要： 设备学习能真正发展为人工智能吗？硬件对人工智能到底有多关键？有什么运用会到2019年成为现实？
2019年即将来临，人工智能将往哪些方向发展？设备学习将如何演变为人工智能？在神经网络行业有着20年技术性工作经验Eugenio Culerciello，在硬件和软件三个方面都是有经验积累。他预测分析，在硬件和应用三个方面，2019年的人工智能都值得我们期待。
总体目标
一句话概括，人工智能领域的目标就是生产制造超越人类能力的机器：无人驾驶汽车、智能家居系统、人力助手和安防摄像头是首要的总体目标，接下来是智能厨卫、清扫机器人及其智能安防无人飞机和机器人。其他应用包含永远在线的个人助理，和可以看到、听到客户人生经历的生活伴侣。人工智能的最终目标乃是彻底自动的人力个人，可在日常任务中做到、乃至超越人类的工作业绩。
手机软件
一般，手机软件是指在最佳化算法训练下，能够解决某一具体内容的神经网络架构。但是，这根本无法相当于人工智能。人工智能务必能够在真正自然界中开展无监督学习，重新的经验中学习，融合在各种自然界中学习的知识、处理当下的难题。
那样，目前的神经网络，如何能演变为人工智能呢？
- 神经网络架构
- 神经网络的优势在于从数据中全自动学习，但是我们忘了一点：训练的基础是手动式设计的神经网络架构，这无法从数据中习得。这是目前这个领域的重大限制因素。问题在于，从数据中学习神经网络架构现阶段务必从零练习好几个架构，然后选择一个最好架构，这需要太长时间。
- 现阶段神经网络的限制
- 无法预测、根据具体内容逻辑推理和短暂性不稳全是现阶段的限制。我们应该一种新的神经网络。
神经网络已经演变为伺服电机和视频解码器的结合。伺服电机将编码数据为一种编码表现，视频解码器则拓展表现，形成一系列更大的表现，比如图像生成、心理状态仿真模拟、图象标亮等。
- 无监督学习
- 人们没法始终守在设备旁，一步步具体指导它们的“个人经历”。我们可忙得很！但是现阶段，针对监管学习我们还得给设备意见反馈，纠正他们的错误。而人们只需要学习好多个事例，就能自动纠正，并持续学好大量、更复杂的数据。
- 预测分析型神经网络
- 现阶段神经网络的主要限定之一是，他们无法像人类大脑一样开展预测分析。预测分析听起来很玄妙，其实大家天天都在预测分析。假如桌子上有一小团棉絮，你自然会预测分析棉花团会非常轻，不用花非常大气力就能拿动。根据预测分析，我们的大脑能理解我的身体和环境，还可以知道我们是否需要学习最新资讯。假如你拿出桌上的棉花团，发觉因为里边隐藏着铅片其实很重，大脑的认知能力能力能让人学好分辨，第二次拿出棉花团的时候就不容易惊讶了。可预测性神经网络是和繁杂的外在全球互动的关键。
- 延续性学习
- “终身学习”针对神经网络来说是一件大事。目前的神经网络若想学习新数据，务必每次都重新开始再次练习。他们一定能意识到自己的“愚昧”，并自动评定是否需要开展新的训练。与此同时，在真实的世界中，我们希望设备能够学好超级技能，与此同时不忘记原本的专业知识。延续性学习也和转移学习相关，这需要用到全部以上提及的技能，对加强型学习也很重要。
- 加强型学习
- 加强型学习可谓深层神经网络的领域的圣杯。这需要全自动学习、不断学习、预测分析能力和很多我们还未知的能力。现阶段，处理加强型学习的问题，大家应用标准的神经网络，比如能够处理视频或声频等大空间数据输入的深度神经网络，并将其缩小为表现，或是RNN等编码序列学习神经网络。他们能够从零开始、乃至一夜之间学好下象棋，但是与人类在真实的世界里的能力对比，还相差很远。
- 循环系统神经网络（RNN）Out了
- RNN难以开展并行化练习，因为应用超高的容积网络带宽，即便在特殊订制机器上也运作比较慢。根据注意力机制的神经网络—特别是卷积和神经网络—训练和配备下去迅速、更有效，而且比较容易产业化。他们已经逐渐填补语音识别技术，并且在提高学习架构和AI的广阔天地间找寻更多的运用。
