在积 极 深 化 人 工 智 能 在 政 府 部 门 特 别 是 军 事 领 域 的 应 用。

目 前，美国 政 府 已 经 制 定 了 较 为 完 整 的 人 工 智 能 战 略，进 入 了 快 速 实 施 阶段。

特 朗 普 政 府 为 美 国 人 工 智 能 发 展 设 立 了 目 标 和 原 则，成 立 了指 导 和 实 施 机 构，注 入 了 大 量 资 金，并 积 极 推 动 数 据 开 放、标 准制 定、人 才 培 养、政 府 与 企 业 合 作 以 及 风 险 管 控。

然 而，美 国 人工 智 能 发 展 仍 面 临 资 金 不 足、人 才 短 缺 和 政 策 执 行 效 率 低 下 等 问题。

美 国 政 府 在 制 定 人 工 智 能 发 展 战 略 时，一 直 把 中 国 当 作 首 要的 比 较 和 防 范 对 象，把 中 国 在 人 工 智 能 领 域 里 的 竞 争 视 为 争 夺 世界 领 导 权 的 战 略 竞 争，密 切 关 注 中 国 在 发 展 人 工 智 能 方 面 的 动 向，竭 力 防 止 中 国 在 人 工 智 能 领 域 获 得 领 先 地 位。

人 工 智 能 的 发 展 将使 中 美 在 军 事 与 安 全、贸 易 和 政 治 方 面 的 矛 盾 进 一 步 加 深。

】

【关键词】

人工智能；高科技；战略竞争；中美关系

人工智能是一个迅速发展的高科技领域，它影响到一个国家政治、社会和经济生活的许多方面，对国际关系也具有潜在的重大影响。美国是最早发展人工智能的国家，目前它在人工智能方面处于全球领先地位。近年来，为了保持本国的经济竞争优势，美国政府尤其重视人工智能的发展，制定了详尽的促进政策。这些政策不仅关乎美国自身，其影响还会传导到国际关系和国际贸易领域。美国在高科技领域对中国的打压就体现了这一点。因此，我们在国际关系和外交领域应当对美国人工智能的发展及政府发展战略给予足够的重视。

一 一

人工智能定义与重要相关概念 目前人工智能没有普遍认可的定义。一种简要的定义是:人工智能是“对思想和智能行为背后的计算原理的科学研究”。也可将人工智能定义为“能够执行通常需要人类智能，如视觉感知、语音识别、决策和语言翻译任务的计算机系统的理论与发展”。因此，一般在提到人工智能时，可以把人工智能通俗地理解为“机器学习、自动推理、机器人、计算机视觉和自然语言处理（NLP）的总称”。

关于对人工智能更具体的描述，可以参考美国《2019 财年国防授权法》给出的定义:（1）任何在变化的、不可预测的情况下执行任务而无须重大的人为监督的人工系统，或者在接触数据集时可以从经验中学习并改善性能的任何人工系统；（2）在计算机软件、物理硬件或其他环境中发展起来的一种人工系统，用于完成需要类似于人的感知、认知、计划、学习、交流或身体动作的任务；（3）一种被设计成像人一样思考或行动的人工系统，包括认知结构和神经网络；（4）一组技术，包括旨在用于近似认知任务的机器学习；（5）一种旨在采取合理行动的人工系统，包括一个智能软件代

理或嵌入式机器人，它通过感知、计划、推理、学习、交流、决策和行动来实现目标。

哲学家约翰·塞尔（John Searle）区分了强人工智能和弱人工智能的区别。他提出了一个问题:计算机是否可以有头脑，还是它们只能模拟头脑-强人工智能要求计算机对其所做的事情有更深入的理解，确实是在思考而不只是模拟思考，塞尔认为强人工智能是不可能实现的。而弱人工智能虽然可能看起来像是智能的，但是它们对自己做的事情缺乏更深入的理解，也不具有自主意识。从这个意义上说，强人工智能与弱人工智能的区别同通用人工智能与专业人工智能的区别相类似。通用人工智能具有类似人类的思维和智能，“能够执行目前需要人类智能的任何认知任务或操作任务”，而专业人工智能是为一个特定目的而训练的，很少有完成其他任务的能力。例如，2016 年 3 月谷歌公司研发的击败人类世界围棋冠军李世石的阿尔法狗就属于专业人工智能的范畴，它不能进行人脸识别。迄今所有的人工智能应用都是以专业人工智能的形式出现的。人们普遍认为，目前人类距离开发出通用人工智能还十分遥远。

人工智能成为热门是最近十几年的事情，但它并不是一种新现象。人们公认，1956 年美国“达特茅斯学院人工智能夏季研究项目”研讨会是人工智能概念形成的起点。项目主持人约翰·麦卡锡（锡（John McCarthy）邀请了包括语言模拟、神经网络和复杂性理论等在内的各个学科的研究人员参加会议，澄清并提出与“思维机器”（thinking machines）相关的概念。会议的提案指出，“这项研究应当基于这样的推测:原则上可以精确地描述学习的各个方面或智能的任何其他特征，以便制造出模拟它的机器”。早期的人工智能研究激发了人们巨大的热情和期望，曾在 20 世纪 60 年代和 80 年代掀起两次发展高潮，但由于受到算法、数据量、数学理论和计算机运算能力等因素的限制，所取得的成果有限，发展势头也两次跌入低谷。至 2010 年左右，随着互联网时代大数据的积累和可获得性、机器学习方法的改进以及机器处理能力的提高，人们重新燃起对人工智能的兴趣，从而刺激了专业人工智能的发展。前两轮人工智能热潮是学术研究主导的，而新一轮热潮主要是商业需求驱动的，并且产生了成熟的商业模式、广泛的市场应用和可观的经济效益。

要了解人工智能的发展现状，首先要了解以下几个关键概念以及它们之间的关联。

（1）机器学习。人工智能最重要的进步之一是机器学习，它是引领当前人工智能大发展的革命性技术突破。机器学习是获得人工智能的一种方法，其重点是赋予机器学习的能力，这是通过数据和算法的结合来完成的。机器被输入数据，之后使用算法来“研究”这些数据以发现模式，机器从这些数据中“学习”，目的是能够执行任务。一般来说，机器学习可以帮助研究者对数据进行分类、聚类和预测。在此基础上，计算机能够检测恶意软件、预测住院情况、检查法律合同是否存在错误、防止洗钱、通过鸣叫声来识别鸟类、预测基因功能、发现新药、预测犯罪并适当安排警察巡逻、识别最适宜种植的农作物、测试软件以及标记文章等。

（2）算法。在机器学习中，算法是关键。算法是用机器语言一步步地描述如何执行任务或计算。算法的目的是解决问题。至关重要的是，在输入相同的条件下应当反复产生相同的结果。不同的算法适用于完成不同的任务。

