要：机械学习能真正生长为人工智能吗？硬件对人工智能到底有多主要？有哪些应用会在2020年成为现实？

2020年即将到来，人工智能将往什么偏向生长？机械学习将若何演变为人工智能？在神经网络领域具有20年的手艺履历Eugenio Culerciello，在硬件和软件两方面都有履历积累。他展望，在硬件和应用两方面，2020年的人工智能都值得我们期待。

目的

一句话归纳综合，人工智能领域的目的就是制造逾越人类能力的机械：自动驾驶汽车、智能家居、人工助理和安防摄像头是主要的目的，接下来是智能厨房、清洁机械人以及安防无人机和机械人。其他应用包罗永远在线的小我私家助理，和能够瞥见、闻声用户生涯履历的生涯朋友。人工智能的终极目的则是完全自动的人工个体，能在一样平常义务中到达、甚至逾越人类的事情显示。

软件

通常，软件是指在最佳化算法训练之下，能够解决某一具体义务的神经网络架构。不外，这并不能等同于人工智能。人工智能必须能够在真实环境中举行无监视学习，重新的履历中学习，连系在种种环境中学到的知识、解决当下的问题。

那么，现在的神经网络，若何能演变为人工智能呢？

如何分析竞争对手，竞争对手分析的意义

神经网络架构
神经网络的优势在于从数据中自动学习，但我们遗忘了一点：训练的基础是手动设计的神经网络架构，这无法从数据中习得。这是现在这个领域的重大限制因素。问题在于，从数据中学习神经网络架构现在必须从零训练多个架构，然后选择一个最佳架构，这需要太长时间。

现在神经网络的限制
无法展望、基于内容推理和暂时性不稳定都是现在的限制。我们需要一种新的神经网络。

神经网络正在演变为编码器和解码器的连系。编码器将数据编码为一种代码表征，解码器则扩展表征，天生一系列更大的表征，例如图像天生、心理模拟、图像标亮等。

无监视学习
人类无法永远守在机械旁，一步步指导它们的“人生履历”。我们可忙得很！可是现在，对于监视学习我们还得给机械反馈，矫正它们的错误。而人类只需要学习几个例子，就能自动矫正，并连续学会更多、更庞大的数据。
展望型神经网络
现在神经网络的主要限制之一是，它们无法像人类大脑一样举行展望。展望听起来很玄乎，但实在我们天天都在展望。若是桌子上有一小团棉花，你自然会展望棉花团会很轻，不需要花很大气力就能拿动。通过展望，我们的大脑能明白我们的身体和环境，还能知道我们是否需要学习新信息。若是你拿起桌上的棉花团，发现由于内里藏着铅块实在很重，大脑的认知能力能让你学会判断，第二次拿起棉花团的时刻就不会惊讶了。展望性神经网络是与庞大的外在天下互动的焦点。

连续性学习
“终生学习”对于神经网络来说是一件大事。现在的神经网络要想学习新数据，必须每次都从头开始重新训练。它们必须能意识到自己的“无知”，并自动评估是否需要举行新的训练。同时，在真实天下中，我们希望机械可以学会新技术，同时不遗忘原本的知识。连续性学习也与迁徙学习有关，这需要用到所有上述提到的技术，对增强型学习也很主要。
增强型学习
增强型学习可谓是深度神经网络的领域的圣杯。这需要自动学习、连续学习、展望能力和许多我们还未知的能力。现在，解决增强型学习的问题，我们使用尺度的神经网络，例如可以处置视频或音频等大容量数据输入的深度神经网络，并将其压缩为表征，或者RNN等序列学习神经网络。它们可以从零开始、甚至一夜之间学会下围棋，然则与人类在真实天下中的能力相比，还相差很远。
循环神经网络（RNN）Out了
RNN很难举行并行化训练，由于使用超高的容量带宽，即便在特殊的定制机械上也运行很慢。基于注意力机制的神经网络—尤其是卷积神经网络—训练和设置起来更快、更高效，而且更容易规模化。它们已经逐渐弥补语音识别，并在增强学习架构和AI的广漠天地间寻找更多的应用。

硬件

由于硬件的支持，深度学习在2008至2012年间实现了突飞猛进式的希望：每一部手机上都配有廉价的图像传感器，能够网络大量的数据库，同时GPU加速了深度学习的训练。在最近两年，机械学习硬件飞速生长。许多公司都在这个领域：NVIDIA、Intel、Nervana、Movidius、Bitmain、Huawei、ARM、Wave等等，所有公司都在开发定制的高性能芯片，用来训练和运行深度神经网络。

这场开发竞赛的要害是，在处置最近的神经网络运作时，提供最低的能力和最高的可测量性能。

不外，只有少数人知道硬件对机械学习、神经网络和人工智能的影响，或者微型芯片的主要性以及若何开发微型芯片。例如：

架构：
许多人以为盘算机架构不外是加法器和乘法器，然则有一些架构能够最小化影象带宽，一直同时使用所有单元。
编译器：
许多人以为硬件不主要，神经网络编译器才是要害。然则在自己设计架构的时刻，编译器只不外是通过机械代码，解读神经网络的盘算图像。开源编译器的作用有限，由于最难的一步得依赖未知的架构。开源编译器可以作为前端，在硬件架构和神经网络图像之间另有许多值得探讨的领域。
微型芯片：
对于主要的算法，优化性能的最佳设施就是定制微型芯片，或者ASIC或SoC。FPGA现在已经含有深度神经网络加速器，预计将在2020至2020年实现，然则微型芯片总是更好的。
提高：
即便微型芯片的规模化还未被使用，另有一些手艺提高能让深度神经网络加速器轻松获得10至20倍的提升。值得关注的的希望包罗系统级封装和升级影象等。

应用

现在，我们来详细讨论在哪些应用领域，AI和神经网络将改变我们的生涯：

分类图像和视频：
云服务已经包含了这项应用，接下来也会来到智能视频传送中。神经网络硬件不通过云端，在内陆处置越来越多的数据，不仅珍爱了隐私，也节省了互联网带宽使用。
语音助理：
语音助理已经进入我们的生涯，在智能家居中起到主要作用。不外，我们经常忽视谈天的难度，对人类来说是一项基本流动，而对机械来说则是一项伟大的刷新。语音助理正在提高，但照样不能完全移动化。Alexa、Cortana和Siri会永远在线，手机将很快成为未来的智能家居。这是智能手机的又一次提高。除了手机，语音助理也需要进入汽车，随着用户移动。我们需要更多的内陆语音处置、更强的隐私珍爱和更少的带宽要求。随着硬件的提高，1至2年之内这些都能实现。
人工助理：
语音挺好，然则未来我们真正想要的人工助理还能见我们所见，跟随着我们移动的脚步剖析周围的环境。神经网络硬件会辅助我们实现这个美梦，然则剖析视频传输要求很高的盘算能力，已到达了现在硬件能力的理论边缘，比语音助理要难题得多。AiPoly等创业公司已经提出了解决方案，然则缺乏壮大的硬件，使其能在手机上运行。另外值得关注的另有，若是把手机屏幕换成类似眼镜的可穿着装备，我们的助理将成为我们的一部门。
家务机械人：
另一项主要应用是可以做饭和清洁的家务机械人。我们也许很快就能实现硬件，然则还缺乏软件。我们需要迁徙学习、连续学习和增强型学习。每一个食谱都不一样，食谱里的每一种食材都不一样。我们无法把这部门写死，必须开发一个善于学习和总结的机械人。这照样一个遥远的理想。