詳解AI技術趨勢和參考架構

參考文獻:人工智慧標準化白皮書

人工智慧談了這麼久，目前還沒有統一的參考架構，今天就跟大家聊聊AI關鍵技術趨勢和參考架構，當然，文章末尾也給大家帶來「文末福利」。

人工智慧在半個多世紀的發展歷程中，由於受到智能演算法、計算速度、存儲水平等多方面因素的影響，人工智慧技術和應用發展經歷了多次高潮和低谷。近年來，隨著以深度學習為代表的機器學習演算法在機器視覺和語音識別等領域取得了極大的成功，識別準確性大幅提升，使人工智慧再次受到學術界和產業界的廣泛關注。

隨著大數據的積聚、理論演算法的革新、計算能力的提升，人工智慧在很多應用領域取得了突破性進展，迎來了又一個繁榮時期。人工智慧至今大致分為以下幾個發展階段。(下圖為「人工智慧發展史」)。

圖片來源「人工智慧標準化白皮書」

目前，人工智慧領域尚未形成完善的參考框架。因此，人工智慧白皮書基於人工智慧的發展狀況和應用特徵，從人工智慧信息流動的角度出發，提出一種人工智慧參考框架，力圖搭建較為完整的人工智慧主體框架，描述人工智慧系統總體工作流程，不受具體應用所限，適用於通用的人工智慧領域需求。

技術參考框架

人工智慧參考框架提供了基於「角色—活動—功能」的層級分類體系，從「智能信息鏈」和「IT 價值鏈」兩個維度闡述了人工智慧系統框架。

「智能信息鏈」反映從智能信息感知、智能信息表示與形成、智能推理、智能決策、智能執行與輸出的一般過程。「IT 價值鏈」從人工智慧的底層基礎設施、信息(提供和處理技術實現)到系統的產業生態過程，反映人工智慧為信息技術產業帶來的價值(下圖為「人工智慧參考框架圖」)。

圖片來源「人工智慧標準化白皮書」

此外，人工智慧系統還有其它非常重要的框架構件。如安全、隱私、倫理和管理。人工智慧系統主要由基礎設施提供者、信息提供者、信息處理者和系統協調者等角色組成。

基礎設施提供者

基礎設施提供者為人工智慧系統提供計算能力支持，實現與外部世界的溝通，並通過基礎平台實現支撐。計算能力由智能晶元(CPU、GPU、ASIC、FPGA 等硬體加速晶元以及其它智能晶元)等硬體系統開發商提供；與外部世界的溝通通過新型感測器製造商提供；基礎平台包括分散式計算框架提供商及網路提供商提供平台保障和支持，即包括雲存儲和計算、互聯互通網路等。

信息提供者

信息提供者在人工智慧領域是智能信息的來源。通過知識信息感知過程，由數據提供商提供智能感知信息，包括原始數據資源和數據集。原始數據資源的感知涉及到圖形、圖像、語音、文本的識別，還涉及到傳統設備的物聯網數據，包括已有系統的業務數據以及力、位移、液位、溫度、濕度等感知數據。

信息處理者

信息處理者是指人工智慧領域中技術和服務提供商。信息處理者的主要活動包括智能信息表示與形成、智能推理、智能決策及智能執行與輸出。智能信息處理者通常是演算法工程師及技術服務提供商，通過計算框架、模型及通用技術，例如一些深度學習框架和機器學習演算法模型等功能進行支撐。

系統協調者

系統協調者提供人工智慧系統必須滿足的整體要求，包括政策、法律、資源和業務需求，以及為確保系統符合這些需求而進行的監控和審計活動。由於人工智慧是多學科交叉領域，需要系統協調者定義和整合所需的應用活動，使其在人工智慧領域的垂直系統中運行。系統協調者的功能之一是配置和管理人工智慧參考框架中的其他角色來執行一個或多個功能，並維持人工智慧系統的運行。

安全、隱私、倫理

安全、隱私、倫理覆蓋了人工智慧領域的其他4 個主要角色，對每個角色都有重要的影響作用。在安全、隱私、倫理模塊，需要通過不同的技術手段和安全措施，構築全方位、立體的安全防護體系，保護人工智慧領域參與者的安全和隱私。

管理

管理角色承擔系統管理活動，包括軟體調配、資源管理等內容，管理的功能

是監視各種資源的運行狀況，應對出現的性能或故障事件，使得各系統組件透明且可觀。

產品及行業應用

智能產品及行業應用指人工智慧系統的產品和應用，是對人工智慧整體解決方案的封裝，將智能信息決策產品化、實現落地應用，其應用領域主要包括：智能製造、智能交通、智能家居、智能醫療、智能安防等。

人工智慧技術趨勢

依據參考框架中所涉及到的人工智慧相關技術，在人工智慧二十年來關鍵技術的發展狀況來看，包括機器學習是人工智慧的基礎，結合知識圖譜、自然語言處理、計算機視覺、人機交互、生物特徵識別、虛擬現實/增強現實等關鍵技術推動著人工智慧的發展和應用。

機器學習(Machine Learning)是一門涉及統計學、系統辨識、逼近理論、神經網路、優化理論、計算機科學、腦科學等諸多領域的交叉學科，研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能，是人工智慧技術的核心。

基於數據的機器學習是現代智能技術中的重要方法之一，研究從觀測數據出發尋找規律，利用這些規律對未來數據或無法觀測的數據進行預測。根據學習模式、學習方法以及演算法的不同，機器學習存在不同的分類方法。