（3）深度学习。深度学习是机器学习的一个领域，它受人脑结构的启发，依赖于所谓的神经网络。这种机器学习神经网络可以从数据中学习，而无须外部指导。机器之所以能够做到这一点，是因为它们可以通过调整部分编程来获得更好的结果。深度学习是解决某些问题的绝佳工具，特别是涉及感知分类的问题，如识别音节和宾语。深度学习意味着系统“正确处理”的可能性增加了，它是基于该系统经过多次迭代来识别图像中的特定元素并根据识别是否成功而进行调整来完成的。这与人们通常理解的智能有很大不同。

（4）人工神经网络。人工神经网络为深度学习提供了动力。它们由多层次的“像一个大脑一样的一组相互连接的模拟神经元”组成。人们通过算法来模拟各个层次的神经元。人工神经网络非常适合于识别图像，它们从少量的图像中学习，这些图像已被手动标记为“猫”或“非猫”。网络可以由此识别出一组特征，从而能够识别图像中的猫。同样的原理也可用于分析卫星图像。

在训练方面，可以区分有监督的、无监督的和强化的学习。阿尔法狗是通过与人类对弈来训练的。借助于强化学习，其后继者阿尔法元可以在没有人工输入的情况下通过与自己对弈来学习。强化学习现在被用来训练精通多个棋盘游戏的人工智能。目前深度学习为语音识别、图像识别和自然语言处理等领域带来了突破性进展，语音识别的准确率在过去 10 年内从65%提升到 95%。这些技术进步催生了广泛的实际应用，如自动驾驶、机器翻译、智能生活、数据挖掘、灾害预测、辅助医疗和精准营销等。

（5）大数据。人工智能离不开大数据。人工智能和机器学习建立在大数据的可获得性不断提高和计算能力不断增强的基础之上。机器学习是借助以前所未有的数量、种类和速度提供的数据培养起来的。近年来大多数机器学习进步背后的促进因素就是大数据和深度学习。

二 二

美国人工智能发展现状 状（一）美国人工智能研发现状 2019 年一份对美国、中国、欧洲人工智能发展的比较研究报告显示，在六项指标——人才、研究、开发、采用、数据和硬件中，美国处于绝对领先地位，中国位居第二，欧洲则位居第三。根据对 2018 年在 21 个主要人工智能国际会议上发表论文的作者获得博士学位情况的调查，其中有 44%的人在美国获得博士学位，比在欧盟（估计为 21%）和中国（11%）的总和还多。这在很大程度上为美国提供了人工智能人才的优势。根据人工智能论文和专利记录，在雇用人工智能人才最多的 20 家公司中，2017 年有一半

设在美国。这 10 家美国公司合计拥有 1623 名人工智能人才。相比之下，欧盟有 6 家这样的公司，总共有 522 名人工智能人才。排名前 20 位的唯一一家中国公司是华为，拥有 73 名相关人才。

美国在人工智能方面的研究成果在全球处于领先地位。根据全球最大的引文数据库 Scopus 的检索结果，2018 年美国共发表了 16233 篇与人工智能有关的同行评审论文。论文数量的快速增长主要发生在 2013 年之后，5 年内增长了 2.7 倍。同一时期中国和欧盟的人工智能论文数量也有类似的快速增长，而且每年发表论文的数量明显超过美国，两者 2018 年的发表数量分别高达 24929 篇和 20418 篇。不过，美国人工智能论文的质量一直大幅度领先于其他地区，2018 年其平均每篇论文被引用的次数为 2.23 次，而中国为 1.36 次。美国每个作者被引用的次数也比全球平均水平高出 40%。

美国在深度学习领域发表的论文数量远超过其他国家，2015—2018 年共在预印本文库网站 arXiv 发表了 3078 篇相关论文，是中国同期的两倍。最近几年，美国每年取得的人工智能专利数量都占到全球总量的一半左右，专利引证数量占到全球的 60%。在全球最大的软件源代码托管服务平台GitHub 上，美国各机构贡献的人工智能软件库受到最多的关注。仅谷歌公司主导的机器学习开源软件库 TensorFlow 的累积点赞数就超过 15 万次，接近所有其他主要相关软件库的总和。然而，中国与美国在这方面的差距正在缩小。艾伦人工智能研究所 2019 年对人工智能论文进行的分析发现，在被引用最多的 10%的人工智能论文中，美国所占份额从 1982 年的 47%下降到 2018 年的 29%，中国从 1982 年的几乎为 0 增长到 26.5%。

学术机构是美国人工智能研究的主力。1998—2018 年，美国共发表了32 万篇各类关于人工智能的论文，其中有 27 万篇来自学术机构，比例达到85%。这与中国和欧盟的情况类似，后两者的比例还要略高，分别高达 93%和 91%。2013—2017 年发表人工智能论文最多的 5 个美国机构是卡内基梅隆大学、麻省理工学院、微软、IBM 和斯坦福大学。根据 2018 年 3 月 6 日的科研论文影响力（FWCI）评分，这五个机构加在一起为 4.0，显著高于欧盟前五名（1.9）和中国前五名（1.4）的评分。人工智能迅速成为美国计算机科学中最热门的博士生专业，远超过传统的信息安全、计算机网络、软件工程等专业。2018 年美国毕业的 1251 个计算机科学博士中有 266 人主修人工智能，比例超过 21%，比 5 年前增加了 10 个百分点。

企业界也在美国的人工智能研发中发挥了很大作用。从 1998 年到 2018年，来自企业的各类人工智能文章共有 3.8 万篇，占总数的 12%，而该比例在中国和欧盟分别只有 2.2%和 3.6%。目前，企业界已经成为美国人工智能人才的最大就业场所。

2018 年，超过 60%的人工智能博士毕业生进入企业界，比 2004 年高出40 个百分点。人工智能教师离开学术界进入工业界的速度也在加快，2018年有 40 多人离职，比 2012 年多 25 人。

美国的人工智能研究在许多关键技术领域居于世界领先地位。在计算机视觉领域，谷歌公司和卡内基梅隆大学开发的 Noisy Student 方法对图片进行分类的 Top-1 准确率达到 88.4%，比 6 年前提高了 35 个百分点；在云基础设施上训练大型图像分类系统所需的时间已经从 2017 年的 3 个小时减少到 2019 年的 88 秒，训练费用也从 1112 美元下降到 12.6 美元。自然语言处理的进展也非常迅速。2012 年以来，人工智能系统的计算量一直呈指数式增长，平均每 3.4 个月就翻一番，远远超过摩尔定律限定的每两年翻一番的增长速度。谷歌公司的阿尔法元每天能进行 1020 次浮点运算，远超出任何其他人工智能系统。

