過去五十年中，人工智能從理論基礎(chǔ)與算法基礎(chǔ)逐步走向應(yīng)用，對(duì)計(jì)算力的要求也從數(shù)值計(jì)算轉(zhuǎn)向智能推演，但在人工智能產(chǎn)業(yè)的漫漫征途中，這僅僅只是跨出了第 一步。

數(shù)據(jù)源、軟件框架、算力等基礎(chǔ)設(shè)施正在不斷拓展人工智能算法的開發(fā)場(chǎng)景。在不同研究學(xué)派的理念之下，正在不斷拓寬人工智能算法和Al技術(shù)的能力邊界，實(shí)現(xiàn)“Al+行業(yè)”的快速部署。人工智能正在逐步影響現(xiàn)實(shí)世 界的生活與工作的方方面面。未來10年，人工智能產(chǎn)業(yè)各層面又會(huì)發(fā)生怎樣的變化呢？

1、類腦芯片代表了芯片發(fā)展的十年趨勢(shì)

智能芯片通常指針對(duì)人工智能算法做了加速設(shè)計(jì)的芯片。GPU、FPGA和ASIC是延用傳統(tǒng)馮·諾依曼架構(gòu)，存儲(chǔ)與計(jì)算在空間上分離，計(jì)算機(jī)每次進(jìn)行運(yùn)算時(shí)需要在CPU和內(nèi)存這兩個(gè)區(qū)域往復(fù)調(diào)用，頻繁的數(shù)據(jù)交換導(dǎo)致處理海量信息效率很低且功耗高，十年間將達(dá)到架構(gòu)瓶頸。

類腦芯片在架構(gòu)上模擬人腦的神經(jīng)突觸傳遞結(jié)構(gòu)，眾多的處理器類似于神經(jīng)元，通訊系統(tǒng)類似于神經(jīng)纖維，基于微電子技術(shù)和新型神經(jīng)形態(tài)器件的結(jié)合，突破了馮·諾依曼架構(gòu)瓶頸，實(shí)現(xiàn)存儲(chǔ)與計(jì)算的深度融合，大幅提升計(jì)算性能、提高集成度、降低能耗。相對(duì)于傳統(tǒng)芯片，類腦芯片在功耗和集成度上的優(yōu)勢(shì)明顯，在后摩爾時(shí)代有非常寬闊的應(yīng)用前景，或?qū)⒊蔀槲磥砗Ａ繑?shù)據(jù)處理的基礎(chǔ)硬件。

2、智能傳感器加速人工智能的發(fā)展

人工智能結(jié)合了多種先進(jìn)技術(shù)，賦予了機(jī)器學(xué)習(xí)、采納、決策的能力，給予他們?nèi)碌墓δ?。依賴于神?jīng)網(wǎng)絡(luò)、專家系統(tǒng)、自組織系統(tǒng)、模糊邏輯和遺傳算法等技術(shù)，人工智能技術(shù)將傳感器應(yīng)用領(lǐng)域擴(kuò)展到了很多其他領(lǐng)域，其中一些領(lǐng)域需要對(duì)傳感器信息進(jìn)行解析和處理，例如裝配、生物傳感器、建筑建模、計(jì)算機(jī)視覺、切割工具診斷、環(huán)境工程、力值傳感、健康監(jiān)控、人機(jī)交互、網(wǎng)絡(luò)應(yīng)用、激光銑削、維護(hù)和檢查、動(dòng)力輔助、機(jī)器人、傳感器網(wǎng)絡(luò)和遙控作業(yè)等。憑借靈活性、可重新配置能力和可靠性，全新的系統(tǒng)設(shè)備在越來越多的任務(wù)中表現(xiàn)出超過人類的性能，將逐漸加速進(jìn)入工業(yè)領(lǐng)域及其他生產(chǎn)工作的方方面面。

人工智能技術(shù)具有 *** 低的計(jì)算復(fù)雜度，可以應(yīng)用于小型傳感器系統(tǒng)、單一傳感器或者采用低容量微型控制器陣列的系統(tǒng)。由此，將許多微型電子處理器和傳感器集成到日常物品中，使其智能化，共同構(gòu)建出一個(gè)智能環(huán)境、與其他智能設(shè)備通信以及與人類互動(dòng)。人工智能憑借傳感器帶來的廣泛數(shù)據(jù)來源，將加速自身的優(yōu)化和迭代。

1、環(huán)境資源的有效利用和突破

機(jī)器學(xué)習(xí)關(guān)注如何用計(jì)算的方法模擬類人的學(xué)習(xí)行為，從歷史經(jīng)驗(yàn)中獲取規(guī)律（或模型），并將其應(yīng)用到新的類似場(chǎng)景中。機(jī)器學(xué)習(xí)的 *** 新進(jìn)展是由新的學(xué)習(xí)算法和理論的發(fā)展以及在線數(shù)據(jù)和低成本計(jì)算的持續(xù)爆炸所推動(dòng)的。但機(jī)器學(xué)習(xí)領(lǐng)域還很年輕，它仍在迅速擴(kuò)展。

