隨著深度學(xué)習(xí)技術(shù)在智能駕駛、智慧金融、智能制造、智慧農(nóng)業(yè)、智慧醫(yī)療、智能家居等領(lǐng)域的逐步應(yīng)用，作為引領(lǐng)這一輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)，人工智能的產(chǎn)業(yè)化已經(jīng)取得了顯著的效果，顯示出帶動性很強(qiáng)的“頭雁”效應(yīng)。中國、美國、英國、德國、法國、日本等主要國家都紛紛將人工智能上升為國家級戰(zhàn)略，積極搶占人工智能競爭的制高點(diǎn)。我國還進(jìn)一步強(qiáng)調(diào)要加強(qiáng)人工智能領(lǐng)域前沿技術(shù)布局，支持科學(xué)家勇闖人工智能科技前沿的“無人區(qū)”。

經(jīng)歷了60多年的發(fā)展之后，人工智能已經(jīng)開始走出實(shí)驗(yàn)室，進(jìn)入到了產(chǎn)業(yè)化階段。具體表現(xiàn)出以下幾個(gè)方面的特點(diǎn)：

深度學(xué)習(xí)通過構(gòu)建多隱層模型和海量訓(xùn)練數(shù)據(jù)，來學(xué)習(xí)更有用的特征，最終提升分析準(zhǔn)確性。深度學(xué)習(xí)能夠通過數(shù)據(jù)挖掘進(jìn)行海量數(shù)據(jù)處理，自動學(xué)習(xí)數(shù)據(jù)特征，尤其適用于包含少量未標(biāo)識數(shù)據(jù)的大數(shù)據(jù)集；采用層次網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行逐層特征變換，將樣本的特征表示變換到一個(gè)新的特征空間，從而使分類或預(yù)測更加容易。因此，深度學(xué)習(xí)自2006年由Jeffery Hinton實(shí)證以來，在云計(jì)算、大數(shù)據(jù)和芯片等的支持下，已經(jīng)成功地從實(shí)驗(yàn)室中走出來，開始進(jìn)入到了商業(yè)應(yīng)用，并在機(jī)器視覺、自然語言處理、機(jī)器翻譯、路徑規(guī)劃等領(lǐng)域取得了令人矚目的成績。

在深度學(xué)習(xí)應(yīng)用逐步深入的同時(shí)，學(xué)術(shù)界也在繼續(xù)探索新的算法。

1. 一方面，繼續(xù)深度學(xué)習(xí)算法的深化和改善研究，如深度強(qiáng)化學(xué)習(xí)、對抗式生成網(wǎng)絡(luò)、深度森林、圖網(wǎng)絡(luò)、遷移學(xué)習(xí)等，以進(jìn)一步提高深度學(xué)習(xí)的效率和準(zhǔn)確率。

2. 另一方面，一些傳統(tǒng)的機(jī)器學(xué)習(xí)算法重新受到重視，如貝葉斯網(wǎng)絡(luò)、知識圖譜等。

3. 另外，還有一些新的類腦智能算法提出來，將腦科學(xué)與思維科學(xué)的一些新的成果結(jié)合到神經(jīng)網(wǎng)絡(luò)算法之中，形成不同于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)技術(shù)路線，如膠囊網(wǎng)絡(luò)等。

自從李飛飛等在2009年成功創(chuàng)建ImageNet數(shù)據(jù)集以來，該數(shù)據(jù)集就已經(jīng)成為了業(yè)界圖形圖像深度學(xué)習(xí)算法的基礎(chǔ)數(shù)據(jù)集，通過舉辦比賽等方式極大地促進(jìn)了算法的進(jìn)步，使得算法分類精度已經(jīng)達(dá)到了95%以上。這也使得一些大型研究機(jī)構(gòu)和企業(yè)逐漸認(rèn)識到了數(shù)據(jù)的價(jià)值，紛紛開始建立自己的數(shù)據(jù)集，以便進(jìn)行數(shù)據(jù)挖掘和提升深度學(xué)習(xí)模型的準(zhǔn)確率。如：