然而，当前由深度学习主导的人工智能发展有其应用范围和理论上的瓶颈。深度学习在语音和图像识别、自然语言处理等领域拥有其他人工智能技术无可比拟的优势，但也具有易受攻击、学习效率低、应用不稳定、缺乏可解释性等局限。2011 年图灵奖得主、人工智能专家朱迪亚·珀尔（Judea Pearl）认为，深度学习是一种非常通用和强大的曲线拟合技术，它可以识别以前隐藏的模式，推断出趋势，并预测出各种问题的结果，但除非算法和由它们控制的机器能够推出因果关系，否则它们的效用和通用性永远不会接近于人类。

根据高德纳咨询公司提出的技术成熟度曲线，新科技从诞生到成熟应用通常要耗费十余年时间或更久，其间要经历五个阶段:科技诞生的促动期、过高期望的峰值期、泡沫化的低谷期、稳步爬升的光明期和实质生产的高峰期。该公司对当前人工智能的各种技术和应用进行了评估，认为只有语音识别达到了实质生产的高峰期，其他都仍处于前三个时期。例如，自动驾驶正处于泡沫化的低谷期，计算机视觉、智能助手、自然语言处理、机器学习和深度神经网络等都处于从高峰期向低谷期下降的阶段。因此，对于绝大多数人工智能技术及其应用来说，至少还需要数年时间才能达到实质生产的高峰期。

（二）美国人工智能产业的发展 美国人工智能产业对劳动力的需求在迅速增长。2010—2019 年，与人工智能相关的工作岗位占总工作岗位的比例从 0.26%上升到 1.32%。其中机器学习所占的比例最高，占到总工作岗位的 0.51%。各个行业都需要人工智能人才，其中信息产业的需求量最大，其次是高科技服务业和金融保险业。

从地域来看，美国各州对人工智能人才的需求都在快速增长，但需求量最大的仍是加利福尼亚州、纽约州、得克萨斯州、马萨诸塞州、华盛顿州和弗吉尼亚州等高科技产业聚集的州。2018—2019 年，加利福尼亚州对人工智能人才的需求超过 9.3 万人，占该州工作需求总量的 1.3%。德勤会计师事务所评出的全球前 20 个人工智能创新和应用城市中，有 5 个位于美国，分别是旧金山、波士顿、纽约、洛杉矶和达拉斯。相对而言，人工智能更容易对高技能工作造成冲击，而中低技能工作更容易受到软件和机器人的冲击。拥有学士学位的人受到人工智能冲击的程度是高中学历者的 5 倍，这是因为人工智能更容易完成白领擅长的规划、推理、预测和解决问题等任务。

美国与人工智能相关的公司数量以及对这些公司的投资也在快速增长。美国的人工智能初创企业超过 5000 家，数量远超过其他国家。排名第二的英国大约有 1000 家，中国大约有 300 多家。全球排名前 100 的人工智能初创公司中的 77 家位于美国。2018 年，美国人工智能初创公司共获得 187 亿美元的私人投资，相当于 2013 年的 7.6 倍，大约占全球总量的 46%。这些美国初创公司虽然获得了大量投资，但目前很少进行上市和公开募股活动，更多是被高科技巨头收购。例如，苹果公司共收购了 20 家，谷歌收购了 14家，微软收购了 10 家。美国人工智能初创公司涉及的领域非常多样化，其中数据工具领域得到了最多的投资，接下来是医疗技术、零售、文本分析、聊天机器人和广告营销等。这与中国的情况有明显不同:中国的投资主要流向自动化、人脸识别、教育技术和自动驾驶等领域。

在人工智能公司的风险资本和私募股权融资方面，美国也居于首位。2017—2018 年，美国的风险投资和私募股权融资数额约为 169 亿美元。其次是中国，约为 135 亿美元。排第三的是欧盟，约为 28 亿美元。再看涉及人工智能公司的风险资本和私募股权融资交易数量，2017—2018 年，美国人工智能公司获得的投资最多（1270 项），超过欧盟（660 项）和中国（390项）。知名的初创公司及投资机构生态数据库 Crunch-Base 上列出了 2000年 1 月到 2019 年 5 月按地区划分的人工智能类别组中的公司收购数量，美国拥有此类公司 1727 家，超过欧盟（拥有 762 家）和中国（拥有 224 家）的总和。

美国在发展世界一流的人工智能公司中处于领先地位。美国公司在专利和主导性人工智能收购方面表现强劲，例如，在 15 个机器学习子类别中，微软和 IBM 在 8 个子类别中申请了比其他任何实体公司都更多的专利，包括监督学习和强化学习类。美国公司在 20 个领域中的 12 个领域的专利申请处于领先地位，包括农业（迪尔公司）、安全（IBM 公司）以及个人设备、计算机和人机互动（微软公司）。中国科学院则在深度学习方面申请了最多的专利，德国的西门子公司在神经网络方面申请了最多的专利。

此外，2012—2016 年，IBM 的人工智能专利申请为 3677 项，居全球之首。Alpha-bet 公司有 2185 项，微软有 1952 项，均位列全球前五名。1960—2018 年，专利申请人在美国专利数据库（USPTO）中申请了 28031项高引用率专利，这大大超过了欧盟的 2985 项和中国的 691 项。虽然此项指标显示的是申请人在哪里提交专利，而不是他们的所在地，但大多数申请人通常会首先选择在其居住的国家/地区提交专利。此外，世界知识产权组织（WIPO）追踪了 1960—2018 年首次作为《专利合作条约》（Pa-tent Cooperation Treaty）专利申请的知识产权专利的数量。在这方面，美国有1863 项，领先于中国的 1085 项和欧盟的 1074 项。

美国在每一项人工智能发展指标上都处于领先地位，这表明美国比中国和欧盟更有能力继续发展全球领先的人工智能企业。专利和收购数据也显

示，美国在发展世界级人工智能公司方面已经居于显著的领先地位。但是，部分由于中国强大的风险投资和私募股权生态系统，中国正在赶上欧盟和美国。

超级计算机是人工智能发展的关键基础设施之一。在超级计算机拥有量方面，根据 2019 年 11 月 Top500 公布的数据，在全球前 500 强的超级计算机系统中，美国拥有 117 台，占 23.4%，平均综合得分为 5223；中国（不含港澳台地区）拥有 228 台，占 45.6%，平均综合得分为 2333；欧盟国家（含英国）有 91 台，占 18.2%，平均综合得分为 3211。世界上最快的 10台超级计算机中有 5 台属于美国，世界上最快的两台超级计算机（Summit和 Sierra）就安置在美国能源部。

