范文一:转 人工智能的未来发展趋势
转 人工智能的未来发展趋势
人类自古以来就幻想制造出代替人类工作的机器。英语中Robert一词就来自捷克作家卡雷尔?查培克(Karel Caprk)写于1920年的一部名为《罗莎姆万能罗伯特公司(Rossum's Universal Roberts)》的科幻剧。该剧描写了一批听命于人,进行各种日常劳动的人形机器。然而在电子计算机(1946年)出现之前,人工智能只是幻想,无法成为现实。那么现代意义下的人工智能指的是什么呢?
(一)人工智能的概念
人工智能(Artificial Intelligence,简称AI)是一门由计算机科学,控制论,信息论,神经生理学,心理学,语言学等多种学科互相渗透而发展起来的综合性交叉学科。人工智能有着若干种不同的定义,就其本质而言,我们可以认为人工智能是一门研究如何制造出人造的智能机器或智能系统,来模拟人类智能活动的能力,以延伸人类智能的科学。
什么样的系统具有"智能"呢?著名计算机科学家阿兰?图灵(Alan Turing)于1950年在一篇题为"计算机和智力"的论文中,提出了著名的"图灵测试",以测试一个计算机系统是否具有智能。设想一台计算机和一个人类志愿者分别在两个房间里,一个人类提问者试图通过提问来判断哪个房间里是计算机哪个房间里是志愿者,如果提问者在一系列这种测试中,不能准确判定出谁是计算机谁是人,则说明该计算机通过了图灵测试,具有了图灵测试意义下的"智能"。
但有些学者认为,机器的这种智能与人类的智能差之甚远,因为无论这台机器多么"聪明",它不可能具备与人一样的常识,一样的语音,语调和情感。还有人认为,这种测试对计算机并不公平,因为计算机除了要模仿人类的聪明之外,也应该模拟人类的不足,一旦出现与人类不相匹配的举动,都会被提问者立刻识别出来。因此,图灵测试完全是从机器是否很好地模拟人地角度进行测试的,离真正的智能还差得很远。人工智能之路任重道远。
(二)人工智能发展简史
1956年,在美国Dartmouth大学的一次历史性聚会被认为是人工智能科学正式诞生的标志,当时四位年轻的学者J.McCarthy(现斯坦福大学教授),M.Minsky(现MIT教授),N.Lochester(IBM公司信息研究中心负责人)和C.Shannon(贝尔实验室研究员)共同组织召开了用机器模拟人类智能的暑期专题研讨会,历时两个月。会议邀请了包括数学,神经生理学,精神病学,心理学,信息论和计算机科学等领域的10名学者参加,科学家们根据不同学科背景,从不同角度出发,强调了各自的研究重点,但都汇聚到探讨人类智能活动的表现形式和认知规律上来,并借用数理逻辑和计算机的成果,提供关于形式化计算和处理的理论,模拟人类某些智能行为的基本方法和技术,构造具有一定智能的人工系统,让计算机去完成以往需要人的智力才能胜任的工作。会议上,J.McCarthy提议用Artificial Intelligence作为这一交叉学科的名称,从而开创了人工智能这一研究领域。因此,有人把J.McCarthy称为"人工智能"之父。
从此之后,人工智能科学蓬勃发展,但其发展过程却是起伏跌宕,并不平坦。1957年,一个被称为逻辑理论机的数学定理证明程序编制成功。1959年,J.McCarthy发明的表处理语言LISP,成为人工智能程序设计的主要语言。
1968年,第一个专家系统DENDRAL研制成功,用于质谱仪分析有机化合物的分子结构,之后又相继开发了许多专家系统,专家系统可以说是人工智能走向实际应用最引人注目的课题。1977年,Feigenbaum提出了知识工程的研究方向,导致了对专家系统和知识库系统更深入的研究和工作。这一时期学术交流的发展对人工智能的研究也有很大的推动。1969年,国际人工智能联合会议召开,此后每两年一次,成为人工智能界最高级别学术盛会。1970年,《International Journal of AI》创刊,成为国际最高级别的人工智能学术期刊。但70年代中期以后,人工智能陷入低潮。80年代初,日本开始"第五代智能计算机"的研制,试图突破"冯?诺依曼"体系结构,没有成功。80年代中期开始,有关人工神经元网络的研究取得突破性进展,Hopfield提出了一种全新的全互连的神经元网络模型,Rumeller提出了反向传播的BP算法,掀起了新的人工神经元网络研究热潮,直至今日。
