1973年，人工智能发展一度陷入绝境——AI应用领域太窄、无法规模化、真实应用场景有限、研究经费有限...当下看起来蓬勃发展的人工智能好像也进入了选择迷茫期。人工智能能否迎来下一次技术爆发，与它现在面临的路径选择有很大的关系。
如何实现更有效率的运算？
目前主流的做法是通过GPU进行加速，用于平行处理大量琐碎的讯息。而FPGA凭借其可编程专用性、高性能、低功耗的特征，同样在深度学习应用中展现独特的优势。此外，Google在本周的开发者大会上也发布了专门为机器学习定制的TPU（张量处理单元），与CPU、GPU相比，TPU效率提高了15-30倍，能耗降低了30-80倍。随着计算能力的升级，提高运算速度的产品迭代是毫无疑问的。
如何选择研究方法？
当数据集足够大时，深度学习提供了最好的预测能力，也是深度学习造就了如今红爆半边天的AI。然而，在今年EmTech Digital大会上，认知科学家Gary Marcus表达了他对AI领域中过度依赖数据的操作方式的批判，他的核心观点非常简单：识别并不等于理解。
实际上，除了深度学习，还有诸如基于概率编程的Gamalon、基于认知科学的Geometric Intelligence等技术路线的公司，这些公司不仅为人工智能的研究提供了全新的思路和方法，更是大有挑战主流深度学习之势。换句话说，推动人工智能发展的战略上，在深度学习上一条路走到黑，可能会有很大的风险。
如何解决机器学习的“黑匣子”问题？
先进的人工智能可以完全通过观察人类行为来训练自己如何决策。但令人不安的是人类并不完全清楚人工智能是怎么做出决策的。然而，人工智能的可解释性至关重要，因为它决定着人类是否可以继续信任人工智能做出决策，这将是人与机器关系发展的核心。
麻省理工学院教授 Tommi Jaakkola 说：“逻辑解释已经是一个重要的问题，未来只会变得更加重要。因为无论是投资决策、医疗决策还是军事决策，用户都不希望只依靠‘黑匣子’，而想知道为什么神经网络会作出这一决策。”
目前，美国在人工智能领域占据着主导地位，大多数参与AI研究应用的美国公司都相当务实。
IBM为实现AI的普及，在商业化上花了重金，目标瞄准传统行业产业升级，用于解决医疗、水资源管理、保险诈骗、时尚、环境等问题。谷歌的CEO最近宣布，人工智能和机器学习会成为他们所有的产品的核心部件。而像亚马逊这类的公司，已经推出真正基于AI和自然语言理解的智能家居产品，比如Echo和Alexa。还有许多创业公司正在开发各种新奇的应用，网络情报与安全、健康医疗、制造业自动化、远程信息处理、物联网等基于AI的产品。
在人工智能创新生态系统方面，美国也更为完善和活跃。由研究机构、大学及私营企业共同组成的生态系统庞大、创新且多元。目前，美国正在加速全数字化转型，加快培育平台经济和数字经济，持续更新创新发展新模式，培植独特创新生态系统，在科技创新、成果转化、商业创新、融资创新、人才激励等方面，都有可以借鉴的做法。
相比于美国，中国拥有庞大的人口基数和海量数据，广泛的行业分布也为人工智能应用提供了广阔的市场。根据 iResearch，目前，语音和视觉识别技术分别占中国人工智能市场的 60% 和 12.5%。在中国，所有和人工智能相关的公司中，71% 专注于开发应用。其余的公司专注算法，其中，55% 的公司研究计算机视觉，13% 研究自然语言处理，9% 致力于基础机器学习。
未来，人工智能前沿的重要参与者可能会继续来自美国和中国，但两者在技术研究和商业化实践上有截然不同的路径。
5月27日，《麻省理工科技评论》人工智能领域主编Will Knight将来到北京，分享他对中美人工智能发展的观察。我们还将邀请数位中国人工智能领域技术与商业实践者，就中美人工智能技术与产业发展上的差异、人工智能人才在中美创业环境的异同与嘉宾做深度对话。
本次活动须报名审核，仅限50席位
参会费用：218元
相关阅读：
相关推荐：
转载请注明出处。
相关文章
精彩导读
热门资讯
关注我们
