Ict AI白皮书:从技术学校到应用趋势的硬核和干

日期:2019-03-06 20:07

人工智能的战略重要性不仅吸引了科技巨头和资本的疯狂投资,养活了大量初创企业,还赢得了各国的顶级支持。。 继去年7月发布“新一代人工智能发展计划”和例如,Facebook和微软联合开发了一个可互换的人工智能软件框架解决方案1月发布第一批国家人工智能开放式创新平台之后,工业和信息技术部周三宣布了各种软件框架之间的模型转移和交换技术的研究和开发已经成为焦点018年人工智能与实体经济深度融合的创新项目清单(涵盖106个项目谷歌和其他公司之间的持续竞争。

中国信息与通信研究所和中国人工智能产业发展协会关于人工智能发展(技术框架)的白皮书从产业发展的角度分析了技术的现状、问题和趋势,并对智能语音、语义理解、计算机视觉等相关应用进行了评估。。

以下是智能内主管招商部参考分类提供的干货:

让机器实现人类智能一直是人工智能学者的目标。 不同学术背景或应用领域的学者从不同的角度和方法以不同的方式探索智力。。 其中,象征主义、连接主义和行为主义是人工智能发展史上的三大技术流派。。

象征主义

象征主义,也称为逻辑主义,在人工智能的早期占主导地位。。

这个学派认为人工智能起源于数学逻辑。 其实质是模拟人类抽象的逻辑思维,用符号来描述人类的认知过程深度学习技术系统概述 早期的研究思想是通过基本的推理步骤寻求一个完整的解决方案,逻辑理论家和几何定理证明者出现了。主要制造商已经做出巨大努力来构建算法模型工具库,并将它们打包到软件框架中供开发者使用

20世纪70年代出现了大量专家系统,将领域知识和逻辑推理结合起来,将人工智能应用到工程应用中目前,行业巨头基本上都是基于自己的技术系统培训和推理软件随着人工智能应用的爆炸,开发人员在不同平台上创建模型和部署模型的需求变得越来越强烈 PC的出现和专家系统的高成本已经通过连接主义逐渐取代了符号学派在人工智能领域的主导地位以Keras为例,它是一个基于TensorFlow、茶诺、CNTK、MXNet和Gluon的高级开源神经网络库,由于其高级API易用性而被广泛使用目前,人工智能网络对单个计算节点的计算能力要求太高,但是当前主流开源软件框架并没有实现模型分割的计算,随着应用场景的不断丰富,这个问题将继续引起关注,成为开源软件框架的下一个核心竞争点

联结主义

连接主义,也称为仿生学派,目前占主导地位。 该学派认为人工智能起源于仿生学,应该通过工程技术模拟人脑神经系统的结构和功能深度学习的两个表现规范ONNX由微软和Facebook联合发布

连接主义可以追溯到麦卡洛克和皮茨在19在实际工程中。年建立的大脑模型。 由于理论模型、生物原型和技术条件的限制,它在20世纪70年代陷入低谷总的来说,人工智能计算芯片的开发过程可以概括为如何有效解决存储和计算单元升级的两个问题,而成本问题作为舵手控制着最终的过程在深度学习培训过程中,除了使用CPU或GPU (深度学习培训的首选)执行操作外,现场可编程门阵列( FPGA )和专用集成电路( ASIC )也发挥着重要作用

直到Hopfield 1982年提出的Hopfield神经网络模型和Rummelhardt等人提出的反向传播算法基于深度学习的人工智能技术的核心在于通过计算找出数据中的规律,并利用这些规律来预测和决定具体的任务 1986年,神经网络的理论研究取得了突破目前,人工智能的基本数据类型主要包括语音语言(包括语音、文本、语言规则)、图像识别(包括自然物体、自然环境、人工物体、生物特征等)。

2006年,连接主义领袖辛顿提出了一种深度学习算法,这大大提高了神经网络的能力已经发布的智能语音技术应用包括智能扬声器(智能家庭设备的入口)、个人智能语音助理(个性化应用的集成)和API形式的智能语音服务,涵盖智能客户服务、教育/口头评估、医疗/电子病历、金融/商业管理、安全保护、法律、个人移动电话、自动驾驶和辅助驾驶、传统家用电器、智能家庭和其他应用自然语言处理 2012年,使用深度学习技术的AlexNet模型在ImageNet竞赛中获得冠军。。

行为主义

随着AlphaGo的突破,行为主义,也称为进化论,近年来受到广泛关注基于技术和工业的发展现状,ICOM总结了以下五个趋势:同时,它也为深度学习模型的解释提供了一种方法,为深度学习算法模型的可靠性和不可解释性提供了理论工具