美國國家標(biāo)準(zhǔn)研究院的Mugshot、

谷歌的SVHN、

微軟的MS COCO等圖像基礎(chǔ)數(shù)據(jù)集，

斯坦福大學(xué)的SQuAD、

卡耐基梅隆大學(xué)的Q/A Dataset、

Salesforce的WikiText等自然語言數(shù)據(jù)集

以及2000 HUB5 English、

CHiME、TED-LIUM等語音數(shù)據(jù)集。

由于深度學(xué)習(xí)對算力有較高的需求，因此相繼出現(xiàn)了一些專門的計(jì)算框架和平臺，如伯克利大學(xué)的Caffe、微軟的CNTK、Facebook的Torch、亞馬遜的MXNet、百度的 PaddlePaddle等，尤其是谷歌的TensorFlow能夠支持異構(gòu)設(shè)備的分布式計(jì)算，其平臺API能力已經(jīng)覆蓋了CNN、RNN、LSTM等當(dāng)前最流行的深度神經(jīng)網(wǎng)絡(luò)模型。除了從計(jì)算框架軟件平臺進(jìn)行研發(fā)之外，產(chǎn)業(yè)界同時(shí)也從硬件方面探索計(jì)算能力的提升方法。最為直接的方法就是采用計(jì)算能力更強(qiáng)的GPU替代原有的CPU等。此外，谷歌、IBM等一些大型企業(yè)在大量采用GPU的同時(shí)，也在探索進(jìn)行符合自身計(jì)算環(huán)境的芯片研發(fā)，從而進(jìn)一步降低成本、提高效率，因此產(chǎn)生了TPU等性能更加卓越的新型芯片。

雖然人工智能技術(shù)發(fā)展已經(jīng)取得了前所未有的成績，但隨著深度學(xué)習(xí)技術(shù)應(yīng)用的不斷深化和產(chǎn)業(yè)化步伐的逐步加快，人工智能技術(shù)發(fā)展也面臨著不少挑戰(zhàn)。

1. 一是在有限樣本和計(jì)算單元的情況下，對復(fù)雜函數(shù)的表示能力有限，其針對復(fù)雜分類問題的泛化能力受限。

2. 二是通過深度學(xué)習(xí)是一種基于概率統(tǒng)計(jì)的算法，機(jī)器系統(tǒng)學(xué)習(xí)到的是大概率內(nèi)容，不是知識，無法像人類一樣進(jìn)行舉一反三的應(yīng)用。

3. 三是深度學(xué)習(xí)存在黑箱問題，不能解釋其自身做出決策的原因。

由于大數(shù)據(jù)技術(shù)的出現(xiàn)和使用時(shí)間還不長，各類基礎(chǔ)數(shù)據(jù)不論從數(shù)量上還是從質(zhì)量上來看，都尚需要較長時(shí)間的積累。一方面，某些關(guān)鍵領(lǐng)域和學(xué)術(shù)數(shù)據(jù)集還嚴(yán)重不足。另一方面，已有規(guī)模化的基礎(chǔ)數(shù)據(jù)集不僅數(shù)據(jù)質(zhì)量良莠不齊，而且基本上由少數(shù)幾家巨頭或政府所掌握，鑒于監(jiān)管和競爭等因素，無法實(shí)現(xiàn)有效流動?；A(chǔ)數(shù)據(jù)的缺乏，使得深度學(xué)習(xí)模型訓(xùn)練也造成了樣本基礎(chǔ)缺失。

雖然已經(jīng)出現(xiàn)了TensorFlow、Caffe、CNTK、Torch、MXNet、PaddlePaddle等深度學(xué)習(xí)計(jì)算框架，但由于深度學(xué)習(xí)應(yīng)用場景眾多，相關(guān)應(yīng)用呈現(xiàn)碎片化特點(diǎn)，無論從功能還是性能角度來講，用于實(shí)現(xiàn)最后應(yīng)用落地的開源計(jì)算框架與實(shí)際需求之間都還存在著相當(dāng)?shù)木嚯x，滿足產(chǎn)業(yè)發(fā)展需求且具有絕對統(tǒng)治地位的開源計(jì)算框架也還沒有出現(xiàn)。同時(shí)，深度學(xué)習(xí)芯片還只是剛剛起步，而且還基本上屬于專有領(lǐng)域的芯片，通用智能芯片的產(chǎn)業(yè)化還需要較長時(shí)間的探索。

