未来10年，中国人工智能产业全景前瞻

过去五十年中，人工智能从理论基础与算法基础逐步走向应用，对计算力的要求也从数值计算转向智能推演，但在人工智能产业的漫漫征途中，这仅仅只是跨出了第 一步。

数据源、软件框架、算力等基础设施正在不断拓展人工智能算法的开发场景。在不同研究学派的理念之下，正在不断拓宽人工智能算法和Al技术的能力边界，实现“Al+行业”的快速部署。人工智能正在逐步影响现实世 界的生活与工作的方方面面。未来10年，人工智能产业各层面又会发生怎样的变化呢？

1、类脑芯片代表了芯片发展的十年趋势

智能芯片通常指针对人工智能算法做了加速设计的芯片。GPU、FPGA和ASIC是延用传统冯·诺依曼架构，存储与计算在空间上分离，计算机每次进行运算时需要在CPU和内存这两个区域往复调用，频繁的数据交换导致处理海量信息效率很低且功耗高，十年间将达到架构瓶颈。

类脑芯片在架构上模拟人脑的神经突触传递结构，众多的处理器类似于神经元，通讯系统类似于神经纤维，基于微电子技术和新型神经形态器件的结合，突破了冯·诺依曼架构瓶颈，实现存储与计算的深度融合，大幅提升计算性能、提高集成度、降低能耗。相对于传统芯片，类脑芯片在功耗和集成度上的优势明显，在后摩尔时代有非常宽阔的应用前景，或将成为未来海量数据处理的基础硬件。

2、智能传感器加速人工智能的发展

人工智能结合了多种先进技术，赋予了机器学习、采纳、决策的能力，给予他们全新的功能。依赖于神经网络、专家系统、自组织系统、模糊逻辑和遗传算法等技术，人工智能技术将传感器应用领域扩展到了很多其他领域，其中一些领域需要对传感器信息进行解析和处理，例如装配、生物传感器、建筑建模、计算机视觉、切割工具诊断、环境工程、力值传感、健康监控、人机交互、网络应用、激光铣削、维护和检查、动力辅助、机器人、传感器网络和遥控作业等。凭借灵活性、可重新配置能力和可靠性，全新的系统设备在越来越多的任务中表现出超过人类的性能，将逐渐加速进入工业领域及其他生产工作的方方面面。

人工智能技术具有 *** 低的计算复杂度，可以应用于小型传感器系统、单一传感器或者采用低容量微型控制器阵列的系统。由此，将许多微型电子处理器和传感器集成到日常物品中，使其智能化，共同构建出一个智能环境、与其他智能设备通信以及与人类互动。人工智能凭借传感器带来的广泛数据来源，将加速自身的优化和迭代。

1、环境资源的有效利用和突破

机器学习关注如何用计算的方法模拟类人的学习行为，从历史经验中获取规律（或模型），并将其应用到新的类似场景中。机器学习的 *** 新进展是由新的学习算法和理论的发展以及在线数据和低成本计算的持续爆炸所推动的。但机器学习领域还很年轻，它仍在迅速扩展。

一个主要趋势是关于机器学习算法运行的环境（计算体系结构）。而经典的机器学习系统涉及在一台机器上运行的单个程序，现在机器学习系统通常部署在包含数千或上万个处理器的体系结构中，而并行和分布式技术以及通讯限制成为了焦点技术难题。

机器学习研究人员正越来越多地将环境中的不同数据间的关系形式化，旨在设计在各种环境中都可证明有效的算法，明确正确的用户表达和资源控制之间的权衡。

迁移学习和分布式学习沿着对环境资源的有效利用和突破进行开发。迁移学习的目的是把为源任务训练好的模型迁移到目标任务中，帮助新任务解决训练样本不足等技术挑战。很多学习任务之间存在相关性，因此从一个任务中总结出来的模型参数可以对解决另外一个任务有所帮助。迁移学习目前是机器学习的研究热点之一，还有很大的发展空间。分布式技术是机器学习技术的加速器，能够显著提高机器学习的训练效率、进一步增大其应用范围。

2、实现无监督机器学习

对偶学习是一种新的学习范式，其基本思想是利用机器学习任务之间的对偶属性获得更有效的反馈/正则化，引导、加强学习过程，从而降低深度学习对大规模人工标注数据和监督的依赖。

