笔袋厂家
免费服务热线

Free service

hotline

010-00000000
笔袋厂家
热门搜索:
产品介绍
当前位置:首页 > 产品介绍

瞧一瞧:从三个角度浅析人工智能的最新发展趋势-电子发烧友网

发布时间:2022-04-18 23:52:46 阅读: 来源:笔袋厂家
瞧一瞧:从三个角度浅析人工智能的最新发展趋势-电子发烧友网 从三个角度浅析人工智能的最新发展趋势-电子发烧友网

1956年的达特茅斯会议首次提出人工智能的定义:使一部机器的反应方式像一个人在行动时所依据的智能。经过超过半个世纪的发展,人工智能已经渡过了简单地模拟人类智能的阶段,发展为研究人类智能活动的规律,构建具有一定智能的人工系统或硬件,以使其能够进行需要人的智力才能进行的工作,并对人类智能进行拓展的边缘学科。涉及到信息论、控制论、计算机科学、自动化、仿生学、生物学、心理学、数理逻辑和哲学等自然和社会科学。本文首先简单介绍人工智能的3大阶段和行业应用,其次深度剖析人工智能最新的商业和技术趋势,并从数据、计算能力和算法3个角度去分析人工智能的最新发展趋势。

强拆违建算犯法吗
="text-indent: 2em;"> 一、人工智能的发展阶段和行业应用

人工智能的发展可以分为三个阶段——计算智能、感知智能、认知宅基地收回有补偿吗
智能。第一国家对住宅楼的拆迁补偿标准
个发展阶段是在计算这个环节,它使得机器能够像人类一样进行计算,诸如神经网络遗传算法的出现,使得机器能够更高效、快速处理海量的数据。第二个发展阶段就是感知智能,让机器能听懂我们的语言、看懂世界万物。语音和视觉识别就属于这一范畴,这些技术能够更好的辅助人类高效完成任务。第三个发展阶段是认知智能,在这一阶段,机器将能够主动思考并采取行动,比如无人驾驶汽车、智能机器人,实现全面辅助甚至替代人类工作。

目前,人工智能还处于感知智能阶段。语音识别和视觉识别是这一阶段最为核心的技术。近年来,随着计算处理能力的突破以及互联网大数据的爆发,再加上深度学习算法在数据训练上取得的进展,人工智能在感知智能上正实现巨大突破。

图一:人工智能的三大发展阶段

随着人工智能的第三次浪潮的到来,人工智能在各大行业中的应用也越来越广泛,下图是Mckinsey咨询公司调研的各大行业的人工智能应用程度和未来AI投资走向分析。从图中可以看到,在人工智能应用领域方面,最为广泛和领先的是汽车/组装、金融、电信等高科技领域。其次是物流、零售、媒体等行业。目前应用最广泛的领域也是未来3年AI投资增长最快的领域。

图二:人工智能行业应用程度和未来投资走向分析(来源:Mckinsey咨询公司)

二、人工智能的商业和技术发展趋势

人工智能产业链根据技术层级从上到下,分为基础层、技术层和应用层。基础层主要包括计算能力层和数据层,技术层主要包括框架层、算法层和通用技术层。应用层主要指针对于场景应用的解决方案层。人工智能产业链中,基础层是构建生态的基础,价值最高,需要长期投入进行战略布局;通用技术层是构建技术护城河的基础,需要中长期进行布局;解决方案层直戳行业痛点,变现能力最强。

在人工智能平台化的趋势下,国内外各大公司包括互联网巨头,软件公司,传统企业,初创企业等纷纷加入到人工智能生态体系的建设中,当下人工智能竞争格局初步形成,商业模式主要分为以下5大模式(见图三)。

模式一:生态构建者——全产业链生态+场景应用作为突破口。以互联网公司为主,长期投资基础设施和技术,同时以场景应用作为流量入口,积累应用,成为主导的应用平台,将成为人工智能生态构建者(如Google、Amazon、Facebook、阿里云等)。

模式二:技术算法驱动者——技术层+场景应用作为突破口。以软件公司为主,深耕算法平台和通用技术平台。同时以场景应用作为流量入口,逐渐建议应用平台(如Microsoft、IBM Watson等)。

模式三:应用聚焦者——场景应用。以创业公司和传统行业公司为主,基于场景或行业数据,开发大量细分场景应用。

模式四:垂直领域先行者——杀手级应用+逐渐构建垂直领域生态。以垂直领域先行者为主,在垂直领域依靠重量级应用(如出行场景应用、面部识别应用等)积累大量用户和数据,并深耕该领域的通用技术和算法,成为垂直领域的颠覆者(如滴滴出行、旷视科技等)。

模式五:基础设施提供者——从基础设施切入,并向产业链下游拓展。以芯片或硬件等基础设施公司为主,从基础设施切入,提高技术能力,向数据、算法等产业链上游拓展。

图三:人工智能竞争格局和5大商业模式(来源:阿里云研究中心)

三、人工智能的核心三要素

人工智能的核心三要素分别是:数据、算法和计算能力。数据是基础,大数据为机器学习装上引擎;算法是核心,将人工智能带到全新高度;计算能力是保障,为算法的实现提供坚实的后盾。下面分别介绍三要素的现状和发展趋势。

数据是所有计算和应用的基础,数据的创建位置可以分为核心、边缘和端点。核心是指企业内部或云端的特定计算数据中心。它涵盖所有类型的云计算,包括公共云、私有云和混合云。边缘是指不处于核心数据中心的企业级计算机/设备。

它包括服务器机房,现场服务器。端点是指网络边缘的所有设备,包括PC、手机、摄像机、联网汽车、可穿戴设备以及各种传感器。根据咨询公司IDC预计,到 2025 年,全世界将创建和复制 163ZB 的数据,是 2016 年所创建数据量的十倍。随着数据量的激增,数据和信息的安全性也将大大提高,到 2025 年,需要安全保障的数据百分比将接近总体数据的90%。

算法是人工智能中的核心,人工智能、机器学习和深度学习的关系如下图所示。机器学习是一种实现人工智能的方法。机器学习最基本的方法,是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测。深度学习是一种实现机器学习的技术,是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。深度学习与浅度学习相比,强调结构模型的深度,通常有4层以上的隐层节点。深度学习海量数据,训练复杂度高,分类及预测精度高;浅度学习数量量小,训练简单,分类及预测精度低。

图四:人工智能相关领域关系图

计算能力是保障,为算法的实现提供坚实的后盾。一项深度学习工程的搭建,可分为训练和推断两个环节:训练环境通常需要通过大量的数据输入,训练出一个复杂的深度神经网络模型。训练过程由于涉及海量的训练数据和复杂的深度神经网络结构,需要的计算规模非常庞大,通常需要GPU集群训练几天甚至数周的时间。推断环节指利用训练好的模型,使用新的数据去“推断”出各种结论。推断环节的计算量相比训练环节少,但仍然涉及大量的矩阵运算。在推断环节,除了使用CPU或GPU进行运算外,FPGA以及ASIC均能发挥重大作用。根据训练和推断环节的数据量大小和对计算能力的需求不同,下图列出了符合计算能力要求的各种硬件。

图五:机器学习中训练与推断对计算能力和运算量的需求