深度丨人工智能前沿技术应用趋势与发展展望
基础数据集建设已经成为基本共识
自从李飞飞等在2009年成功创建ImageNet数据集以来，该数据集就已经成为了业界图形图像深度学习算法的基础数据集，通过举办比赛等方式极大地促进了算法的进步，使得算法分类精度已经达到了95%以上。这也使得一些大型研究机构和企业逐渐认识到了数据的价值，纷纷开始建立自己的数据集，以便进行数据挖掘和提升深度学习模型的准确率。如美国国家标准研究院的Mugshot、谷歌的SVHN、微软的MSCOCO等图像基础数据集，斯坦福大学的SQuAD、卡耐基梅隆大学的Q/ADataset、Salesforce的WikiText等自然语言数据集以及2000HUB5English、CHiME、TED-LIUM等语音数据集。
新型计算基础设施陆续成为产业界发展目标
由于深度学习对算力有较高的需求，因此相继出现了一些专门的计算框架和平台，如伯克利大学的Caffe、微软的CNTK、Facebook的Torch、亚马逊的MXNet、百度的PaddlePaddle等，尤其是谷歌的TensorFlow能够支持异构设备的分布式计算，其平台API能力已经覆盖了CNN、RNN、LSTM等当前最流行的深度神经网络模型。除了从计算框架软件平台进行研发之外，产业界同时也从硬件方面探索计算能力的提升方法。最为直接的方法就是采用计算能力更强的GPU替代原有的CPU等。此外，谷歌、IBM等一些大型企业在大量采用GPU的同时，也在探索进行符合自身计算环境的芯片研发，从而进一步降低成本、提高效率，因此产生了TPU等性能更加卓越的新型芯片。
人工智能技术发展面临的挑战虽然人工智能技术发展已经取得了前所未有的成绩，但随着深度学习技术应用的不断深化和产业化步伐的逐步加快，人工智能技术发展也面临着不少挑战。
主流技术深度学习还具有较大局限性
一是在有限样本和计算单元的情况下，对复杂函数的表示能力有限，其针对复杂分类问题的泛化能力受限。二是通过深度学习是一种基于概率统计的算法，机器系统学习到的是大概率内容，不是知识，无法像人类一样进行举一反三的应用。三是深度学习存在黑箱问题，不能解释其自身做出决策的原因。
基础数据积累还远远不能满足模型训练需要
由于大数据技术的出现和使用时间还不长，各类基础数据不论从数量上还是从质量上来看，都尚需要较长时间的积累。一方面，某些关键领域和学术数据集还严重不足。另一方面，已有规模化的基础数据集不仅数据质量良莠不齐，而且基本上由少数几家巨头或政府所掌握，鉴于监管和竞争等因素，无法实现有效流动。基础数据的缺乏，使得深度学习模型训练也造成了样本基础缺失。
计算框架和通用智能芯片尚未形成定局
虽然已经出现了TensorFlow、Caffe、CNTK、Torch、MXNet、PaddlePaddle等深度学习计算框架，但由于深度学习应用场景众多，相关应用呈现碎片化特点，无论从功能还是性能角度来讲，用于实现最后应用落地的开源计算框架与实际需求之间都还存在着相当的距离，满足产业发展需求且具有绝对统治地位的开源计算框架也还没有出现。同时，深度学习芯片还只是刚刚起步，而且还基本上属于专有领域的芯片，通用智能芯片的产业化还需要较长时间的探索。
人机和谐共处的有效途径开始艰难探索
由于黑箱问题及其基于概率统计的特点，基于深度学习的智能系统存在产生不可控结果的隐患。我们已经看到，使用了人工智能技术的智能驾驶汽车出现了多次的事故，甚至造成了人员的伤亡。另外，使用了智能算法的自动驾驶飞机也出现了多次坠机事故。这些事故不仅造成了人们的生命和财产损失，也严重打击了人们对人工智能的信心。实际上，这些事故的发生除了有技术方面的原因之外，还涉及到AI伦理的问题，也就是如何保证人类与智能系统之间的和谐共处、协同合作等问题。目前来看，AI的伦理问题还需要较长的探索过程。
人工智能技术发展趋势短期来看，人工智能技术的发展将围绕对上述问题的解决进行。下面从算法理论、数据集基础、基础设施、人机协同等以下几个方面进行探讨。
算法理论
在算法理论层面，将继续按照深度学习完善和新算法的两条主线发展。首先，深度学习在提升可靠性、可解释性等方面的研究以及零数据学习、无监督学习、迁移学习等模型的研究将成为热点方向，这不仅仅是深度学习算法本身发展的需要，也是产业发展的需要。其次，学术界将继续开展新型算法的探索，包括对传统机器学习算法的改进、传统机器学习算法与深度学习的结合以及与深度学习迥异的新型算法等。
数据集基础
