网站建设注意细节,做淘客网站哪个cms好,成都微信小程序定制,佛山个人网站建设来源#xff1a;智东西摘要#xff1a;从产业发展的角度#xff0c;分析AI技术现状、问题以及趋势#xff0c;盘点智能语音、语义理解、计算机视觉等相关应用。自2016年AlphaGo击败李世石之后#xff0c;人工智能#xff08;AI#xff09;这个再度翻红的科技热词已经在争… 来源智东西摘要从产业发展的角度分析AI技术现状、问题以及趋势盘点智能语音、语义理解、计算机视觉等相关应用。自2016年AlphaGo击败李世石之后人工智能AI这个再度翻红的科技热词已经在争议声中走过了两年多。这两年里从一键美颜、刷脸开机到编辑快讯、演唱会抓逃犯人工智能正在突破次元壁落地现实。人工智能的战略重要性不仅吸引了科技巨头和资本的疯狂投资养活了一众创企更是得到了各国顶层支持。我国继去年7月发布了《新一代人工智能发展规划》11月公布了首批国家人工智能开放创新平台名单之后工信部本周三又公示了2018年人工智能与实体经济深度融合创新项目名单覆盖106个项目。本期的智能内参我们推荐来自中国信息通信研究院和中国人工智能产业发展联盟的人工智能发展白皮书技术架构篇从产业发展的角度分析技术现状、问题以及趋势盘点智能语音、语义理解、计算机视觉等相关应用。整理呈现的干货 AI技术流派让机器实现人的智能一直是人工智能学者不断追求的目标不同学科背景或应用领域的学者从不同角度用不同的方法沿着不同的途径对智能进行了探索。其中符号主义、连接主义和行为主义是人工智能发展历史上的三大技术流派。符号主义符号主义又称为逻辑主义 在人工智能早期一直占据主导地位。该学派认为人工智能源于数学逻辑其实质是模拟人的抽象逻辑思维用符号描述人类的认知过程。早期的研究思路是通过基本的推断步骤寻求完全解出现了逻辑理论家和几何定理证明器等。上世纪 70 年代出现了大量的专家系统结合了领域知识和逻辑推断使得人工智能进入了工程应用。PC 机的出现以及专家系统高昂的成本使符号学派在人工智能领域的主导地位逐渐被连接主义取代。连接主义连接主义又称为仿生学派 当前占据主导地位。该学派认为人工智能源于仿生学应以工程技术手段模拟人脑神经系统的结构和功能。连接主义最早可追溯到 1943 年麦卡洛克和皮茨创立的脑模型由于受理论模型、生物原型和技术条件的限制在 20 世纪 70 年代陷入低潮。直到 1982 年霍普菲尔特提出的 Hopfield 神经网络模型和 1986年鲁梅尔哈特等人提出的反向传播算法使得神经网络的理论研究取得了突破。2006 年连接主义的领军者 Hinton 提出了深度学习算法使神经网络的能力大大提高。2012 年使用深度学习技术的 AlexNet模型在 ImageNet 竞赛中获得冠军。行为主义行为主义又称为进化主义近年来随着 AlphaGo 取得的突破而受到广泛关注。该学派认为人工智能源于控制论智能行为的基础是“感知—行动”的反应机制所以智能无需知识表示无需推断。智能只是在与环境交互作用中表现出来需要具有不同的行为模块与环境交互以此来产生复杂的行为。在人工智能的发展过程中符号主义、连接主义和行为主义等流派不仅先后在各自领域取得了成果各学派也逐渐走向了相互借鉴和融合发展的道路。特别是在行为主义思想中引入连接主义的技术从而诞生了深度强化学习技术成为 AlphaGo 战胜李世石背后最重要的技术手段。深度学习一招翻红可以说本轮人工智能的发展是在大数据环境和计算能力大幅提升的基础上由深度学习带动的。深度学习全称深度神经网络本质上是多层次的人工神经网络算法即从结构上模拟人脑的运行机制从最基本的单元上模拟了人类大脑的运行机制。