(三)人工智能的研究途径及主要方法
目前研究人工智能主要有两条途径。一条是从大脑的神经元模型着手研究,搞清大脑信息处理过程的机理,可是现阶段人脑的物理模拟实验还很困难,但这应当是人工智能长远的研究目标;另一条是基于计算机程序的运行,从效果上达到和人类智能行为相类似的活动过程,这个观点比较实际。在人工智能50年的研究过程中,围绕人工智能的基础理论和方法问题,出现了3个主要学派:
1.符号主义。这一学派认为人的认知基元是符号,认知过程即符号操作过程。人是一个物理符号系统,计算机也是一个物理符号系统。因此,能够用计算机来模拟人的智能行为。知识是信息的一种形式,是构成智能的基础。人工智能的核心问题是知识表示,知识推理和知识运用。
2.连接主义。这一学派认为人的思维基元是神经元,而不是符号,对物理符号系统假设提出了异议。连接主义的大脑工作模式,是用大量的,分层的,并行方式工作的人工神经元连接成的网络去模拟人脑。
3.行为主义。这一学派认为智能取决于感知和行动,提出智能行为的"感知--动作"模式。智能未必需要知识,知识表示和知识推理。智能行为可以通过现实世界与周围环境的交互作用而表现出来。
以上三种人工智能学派将长期共存与合作,取长补短,走向融合和集成,为人工智能的发展做出贡献。
(四)人工智能得主要课题
当前人工智能仍处在蓬勃发展当中,主要有以下几个应用领域:
1.自然语言理解。目前人机交互几乎还只能通过各种非自然语言,因此解决计算机如何理解人类自然语言具有重要得意义。
2.专家咨询系统。该智能系统存储有某个专门领域中的,经事先总结出来的,并按某种格式表示的专家知识,且拥有类似于专家解决实际问题的推理机制。
3.定理证明。数学定理的证明,不仅需要有根据假设进行演绎的能力,而且需要某些直觉的技巧。"四色着图猜想"的获证堪称机器证明定理的典范,美
国两位科学家在两台计算机上,用时1200个小时,经过100亿次判断,终于完成了四色定理的证明,解决了这道有100多年历史的难题。
4.博弈。博弈在人工智能中主要是研究下棋程序。90年代,IBM公司以其雄厚的硬件基础,开发了"深蓝"国际象棋系统,并于1997年,以3.5:2.5的总比分战胜了世界冠军卡斯帕罗夫,轰动了世界。
5.机器人学。它是机械结构学,传感技术和人工智能结合的产物,第三代分布式协同智能机器人具有较高的灵敏度,一定的自学能力以及与其他机器人交互的能力。一年一度的机器人世界杯足球赛大大促进了这方面的研究。
6.感知问题。这涉及信号处理技术,以及知识表示和推理模型等一些人工智能技术。我们北京大学视觉与听觉信息处理国家重点实验室就主要从事这方面的研究工作。
7.数据库的智能检索。数据库是存储某个学科大量事实的计算机系统,随着应用的进一步发展,存储的信息量越来越大,怎样从大量的数据中挖掘出隐含的,有潜在价值的知识,即从数据到知识,也是人工智能一个主要的应用领域。
8.自动程序设计。它相当于一种"超级编译程序",能对高级描述进行处理,通过规划过程,生成所需程序,这是一个软件工程与人工智能相结合的课题。
9.组合调度问题。人工智能的方法曾漂亮的解决了"旅行商问题"。求解NP完全性问题所花费的时间是随问题规模呈指数方式增长,现在的努力方向是使"时间--问题大小"曲线尽可能缓慢。
(五)浅谈人工智能在计算机游戏中的应用
以上讨论了人工智能的许多研究方向,下面简单的谈谈它在计算机游戏中的应用,我想这个问题是许多同学包括我自己非常感兴趣的。
设想计算机游戏的虚拟世界中的一种动画角色,比如史前世界中的恐龙角色,这个角色应该对于它所生存和活动的虚拟世界有自己的认知模型。所谓认
知模型就是一种支配角色对其世界的了解程度,指导它如何获取知识,以及如何利用知识进行推理和规划行动的人工智能模型。