由于黑箱問題及其基于概率統(tǒng)計(jì)的特點(diǎn)，基于深度學(xué)習(xí)的智能系統(tǒng)存在產(chǎn)生不可控結(jié)果的隱患。我們已經(jīng)看到，使用了人工智能技術(shù)的智能駕駛汽車出現(xiàn)了多次的事故，甚至造成了人員的傷亡。另外，使用了智能算法的自動駕駛飛機(jī)也出現(xiàn)了多次墜機(jī)事故。這些事故不僅造成了人們的生命和財(cái)產(chǎn)損失，也嚴(yán)重打擊了人們對人工智能的信心。實(shí)際上，這些事故的發(fā)生除了有技術(shù)方面的原因之外，還涉及到AI倫理的問題，也就是如何保證人類與智能系統(tǒng)之間的和諧共處、協(xié)同合作等問題。目前來看，AI的倫理問題還需要較長的探索過程。

短期來看，人工智能技術(shù)的發(fā)展將圍繞對上述問題的解決進(jìn)行。下面從算法理論、數(shù)據(jù)集基礎(chǔ)、基礎(chǔ)設(shè)施、人機(jī)協(xié)同等以下幾個(gè)方面進(jìn)行探討。

在算法理論層面，將繼續(xù)按照深度學(xué)習(xí)完善和新算法的兩條主線發(fā)展。首先，深度學(xué)習(xí)在提升可靠性、可解釋性等方面的研究以及零數(shù)據(jù)學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)等模型的研究將成為熱點(diǎn)方向，這不僅僅是深度學(xué)習(xí)算法本身發(fā)展的需要，也是產(chǎn)業(yè)發(fā)展的需要。其次，學(xué)術(shù)界將繼續(xù)開展新型算法的探索，包括對傳統(tǒng)機(jī)器學(xué)習(xí)算法的改進(jìn)、傳統(tǒng)機(jī)器學(xué)習(xí)算法與深度學(xué)習(xí)的結(jié)合以及與深度學(xué)習(xí)迥異的新型算法等。

在數(shù)據(jù)集基礎(chǔ)方面，學(xué)術(shù)界與產(chǎn)業(yè)界將共同合作構(gòu)建語音、圖像、視頻等通用數(shù)據(jù)集以及各行業(yè)的專業(yè)數(shù)據(jù)集，使得各類數(shù)據(jù)集能夠快速滿足相關(guān)需求。一方面，隨著對人工智能認(rèn)識的不斷加深，將會有越來越多的企業(yè)和政府機(jī)構(gòu)開展數(shù)據(jù)自建和數(shù)據(jù)標(biāo)注等工作。另一方面，隨著深度學(xué)習(xí)的發(fā)展，將會出現(xiàn)智能化的數(shù)據(jù)標(biāo)注系統(tǒng)來幫助和替代人類進(jìn)行數(shù)據(jù)標(biāo)注等工作。再有，在政府引導(dǎo)和支持下，一些開放的標(biāo)準(zhǔn)化數(shù)據(jù)集將會陸續(xù)出現(xiàn)，為整個(gè)行業(yè)提供標(biāo)準(zhǔn)化訓(xùn)練數(shù)據(jù)集。

在計(jì)算平臺與芯片方面，大型企業(yè)自研計(jì)算框架、自建計(jì)算平臺，甚至是自研芯片等，仍將是普遍現(xiàn)象。這主要是由于以下兩個(gè)方面的原因。一是企業(yè)出于自身數(shù)據(jù)和業(yè)務(wù)安全的考慮，對使用其他機(jī)構(gòu)提供的訓(xùn)練平臺仍然持有不信任的態(tài)度；二是每個(gè)企業(yè)的數(shù)據(jù)中心和相關(guān)平臺都有其自身的特點(diǎn)，自研計(jì)算框架、自建計(jì)算平臺和自研芯片能夠更好地滿足自身的業(yè)務(wù)發(fā)展需要。

在人機(jī)協(xié)同機(jī)制方面，“人在回路”將成為智能系統(tǒng)設(shè)計(jì)的必備能力。目前，機(jī)器智能并沒有實(shí)現(xiàn)人們所希望的“以人為中心”，仍然還是以機(jī)器為中心，這也是人類屢受智能系統(tǒng)傷害的主要原因之一。因此，將人類認(rèn)知模型引入到機(jī)器智能中，使之能夠在推理、決策、記憶等方面達(dá)到類人智能水平，將成為學(xué)術(shù)界和產(chǎn)業(yè)界共同追求的目標(biāo)，并可能在一定的時(shí)間內(nèi)取得較好的階段性成果。

長期來看，人工智能技術(shù)將分別沿著算法和算力兩條主線向前發(fā)展，并逐步帶領(lǐng)人類進(jìn)入到人機(jī)協(xié)同的新時(shí)代。

