基于深度学习的产业智能化对经济发展的变革性影响

蒋万胜,杨 倩

(陕西师范大学 马克思主义学院,陕西 西安 710119)

人工智能自从被共识性地提出之后,便开启了它对人类社会进步与发展的革命性引领。人类对人工智能技术多方位、深层次的研究与应用遍布社会发展的各个领域,成为社会发展的又一巨大驱动力。目前,基于人工智能的机器学习技术尤其是深度学习技术发展如火如荼。机器学习通过算法编排模型、分析历史数据,总结过去、解释现状、预测未来。深度学习技术在传统机器学习的基础上,以深度模型为手段,以特征学习为目的进行深层次学习,形成自动化和智能化两个主要特征。深度学习技术以大数据平台为依托来搭建复杂的神经网络系统,构建多个层次的机器学习模型与大规模的训练数据,以多层次非线性的分级递进处理和转换数据,使数据分类或预测的准确性和易操作性进一步提高,能更好地实现多层次特征标示与概念抽象的学习[1]。深度学习技术的发展使机器能够具有类似于人的学习和分析能力,通过对文字、图像和声音等数据的提取与分析,帮助人们完成预期目标。虽然该技术目前还无法企及独有意识的人脑思维,但它已不局限于单纯的技术开发和理论研究,发展到了更高级的阶段,在社会各领域广泛应用,极大地改变着社会经济的发展格局与模式。

一、产业发展中可应用的深度学习技术

目前,基于深度学习发展的技术种类众多,但用于社会生产和生活中的主要有四大技术。

一是目标检测方面的技术,以目标检测技术和目标分割技术为主要代表。基于深度学习的目标检测技术已经摆脱了传统目标检测方法依赖的繁琐的手工设计过程,使目标图片的特征提取和分类器学习相统一,能够在一个框架中自动学习更具有区分力的深度特征,提升了技术应用的灵活性。在处理多个目标结果时,它也能够去除不相关冗余结果,仅保留唯一结果,使结果获取更加快速简捷,检测效率进一步提高。基于深度学习的目标分割技术能够根据目标任务要求建立算法模型,运用大规模数据库进行图片分割,使目标图像的精准度有了很大提高,应用范围进一步拓宽。目前,这两项技术在工业缺陷检测、自动驾驶汽车的环境感知、智能机器人工作场所相关场景信息传递等工业生产活动和农作物生长状况监测、害虫图像捕捉、农作物受灾范围及分布情况监测等农业活动以及医疗成像、自动驾驶、图像美化、三维重建等领域都广泛应用。

二是智能识别方面的技术,以智能语音识别技术和智能情感识别技术为主要代表。基于深度学习的智能语音识别技术有效利用深度学习神经网络的自主学习和自动适应等优良特征模拟人类神经活动对语音信息进行归类和映射,对整句语音信号建模的方式进行目标语音的识别,使语音识别的错误率大幅下降,目前主要应用于汽车导航的智能语音设计、智能语音家居设计等方面。基于深度学习的情感识别技术也运用更具精准度和逻辑性的算法来强化对情感识别的灰度特征、运动特征和频率特征的分析,并基于海量数据库与模型信息通过所提取信息的灰暗值不同表情信息运动状况的细分和表情图像在对应频度下的差别进行对比分析,来识别人的情绪情感状况。该技术目前在监测新闻、微博、博客、论坛等文本内容中所反映的用户情感及态度倾向方面的应用居多。

三是自然语言方面的技术,以自然语言处理技术为主要代表。与深度学习算法深度融合的自然语言处理技术通过应用卷积神经网络和循环神经网络来建立神经语言模型,完成对自然语言的词法分析、句子分析、语义分析、信息抽取等目标任务的输出。使用词的分布式表示使建立的自然语言处理模型能够处理具有共同特征或者类似共同特征的词,分辨相似词,使信息能被更精确地从每个训练语句中传递到目标语义相关语句中。基于深度学习的自然语言处理技术使任务处理有了高度自主性,神经网络可自动自主地学习高层次特征,通过词、句的向量化不断学习语言特征满足大规模的自然语言处理要求。其发展的新技术如“ChatGPT”“文心一言”等目前在文本撰写与归类、论点提取、自动摘要、语义分析尤其是机器翻译方面的应用十分广泛,效果显著。

