2019年人工智能怎樣發展？看這五大趨勢就夠了

2018年，基于機器學習、人工智能的平臺、工具和應用快速增加，這些技術不僅僅影響軟件和互聯網產業，還影響醫療、法律、制造、汽車和農業等垂直行業。

2019年及之后，基于機器學習和人工智能的技術將繼續發展，亞馬遜、蘋果、Facebook、谷歌、IBM和微軟等公司，在人工智能研發方面投入巨資，將惠及使人工智能更靠近消費者的生態鏈。

以下是2019年值得關注的五大人工智能發展趨勢：

1）人工智能芯片的興起

不同于其他軟件的是，人工智能嚴重依賴于與CPU互為補充的專用處理器。即使是速度最快和最先進的CPU，可能都不會提高訓練人工智能模型的速度。模型需要額外硬件完成復雜的數學運算，以加速對象探測和人臉識別等任務。

2019年，英特爾、英偉達、AMD、ARM和高通等芯片廠商將發售能加速人工智能應用執行速度的專門芯片。這些芯片將針對與計算機視覺、自然語言理解和語音識別有關的專門使用場景進行優化，來自醫療和汽車等行業的新一代應用，將依靠這些芯片向最終用戶提供人工智能功能。

2019年，亞馬遜、微軟、谷歌和Facebook等超大規?；A架構公司，將增加對基于現場可編程門陣列和特殊用途集成電路的定制芯片的投資，這些芯片將針對運行基于人工智能和高性能計算的現代負荷進行優化。部分這些芯片將用于協助新一代數據庫運行，加速查詢過程和預測性分析。

2）網絡邊緣物聯網和人工智能的融合

2019年，人工智能和物聯網在邊緣計算層融合。在公共云中訓練的大多數模型，將部署在網絡邊緣。

工業物聯網，是能夠完成異常值探測、根本原因分析和設備預測性維護的人工智能的第一大使用場景。

基于深度神經網絡的先進機器學習模型將針對在網絡邊緣運行進行優化，它們將能夠處理視頻幀、語音合成、時間序列數據，以及由相機、麥克風和其他傳感器收集的非結構化數據。

物聯網將成為人工智能在企業中普及的最大推動力，邊緣設備將集成有基于現場可編程門陣列和特殊用途集成電路的專用人工智能芯片。

3）神經網絡的互操作性成為關鍵

開發神經網絡模型面臨的關鍵性挑戰之一，在于選擇恰當的框架。數據科學家和開發者必須從大量選項中選擇恰當的工具，其中包括Caffe2、PyTorch、Apache MXNet、微軟Cognitive Toolkit和TensorFlow。一旦模型完成訓練，并在專門框架中評估后，就很難移植到其他框架中了。

神經網絡工具間缺乏互操作性，將阻礙人工智能的普及。要解決這一挑戰，亞馬遜、微軟和Facebook已經在聯合開發開放神經網絡交換（以下簡稱“ONNX”）系統，使得在多個框架中重用經過訓練的神經網絡模型成為可能。

2019年，ONNX將成為人工智能產業一項必不可少的技術。包括從研究人員到邊緣設備廠商在內，人工智能生態系統中的所有各方，都將把ONNX作為人工智能進行推論的標準運行時間庫。

4）自動化的機器學習將會興起

將從根本上改變基于機器學習的解決方案的一個趨勢是AutoML，它將使商業分析師和開發者在不需要典型的機器學習模型訓練過程的情況下不斷改進機器學習模型。

在使用AutoML平臺時，商業分析師可以專注于商業問題，而不會被訓練過程和工作流繞暈。

AutoML介于認知API（應用編程接口）和定制機器學習平臺之間，它可以提供恰當的定制水平，不會迫使開發者涉足具體的工作流。不同于經常被認為是黑盒子的認知API的是，AutoML可以提供相同程度的靈活性，集定制數據和可移植性于一體。

5）人工智能將通過人工智能運維實現開發和運維的自動化

現代應用和基礎架構會生成可供索引、搜索和分析的日志數據，這些海量數據來自硬件、操作系統、服務器軟件和應用軟件，它們可以進行聚合、關聯，發現深刻見解和模式。當利用機器學習模型對這些數據進行處理時，IT運維工作將由被動性轉化成預測性的。

當人工智能的力量被應用于IT運維時，人工智能將重新定義基礎架構的管理方式。當機器學習和人工智能應用于IT運維時，開發和運維將向機構提供人工智能。它將幫助運維團隊完成精準的原因分析。

2019年，人工智能運維將成為主流。公共云服務提供商和企業將受益于人工智能和開發/運維的融合。

機器學習和人工智能將成為2019年關鍵的技術趨勢。從商業應用到IT支持，人工智能將對整個產業產生極大影響。