隨著深度學習技術(shù)在智能駕駛、智慧金融、智能制造、智慧農(nóng)業(yè)、智慧醫(yī)療、智能家居等領域的逐步應用，作為引領這一輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)，人工智能的產(chǎn)業(yè)化已經(jīng)取得了顯著的效果，顯示出帶動性很強的“頭雁”效應。中國、美國、英國、德國、法國、日本等主要國家都紛紛將人工智能上升為國家級戰(zhàn)略，積極搶占人工智能競爭的制高點。我國還進一步強調(diào)要加強人工智能領域前沿技術(shù)布局，支持科學家勇闖人工智能科技前沿的“無人區(qū)”。

　　現(xiàn)階段人工智能技術(shù)發(fā)展特點

經(jīng)歷了60多年的發(fā)展之后，人工智能已經(jīng)開始走出實驗室，進入到了產(chǎn)業(yè)化階段。具體表現(xiàn)出以下幾個方面的特點：

　　深度學習技術(shù)逐漸在各領域開始應用

深度學習通過構(gòu)建多隱層模型和海量訓練數(shù)據(jù)，來學習更有用的特征，最終提升分析準確性。深度學習能夠通過數(shù)據(jù)挖掘進行海量數(shù)據(jù)處理，自動學習數(shù)據(jù)特征，尤其適用于包含少量未標識數(shù)據(jù)的大數(shù)據(jù)集；采用層次網(wǎng)絡結(jié)構(gòu)進行逐層特征變換，將樣本的特征表示變換到一個新的特征空間，從而使分類或預測更加容易。因此，深度學習自2006年由Jeffery Hinton實證以來，在云計算、大數(shù)據(jù)和芯片等的支持下，已經(jīng)成功地從實驗室中走出來，開始進入到了商業(yè)應用，并在機器視覺、自然語言處理、機器翻譯、路徑規(guī)劃等領域取得了令人矚目的成績。

　　新型算法不斷探索

在深度學習應用逐步深入的同時，學術(shù)界也在繼續(xù)探索新的算法。一方面，繼續(xù)深度學習算法的深化和改善研究，如深度強化學習、對抗式生成網(wǎng)絡、深度森林、圖網(wǎng)絡、遷移學習等，以進一步提高深度學習的效率和準確率。另一方面，一些傳統(tǒng)的機器學習算法重新受到重視，如貝葉斯網(wǎng)絡、知識圖譜等。另外，還有一些新的類腦智能算法提出來，將腦科學與思維科學的一些新的成果結(jié)合到神經(jīng)網(wǎng)絡算法之中，形成不同于深度學習的神經(jīng)網(wǎng)絡技術(shù)路線，如膠囊網(wǎng)絡等。

　　基礎數(shù)據(jù)集建設已經(jīng)成為基本共識

自從李飛飛等在2009年成功創(chuàng)建ImageNet數(shù)據(jù)集以來，該數(shù)據(jù)集就已經(jīng)成為了業(yè)界圖形圖像深度學習算法的基礎數(shù)據(jù)集，通過舉辦比賽等方式極大地促進了算法的進步，使得算法分類精度已經(jīng)達到了95%以上。這也使得一些大型研究機構(gòu)和企業(yè)逐漸認識到了數(shù)據(jù)的價值，紛紛開始建立自己的數(shù)據(jù)集，以便進行數(shù)據(jù)挖掘和提升深度學習模型的準確率。如美國國家標準研究院的Mugshot、谷歌的SVHN、微軟的MS COCO等圖像基礎數(shù)據(jù)集，斯坦福大學的SQuAD、卡耐基梅隆大學的Q/A Dataset、Salesforce的WikiText等自然語言數(shù)據(jù)集以及2000 HUB5 English、CHiME、TED-LIUM等語音數(shù)據(jù)集。

　　新型計算基礎設施陸續(xù)成為產(chǎn)業(yè)界發(fā)展目標

由于深度學習對算力有較高的需求，因此相繼出現(xiàn)了一些專門的計算框架和平臺，如伯克利大學的Caffe、微軟的CNTK、Facebook的Torch、亞馬遜的MXNet、百度的 PaddlePaddle等，尤其是谷歌的TensorFlow能夠支持異構(gòu)設備的分布式計算，其平臺API能力已經(jīng)覆蓋了CNN、RNN、LSTM等當前最流行的深度神經(jīng)網(wǎng)絡模型。除了從計算框架軟件平臺進行研發(fā)之外，產(chǎn)業(yè)界同時也從硬件方面探索計算能力的提升方法。最為直接的方法就是采用計算能力更強的GPU替代原有的CPU等。此外，谷歌、IBM等一些大型企業(yè)在大量采用GPU的同時，也在探索進行符合自身計算環(huán)境的芯片研發(fā)，從而進一步降低成本、提高效率，因此產(chǎn)生了TPU等性能更加卓越的新型芯片。

　　人工智能技術(shù)發(fā)展面臨的挑戰(zhàn)

