人工智能技术现状剖析

AI另一个难题就是机器学习模型的可解释性和稳定性。目前大部分机器学习模型都是“黑盒”模型，很难让人理解。而且模型稳定性也一直是个问题，例如给图片加些白噪音，深度学习模型会给出令人大跌眼镜的预测结果。 　　

3.模型大小限制 　　

目前的计算能力难以训练大型的深度学习模型，比如GB级的模型训练过程对带宽要求很高。GPU比CPU更适合训练深度学习模型的原因之一是，相对于内存来说显存的带宽更大。另外模型很大往往会过度拟合基准数据，并不会从样本中提取更抽象的特征，在实际应用中，如果深度网络有偏差将会带来非常严重的后果。比如在训练自动驾驶的数据集中，不会有婴儿坐在马路中间。深度神经网络对标准的对抗性攻击很敏感，这些攻击会对图像造成人类难以察觉的变化，但会改变神经网络对物体的认知。Alan Yuille说这些问题的背后都是组合爆炸导致的，真实世界的图像利用组合观点来看数量太大了，从一定程度上说是无限的。任何一个数据集，不管多大，都很难表达出现实的复杂程度。 　　

4.泛化性能 　　

从专用智能算法到通用智能算法是下一代AI发展的必然趋势，也是研究与应用领域需要挑战的问题。通用智能被认为是AI皇冠上的明珠，从目标来看，通用智能意味着神经网络泛化能力的提高，为了解决这个问题，科研人员进行了各种努力。从正则化技术到dropout技术再到BN技术，这些技巧从一定程度上减缓了神经网络过度拟合的问题，提高了泛化能力。但是这些只是技巧，并不能从根本上解决问题。目前解决这个问题的方法是迁移学习，迁移学习是将一个场景中学到的知识迁移到另一个场景中。比如我们可以将利用猫和狗图像训练的分类模型迁移到其他相似的任务，用来分别鹰和布谷鸟。利用迁移学习，在一个模型训练任务中针对某种类型数据获得的关系也可以轻松地应用于同一领域的不同问题。迁移学习一定程度上缓解了标记数据的压力，对于我们接近通用AI迈进了一步。 　　

三、发展趋势 　　

虽然深度学习在某些方面还是存在一些不足，但是目前科学界已经有了一些可喜的突破，并且基于深度学习的AI深刻地改变了人们的生活，未来AI将会更加快速地发展，本文认为有以下四个发展趋势： 　　

1.AI芯片加速发展 　　

即使是快和先进的CPU也无法提高AI模型的速度，在AI模型运行的时候，需要额外的硬件来进行复杂的数学计算。尤其是前端设备，在安防行业中的应用，需要体积更小，功能更加强大的嵌入式芯片来运行性能更好的算法，用于实时跟踪、面部识别等应用。 　

2.AI边缘计算以及物联网融合开发 　　

目前AI在边缘侧不断发展是驾驭数据洪流的关键之一，也是物联网未来发展的重要趋势。随着AI技术如火如荼地发展，海量数据需要快速有效的提取和分析，这大大加强了对于边缘计算的需求。未来AI技术、边缘计算和物联网将更加密切进行融合发展，尤其在安防行业视频监控领域的应用。 　　

(1)神经网络之间的互操作性 　　

神经网络的训练是基于框架的，一旦模型在特定的框架中完成了训练和评估就很难移植到另一个框架，这阻碍了AI的发展，未来神经网络之间的互操作性将成为AI行业的重要技术。 　　

(2)自动化AI将会更加突出 　　

从根本上改变AI解决方案的一个趋势是自动化AI，它使业务分析师和开发人员能够高效发掘出可以解决复杂场景的机器学习模型，而无需经过机器学习模型的典型培训，业务分析师可以更加专注于业务问题。 　　

四、结语 　　

AI技术一直处于计算机技术的前沿，其研究的理论和发展在很大程度上将决定计算机技术的发展方向。目前很多AI的研究成果深刻地改变着人们的生活，将来，AI的发展将会更加快速，会给人们的生活工作和教育带来更大的影响。

（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!