一個(gè)主要趨勢(shì)是關(guān)于機(jī)器學(xué)習(xí)算法運(yùn)行的環(huán)境（計(jì)算體系結(jié)構(gòu)）。而經(jīng)典的機(jī)器學(xué)習(xí)系統(tǒng)涉及在一臺(tái)機(jī)器上運(yùn)行的單個(gè)程序，現(xiàn)在機(jī)器學(xué)習(xí)系統(tǒng)通常部署在包含數(shù)千或上萬個(gè)處理器的體系結(jié)構(gòu)中，而并行和分布式技術(shù)以及通訊限制成為了焦點(diǎn)技術(shù)難題。

機(jī)器學(xué)習(xí)研究人員正越來越多地將環(huán)境中的不同數(shù)據(jù)間的關(guān)系形式化，旨在設(shè)計(jì)在各種環(huán)境中都可證明有效的算法，明確正確的用戶表達(dá)和資源控制之間的權(quán)衡。

遷移學(xué)習(xí)和分布式學(xué)習(xí)沿著對(duì)環(huán)境資源的有效利用和突破進(jìn)行開發(fā)。遷移學(xué)習(xí)的目的是把為源任務(wù)訓(xùn)練好的模型遷移到目標(biāo)任務(wù)中，幫助新任務(wù)解決訓(xùn)練樣本不足等技術(shù)挑戰(zhàn)。很多學(xué)習(xí)任務(wù)之間存在相關(guān)性，因此從一個(gè)任務(wù)中總結(jié)出來的模型參數(shù)可以對(duì)解決另外一個(gè)任務(wù)有所幫助。遷移學(xué)習(xí)目前是機(jī)器學(xué)習(xí)的研究熱點(diǎn)之一，還有很大的發(fā)展空間。分布式技術(shù)是機(jī)器學(xué)習(xí)技術(shù)的加速器，能夠顯著提高機(jī)器學(xué)習(xí)的訓(xùn)練效率、進(jìn)一步增大其應(yīng)用范圍。

2、實(shí)現(xiàn)無監(jiān)督機(jī)器學(xué)習(xí)

對(duì)偶學(xué)習(xí)是一種新的學(xué)習(xí)范式，其基本思想是利用機(jī)器學(xué)習(xí)任務(wù)之間的對(duì)偶屬性獲得更有效的反饋/正則化，引導(dǎo)、加強(qiáng)學(xué)習(xí)過程，從而降低深度學(xué)習(xí)對(duì)大規(guī)模人工標(biāo)注數(shù)據(jù)和監(jiān)督的依賴。

元學(xué)習(xí)（Meta Learning）是近年來機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)新的研究熱點(diǎn)。字面上來理解，元學(xué)習(xí)就是學(xué)會(huì)如何學(xué)習(xí)，重點(diǎn)是對(duì)學(xué)習(xí)本身的理解和適應(yīng)，而不僅僅是完成某個(gè)特定的學(xué)習(xí)任務(wù)。也就是說，一個(gè)元學(xué)習(xí)器需要能夠評(píng)估自己的學(xué)習(xí)方法，并根據(jù)特定的學(xué)習(xí)任務(wù)對(duì)自己的學(xué)習(xí)方法進(jìn)行調(diào)整，是自動(dòng)化機(jī)器學(xué)習(xí)的重要構(gòu)成。

傳統(tǒng)的深度生成模型由于 *** 大化概率似然，模型更傾向于生成偏極端的數(shù)據(jù)，影響生成的效果。對(duì)抗學(xué)習(xí)通過產(chǎn)生對(duì)抗樣本或者對(duì)抗模型來加強(qiáng)模型的魯棒性，提高數(shù)據(jù)生成的效果。

可解釋的機(jī)器學(xué)習(xí)（Explainable Al）是機(jī)器學(xué)習(xí)研究由線到面的關(guān)鍵一步，當(dāng)前的機(jī)器學(xué)習(xí)仍處于黑箱技術(shù)階段，輸入數(shù)據(jù)的關(guān)聯(lián)性無法解釋因果關(guān)系。尤其在醫(yī)療、核工業(yè)和航天領(lǐng)域應(yīng)用中，機(jī)器學(xué)習(xí)的可解釋性意味著可靠性和可用性。

3、語音與視覺等模態(tài)相互融合

隨著人工智能的智能化程度提升，語音、圖像、視頻等模態(tài)將趨于融合，語音可視化將成為可能。

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的引進(jìn)使語言模態(tài)、文字模態(tài)、圖像模態(tài)、視頻模態(tài)的編碼和解碼可在同一個(gè)深度學(xué)習(xí)框架下統(tǒng)一運(yùn)行，不同模態(tài)的對(duì)象可被同一模式編碼與解碼，同一模式的編碼與解碼可使不同模態(tài)對(duì)象隨意融合，語音分析結(jié)果可與圖像分析結(jié)果結(jié)合應(yīng)用。