该学派认为人工智能起源于控制论,智能行为的基础是“感知-行动”的反应机制,因此智能不需要知识表示或推理深度学习培训的软件框架将逐渐融合,开源推理软件框架将迎来一个黄金发展时期。 智力只在与环境的互动中表现出来人工智能计算芯片向云侧和终端侧发展 需要不同的行为模块来与环境交互,以生成复杂的行为从终端侧计算芯片的角度来看,这些芯片将面临特定的要求,例如功耗、延迟、计算能力、特定的m。

在人工智能的发展中,象征主义、连接主义和行为主义等流派不仅在各自的领域取得了成果,而且逐渐走向了相互借鉴和融合的道路版权属于原作者 特别是,将连接主义技术引入行为主义意识形态,催生了深度强化学习技术,这已经成为AlphaGo战胜李诗时背后最重要的技术手段

可以说,这一轮人工智能的发展是在大数据环境和计算能力大幅提高的基础上,通过深入学习推动的

深度学习被称为深度神经网络,它本质上是一种多层次的人工神经网络算法,即从结构上模拟人脑的运行机制,从最基本的单元上模拟人脑的运行机制。目前,深入学习。

推理是指使用训练有素的模型和数据来判断“推断”各种结论。

随着大数据时代的到来和各种更强大的计算设备如图形处理单元( GPU )的发展,深入学习可以充分利用大量数据(标记数据、弱标记数据或未标记数据)来自动学习抽象的知识表达,也就是说,将原始数据浓缩成一定的知识。基于深度学习的人工智能技术体系结构。目前,基于深度学习的人工智能算法主要通过计算机技术架构来实现。

深度学习算法被打包到软件框架中供开发者使用。

软件框架是整个技术系统的核心,它实现了人工智能算法的封装、数据调用和计算资源的调度。为了提高算法实现的效率,它的编译器和底层硬件技术也得到了优化。

人工智能算法的设计逻辑可以从三个维度来概括:“要学习什么”(表示要完成的任务的功能模型)、“如何学习”(通过不断减少功能模型结果和实际结果之间的误差来达到学习目的)和“该做什么”(回归、分类和聚类这三项基本任务)。人工智能中主要算法的分类。

近年来,随着人工智能算法在许多领域的突破,相关算法的理论研究不断加强,出现了胶囊网络、发电对抗网络、转移学习等新算法

也不断有人提出。

人工智能新算法。下面将概述围绕深度学习的五个技术方面的现状和发展趋势。

如前所述,软件框架是整个技术系统和算法工程实现的核心

目前,人工智能的基本算法已经变得更加成熟。

。。企业软件框架的实现有两种形式:封闭源码和开放源码。少数企业,如苹果,选择封闭源码开发软件框架,以制造技术壁垒。

一个框架,以开源深度学习软件框架为核心,创建开发和使用生态核心。人工智能开源平台的比较(引用招商证券)。 一般来说,开源软件框架在模型库构建和调用功能方面有着非常共同的特点,但同时每个都有自己的特点
。目前,该行业有两大类:深度学习和培训软件框架( TensorFlow、MXNet等)。

)和推理软件框架( Caffe2go等)

) )。当前开源软件框架的技术发展呈现出以下特点:。1。)。

这些大公司将积极探索技术联盟,包括模型交换和模型迁移,以对抗谷歌

1。。。2。开源软件框架正朝着统一和标准化的方向发展。

2。。。3。高级API逐渐占据主导地位。

3。4。该模型的集群并发计算已经成为业界研究的热点。

4。第一个原因是便携性问题。每个软件框架的底层实现技术是不同的,这使得很难转换在不同软件框架下开发的模型。

其次,适应性问题,软件框架开发者和计算芯片制造商需要确保软件框架和底层计算芯片之间的良好适应性。

编译器解决软件和硬件自适应问题。解决上述两个挑战的关键技术之一是深度神经网络模型编译器,它在传统编译器功能的基础上,扩展了深度学习网络模型计算的专用功能,以解决将深度学习模型部署到各种设备时可能存在的适应性和可移植性问题。 。。

深度学习网络模型的规范分为两个阵营

第一个阵营是开放式神经网络交换( ONNX ),这是表示深度学习模型的标准,允许模型在不同的软件框架之间转移。

目前,该系统支持的软件框架主要包括Caffe2、PyTorch、认知工具包和MXNet,而谷歌的TensorFlow不包括在内

。。

第二个阵营是中立网络交换格式( NNEF ),这是Khronos Group领导的跨供应商神经网络文件格式。它计划支持几乎所有人工智能软件框架的模型格式转换,包括Torch、Caffe、TensorFlow等。目前,已有30多家计算芯片企业参与其中。