四是遥感方面的技术。基于深度学习的遥感技术,不仅将深度学习模型、遥感模型与目标监测对象所需模型和卷积神经网络(CNN,Convolutional Neutral Networks)等算法有效结合,利用迁移学习克服了数据使用过程中小样本的局限性,使样本容量得以扩大,提高了对监测对象相关分析的精准性;而且深度学习模型和目标监测对象所需模型有机结合,提高了模型的可解释性和决策的透明性与可靠性,使模型中存在的问题能够被及时发现,进行改进。基于深度学习技术的遥感平台与卫星平台结合也可以克服空间异质性,从而确保遥感监测对象在跨时空融合情况下尺度转换的精准度,提高遥感监测的有效性[2]。该技术目前主要应用于农业生产中的天气预估、农作物长势监测和产量估测等方面。

深度学习技术是基于社会发展和时代需要而产生的,发展前景广阔。其相关算法和技术应用的灵活性大、可适用性强、适用范围广,与其他人工智能技术的相关性也较强,能够被发掘、转换、融合应用于社会发展的诸多领域。目前,深度学习各类技术与我国的产业发展高度相关,重点核心技术在工业、农业、服务业三次产业中混合交叉应用,且结合三次产业的各自特征释放了巨大的技术红利,使我们的生活呈现出了崭新的面貌,引领社会发展进入了一个新的阶段。

二、深度学习技术推动产业发展的智能化

(一)深度学习技术促进工业智能化

1.智能制造方面。深度学习在智能制造方面的典型应用就是工业缺陷检测技术与工业机器人视觉抛磨系统。传统的工业缺陷检测需依赖于大量人工劳动, 检测过程耗时长、成本高、效率低,通常难以满足大规模质检需求。基于深度学习的工业缺陷检测技术目前主要用于缺陷发现与分类。它克服了传统质检技术的小样本限定,能满足大样本质检需求,使工业质检的效率提高。与传统质检技术相比,无论是从技术的水平层级、技术运用的现实效果还是产业发展的智能化水平等方面都有了跨越式进步,成为智能制造中工业产品外观质检的首选方案。该技术以深度学习的分类网络为最常用模式来对工业产品质检的结果进行分类,不仅使工业质检的准确性和精准度都被切实优化,而且为在工业生产中改进生产技术、提高产品质量进而推动工业智能化发展提供了现实依据[3]。随着工业生产水平和效率的提高,传统抛磨技术及系统在作业过程中暴露出加工一致性差、工作效率低、对人工的依赖性强等缺陷。而基于深度学习的视觉抛磨技术及其系统能够结合目标检测与目标分割技术,通过具有典型待抛磨特征的工件训练抛磨系统,使多维传感器、抛磨工具、上位机和智能机器人在相互协作中作业,能够快速、准确地识别出对象区域,使抛磨轨迹更加均匀、曲面更加平滑,减少了由于定位偏差出现的欠磨和过磨等情况[4],不仅克服了传统抛磨技术的诸多缺陷,而且使工业生产成本更低,智能化水平更高。

2.工业控制方面。深度学习技术应用之前的工业控制系统,软硬件设施存在的漏洞与安全隐患极易使工业生产产生信息泄露的风险,而且工业控制系统的开放性和共享性在现代化进程下被进一步扩展,加大了系统遭受攻击的风险。针对这些问题而开发使用的加密访问、防火墙、访问权限控制等防御手段虽能在一定程度上抵御攻击入侵,但安全性依旧不高。深度学习技术利用迁移学习方法训练形成了基于特征选择和时间卷积网络的工业控制系统入侵检测方法,不仅解决了传统工业控制系统对目标数据训练不足的问题,而且通过数据降维去除冗余数据使工业控制系统入侵检测的效率更高,成本更低。时间卷积网络通过对时间序列的分析使工业控制系统入侵检测对人工的依赖性降低,使入侵威胁能够更及时、更准确地被发现,系统运行的性能也变得更好[5]。深度学习技术在该系统中最典型的一项应用是信息融合技术。基于深度学习的信息融合技术主要用于解决工业生产中因工业机器人在信号模式识别的精准度、及时性方面的局限性而引发的工业生产安全问题。智能机器人将接收到的全部信号、信息进行归纳、整理、分析得出这些信息所指向的最终目的性指令并进行操作。这种目标驱动型指令不仅极大降低了机器人因信息接收失误引发安全问题的可能性,而且它对接收到的信息分类整合减少了复杂多余信息对目标指令的干扰,使目标指向更加明确。深度学习技术在工业控制中的应用使工业生产与智能机器的关联性更加紧密,更加促进了工业领域的智能化。