此外，美国的英特尔公司开发了 500 强超级计算机中 94.8%的处理器。使用加速器或协处理器来增强计算机性能的超级计算机有 145 台，其中有141 台使用了来自美国的 Nvidia 或英特尔公司的加速器或协处理器，占总数的 97.2%。中国的超级计算机研发在某些方面正在赶超美国。2010 年 6月，全球 500 台性能最强的超级计算机中有 282 台安装在美国，但是到 2018年，美国拥有的台数下降到了 109 台的历史最低位。中美都在努力开发每秒百亿亿次浮点运算的计算机。2018 年《科学》（Science）杂志的一篇报道说，2018 年 6 月以前，中国在世界排名中最靠前的两台超级计算机太湖之光（排名第一）和天河 2A（排名第三）的算力总和比美国能源部当时拥有的 21 台超级计算机的总和还要强大。直到 2018 年 6 月美国田纳西州橡树岭国家实验室名为 Summit 的计算机付诸运行，它才为美国夺回了最强超级计算机的称号。目前美国能源部正在研发一台名为极光（Aurora）的超级计算机，其计算和分析能力是 Summit 的 50 倍。

人工智能对美国经济将产生显著的促进作用。它不仅催生了图像识别、语音识别、机器翻译等新兴产业，其更广泛的应用是所谓的“AI+”，即人工智能为医疗、制造、运输、金融、零售、教育、农业等传统行业赋能，提高这些行业的智能化水平，推动传统经济结构转型升级，向“工业 4.0”转变，创造出新的经济增长点。普华永道会计师事务所预测，到 2030 年人工智能对全球经济的累积贡献可能高达 15.7 万亿美元，其中 6.6 万亿美元源自生产率的提升，9.1 万亿美元源自消费，今后对美国经济的累积贡献将达到 3.7万亿美元。埃森哲咨询公司预测，到 2035 年人工智能将每年为美国经济带来 2.6%—4.6%的额外增长。由于深度学习在美国发展得最早，它对美国经济的促进作用将很快显现出来，在 21 世纪 20 年代中期就能达到高峰，可能比中国要早 5 年。

人工智能已经在美国多个行业中得到应用。获益最多的行业之一是医疗保健，主要应用范围是辅助诊断和治疗、医疗影像分析、传染病的早期识别和跟踪、新药研发等。仅 2018 年，美国食品药品管理局就批准了 16 款人工智能医疗产品，用于检测骨折、糖尿病、心脏和脑部疾病。自动驾驶是另一个人工智能技术正在快速走向实用的领域，美国在这方面也处于世界领先地位。根据毕马威对各国自动驾驶发展情况的评估，2019 年美国位列世界第四，其中在技术和创新方面位列世界第三，仅次于以色列和挪威。

中国的综合排名是第 20 名，技术和创新位列第 19 名。美国汽车工程师学会将自动驾驶分成 L0 到 L5 共六个等级，特斯拉等美国量产车型的自动驾驶等级处于 L2 到 L3 之间，大约领先中国一个等级。在金融行业，人工智能将促进个人化理财规划和交易自动化，这有助于监控金融欺诈和洗钱活动。人工智能还将促进制造业自动化和个人定制生产，帮助销售行业预测消费者的需求、优化存储和物流，便于新闻和娱乐行业定制用户内容、精准投放广告。

（三）人工智能在美国政府部门与政治中的应用 人工智能已经在美国政府部门中得到广泛应用。至少有 142 个重要的联邦政府部门正在使用人工智能，其用途多种多样，包括在执法行动中精准识别和选择目标、收集和分析信息以制定决策，改进与公众交流的方式、提高内部管理效率等。证券交易委员会、社会保障管理局、海关和边境保护局、食品与药品管理局、联邦通信委员会是使用人工智能较多的机构。

美国政府特别注重人工智能在军事和安全方面的应用。国防部建立了联合人工智能中心，并一次性拨给 6 年共 17.5 亿美元的预算，以推动国防部尽快使用人工智能、协调技术研发和应用、防止美国关键基础设置遭到网络攻击，其当前负责人是陆军中将约翰·沙纳汉。国防部设立了算法战跨职能小组，这是联合人工智能中心的第一个项目，负责把人工智能快速集成到国防部的现有系统中。人工智能在预计情报、监视和侦察方面特别有用。美国情报界正在开展一些公开的人工智能研究项目，仅中央情报局就有大约 140 个正在开发的项目，旨在利用人工智能在一定程度上完成图像识别和预测分析等任务。美国情报高级研究计划局正在资助几个人工智能研究项目，打算在未来 4—5 年内开发出相关分析工具，例如用于在嘈杂环境中进行多种语言语音识别和翻译的算法、在没有相关元数据的情况下对图像进行地理定位以及融合二维图像以创建三维模型等。

空军使用人工智能来预测飞机的维修，它提取飞机传感器的数据，将数据输入预测算法，以确定技术人员何时需要检查飞机或更换零件；空军还在开发多域指挥控制系统，旨在集中规划和执行空中、太空、网络、海上和陆上军事行动。美国各军事部门都在努力将人工智能纳入战斗机、无人机、车辆和舰艇中，利用人工智能技术感知环境、识别障碍物、融合传感器数据、规划导航以及与其他设备通信。美国还在开发杀伤性自主武器系统，它能够独立识别目标，不需要与人类沟通就能利用机载武器系统发动攻击。鉴于美国企业通常不愿与国防部合作，国防部还在向企业施加更大压力，要求它们授予无限制使用数据和软件的权利。

人工智能在美国政治生活中也得到广泛应用。它既为政治人物和普通民众提供了新的参与政治的手段，也加速了“后真相时代”的到来。通过分析网络用户的消费模式和社交关系，人工智能可以为每个用户建立独特的画像，并预测他们的政治倾向和投票行为，进而帮助竞选者精准投放竞选广告。人工智能也能帮助选民更精确地挑选自己喜欢的政治资讯，促进对特定议题和候选人的了解。奥巴马最早在选举中运用人工智能，他的竞选团队在2012 年使用大数据分析来精准投放竞选广告和 邮 件，最 终 获 得 10 亿 美元 的 巨 额 捐 款。

2016 年 特 朗 普 竞 选 团 队 利 用 剑 桥 分 析 公 司 来 帮 他操 纵 和 引 导 社 交 媒 体 上 的 舆 论 风 向。

2018 年 该 公 司 被 揭 露 曾 以 不当 方 法 获 取 和 转 卖 脸 书 5000 万 用 户 的 数 据。

在 2018 年 的 美 国 中期 选 举 中，一 项 令 人 警 惕 的 人 工 智 能 技 术 是 深 度 伪 造，它 可 被 用来 逼 真 地 伪 造 政 治 人 物 的 声 音 或 视 频，以 此 来 误 导 选 民。

