毫無疑問，人工智能是高科技行業的下一個重要組成部分。由頂尖技術公司領導的研究和創新正在影響包括醫療保健、汽車、金融、製造和零售在內的行業垂直行業。儘管技術一直是這些領域的重要因素，但人工智能使技術使得將會使得它成為業務的核心。從關鍵的救生醫療設備到自動駕駛車輛，人工智能將被注入到幾乎所有的應用和設備中。
亞馬遜、蘋果、Facebook、谷歌、IBM和微軟等平臺公司正在投資人工智能的研究和開發。他們正在努力使AI更易於企業訪問。
這兒有三個重要的方面正在加速機器學習和人工智能領域的創新步伐。
下一代計算架構
傳統的微處理器和CPU不是用來處理機器學習的。即使是最快的CPU也不一定是訓練複雜ML模型的理想選擇。對於為應用程序提供智能的ML模型的訓練和推理，CPU必須輔以一個新的處理器。
由於人工智能的興起，圖形處理單元（GPU）的需求量很大。曾經被認為是高端遊戲個人電腦和工作站的一部分，現在是公共雲中最受歡迎的處理器。與CPU不同，GPU具有數千個內核，可加速ML的訓練過程。即使運行訓練有素的模型進行推理，GPU也變得至關重要。展望未來，只要有CPU，某種形式的GPU就會在那裡。從消費類設備到公共雲中的虛擬機，GPU可以說是AI的關鍵。
下一個創新採用現場可編程門陣列或FPGA的形式。這些處理器可編程，可針對特定類型的工作負載進行定製。傳統CPU專為通用計算而設計，而FPGA在製造後可在現場編程。選擇FPGA器件可用於小生境計算任務，如訓練ML模型。公有云供應商正在利用FPGA為AI提供高度優化和定製的基礎架構。
最後，公有云中裸機服務器的可用性吸引了研究人員和科學家在雲中運行高性能計算工作。這些專用的單租戶服務器可提供一流的性能。
這些創新將推動人工智能在航空航天、醫療、圖像處理、汽車和製造等領域的應用。
訪問歷史數據集
在雲成為主流之前，存儲和訪問數據的代價很高。由於雲計算 - 企業、學術界和政府曾經侷限在磁帶盒和磁盤的數據。
數據科學家需要訪問大型的歷史數據集來訓練可以更高精度預測的ML模型。 ML模型的效率與數據集的質量和大小成正比。為了解決檢測癌症或預測降雨量等複雜問題，研究人員需要具有不同數據點的大型數據集。
隨著數據存儲和檢索成本的降低，政府機構、醫療機構和大學正在向研究界提供非結構化數據。從醫學成像到歷史降雨趨勢，研究人員現在可以訪問豐富的數據集。這一因素會單獨影響到人工智能研究。
豐富的數據與高性能計算設備相結合將推動下一代人工智能解決方案。
深度神經網絡研究進展
人工智能研究在深度學習和人工神經網絡方面的第三個也是最關鍵的因素。
人工神經網絡（ANN）正在取代傳統的機器學習模型，以發展精確的模型。卷積神經網絡（CNN）為計算機視覺帶來了深度學習的力量。計算機視覺領域的一些最新進展如單發多盒檢測器（SSD）和生成敵對網絡（GAN）正在徹底改變圖像處理。例如，使用其中一些技術，可以將低光照和低分辨率拍攝的圖像和視頻提高到高清畫質。正在進行的計算機視覺研究將成為醫療、國防、交通和其他領域圖像處理的基礎。
一些新興的ML技術，如膠囊神經網絡（CapsNet）和遷移學習將從根本上改變ML模型訓練和部署的方式。即使在受限的數據訓練時，他們也能夠生成準確預測的模型。
Facebook、谷歌、IBM和微軟正在領導AI研究。 他們投資了數十億美元，使AI適用於不同行業的垂直行業。
豐富的數據集與下一代計算架構的結合使研究人員和數據科學家能夠快速創新。 這些因素將使AI成為應用程序和設備的組成部分。
閱讀更多 AI中國 的文章
