㈠ 技术角度看人工智能的挑战包括什么
技术角度看人工智能的挑战包括如下。
1.能否保证人工智能的应用开发被用于正确的目标。
2.智能系统开发时存在严重的缺陷,会产生不可预测的后果。
3.人工智能设计者在制作机器人时,会将自己的想法加入到机器人的思维系统中。
㈡ 边缘计算有哪些应用场景
边缘计算有许多的应用场景，概括起来主要有以下十点，应用一：改进医疗设备性能和数据管理
在医疗场景下，边缘计算主要帮助医疗保健体系的IT基础架构，具体来说，是防止医疗设备管理的应用程序发生延迟。在边缘计算的支持下，无需构建集中的数据中心，可对关键数据进行本地化，在安全性、响应速度和有效性上有更佳表现。
应用二：本地零售的实时数据分析
边缘计算的主要目的，是让运算尽可能接近数据源。在零售场景中，以往企业都是将各分支的数据汇总到中心位置进行分析，再进行决策和行动。而通过边缘计算，零售店铺可以在本地就进行数据处理和优化，这样组织的行动反馈就能更快更及时。
应用三：让虚拟现实更生动
在技术支持下，本地设备可以大大提升用户的参与程度，用户也可以有更生动、更即时的增强现实体验。在这个前提下，越来越多的企业将进行转型。
应用四：加速数据分析
在这一场景下，通过本地计算能力，在数据分析早期就引入较高智能水平的运算。这样可以使得数据更为清晰，从而加快企业的分析和决策速度。在云计算场景中，运算对智能化和精准度的要求较低，主要是在后期应用中使用，故而分析数据需要花费更多时间。
应用五：智能制造
其实边缘计算在智能制造方面属于基础层面的构架。在生产车间采进行“近实时”分析，可以提升运营效率，并增加边际效益从而提高利润。此外，通过边缘计算系统来收集数据、制造智能化工具过程中，可以及时识别异常情况，尽量避免产线停顿。
应用六：消除过剩数据
传统的云计算架构不可避免地会导致多余数据堆积在云存储里，比如物联网的感应数据等。这些数据大多都是无用的，对企业来说花费成本区储存这项数据基本上是没有必要的。边缘计算可以做到只向云端传输有效数据，让流程更为优化。
应用七：让安保系统响应更快速
对于那些建有庞大又复杂的安保系统的企业来说，边缘计算非常实用，它可以有效筛选出关键信息防止带宽的浪费。举例来说，动作捕捉摄像机如具备运算能力，就可以只上传有价值的信息。
应用八：现实数据收集
在零售环境下，物联网、数字标签、IP光纤都是实现边缘计算的基础配置。未来我们的业务将依赖规模在万亿级别的数据挖掘和集成。边缘计算通过本地设备和传感器，协同云端一起收集现实数据，能够做到这个量级的数据聚合。
应用九：降低运营成本减少存储需求
在边缘计算加成下，收集到的数据无需在本地和中央服务器之间穿梭，就可以让本地设备知道要执行哪个功能。这样就可以节省运营成本和存储设备的投入了。
应用十：让诊断与治疗更有针对性
这虽然也是医疗场景的应用，但这里的边缘计算更专注提升病患的康复体验。医疗物联网设备在边缘计算应用下，可以更快更早地检测出病人的异常健康数据。这就可以让医生的诊断措施和医疗干预来得更及时。此外，随着可穿戴系统的普及，存储设备及传感器的成本也会不断下降。在边缘计算技术的帮助下，看病就医将从“被动治疗”转变为AI辅助下的实时的、预测性的保健式医疗。
㈢ 边缘计算不属于ABCDE五大新技术
边缘计算属于ABCDE五大新技术。
ABCDE（AI、Block Chain、Cloud Computing、Data Tech、Edge Computing）——人工智能、区块链、云计算、数据科技和边缘计算。它们，正代表着最先进而实在的技术生产力，重塑人们生活、工作和学习的每一方面。
