本文对大数据时代人工智能领域近期出现的若干理论和技术进展进行了综述。我们认为，将数据驱动机器学习方法与人类的常识先验与隐式直觉有效结合起来，可实现可解释、更鲁棒和更通用的人工智能。AI 2.0时代大数据人工智能具体表现为：从浅层计算到深度神经推理；从单纯依赖于数据驱动的模型到数据驱动与知识引导相结合学习；从领域任务驱动智能到更为通用条件下的强人工智能（从经验中学习）。下一代人工智能（AI 2.0）将改变计算本身，将大数据转变为知识以支持人类社会作出更好决策。

基于互联网的信息物理世界深刻地改变了人工智能（artificial intelligence, AI）发展的信息环境，将人工智能研究的新浪潮推进到人工智能2.0新纪元。作为AI 2.0时代最突出的研究特点之一，群体智能引起了产业界和学术界的广泛关注。具体来说，为应对挑战，群体智能提供了一种通过聚集群体的智慧解决问题的新模式。特别是由于共享经济的快速发展，群体智能不仅成为了解决科学难题的新途径，而且也已融入日常生活的各个方面，例如线上到线下（online-to-offline, O2O）应用、实时交通监控、以及物流管理。本文对现有群体智能研究成果进行总结和综述：首先，论述了群体智能的基本概念，并对其与现有相关概念（如众包和人本计算）的关系进行了解释。然后，介绍了四类具有代表性的群体智能平台，总结了三项核心问题以及最新的群体智能技术。最后，讨论了群体智能研究的未来发展方向。

跨媒体分析与推理是计算机科学的热点问题，也是人工智能中一个具有广阔前景的研究方向。目前，尚未有文献对跨媒体分析与推理的现有方法进行归纳总结并给出它的研究进展、挑战及发展方向。为解决这些问题，本文从七个方面进行综述：（1）跨媒体统一表征理论与模型；（2）跨媒体关联理解与深度挖掘；（3）跨媒体知识图谱构建与学习方法；（4）跨媒体知识演化与推理；（5）跨媒体描述与生成；（6）跨媒体智能引擎；（7）跨媒体智能应用。本文的目标是给出跨媒体分析与推理的方法、进展以及发展方向，吸引更多人关注该领域的最新进展，通过探讨面临的挑战和研究方向，为研究者提供重要参考。

感知是智能系统与现实世界的交互界面。如果没有复杂而灵活的感知能力，就不可能创造出高级的人工智能（AI）系统。最近，潘云鹤院士提出了AI 2.0的概念，其最重要的特征就是未来的AI系统应拥有类人甚至超人的智能感知能力。本文简要回顾了不同智能感知领域的研究现状，包括视觉感知、听觉感知、言语感知、感知信息处理与学习引擎等方面。在此基础上，论文对即将到来的AI 2.0时代智能感知领域需要大力研究发展的重点方向进行了展望，包括：（1）类人和超人的主动视觉；（2）自然声学场景的听知觉感知；（3）自然交互环境的言语感知及计算；（4）面向媒体感知的自主学习；（5）大规模感知信息处理与学习引擎；（6）城市全维度智能感知推理引擎。这些研究方向应在未来AI 2.0的研究规划中进行重点布局。

智能无人自主系统是人工智能的重要应用之一，其发展可大大推动人工智能技术的创新。本文通过其主要成就介绍了智能无人自主系统的发展趋势。并且，本文将相关技术分成了7个领域，包括人工智能技术、无人车、无人机、服务机器人、空间机器人、海洋机器人和无人车间/智能工厂。本文对每个领域的发展趋势进行了介绍。

本文基于作者团队近年来在人工智能技术应用于制造领域的研究与实践，首先，简析了“互联网+人工智能”时代核心技术飞速发展正引发制造领域的模式、手段和生态系统的重大变革以及人工智能的新发展。接着基于人工智能技术与信息通信技术、制造技术及产品有关专业技术等融合，研究提出了智能制造新模式、新手段、新业态，智能制造系统体系架构和智能制造系统技术体系。进而，从智能制造的应用技术、产业和应用示范等角度，简述智能制造领域的国内外发展现状。最后，针对我国人工智能2.0在智能制造领域应用研究内容提出了建议。