深度學(xué)習(xí)是基于馮·諾依曼體系結(jié)構(gòu)發(fā)展起來的。由于受到內(nèi)存墻等相關(guān)方面的制約，難以達(dá)到較高的計(jì)算效率。為此，近些年來IBM等已經(jīng)開始進(jìn)行顛覆馮·諾依曼體系結(jié)構(gòu)的類腦智能算法與技術(shù)的探索。類腦智能借鑒大腦中“內(nèi)存與計(jì)算單元合一”等信息處理的基本規(guī)律，在硬件實(shí)現(xiàn)與軟件算法等多個(gè)層面，對于現(xiàn)有的計(jì)算體系與系統(tǒng)做出本質(zhì)的變革，并實(shí)現(xiàn)在計(jì)算能耗、計(jì)算能力與計(jì)算效率等諸多方面的大幅改進(jìn)。目前，隨機(jī)興奮神經(jīng)元、擴(kuò)散型憶阻器等已經(jīng)在IBM、馬薩諸塞州阿姆赫斯特大學(xué)、清華大學(xué)等機(jī)構(gòu)研制成功，IBM已經(jīng)研制成功TrueNorth芯片，清華大學(xué)團(tuán)隊(duì)也成功研制出了基于憶阻器的PUF芯片。

隨著智能裝備和智能機(jī)器人等智能終端的逐漸增多，智能終端的快速反應(yīng)以及相互之間的協(xié)同行動需求將會越來越迫切，對智能服務(wù)的實(shí)時(shí)性將會越來越強(qiáng)烈。這就要求智能服務(wù)從云端向網(wǎng)絡(luò)邊緣甚至終端擴(kuò)散，智能模型與算法需要部署在網(wǎng)絡(luò)邊緣或終端之上，就近提供網(wǎng)絡(luò)、計(jì)算、存儲、應(yīng)用等核心能力，從而滿足通信、業(yè)務(wù)、安全等各方面的關(guān)鍵需求。目前，英偉達(dá)、高通等都已經(jīng)陸續(xù)開展了用于邊緣網(wǎng)絡(luò)或終端的AI專用芯片。而隨著5G網(wǎng)絡(luò)的普遍部署，邊緣智能將會獲得快速的發(fā)展。

隨著人工智能應(yīng)用在生產(chǎn)生活中的不斷深入融合，智能終端的互聯(lián)互通將會成為必然。由于跨框架體系開發(fā)及部署需要投入大量資源，因此盡管每個(gè)終端的智能模型可能不同，但深度學(xué)習(xí)計(jì)算框架的模型底層表示將會逐漸趨同，形成深度學(xué)習(xí)通用計(jì)算框架和平臺。隨著計(jì)算框架的整合，GPU和TPU等芯片將可能會被通用AI芯片所替代。

不論現(xiàn)在還是將來，人工智能無疑都將是最為消耗計(jì)算資源的業(yè)務(wù)和應(yīng)用之一，計(jì)算效率也將是智能體永恒的追求目標(biāo)。量子計(jì)算具有強(qiáng)大的計(jì)算能力和效率，已經(jīng)成為全球公認(rèn)的下一代計(jì)算技術(shù)。IBM已經(jīng)在近期推出了世界上第一個(gè)商用的通用近似量子計(jì)算系統(tǒng)里程碑產(chǎn)品IBM Q System One，客戶可以通過互聯(lián)網(wǎng)使用這臺量子計(jì)算機(jī)進(jìn)行大規(guī)模的數(shù)據(jù)計(jì)算，為人工智能計(jì)算展示了良好的前景。

人工智能已經(jīng)逐漸向工業(yè)、農(nóng)業(yè)、交通、醫(yī)療、金融等各個(gè)領(lǐng)域滲透，并開始形成新的業(yè)態(tài)，成為了新一輪技術(shù)革命的制高點(diǎn)。因此，必須積極主動把握人工智能技術(shù)和產(chǎn)業(yè)發(fā)展機(jī)遇，認(rèn)清技術(shù)發(fā)展趨勢，在類腦智能、邊緣智能、通用平臺與芯片、量子計(jì)算等前沿技術(shù)領(lǐng)域加快布局，勇闖人工智能科技前沿的“無人區(qū)”，才能抓住人工智能時(shí)代發(fā)展的主動權(quán)。

說明：本文發(fā)表于《中國工業(yè)和信息化》雜志2019年4月刊總第11期