在数据集基础方面，学术界与产业界将共同合作构建语音、图像、视频等通用数据集以及各行业的专业数据集，使得各类数据集能够快速满足相关需求。一方面，随着对人工智能认识的不断加深，将会有越来越多的企业和政府机构开展数据自建和数据标注等工作。另一方面，随着深度学习的发展，将会出现智能化的数据标注系统来帮助和替代人类进行数据标注等工作。再有，在政府引导和支持下，一些开放的标准化数据集将会陆续出现，为整个行业提供标准化训练数据集。
计算平台与芯片
在计算平台与芯片方面，大型企业自研计算框架、自建计算平台，甚至是自研芯片等，仍将是普遍现象。这主要是由于以下两个方面的原因。一是企业出于自身数据和业务安全的考虑，对使用其他机构提供的训练平台仍然持有不信任的态度；二是每个企业的数据中心和相关平台都有其自身的特点，自研计算框架、自建计算平台和自研芯片能够更好地满足自身的业务发展需要。
人机协同机制
在人机协同机制方面，“人在回路”将成为智能系统设计的必备能力。目前，机器智能并没有实现人们所希望的“以人为中心”，仍然还是以机器为中心，这也是人类屡受智能系统伤害的主要原因之一。因此，将人类认知模型引入到机器智能中，使之能够在推理、决策、记忆等方面达到类人智能水平，将成为学术界和产业界共同追求的目标，并可能在一定的时间内取得较好的阶段性成果。
人工智能技术发展展望长期来看，人工智能技术将分别沿着算法和算力两条主线向前发展，并逐步带领人类进入到人机协同的新时代。
高度关注类脑智能算法
深度学习是基于冯·诺依曼体系结构发展起来的。由于受到内存墙等相关方面的制约，难以达到较高的计算效率。为此，近些年来IBM等已经开始进行颠覆冯·诺依曼体系结构的类脑智能算法与技术的探索。类脑智能借鉴大脑中“内存与计算单元合一”等信息处理的基本规律，在硬件实现与软件算法等多个层面，对于现有的计算体系与系统做出本质的变革，并实现在计算能耗、计算能力与计算效率等诸多方面的大幅改进。目前，随机兴奋神经元、扩散型忆阻器等已经在IBM、马萨诸塞州阿姆赫斯特大学、清华大学等机构研制成功，IBM已经研制成功TrueNorth芯片，清华大学团队也成功研制出了基于忆阻器的PUF芯片。
智能部署从中心向边缘和终端扩散
随着智能装备和智能机器人等智能终端的逐渐增多，智能终端的快速反应以及相互之间的协同行动需求将会越来越迫切，对智能服务的实时性将会越来越强烈。这就要求智能服务从云端向网络边缘甚至终端扩散，智能模型与算法需要部署在网络边缘或终端之上，就近提供网络、计算、存储、应用等核心能力，从而满足通信、业务、安全等各方面的关键需求。
目前，英伟达、高通等都已经陆续开展了用于边缘网络或终端的AI专用芯片。而随着5G网络的普遍部署，边缘智能将会获得快速的发展。
深度学习通用平台和通用AI芯片将会出现
随着人工智能应用在生产生活中的不断深入融合，智能终端的互联互通将会成为必然。由于跨框架体系开发及部署需要投入大量资源，因此尽管每个终端的智能模型可能不同，但深度学习计算框架的模型底层表示将会逐渐趋同，形成深度学习通用计算框架和平台。随着计算框架的整合，GPU和TPU等芯片将可能会被通用AI芯片所替代。
量子计算推动形成新一轮计算革命
不论现在还是将来，人工智能无疑都将是最为消耗计算资源的业务和应用之一，计算效率也将是智能体永恒的追求目标。量子计算具有强大的计算能力和效率，已经成为全球公认的下一代计算技术。IBM已经在近期推出了世界上第一个商用的通用近似量子计算系统里程碑产品IBMQSystemOne，客户可以通过互联网使用这台量子计算机进行大规模的数据计算，为人工智能计算展示了良好的前景。
人工智能已经逐渐向工业、农业、交通、医疗、金融等各个领域渗透，并开始形成新的业态，成为了新一轮技术革命的制高点。因此，必须积极主动把握人工智能技术和产业发展机遇，认清技术发展趋势，在类脑智能、边缘智能、通用平台与芯片、量子计算等前沿技术领域加快布局，勇闯人工智能科技前沿的“无人区”，才能抓住人工智能时代发展的主动权。返回搜狐，查看更多
人工智能在智慧城市中的研究应用和发展前景
原标题：人工智能在智慧城市中的研究应用和发展前景一、人工智能相关概念解析
人工智能作为计算机科学的一个重要分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能，其实是对人的思维、意识等内容进行模拟的过程。换句话说，就好像是让一个机器拥有人的大脑一样，有独立思考和独立创作的能力，而且与人的大脑不同的是，其计算速度以及内存量要比人更占优势。人工智能可以将其分为两部分去理解，即“人工”与“智能”。它主要指的是使计算机来模拟人的某些智能行为或思维过程的学科，是计算机更高层次的一种应用。人工智能虽然可以对人的意识与思维的信息过程进行模拟，但人工智能并不是人的智能，不能主观的像人那样进行思考。总而言之，人工智能对于社会的发展非常重要，已经逐渐成为我们生活中不可分割的一部分。