命名实体消歧主要研究如何将存在歧义的文本描述映射到其对应知识库（例如Wikipedia）中的实体。本文结合群体智能（即群体用户生成的标签）和深度学习（即数据驱动学习），提出了在命名实体消歧过程中生成区别度更高的特征方法。具体来说，通过设计一个众包模型，学习文本描述或实体所对应“众包特征”，然后利用“众包特征”对动态卷积神经网络（Dynamic convolutional neural network, DCNN）进行优化，最后用优化得到的DCNN来提取“深度众包特征”，以此来解决传统命名实体消歧算法中单独依赖手工设计特征的不足。本文所提出方法巧妙将群体认知（由众包标签反映）结合到命名实体消歧深度学习框架中。实验分析表明，当有足够多众包标签时，所提出方法优于传统手工设计特征。

最近，众包平台已吸引了大量的注册用户在线下执行特定的任务。然而，大部分现有方法仅考虑了工人和任务信息都已提前获知的情况（静态离线情景），而较少考虑到工人动态抵达的情况（动态在线情景）。因此，当工人动态抵达时，如何给工人安排适合的任务以获得其最大的满意度成为了一个具有挑战性的问题。为解决这一问题，本文提出了一种有用并且普遍的人工-任务模型，该模型不仅考虑在静态离线时给工人安排任务的情况，还同时考虑了在工人动态抵达时如何给工人安排合适的任务。在本文中，为解决静态离线情景下的任务分配问题，我们首先提出一个有效的贪心算法。由于贪心算法极易陷入局部最优，我们又加入了模拟退火法来提高贪心算法的性能。另外，为解决动态在线情景下的分配问题，我们提出了一种贪心算法。最后，在真实数据集和具有不同分布人造数据集上进行了大量实验，实验结果验证了算法的效果与性能。

人类驾驶与自主驾驶在对交通环境的理解方式上有着明显差别。首先，人主要通过视觉来理解交通场景，而机器感知需要融合多种异构的传感信息才能保证行车安全。其次，一个熟练的驾驶员可以轻松适应各种动态交通环境，但现有的机器感知系统却会经常输出有噪声的感知结果，而自主驾驶要求感知结果近乎100%准确。本文提出了一种用于无人车交通环境感知的视觉主导的多传感器融合计算框架，通过几何和语义约束融合来自相机、激光雷达（LIDAR）及地理信息系统（GIS）的信息，为无人车提供高精度的自主定位和准确鲁棒的障碍物感知，并进一步讨论了已成功集成到上述框架内的鲁棒的视觉算法，主要包括从训练数据收集、传感器数据处理、低级特征提取到障碍物识别和环境地图创建等多个层次的视觉算法。所提出的框架里已用于自主研发的无人车，并在各种真实城区环境中进行了长达八年的实地测试，实验结果验证了视觉主导的多传感融合感知框架的鲁棒性和高效性。

联盟形成是多智能体系统中一个重要的协同问题，对智能体的协同能力进行适当的描述是处理这个问题的一个基本且必要的前提。这篇文章对智能体的协同能力进行了建模，该模型由五个影响因素构成。同时，对任务需求向量进行了描述。提了一种随机机制以减少联盟形成过程中的过度竞争。此外，为了减少任务需求和实际任务需求之间的差距，提出了一种人工智能方法，该方法可以提高多智能体对人类指令的认知。实验结果显示了该模型及分布式人工智能方法的有效性。

本文提出了一种基于综合集成研讨厅的群体智能设计技术，包括系统的体系架构、基于综合集成研讨的设计决策过程以及设计资源推送技术，最后在对本文工作进行总结的基础上，对下一步研究方向进行了展望。