|
人工智能（简称AI）是一门前沿交叉学科，截至目前还没有统一的定义。但人工智能诞生于20世纪50年代，2012年深度学习算法通过ImageNet比赛而名声大噪，逐渐被广泛采用。2016年AlphaGo战胜围棋选手李世石，使AI备受瞩目。 2017年AI仍在进一步发展，发展较多的是在深度学习领域，AlphaGo二代技术升级为AlphaGo Zero、向深度学习进行技术升级的CTR预估等等。计算机视觉方面发展平稳，但自然语音处理方面发展缓慢需要突破。 这些都将AI推向全球关注的高点，资本的投资、政策的扶持都开启了AI的新一轮浪潮。  当前人工智能的发展主要集中在训练机器看懂图像、听懂语言、处理大数据，从而实现人机自然交互，辅助人类进行自我决策，最终达到自我决策的目的。要使机器达到这一目的，需要三个基本要素的支撑：数据、算法、算力。在这三要素中，大量的数据是机器学习的根本；算法模型则为机器学习提供了强大的动力与捷径；算力也可广义理解为计算系统，即指机器在学习的过程中需要的支持承载系统。 在互联网的大环境下，催生出了“大数据”，数据的完善与充足是人工智能发展的关键，目前数据的来源主要有三种：学术界和大公司对外开放的免费数据库；通过第三方数据供应商购买或定制数据库；自行采集或模拟数据。 算法决定了人工智能技术的兴衰。作为算法之一的深度学习是近年来发展与研究最多的领域，也引领了人工智能的三度崛起。深度学习是一种对数据进行表征学习的机器学习方法，也包含多种模型。而近年来各种理论的提出和实现都与卷积神经网络模型（CNN）密不可分，它是一种包含卷积层的神经网络模型，从1989年CNN的提出到2012年获得重大技术突破，再到2016、2017年多种变种模型的兴起，CNN在深度学习模型的发展中起到了重要的推动作用。 芯片是算力的核心，算力即广义理解的计算系统。以人工智能芯片为例，经历传统的中央处理器（CPU）、运算速度较高的图形处理器（GPU），到目前市场上备受青睐的现场可编程门阵列（FPGA）和专用集成电路（ASIC），人工智能芯片正在朝着运算速度高、体积小、能耗小、性能强的方向发展。 人工智能技术不断突破，尤其在自然语言处理、图像识别、语音识别领域取得了重大进步，由此带动人工智能技术从实验室阶段向下游应用阶段发展。人工智能技术在不同领域的发展，需要不同的深度学习模型在适应的深度学习框架上进行预训练，随后实现其在特定领域的功能。以语音识别为例，当前主流基本上都是基于深度学习的框架，基本原理都是把输入声学序列输出文本串序列，最终目的是实现通讯和交流。语音识别是最初感知层、从声学到文本转换过程，而更难的是在理解层次上。而语音识别新算法的开发则与具体的应用场景和开发场景相关联，尽量简单的实现基本影射功能，以解决更多的自由对话交流问题。 在深度学习模型CNN的基础上，发展较快的模型包括：Alexnet、Resnet、RNN、Googlenet等；目前最流行的深度学习框架包括：TensorFlow、Keras、Caffe、MXNet、Torch等。2017年发布的新结构Capsule从神经科学出发，虽然暂时并没有应用到业界，但有一定发展潜力，有望取代CNN。  纵观全球人工智能产业，美国第一、中国第二，欧洲、日本紧随其后的格局。 在研究论文的质量与数量上，美国与中国具有压倒性优势，日本难以比肩。具体地说，美国垄断了芯片，既有英伟达、微软等重量级企业，创业企业也层出不穷；中国则是在AI应用领域发展势头强劲，初创企业较多；日本则是在人工智能机器人上发展较好。 人工智能产业带动GDP增长，体现最为突出的是中国、其次为美国，日本则较为落后。中美日IT人才数量庞大，但是年均收入水平上中美明显高于日本，这也是制约日本人才培养的一方面原因。 随着人工智能技术日益渗透当前社会的方方面面，其作为未来科技发展的一个决定性领域，已在全球范围内掀起了竞争热潮。在AI技术的发展和利用上，中美日各有优势，将持续高速发展。  ▏本文作者：材料委天津院 |
|
|