雖然人工智能技術(shù)發(fā)展已經(jīng)取得了前所未有的成績，但隨著深度學習技術(shù)應用的不斷深化和產(chǎn)業(yè)化步伐的逐步加快，人工智能技術(shù)發(fā)展也面臨著不少挑戰(zhàn)。

主流技術(shù)深度學習還具有較大局限性

一是在有限樣本和計算單元的情況下，對復雜函數(shù)的表示能力有限，其針對復雜分類問題的泛化能力受限。二是通過深度學習是一種基于概率統(tǒng)計的算法，機器系統(tǒng)學習到的是大概率內(nèi)容，不是知識，無法像人類一樣進行舉一反三的應用。三是深度學習存在黑箱問題，不能解釋其自身做出決策的原因。

　　基礎數(shù)據(jù)積累還遠遠不能滿足模型訓練需要

由于大數(shù)據(jù)技術(shù)的出現(xiàn)和使用時間還不長，各類基礎數(shù)據(jù)不論從數(shù)量上還是從質(zhì)量上來看，都尚需要較長時間的積累。一方面，某些關鍵領域和學術(shù)數(shù)據(jù)集還嚴重不足。另一方面，已有規(guī)?；幕A數(shù)據(jù)集不僅數(shù)據(jù)質(zhì)量良莠不齊，而且基本上由少數(shù)幾家巨頭或政府所掌握，鑒于監(jiān)管和競爭等因素，無法實現(xiàn)有效流動。基礎數(shù)據(jù)的缺乏，使得深度學習模型訓練也造成了樣本基礎缺失。

　　計算框架和通用智能芯片尚未形成定局

雖然已經(jīng)出現(xiàn)了TensorFlow、Caffe、CNTK、Torch、MXNet、PaddlePaddle等深度學習計算框架，但由于深度學習應用場景眾多，相關應用呈現(xiàn)碎片化特點，無論從功能還是性能角度來講，用于實現(xiàn)最后應用落地的開源計算框架與實際需求之間都還存在著相當?shù)木嚯x，滿足產(chǎn)業(yè)發(fā)展需求且具有絕對統(tǒng)治地位的開源計算框架也還沒有出現(xiàn)。同時，深度學習芯片還只是剛剛起步，而且還基本上屬于專有領域的芯片，通用智能芯片的產(chǎn)業(yè)化還需要較長時間的探索。

　　人機和諧共處的有效途徑開始艱難探索

由于黑箱問題及其基于概率統(tǒng)計的特點，基于深度學習的智能系統(tǒng)存在產(chǎn)生不可控結(jié)果的隱患。我們已經(jīng)看到，使用了人工智能技術(shù)的智能駕駛汽車出現(xiàn)了多次的事故，甚至造成了人員的傷亡。另外，使用了智能算法的自動駕駛飛機也出現(xiàn)了多次墜機事故。這些事故不僅造成了人們的生命和財產(chǎn)損失，也嚴重打擊了人們對人工智能的信心。實際上，這些事故的發(fā)生除了有技術(shù)方面的原因之外，還涉及到AI倫理的問題，也就是如何保證人類與智能系統(tǒng)之間的和諧共處、協(xié)同合作等問題。目前來看，AI的倫理問題還需要較長的探索過程。

　　人工智能技術(shù)發(fā)展趨勢

短期來看，人工智能技術(shù)的發(fā)展將圍繞對上述問題的解決進行。下面從算法理論、數(shù)據(jù)集基礎、基礎設施、人機協(xié)同等以下幾個方面進行探討。

　　算法理論

在算法理論層面，將繼續(xù)按照深度學習完善和新算法的兩條主線發(fā)展。首先，深度學習在提升可靠性、可解釋性等方面的研究以及零數(shù)據(jù)學習、無監(jiān)督學習、遷移學習等模型的研究將成為熱點方向，這不僅僅是深度學習算法本身發(fā)展的需要，也是產(chǎn)業(yè)發(fā)展的需要。其次，學術(shù)界將繼續(xù)開展新型算法的探索，包括對傳統(tǒng)機器學習算法的改進、傳統(tǒng)機器學習算法與深度學習的結(jié)合以及與深度學習迥異的新型算法等。

　　數(shù)據(jù)集基礎

在數(shù)據(jù)集基礎方面，學術(shù)界與產(chǎn)業(yè)界將共同合作構(gòu)建語音、圖像、視頻等通用數(shù)據(jù)集以及各行業(yè)的專業(yè)數(shù)據(jù)集，使得各類數(shù)據(jù)集能夠快速滿足相關需求。一方面，隨著對人工智能認識的不斷加深，將會有越來越多的企業(yè)和政府機構(gòu)開展數(shù)據(jù)自建和數(shù)據(jù)標注等工作。另一方面，隨著深度學習的發(fā)展，將會出現(xiàn)智能化的數(shù)據(jù)標注系統(tǒng)來幫助和替代人類進行數(shù)據(jù)標注等工作。再有，在政府引導和支持下，一些開放的標準化數(shù)據(jù)集將會陸續(xù)出現(xiàn)，為整個行業(yè)提供標準化訓練數(shù)據(jù)集。

