全球人工智能产业发展现状和趋势(中)

全球人工智能产业发展现状和趋势

（中）CONTENTS一二四三目

录深度学习为人工智能带来革命性进展人工智能的最新研究进展中国人工智能产业发展的优势与短板人工智能VS.垂直应用领域人工智能产业的框架结构支撑人工智能的计算能力支撑人工智能的深度学习算法和开源代码框架深度学习为人工智能带来革命性进展PARTONE（三）人工智能产业的框架结构2.支撑人工智能的计算能力计算能力，即人工智能芯片，也被比喻为“引擎”。基于超级GPU/TPU集群的离线训练基于云平台的在线应用终端应用（边缘应用）全球芯片巨头，如NVIDIA（英伟达）、Intel、高通等都在全面转型人工智能芯片，尤其是把自动驾驶这个垂直细分领域看成是人工智能芯片的兵家必争之地。其中，NVIDIA做的GPU先声夺人；Intel是PC时代全球的芯片霸主；而在移动互联网时代，高通又做得更好。2.1超级GPU集群服务器在离线训练部分，如果采用普通服务器，无法支撑深度神经网络和应用场景在人工智能上的大数据及模型，所以GPU集群是较为理想的计算平台。NVIDIA深度学习芯片Tesla（特斯拉）P100，研发预算超过20亿美元，是全世界能力最强的超级计算机。Tesla（特斯拉）V100，最新产品，比P100提高性能2.4倍以上。2.2ASIC和FPGA（提升能耗，成本更低）TPU，即张量处理单元，是Google专门为深度学习定制的ASIC芯片，目前已从第一代发展到第二代，性能大幅度提升。中国制作的基于ASIC或FPGA的人工智能芯片（从零到一）——中科院计算所寒武纪深度学习处理器地平线盘古嵌入式人工智能处理器深鉴科技基于FPGA的低功耗DPU深度学习芯片2.3类脑芯片类脑芯片，是采用模拟人脑神经元脉冲的方法。IBMTrueNorth（真北）——基于传统CMOS工艺制作100万脉冲神经元2.5亿突触连接仅63毫瓦功耗人脑功耗仅20瓦。类脑芯片正朝着与大脑结构相同的方向发展，有力地推动非冯-诺依曼新体制计算机的革命性演变。高通Zeroth类脑处理器基于新型忆阻器件——更加前沿的类脑芯片忆阻器，全称记忆电阻，是硬件模拟突触的理想方式。定义1971年提出概念；2008年惠普公司制备出首个纳米尺度忆阻器件；2015年加州大学等研制出忆阻类脑芯片。发展相比IBM基于CMOS工艺制作的类脑芯片——集成度更高读写速度更快功耗更低优点3.支撑人工智能的深度学习算法和开源代码框架监督学习需要利用带标签的完备大数据进行训练（机器），如驾校学车（人类）。强化学习通过与环境的相互作用，利用奖惩机制，反复重演，自主完成最优策略的学习（如AlphaGo）。3.1学习方法无监督学习训练样本没有任何标签。学习效率：监督学习>强化学习>无监督学习3.2

深度学习的开源代码框架近年来，一些全球科技巨头企业对外提供了深度学习的开源代码框架，使得人工智能技术开发的门槛大大降低，形成了人工智能产业生态。谷歌的TensorFlow加州伯克利的Caffe微软的CNTK百度的PaddlePaddle……在大数据和大计算能力的支撑下，深度卷积神经网络的视觉识别能力在许多国际公开测评中，达到或超过人类水平；语音识别与交互再过2-5年，也可望接近人类水平；文本分类、问答系统、机器翻译等也比过去飞速进步很多。3.3深度卷积神经网络算法深度卷积神经网络是典型的深度学习算法，通过编程实现深度神经网络结构与监督学习、强化学习和无监督学习相结合，然后自动利用学习获得大数据中隐含的多级多层特征。目前网络结构与调参最重要