(二)深度学习技术助力农业智能化

1.农业灾难监测方面。农业病虫害和农作物植株病害是农业生产中多发的,不可控且影响巨大的灾难。过去的计算机视觉相关技术在实际应用时,由于微生物、病菌的不易察觉性而使计算机很难清晰准确地收集并分类目标信息,这通常会使病虫害不能被及时诊断和施治。传统监测技术在定位受灾范围时易出现偏差,加之化学防治大规模喷洒农药,不仅使农作物品质下降,而且造成了一定程度的生态破坏和环境污染。基于深度学习发展而来的智慧农业模式改善发展了图像分割技术,解决了目标图像监测的清晰度问题。例如,针对农作物病虫害的害虫监测问题,目标图像分割技术根据所监测领域害虫的体型、姿态、活动轨迹以及害虫本身颜色和背景颜色的差别设计了以颜色为差异分析依据的图像分割方法来提取分割特征,通过特征分类建立害虫识别模型,进而基于物联网建立害虫远程智能识别系统[6]。该系统既能够通过互补金属氧化物半导体(CMOS,Complementary Metal Oxide Semiconductor)相机和定焦镜头采集静止状态的害虫图像,又能够使用电荷耦合器件(CCD,Charge-coupled device)传感相机和变焦镜头扩大监测范围,采集处于运动中的害虫图像[7];不仅能实时监测规模性病虫害的发生以及受灾程度,而且能有效识别害虫的种类和数量,从而有针对性地、精准地防治农作物病虫害威胁。在农作物植株病害方面,卷积神经网络(CNN)及其拓扑技术、支持向量机(SVM,Support Vector Machine)分类器等自动植物监测和识别系统被广泛使用,以统一规定的健康级别对农作物病害进行评级分类。以深度学习技术为基础建立的农业灾难监测系统不但提高了农业灾难监测的科学性和准确率,而且也进一步助推整体农业领域的生产朝着智能化方向发展。

2.农作物生长状况监测方面。现代科技的发展推动农作物品种升级、单位产量增加,农作物生产出现了以土地承包为主的大块区成片种植模式,这种大范围种植模式让农作物生长过程中各种情况(如区域天气状况、地形地势状况、土壤水分状况、长势状况)的监测比较困难,农作物生长各阶段具体状况、产量预估及品质预测等处于不可知的状态,令农业生产的风险增加。利用深度残差(DRN,Deep Residual Network)、无人机 (UAV)和以卷积神经网络(CNN)为原始神经网络研究应用的区域卷积神经网络技术和遥感技术能够采集任务相关图像信息,通过特定数据库对比分析出具体区域的土地、土壤、水分情况,能够准确把握局部地区作物生长过程中的具体情况,从而根据具体需要精准施策。深度学习相关技术在农作物种类分类、长势监测方面也有着极高的准确率,能极大提高农业生产的可预测性。在智慧农业中,以深度学习神经网络为依托改进的遥感技术也被应用于农业生产的水分胁迫分析、相关天气分析和水果计数(识别和计算果树挂果量)等方面,降低农业生产受不可控因素干扰的可能性,大幅提升生产的科学水平,在很大程度上保障了农业产量的稳定性,保证了农业从业者收入的可靠性。在农业生产中,依托深度学习技术发明的新型农业生产工具(如摘苹果机器人、摘草莓机器人、智能桃子分拣机等)受到了农业从业者们的充分认可,这也为更深层次农业生产智能化做出了巨大贡献。

