人工智能是信息時代的尖端科技，近年來的發展更是有目共睹，例如谷歌深度思維 AlphaGo系統，不僅擊敗了世界冠軍，而且使用了沒有人曾經做過的行為，而 深度學習能力方面的飛躍成為當前人工智能突飛猛進的催化劑。在過去的 5到10年，三件事發生了根本改變：
1、數據。通過分佈於全球持續增長無所不在的互相聯繫的設備、機器和系統產生的非結構化數據的數量呈現巨大的增長。擁有的數據越多，神經網絡就變得越有效率，意味著隨著數據量的增長，機器語言可以解決的問題的數量也在增長。移動手機、物聯網、低耗數據存儲的成熟和處理技術（通常在雲端）已經在數量、大小、可靠數據結構方面創造了大量的成長。例如，特斯拉至今已經蒐集了 780mn英里的駕駛數據，並且每 10 小時通過它連接的汽車增加百萬公里的數據。Jasper（2016 年2 月被思科以 14億美元收購）擁有一個平臺驅動機器和機器的溝通，服務於多種汽車製造商和電話公司。Verizon在8月進行了一次類似的投資，宣佈收購 Fleetmatics，它通過快速增長的無線網絡，連接運輸工具上的遠程傳感器到雲端軟件。5G 的首次展示將最適當地加速數據可被獲取和轉移的機率。根據 IDC 的數字領域報告，到2020年，每年數據量將達到44ZB（萬億G），5年內年複合增長率達到141%，暗示我們剛開始看到這些科技可以達到的應用場景。
2、更快的硬件。GPU 的再次使用、低成本計算能力的普遍化，特別是通過雲服務，以及建立新的神經網絡模型，已經極大的增加了神經網絡產生結果的速度與準確率。GPU 和並行架構要比傳統的基於數據中心架構的 CPU 能更快的訓練機器學習系統。通過使用圖像芯片，網絡能更快的迭代，能在短期內進行更準確的訓練。同時，特製硅的發展，比如微軟和百度使用的 FPGA，能夠用訓練出的深度學習系統做更快的推斷。另外，從1993 年開始超級計算機的原計算能力有了極大發展（圖2）。在2016 年，單張英偉達遊戲顯卡就有了類似於2002年之前最強大的超級計算機擁有的計算能力。成本也有了極大的降低。英偉達GPU（GTX 1080）有9 TFLOPS 的性能，只要 700 美元，意味著每 GFLOPS 只要8 美分。在1961 年，要提供1GFLOPS，需要足夠多的 IBM 1620s 串聯在一起，計算下來費用要超過 9萬億美元（根據通貨膨脹調整）。
3、更好、更普遍可用的算法。更好的輸入（計算和數據）使得更多的研發是面向算法，從而支持深度學習的使用。例如伯克利的Caffe、谷歌的 TensorFlow 和Torch 這樣的開源框架。比如，剛開源一週年的 ensorFlow，已經成為最大的開發人員協作網站GitHub 上最多分支（或活動）的框架。雖然不是所有的人工智能都發生於普遍可用的開源框架中，但開源確實在加速發展，而且也有更多先進的工具正在開源。
“也思集成”由也思（常州）系統集成有限公司運營，專注於智能製造領域技術與知識分享。
閱讀更多 也思集成 的文章