目前深度学习已经在计算机视觉、语音识别、自然语言理解等领域取得了突破详情参考第209期智东西内参。 ▲深度学习已在多领域实现突破深度学习分为训练(training)和推断(inference)两个环节。训练需要海量数据输入训练出一个复杂的深度神经网络模型。推断指利用训练好的模型使用待判断的数据去“推断”得出各种结论。大数据时代的到来图形处理器GPU等各种更加强大的计算设备的发展使得深度学习可以充分利用海量数据标注数据、弱标注数据或无标注数据自动地学习到抽象的知识表达即把原始数据浓缩成某种知识。▲基于深度学习的人工智能技术架构当前基于深度学习的人工智能算法主要依托计算机技术体系架构实现深度学习算法通过封装至软件框架的方式供开发者使用。软件框架是整个技术体系的核心实现对人工智能算法的封装数据的调用以及计算资源的调度使用 。为提升算法实现的效率其编译器及底层硬件技术也进行了功能优化。▲深度学习技术体系概述人工智能算法的设计逻辑可以从“学什么”表征所需完成任务的函数模型、“怎么学”通过不断缩小函数模型结果与真实结果误差来达到学习目的和“做什么”回归、分类和聚类三类基本任务三个维度进行概括。▲人工智能主要算法分类近年来随着AI算法在多领域的突破相关算法的理论性研究持续加强新算法如胶囊网络、生成对抗网络、迁移学习等也被不断提出。▲人工智能新算法下文将概述围绕深度学习的五方面技术现状和发展趋势。大佬开源造生态如前所述软件框架是整个技术体系的核心是算法的工程实现。当前人工智能基础性算法已经较为成熟各大厂商纷纷发力建设算法模型工具库并将其封装为软件框架供开发者使用。企业的软件框架实现有闭源和开源两种形式苹果公司等少数企业选择闭源方式开发软件框架目的是打造技术壁垒目前业内巨头基本都是基于自身技术体系的训练及推断软件框架将开源深度学习软件框架作为打造开发及使用生态核心的核心。▲人工智能开源平台对比援引招商证券总体来说开源软件框架在模型库建设及调用功能方面具有相当共性但同时又各具特点。业界目前主要有深度学习训练软件框架TensorFlow、MXNet等和推断软件框架Caffe2go等两大类别。当前开源软件框架的技术发展呈现出以下几方面的特点1、谷歌与其他公司间持续竞争。巨头公司在技术上将积极探寻包括模型互换模型迁移等技术联合以对抗谷歌公司。例如脸书Facebook和微软已经合作开发了一个可互换的人工智能软件框架解决方案。2、开源软件框架在向统一和标准化方向发展。随着人工智能应用的爆发开发人员在不同平台上创建模型及部署模型的需求愈发强烈在各类软件框架间的模型迁移互换技术研发已经成为重点。3、更高级的 API 逐渐占据主导地位。以 Keras 为例它是建立在TensorFlow、Theano、CNTK、MXNet 和 Gluon 上运行的高级开源神经网络库以其高级 API 易用性而得到了广泛的使用。4、模型的集群并发计算成为业界研究热点。当前人工智能网络对于单计算节点的算力要求过高但当前主流开源软件框架对于模型分割进行计算并没有实现而这个问题也将随着应用场景的不断丰富而不断引起重视成为开源软件框架下一个核心竞争点。编译器解决适配问题在实际工程应用中人工智能算法可选择多种软件框架实现训练和开发人工智能模型也可有多种硬件选项这就开发者带来了不小的挑战。原因一是可移植性问题各个软件框架的底层实现技术不同导致在不同软件框架下开发的模型之间相互转换存在困难二是适应性问题软件框架开发者和计算芯片厂商需要确保软件框架和底层计算芯片之间良好的适配性。▲编译器解决软硬件适配问题解决以上两个挑战的关键技术之一就是深度神经网络模型编译器它在传统编译器功能基础上通过扩充面向深度学习网络模型计算的专属功能以解决深度学习模型部署到多种设备时可能存在的适应性和可移植性问题。