(三)深度学习助推服务业智能化

1.医疗服务方面。由于当代社会生活的复杂性、多样性和疾病的多变性、罕见性,社会对医疗服务行业相关技术水平的科学性与先进性都提出了更高要求。目前,许多疾病只能使用医学成像技术才能做出判断。传统的医学成像分析是对病患处进行划区域分割成像,进而通过碎片化的成像结果分析患者的整体病情,但在进行患处影像分割时可能会由于图像相邻色块重叠使分割后的图像分辨率降低导致分析结果不准确,令病情发展后果及其可能伴随的并发症难以被预测,从而增加治疗的风险。如今,基于深度学习的计算机视觉相关技术在医疗服务领域的图像分类、配准分割及目标检测等工作中得到大量应用。以深度学习的全卷积网络为技术依托的目标图像检测与分割技术克服了传统成像技术的缺点,将碎片化成像结果进行连接,输出保持原始分辨率的完整版图像,大大降低了医学成像分析的失误性,提高了诊疗的精准度,使医疗服务更具有针对性。而其他深度学习神经网络,在诸如核性白内障的分级等眼影像分析、整合3D成像以评估高级别神经胶质瘤患者的生存率、阿尔兹海默症患者的病情等级分类的脑影像分析以及胸腔影像分析等医疗项目中也得到应用,医疗水平有了大幅提升。基于内容的图像检索技术能从医学图像的像素级信息中心提取有效特征和相似信息建立罕见病病例信息库,了解并研究相关病症,为改善治疗手段、提升相关医疗护理水平提供了新的方法。深度学习在数字病理与医疗显微镜领域的应用也十分广泛,主要见于对细胞核的监测和分割分类,对各类大区块组织的分割与监测以及对目标疾病的分类等工作。深度学习技术在医疗领域众多方面的应用使医疗服务的智能化进程也进一步加快。

2.个性化服务方面。社会生活的多样性使人们更关注于自身情况,从而对个性化服务的需求不断增加,这为深度学习在服务业领域的技术应用提供了有利条件。例如将基于深度学习的推荐算法系统应用于农村流动电影放映这一个性化服务中,不仅能够根据宏观环境来选择电影种类,而且能以观众关于放映影片的评分数据为依据,利用栈式降噪自编码器和贝叶斯概率分解矩阵将用户偏好数据信息进行分类解读,从参与评分的用户的基本信息(年龄、性别、职业等)中获得一部分辅助信息(电影的类型、题材、播放时间等)直接建立观众与预放映影片之间的隐性关系,通过智能化系统的精准匹配为观众提供影片推荐服务,这既提升了影片的推荐质量和观众的体验感,也使流动电影放映这一举措更具现实意义[8]。基于深度学习的多层次信息分析处理和智能情感识别两项技术在网络平台用户信息监测和分析方面具有很高的现实价值。它们通过大数据分析网络用户和消费者的网络足迹,可以根据不同主体的个性化需求,促成交换过程的小众精准化匹配使消费者能够在消费过程中更加迅速、准确地满足自身所需。如音乐播放App可以根据用户平时播放、点赞、评论的歌曲类型随时更新推荐内容;短视频App会根据用户观看视频时长、搜索记录和关注的视频类型推荐相似视频;购物App也会根据用户的搜索记录、购买、退换记录推荐用户偏好类型商品。这种精准化匹配,不仅能为消费者节省时间,而且由于信息的对称性与智能化服务的高效性,会使消费者体验更好。社会成员消费模式的转变也催生了一大批新兴行业,如外卖行业、快递行业及其前端产业链物流仓储等。可见,深度学习技术在个性化服务及其他相关服务中的应用既是服务业智能化的现实表现,也是服务业整体产业向智能化方向迈进的目标指示。

三、深度学习推动的产业智能化的经济影响

(一)工业智能化的影响

1.增加工业生产的经济效益。首先,工业智能化提升了工业生产的科技化与智能化水平,提高了工业产品品质和资源利用率,降低了生产成本,使经济效益得以增加。在工业智能化的过程中,生产所需要的场所空间、机器设备以及相关配套设施为适应智能化生产的需要普遍更新为自动化、智能化系统,适应改造后系统的生产水平与生产方式,工业原材料的品质和选材的科技含量也进一步提高,工业产品的品质也将提高,进而使经济效益增加。工业智能化也使工业生产中资源利用的时空限制被打破,工业企业以及工业生产部门之间都可以通过智能机器人,就资源的数量、适用性以及分配进行及时地交流和调整,在解决工业生产中资源短缺问题的同时,也使资源能得到充分利用,降低工业生产成本,提高经济效益。其次,工业智能化使工业生产的劳动方式发生了变化。传统的工业生产是以人工为主、机器为辅促成生产,工业智能化则使从事生产活动的主要劳动者转变为智能机器,人工更多承担了指令下发和监管的任务,工业生产形式发生了巨大转变,在一定程度上减轻了人的工作量和工作压力。最后,工业智能化能够缩短工业产品的生命周期,加快工业经济发展步伐。工业智能化使工业产品在多方面得到了优化,一个重要表现就是产品生命周期缩短。智能化使工业生产周期变短,生产同类产品的企业之间竞争加剧,为了在竞争中取得优势地位,维持乃至提高经济效益,企业必然会加快技术研发,加快产品更新换代的速度,缩短产品生命周期,加快工业发展速度,提升经济效益。