边缘计算是云计算的重要补充，也是各种终端能力进化以支撑创新应用的关键。当前，安防监控、自动驾驶、智能制造等是边缘计算常见的场景，这些场景需要考虑在有限的空间和功耗下具备强劲的算力，以实现层出不穷的创新功能，比如全面向自动化、智能化迈进。同时，边缘计算与物联网紧密相关，先进的边缘计算技术可以让IoT更加智能和强大。
㈣ 人工智能技术应用面临的挑战包括哪些方面
众所周知目前的人工智能技术广泛应用与各行各业当中，并且对这些行业产生了一定的改善作用。想要更加深入的应用人工智能技术，还需要对 人工智能技术 有更透彻的了解。
由于AI能处理大量数据，让目前的AI技术对于零售业、需要进行因果驱动因素预测的应用，以及银行业的风险评估应用重要性高。目前的AI系统其实仍然面临许多挑战，这些挑战也深深影响AI的应用市场推广。
目前AI技术应用面临的挑战，包含标注训练数据、大量全面的数据获取、输出结果的解释，以及学习的普遍性等。
在标注训练数据方面， 由于目前AI系统主要都是采用监督学习模式，必须事先耗费大量时间、人力或资金进行数据标注，因此成为AI系统推广导入的劣势所在。目前针对此劣势，已有许多研究学者陆陆续续推出新的演算模型，希望能逐步达成让数据能自动被标注的目标，以大幅缩减人力与时间的投入。
在大量全面的数据获取方面， 由于对许多产业而言，要获取数量与质量都足够的数据并不容易，因此对于这类数据较不易取得的产业而言，导入AI系统的难度也会较高。
而输出结果的解释部份， 目前AI系统还难以达到。原因在于，目前AI系统虽然能算出结果，但却无法一步一步地解释这个结果是如何获得的，因此面临这类需要针对运算结果进行解释的需求，目前为止都还无法达到。
至于学习的普遍性部分， 是因为目前AI模型在将学习经验自A类移转至B类时，经常会遇到困难。这意谓着企业需要投入大量资金训练新的模型，即便是A类与B类两者间有部分相似性也难以避免。
㈤ 智慧城市建设中“智慧”面临哪些挑战
当前中国“智慧城市”建设面临四大挑战。
信息技术挑战。杨学山说，信息技术快速发展和变化使“智慧城市”在技术、平台选择面临严峻挑战：一方面，未来云计算、物联网、大数据、移动互联网和智慧城市等各种新兴技术，将完全改变各种应用模式，提出新的挑战；另一方面，随着技术成熟、应用深化，城市发展将从技术驱动转向需求驱动，将是全面的战略挑战。
能力亟待提升的挑战。目前中国政府机构、企业对于建设“智慧城市”的引领驾驭能力需要提升。“智慧城市”是在综合平台上应用，目前政府、企业把握如此复杂系统和新技术的能力还有欠缺。
认识、习惯、制度需要适应智慧城市的应用。杨学山说，很多城市管理者虽然看到“智慧城市”重要性，但缺乏远见性，必须将技术力量与城市发展目标结合起来。而且民众的习惯也有待改变，包括网络行为能力、道德习惯都应该适应新发展。
法律环境需要调整。“智慧城市”搜集了许多企业和个人信息，如何保密、利用、公开，本质上要有法律的调整。
杨学山说，中国城市进入目前的发展阶段，经济增长的要素投入要从量的增长转向质的增长，必须关注经济发展带来资源环境刚性约束，“智慧城市”建设就是要做出具体的可操作的实施方案，譬如解决城市安全、城市污染监控等难题，对改善民生有直接效益。
此外，“智慧城市”发展还应该关注改善教育、医疗、养老均等化服务，真正提升中国城市现代化水平。
交通治堵、环境控污、教育医疗均等化，这些城市化进程中面临的课题，利用“智慧城市”路径来解决已是全球性的趋势。