7 人工智能人工智能前沿技术应用趋势与发展展望.docxVIP

【人工智能】人工智能前沿技术使用趋势与进展展望 2020-04-17 原文 以下文章来源于工信头条 ，作者何宝宏 徐贵宝 HYPERLINK 工信头条 《中国工业和信息化》（工信头条）由工业和信息化部主管、中国电子信息产业进展争辩院主办，是中国工业领域的高端产经评论媒体，秉承“思想才是力气之源”的办刊理念，坚持“探究转型之道，求解变革之理”的办刊宗旨，努力为工业经济决策者服务。 随着深度学习技术在智能驾驶、才智金融、智能制造、才智农业、才智医疗、智能家居等领域的逐渐使用，作为引领这一轮科技革命和产业变革的战略性技术，人工智能的产业化已经取得了显著的效果，显示出带动性很强的“头雁”效应。中国、美国、英国、德国、法国、日本等次要国家都纷纷将人工智能上升为国家级战略，乐观抢占人工智能竞争的制高点。我国还进一步强调要加强人工智能领域前沿技术规划，支持科学家勇闯人工智能科技前沿的“无人区”。 现阶段人工智能技术进展特点 经受了60多年的进展之后，人工智能已经开头走出试验室，进入到了产业化阶段。具体表现出以下几个方面的特点： 深度学习技术渐渐在各领域开头使用 深度学习通过构建多隐层模型和海量训练数据，来学习更有用的特征，最终提升分析精确?????性。深度学习能够通过数据挖掘进行海量数据处理，自动学习数据特征，尤其适用于包含少量未标识数据的大数据集；接受层次网络结构进行逐层特征变换，将样本的特征表示变换到一个新的特征空间，从而使分类或猜测愈加简约。因此，深度学习自2006年由Jeffery Hinton实证以来，在云计算、大数据和芯片等的支持下，已经成功地从试验室中走出来，开头进入到了商业使用，并在机器视觉、自然言语处理、机器翻译、路径规划等领域取得了令人注目的成果。 新型算法不断探究 在深度学习使用逐渐深化的同时，学术界也在连续探究新的算法。 一方面，连续深度学习算法的深化和改善争辩，如深度强化学习、对抗式生成网络、深度森林、图网络、迁移学习等，以进一步提高深度学习的效率和精确?????率。 另一方面，一些传统的机器学习算法重新遭到注重，如贝叶斯网络、学问图谱等。 另外，还有一些新的类脑智能算法提出来，将脑科学与思维科学的一些新的成果结合到神经网络算法之中，构成不同于深度学习的神经网络技术路线，如胶囊网络等。 基础数据集建设已经成为基本共识 自从李飞飞等在2009年成功创建ImageNet数据集以来，该数据集就已经成为了业界图形图像深度学习算法的基础数据集，通过举办竞赛等方式极大地促进了算法的进步，使得算法分类精度已经达到了95%以上。这也使得一些大型争辩机构和企业渐渐生疏到了数据的价值，纷纷开头建立本人的数据集，以便进行数据挖掘和提升深度学习模型的精确?????率。如： 美国国家标准争辩院的Mugshot、 谷歌的SVHN、 微软的MS COCO等图像基础数据集， 斯坦福高校的SQuAD、 卡耐基梅隆高校的Q/A Dataset、 Salesforce的WikiText等自然言语数据集 以及2000 HUB5 English、 CHiME、TED-LIUM等语音数据集。 新型计算基础设备间续成为产业界进展目标 由于深度学习对算力有较高的需求，因此相继消灭了一些特地的计算框架和平台，如伯克利高校的Caffe、微软的CNTK、Facebook的Torch、亚马逊的MXNet、百度的 PaddlePaddle等，尤其是谷歌的TensorFlow能够支持异构设备的分布式计算，其平台API力量已经掩盖了CNN、RNN、LSTM等当前最流行的深度神经网络模型。除了从计算框架软件平台进行研发之外，产业界同时也从硬件方面探究计算力量的提升方法。最为直接的方法就是接受计算力量更强的GPU替代原有的CPU等。此外，谷歌、IBM等一些大型企业在大量接受GPU的同时，也在探究进行符合本身计算环境的芯片研发，从而进一步降低成本、提高效率，因此产生了TPU等功能愈加杰出的新型芯片。 人工智能技术进展面临的挑战 虽然人工智能技术进展已经取得了史无前例的成果，但随着深度学习技术使用的不断深化和产业化步伐的逐渐加快，人工智能技术进展也面临着不少挑战。 主流技术深度学习还具有较大局限性 一是在无限样本和计算单元的情况下，对简单函数的表示力量无限，其针对简单分类问题的泛化力量受限。 二是通过深度学习是一种基于概率统计的算法，机器系统学习到的是或许率内容，不是学问，无法像人类一样进行举一反三的使用。 三是深度学习存在黑箱问题，不能解释其本身做出决策的缘由。 基础数据积累还远远不能满足模型训练需要 由于大数据技术的消灭和使用时间还不长，各类基础数据不论从数量上还是从质量上来看，都尚需要较长时间的积累。一方面，某些关键领域和学术数据集还严峻不足。另一方