2019 年6 月 13 日，美 国 众 议 院 情 报 委 员 会 专 门 召 开 了 关 于 深 度 伪 造 的 听证 会，讨 论 这 项 技 术 对 国 家、社 会 和 个 人 的 风 险 及 应 对 措 施。

第二篇：人工智能的发展及应用解读

人工智能的发展及应用

学院 ： 班级 ： 姓名 ： 学号 ：

人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能几乎涉及到是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。

人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。关于什么是“智能”，就问题多多了。这涉及到其它诸如意识、自我、思维等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。关于人工智能一个大家比较容易接受的定义是这样的： 人工智能是人造的智能,是计算机科学、逻辑学、认知科学交叉形成的一门科学，简称AI。

人工智能体现在思维、感知、行为三个层次。它主要模拟眼神、扩展人的智能。其研究内容可以分为机器思维和思维机器、机器行为和行为机器、机器感知和感知机器、三个层次。人工智能研究与应用虽然取得了不少成果，但离全面推广应用还有很大距离，还有很多问题需要许多学科的共同研究。

人工智能有两种实现方式，第一种叫做工程学方法（Engineering approach），是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。它已在一些领域内作出了成果，如文字识别、电脑下棋等。第二种是模拟法（Modeling approach），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。第一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁, 非常麻烦。采用第二种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。人工智能的发展: 人工智能的研究经历了以下几个阶段: 孕育阶段:古希腊的Aristotle（亚里士多德）（前384-322），给出了形式逻辑的基本规律。英国的哲学家、自然科学家Bacon（培根）（1561-1626），系统地给出了归纳法。“知识就是力量”德国数学家、哲学家Leibnitz（布莱尼兹）（1646-1716）。提出了关于数理逻辑的思想，把形式逻辑符号化，从而能对人的思维进行运 算和推理。做出了能做四则运算的手摇计算机英国数学家、逻辑学家Boole（布尔）（1815-1864）实现了布莱尼茨 的思维符号化和数学化的思想,提出了一种崭新的代数系统——布尔代数。

第一阶段: 50 年代人工智能的兴起和冷落人工智能概念首次提出后，相继出现了一批显著的成果，如机器定理证明、跳棋程序、通用问题s 求解程序LISP表处理语言等。但由于消解法推理能力的有限，以及机器翻译等的失败，使人工智能走入了低谷。这一阶段的特点是：重视问题求解的方法，忽视知识重要性。

第二阶段: 60 年代末到70 年代，专家系统出现，使人工智能研究出现新高潮DENDRAL 化学质谱分析系统、MYCIN 疾病诊断和治疗系统、PROSPECTIOR 探矿系统、Hearsay-II 语音理解系统等专家系统的研究和开发，将人工智能引向了实用化。并且，1969 年成立了国际人工智能联合会议（International Joint Conferences onArtificial Intelligence 即IJCAI）。

第三阶段: 80 年代，随着第五代计算机的研制，人工智能得到了很大发展日本1982 年开始了“第五代计算机研制计划”，即“知识信息处理计算机系统K I P S”，其目的是使逻辑推理达到数值运算那么快。虽然此计划最终失败，但它的开展形成了一股研究人工智能的热潮。

第四阶段: 80 年代末，神经网络飞速发展1987 年，美国召开第一次神经网络国际会议，宣告了这一新学科的诞生。此后，各国在神经网络方面的投资逐渐增加，神经网络迅速发展起来。

第五阶段: 90 年代，人工智能出现新的研究高潮由于网络技术特别是国际互连网技术的发展，人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研究。不仅研究基于同一目标的分布式问题求解，而且研究多个智能主体的多目标问题求解，将人工智能更面向实用。另外，由于Hopfield 多层神经网络模型的提出，使人工神经网络研究与应用出现了欣欣向荣的景象。人工智能已深入到社会生活的各个领域。人工智能的应用: 人工智能是在计算机科学、控制论、信息论、心理学、语言学等多种学科相互渗透的基础发展起来的一门新兴边缘学科，主要研究用机器（主要是计算机）来模仿和实现人类的智能行为，经过几十年的发展，人工智能应用在不少领域得到发展，在我们的日常生活和学习当中也有许多地方得到应用。本文就符号计算、模式识别、专家系统、机器翻译等方面的应用作简单介绍，籍此使读者对我们身边的人工智能应用有一个感性的认识。

符号计算计算机最主要的用途之一就是科学计算,科学计算可分为两类: 一类是纯数值的计算,例如求函数的值, 方程的数值解, 比如天气预报、油藏模拟、航天等领域;另一类是符号计算,又称代数运算,这是一种智能化的计算, 处理的是符号。符号可以代表整数、有理数、实数和复数,也可以代表多项式,函数,集合等。随着计算机的普及和人工智能的发展,相继出现了多种功能齐全的计算机代数系统软件, 其中Mathematica和Maple 是它们的代表，由于它们都是用C 语言写成的, 所以可以在绝大多数计算机上使用。

模式识别模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读。这里,我们把环境与客体统称为“模式”, 随着计算机技术的发展，人类有可能研究复杂的信息处理过程。用计算机实现模式（文字、声音、人物、物体等）的自动识别，是开发智能机器的一个最关键的突破口，也为人类认识自身智能提供线索。计算机识别的显著特点是速度快、准确性和效率高。识别过程与人类的学习过程相似。以“语音识别”为例：语音识别就是让计算机能听懂人说的话，一个重要的例子就是七国语言（英、日、意、韩、法、德、中）口语自动翻译系统。该系统实现后，人们出国预定旅馆、购买机票、在餐馆对话和兑换外币时，只要利用电话网络和国际互联网，就可用手机、电话等与“老外”通话。指纹是人体的一个重要特征，具有唯一性。北京大学有关专家对数字图像的离散几何性质进行了深入研究，建立了从指纹灰度图像精确计算纹线局部方向、进而提取指纹特征信息的理论与算法，随后研究成功了适于民用身份鉴定的全自动指纹鉴定系统，以及适于公安刑事侦破的指纹鉴定系统。从而开创了我国指纹自动识别系统应用的先河。北京指纹自动识别系统的推出，使我国公安干警从指纹查对的繁重人工处理中解放出来。

专家系统专家系统是一种模拟人类专家解决某些领域问题的计算机程序系统。专家系统内部含有大量的某个领域的专家水平的知识与经验，能够运用人类专家的知识和解决问题的方法进行推理和判断，模拟人类专家的决策过程，来解决该领域的复杂问题。专家系统是人工智能应用研究最活跃和最广泛的应用领域之一,涉及到社会各个方面，各种专家系统已遍布各个专业领域，取得很大的成功。根据专家系统处理的问题的类型，把专家系统分为解释型、诊断型、调试型、维修型、教育型、预测型、规划型、设计型和控制型等1 0 种类型。具体应用就很多了，例如血液凝结疾病诊断系统、电话电缆维护专家系统、花布图案设计和花布印染专家系统等等。

