人工智能的概念已經提出來有60年的時間了，最早的定義是通過計算機編程使機器實現類人智能行為，現在人工智能技術已經被普遍使用到生活中，并極大的提高了人們的生活品質。隨著互聯網技術、大數據、云技術的應用，互聯網搜索、語音識別、人機交互等技術已經日益精進，并互相交叉使用。但是人工智能的發展，還有好多未知的問題等待我們去解決。
模式識別是指對表征物體或現象的各種形式數據（主要是感知數據，如圖像、視頻、語音等）進行處理和分析，以對物體或現象進行描述、分類和解釋的過程，是信息科學和人工智能的重要組成部分。“隨著計算機硬件的發展，模式識別的關注度不斷提高，模式識別技術發展也日臻完善，在許多領域中已有成功應用，金融、安全、醫學、航空、互聯網、工業產品檢測等領域中都滲透著模式識別技術。
模式識別有2個層面的含義：一是生物體（主要是人腦）感知環境的模式識別能力與機理，屬于心理學和認知科學范疇；二是面向智能模擬和應用，研究計算機實現模式識別的理論和方法，屬于信息科學和計算機科學領域的范疇。模式識別基礎理論（模式表示與分類、機器學習等）、視覺信息處理（圖像處理和計算機視覺）、語音語言信息處理（語音識別、自然語言處理、機器翻譯等）是模式識別領域的三大主要研究方向。模式識別是人工智能的一個分支領域。人工智能是通過計算使機器模擬人的智能行為，主要包括感知、思維（推理、決策）、動作、學習，而模式識別主要研究的就是感知行為。在人的5大感知行為（視覺、聽覺、嗅覺、味覺、觸覺）中，視覺、聽覺和觸覺是人工智能領域研究較多的方向。模式識別領域主要研究的是視覺和聽覺，而觸覺主要是跟機器人結合。文字識別、互聯網有害信息檢測、語音識別、生物特征識別（虹膜識別、指紋識別、掌紋識別、人臉識別等）都是目前發展較為成熟的模式識別技術。
模式識別和人工智能在20世紀60年代分離為不同的領域，21世紀以來出現重新融合的跡象。近年來，深度學習和大數據的出現推動了模式識別的快速發展，但這一領域還有巨大進步空間，一方面基礎理論研究進展不大，另一方面有很多挑戰性應用問題有待解決。對于模式識別的未來，目前以深度學習為代表的主流方法有3個明顯的不足：一是需要大量的標記樣本進行監督學習，這勢必增加模式識別系統開發中的人工成本；二是模式識別系統的自適應能力差，不像人的知識和識別能力是隨著環境不斷進化的；三是模式識別一般只進行分類，沒有對模式對象的結構解釋。
機器學習是人工智能的一個重要方面，簡單來講，它是使機器通過從數據學習獲得模型和知識（也就是獲得智能）的過程。深度學習（deep learning）是機器學習的一個新的分支和一類重要方法，其主要思想是對多層人工神經網絡進行學習獲得自動特征提取和模式識別能力。在劉成林看來，深度學習快速發展和廣泛應用主要得益于3方面的基礎：一是深度學習理論和算法的提出，二是計算能力（主要是GPU并行計算）快速提高，三是大數據的出現。
隨著計算機科學、神經科學和神經網絡理論的發展，面對大數據時代對智能計算的需求，以及傳統人工智能速度學習方法的不足，科學家開始將研究重點投向類腦智能，即腦啟發的智能（brain-inspired intelligence）。從目前研究情況來看，人類對大腦神經結構和功能的研究有了很大的進步，同時認知科學領域對人的智能行為（包括學習、記憶、注意、推理、決策等）機理有深入研究。這使得從大腦神經系統結構和認知行為機理獲得啟發，研制具有更強信息表示、處理和學習能力的智能計算模型與算法成為可能。類腦智能就是以計算建模為手段，受腦神經機理和認知行為機理啟發，并通過軟硬件協同實現的機器智能。類腦智能系統在信息處理機制上類腦，認知行為和智能水平上類人，其目標是使機器以類腦的方式實現各種人類具有的認知能力及其協同機制，最終達到或超越人類智能水平。
硬件方面的研究主要是研發類腦新型計算芯片，如神經網絡計算芯片，目標是相比當前的CPU和GPU計算架構，提高計算效率和降低能耗。目前人工神經網絡主要在通用計算機上編程來實現，能耗比較高。例如一臺計算機的功率大概是200~300 W，一臺GPU服務器的能耗至少是2000 W，而人腦的功耗只有20 W。所以說，計算機實現大規模人工神經網絡的能耗非常高，因此研發新型的神經網絡計算芯片，降低能耗，具有重要的現實意義。
提到未來的類腦智能研究，研究者認為應該在結構類腦和行為類人方面更加深入。目前不管是神經結構模擬還是學習行為模擬都是比較粗淺的。以學習為例，當前主流的監督學習是比較“粗暴”的學習方式，即一次性給予大量的類別標記數據對人工神經網絡進行訓練，而要收集大量標記數據是要付出很大代價的。人腦的學習具有很強的靈活性，從小樣本開始，不斷地隨環境自適應。這種學習靈活性應該是未來機器學習的一個主要研究目標。
當然，任何科技領域的成果都是為了人類生活的改善而言的，MES制造執行系統也是不斷的日趨完善，實現個性化的MES系統解決方案是需要不斷的融合現有的科學技術為基礎。
了解更多>>>乾元坤和成功案例