　　計算平臺與芯片

在計算平臺與芯片方面，大型企業(yè)自研計算框架、自建計算平臺，甚至是自研芯片等，仍將是普遍現(xiàn)象。這主要是由于以下兩個方面的原因。一是企業(yè)出于自身數(shù)據(jù)和業(yè)務安全的考慮，對使用其他機構(gòu)提供的訓練平臺仍然持有不信任的態(tài)度；二是每個企業(yè)的數(shù)據(jù)中心和相關平臺都有其自身的特點，自研計算框架、自建計算平臺和自研芯片能夠更好地滿足自身的業(yè)務發(fā)展需要。

　　人機協(xié)同機制

在人機協(xié)同機制方面，“人在回路”將成為智能系統(tǒng)設計的必備能力。目前，機器智能并沒有實現(xiàn)人們所希望的“以人為中心”，仍然還是以機器為中心，這也是人類屢受智能系統(tǒng)傷害的主要原因之一。因此，將人類認知模型引入到機器智能中，使之能夠在推理、決策、記憶等方面達到類人智能水平，將成為學術(shù)界和產(chǎn)業(yè)界共同追求的目標，并可能在一定的時間內(nèi)取得較好的階段性成果。

　　人工智能技術(shù)發(fā)展展望

長期來看，人工智能技術(shù)將分別沿著算法和算力兩條主線向前發(fā)展，并逐步帶領人類進入到人機協(xié)同的新時代。

　　高度關注類腦智能算法

深度學習是基于馮·諾依曼體系結(jié)構(gòu)發(fā)展起來的。由于受到內(nèi)存墻等相關方面的制約，難以達到較高的計算效率。為此，近些年來IBM等已經(jīng)開始進行顛覆馮·諾依曼體系結(jié)構(gòu)的類腦智能算法與技術(shù)的探索。類腦智能借鑒大腦中“內(nèi)存與計算單元合一”等信息處理的基本規(guī)律，在硬件實現(xiàn)與軟件算法等多個層面，對于現(xiàn)有的計算體系與系統(tǒng)做出本質(zhì)的變革，并實現(xiàn)在計算能耗、計算能力與計算效率等諸多方面的大幅改進。目前，隨機興奮神經(jīng)元、擴散型憶阻器等已經(jīng)在IBM、馬薩諸塞州阿姆赫斯特大學、清華大學等機構(gòu)研制成功，IBM已經(jīng)研制成功TrueNorth芯片，清華大學團隊也成功研制出了基于憶阻器的PUF芯片。

　　智能部署從中心向邊緣和終端擴散

隨著智能裝備和智能機器人等智能終端的逐漸增多，智能終端的快速反應以及相互之間的協(xié)同行動需求將會越來越迫切，對智能服務的實時性將會越來越強烈。這就要求智能服務從云端向網(wǎng)絡邊緣甚至終端擴散，智能模型與算法需要部署在網(wǎng)絡邊緣或終端之上，就近提供網(wǎng)絡、計算、存儲、應用等核心能力，從而滿足通信、業(yè)務、安全等各方面的關鍵需求。目前，英偉達、高通等都已經(jīng)陸續(xù)開展了用于邊緣網(wǎng)絡或終端的AI專用芯片。而隨著5G網(wǎng)絡的普遍部署，邊緣智能將會獲得快速的發(fā)展。

　　深度學習通用平臺和通用AI芯片將會出現(xiàn)

隨著人工智能應用在生產(chǎn)生活中的不斷深入融合，智能終端的互聯(lián)互通將會成為必然。由于跨框架體系開發(fā)及部署需要投入大量資源，因此盡管每個終端的智能模型可能不同，但深度學習計算框架的模型底層表示將會逐漸趨同，形成深度學習通用計算框架和平臺。隨著計算框架的整合，GPU和TPU等芯片將可能會被通用AI芯片所替代。

　　量子計算推動形成新一輪計算革命

不論現(xiàn)在還是將來，人工智能無疑都將是最為消耗計算資源的業(yè)務和應用之一，計算效率也將是智能體永恒的追求目標。量子計算具有強大的計算能力和效率，已經(jīng)成為全球公認的下一代計算技術(shù)。IBM已經(jīng)在近期推出了世界上第一個商用的通用近似量子計算系統(tǒng)里程碑產(chǎn)品IBM Q System One，客戶可以通過互聯(lián)網(wǎng)使用這臺量子計算機進行大規(guī)模的數(shù)據(jù)計算，為人工智能計算展示了良好的前景。

人工智能已經(jīng)逐漸向工業(yè)、農(nóng)業(yè)、交通、醫(yī)療、金融等各個領域滲透，并開始形成新的業(yè)態(tài)，成為了新一輪技術(shù)革命的制高點。因此，必須積極主動把握人工智能技術(shù)和產(chǎn)業(yè)發(fā)展機遇，認清技術(shù)發(fā)展趨勢，在類腦智能、邊緣智能、通用平臺與芯片、量子計算等前沿技術(shù)領域加快布局，勇闖人工智能科技前沿的“無人區(qū)”，才能抓住人工智能時代發(fā)展的主動權(quán)。

【來源：中國工業(yè)和信息化】