近年來，隨著計算機視覺、語音識別、機器翻譯的技術的發(fā)展和商業(yè)化，及諸如數(shù)字廣告和智能基礎設施等基于機器學習的后臺技術的普遍部署，人工智能已經(jīng)從實驗室的研究項目變成了實際生產(chǎn)系統(tǒng)不可或缺的關鍵技術。正是因為積累的海量數(shù)據(jù)、計算能力前所未有的發(fā)展高度、機器學習方法的不斷進展、系統(tǒng)軟件和架構的持續(xù)創(chuàng)新、及方便這些技術落地的開源項目和云計算平臺，促使了人工智能技術的廣泛應用。
下一代人工智能系統(tǒng)將更廣泛地影響我們的生活，人工智能將會通過與環(huán)境交互替人類進行更關鍵的和更加個性化的決策。若想要人工智能發(fā)揮更大的作用，我們將面臨諸多極具挑戰(zhàn)性的問題：我們需要人工智能系統(tǒng)可以在各種極端情況下及時做出安全的決策，比如在各種惡意攻擊情況下具備魯棒性，在保證隱私的情況下具備處理跨多組織多個人的共享數(shù)據(jù)的能力。隨著摩爾定律的終結，存儲和處理數(shù)據(jù)的能力將受限，這些挑戰(zhàn)也將變得更加難以解決。在這篇文章里，我們將總結在系統(tǒng)領域、體系結構領域、安全領域等方面的具體研究方向。
四大趨勢：
關鍵性任務的人工智能（Mission-critical AI）
個性化人工智能（Personalized AI）
跨多組織機構的人工智能（AI across organizations）
后摩爾定律時期的人工智能（AI demands outpacing the Moore’s Law
九大挑戰(zhàn)：
持續(xù)學習（Continual learning）
魯棒決策（Robust decisions）
可解讀的決策（Explainable decisions）
安全飛地（Secure enclaves）
對抗學習（Adversarial learning）
在保密數(shù)據(jù)上的共享學習（Shared learning on confidential data）
特定領域定制的硬件（Domain specific hardware）
組件化的AI系統(tǒng)（Composable AI systems）
跨云端和邊緣的系統(tǒng)（Cloud-edge systems）
人工智能在過去二十年飛速發(fā)展的原因歸結于三點：
(1）大數(shù)據(jù)
(2）高擴展性的計算機和軟件系統(tǒng)
(3）開源軟件（Spark、TensorFlow、MXNet、Caffe、PyTorch、BigDL）及公有云服務（Amazon AWS、Google Cloud、MS Azure）的興起和流行，這使研究人員可以很容易的租用GPU服務器或者FPGA服務器來驗證他們的算法。
雖然人工智能已經(jīng)應用到了眾多應用領域，但是人類希望在更多領域發(fā)揮人工智能的作用，包括健康醫(yī)療、交通運輸、工業(yè)制造、國防、娛樂、能源、農(nóng)業(yè)、銷售業(yè)等等領域。大規(guī)模系統(tǒng)和機器學習框架已經(jīng)幫助人工智能取得了一定程度的成功，我們期待計算機系統(tǒng)能夠可以更進一步地促進人工智能的發(fā)展。