根據學習模式將機器學習分類為監督學習、無監督學習和強化學習等。

監督學習

監督學習是利用已標記的有限訓練數據集，通過某種學習策略/方法建立一個模型，實現對新數據/實例的標記(分類)/映射，最典型的監督學習演算法包括回歸和分類。監督學習要求訓練樣本的分類標籤已知，分類標籤精確度越高，樣本越具有代表性，學習模型的準確度越高。監督學習在自然語言處理、信息檢索、文本挖掘、手寫體辨識、垃圾郵件偵測等領域獲得了廣泛應用。

無監督學習

無監督學習是利用無標記的有限數據描述隱藏在未標記數據中的結構/規律，最典型的非監督學習演算法包括單類密度估計、單類數據降維、聚類等。無監督學習不需要訓練樣本和人工標註數據，便於壓縮數據存儲、減少計算量、提升演算法速度，還可以避免正、負樣本偏移引起的分類錯誤問題。主要用於經濟預測、異常檢測、數據挖掘、圖像處理、模式識別等領域，例如組織大型計算機集群、社交網路分析、市場分割、天文數據分析等。

強化學習

強化學習是智能系統從環境到行為映射的學習，以使強化信號函數值最大。由於外部環境提供的信息很少，強化學習系統必須靠自身的經歷進行學習。強化學習的目標是學習從環境狀態到行為的映射，使得智能體選擇的行為能夠獲得環境最大的獎賞，使得外部環境對學習系統在某種意義下的評價為最佳。其在機器人控制、無人駕駛、下棋、工業控制等領域獲得成功應用。

根據學習方法可以將機器學習分為傳統機器學習和深度學習。

傳統機器

傳統機器學習從一些觀測(訓練)樣本出發，試圖發現不能通過原理分析獲得的規律，實現對未來數據行為或趨勢的準確預測。相關演算法包括邏輯回歸、隱馬爾科夫方法、支持向量機方法、K 近鄰方法、三層人工神經網路方法、Adaboost演算法、貝葉斯方法以及決策樹方法等。

傳統機器學習平衡了學習結果的有效性與學習模型的可解釋性，為解決有限樣本的學習問題提供了一種框架，主要用於有限樣本情況下的模式分類、回歸分析、概率密度估計等。傳統機器學習方法共同的重要理論基礎之一是統計學，在自然語言處理、語音識別、圖像識別、信息檢索和生物信息等許多計算機領域獲得了廣泛應用。

深度學習

深度學習是建立深層結構模型的學習方法，典型的深度學習演算法包括深度置信網路、卷積神經網路、受限玻爾茲曼機和循環神經網路等。深度學習又稱為深度神經網路（指層數超過3 層的神經網路）。深度學習作為機器學習研究中的一個新興領域，由Hinton等人於2006 年提出。深度學習源於多層神經網路，其實質是給出了一種將特徵表示和學習合二為一的方式。

深度學習的特點是放棄了可解釋性，單純追求學習的有效性。經過多年的摸索嘗試和研究，已經產生了諸多深度神經網路的模型，其中卷積神經網路、循環神經網路是兩類典型的模型。卷積神經網路常被應用於空間性分布數據；循環神經網路在神經網路中引入了記憶和反饋，常被應用於時間性分布數據。

此外，機器學習的常見演算法還包括遷移學習、主動學習和演化學習等。

遷移學習

遷移學習是指當在某些領域無法取得足夠多的數據進行模型訓練時，利用另一領域數據獲得的關係進行的學習。遷移學習可以把已訓練好的模型參數遷移到新的模型指導新模型訓練，可以更有效的學習底層規則、減少數據量。目前的遷移學習技術主要在變數有限的小規模應用中使用，如基於感測器網路的定位，文字分類和圖像分類等。未來遷移學習將被廣泛應用於解決更有挑戰性的問題，如視頻分類、社交網路分析、邏輯推理等。

主動學習

主動學習通過一定的演算法查詢最有用的未標記樣本，並交由專家進行標記，然後用查詢到的樣本訓練分類模型來提高模型的精度。主動學習能夠選擇性地獲取知識，通過較少的訓練樣本獲得高性能的模型，最常用的策略是通過不確定性準則和差異性準則選取有效的樣本。

演化學習

演化學習對優化問題性質要求極少，只需能夠評估解的好壞即可，適用於求解複雜的優化問題，也能直接用於多目標優化。演化演算法包括粒子群優化演算法、多目標演化演算法等。目前針對演化學習的研究主要集中在演化數據聚類、對演化數據更有效的分類，以及提供某種自適應機制以確定演化機制的影響等。

>>>>>>>>>>>文末福利

目前，對於從事軟體行業來說，人工智慧尖端人才遠遠不能滿足需求。在中國人才缺口將超過上百萬人，而中國人工智慧人才數量目前只有幾萬人(數據來自工信部教育考試中心)。2017年人工智慧在互聯網崗位薪酬中位列第三，2018的薪酬數據更具誘惑。

對學習者來說，在面對眾多的數學知識和編程知識里，自學會讓大家耗費大量的時間金錢。因此，萬門大學推出了人工智慧人工智慧與Python>課程，45講系列課程將幫助學習者系統、高效和專業的掌握人工智慧技術。

重基礎/系統化

從最小例子出發循序漸進的闡述

課件代碼邏輯清晰，內容詳盡

注重與前沿應用和科技的接軌，整合了很多人工智慧研究者的心得。

溫馨提示：

Stay hungryStay foolish

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！