机器翻译机器翻译是利用计算机把一种自然语言转变成另一种自然语言的过程，用以完成这一过程的软件系统叫做机器翻译系统。目前，国内的机器翻译软件不下百种，根据这些软件的翻译特点，大致可以分为三大类：词典翻译类、汉化翻译类和专业翻译类。词典类翻译软件代表是“金山词霸”了，堪称是多快好省的电子词典，它可以迅速查询英文单词或词组的词义，并提供单词的发音，为用户了解单词或词组含义提供了极大的便利。汉化翻译软件的典型代表是“东方快车2000”，它首先提出了“智能汉化”的概念，使翻译软件的辅助翻译作用更加明显。未来发展与展望: 未来人工智能可能会向以下几个方面发展: 模糊处理、并行化、神经网络和机器情感，因为目前人工智能的推理功能已获突破，学习及联想功能正在研究之中，下一步就是模仿人类右脑的模糊处理功能和整个大脑的并行化处理能。人工神经网络是未来人工智能应用的新领域。

今天，已经有很多人工智能研究的成果进入人们的日常生活，一些面向苹果机和IBM兼容机的应用软件例如语音和文字识别已可买到;使用模糊逻辑,AI技术简化了摄像设备，相信将来人工智能技术的发展将会给人们的生活、工作和教育等带来更大的影响。

我们至少要经历几代人的坚持奋斗，进行多学科联合协作研究，才可能基本上解开“人工智能”之谜，使人工智能理论达到一个更高水平。

心得体会 通过老师对人工智能的讲解，我对人工智能有了一些简单的感性的认识，我知道了人工智能从诞生，发展到今天经历一个漫长的过程，许多人为此做出了不懈的努力。我觉得这门课是一门非常富有挑战性的学科，而从事这项工作的人不仅要懂得计算机知识，还必须懂得编程。

人工智能在很多领域得到了发展，在我们的日常生活和学习中发挥了重要的作用。如：机器翻译，机器翻译是利用计算机把一种自然语言转变成另一种自然语言的过程，用以完成这一过程的软件系统叫做机器翻译系统。利用这些机器翻译系统我们可以很方便的完成一些语言翻译工作。目前，国内的机器翻译软件有很多，富有代表性意义的当属“金山词霸”，它可以迅速的查询英文单词和词组句子翻译，重要的是它还可以提供发音功能，为用户提供了极大的方便。

通过老师对人工智能的讲解，我明白了人工智能发展的历史和所处的地位，它始终处于计算机发展的最前沿。我相信人工智能在不久的将来将会得到更深一步的实现，会创造出一个全新的人工智能世界。

读书的好处

1、行万里路，读万卷书。

2、书山有路勤为径，学海无涯苦作舟。

3、读书破万卷，下笔如有神。

4、我所学到的任何有价值的知识都是由自学中得来的。——达尔文

5、少壮不努力，老大徒悲伤。

6、黑发不知勤学早，白首方悔读书迟。——颜真卿

7、宝剑锋从磨砺出，梅花香自苦寒来。

8、读书要三到：心到、眼到、口到

9、玉不琢、不成器，人不学、不知义。

10、一日无书，百事荒废。——陈寿

11、书是人类进步的阶梯。

12、一日不读口生，一日不写手生。

13、我扑在书上，就像饥饿的人扑在面包上。——高尔基

14、书到用时方恨少、事非经过不知难。——陆游

15、读一本好书，就如同和一个高尚的人在交谈——歌德

16、读一切好书，就是和许多高尚的人谈话。——笛卡儿

17、学习永远不晚。——高尔基

18、少而好学，如日出之阳；壮而好学，如日中之光；志而好学，如炳烛之光。——刘向

19、学而不思则惘，思而不学则殆。——孔子

20、读书给人以快乐、给人以光彩、给人以才干。——培根

第三篇：人工智能的发展及预测学习报告

人工智能的发展及预测学习报告

姓名

人工智能（Aritificial Intelligence，AI）是一门融合了计算机科学、统学、脑神经学和社会科学的前沿综合性学科。它的目标是希望计算机拥有像人一样的智力能力，可以替代人类实现识别、认知、分类和决策等多种功能。

一、实现人工智能的方法----机器学习

机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人工智能。

机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。

这个结果还算不错，但并不是那种能让人为之一振的成功。特别是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，算法就难以成功了。这就是为什么前一段时间，计算机视觉的性能一直无法接近到人的能力。它太僵化，太容易受环境条件的干扰。

随着时间的推进，学习算法的发展改变了一切。

二、实现机器学习的技术—深度学习

人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层、连接和数据传播的方向。

例如，我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。我们仍以停止（Stop）标志牌为例。将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。这个例子里，系统可能会给出这样的结果：86%可能是一个停止标志牌；7%的可能是一个限速标志牌；5%的可能是一个风筝挂在树上等等。然后网络结构告知神经网络，它的结论是否正确。即使是这个例子，也算是比较超前了。直到前不久，神经网络也还是为人工智能圈所淡忘。其实在人工智能出现的早期，神经网络就已经存在了，但神经网络对于“智能”的贡献微乎其微。主要问题是，即使是最基本的神经网络，也需要大量的运算。神经网络算法的运算需求难以得到满足。

不过，还是有一些虔诚的研究团队，以多伦多大学的Geoffrey Hinton为代表，坚持研究，实现了以超算为目标的并行算法的运行与概念证明。但也直到GPU得到广泛应用，这些努力才见到成效。我们回过头来看这个停止标志识别的例子。神经网络是调制、训练出来的，时不时还是很容易出错的。它最需要的，就是训练。需要成百上千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十分精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。

只有这个时候，我们才可以说神经网络成功地自学习到一个停止标志的样子；或者在Facebook的应用里，神经网络自学习了你妈妈的脸；又或者是2012年吴恩达（Andrew Ng）教授在Google实现了神经网络学习到猫的样子等等。

吴教授的突破在于，把这些神经网络从基础上显著地增大了。层数非常多，神经元也非常多，然后给系统输入海量的数据，来训练网络。在吴教授这里，数据是一千万YouTube视频中的图像。吴教授为深度学习（deep learning）加入了“深度”（deep）。这里的“深度”就是说神经网络中众多的层。

现在，经过深度学习训练的图像识别，在一些场景中甚至可以比人做得更好：从识别猫，到辨别血液中癌症的早期成分，到识别核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，然后与它自己下棋训练。它训练自己神经网络的方法，就是不断地与自己下棋，反复地下，永不停歇。

