- 1、本文档共7页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
【人工智能】人工智能前沿技术应用趋势与发展展望
随着深度学习技术在智能驾驶、智慧金融、智能制造、智慧农业、
智慧医疗、智能家居等领域的逐步应用,作为引领这一轮科技革命和
产业变革的战略性技术,人工智能的产业化已经取得了显著的效果,
显示出带动性很强的“头雁”效应。中国、美国、英国、德国、法国、
日本等主要国家都纷纷将人工智能上升为国家级战略,积极抢占人工
智能竞争的制高点。我国还进一步强调要加强人工智能领域前沿技术
布局,支持科学家勇闯人工智能科技前沿的“无人区”。
现阶段人工智能技术发展特点
经历了60多年的发展之后,人工智能已经开始走出实验室,进入
到了产业化阶段。具体表现出以下几个方面的特点:
深度学习技术逐渐在各领域开始应用
深度学习通过构建多隐层模型和海量训练数据,来学习更有用的
特征,最终提升分析准确性。深度学习能够通过数据挖掘进行海量数
据处理,自动学习数据特征,尤其适用于包含少量未标识数据的大数
据集;采用层次网络结构进行逐层特征变换,将样本的特征表示变换
到一个新的特征空间,从而使分类或预测更加容易。因此,深度学习
自2006年由JefferyHinton实证以来,在云计算、大数据和芯片等
的支持下,已经成功地从实验室中走出来,开始进入到了商业应用,
并在机器视觉、自然语言处理、机器翻译、路径规划等领域取得了令
人瞩目的成绩。
新型算法不断探索
在深度学习应用逐步深入的同时,学术界也在继续探索新的算法。
1.一方面,继续深度学习算法的深化和改善研究,如深度强化学
习、对抗式生成网络、深度森林、图网络、迁移学习等,以进一步提
高深度学习的效率和准确率。
2.另一方面,一些传统的机器学习算法重新受到重视,如贝叶斯
网络、知识图谱等。
3.另外,还有一些新的类脑智能算法提出来,将脑科学与思维科
学的一些新的成果结合到神经网络算法之中,形成不同于深度学习的
神经网络技术路线,如胶囊网络等。
基础数据集建设已经成为基本共识
自从李飞飞等在2009年成功创建ImageNet数据集以来,该数
据集就已经成为了业界图形图像深度学习算法的基础数据集,通过举
办比赛等方式极大地促进了算法的进步,使得算法分类精度已经达到
了95%以上。这也使得一些大型研究机构和企业逐渐认识到了数据的
价值,纷纷开始建立自己的数据集,以便进行数据挖掘和提升深度学
习模型的准确率。如:
美国国家标准研究院的Mugshot、
谷歌的SVHN、
微软的MSCOCO等图像基础数据集,
斯坦福大学的SQuAD、
卡耐基梅隆大学的Q/ADataset、
Salesforce的WikiText等自然语言数据集
以及2000HUB5English、
CHiME、TED-LIUM等语音数据集。
新型计算基础设施陆续成为产业界发展目标
由于深度学习对算力有较高的需求,因此相继出现了一些专门的
计算框架和平台,如伯克利大学的Caffe、微软的CNTK、Facebook
的Torch、亚马逊的MXNet、百度的PaddlePaddle等,尤其是谷歌
的TensorFlow能够支持异构设备的分布式计算,其平台API能力已经
覆盖了CNN、RNN、LSTM等当前最流行的深度神经网络模型。除了
从计算框架软件平台进行研发之外,产业界同时也从硬件方面探索计
算能力的提升方法。最为直接的方法就是采用计算能力更强的GPU替
代原有的CPU等。此外,谷歌、IBM等一些大型企业在大量采用GPU
的同时,也在探索进行符合自身计算环境的芯片研发,从而进一步降
低成本、提高效率,因此产生了TPU等性能更加卓越的新型芯片。
人工智能技术发展面临的挑战
虽然人工智能技术发展已经取得了前所未有的成绩,但随着深度
学习技术应用的不断深化和产业化步伐的逐步加快,人工智能技术发
展也面临着不少挑战。
主流技术深度学习还具有较大局限性
1.一是在有限样本和计算单元的情况下,对复杂
文档评论(0)