毫无疑问，人工智能是高科技行业的下一个重要组成部分。由顶尖技术公司领导的研究和创新正在影响包括医疗保健、汽车、金融、制造和零售在内的行业垂直行业。尽管技术一直是这些领域的重要因素，但人工智能使技术使得将会使得它成为业务的核心。从关键的救生医疗设备到自动驾驶车辆，人工智能将被注入到几乎所有的应用和设备中。
亚马逊、苹果、Facebook、谷歌、IBM和微软等平台公司正在投资人工智能的研究和开发。他们正在努力使AI更易于企业访问。
这儿有三个重要的方面正在加速机器学习和人工智能领域的创新步伐。
下一代计算架构
传统的微处理器和CPU不是用来处理机器学习的。即使是最快的CPU也不一定是训练复杂ML模型的理想选择。对于为应用程序提供智能的ML模型的训练和推理，CPU必须辅以一个新的处理器。
由于人工智能的兴起，图形处理单元（GPU）的需求量很大。曾经被认为是高端游戏个人电脑和工作站的一部分，现在是公共云中最受欢迎的处理器。与CPU不同，GPU具有数千个内核，可加速ML的训练过程。即使运行训练有素的模型进行推理，GPU也变得至关重要。展望未来，只要有CPU，某种形式的GPU就会在那里。从消费类设备到公共云中的虚拟机，GPU可以说是AI的关键。
下一个创新采用现场可编程门阵列或FPGA的形式。这些处理器可编程，可针对特定类型的工作负载进行定制。传统CPU专为通用计算而设计，而FPGA在制造后可在现场编程。选择FPGA器件可用于小生境计算任务，如训练ML模型。公有云供应商正在利用FPGA为AI提供高度优化和定制的基础架构。
最后，公有云中裸机服务器的可用性吸引了研究人员和科学家在云中运行高性能计算工作。这些专用的单租户服务器可提供一流的性能。
这些创新将推动人工智能在航空航天、医疗、图像处理、汽车和制造等领域的应用。
访问历史数据集
在云成为主流之前，存储和访问数据的代价很高。由于云计算 - 企业、学术界和政府曾经局限在磁带盒和磁盘的数据。
数据科学家需要访问大型的历史数据集来训练可以更高精度预测的ML模型。 ML模型的效率与数据集的质量和大小成正比。为了解决检测癌症或预测降雨量等复杂问题，研究人员需要具有不同数据点的大型数据集。
随着数据存储和检索成本的降低，政府机构、医疗机构和大学正在向研究界提供非结构化数据。从医学成像到历史降雨趋势，研究人员现在可以访问丰富的数据集。这一因素会单独影响到人工智能研究。
丰富的数据与高性能计算设备相结合将推动下一代人工智能解决方案。
深度神经网络研究进展
人工智能研究在深度学习和人工神经网络方面的第三个也是最关键的因素。
人工神经网络（ANN）正在取代传统的机器学习模型，以发展精确的模型。卷积神经网络（CNN）为计算机视觉带来了深度学习的力量。计算机视觉领域的一些最新进展如单发多盒检测器（SSD）和生成敌对网络（GAN）正在彻底改变图像处理。例如，使用其中一些技术，可以将低光照和低分辨率拍摄的图像和视频提高到高清画质。正在进行的计算机视觉研究将成为医疗、国防、交通和其他领域图像处理的基础。
一些新兴的ML技术，如胶囊神经网络（CapsNet）和迁移学习将从根本上改变ML模型训练和部署的方式。即使在受限的数据训练时，他们也能够生成准确预测的模型。
Facebook、谷歌、IBM和微软正在领导AI研究。 他们投资了数十亿美元，使AI适用于不同行业的垂直行业。
丰富的数据集与下一代计算架构的结合使研究人员和数据科学家能够快速创新。 这些因素将使AI成为应用程序和设备的组成部分。
閱讀更多 AI中國 的文章