三、人工智能的发展历程

上图是人工智能的发展史，短短的70年间，人工智能的发展取得了巨大的成功，并不断细化。从机器学习开始飞速进步，再到深度学习驱动人工智能蓬勃发展，以至于造成了前所未有的巨大影响。

1956年，几个计算机科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智能”的概念。其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。之后的几十年，人工智能一直在两极反转，或被称作人类文明耀眼未来的预言；或者被当成技术疯子的狂想扔到垃圾堆里。坦白说，直到2012年之前，这两种声音还在同时存在。

过去几年，尤其是2015年以来，人工智能开始大爆发。很大一部分是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据）的组合拳，也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。这些方向的进步为包括谷歌、微软、facebook等国际互联网巨头和包括百度、阿里、腾讯等国内人工智能发展的第一梯队带来了巨大的潜在市场价值。

四、人工智能与人类智能较量（从Alpha Go理解预测）以前人们说围棋AI十年内打不过职业棋手，于是

1、AlphaGo Fan赢了樊麾；

2、AlphaGo Lee赢了人类李世石；

3、AlphaGo Lee有各种漏洞，于是AlphaGo Master连赢60局，围棋峰会毫无悬念打出3-0，还留下一堆“神”谱；

4、AlphaGo Zero自我强化学习3天终结了AlphaGo Lee；

这次AlphaZero的出世，意义不止在于研究棋类游戏；它表明深度神经网络还有大量的潜力有待挖掘，尤其是与之类似的对抗增强的网络模型。

但是，AlphaZero的强化学习训练耗费了海量的硬件资源，暗示着想要实现更强的人工智能还需要更多的计算力。有句话说“有多少人工就有多少智能”，所以这次的AlphaZero短期带来的最大影响，可能是AI的各个研究领域要开始发展硬件了。

我认为人工智能发展始终围绕着人类的发展，所谓“较量”或许终究是人与人的较量、人与未来的较量，人与落后的较量。我们应保持乐观积极的发展态度，给人工智能以摧残的未来，同时，警惕技术触及伦理与道德和法律的底线，我们的明天终会更加美好！

参考资料：

[1]《机器学习》-周志华 [2]《人工智能》-李开复

第四篇：有机农业产业化发展模式及发展战略

有机农业产业化发展模式及发展战略

摘要：食品安全问题频出，越来越注重绿色食品有机食品的发展，要满足巨大的市场需求,需要有机农业的产业化发展。

关键词：有机农业 产业化PTDFLE

有机农业产业化发展具有必然性。由于我国人多地少的国情，传统的自耕农业已经不能满足巨大的食品需求。于是现代农业随之产生，极大的满足了人们的食品需求，但现代农业在取得辉煌成就的同时，引起了能源危机、资源危机、生态危机、土地荒漠化、温室效应、生物多样性破坏等问题，似的人类生存环境受到极大的威胁，于是人们要求一种既能满足人类食品需求，又能保护坏境，能与自然和谐相处的农业发展模式，那么有机农业就自然而然的产生了。有机农业也差不多发展了将近一个世纪了，但在我国有机农业的发展现状仍然相对缓慢，其所占比例还比较小。我国有机农业用地只有30129h平方米，我国的有机产品还大多靠进口来满足国内的需求。

为了解决困境，实现基本自给，有机农业的产业化经营已经迫在眉睫。实现有机农业“产供销一体化，种养加一条龙”，实现以市场为导向，以农户经营为基础，以龙头组织为依托，以经济效益为中心，一系列服务为手段没通过实行产供销，种养加一体化经营，将农业再生产过程联接起来的一个完整的产业系统，主题自愿结成的经济利益共同体，市场农业的基本经营模式。

其中PTD（Participatory Technology Development)就是一个比较好的有机农业发展推广模式，强调农民和农业研究、推广机构之间的创造性的相互作用，将农民的知识与经验同科学知识相结合，以寻求农业生产过程中对当地资源的最佳利用的方法。基本方法包括： 对某一特定的农业生态系统的主要特征与变化达成共识；

确定当地问题的重点；

在当地农民或其他地区所具有的经验和科学知识相结合的基础上，确定当地的实验方案，因地制宜，提高农民的试验能力和加强农民之间的交流。

PTD工作程序如下图：

PTD的工作程序

另外一种模式就是一浓密为中心的技术推广模式，PLE系旨在技术推广过程中农民在外界推广和研究人员的帮助下，成为计划、设计和执行推广活动的主要角色。讲究的是农民的积极参与，外界知识与农民实践经验相结合，倡导平等精神没通过小规模验证将酒宴成果和推广相结合。加强外界推广人员与农民的交流，充分发挥房地农业技术员的作用，推广人员要和农民一起制定有机生产转换计划和技术方案。

在这些模式下，能极大的调动农民的积极性，从而加快推广有机农业的发展步伐。

中国农业明显表现出两个基本特点：意识人均农业资源紧缺，农业生产实行精耕细作；二是中国农业生产力水平总体还比较低。所以只有做好有机农业的战略定位非常重要，针对有机农业存在的问题，如有机农业生产的效率低，风险较大，成本和效益外泄现象严重，各级政府政策扶持力度不够，公共认识与诚信体系的缺乏等问题，实事求是，具体问题具体分析，制定出比较好的发展战略。

首先需要消除的是概念上的和认识上的某些误区，防止急功近利。重物轻人等思想，有机农农业是只是经济的产物，必须发挥知识在发展有机农业过程中德重要作用。其次需要制定、实施有机农业的产业政策。还要加强对有哦及食品及其产业发展的科学研究。加强监管，保障有机食品的健康发展。加强各部门的协调运作，共同把有机农业发展下去。参考文献：吴大付胡国安 《有机农业》 9787802333895钦佩 《有机农业生态工程》学号：20107972姓名：牟建祥

第五篇：今后五年的发展思路及发展战略

重庆金田电子（集团）有限公司 今后五年的发展思路及发展战略

根据集团公司全体股东对公司至2015年发展的总体目标要求，今后五年集团公司的发展思路是：遵循一个方针：即企业经营方针；创新两个机制：即人才机制和分配机制；强化三个重点：及战略管理、基础工作和监督管理；实施四大战略：即低成本战略、品牌战略、差异化战略、多元化战略。

（一）发展目标和发展战略

今后五年集团公司发展的主要目标是：以政府鼓励行业（如土地治理、三农项目）投资经营为主业，积极稳妥地做好现有煤矿企业；优先发展安防产业；加强资本运作，力争实现企业上市；着力提升企业核心竞争力，确保公司资产安全运行、保值增值和优化配置，成为构架严密、体制完善、运转高效，具备一流管理水平、配备一流人才队伍、培育一流企业文化、创造一流经营业绩的投资经营类大型民营企业。按2010年经营计算，到2015年集团公司总资产力争新增5亿元人民币，净资产力争新增1亿元人民币。