硬件
因为硬件的支持，深层学习在2008至2012年间完成了飞速发展式的进度：每一部手机上面装有便宜的光学镜头，可以搜集大量的数据库系统，与此同时GPU加速了深层学习的训练。在最近两年，设备学习硬件迅猛发展。很多公司都在这个领域：NVIDIA、Intel、Nervana、Movidius、Bitmain、Huawei、ARM、Wave等等，全部企业都会开发设计定制的性能卓越处理芯片，用于训练和运作深层神经网络。
这一场开发设计比赛的关键是， 在处理最近的神经网络运行时，给予最低的能力和最高的可测量特性。
但是，只有少数人知道硬件对设备学习、神经网络和人工智能的影响，或是小型处理芯片的必要性及其如何开发小型处理芯片。比如：
- 架构：
- 很多人觉得电子计算机架构只不过是加法器和乘法器，但是有一些架构可以降到最低记忆力网络带宽，一直同时使用全部模块。
- 编译程序：
- 很多人觉得硬件都无所谓，神经网络编译程序才是关键。但是在自主设计架构的时候，编译程序只不过是是由机器代码，讲解神经网络的计算图象。开源系统编译程序的作用比较有限，由于最难的一步得借助未知的架构。开源系统编译程序可以作为前面，在硬件架构和神经网络图象中间还有一些非常值得探讨的行业。
- 小型处理芯片：
- 针对重要的优化算法，提升特性的最佳办法就是订制小型处理芯片，或是ASIC或SoC。FPGA己经带有深层神经网络网络加速器，预计将在2019至2020年完成，可是小型处理芯片一直更好的。
- 发展：
- 就算小型芯片的产业化还没被应用，还有一些科技进步可以让深层神经网络网络加速器轻轻松松得到10至20倍的提高。值得关注的发展包含系统级封装和升级记忆力等。
运用
如今，我们一起来详尽探讨在哪些主要用途，AI和神经网络将更改我们的日常生活：
- 归类图象视频：
- 云服务器早已包含了此项运用，下面还会赶到智能监控传输中。神经网络硬件不通过云空间，在本地解决越来越多数据信息，不但保护了个人隐私，也节省了互联网技术网络带宽应用。
- 智能语音系统：
- 智能语音系统已经进入我们的日常生活，在智能家居系统中具有重要意义。但是，我们通常忽略聊天的难度系数，对人类而言是一项基本活动，但对设备而言乃是一项伟大创新。智能语音系统已经发展，但是不能完全垂直化。Alexa、Cortana和Siri会永远在线，手机上将迅速变成未来的智能家居系统。这也是智能手机的又一次发展。除开手机上，智能语音系统也要进到车辆，伴随着客户挪动。大家需要更多的当地语音处理、更强的个人隐私保护和更少的网络带宽规定。伴随着硬件的进步，1至2年之内这种都能实现。
- 人力助手：
- 视频语音挺不错，但以后大家真正想要的人力助手还可见我们所见，跟随着大家挪动的脚步剖析周围环境。神经网络硬件会帮我们完成这一好梦，可是剖析大文件传输要求很高的计算能力，已突破了现阶段硬件能力的理论边沿，比智能语音系统要艰难得多。AiPoly等初创公司早已给出了解决方法，可是欠缺强大的硬件，使之能在手机里运作。此外值得关注的还有，如果将手机屏换为类似近视眼镜的智能穿戴设备，他们的助手将成为他们的一部分。
- 家务机器人：
- 另一项关键运用是能够煮饭和清洁的家务机器人。我们也许很快就能完成硬件，但是还欠缺手机软件。我们应该转移学习、不断学习和加强型学习。每一个菜谱都不一样，菜谱中的每一种食物都不一样。我们无法把这一部分写死，务必开发设计一个擅于学习和总结的智能机器人。这还是一个遥不可及的理想化。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
