毋庸置疑，人工智能是高新技術(shù)產(chǎn)業(yè)的下一熱門技術(shù)。由高科技公司引領(lǐng)的研究和創(chuàng)新正在影響諸多垂直行業(yè)，包括醫(yī)療衛(wèi)生、汽車、金融、制造和零售。雖然技術(shù)一直在這些領(lǐng)域中的地位舉足輕重，但是人工智能正在演變?yōu)檫@些產(chǎn)業(yè)的核心技術(shù)。從重要的救生醫(yī)療設(shè)備到自動駕駛汽車，人工智能已經(jīng)幾乎融入到所有的應用程序和設(shè)備中。
一些平臺企業(yè)，諸如亞馬遜、蘋果公司、谷歌、IBM以及微軟等，也在人工智能的研究和開發(fā)方面進行了投資，他們都有一個目標——讓所有業(yè)務(wù)都能夠使用人工智能。
加快機器學習和人工智能領(lǐng)域創(chuàng)新步伐的因素中，有三個重要的方面：
下一代計算架構(gòu)
傳統(tǒng)的微型處理器和CPU并不是為了機器學習開發(fā)的。即使是運行最快的CPU也并不能成為機器學習模型最理想的選擇。用于機器學習的CPU必須是通過一系列的處理器相互支持，來對機器學習模型進行訓練和推理，從而讓應用程序更加智能。
由于人工智能技術(shù)的崛起，對GPU需求也在上漲。作為高端游戲電腦和工作站的重要一部分，GPU是在公共云中最受青睞的處理器。和CPU不同的是，GPU有上千個處理核心，能夠加快機器學習訓練進度。即使是為了推理而運行的一個訓練模型，GPU也變得愈加重要。而且，就算沒有CPU，GPU也是必不可少的。從消費者設(shè)備到公共云中的虛擬機，GPU是人工智能技術(shù)的關(guān)鍵所在。
下一代的創(chuàng)新技術(shù)是以現(xiàn)場可編碼門陣列（FPGA）的形式出現(xiàn)的。這些處理器是可編程的，并且也可以根據(jù)特定類型的工作負載進行定制。傳統(tǒng)的CPU是為了處理通用計算，而現(xiàn)場可編碼門陣列在被創(chuàng)造出來后，就能在該領(lǐng)域編程。現(xiàn)場可編碼門陣列設(shè)備能夠用于處理計算任務(wù)，如訓練機器學習模型。公共云供應商亦在利用現(xiàn)場可編碼門陣列，從而為人工智能提供高度優(yōu)化和定制的基礎(chǔ)架構(gòu)。
最后，研究人員和科學家也在關(guān)注公共云中使用裸機服務(wù)器，從而實現(xiàn)云中高性能的計算任務(wù)。這些專業(yè)、單終端的服務(wù)器能夠帶來更加優(yōu)秀的計算能力。由于虛擬機采用的是共享、多終端的基礎(chǔ)架構(gòu)，所以會產(chǎn)生噪音問題。云基礎(chǔ)架構(gòu)服務(wù)，包括亞馬遜的EC2和IBM云，都能夠提供裸機服務(wù)器。
這些技術(shù)創(chuàng)新能夠加快航天、醫(yī)療、圖像處理、汽車以及制造業(yè)采用人工智能技術(shù)的步伐。
訪問歷史數(shù)據(jù)集
在云服務(wù)成為主流技術(shù)前，存儲和訪問數(shù)據(jù)的成本昂貴。云服務(wù)的出現(xiàn)使得以前只能存儲在卡帶和磁盤中的商業(yè)、學術(shù)和政府數(shù)據(jù)被釋放出來。
數(shù)據(jù)科學家需要訪問龐大的歷史數(shù)據(jù)集來訓練機器學習模型，從而提高其預測結(jié)果的準確性。機器學習模型的效率是由數(shù)據(jù)集的數(shù)量和大小直接決定的。研究人員需要大量的數(shù)據(jù)集以及不同的數(shù)據(jù)點，來解決檢查癌癥或者預測降雨等復雜的問題。
隨著數(shù)據(jù)存儲和恢復的成本降低，政府機構(gòu)，醫(yī)療機構(gòu)還有一些高校正在為研究團體提供非結(jié)構(gòu)化數(shù)據(jù)。從醫(yī)學成像到歷史降雨趨勢，研究人員能夠訪問龐大的數(shù)據(jù)集，單單是這一方面就能為人工智能研究產(chǎn)生重大的影響。
將大量的數(shù)據(jù)和高性能的計算設(shè)備結(jié)合起來，能夠推動下一代人工智能解決方案。
深度神經(jīng)網(wǎng)絡(luò)的發(fā)展
影響人工智能研究的第三個以及最重要的一個因素是深度學習和人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。
人工神經(jīng)網(wǎng)絡(luò)（ANN）正代替?zhèn)鹘y(tǒng)的機器學習模型來發(fā)展精確、準確的模型。卷積神經(jīng)網(wǎng)絡(luò)（CNN）將深入學習的能力注入到計算機視覺中。計算機視覺近期所取得的一些成就，如Single Shot Multibox Detector（SSD）和生成對抗網(wǎng)絡(luò)（GAN）都在對圖像處理產(chǎn)生革命性的影響。例如，一些在暗光、低分辨率條件下拍攝的圖片和視頻，能夠使用這些技術(shù)從而將其提高到高清圖片和視頻的水平。在計算機視覺方面的研究將會成為醫(yī)療衛(wèi)生、防御、交通和其它領(lǐng)域圖像處理的基礎(chǔ)。
一些正在發(fā)展的機器學習技術(shù)，如膠囊神經(jīng)網(wǎng)絡(luò)（CapsNet）和遷移學習，將從根本上改變機器學習模型訓練和部署的方式。它們所產(chǎn)生的模型，即使是在有限數(shù)據(jù)的條件下訓練的，也能夠進行準確的預測。
Facebook、谷歌、IBM和微軟正在引領(lǐng)人工智能領(lǐng)域的研究，并且投資了數(shù)十億美元，為了能夠在眾多垂直行業(yè)中更好地使用人工智能技術(shù)。
通過將龐大的數(shù)據(jù)集和下一代計算架構(gòu)結(jié)合起來，能夠讓研究人員和數(shù)據(jù)科學家進行更加快速地進行創(chuàng)新。這些因素將會讓人工智能成為應用程序和設(shè)備中不可或缺的一部分。
原文作者：Janakiram MSV
