? ? 1 感知能力

　　目前人工智能的感知主要通過物聯(lián)網(wǎng)來實現(xiàn)，它提供了

　　計算機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)，進行交互、控制等。比如攝像頭和相

　　機記錄了關(guān)于世界的大量圖像和視頻，麥克風記錄了語音和聲

　　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，沒有數(shù)以千億的神經(jīng)元，對事物

　　問題的理解在現(xiàn)階段還很大程度上依賴于處理器的計算分析

　　能力。近年來，基于 GPU（圖形處理器）的大規(guī)模并行計算

　　異軍突起，擁有遠超 CPU 的并行計算能力。從處理器的計算

　　方式來看，CPU 計算使用基于 x86 指令集的串行架構(gòu)，適合

　　盡 可 能 快 的

　　完 成一 個 計

　　算 任 務(wù)。 而

　　GPU 誕 生 之

　　初是為了處理

　　3D 圖像中的

　　上百萬個像素

　　圖像，擁有更

　　摘　要：人工智能以云計算和大數(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、交互能力四個方面。

　　關(guān)鍵詞：人工智能；云計算；大數(shù)據(jù)

　　人工智能的發(fā)展 之 路

　　工業(yè)和信息化部國際經(jīng)濟技術(shù)合作中心　張　放

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

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

　　集中化數(shù)據(jù)計算處理能力變得空前強大。

　　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，2015

　　年全球產(chǎn)生的數(shù)據(jù)總量達到了十年前的 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)驗就是人工智能學(xué)習(xí)的

　　書本，以此優(yōu)化計算機的處理性能。不可忽視的是近年來科

　　技巨頭為了提前布局 AI 生態(tài)，紛紛開源平臺工具，極大地豐

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

　　TensorFlow，所有用戶都能夠利用這一強大的機器學(xué)習(xí)平臺進

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

　　軟件基金會免費為外部程序員提供 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

　　識相比，現(xiàn)實世界能夠?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

　　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，讓當時計算條件下的神經(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

　　是成為圖像識別最炙手可熱的算法模型。

　　當然人工智能的發(fā)展還存在很多瓶頸，比如尚未形成完

　　備的語義體系，無論抽象的概念還是具體的事物都需要統(tǒng)一

　　整合到一個語義網(wǎng)絡(luò)中才能實現(xiàn)真正意義上的交流。在自然

　　語言處理和計算機視覺發(fā)展成熟后，如何將這兩個領(lǐng)域統(tǒng)一

　　起來，實現(xiàn)對語言和圖形同步的深入理解，進而將聽覺、觸

　　覺和運動做進一步整合。盡管不同操作系統(tǒng)的編程語言以及

　　芯片、單片機等核心硬件發(fā)展迅速，但未來人工智能的發(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”，

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

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

　　會在不遠的未來給人類的生活帶來顛覆性的改變