加入收藏 | 设为首页 | 会员中心 | 我要投稿 核心网 (https://www.hxwgxz.com/)- 科技、建站、经验、云计算、5G、大数据,站长网!
当前位置: 首页 > 建站 > 正文

2019年人工智能的发展趋势

发布时间:2019-04-13 12:52:05 所属栏目:建站 来源:工控之南
导读:人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出
副标题[/!--empirenews.page--]

人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。人工智能肯定是未来的趋势,知名创投研究机构CB Insights调研了25种最大的人工智能趋势,他们根据行业采用率和市场优势评估了每种趋势,并将其归类为必要、实验性、威胁性、暂时的。

人工智能的发展趋势

01 胶囊网络将挑战最先进的图像识别算法

1. 开源框架(Open-Source Frameworks)

人工智能的进入门槛比以往任何时候都低,这要归功于开源软件。2015年谷歌开放了其机器学习库TensorFlow,越来越多的公司,包括Coca-Cola、e Bay等开始使用TensorFlow。

2017年Facebook发布caffe2和 Py Torch(Python的开源机器学习平台),而Theano是蒙特利尔学习算法研究所(Mila)的另一个开源库,随着这些工具的使用越来越广泛,Mila公司已经停止了对Theano的开发。

2. 胶囊网络(Capsule Networks)

众所周知,深度学习(Deep Learning)推动了今天的大多数人工智能应用,而胶囊网络(capsule networks)的出现可能会使其改头换面。深度学习界领航人Geoffrey Hinton在其2011年发布的论文中提到“胶囊”这个概念,于2017年-2018年论文中提出“胶囊网络”概念。

针对当今深度学习中最流行的神经网络结构之一:卷积神经网络(CNN),Hinton指出其存在诸多不足,CNN在面对精确的空间关系方面就会暴露其缺陷。

比如将人脸图像中嘴巴的位置放置在额头上面,CNN仍会将其辨识为人脸。CNN的另一个主要问题是无法理解新的观点。黑客可以通过制造一些细微变化来混淆CNN的判断。

经测试,胶囊网络可以对抗一些复杂的对抗性攻击,比如篡改图像以混淆算法,且优于CNN。胶囊网络的研究虽然目前还处于起步阶段,但可能会对目前最先进的图像识别方法提出挑战。

3. 生成式对抗网络(Generative Adversarial Networks)

2014年,谷歌研究员Ian Goodfellow提出“生成式对抗网络”(GAN)概念,利用“AI VS AI”概念,提出两个神经网络:生成器和鉴别器。谷歌DeepMind实习生Andrew Brock与其他研究人员一起合作,对Gans进行了大规模数据集的培训,以创建“BigGANs”。

GANs面对的主要挑战就是计算能力,对于AI硬件来说必须是并行缩放。研究人员用GANs进行“面对面翻译”,还有利用GANs将视频变成漫画形式,或者直接进行绘画创作等,但GANs也被一些不怀好意的人利用,包括制作假的政治录像和变形的色情制品。

4. 联合学习(Federated Learnnig)

我们每天使用手机或平板会产生大量数据信息,使用我们的本地数据集来训练AI算法可以极大地提高它们的性能,但用户信息是非常私人和隐秘的。

谷歌研发的联合学习(Federated Learning)方法旨在使用这个丰富的数据集,但同时保护敏感数据。谷歌正在其名为Gboard的Android键盘上测试联合学习。

联合学习方法与其他算法的不同在于考虑了两个特征:非独立恒等分布(Non-IID)和不均衡性(Unbalanced)。联合学习已运用于搜索引擎Firefox、人工智能创业公司OWKIN等。

5. 强化学习(Reinforcement Learning)

当谷歌DeepMind研发的AlphaGo在中国围棋游戏中击败世界冠军后,强化学习(Reinforcement Learning)获得了广泛关注。基于强化学习,DeepMind接着又研发了AlphaGo Zero。

UC Berkeley 研究人员利用计算机视觉和强化学习来教授YouTube视频中的算法杂技技能。

尽管取得了进步,但强化学习与当今最流行的人工智能范式监督学习相比,还算不上成功,不过关于申请强化学习的研究越来越多,包括 Microsoft,Adobe,FANUC等。

02 2025年自动驾驶利润达800亿美元,物流率先应用

6. 人工智能终端化

人工智能技术快速迭代,正经历从云端到终端的过程,人工智能终端化能够更好更快地帮助我们处理信息,解决问题,我们舍弃了使用云端控制的方法,而是将AI算法加载于终端设备上(如智能手机,汽车,甚至衣服上)。

英伟达(NVIDIA),高通(Qualcomm)还有苹果(Apple)等诸多公司加入了对终端侧人工智能领域的突破和探索,2017和2018年是众多科技公司在人工智能终端化进入快速发展期的两年,同时他们也在加紧对人工智能芯片的研发。

但AI依然面临着储存和开发上的困境,亟需更丰富的混合模型连接终端设备与中央服务器。

7. 人脸识别

从手机解锁到航班登机,人脸识别的应用范围愈发广泛,各国对于人脸识别的需求逐渐升高,不少创业公司开始关注这一领域,利用该技术,可以通过脸部特点从而还原蒙面嫌疑犯完整的人脸。

但人脸识别仍有待改进。这一技术仍会对人脸真假存在误判。人脸识别中所包含的数据远比我们想象要多,其中的安全问题也应引起我们关注。

8. 语言处理

自然语言处理(NLP)是人工智能的一个子领域,对于翻译技术而言,NLP就像一个潘多拉魔盒——除了丰富的市场机会,还有巨大的挑战。机器翻译就是其中一个等待开发的宝库,从后台自动化,客户支持,到新闻媒体,其应用广泛。

人机共生也是翻译领域未来的大方向,不少初创公司也期待从中分一杯羹,但要完成基于自然语言处理工作的翻译系统并不容易,单单中文里的各种方言和书面语就能把众多科技公司难住,据相关数据显示,除了热门的高资源语言,如中文,阿拉伯语,欧洲语言等,低资源语言和少数民族语言的开发和应用依然存在缺口。

9. 车辆自动化驾驶

尽管自动化驾驶的汽车市场潜力巨大,但实现全自动的未来依然不明朗。自动化驾驶成为了科技公司和初创公司互相竞争的新领域,他们为此注入的不仅有新的活力,还有大量的投资。

投资者对他们的决定十分乐观,数个自动驾驶汽车品牌所获得的投资总额已超百亿,预计2025年其市场利润能达800亿美元,物流等相关行业会成为首批应用全自动驾驶的行业,预计可缩减三分之一的成本。

10. AI聊天机器人

(编辑:核心网)

【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容!

热点阅读