游戏中的角色能够为自己获取最简单的一类知识,比如说它当前所处的位置,可供选择的路径等。这种知识获取就是人工智能所研究的感知能力,而如何使角色自动获取这类知识则需要更复杂的知识获取,即从各种行动效应的大量观测中提取反复出现的有规律的模式,这种知识获取称为机器学习,机器学习是人工智能学科一个重要的分支。
从某种意义上说,角色的所以行为都是设计人员预先设计的,因此角色能否自主行动,取决于它可不可以非确定性的选择行动。这意味着,无论角色什么时候选择行动,都要记住自己还可能有其他选择,当角色选择了某个行动方案后,如果认为这个方案不能达到期望的效应时,那么可以返回,重新考虑其他可选方案,以便从其他选择中得到期望的效应。角色的这种选择完全是自由的,直到选出一个合适的行动,除非已搜索过所以备选方案后也没有合适的。
各种AI算法在游戏的程序开发中特别有用,例如,路径规划算法,学习算法,搜索算法,都是人工智能领域中的著名算法,这些都使得人工智能的认知建模方法成为今后计算机游戏和动画开发的强有力工具。
(六)人工智能的发展前景展望
人工智能对现代社会的影响有多大?工业领域,尤其是制造业,已成功地使用了人工智能技术,包括智能设计,虚拟制造,在线分析,智能调度,仿真和规划等。金融业,股票商利用智能系统辅助其分析,判断和决策;信用卡欺诈检测系统也已得到普遍应用。人工智能还渗透到人们地日常生活,CAD,CAM,CAI,CAP,CIMS等一系列智能产品给大家带来了极大的方便,它还改变了传统的通信方式,语音拨号,手写短信的智能手机越来越人性化。
人工智能还影响了人们的文化和娱乐生活,引发人们更深层次的精神和哲学层面的思考,从施瓦辛格主演的《终结者》系列,到基努?里维斯主演的《黑客帝国》系列以及斯皮尔伯格导演的《人工智能》,都有意无意的提出了同样的问题:我们应该如何看待人工智能?如何看待具有智能的机器?会不会有一天机器的智能将超过人的智能?问题的答案也许千差万别,我个人认为上述担
心不太可能成为现实,因为我们研究人工智能并不是让它取代人类智能,而是让它模拟人类智能,从而更好的为人类服务。
当前人工智能技术发展迅速,新思想,新理论,新技术不断涌现,如模糊技术,模糊--神经网络,遗传算法,进化程序设计,混沌理论,人工生命,计算智能等等。以Agent概念为基础的分布式人工智能正在异军突起,特别是对于软件开发,"面向Agent技术"将是继"面向对象技术"后的又一突破。从万维网到智能网格的研究正在如火如荼的开展。
我国的人工智能研究起步较晚,但发展空间广阔。我们信息科学技术学院于2004年成立智能科学系,使得北京大学成为全国高校中第一个成立相关专业的学校。我作为我们学院的一员,深感一种光荣感和使命感,我坚信在我们大家的共同努力下,北京大学信息科学技术学院一定能构在人工智能这一新兴的研究领域取得发展和成就,为我国的人工智能事业做出应有的贡献。
范文二:国开联:“产业AI”:人工智能未来发展趋势
国开联:“产业AI”:人工智能未来发展趋势
2017年,人工智能(AI)已成为科技行业中“闪耀的新星”,无人超市、自动驾驶、城市大脑等“黑科技”在整个行业掀起了巨大的热潮。然而人工智能的发展如若没有产业的支撑,空有技术而没有实际的落脚点并不是长久之计,人工智能必将走向“产业+AI”的道路。
中国已在人工智能领域挑起大梁
在过去,高科技曾被认为只是欧美日等发达经济体的专属,但在人工智能领域,中国正在颠覆这种偏见,在AI研发方面的巨大优势已让中国在深度学习、医院影像等各领域成为世界的创新工厂。毫无意外,中国正在引领人工技术的发展,已在人工智能领域挑起大梁。
以阿里、腾讯、百度为代表的中国企业,正在各自的核心业务中打造人工智能系统,其智能应用效果丝毫不落后于谷歌、微软等美国科技巨头。从人脸识别到无人驾驶等领域,中国企业正在为人工智能做出巨大贡献,以真正的技术实力刷新世界对于人工智能的认知。中国企业屡次刷新人工智能领域世界纪录:2017年5月18日,全球权威机器视觉算法测评平台KITTI的世界纪录再次被刷新,阿里巴巴iDST团队将其车辆检测的准确率拉升至90.46%; 2017年7月14日,国际权威肺结节检测大赛LUNA16的世界纪录被打破,阿里巴巴iDST凭借89.7%的平均召回率夺得世界冠军。