▲深度学习的两大表示规范深度学习网络模型的表示规范分为两大阵营。第一阵营是 Open Neural Network ExchangeONNX开放神经网络交换是一个用于表示深度学习模型的标准可使模型在不同软件框架之间进行转移。ONNX 由微软和 Facebook 联合发布该系统支持的软件框架目前主要包括 Caffe2PyTorchCognitive Toolkit 和 MXNet而谷歌的TensorFlow 并没有被包含在内。第二阵营是 Neural Network Exchange FormatNNEF神经网络交换格式是由 Khronos Group 主导的跨厂商神经网络文件格式计划支持包括 Torch, Caffe, TensorFlow, 等几乎所有人工智能软件框架的模型格式转换目前已经有 30 多家计算芯片企业参与其中。芯片提供算力保障现有深度神经网络需要用更短的时间、更低功耗完成计算这就给深度学习计算芯片提出了更高的要求一是计算芯片和存储间海量数据通信需求包括缓存Cache和片上存储Memory要大计算单元和存储之间的数据交互带宽要大二是专用计算能力的提升解决对卷积、残差网络、全连接等计算类型的大量计算需求同时降低功耗。总的来说AI 计算芯片的发展过程可以总结为一直在围绕如何有效解决存储与计算单元的提升这两个问题而展开成本问题则作为一个舵手控制着最终的航向。▲AI 计算芯片分类在深度学习训练环节除了使用 CPU 或 GPU 深度学习训练的首选进行运算外现场可编程门阵列FPGA以及专用集成电路ASIC也发挥了重大作用而用于终端推断的计算芯片主要以 ASIC 为主详情可参考第208期智东西内参。▲典型AI芯片商一览数据人工智能的基础资源基于深度学习的人工智能技术核心在于通过计算找寻数据中的规律运用该规律对具体任务进行预测和决断。源数据需要进行采集、标注等处理后才能够使用标注的数据形成相应数据集。业务类型主要包括数据采集、数据处理、数据存储以及数据交易等环节。▲人工智能数据集的参与主体当前人工智能基础数据类型主要包括语音语言类包括声音、文字、语言学规则、图像识别类包括自然物体、自然环境、人造物体、生物特征等以及视频识别类三个大类从世界范围来看数据服务商总部主要分布在美国、欧洲等发达国家。但其数据处理人员则大多数分布在第三世界国家我国语音、图像类资源企业机构正处于快速发展阶段为产业发展增添了动力。计算和服务平台的快速崛起深度学习使用GPU计算具有优异表现催生了各类GPU服务器带动了 GPU 服务器的快速发展同时也带动了以服务的形式提供人工智能所需要的能力如深度学习计算类的计算平台以及语音识别人脸识别等服务这也成为人工智能企业打造生态的重要抓手。一方面服务器厂商相继推出了专为 AI 而设计的、搭载 GPU 的 应用于视频编解码、深度学习、科学计算等多种场景的服务器为 AI 云场景对弹性配置能力予以优化以增强 PCI-E 拓扑和数量配比的弹性增加适配多种软件框架的运算需求支持 AI 模型的线下训练和线上推理两类场景。另一方面为了解决企业自行搭建 AI 能力时遇到的资金、技术和运维管理等方面困难人工智能企业纷纷以平台类服务和软件 API 形式的服务等形式提供 AI 所需要的计算资源、平台资源以及基础应用能力。科幻落地 未来已来目前随着深度学习算法工程化实现效率的提升和成本的逐渐降低一些基础应用技术逐渐成熟如智能语音自然语言处理和计算机视觉等并形成相应的产业化能力和各种成熟的商业化落地。同时业界也开始探索深度学习在艺术创作、路径优化、生物信息学相关技术中的实现与应用并已经取得了瞩目的成果。