读人工智能全球格局：未来趋势与中国位势13进化(上)

1. 概述

1.1. 本轮人工智能热潮在算法或模型方面并无革命性的重大突破，就算是听起来很新的深度学习概念也早在20世纪80年代就已经出现
1.2. 大数据，它为深度学习算法提供海量的训练数据做支撑，让深度学习如虎添翼，大显神威
1.3. 高性能计算，尤其是通用计算GPU给予神经网络和深度学习强大的计算力支持，使得以前无法完成的计算或者无法在短时间内完成的计算成为可能
1.4. 人工智能近几年突飞猛进的发展与大数据的存储、处理、分析技术的发展是分不开的

• 1.4.1. 大数据处理的核心都是利用已知的知识去预测未知的情形
  
• 1.4.2. 其预测质量取决于大数据处理过程中所采用的算法和训练数据集
  
• 1.4.3. 算法决定了预测准确率的上限
  
  
  
  • 1.4.3.1. 算法一旦确定，整个数据处理模型准确率的理论上限已经确定
    
  
  
• 1.4.4. 模型训练离不开训练数据集，数据的数量和品质决定了能在多大程度上逼近算法的理论上限
  
• 1.4.5. 未来数据智能的发展焦点在于如何快速处理大量数据
  

2. 大数据时代

2.1. 早在人类还居住在树上时，人类就已经开始和数据打交道
2.2. 整个人类的发展历史，就是人类不断地尝试去记录以及去测量自身和世界的过程，无论是古时候发明算盘、阿拉伯数字，还是近代发明二进制计算机，都是人类记录自身和世界的活动
2.3. 人类对于记录、存储数据的需求一直没有减弱
2.4. 人工智能的发展离不开电子计算机的发展，而电子计算机的发展也伴随着数据采集、存储、处理方式的革新
2.5. 在过去，我们受数据采集、存储、计算能力的限制，只能通过抽样的方式获取小部分数据，因此无法得到完整的、全局的、细节的规律
2.6. 现在有了大数据，可以把全部的历史数据都收集起来，利用计算机统计其规律，进而预测将发生的事情，这就是大数据机器学习
2.7. 机器学习是当下处理大数据的重要途径，它可以将多种优势凝聚起来，面对实际问题选择最为合适的解决途径
2.8. 人类希望人工智能做得更多，未来数据智能的应用场景将向更广更深演进
2.9. 数据智能的技术发展方向或许还得从根本的数据、算法和算力三驾马车上去寻找突破
2.10. 大数据爆发式增长

• 2.10.1. 人类最近两年所产生的数据相当于之前历史上所有数据量的总和
  
• 2.10.2. 数据源的扩大是最根本的推动力
  
  
  
  • 2.10.2.1. 在消费领域，智能设备正以惊人的速度发展
    
  • 2.10.2.2. 在工业领域，工业界正在将测量分析推向智能终端，数据采集设备的数量正快速增长，同时传感器也在日益智能化
    
  • 2.10.2.3. 随着未来超高速5G无线网络的推出，无限的设备会被接入互联网，互联网将会进一步泛化，形成万物互联的物联网(IoT)
    
  
  

3. 芯片与框架提升算力

3.1. 人工智能近来的发展离不开人工神经网络的发展
3.2. 在过去，如此大量的数据很难被处理
3.3. 如今，以Hadoop体系为代表的分布式系统将神经网络的计算变成了可能
3.4. 特别是图形处理器(GPU)的并行式计算模式成为神经网络计算的基石
3.5. 形形色色专用于计算神经网络的人工智能芯片被设计制造出来

• 3.5.1. 以GPU、现场可编程门阵列(FPGA)、专用集成电路(ASIC)为代表的人工智能计算芯片，成为本轮人工智能发展的核心驱动力
  
• 3.5.2. 人工智能正在由各种人工智能芯片来提供基础计算能力
  
• 3.5.3. 深度学习既要求计算芯片支持对存储介质中海量数据的高效存取，还要求其能支持一些特定人工智能计算需求
  
• 3.5.4. GPU成为目前深度学习算法应用中的首要选择
  
• 3.5.5. FPGA可以实现应用场景的高度定制，属于一种半定制化芯片
  
• 3.5.6. ASIC是不可配置的高度定制专用计算芯片，其性能也是最优的
  
  
  
  • 3.5.6.1. 谷歌公司为运行TensorFlow框架专门设计的张量处理单元(TPU)，相应的还有寒武纪的神经网络处理单元(NPU)，都是ASIC的典型代表
    
  
  

3.6. 软件框架部分，目前人工智能软件框架呈现出百花齐放的态势

• 3.6.1. 软件框架是整个技术体系的核心，用于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
  
• 3.6.2. 软件框架好比人工智能应用开发的操作系统，为开发者提供编程环境和算法库，并按需分配人工智能芯片等硬件资源，目的是构建人工智能系统开发和运行的软件环境
  
• 3.6.3. TensorFlow、Keras、Caffe、PyTorch、CNTK、Theano、SciKit-Learn
  

4. 贴近应用革新算法

4.1. 人工智能中的“决策树”​“K近邻”等算法已经基本成熟，未来将主要以深度神经网络为主导
4.2. 深度神经网络是目前唯一能够使得自然语言处理、生成式对抗网络以及深度强化学习不断发展的基本遵循
4.3. 生成式对抗网络(GAN)

• 4.3.1. 指由一个不断产生数据的神经网络模块与一个持续判别所产生数据是否真实的神经网络模块组成的神经网络架构，创造出近似真实的原创图像、声音和文本数据的技术
  
• 4.3.2. 有望大幅提升机器翻译、人脸识别、信息检索的精度和准确性，随着三维模型数据序列能力的提升，未来将在自动驾驶、安防监控等领域产生可观的应用价值
  

4.4. 胶囊网络(CapsNet)

• 4.4.1. 由深度学习先驱杰弗里·辛顿在2017年提出的概念，旨在克服当前图像识别方法（主要是卷积神经网络）的缺陷
  
• 4.4.2. 指在深度神经网络中构建多层神经元模块，用以发现并存储物体详细空间位置和姿态等信息的技术
  
• 4.4.3. 一种新兴的深层神经网络形式，可以以类似人脑的方式处理信息
  
• 4.4.4. 在样本数据较少的情形下，快速识别不同情境下的同一对象，在人脸识别、图像识别、字符识别等领域具有广阔的应用前景
  

4.5. 迁移学习

• 4.5.1. 机器学习，尤其是深度学习，最大的障碍是用于训练神经模型的大量标记数据的可用性
  
• 4.5.2. 只有标注精良且数量巨大的训练数据集才能获得良好的深度学习效果
  
• 4.5.3. 元学习(meta-learning)有一个非常重要的理念，是在较少样本量的情况下，让机器能够自己学会学习
  
• 4.5.4. 原理就是合成新数据并将任务A的训练模型转移到任务B
  
  
  
  • 4.5.4.1. 迁移学习，就是将学习从一个任务迁移到另一个任务
    
  • 4.5.4.2. 一次性学习，即只需一次学习就能将模型应用于其他场景
    
  
  

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

用心讨论，共获提升！

前排留名，哈哈哈

鼓励转贴优秀软件安全工具和文档！

感谢，下载保存了