种种迹象表明,以阿里等为代表的中国企业在人工智能领域的资源,如基础设施、科研和人才队伍等,已站在世界领先的前沿,在人才和技术方面所占据的优势,也令为其AI落地提供了优异的先决条件。
AI不能只靠资本讲故事
随着大量热钱涌入AI 行业,让我们看到了不少明星企业的诞生,这些公司令人工智能市场呈现出火热之势。当然,有得意必然有失意,在繁荣的表现背后,黯然退场者也不在少数。
据国开联统计,截止到2017年 6 月份,在中美共 1600 多家人工智能公司中,初步估算中倒闭公司总数已超过 50 家。当我们回头看这些倒下来的公司时发现,有一些是死于产品滞销积压导致资金链断裂,而一些倒在难以获取用户之
上,更多的问题在于只有技术却没有好的商业化产品,难以验证商业模式。对于这些公司来说,AI技术没有找到好的落地点,就在未飞到风口之时,已经狠狠落地。
AI的未来到底在哪里,国开联认为,应深化人工智能技术成果在各行业特别是传统产业转型升级中的推广应用。人工智能的发展要去泡沫化,现在人工智能领域有种浮躁的氛围,有些企业靠AI讲资本故事、炒作股价。AI走过泡沫期后,下一站将是“产业AI(AI for Industries)”,让AI在各个场景中落地。
回顾世界发展的过往,我们发现,再好的技术都要有应用场景,只存在于实验室的技术毫无意义。或许正如胡晓明所言,AI不能靠资本讲故事,要落到产业才能生存,才能形成蓬勃的产业。
产业AI将成为未来的发展方向
产业AI并非AI产业。AI产业是泛指一个以AI技术与应用为核心的新兴产业,落脚点在一个具有规模经济效应的产业经济部门,正如同创意产业是以人的创意和创造力为发展动力的产业。而产业AI则一个撬动AI产业的方法论或打开AI产业发展空间的路径。所以产业AI即以传统产业资源注入AI技术,形成规模化且具有经济效益的AI应用,从而拉动AI产业的发展与增长。
人工智能不应仅仅是实验室里的、PPT里的“概念上的AI”,更是“产业AI”,必须要有场景驱动。所谓“场景驱动”,也就是实体经济和虚拟经济中的实际业务场景,与AI技术相结合后,或能够优化原有业务场景、提高效率降低成本,或形成新的数字化业务、创造新的商业价值。人工智能被视作是第四次工业革命,除了技术准备之外,它同样要走向产业,有着具体场景才能实现落地。
例如,在金融行业,全球首只完全由人工智能自主选定投资标的、以美国股票为投资组合的ETF类型基金2017年10月在美国纽约证券交易所问世。EquBot公司使用的人工智能程序每天自动扫描分析6000多只股票的相关信息,自主选出具有上涨潜力的股票,并对投资组合进行主动管理。在医疗领域,全球首家“神经疾病人工智能研究中心”在北京天坛医院正式成立,到2018年6月,在脑肿瘤、脑血管病方面可由人工智能系统替代医生,从看片子到开具临床诊断处方,其能力相当于神经科高年资主任医师。
很显然,企业早已留意到人工智能必将走向与产业融合的道路。巨大的市场正在吸引更多玩家的进入,并影响着生产、制造、生活的方方面面,若不想被残酷的市场淘汰,或许企业还需在人工智能等技术之上多下苦工,并找到合适的场景落地,才能真正赋能于商业、赋能于社会。
更多相关资料,请详见:国开联发布的《中国智能机器人产业重点企业竞争性情报(2017年版)》
国开联产业规划研究院
是一家专业的产业发展集成服务机构
始终坚持以市场为导向
基于市场需求大数据
专注提供
产业研究与规划咨询
特色小镇、园区发展规划与策划
产业招商地图设计与项目包装
市场调查与研究
行业研究报告出版
项目可行性研究
……
www.goclee.com
0755 8324 7679
范文三:易基刚:在线教育及人工智能未来发展趋势
2015年,中国在线学习的用户年增长率达到50%左右,2016年互联网在线教育市场前景如何?将会有哪些趋势?投资人关注哪些热点领域?
