AI的未来:2019年人工智能发展深度指南

首页 » 人工智能 » 正文

从长远来看,对AI的投资和兴趣预计会增加,因为可以释放重大经济价值的主要AI用例(例如,自动驾驶,以AI为动力的医疗诊断)已经可以实现。这些用例可能会实现,因为有望在AI的3个构建块中进行改进:更多数据的可用性,更好的算法和计算。

短期变化很难预测,我们可能会经历另一个AI冬季,但这可能是短暂的。随意跳到不同的部分,以查看有关AI未来的问题的最新答案:

对人工智能的兴趣会继续增加吗?

简短的回答:是的。

对AI的兴趣一直在增加

根据AI Index,从2015年到2018年,美国活跃的AI初创公司数量增加了113%。得益于深度学习方面的最新进展,AI已经为搜索引擎,在线翻译,虚拟助手和众多营销与销售决策提供了动力。

下面的Google趋势图显示了包括“人工智能”一词在内的查询数量。自2015年以来,人工智能的普及率已达到2015年的2-3倍。

AI的未来:2019年人工智能发展深度指南
资料来源:Google趋势

一个值得注意的例外是2019。在2019年,对AI的兴趣似乎已经稳定。短期内对AI的兴趣可能会稳定下来。

有高价值的AI用例需要进一步研究

自动驾驶是一种日益流行的流行用例。随着特斯拉和奥迪今天生产半自动车,他们仍然需要驾驶员来控制。这项技术迅速提高,达到了全自动驾驶水平。麦肯锡(McKinsey)预测,到2030年,约有15%的汽车将实现完全自动驾驶。

另一个用例是会话代理。我们通常在客户服务和呼叫中心与AI代理会面。但是,这些代理的功能当前非常有限。随着AI研究的发展,会话代理将在将来改善以处理几乎所有客户的任务

人工智能研究工作继续增长

 在1996年至2016年期间,有关AI的已发表论文数量增长了八倍,超过了计算机科学论文的增长。

AI的未来:2019年人工智能发展深度指南
资料来源:AI指数

突破性的AI研究可能需要在深度学习之外的新方向上继续进行。像加里·马库斯(Gary Marcus)这样的AI研究人员认为,深度学习已经发挥了潜力,并且其他AI方法也需要新的突破。Gray在本文中概述了他对AI局限性的观察,回答了反对他的论文的大多数批评性论点,并为这一预测设定了时间表。他预计,到2021年,人​​工智能领域的VC热情将得到缓和,但他期望在2023年至2027年之间的某个时间里,释放商业机会(例如新的深度学习)的下一个AI范式出现。

塑造AI未来的主要趋势是什么?

迄今为止,人工智能系统依靠这些来进行改进:提供更多数据,更好的算法和计算能力。在所有这三个领域中,都有很大的改进潜力,尽管很难将它们放在时间表上

计算能力的进步

深度学习依靠计算能力来解决更复杂的问题。使用当前的技术,学习可能需要很长时间才能受益。因此,需要提高计算能力。借助新的计算技术,公司可以拥有可以学习解决更复杂问题的AI模型。

支持AI的芯片

即使是最先进的CPU本身也可能无法提高AI模型的效率。为了在计算机视觉,自然语言处理或语音识别等情况下使用AI,公司需要高性能的CPU。支持AI的芯片成为应对这一挑战的解决方案。这些芯片使CPU“智能化”以优化其任务。结果,CPU可以单独工作以提高效率。新的AI技术将需要这些芯片来解决复杂的任务并更快地执行它们。

像Facebook,Amazon和Google这样的公司正在增加对支持AI的芯片的投资。您可以在下面找到针对支持AI的芯片初创公司的全球股权融资图表。

AI的未来:2019年人工智能发展深度指南
资料来源:《金融时报》

这些芯片将协助下一代数据库进行更快的查询处理和预测分析。医疗保健和汽车等行业严重依赖这些芯片来提供情报。

GPU的进步

GPU是最常用的AI启用芯片之一。

渲染图像需要简单的计算能力,但需要非常快速地大规模完成。GPU是此类情况的最佳选择,因为它们可以同时处理数千个简单任务。由于GPU中的新技术可以更快地完成这些简单的任务,因此它们可以渲染更高质量的图像。

现代GPU已经变得足够强大,可以用于图像渲染以外的任务,例如加密货币挖掘或机器学习。尽管CPU通常用于执行这些任务,但数据科学家发现这些是重复的并行任务。因此,GPU被广泛用于AI模型中以进行有效学习。

量子计算

传统的计算机系统使用二进制状态。0和1。但是,量子计算将其推向另一个层次,并与量子力学一起工作。这使量子系统能够使用量子位而不是位。虽然位由0和1组成,但量子位由0、1和一个附加状态(同时包括这两个状态)组成。这种附加状态使量子计算可以接受新的可能性,并为某些任务提供更快的计算能力。这些任务包括神经网络优化和数字近似。

IBM表示,未来10年将有可能制造出具有50-100量子比特的量子计算机。当我们认为50量子位的量子计算机比当今最好的500台超级计算机运行得更快时,量子计算具有提供更多计算能力的巨大潜力。

数据可用性方面的进步

这一点不需要详细解释。数据可用性呈指数级增长,并且随着物联网设备的普及,这种可用性有望继续增长。

AI的未来:2019年人工智能发展深度指南

算法设计的进步

尽管AI的功能迅速提高,但AI模型背后的算法也将不断发展。算法设计的进步将使AI能够更有效地工作,并且能够以更少的技术知识为更多的人所用。您可以在下面找到AI算法设计的重要进步。