现有的深度神经网络需要更短的时间和更低的功耗来完成计算,这对深度学习计算芯片提出了更高的要求。首先,计算芯片和存储器之间的大量数据通信需求,包括大的高速缓存和存储器,以及计算单元和存储器之间的大数据交互带宽;第二是专用计算能力的提高,它解决了卷积、剩余网络、全连接和其他计算类型的大量计算需求,同时降低了功耗。。。

。。人工智能计算芯片分类。

然而,ASIC是用于终端推理的主要计算芯片。

源数据只能在收集和标记等处理后使用,标记的数据形成相应的数据集。 业务类型主要包括数据收集、数据处理、数据存储和数据交易。人工智能数据集的参与者。

)和视频识别。从世界范围来看,数据服务提供商的总部主要位于美国、欧洲和其他发达国家。

然而,其大多数数据处理人员分布在第三世界国家

中国的声音和图像资源企业正处于快速发展阶段,为工业发展增添了动力。。。计算和服务平台的迅速崛起。深度学习使用性能优异的GPU计算,这催生了各种GPU服务器,并推动了GPU服务器的快速发展。 与此同时,它还推动了以服务形式提供人工智能的能力,如深度学习计算平台,以及语音识别、人脸识别和其他服务,这已经成为人工智能企业创造生态的重要起点。

一方面,服务器制造商相继推出了专门为人工智能设计并配备GPU的服务器,这些服务器应用于视频编解码、深度学习、科学计算等各种场景

优化人工智能云场景的灵活性配置能力,从而提高PCI-E拓扑和数量比的灵活性,增加计算需求。 。。

计算机视觉。一般来说,计算机视觉主要分为四个基本任务:图像分类、目标检测、目标跟踪和图像分割。

目前,作为人工智能的基本应用技术,计算机视觉识别已经达到商业应用的水平,并被用于身份识别、医疗辅助诊断、自动驾驶等场景。

。。计算机视觉的三个热点。在政策指导、技术创新、资本追求和消费者需求的驱动下,基于深度学习的计算机视觉应用不断成熟,出现了三个热门应用方向:人脸识别、视频结构化和手势识别。

自然语言处理( NLP )是一种研究人类语言计算机处理的技术

这是机器理解和解释人类书写和说话方式的能力。这也是人工智能最初发展的起点,也是目前关注的焦点。

自然语言处理的主要步骤包括分词、词汇分析、语法分析、语义分析等。

其应用方向主要包括文本分类和聚类、信息检索和过滤、信息提取、问答系统、机器翻译等

。。

人工智能这个矿井还远没有被挖掘出来,还有很多问题有待解决。

一方面,深度学习算法模型存在可靠性和不可解释性问题,因此存在无法控制结果的隐患

另一方面,当前的数据环境不够完善,存在流通不畅、数据质量不均衡和缺少关键数据集等问题。

此外,据推断,软件框架的质量参差不齐,这限制了业务的发展。编译器缺乏统一的中间表示层标准,需要形成云和侧面AI芯片的市场模式。。。

迁移学习的研究和应用将成为一个重要的方向。转移学习侧重于深度学习中的知识转移和参数转移的研究,这可以有效提高深度学习模型的可重用性。

。。

。。 随着人工智能应用在生产和生活中的不断深入整合,对推断软件框架的功能和性能的需求将逐渐激增,催生大量相关工具和开源推断软件框架,降低人工智能应用的部署门槛。

关于中间表示层的争论将会加剧。对于以计算模型为核心的深入学习应用程序,由于跨软件框架系统的开发和部署需要大量资源,因此行业迫切需要统一模型的底层表示,中间表示层将成为相关企业未来的重点。

从云端计算芯片的角度来看,GPU目前占据了市场的主导地位,以TPU为代表的ASIC仅在巨擘的闭环中使用

生态学:未来,GPU、TPU和其他计算芯片将成为支持人工智能操作的主要设备

他们将长期竞争和共存,并且可以在一定程度上相互合作。预计数据中心的CPU+FPGA将有效补充FPGA。

毫无疑问高德娱乐,人工智能泡沫确实存在,但是人工智能的黎明一定会到来。

这篇文章的来源和出处已经标明。

如果有侵权行为,请联系我们。

。。


。。 。。


。。。。

。。。