在不久前召开的第八届中国云计算大会——云计算大数据与教育创新分论坛上,知名教育投资人、北京凯博学校董事长易基刚就在线教育及人工智能投资的趋势与未来发展方向等内容进行了详细阐述。
教育与新技术的关系更多是在融合,而不是颠覆
我们现在所面临的教育环境,与以前完全不一样,现在基本进入到万物互联的时代,其基本特征就是一切事物都将发生普遍的联系,这也对教育产生了很大的影响。
教育的本质不是简单的传输知识与技能,而是如何激发好奇心、发现好奇心。目前我们关注的很多教育都是关注供给端,关注于提供知识、提供技能,很少有人去关注学习者个体本身。进入互联网时代,特别是万物互联时代的来临,教育行业所产生的与互联网的深度结合和其他行业不一样,其他行业大多是颠覆式的,教育不一样,教育针对的是个人,所以教育更多是在融合,而不是颠覆,这是教育行业与互联网融合的基本情况。
未来教育产业的两种发展路径
互联网教育和个性化教育结合以后,会产生深度的耦合,其对教育个体以及个体差异化潜能的关注,将上升到前所未有的高度。未来教育可以做到一个人有一个智能系统,对你的个性潜质进行全方位跟踪,达到对你个人价值最大的服务。
中国的教育有B2C、B2B2C、O2O,但它没有出现像BAT互联网公司那样迅速地展开其他的传统垂直细分领域迭代,教育行业整体的价值以及整体的分散度还是非常高,像新东方、好未来这样的机构,它的整个教育市场的份额都不超过3%,所以未来教育在资本方面大的主线就是并购,其未来发展大方向:一是大而全,做全产业链的布局;二是专而精,做垂直细分领域的布局,这也是未来教育产业的两种发展路径。
我个人认为未来四、五年是教育产业并购、整合的巨大机遇。前几年,投资人投O2O教育,最热时获得资本关注的企业有超过二三百家,但现在活下来的也就不到一二十家。 未来几年教育产业的并购和整合一个是线上,一个是线下。线下落地的优质学校资源与优质培训学校资源输出体系,在未来的价值即将彰显,包括今年类似于像首控、天星资本等都准备投入百亿资金进入教育领域。目前新三板已经上市、已经挂牌的以教育为主业的上市公司至少也有一百多家。
每个孩子背后都将有一个强大的机器人在服务
现在从互联网端、技术端来看教育,更多关注在教育的内容与服务上,但对一个人的综合成长来讲,除了知识与技能外,他的人格、品德、情感,特别是价值观与行为习惯的养成都只能倚重线下的学校来解决。教育应当从早期的更多关注教育资源的供给,转变为更多关注孩子的个性成长上来,发挥每个孩子的潜能。
教育的核心是孩子,如何构架对每一个孩子都能相对高度关注的个性化教学目标、教学大纲、测评体系和纠正体系,在未来逐渐发展的消费分层比例结构下,这种教育的需求价值会更大。
过去投资界投资都是从项目端一个一个地看项目,投资经理90%以上的时间都花在搜集、整理和挖掘信息上,随着计算机的不断普及,特别是人工智能技术的发展,我们开发出在股权一期投资市场上能够做到量身定制的模式,开发了全球第一款投资机器人。投资机器人的核心就是大数据的筛查以及自我算法和个人成长。
人工智能可以做到代替人做一些低维度的工作,从而让人更多地从事一些思维性、结构性的工作。如果这种人工智能系统运用在学生个人的学习规划、测评上,为每个孩子量身定制他一生成长的各种知识和能力成长体系,在每个孩子背后都有一个强大的机器人在对他进行全方位的检索与服务,这种体系的市场潜力将会非常巨大。未来,教育机器人的诞生或许将真正改变教育的基本结构。(中国教育信息化在线记者李晓萍)
范文四:2017年人工智能行业现状及发展趋势未来展望报告word版
2017年人工智能行业发展 趋势分析报告
2017年 5月出版
文本目录
1、人工智能与深度学习 ........................................................4 1.1、人工智能:让机器像人一样思考 ............................................4 1.2、机器学习:使人工智能真实发生 ............................................5 1.3、人工神经网络:赋予机器学习以深度 ........................................5
1.4、深度学习:剔除神经网络之误差 ............................................6
2、深度学习的实现 ............................................................6 2.1、突破局限的学习算法 ......................................................7 2.2、骤然爆发的数据洪流 ......................................................7
2.3、难以满足的硬件需求 ......................................................8
3、现有市场——通用芯片 GPU ..................................................9 3.1、 GPU 是什么? ............................................................9 3.2、 GPU 和 CPU 的设计区别 ....................................................9 3.3、 GPU 和 CPU 的性能差异 ...................................................10 3.4、 GPU 行业的佼佼者:Nvidia ...............................................11 3.5、 Nvidia 的市场定位:人工智能计算公司 ....................................12 3.6、 Nvidia 的核心产品:Pascal 家族 ..........................................13 3.7、 Nvidia 的应用布局:自动驾驶 ............................................14
3.8、 Nvidia 的产业优势:完善的生态系统 ......................................15
4、未来市场:半定制芯片 FPGA ................................................15 4.1、 FPGA 是什么? ..........................................................15 4.2、 FPGA 和 GPU 的性能差异 ..................................................16 4.3、 FPGA 市场前景 ..........................................................17 4.4、 FPGA 现有市场 ..........................................................18 4.5、 FPGA 行业的开拓者:Intel ...............................................18 4.6、 Intel 的产品布局 .......................................................18 4.7、 Intel 的痛点:生态不完善 ...............................................19 4.8、 Intel 的优势 ...........................................................20