2.提高工业生产效率。在工业智能化过程中,各种智能化生产手段,如数字化生产线、电子眼过磅秤等的使用,让工业生产流水线实现了智能化,既缩短了工业生产每一环节的耗时,也缩短了各环节之间的耗时,提升了工业生产整体效率。各大型互联网企业也广泛搭建云平台(如腾讯公司的“腾讯云”、百度公司的“百度飞桨”等)深度参与工业互联网建设,对工业生产赋能赋值,进而释放科技红利,使工业生产创造与突破的空间局限被打破,扩展了工业生产维度。工业智能化过程中深度学习技术的应用也改善了原有工业生产中机器设备等在技术、应用等各方面的缺陷,并创造出许多新的智能机器,大幅提升了工业生产效率。如2021年,“百度飞桨”深度学习平台在深圳落地使用,环保类企业“归谷智能”基于“百度飞桨”在短期内就训练出了可现实使用的饮料瓶智能识别模型,并通过相关技术部署在饮料瓶回收机等末端设备中投入规模使用,使工作效率翻倍提升[9]。基于“百度飞桨”平台研发的智能零件质检机也被应用于工业生产中,使单个零件的检测速度达到了25 ms/个,大幅提高了检测效率,企业成本降低15%以上;其与南方电网广东能源公司联合研发的电网智能巡检解决方案,设备应用过程中状态读取准确率高达99.01%,降低了90%的电网人员的工作量①。工业智能化趋势下各方面条件的改善会使工业生产效率提升,生产成本降低,增加工业经济总量,对整体产业经济发展也将产生积极影响。

(二)农业智能化的影响

1.促使农业经济绿色化发展。结合深度学习算法的遥感、通信、自动控量等技术在农业领域的广泛应用,不仅实现了农业生产多量高质的现实要求,而且实现了农业智能化,催生了“智慧农业”“数字农业”“精准农业”等新型农业业态。农业智能化以这些新型业态为载体,极大地改变了农业生产方式,进一步助推了农业经济的绿色化发展。深度学习技术在农业领域的应用使农业生产从投入到产出的各环节都能够通过智能机器来完成,极大减少了人工劳动的参与,使生产全过程处于一套自动化、智能化的系统之中,推动实现农业生产方式向科学化、自动化与智能化的转变。而在这一过程中,传统的农业生产手段,如无精准控量的灌水、施肥被变量灌溉、智能水肥喷灌等技术替代,使原本的土地破坏(土地盐碱化、水土流失、土壤肥力下降等)以及水资源破坏(农药污染、不合理节流等)等问题得到有效遏制,提高了农业生态的绿色化水平。“三层水培”“管道式栽培”等结合智能技术的现代化种植方法使有机农产品的产量增加,智能化筛选对农产品品质的把控也更加严格,农产品的绿色化水平进一步提高。农业智能化也提高了资源循环利用能力,利用高新科技研发与应用创造的“秸秆还田”“鱼菜共生”等生态农业生产方法,既能够达到农业创收的目的又能尽可能保护与还原生态,为农业经济的绿色化、可持续发展奠定了基础,顺应了农业经济绿色化发展的要求,进一步推动农业经济绿色化发展。

2.加快农业现代化发展步伐。就生产技术而言,深度学习算法结合土壤成分测量技术、天气预警技术、气温监测技术、局部雨雪干扰技术等应用于农业生产之中,使农业生产活动受自然因素影响的风险降低,农业产量不再容易受客观因素干扰而波动,稳定性得到了提升。在机器设备方面,农业智能化推动搭建的农业物联网平台,运用各类感知设备广泛地与农业种植、生产、作物田间生长状况、农产品物流仓储等农业领域各环节相关联,结合无线传感网络、互联网等现代信息传输通道,将农业信息进行融合和处理,最后利用智能化操作实现农业的自动化生产与最优化控制,实现了农业生产的高效化、现代化。在管理方法方面,结合深度学习算法开发的ThingJS-X数字孪生可视化平台打造的智慧农业运营管理系统,通过数据治理、知识图谱、轻量建模技术的相互配合,实现了农业管理的物理实体和业务逻辑层面的全面融合连接,使农业管理更加灵活化、精准化、有序化和现代化。农业智能化是一个使农业从始端到终端都能够得到优化的过程,突出表现为农业领域的高效化、自动化、智能化、绿色化和现代化。这种发展趋势使农业经济的创收形式与创收空间突破了传统的线下形式与实物空间,农产品各种线上预售、直播出售等方式被社会公众普遍接受,这对于进一步优化农业经济发展形式,提升农业经济效益也具有现实意义。