▲基础应用架构图智能语音按机器在其中所发挥作用的不同分为语音合成技术、语音识别技术、语音评测技术等。智能语音技术会成为未来人机交互的新方式将从多个应用形态成为未来人机交互的主要方式。已经面世的智能语音技术应用有智能音箱智能家庭设备的入口、个人智能语音助手个性化应用整合以及以 API 形式提供的智能语音服务覆盖了智能客服、教育/口语评测、医疗/电子病历、金融/业务办理、安防、法律、个人手机、自动驾驶及辅助驾驶、传统家电、智能家居等领域的应用。计算机视觉一般来讲计算机视觉主要分为图像分类、目标检测、目标跟踪和图像分割四大基本任务。目前计算机视觉识别这一人工智能基础应用技术部分已达商业化应用水平被用于身份识别、医学辅助诊断、自动驾驶等场景。▲计算机视觉的三大热点在政策引导、技术创新、资本追逐以及消费需求的驱动下基于深度学习的计算机视觉应用不断落地成熟并出现了三大热点应用方向人脸识别、视频结构化、姿态识别。自然语言处理自然语言处理NLP是研究计算机处理人类语言的一门技术是机器理解并解释人类写作与说话方式的能力也是人工智能最初发展的切入点和目前大家关注的焦点。自然语言处理的主要步骤包括分词、词法分析、语法分析、语义分析等其应用方向主要有文本分类和聚类、信息检索和过滤、信息抽取、问答系统、机器翻译等方向。展望AI的五大趋势人工智能这座矿还远没有挖完还有一箩筐的问题等待解决。一方面深度学习算法模型存在可靠性及不可解释性问题因此存在产生不可控结果的隐患另一方面当前的数据环境不够完善存在着流通不畅、数据质量良莠不齐和关键数据集缺失等问题。此外推断软件框架质量参差不齐制约了业务开展编译器缺乏统一的中间表示层标准云、侧端AI芯片的市场格局有待形成。基于技术和产业的发展现状信通院总结出了以下五大趋势1、迁移学习的研究及应用将成为重要方向。迁移学习由于侧重对深度学习中知识迁移、参数迁移等技术的研究能够有效提升深度学习模型复用性同时对于深度学习模型解释也提供了一种方法能够针对深度学习算法模型可靠性及不可解释性问题提供理论工具。2、深度学习训练软件框架将逐渐趋同开源推断软件框架将迎来发展黄金期。随着人工智能应用在生产生活中的不断深入融合对于推断软件框架功能及性能的需求将逐渐爆发催生大量相关工具及开源推断软件框架降低人工智能应用部署门槛。3、中间表示层之争将愈演愈烈。以计算模型为核心的深度学习应用由于跨软件框架体系开发及部署需要投入大量资源因此模型底层表示的统一将是业界的亟需未来中间表示层将成为相关企业的重点。4、AI 计算芯片朝云侧和终端侧方向发展。从云侧计算芯片来看目前 GPU 占据主导市场以 TPU 为代表的 ASIC 只用在巨头的闭环生态未来 GPU、TPU 等计算芯片将成为支撑人工智能运算的主力器件既存在竞争又长期共存一定程度可相互配合FPGA 有望在数据中心中以 CPUFPGA 形式作为有效补充。从终端侧计算芯片来看这类芯片将面向功耗、延时、算力、特定模型、使用场景等特定需求朝着不同发展。5、行业巨头以服务平台为核心打造生态链。对于国内外的云服务和人工智能巨头如亚马逊、微软阿里云、腾讯云、科大讯飞、旷视科技等企业将围绕各自应用与设备商、系统集成商、独立软件开发商等联合为政府企业等垂直领域提供一站式服务共同打造基于服务平台的生态系统。小编认为上一波的企业数字化为深度学习的产业化落地提供了初步引导随后人工智能相关的大数据、云服务、芯片、算法产业和市场格局逐渐成熟。在智能语音、计算机视觉、自然语言理解等细分技术的发展下智能医疗、智能金融、智能汽车等“AI”项目掀起了一波创投热。无疑AI泡沫确实存在但AI曙光势必降临。未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