为实现上述发展目标，我们必须实施三大发展战略：

——实施资本运营战略。以资本运营为核心，优化、组合各生产要素，创新投融资体系，通过企业上市，发挥优质资源，提升价值创造能力，确保公司资产保值增值，为投资建设和经营管理提供资金保障。——实施产业拓展战略。依托集团公司成立15年来的产业项目资源优势，以产业间的内在联系为基础，以现有政府鼓励项目为主业，积极发展安防产业，通过合理规划，投资土地治理项目、智能交通和物流等衍生附加服务产业，拓展产业投资领域，提高投资效益，实现经营的集约化、专业化、网络化、品牌化。

——实施人才提升战略。建立起科学合理的人才开发选拔机制、培养引进机制、激励竞争机制、分配使用机制，创造人尽其才、才尽其用的良好发展环境，不断激发员工自主创新活力，全面改善人才结构，提升队伍素质，培养出一支适应集团公司投资建设、经营管理和资本运行需要的一流人才队伍。

通过资本运营、产业拓展和人才提升相互促进，使产业资本、金融资本和人力资源不断循环，全面提升集团公司价值，形成充满活力的发展局面，凝聚强劲的发展动力，全面完成股东们提出的各项目标任务，实现集团公司资产保值增值和企业的可持续发展。

（二）转变发展方式，走科学发展之路

党的十七大报告把加快转变经济发展方式作为实现未来经济发展目标的关键。对金田集团而言，转变发展方式，走科学发展之路，着重要做到“两个转变”，即：从“量”的扩张向“量”、“质”并举转变，从投资建设型向投资建设、经营管理和资本运营型转变；实现“三个创新”，即发展理念、发展方式和发展路径上的创新。

创新发展理念。从“又快又好”到“又好又快”、“好字优先”，强调在速度、质量和效益之间寻求良性平衡。要实现更大更好发展，就要转变发展方式，首先要创新发展理念，以新的发展理念指导各项工作。要充分认识到不仅要继续保持量的增长，更要注重质的提升，要坚持好字当头，好中求快，努力实现速度、质量、效益相协调。金田集团不仅要做大，更要做实、做强。要坚持以人为本，以回报社会、回报职工为价值追求，树立服务意识，改进工作作风，加强经营服务导向。最大限度地提高集团公司经济效益。

创新发展方式。在发展方式上实现集约型增长，是集团公司长远发展的必由之路。要加强和改进项目前期工作，在项目规划、方案论证、设计施工、运营管理等环节强化科学管理，有效提升投资效益。要大力倡导节约经营，降低资源能源消耗，倡导科技创新，大力推广新技术、新材料、新能源、新工艺的使用。要对集团公司的产业进行科学规划，形成合理布局，引导投资结构优化，理顺经营管理体制，加大资本运作力度，加快从投资建设型企业向投资建设、经营管理和资本运营型企业转变。要充分注重投资的经济效益，在发展方式上加快从外延粗放型向内涵集约型转变。

创新发展路径。随着能源、资源对今后发展提出的要求越来越高，随着现代企业由传统产业向现代服务业的战略转型，我们必须创新发展路径，寻求新的发展支撑力。要开拓经营模式，创新经营业态，加快从单一煤矿投资向多种产业投资转变。要依托集团公司销售网络，构筑集休闲旅游、商贸流通、金融保险和现代物流等功能于一体的服务平台，发展政府鼓励性产业。要培育企业自主创新能力，创新管理模式和手段。要注重创新人才的培育和引进，打造高素质人才队伍。要注重长效机制的构建，将人才、资金等各类要素引入持续增长和良性循环的轨道，改善发展环境。要进一步深化体制改革，使各部门、各层级形成合力，发挥最大效能。在发展路径上加快从主要依靠物质资源消耗向主要依靠产业拓展、劳动者素质提高和管理创新转变。

（三）增强企业软实力，走可持续发展之路

不断提高竞争力，是企业长盛不衰的要诀。企业软实力是企业竞争力中的重要组成部分，是影响企业竞争力消长的长期性、基础性和战略性要素。在经济竞争与文化较量日益激烈的今天，我们要充分认识企业文化建设的重要性和紧迫性，通过加强思想文化建设、人才队伍建设、党的建设和班子建设，努力构建以价值理念、行为规范、形象识别为主要内容的企业文化体系，增强软实力，提高硬实力，全方位提升企业核心竞争力。

加强思想文化建设。要培育“敬业爱岗，求实奉献，开拓创新，追求卓越”的企业精神，将其“内化于心，固化于制，外化于行”，转化为我们的思想和行为，贯穿到工程建设、经营管理活动的全过程，形成充满活力、积极向上的精神面貌。要培养广大员工的主人翁意识，激发创新的积极性，让广大员工与集团公司同呼吸、同成长、同发展。要进一步加强制度建设，修订完善内部管理制度，形成科学合理的行为准则。要开展形式多样的职工活动，丰富职工业余文化生活，陶冶情操，振奋精神。通过思想文化建设，形成互动和谐的工作氛围、高效灵活的体制机制、适应市场的创新活力，逐步提升集团公司的软实力。

加强人才队伍建设。要构建出以全局性和前瞻性的人力资源计划为基础，合理的人员供需配置、技能开发、绩效评价管理和薪酬管理为主要内容的战略性人力资源框架，逐步形成完善的人力资源系统。要加大培养力度，进一步培养“一专多能”的实用性人才，塑造出一支与投资建设、营运管理要求相匹配的高素质专业队伍，逐步适应集团公司产业拓展、企业发展的需求。要不断深化人事制度改革，坚持民主、公开、竞争、择优的原则，形成干部选拔任用的科学机制，着力造就高素质的干部队伍和人才队伍。要创新人才工作体制机制，激发人才创造活力和创业热情，全面发挥人力资源的价值，发掘企业持续发展和市场竞争的优势。

加强党的建设和班子建设。要贯彻为民、务实、清廉的要求，以坚定理想信念为重点，加强思想建设；以提高党员、干部队伍素质为重点加强组织建设，以胡锦涛总书记提出的大力倡导八个方面的良好风气为重点加强作风建设，以健全民主集中制为重点加强制度建设，以完善惩治和预防腐败体系为重点加强反腐倡廉建设。要把提高班子领导水平作为班子建设的内容抓紧抓好，改善领导方式，把领导班子建设成为坚定贯彻党的路线方针政策、善于领导科学发展的坚强领导集体。