M―ICT应用发展趋势及其关键技术分析.docVIP

　　M―ICT应用发展趋势及其关键技术分析 云计算和大数据等技术领域深度融合，呈现出3个方面的技术趋势： 　　（1）人工智能带来的服务智能化与智慧化。在高性能计算、存储、大数据和网络技术迅猛发展的基础之上，人工智能技术重新焕发出生命力，带来了M-ICT应用与服务的智能化、智慧化。 　　（2）以区块链为特征的去中心化。以区块链技术为代表的互联网分布式数据技术，用于M-ICT应用分布式构建，并提供去中心化的安全可信服务，解决了互联网环境交易信任的难题。 　　（3）万物互联化。4G网络的商用部署和5G网络的逐步推进，使得万物互联成为现实，带来更高的带宽、更低的功耗、更低的时延，催生大量万物互联下的ICT新应用、新服务、新形态，泛在的ICT应用服务可满足用户随时随地、方便快捷、个性化的消费，也将对ICT应用架构带来深刻的影响。 　　1 人工智能及ICT应用的智能化 　　人工智能从功能上可分为计算智能、感知智能和认知智能，近些年人工智能的大发展是大数据、云计算和算法改进的共同作用。 　　1.1 计算智能的发展趋势分析 　　计算智能作为基础通用性技术引擎，包含分布式计算与存贮、神经网络、分布式机器学习算法与模型、智能调度引擎和智能硬件加速等。计算智能近年有了较大进展，有如下所述的主要表现。 　　（1）大数据[1]、云计算、硬件加速是计算智能的基础支撑。大数据可揭示未知的关联性或者规律，是人工智能的信息载体，而云计算则提供了充足的分布式计算和存储能力。大数据与云计算的结合是机器学习技术在近年得到飞速发展的推动力，再加上智能加速硬件的发展（如图像处理器（GPU）和现场可编程逻辑门阵列（FPGA）芯片[2]），共同推动人工智能从理论走向实际应用。 　　（2）机器学习特别是深度学习是计算智能取得长足进步的加速器[3]。机器学习以计算模式划分，包含传统的单机版机器学习（如开源的R、Python、ahout、RHadoop等），以及目前热门的开源框架（如Caffe、TensorFlow等）。以算法类型划分，包含基础应用中的监督学习、非监督学习、半监督学习，又包含高级应用中的深度学习、强化学习、集成学习、迁移学习等。目前深度学习的典型算法在图像、语音取得突破性进展，但是需要大量的人工标注数据。 　　综上所述，能够得到如下结论。 　　（1）深度学习是当前业界热点，但传统机器学习仍将占有一席之地。一方面，在金融、电信等传统领域既需要提供高精度的模式识别/预测结论，又需要模型变量的清晰可控，所以传统机器学习/统计科学方法仍有很大空间；另一方面，基于集成学习、增量学习的机器学习方法往往具有更好的鲁棒性和更经济的使用成本。 　　（2）迁移学习和深度强化学习是未来机器学习研究和应用的重要方向。迁移学习能够让我们把大数据得到的模型迁移到小数据上面，是在较小人工监督代价下进行机器学习的一种新策略；而强化学习在AlphaGo成功后重获业界关注，在游戏、多轮语义对话、机器人的运动规划和避障等中有广阔的应用前景。 　　（3）智能调度是计算智能中大规模数据训练与上线的服务保证。智能调度需要根据数据形态、算法实现、模型构建，自动选择合适的并行计算框架及相应算法/模型，实现最优在线服务。人工智能的模型训练需要进行若干次的实验才能达到最佳效果，而且在模型训练过程需要提供中间结果的可视化展示与应用效果评估，考虑如何快速进行自动的超参数优化等。 　　1.2 感知智能的发展趋势分析 　　感知智能的目标是让机器能听懂人类的语言，看懂世间万象，典型的如自动语音识别和图像识别。感知智能是人工智能的基石，也是目前产业化前景最为看好的技术，其技术全貌如图1所示。 　　随着传感器技术的进步，一些新的传感器也涌现出来，如深度摄像头等。这些传感器不断地产生和收集多种类型的海量数据，为感知智能的发展奠定了数据基础。 　　算法是感知智能计算的核心，从应用的领域可以分为几何理解、语义理解和意图理解三大领域。 　　?几何理解指根据视觉信息恢复环境的几何信息，并可以对目标进行准确定位和跟踪，输出6个自由度的空间位置信息； 　　?语义理解是对图片或者视频中的目标进行识别和分析，并输出结构化的有明确语义的信息； 　　?意图理解是指对交互意图的理解，目前成熟度最高是语音识别技术，除此之外，姿态手势和情感也是重要的交互手段，在游戏中得到了初步应用。 　　感知智能，特别是语音识别、人脸识别近年取得了很大突破，主要依赖于深度学习的蓬勃发展[4-5]。深度学习取得成功，首先是因为大数据在很大程度上缓解了训练过拟合的问题，其次在于飞速发展的计算机硬件所提供的强大计算能力，使得训练大规模神经网络成为可能。此外，神经网络的模型设计和训练方法也取得了长足进步，非监督和逐层的预训练等训练方法能加