您当前的位置:首页 >> 钓鱼
最全报告!人工智能行业发展的驱动因素
发布时间:2019-09-13
 

根据中国人工智能学会与罗兰贝格联合发布的报告,人工智能是一门利用计算机模拟人类智能行为科学的统称,它涵盖了训练计算机使其能够完成自主学习、判断、决策等人类行为的范畴,但是,人工智能并不是一个新的概念,它实际上诞生于20世纪50年代。在这60年间,人工智能发展的并不是一帆风顺,先后经历了Pre-AI时代、黄金时代、第一次低谷、第二次繁荣、第二次低谷。


我们目前正处于第三次浪潮之中,随着互联网时代的高速发展,人工智能相关技术及应用近几年快速爆发,成为市场关注的焦点。人工智能分为基础支撑层、技术层和应用层。基础层方面,AI芯片承载算法,是产业链的核心,国内AI芯片领域涌现了华为、寒武纪科技、中星微电子、地平线、上海酷芯微电子等一批优秀创业企业。技术层方面,深度学习、图像视频识别和文本识别应用范围较广,市场潜力巨大。应用层方面,目前以“AI+行业”的方式展现,人工智能应用优先爆发于数据积累量大、方便获取、有海量数据分析处理需求的行业,安防、金融、医疗、汽车、制造业、教育、广告、传媒、法律、智能家居、农业等均是人工智能落地的方向。


而目前人工智能的发展有以下主要因素驱动:



应用驱动新一代人工智能



1、大数据成为人工智能持续快速发展的基石    


与早期基于推理的人工智能不同,新一代人工智能是由大数据驱动的,通过给定的学习框架,不断根据当前设置及环境信息修改、更新参数,具有高度的自主性。例如,在输入30万张人类对弈棋谱并经过3千万次的自我对弈后,人工智能AlphaGo具备了媲美顶尖棋手的棋力。


2、文本、图像、语音等信息实现跨媒体交互    


随着互联网、智能终端的不断发展,多媒体数据呈现爆炸式增长,并以网络为载体在用户之间实时、动态传播,文本、图像、语音、视频等信息突破了各自属性的局限,实现跨媒体交互,智能化搜索、个性化推荐的需求进一步释放。


3、基于网络的群体智能技术开始萌芽    


如今人工智能研究的焦点已从单纯用计算机模拟人类智能,打造具有感知智能及认知智能的单个智能体,向打造多智能体协同的群体智能转变。    群体智能充分体现了“通盘考虑、统筹优化”思想,具有去中心化、自愈性强和信息共享高效等优点,相关的群体智能技术已经开始萌芽并成为研究热点。例如,我国研究开发了固定翼无人机智能集群系统,并于2017年6月实现了119架无人机的集群飞行。


4、自主智能系统成为新兴发展方向    


在长期以来的人工智能发展历程中,对仿生学的结合和关注始终是其研究的重要方向。但受技术水平的制约和应用场景的局限,没有实现大规模应用推广。当前,随着生产制造智能化改造升级的需求日益凸显,通过嵌入智能系统对现有的机械设备进行改造升级成为更加务实的选择,也是中国制造2025、德国工业4.0、美国工业互联网等国家战略的核心举措。在此引导下,自主智能系统正成为人工智能的重要发展及应用方向。


5、人机协同正在催生新型混合智能形态    


人类智能在感知、推理、归纳和学习等方面具有机器智能无法比拟的优势,机器智能则在搜索、计算、存储、优化等方面领先于人类智能,两种智能具有很强的互补性。人与计算机协同,互相取长补短将形成一种新的“1+1>2”的增强型智能,也就是混合智能,这种智能是一种双向闭环系统,既包含人,又包含机器组件。其中人可以接受机器的信息,机器也可以读取人的信号,两者相互作用,互相促进。



人工智能硬件成本指数下降,运算时间缩短,助力人工智能崛起



人工智能领域的发展与芯片性能的进步是分不开的。人工智能之所以在90年代以前有一段很大的发展空白的一个主要原因是算力不足,运算时间成本过高。90年代人工智能取得的突破很大程度是由于半导体芯片性能的增加。从芯片性能进化史中可以看出,90年代是芯片性能高速发展取得突破的时代。从1978-1986年,芯片性能几乎以每年25%的速度增长;从80年代中期到2000年芯片进入高速发展期,性能年均增长率更是达到52%。所以芯片性能的提升极大的促进人工智能科技的发展。未来科学家Kurzweil认为当1000美元能买到人脑级别的1亿亿运算能力的时候,强人工智能可能成为生活中的一部分。



深度学习推动神经网络算法发展步入爆发期




1986年Hinton发明了适用于多层感知器(MLP)的BP算法,并采用Sigmoid进行非线性映射,有效解决了非线性分类和学习的问题。该方法引起了神经网络的第二次热潮。1991年,BP算法被指出存在梯度消失问题,因此无法对前层进行有效的学习,由于1989年以后没有特别突出的方法被提出,且NN一直缺少相应的严格的数学理论支持,热潮逐渐褪去,该发现对此时的NN发展更是雪上加霜,自此神经网络步入第二次低谷期;机器学习算法取得重大突破:以多层神经网络模型为基础的算法,使得机器学习算法在图像识别等领域的准确性取得了飞跃性的提高。




免责申明:本平台分享信息均不构成任何投资建议,用户一切投资行为与本平台无关。(本文图文均源自网络,如有侵权请联系删除,谢谢!)