元学习（Meta Learning）是近年来机器学习领域的一个新的研究热点。字面上来理解，元学习就是学会如何学习，重点是对学习本身的理解和适应，而不仅仅是完成某个特定的学习任务。也就是说，一个元学习器需要能够评估自己的学习方法，并根据特定的学习任务对自己的学习方法进行调整，是自动化机器学习的重要构成。

传统的深度生成模型由于 *** 大化概率似然，模型更倾向于生成偏极端的数据，影响生成的效果。对抗学习通过产生对抗样本或者对抗模型来加强模型的鲁棒性，提高数据生成的效果。

可解释的机器学习（Explainable Al）是机器学习研究由线到面的关键一步，当前的机器学习仍处于黑箱技术阶段，输入数据的关联性无法解释因果关系。尤其在医疗、核工业和航天领域应用中，机器学习的可解释性意味着可靠性和可用性。

3、语音与视觉等模态相互融合

随着人工智能的智能化程度提升，语音、图像、视频等模态将趋于融合，语音可视化将成为可能。

深度学习神经网络的引进使语言模态、文字模态、图像模态、视频模态的编码和解码可在同一个深度学习框架下统一运行，不同模态的对象可被同一模式编码与解码，同一模式的编码与解码可使不同模态对象随意融合，语音分析结果可与图像分析结果结合应用。

语音助手将可模拟人类的语言认知过程，将语音和视觉同时作为语音理解源，不仅通过声音来获取信息，同时还用眼睛观察说话者口型、表情的变化，将数据多维度融合以实现人工智能从感知转变为认知。

4、模型压缩实现算法轻量化和低成本化部署

由于深度学习模型参数量、计算量大，模型在计算资源受限的端侧设备上的嵌入式系统部署难，故需要对传统深度学习的方法进行调优。

模型压缩包括网络剪枝、权值量化、共享权重、霍夫曼编码、知识迁移浅层网络等方式，对神经网络模型进行无精度损失的压缩。在保证模型的高准确度后，如何用更少的硬件成本提供低时延、低功耗、低成本的模型服务决定了应用的未来。

5、端、边、云多方协同

人工智能专 用芯片与智能传感器的发展，大幅提高了端侧设备的计算资源容量。同时，模型压缩后的人工智能算法支持轻量化和低成本化部署。

终端设备开始内置嵌入深度学习算法，可以对采集的数据进行实时处理实时应用。边缘层作为智能终端***近的上层协同节点，实现对端侧上报的数据样本完成动态增量学习。边缘层按需将高质量结构化的数据及分析结果传回云端，通过全域知识模型作为协作模型，云端利用协作生成的软标签帮助模型建立旧类间的潜在关系，实现增量训练中对旧类识别任务的进一步巩固和精度提升，全 面提高计算效率和反应速度。

1、人工智能商业化应用加速落地

Al+行业正在聚焦多元化的应用场景，不同产业及领域的智能化转型将大规模提高人工智能的用户基数为人工智能领域的发展提供巨大的空间，并逐渐向其他相关产业辐射。

金融服务、电信、汽车装配、能源等高科技领域是当前人工智能应用范围*** 为广泛和领 先的，引 领人工智能行业相关应用层产业迅速发展。

交通、医疗、金融、安防等领域的人工智能商业化应用正在加速落地，随之人工智能拥有大规模高质量的用户基础，给其余相关产业的智能化转型带来巨大空间。

2、自动驾驶技术向完 全自动化方向发展

自动驾驶的终 极目标是在目前的开放交通环境中完 全可用，实现这个目标需要在车辆本身和交通环境适应性改造方面同步进行。而在实现 完 全 自动化的进程中，需要考虑四大问题来论证自动驾驶在开放交通环境应用的可行性∶便利性、安全性、可靠性以及法律/道德责任。

“车联网”将驱动汽车软件化的发展，随着汽车内饰部件的电子化，汽车将成为交互应用 不 可忽视的终端，包括办公和娱乐。自动驾驶技术在物流行业和出行服务行业的应用将大大降低运营成本，或将催生全新的产业模式。随着逐步过渡到完 全由无人驾驶运载器构成的交通网络，期间传统的交通信号系统和城市道路规划将重新设计， *** 大化通行效率。

（转自微信公众号中国机器人网）