引入支持AI的芯片神经网络之间互操作性

2019-10-17 12:11:31创商网

人工智能将在未来得到规模化使用，届时它不仅能大幅度提高人类工作效率，还能使当下的万物互联更加紧密，使国家发生翻天覆地的变化。

来关注一下人工智能方面的信息，以下是网上报道的关于人工智能的趋势：

1、引入支持AI的芯片

人工智能依赖于专用处理器，补充了CPU。高级CPU模型也无法提高AI培训模型的速度。AI模型需要额外的硬件来解决复杂的数学问题，以提高任务的速度，如面部识别和物体检测。包括NVIDIA，ARM，英特尔和高通在内的芯片制造商将提供专用芯片，以提高基于AI的应用程序的速度。

支持AI的芯片将针对与自然语言处理，语音识别和计算机视觉相关的特定用例和场景而设计。行业级应用很快将依赖这些芯片为消费者或最终用户提供智能。

目前国内人工智能芯片市场呈现出百花齐放的态势。AI芯片的应用领域广泛分布在金融证券、商品推荐、安防、消费机器人、智能驾驶、智能家居等众多领域，催生了大量的人工智能创业企业，如地平线、深鉴科技、寒武纪、云知声、云天励飞等。未来随着国内人工智能市场的快速发展，生态建设的完善，国内AI芯片企业将有着更大的发展空间，未来5年的市场规模增速将超过全球平均水平。

2、面部识别

最近，面部识别在很多负面新闻发布中都很普遍，无论是中国的SenseTime还是谷歌赢得诉讼。但是，这项技术将在2019年继续增长。面部识别是一种基于人工智能的技术，用于识别个人使用其面部特征及其数字图像的模式。

2019将见证面部识别技术的使用增加，具有高可靠性和准确性。例如，Facebook的Deepface程序用于标记照片中的朋友和家人。此外，几乎所有的智能手机现在都拿出面锁。

面部识别的其他用例包括通过安全检查和执法的支付处理。即将到来的面部识别技术也可以用于医疗保健行业，用于临床试验和医学诊断。Openwater是便携式医学成像技术之一，正在打破可以从大脑中读取图像的界限。

目前，我国面部识别群雄逐鹿局面已见雏形。除了正谋求上市，积极融资中的人脸识别领域云从、商汤、依图、旷视四大独角兽及腾讯、阿里巴巴、百度几大互联网巨头有所布局

3. AI和IoT的融合

人工智能将在2019年的边缘计算层遇到物联网。我们将看到更多的人工智能与物联网融合的用例。

例如，如果没有人工智能和物联网的结合，自动驾驶汽车的概念就不会变得实用。支持物联网的传感器可收集实时数据和AI模型的电源决策程序。

深度学习算法有助于根据物联网传感器收集的数据采取行动并做出决策。一些行动包括眼睛跟踪以增强驾驶员监控，路线规划，当汽车燃料或汽油不足时自动直接移动到加油站以及语音命令的自然语言处理。

物联网已准备好成为企业中人工智能的重要驱动力。Edge器件将配备基于ASIC和FPGA的支持AI的芯片。

4. 社会经济模型

由于人工智能日益受到关注，几乎所有人都提出了一个共同的问题，即“AI会很快带走工作吗?”答案是，“这取决于”。

虽然人工智能会夺走资源稀缺的工作，但它也会带来具有多种技能的新工作。

无论答案是什么，各个政府和世界经济论坛都在讨论这个话题。这是因为人工智能应用程序的兴起将有扩大技能差距的风险，并可能造成两极分化的社会。

虽然自动化可以消除对工作的需求，但总会有对教师，护理人员，客户服务主管等工作的需求。

再分配计划将成为2019年立法者关注的焦点。

5. 神经网络之间的互操作性

构建神经网络模型的最大挑战之一取决于选择正确的框架。开发人员和数据科学家必须从众多选项中选择合适的平台，包括TensorFlow，Caffe2，Apache MXNet，Microsoft Cognitive Toolkit和PyTorch。

在特定框架中训练和评估模型之后，很难将训练的模型移植到另一个框架。这是因为神经网络工具包之间缺乏互操作性。为了克服这一挑战，Facebook，微软和AWS合作开发了开放式神经网络交换，允许在各种框架中重用经过训练的神经网络模型。它将成为2019年该行业的关键技术。

6. 通过AIOps自动化DevOps

现代基础架构和应用程序生成用于搜索，索引和分析的日志数据。从操作系统，应用软件，服务器软件和硬件获得的大量数据集可以与搜索模式和见解相关联。

在将机器学习模型应用于此类数据集之后，IT操作可以从被动转换为预测。当人工智能的潜力应用于运营时，它将重建基础设施的处理方式。AI和ML在DevOps和IT运营中的应用将为公司提供智能。它将帮助运营团队进行准确而准确的根本原因分析。

这就是为什么AIOps将成为2019年的焦点.AI和DevOps的融合将使企业和公共云供应商受益。

7. 自动机器学习模型

将改变基于ML的模型的AI趋势是AutoML。它将允许开发人员和业务分析人员开发可以解决复杂场景的机器学习模型，而无需经历ML模型的培训过程。

使用AutoML平台时，业务分析师可以继续强调业务问题，而不是迷失在工作流和进度中。

该平台可以适应自定义ML平台和认知API，并提供适当级别的个性化，而无需开发人员完成整个工作流程。

8. 深度学习

当数据维数增加时，机器学习变得复杂。想象一下，您尝试将您的声音转录到文本中。问题多次恶化。

然而，深度学习是自动驾驶汽车，图像识别和语音控制背后的技术。随着Google Home和Amazon的Alexa的出现，您可以找到使用自然语言处理的各种基于语音的应用程序，这是深度学习的一种应用。

因此，我们可以看到对下一代深度学习算法的兴趣增加，这些算法可以克服复杂问题，例如技术基础设施问题的解释。

9. AI和区块链的融合

众所周知，区块链可以应对可伸缩性等挑战，而人工智能有信任和隐私问题，这两种技术可以结合起来解决这些挑战。

区块链为分散的市场提供动力，可以帮助AI算法变得更加可靠和透明。例如，Enigma是一家初创公司，提供安全的数据市场，用户可以通过智能合约订阅和访问。

10. 政策和隐私

GDPR的引入是2018年最热门的话题。我们预计2019年和2020年会有更多与政策和隐私相关的对话。

我们大多数人都不知道我们的数字信息是如何在互联网上使用的。Facebook的隐私危机导致了对数字数据隐私的意识。

这就是为什么立法者和国家将继续将隐私政策视为2019年的一个关键问题的原因。围绕人工智能使用数字生态系统的同意问题将非常重要，围绕AI制定的法律需要进一步理解。世界各国将继续致力于制定人工智能法规的举措。

关键词： AI芯片神经网络