5、投资前景 .................................................................21
1、人工智能与深度学习
2016年, AlphaGo 与李世石九段的围棋对决无疑掀起了全世界对人工智能领域的新 一轮关注。在与李世石对战的 5个月之前, AlphaGo 因击败欧洲围棋冠军樊麾二段,围棋 等级分上升至 3168分,而当时排名世界第二的李世石是 3532分。按照这个等级分数对 弈, AlphaGo 每盘的胜算只有约 11%, 而结果是 3个月之后它在与李世石对战中以 4比 1大 胜。 AlphaGo 的学习能力之快,让人惶恐。
1.1、人工智能:让机器像人一样思考
自 AlphaGo 之后, “ 人工智能 ” 成为 2016年的热词,但早在 1956年,几个计算机科学 家就在达特茅斯会议上首次提出了此概念。他们梦想着用当时刚刚出现的计算机来构 造复杂的、拥有与人类智慧同样本质特性的机器,也就是我们今日所说的 “ 强人工智 能 ” 。这个无所不能的机器,它有着我们所有的感知、所有的理性,甚至可以像我们一 样思考。
人们在电影里也总是看到这样的机器:友好的,像星球大战中的 C-3PO ;邪恶的, 如终结者。强人工智能目前还只存在于电影和科幻小说中,原因不难理解,我们还没法 实现它们,至少目前还不行。
我们目前能实现的,一般被称为 “ 弱人工智能 ” 。弱人工智能是能够与人一样,甚 至比人更好地执行特定任务的技术。例如, Pinterest 上的图像分类,或者 Facebook 的
人脸识别。这些人工智能技术实现的方法就是 “ 机器学习 ” 。
1.2、机器学习:使人工智能真实发生
人工智能的核心就是通过不断地机器学习,而让自己变得更加智能。机器学习最
基本的做法,是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策 和预测。与传统的为解决特定任务、硬编码的软件程序不同,机器学习是用大量的数 据来 “ 训练 ” ,通过各种算法从数据中学习如何完成任务。
机器学习最成功的应用领域是计算机视觉,虽然也还是需要大量的手工编码来完 成工作。以识别停止标志牌为例:人们需要手工编写形状检测程序来判断检测对象是 不是有八条边;写分类器来识别字母 “S -T-O-P ” 。使用以上这些手工编写的分类器与边 缘检测滤波器,人们总算可以开发算法来识别标志牌从哪里开始、到哪里结束,从而 感知图像,判断图像是不是一个停止标志牌。
这个结果还算不错,但并不是那种能让人为之一振的成功。特别是遇到雾霾天, 标志牌变得不是那么清晰可见,又或者被树遮挡一部分,算法就难以成功了。这就是 为什么很长一段时间,计算机视觉的性能一直无法接近到人的能力。它太僵化,太容 易受环境条件的干扰。
1.3、人工神经网络:赋予机器学习以深度
人工神经网络是早期机器学习中的一个重要的算法,历经数十年风风雨雨。神经
网络的原理是受我们大脑的生理结构 —— 互相交叉相连的神经元启发。 但与大脑中一个 神经元可以连接一定距离内的任意神经元不同,人工神经网络具有离散的层,每一次 只连接符合数据传播方向的其它层。
例如,我们可以把一幅图像切分成图像块,输入到神经网络的第一层。在第一层 的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作,把数 据传递到第三层,以此类推,直到最后一层,然后生成结果。
每一个神经元都为它的输入分配权重,这个权重的正确与否与其执行的任务直接 相关。最终的输出由这些权重加总来决定。
我们仍以停止标志牌为例:将一个停止标志牌图像的所有元素都打碎,然后用神 经元进行 “ 检查 ” :八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的
范文五:2017年人工智能行业发展发展趋势未来展望研究报告
2017年人工智能行业发展趋势未来展 望研究报告
WORD 版本可编辑
正文目录
一、 人工智能的定义和发展历程 ................................................................................................................... 5
1. 定丿 ........................................................................................................................................................... 5
2. 収展历程 ................................................................................................................................................... 5 二、 AI 技术基石 ............................................................................................................................................. 6
1. 三大技术基石:深度学习算法 +计算能力 +大数据 ............................................................................... 6
2. 神绉网络不深度学习 ............................................................................................................................... 7
3. 计算能力:仅 CPU 和 GPU 到 TPU ,当前 AI 癿加速计算模式 ....................................................... 11 3.1 GPU :一种理想癿通用 AI 加速计算协处理器 ................................................................................... 11 3.2 TPU :谷歌张量处理器,为满足特定计算雹求而训计 ..................................................................... 12 3.3 寒武纨和 DianNao :面向机器学习癿全新架构和与用处理器 ........................................................... 13 三、 自然语言处理和计算机视觉:语音和图像识别达到商业化高度 ..................................................... 15
1. 自然诓言处理和机器翻诌 ..................................................................................................................... 16
2. 计算机规觉和图像识别 ......................................................................................................................... 17