二、人工智能技术在智慧城市中的应用
人工智能技术的发展为实现智慧城市建设目标奠定了基础。智慧城市的特点主要体现在“智慧”上，而要想将智慧赋予到城市这个没有生命特征的物体上，其难度可想而知。智慧城市建设是一项非常庞大的工程，不仅要有经济方面的物质基础，同时还要有云计算、人工智能、大数据等技术的支撑。从目前的情况来看，在智慧城市建设中，应用到人工智能技术的新型领域主要包括以下几个：
（一）人工智能技术在监控系统中的应用
大数据、云计算技术的发展为我们获取信息、储存信息以及应用信息奠定了坚实的基础。但是在这个过程中我们还面临着对这些庞大信息进行筛选的问题，而如果完全依靠人工来达到这个目的，那么不仅效果很难得到保证，同时还要大大增加人工成本。人工智能技术可以帮助我们通过智能分析而筛选出有效信息，这对于提高筛选信息的效率是非常有效的。比如，利用监控系统锁定犯罪嫌疑人时，就可以利用人工智能技术达到这样的目的，而我们只需要将犯罪嫌疑人的照片上传到人工智能系统，其就可以通过监控系统自动检索与犯罪嫌疑人相貌特征最为相似的监控录像片段，从而为公安部门提供有效信息。
（二）人工智能技术在医疗卫生领域的应用
医疗卫生服务对于智慧城市建设具有非常重要的影响。对于公众而言，医疗卫生质量影响的不仅是他们工作、学习以及生活质量，同时还会影响到他们为智慧城市建设事业做出贡献的自信心和积极主动性。利用人工智能技术可以更方便、更快捷地为他们提供人性化服务，从而不断完善服务内容，提高服务质量。比如，通过病人对自己病情症状阐述而收集到的信息进行分析，可以实现远程诊断，从而避免了与病人的直接接触，消除了病毒进一步扩散的危险。当然，在这个过程中还可以构建相应的病人数据信息库，并且将一些基本的治疗或者疾病注意事项整理成手册，方便病人查阅。
（三）人工智能技术在城市交通领域的应用
随着人们生活水平的提高，私家车在城市居民群体中基本已经普及化，这在为他们提供交通便利服务的同时还给城市轨道交通带来很大的压力。传统的城市交通需要人力来维持，而虽然当前很多交通路口已经实现了无人化管理，但是对于一些比较重要的交通路口往往还需要专门的交警疏通道路。尤其是在雨雪天气，更是很容易造成城市交通的堵塞，给城市居民带来很大的出行问题。而通过将人工智能技术应用到城市交通管理工作中，就可以与大数据、云计算等有机融合到一起，通过收集公众出行信息为他们安排最合理的出行路线，避免大家都拥挤到一条交通路线上，产生交通路线拥堵。
三、人工智能在智慧城市发展前景
人工智能技术已经在很多领域大放光彩，有效促进了这些领域的健康发展，与此同时，这些领域对人工智能技术也提出了新的要求。物联网是互联网、电子商务等领域发展的杰出产物，标志着人们的生活水平逐渐朝着现代化、智能化、人性化的方向不断发展。而就目前的情况来看，中国物联网已经取得了非常显著的成绩，但是与人们需求相比其仍然还有较大的提升空间。在这种情况下，如何利用人工智能、云计算、大数据等技术促进物联网行业发展成为进一步提升人工智能技术应用价值的必然选择。从人工智能现在的发展方向可以看出，在未来一段时间内人工智能在物联网、电子商务等网络领域将发挥出更大的作用，同时对于智慧城市建设的推动作用也会越来越明显。智慧城市的建设需要依靠每个城市居民的努力，而在应用人工智能建设智慧城市过程中，人工智能还可以应用到教育、旅游、文化建设等领域。文化是支撑智慧城市发展的内在动力，而只有当人们的思想道德素质和文化水平能够达到智慧城市的标准，我们才算是真正地建设完成智慧城市。人们对于物质方面的追求热度已经逐渐向精神文化方面发生转变，所以这也是人工智能未来发展的方向之一，即推动智慧城市文化建设。
参考文献
本文来源于中国知网免费入口http://www.zhimeng.org/
[1]张永民.人工智能在智慧城市中的研究应用和发展前景[J].中国建设信息化,2016(15):62-64.
[2]于文轩,许成委.中国智慧城市建设的技术理性与政治理性——基于147个城市的实证分析[J].公共管理学报,2016,13(04):127-138+159-160.
[3]段文锋.人工智能在智慧城市中的应用展望——人工智能与智慧城市观察(上)[J].上海质量,2017(12):40-43.返回搜狐，查看更多
责任编辑：