深度卷积网络示意图（上图为早期版本，现在更复杂，可以做到1000多层）2012年以来，深度卷积神经网络已经成为计算机视觉主流方法，网络深度成为关键参数。针对人脸识别，深度卷积神经网络超过了人类的识别能力。针对德国的交通标志识别，深度卷积神经网络也超过了人类的识别能力。深度卷积神经网络的检测与定位/分割能力，正在成为全球的研究热点。以完全监督之深度卷积为主要标志的人工智能加速发展，已成为重塑人类社会的基石。——深度卷积神经网络+大数据+计算平台全卷积神经网络实现像素级语义分割3.4

迈向认知智能和通用人工智能深度强化学习以深度卷积神经网络为代表的感知智能可以说取得了巨大成功，采用的是“举三反一”或数据驱动的方法，而它最大的缺陷之一就是没有人类举一反三的能力。强化学习，又称增强学习，体现了人和动物的行为学习（基于奖励或惩罚），学习效率介于监督学习和无监督学习之间。深度卷积神经网络取代单引程BP网络与强化学习结合，使得人工智能取得突破性进展。2014年1月，Google以超5亿美元收购有40余员工的人工智能创业公司DeepMind。一年后，推出人类水平的人工智能游戏程序DQN；两年后，推出超人类水平的AlphaGo。两个代表性成果都作为封面内容发表在《自然》杂志上。DQN：通过深度强化学习的人类水平的控制输入：像素运动、评分输出：虚拟游戏操纵杆DQN——49种Atari视频/像素游戏中，29种达到乃至超过人类职业选手的水平，以智商比喻，远超人类。（《自然》杂志上有相关游戏录像）AlphaGo：利用深度神经网络和树搜索精通围棋游戏围棋是一个非常复杂的游戏，在19×19的棋盘格上，总共有361个交叉点，5千万个状态空间，决策路径是10的170次方，比全宇宙所有粒子数加在一起还要多，没有一种计算能力可以把所有的路径都走通并找到全局最优。面对无穷大的数据，AlphaGo通过深度强化学习，极大拓宽了搜索的宽度和深度，比人类最顶级的高手还要强。AlphaGo涉及三个关键技术策略网络价值网络蒙特卡洛树搜索（传统方法）AlphaGo如何进行学习？深度监督学习+深度强化学习+大数据+TPU人类职业围棋高手棋谱机器自弈（奖惩制度）3000万棋局（围棋服务器6-9段）“阿尔法围棋”（AlphaGo）5个月9个月4个月2015年10月，5:0战胜欧洲围棋三届冠军樊麾职业三段。2016年3月，4:1战胜世界围棋冠军李世乭职业九段。2017年1月，60:0横扫数十位中日韩世界冠军。2017年5月，3:0战胜世界排名第一的柯洁。引起全民对人工智能的关注AlphaGoZero：无师自通版本最新版本，没有利用围棋的历史棋谱，仅输入基本规则。3天：AlphaGoZero超过了AlphaGoLee21天：AlphaGoZero达到了AlphaGoMaster水平40天：AlphaGoZero超过了所有的AlphaGo版本深度强化学习是目前最热且最有前途的一个研究方向，是探索认知智能的曙光，这方面也确实取得了超人类水平的里程碑式成果。举一反三的认知智能探索探索认知智能，需要把感知智能与知识图谱结合起来，让人工智不仅能听到、看到，还要听懂、看懂，赋予其理解能力。IBM的相关探索IBM超级电脑程序“深蓝”，于1997年击败国际象棋大师加里

卡斯帕罗夫。IBM的沃森医生，在某些细分疾病领域，已经能够提供顶级医生的医疗诊断水平。IBM的自动问答系统，于2011年2月在美国最受欢迎的智力竞答电视节目《危险边缘》中战胜了人类冠军。如何实现语义理解，是认知智能真正获得突破的关键问题。