語音助手將可模擬人類的語言認(rèn)知過程，將語音和視覺同時(shí)作為語音理解源，不僅通過聲音來獲取信息，同時(shí)還用眼睛觀察說話者口型、表情的變化，將數(shù)據(jù)多維度融合以實(shí)現(xiàn)人工智能從感知轉(zhuǎn)變?yōu)檎J(rèn)知。

4、模型壓縮實(shí)現(xiàn)算法輕量化和低成本化部署

由于深度學(xué)習(xí)模型參數(shù)量、計(jì)算量大，模型在計(jì)算資源受限的端側(cè)設(shè)備上的嵌入式系統(tǒng)部署難，故需要對(duì)傳統(tǒng)深度學(xué)習(xí)的方法進(jìn)行調(diào)優(yōu)。

模型壓縮包括網(wǎng)絡(luò)剪枝、權(quán)值量化、共享權(quán)重、霍夫曼編碼、知識(shí)遷移淺層網(wǎng)絡(luò)等方式，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行無精度損失的壓縮。在保證模型的高準(zhǔn)確度后，如何用更少的硬件成本提供低時(shí)延、低功耗、低成本的模型服務(wù)決定了應(yīng)用的未來。

5、端、邊、云多方協(xié)同

人工智能專 用芯片與智能傳感器的發(fā)展，大幅提高了端側(cè)設(shè)備的計(jì)算資源容量。同時(shí)，模型壓縮后的人工智能算法支持輕量化和低成本化部署。

終端設(shè)備開始內(nèi)置嵌入深度學(xué)習(xí)算法，可以對(duì)采集的數(shù)據(jù)進(jìn)行實(shí)時(shí)處理實(shí)時(shí)應(yīng)用。邊緣層作為智能終端***近的上層協(xié)同節(jié)點(diǎn)，實(shí)現(xiàn)對(duì)端側(cè)上報(bào)的數(shù)據(jù)樣本完成動(dòng)態(tài)增量學(xué)習(xí)。邊緣層按需將高質(zhì)量結(jié)構(gòu)化的數(shù)據(jù)及分析結(jié)果傳回云端，通過全域知識(shí)模型作為協(xié)作模型，云端利用協(xié)作生成的軟標(biāo)簽幫助模型建立舊類間的潛在關(guān)系，實(shí)現(xiàn)增量訓(xùn)練中對(duì)舊類識(shí)別任務(wù)的進(jìn)一步鞏固和精度提升，全 面提高計(jì)算效率和反應(yīng)速度。

1、人工智能商業(yè)化應(yīng)用加速落地

Al+行業(yè)正在聚焦多元化的應(yīng)用場(chǎng)景，不同產(chǎn)業(yè)及領(lǐng)域的智能化轉(zhuǎn)型將大規(guī)模提高人工智能的用戶基數(shù)為人工智能領(lǐng)域的發(fā)展提供巨大的空間，并逐漸向其他相關(guān)產(chǎn)業(yè)輻射。

金融服務(wù)、電信、汽車裝配、能源等高科技領(lǐng)域是當(dāng)前人工智能應(yīng)用范圍*** 為廣泛和領(lǐng) 先的，引 領(lǐng)人工智能行業(yè)相關(guān)應(yīng)用層產(chǎn)業(yè)迅速發(fā)展。

交通、醫(yī)療、金融、安防等領(lǐng)域的人工智能商業(yè)化應(yīng)用正在加速落地，隨之人工智能擁有大規(guī)模高質(zhì)量的用戶基礎(chǔ)，給其余相關(guān)產(chǎn)業(yè)的智能化轉(zhuǎn)型帶來巨大空間。

2、自動(dòng)駕駛技術(shù)向完 全自動(dòng)化方向發(fā)展

自動(dòng)駕駛的終 極目標(biāo)是在目前的開放交通環(huán)境中完 全可用，實(shí)現(xiàn)這個(gè)目標(biāo)需要在車輛本身和交通環(huán)境適應(yīng)性改造方面同步進(jìn)行。而在實(shí)現(xiàn) 完 全 自動(dòng)化的進(jìn)程中，需要考慮四大問題來論證自動(dòng)駕駛在開放交通環(huán)境應(yīng)用的可行性∶便利性、安全性、可靠性以及法律/道德責(zé)任。

“車聯(lián)網(wǎng)”將驅(qū)動(dòng)汽車軟件化的發(fā)展，隨著汽車內(nèi)飾部件的電子化，汽車將成為交互應(yīng)用 不 可忽視的終端，包括辦公和娛樂。自動(dòng)駕駛技術(shù)在物流行業(yè)和出行服務(wù)行業(yè)的應(yīng)用將大大降低運(yùn)營成本，或?qū)⒋呱碌漠a(chǎn)業(yè)模式。隨著逐步過渡到完 全由無人駕駛運(yùn)載器構(gòu)成的交通網(wǎng)絡(luò)，期間傳統(tǒng)的交通信號(hào)系統(tǒng)和城市道路規(guī)劃將重新設(shè)計(jì)， *** 大化通行效率。

（轉(zhuǎn)自微信公眾號(hào)中國機(jī)器人網(wǎng)）