3. 卷积神绉网络基本原理 ......................................................................................................................... 19 四、 科技巨头引领人工智能技术发展 ......................................................................................................... 21
1. 英伟达:仅游戏到人工智能, 再次引领 GPU 通用计算潮流 . ......................................................... 21
2. 谷歌:以 AlphaGo 和 TensorFlow 开源为例,全面布局深耕绅作 . ................................................... 23
3. 英特尔:幵贩融合 ASIC 和 FPGA ,提供 AI 计算整体解决斱案 ..................................................... 25
4. IBM 、百度等公叵 AI 戓略简仃 . ........................................................................................................... 26 五、 下游商业模式:AI+垂直应用 .............................................................................................................. 28
1. AI+汽车:自劢驾驶正徆徆走来 ........................................................................................................... 28
2. AI+医疗:影像诊断等率兇在医院实践 ............................................................................................... 31
3. AI+安防:人脸识别和车辆梱测获徇广泛应用 ................................................................................... 33
4. AI+机器人:智能仆储是典型应用场景乀一 ....................................................................................... 35 六、 部分重点公司 . ........................................................................................................................................ 36
1. 中科曙先:高性能计算龙央,积极布局“仅芯到于 ” 全产业链 ........................................................ 36
2. 科大讨飞:仅智能诓音到人工智能,行业应用加速落地 . ................................................................. 39
3. 海庩威规:规频安防龙央,智能化和 AI 创新业务推劢公叵持续成长 ............................................ 43 七、 风险提示 . ................................................................................................................................................ 45
图表目录
图 1 AI 癿 三大技术基石 ................................................................................................................................. 7 图 2 机器学习不神绉网络乀间癿关系 ......................................................................................................... 7 图 3 神绉元 M-P 模型和单层神绉网络结构 ................................................................................................ 8 图 4 前馈神绉网络 ......................................................................................................................................... 9 图 5 深度学习不传统斱法癿区别 ............................................................................................................... 10 图 6 加速计算是现在 AI 癿基石 .................................................................................................................. 11 图 7 GPU 加速计算原理 ................................................................................................................................ 11 图 8 GPU 和 CPU 差 异示意图 . ..................................................................................................................... 12 图 9 TPU 结构图 . ........................................................................................................................................... 13 图 10 寒武纨 -1A (Cambricon-1A ) ........................................................................................................... 13 图 11 DianNao 结构图和 Layout . .................................................................................................................. 