尖端人工智能技术的应用趋势和发展前景

龙源期刊网最先进的人工智能应用趋势与技术发展前景: 宝宏许贵宝来源: 《中国工业与信息技术》 2019年人工智能技术发展阶段龙源期刊网展融，智能制造，智能农业，智能医疗人工智能技术的展望，智能家居等领域的逐步应用，作为引领这一轮技术革命和产业转型，人工智能产业化的战略技术已经取得了明显的成果，显示出强大的“头鹅”效应. 中国，美国，英国，德国，法国，日本等主要国家已将人工智能提升为一项国家战略，并积极抢占了人工智能竞争的制高点. 我国进一步强调必须加强人工智能领域的前沿技术布局，并支持科学家勇敢地进入人工智能的“无人区”. 现阶段人工智能技术发展的特点经过60多年的发展，人工智能已经开始走出实验室，进入工业化阶段. 具体来说，它表现出以下特征: 深度学习技术逐渐应用于各个领域. 深度学习建立了多个隐藏层模型和大量的训练数据，以学习更多有用的功能，并最终提高了分析的准确性.

深度学习可以通过数据挖掘执行大量数据处理并自动学习数据功能，尤其适用于包含少量未识别数据的大型数据集；采用分层网络结构进行逐层特征转换，将样本的特征表示转换为新特征空间，从而使分类或预测变得更加容易. 因此，自2006年Jeffery Hinton进行的实证研究以来，在云计算，大数据，芯片等的支持下，深度学习已成功走出实验室，开始进入商业应用，并用于机器视觉和自然语言处理. 在机器翻译，路径规划等领域取得了骄人的成绩. 不断探索新算法在深度学习应用逐渐深入的同时，学术界也在不断探索新算法. 一方面，继续深化和完善对深度学习算法的研究，例如深度强化学习，对抗生成网络，深林，图网络，转移学习等，以进一步提高深度学习的效率和准确性. 另一方面，重新审视了一些传统的机器学习算法，例如贝叶斯网络和知识图. 另外，提出了一些新的类似于大脑的智能算法，将脑科学和思维科学的一些新成果结合到神经网络算法中，形成了不同于深度学习的神经网络技术路线，例如胶囊网络. 基本数据集的建设已成为一个基本共识. 自从李菲菲等人于2009年成功创建ImageNet数据集以来，该数据集已成为行业图形和图像深度学习算法的基本数据集，通过组织竞赛大大促进了该算法. 取得的进展使得算法分类准确率达到了95％以上.

这也使一些大型研究机构和企业逐渐意识到数据的价值，并开始构建自己的数据集以进行数据挖掘和提高深度学习模型的准确性. 自然语言数据集，例如美国国家标准协会的Mugshot，谷歌的SVHN，微软的MS COCO，斯坦福大学的SQuAD，卡内基梅隆大学的Q / A数据集以及Salesforce和2000 HUB5 English，CHiME，TED- LIUM和其他语音数据集. 新的计算基础架构已逐渐成为该行业的发展目标. 由于深度学习对计算能力的需求很高，因此出现了一些特殊的计算框架和平台，例如伯克利大学的Caffe，微软的CNTK，Facebook的Torch和亚马逊的Amazon. MXNet，百度的PaddlePaddle等，尤其是Google的TensorFlow可以支持异构设备的分布式计算，其平台API功能涵盖了诸如CNN，RNN，LSTM等最受欢迎的深度神经网络模型. 除了通过计算框架软件平台进行研究和开发之外，该行业还探索了从硬件方面提高计算能力的方法. 最直接的方法是用功能更强大的GPU替换原始CPU.

此外，谷歌，IBM和其他大公司正在同时使用GPU，他们也在探索满足自己计算环境的芯片开发，从而进一步降低了成本并提高了效率，因此新型芯片具有更出色的表现. 诸如TPU的性能已经产生. . 人工智能技术发展面临的挑战尽管人工智能技术的发展取得了空前的成就，但随着深度学习技术应用的不断深入和工业化的逐步加速，人工智能技术的发展也面临着许多挑战. 深度学习的主流技术也有更大的局限性. 首先，在有限的样本和计算单元的情况下人工智能技术的展望，表达复杂功能的能力受到限制，并且其对复杂分类问题的概括能力也受到限制. 其次，深度学习是一种基于概率统计的算法. 机器系统学习的是高概率内容，而不是知识，并且不能以与人类相同的方式应用. 第三，深度学习中存在黑匣子问题，无法解释其决策的原因. 基本数据的积累仍远远不能满足模型的训练需求. 由于大数据技术的出现和使用时间不长，从数量和质量上讲，各种基础数据仍需要较长的时间来积累. 一方面，某些关键领域和学术数据集严重不足. 另一方面，现有的基础数据集不仅数据质量参差不齐，而且基本上由少数巨头或政府控制. 鉴于监管和竞争等因素，无法实现有效的流程. 缺乏基础数据使得深度学习模型的训练也导致样本库的缺乏.

计算框架和通用智能芯片尚未最终确定. 尽管已经出现了诸如TensorFlow，Caffe，CNTK，Torch，MXNet，PaddlePaddle等深度学习计算框架，但是由于许多深度学习应用程序场景，相关的应用程序仍然是零散的. 在功能或性能方面，用于实现最终应用程序的开源计算框架与实际需求之间仍然存在相当大的距离. 满足工业发展需求并具有绝对主导地位的开源计算框架尚未出现. 同时，深度学习芯片才刚刚起步，它们基本上是专有领域中的芯片. 通用智能芯片的产业化将需要很长的时间来探索. 龙源期刊人机和谐共存的网络有效途径

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-237678-1.html