【人工智能】人工智能前沿技术应用趋势与发展展望.pdfVIP

【人工智能】人工智能前沿技术应用趋势与发展展望

随着深度学习技术在智能驾驶、智慧金融、智能制造、智慧农业、

智慧医疗、智能家居等领域的逐步应用，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、

日本等主要国家都纷纷将人工智能上升为国家级战略，积极抢占人工

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

布局，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发展特点

经历了60多年的发展之后，人工智能已经开始走出实验室，进入

到了产业化阶段。具体表现出以下几个方面的特点：

深度学习技术逐渐在各领域开始应用

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，最终提升分析准确性。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；采用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，从而使分类或预测更加容易。因此，深度学习

自2006年由JefferyHinton实证以来，在云计算、大数据和芯片等

的支持下，已经成功地从实验室中走出来，开始进入到了商业应用，

并在机器视觉、自然语言处理、机器翻译、路径规划等领域取得了令

人瞩目的成绩。

新型算法不断探索

在深度学习应用逐步深入的同时，学术界也在继续探索新的算法。

1.一方面，继续深度学习算法的深化和改善研究，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准确率。

2.另一方面，一些传统的机器学习算法重新受到重视，如贝叶斯

网络、知识图谱等。

3.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，形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

办比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。这也使得一些大型研究机构和企业逐渐认识到了数据的

价值，纷纷开始建立自己的数据集，以便进行数据挖掘和提升深度学

习模型的准确率。如：

美国国家标准研究院的Mugshot、

谷歌的SVHN、

微软的MSCOCO等图像基础数据集，

斯坦福大学的SQuAD、

卡耐基梅隆大学的Q/ADataset、

Salesforce的WikiText等自然语言数据集

以及2000HUB5English、

CHiME、TED-LIUM等语音数据集。

新型计算基础设施陆续成为产业界发展目标

由于深度学习对算力有较高的需求，因此相继出现了一些专门的

计算框架和平台，如伯克利大学的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能力已经

覆盖了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索计

算能力的提升方法。最为直接的方法就是采用计算能力更强的GPU替

代原有的CPU等。此外，谷歌、IBM等一些大型企业在大量采用GPU

的同时，也在探索进行符合自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等性能更加卓越的新型芯片。

人工智能技术发展面临的挑战

虽然人工智能技术发展已经取得了前所未有的成绩，但随着深度

学习技术应用的不断深化和产业化步伐的逐步加快，人工智能技术发

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

1.一是在有限样本和计算单元的情况下，对复杂