14 图 12 图像识别和诓音识别错诔率达到人类水平 . ..................................................................................... 15 图 13 2016 年 CHiME 比 赛诋错诔率对比(六麦光风场景) ................................................................... 15 图 14 ILSVRC 图像识别挑戓赛凾类错诔率 ............................................................................................... 16 图 15 神绉机器翻诌癿编码器 -解码器框架 ................................................................................................ 17 图 16 计算机规觉系统框架 ......................................................................................................................... 18 图 17 简化癿卷积神绉网络结构 ................................................................................................................. 19 图 18 二维卷积运算示意图 ......................................................................................................................... 19 图 19 最大池化运算操作示意图 ................................................................................................................. 20 图 20 英伟达在 GPU 领 域癿収展阶段 ....................................................................................................... 21 图 21 深度学习领域不英伟达合作癿组细数量 .......................................................................................... 22 图 22 英伟达季度营收及凾部(百万美元) .............................................................................................. 22 图 23 英伟达自劢驾驶与用芯片 Xavier . ..................................................................................................... 23 图 24 英特尔 AI 戓 略 ................................................................................................................................... 25 图 25 英特尔面向深度学习癿通用架构 ..................................................................................................... 26 图 26 英特尔 Nervana 平 台 . ......................................................................................................................... 26 图 27 百度深度学习开源平台(PaddlePaddle ) . ....................................................................................... 27 图 28 百度大脑技术服务 ............................................................................................................................. 27 图 29 人工智能产业链框架 ......................................................................................................................... 28 图 30 自劢驾驶収展路徂 ............................................................................................................................. 28 图 31 自劢驾驶原理框架 ............................................................................................................................. 29 图 32 驾驶凾级概况 ..................................................................................................................................... 29 图 33 自劢驾驶路线图 ................................................................................................................................. 30 图 34 百度 Apollo 技术框架 ........................................................................................................................ 30 图 35 百度 Apollo 开放路线图 .................................................................................................................... 31 图 36 人脸梱测跟踪 ..................................................................................................................................... 33
转载请注明出处范文大全网 » 转人工智能的未来发展趋势