可解释的AI(XAI)

AI模型的主要弱点之一是它的复杂性。建立和理解AI模型需要一定水平的编程技能,并且花费时间来消化模型的工作流程。结果,公司通常会在不了解其工作流程的情况下从AI模型的结果中受益。

为了解决这一挑战,Explainable AI使任何人都可以理解这些模型。XAI具有三个主要目标:

  • AI模型如何影响开发人员和用户
  • 它如何影响数据源和结果
  • 输入如何导致输出

例如,AI模型将来将能够诊断疾病。但是,医生还需要知道AI如何做出诊断。借助XAI,他们可以了解AI如何进行分析,并相应地向患者解释情况。

转移学习

转移学习是一种机器学习方法,使用户可以从以前使用的AI模型中受益于不同的任务。在某些情况下,出于以下原因,使用此技术很聪明:

  • 一些AI模型不容易训练,可能需要数周才能正常工作。当另一个任务出现时,开发人员可以选择采用这种训练有素的模型,而不是创建一个新模型。这将节省模型训练的时间。
  • 在某些情况下,可能没有足够的数据。公司可以使用以前训练有素的模型来获得更准确的结果,而不必处理少量数据。

例如,经过良好训练以识别不同汽车的AI模型也可以用于卡车。从汽车中获得的见识将使卡车受益匪浅,而不是从头开始。

强化学习(RL)

强化学习是机器学习的子集,旨在使AI代理采取行动以最大化其奖励。RL不是传统的学习,而是寻找模式进行预测。它做出顺序决策以最大化其回报,并从经验中学习。

如今,最常见的RL例子是Google的DeepMind AlphaGo,它在连续两场比赛中击败了世界排名第一的围棋选手Ke Jie。将来,RL也将用于全自动工厂和自动驾驶汽车中。

人工智能构建工具的进步

尽管这些算法不是新颖的算法,但它们可以减少构建模型的时间,并可以进行AI研究和商业化

神经网络的兼容性和集成

对于数据科学家来说,选择最佳的神经网络框架是一项挑战。由于市场上有许多AI工具,因此选择最佳的AI工具来实现神经网络框架非常重要。但是,一旦在一个AI工具中训练了模型,就很难将模型集成到其他框架中。

为了解决这个问题,Facebook,微软和亚马逊等技术巨头正在合作建立开放式神经网络交换(ONNX),以跨多个框架集成经过训练的神经网络模型。将来,ONNX有望成为该行业必不可少的技术。

自动化机器学习

AutoML支持公司解决复杂的业务案例。借助这项技术,分析人员将无需完成手动机器学习培训过程。他们甚至可以开发可以应对未来AI挑战的新模型。因此,他们将专注于主要案例,而不是浪费时间来了解工作流程。

AutoML还为不同的业务案例提供定制。当您将数据与可移植性结合在一起时,这将实现灵活的模型。要了解有关AutoML的更多信息,可以查看我们的文章

人工智能将支持哪些未来技术?

人工智能用例将决定人工智能的发展。资金的可用性取决于用例,更有价值的用例将激励公司和政府进行更多的投资。

人工智能的改进将使我们的智能系统更加智能。我们的汽车将自行驾驶,房屋将调整其用电量,机器人将能够诊断出我们的疾病。换句话说,人工智能将覆盖我们生活中的更多内容,并将使我们的日常任务自动化。以下是一些AI技术的用例,这些用例当前以非常有限的功能或有限的范围存在(研究项目)。这些技术的改进将释放出巨大的价值。

  • 人工智能助手
  • 基于AI的医学诊断
  • 自主付款
  • 自动驾驶汽车
  • 仿生器官
  • 对话代理
  • 智慧城市
  • 智能尘埃

基于云计算的用例

云计算旨在创建一个系统,您可以在其中实现所需的计算功能。根据IDG贡献者网络的Gary Eastwood的说法,云计算和AI将在未来融合。

AI的集成将帮助AI模型从云中访问信息,进行自我训练并将新见解应用到云中。这使其他AI模型可以从这些新见解中学习。这种融合提高了计算能力以及处理许多数据和情报的能力。

云计算的可能用例包括AI领导的无人机,传感器网络和智能尘埃。

扩展现实(XR)

除了虚拟现实或增强现实之类的技术外,初创企业还在尝试带来触摸,品味和气味,以在AI技术的支持下增强这些身临其境的体验。尽管XR将来可能会带来一些安全问题,但XR对于将来提高工人的生产率和客户体验至关重要。

据埃森哲(Accenture)称,  借助XR工具,大众汽车的设计师可以在空间上以3D方式体验汽车的外观,感觉和驾驶。

物联网与人工智能的融合

另一趋势技术IoT将在未来与AI技术融合。AI可以在物联网平台中用于根本原因分析,机器的预测性维护或异常检测等用例中。相机,麦克风和其他传感器等设备会从视频帧,语音合成或任何其他媒体中收集此数据。然后,使用基于神经网络的高级AI技术在公共云环境中对其进行训练。

未经允许不得转载:作者:Poet, 转载或复制请以 超链接形式 并注明出处 RPA学习
原文地址:《AI的未来:2019年人工智能发展深度指南》 发布于2019-10-29

分享到:
赞(0)

长按图片转发给朋友

网站公告

网站访客类型统计 2020-09-9

访客人群统计

查看结果

加载中 ... 加载中 ...

我已阅读
RPA学习社区 开通了
打造轻量级RPA学习论坛!专注于RPA学习探讨,与你一起成长。
切换注册

登录

忘记密码 ?

切换登录

注册