(三)服务业智能化的影响

1.变革服务业业态。从服务开展范围来讲,服务业智能化使服务范围辐射式扩展,涉及更多领域。如应用于社区管理的“智慧社区”服务系统、应用于电话自动语音导航的“智能IVR语音导航”系统、应用于简化工单操作流程的“智能工单”系统以及应用于网络舆情监测的“智能舆情”系统等都是该产业服务范围向社会各领域扩展的重要体现。就服务形式而言,智能化使服务业经营在线上广泛开展,让诸如医疗问诊、心理咨询等对线下环境依赖较强的服务业也转向线上,在降低服务成本、缓解相关服务人员工作压力、提高社会效率方面产生了积极影响。例如,在线问诊系统的开发和“智能药柜”的使用使医疗服务更具有及时性,又减少医护人员的工作量;“智能心理咨询机器人”由于其虚拟性,能够让患者更加敞开心扉交代病情,从而让相关治疗更加便利和有效。而上门配送、即时打车等服务及前端产业链和后向服务(如二手商品转卖平台)等智能化新兴服务业业态和服务方式的出现,使服务业领域实现了业态的变革与创新,也使服务业的创收范围进一步扩大,发展空间进一步拓宽。

2.引导服务业高质量发展。在现代服务业经营中,B2C(企业—消费者)的电子商务模式使更多的服务和贸易在数字化平台上进行和开展。在新冠疫情中,由于居民居家外出减少,加大了对数字平台服务的需求,在线服务业——电商呈现出爆发式增长态势[10],直播带货、直播教学、直播问诊等各种在线服务因为服务内容精准、服务速度及时等优势被社会公众广泛认同,为我国服务业经济和整个宏观经济发展都提供了一个新的、可持续发展的支撑点,而数字化服务平台的普及对进一步引导服务业经济朝着高质量发展奠定了基础。深度学习技术在推动服务业智能化的过程中,丰富了服务业经营内容和经营方式,使服务业的经济创收不论数量还是质量都在整体社会经济领域占据绝对优势。这符合服务业在产业结构中居于主导地位的发展要求,使产业结构更加稳定、更加合理。而产业智能化作为科技发展的结果又反过来影响科技发展,使其不断变革创新。在服务业领域,社会需求复杂多变,每一次的创新成果与之前相比或多或少都有了科技含量、技术水平或其他方面的提高,创新成果都拥有了更高质量。服务业经济是随着社会进步而不断发展的产业经济形式,它与社会科技水平深度融合、共同发展,与人类需求紧密相关,在发展中也结合生态环境问题进行了多方面的改变,这也将进一步助推其更快速、更健康、更可持续发展。

产业智能化是以人工智能为代表的新一轮科技革命助推社会发展而产生的必然结果,推进产业智能化发展是保持社会经济健康稳定、促进社会经济高质量发展的必经阶段。以深度学习为代表的人工智能技术推动的工业智能化使工业生产效率提升,经济效益增加;助力实现的农业智能化促使农业生产向绿色化、现代化转型;推动服务业在智能化过程中发展新兴业态,朝着高质量方向发展,这些都是先进技术应用于实际社会生产所得成效的现实表现。深度学习技术作为一种被社会密切关注的现代化人工智能技术,由于进入门槛低、相关操作较为简易、灵活,现已普遍应用于社会诸多领域。深度学习相关算法模型与相应技术成果与三次产业的结合推动实现了三次产业智能化,虽然它在三次产业的具体应用中所产生的经济影响侧重点各不相同,但从总体来说,它对三次产业各自的经济发展以及社会经济整体发展都产生了巨大的影响。深度学习技术在目前的使用中还由于算法的复杂性和应用需求的多样性而表现出一定程度的局限性,但随着新兴技术发展和算法的更新,它的应用领域将进一步拓宽,存在的技术缺陷将不断得到克服。在未来社会里,随着人工智能相关核心算法的继续研发,它对人类社会各方面的发展将产生更大影响。

注释：

①资料来源于百度飞桨官方网站(https://www.paddlepaddle.org.cn/)。