? ? 1 感知能力

　　目前人工智能的感知主要通過(guò)物聯(lián)網(wǎng)來(lái)實(shí)現(xiàn)，它提供了

　　計(jì)算機(jī)感知和控制物理世界的接口與手段，能夠采集數(shù)據(jù)、

　　記憶，分析、傳送數(shù)據(jù)，進(jìn)行交互、控制等。比如攝像頭和相

　　機(jī)記錄了關(guān)于世界的大量圖像和視頻，麥克風(fēng)記錄了語(yǔ)音和聲

　　音，各種傳感器將它們感受到的世界數(shù)字化。這些傳感器就

　　如同人類的五官，是智能系統(tǒng)的數(shù)據(jù)輸入，是感知世界的方式。

　　2 理解能力

　　智能系統(tǒng)不同于人腦，沒(méi)有數(shù)以千億的神經(jīng)元，對(duì)事物

　　問(wèn)題的理解在現(xiàn)階段還很大程度上依賴于處理器的計(jì)算分析

　　能力。近年來(lái)，基于 GPU（圖形處理器）的大規(guī)模并行計(jì)算

　　異軍突起，擁有遠(yuǎn)超 CPU 的并行計(jì)算能力。從處理器的計(jì)算

　　方式來(lái)看，CPU 計(jì)算使用基于 x86 指令集的串行架構(gòu)，適合

　　盡 可 能 快 的

　　完 成一 個(gè) 計(jì)

　　算 任 務(wù)。 而

　　GPU 誕 生 之

　　初是為了處理

　　3D 圖像中的

　　上百萬(wàn)個(gè)像素

　　圖像，擁有更

　　摘　要：人工智能以云計(jì)算和大數(shù)據(jù)為基礎(chǔ)，被廣泛應(yīng)用于工業(yè)制造等10個(gè)領(lǐng)域中。但由于各方

　　向處于不同的發(fā)展階段，因此發(fā)展程度并不相同。但驅(qū)動(dòng)發(fā)展的先決條件主要體現(xiàn)在感知能力、理解

　　能力、學(xué)習(xí)能力、交互能力四個(gè)方面。

　　關(guān)鍵詞：人工智能；云計(jì)算；大數(shù)據(jù)

　　人工智能的發(fā)展 之 路

　　工業(yè)和信息化部國(guó)際經(jīng)濟(jì)技術(shù)合作中心　張　放

　　多的內(nèi)核去處理更多的計(jì)算任務(wù)。因此 GPU 具備了執(zhí)行大規(guī)

　　模并行計(jì)算的能力。云計(jì)算的出現(xiàn)、GPU 的大規(guī)模應(yīng)用使得

　　集中化數(shù)據(jù)計(jì)算處理能力變得空前強(qiáng)大。

　　3 學(xué)習(xí)能力

　　學(xué)習(xí)能力的培養(yǎng)類似人類需要教材和訓(xùn)練。據(jù)統(tǒng)計(jì)，2015

　　年全球產(chǎn)生的數(shù)據(jù)總量達(dá)到了十年前的 20 多倍，大數(shù)據(jù)的發(fā)

　　展為人工智能的學(xué)習(xí)和發(fā)展提供了非常好的基礎(chǔ)。機(jī)器學(xué)習(xí)是

　　人工智能的基礎(chǔ)，而大數(shù)據(jù)和以往的經(jīng)驗(yàn)就是人工智能學(xué)習(xí)的

　　書本，以此優(yōu)化計(jì)算機(jī)的處理性能。不可忽視的是近年來(lái)科

　　技巨頭為了提前布局 AI 生態(tài)，紛紛開源平臺(tái)工具，極大地豐

　　富了機(jī)器訓(xùn)練的素材和手段。如谷歌發(fā)布了新的機(jī)器學(xué)習(xí)平臺(tái)

　　TensorFlow，所有用戶都能夠利用這一強(qiáng)大的機(jī)器學(xué)習(xí)平臺(tái)進(jìn)

　　行研究，被稱為人工智能界的 Android。IBM 宣布通過(guò) Apache

　　軟件基金會(huì)免費(fèi)為外部程序員提供 System ML人工智能工具的

　　源代碼。微軟則開源了分布式機(jī)器學(xué)習(xí)工具包 DMTK，能夠在

　　較小的集群上以較高的效率完成大規(guī)模數(shù)據(jù)模型的訓(xùn)練，并于

　　2016 年 7月推出了開源 Project Malmo 項(xiàng)目，用于人工智能訓(xùn)練。

　　4 交互能力

　　與科幻世界里的自主意

　　識(shí)相比，現(xiàn)實(shí)世界能夠?qū)崿F(xiàn)

　　自主交互本身就是很大的技

　　術(shù)突破，深度學(xué)習(xí)算法是實(shí)

　　現(xiàn)自主交互最重要的核心技

　　術(shù)。它基于多層神經(jīng)網(wǎng)絡(luò)，

　　融入自我學(xué)習(xí)，從大量的樣

　　本中逐層抽象出相關(guān)概念，

　　然后理解，最終做出判斷

　　和決 策。2006 年，Geoffrey

　　Hinton 教授發(fā)表論文《A fast

　　learning algorithm for deep

　　belief nets》，他在此文中提出

　　了深層神經(jīng)網(wǎng)絡(luò)逐層訓(xùn)練的

　　高效算法，讓當(dāng)時(shí)計(jì)算條件下的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練成為了可能。

　　之后，深度學(xué)習(xí)算法模型也經(jīng)歷了一個(gè)快速迭代的周期，Deep

　　Belief Network、Sparse Coding、Recursive Neural Network，

　　Convolutional Neural Network 等各種新的算法模型被不斷提出，

　　而其中卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）更

　　是成為圖像識(shí)別最炙手可熱的算法模型。

　　當(dāng)然人工智能的發(fā)展還存在很多瓶頸，比如尚未形成完

　　備的語(yǔ)義體系，無(wú)論抽象的概念還是具體的事物都需要統(tǒng)一

　　整合到一個(gè)語(yǔ)義網(wǎng)絡(luò)中才能實(shí)現(xiàn)真正意義上的交流。在自然

　　語(yǔ)言處理和計(jì)算機(jī)視覺發(fā)展成熟后，如何將這兩個(gè)領(lǐng)域統(tǒng)一

　　起來(lái)，實(shí)現(xiàn)對(duì)語(yǔ)言和圖形同步的深入理解，進(jìn)而將聽覺、觸

　　覺和運(yùn)動(dòng)做進(jìn)一步整合。盡管不同操作系統(tǒng)的編程語(yǔ)言以及

　　芯片、單片機(jī)等核心硬件發(fā)展迅速，但未來(lái)人工智能的發(fā)展

　　之路不能只停留在數(shù)據(jù)和指令操作層面，而要有“自我意識(shí)”，

　　唯有自我意識(shí)的產(chǎn)生，才能衍生出其他觀念，實(shí)現(xiàn)真正交互。

　　勿庸置疑，人工智能不僅會(huì)成為驅(qū)動(dòng)產(chǎn)業(yè)發(fā)展的巨大力量，更

　　會(huì)在不遠(yuǎn)的未來(lái)給人類的生活帶來(lái)顛覆性的改變