2019年即將到來，人工智慧將往什麼方向發展？機器學習將如何演變為人工智慧？在神經網路領域具有20年的技術經驗Eugenio Culerciello，在硬體和軟體兩方面都有經驗積累。他預測，在硬體和應用兩方面，2019年的人工智慧都值得我們期待。

目標

一句話概括，人工智慧領域的目標就是製造超越人類能力的機器：自動駕駛汽車、智慧家居、人工助理和安防攝像頭是首要的目標，接下來是智慧廚房、清潔機器人以及安防無人機和機器人。其他應用包括永遠線上的個人助理，和能夠看見、聽見使用者生活經歷的生活伴侶。人工智慧的終極目標則是完全自動的人工個體，能在日常任務中達到、甚至超越人類的工作表現。

軟體

通常，軟體是指在最佳化演算法訓練之下，能夠解決某一具體任務的神經網路架構。不過，這並不能等同於人工智慧。人工智慧必須能夠在真實環境中進行無監督學習，從新的經驗中學習，結合在各種環境中學到的知識、解決當下的問題。
那麼，目前的神經網路，如何能演變為人工智慧呢？

• 神經網路架構
  神經網路的優勢在於從資料中自動學習，但我們忘記了一點：訓練的基礎是手動設計的神經網路架構，這無法從資料中習得。這是目前這個領域的重大限制因素。問題在於，從資料中學習神經網路架構目前必須從零訓練多個架構，然後選擇一個最佳架構，這需要太長時間。

• 目前神經網路的限制
  無法預測、基於內容推理和暫時性不穩定都是目前的限制。我們需要一種新的神經網路。

神經網路正在演變為編碼器和解碼器的結合。編碼器將資料編碼為一種程式碼表徵，解碼器則擴充套件表徵，生成一系列更大的表徵，例如影象生成、心理模擬、影象標亮等。

• 無監督學習
  人類無法永遠守在機器旁，一步步指導它們的“人生經歷”。我們可忙得很！可是目前，對於監督學習我們還得給機器反饋，改正它們的錯誤。而人類只需要學習幾個例子，就能自動改正，並持續學會更多、更復雜的資料。
• 預測型神經網路
  目前神經網路的主要限制之一是，它們無法像人類大腦一樣進行預測。預測聽起來很玄乎，但其實我們每天都在預測。如果桌子上有一小團棉花，你自然會預測棉花團會很輕，不需要花很大力氣就能拿動。通過預測，我們的大腦能理解我們的身體和環境，還能知道我們是否需要學習新資訊。如果你拿起桌上的棉花團，發現由於裡面藏著鉛塊其實很重，大腦的認知能力能讓你學會判斷，第二次拿起棉花團的時候就不會驚訝了。預測性神經網路是與複雜的外在世界互動的核心。

• 持續性學習
  “終生學習”對於神經網路來說是一件大事。目前的神經網路要想學習新資料，必須每次都從頭開始重新訓練。它們必須能意識到自己的“無知”，並自動評估是否需要進行新的訓練。同時，在真實世界中，我們希望機器可以學會新技能，同時不忘記原本的知識。持續性學習也與遷移學習有關，這需要用到所有上述提到的技能，對增強型學習也很重要。
• 增強型學習
  增強型學習可謂是深度神經網路的領域的聖盃。這需要自動學習、持續學習、預測能力和很多我們還未知的能力。目前，解決增強型學習的問題，我們使用標準的神經網路，例如可以處理視訊或音訊等大容量資料輸入的深度神經網路，並將其壓縮為表徵，或者RNN等序列學習神經網路。它們可以從零開始、甚至一夜之間學會下圍棋，但是與人類在真實世界中的能力相比，還相差很遠。
• 迴圈神經網路（RNN）Out了
  RNN很難進行並行化訓練，由於使用超高的容量頻寬，即便在特殊的定製機器上也執行很慢。基於注意力機制的神經網路—尤其是卷積神經網路—訓練和配置起來更快、更高效，並且更容易規模化。它們已經逐漸補充語音識別，並在增強學習架構和AI的廣闊天地間尋找更多的應用。

硬體

由於硬體的支援，深度學習在2008至2012年間實現了突飛猛進式的進展：每一部手機上都配有便宜的影象感測器，能夠收集大量的資料庫，同時GPU加速了深度學習的訓練。在最近兩年，機器學習硬體飛速發展。許多公司都在這個領域：NVIDIA、Intel、Nervana、Movidius、Bitmain、Huawei、ARM、Wave等等，所有公司都在開發定製的高效能晶片，用來訓練和執行深度神經網路。
這場開發競賽的關鍵是， 在處理最近的神經網路運作時，提供最低的能力和最高的可測量效能。
不過，只有少數人知道硬體對機器學習、神經網路和人工智慧的影響，或者微型晶片的重要性以及如何開發微型晶片。例如：

• 架構：
  很多人覺得計算機架構不過是加法器和乘法器，但是有一些架構能夠最小化記憶頻寬，一直同時使用所有單元。
• 編譯器：
  很多人覺得硬體不重要，神經網路編譯器才是關鍵。但是在自己設計架構的時候，編譯器只不過是通過機器程式碼，解讀神經網路的計算影象。開源編譯器的作用有限，因為最難的一步得依靠未知的架構。開源編譯器可以作為前端，在硬體架構和神經網路影象之間還有很多值得探討的領域。
• 微型晶片：
  對於重要的演算法，優化效能的最佳辦法就是定製微型晶片，或者ASIC或SoC。FPGA現在已經含有深度神經網路加速器，預計將在2019至2020年實現，但是微型晶片總是更好的。
• 進步：
  即便微型晶片的規模化還未被使用，還有一些技術進步能讓深度神經網路加速器輕鬆獲得10至20倍的提升。值得關注的的進展包括系統級封裝和升級記憶等。

應用

現在，我們來詳細討論在哪些應用領域，AI和神經網路將改變我們的生活：

• 分類影象和視訊：
  雲服務已經包含了這項應用，接下來也會來到智慧視訊傳送中。神經網路硬體不通過雲端，在本地處理越來越多的資料，不僅保護了隱私，也節省了網際網路頻寬使用。
• 語音助理：
  語音助理已經進入我們的生活，在智慧家居中起到重要作用。不過，我們經常忽視聊天的難度，對人類來說是一項基本活動，而對機器來說則是一項偉大的革新。語音助理正在進步，但還是不能完全移動化。Alexa、Cortana和Siri會永遠線上，手機將很快成為未來的智慧家居。這是智慧手機的又一次進步。除了手機，語音助理也需要進入汽車，隨著使用者移動。我們需要更多的本地語音處理、更強的隱私保護和更少的頻寬要求。隨著硬體的進步，1至2年之內這些都能實現。
• 人工助理：
  語音挺好，但是未來我們真正想要的人工助理還能見我們所見，跟隨著我們移動的腳步分析周圍的環境。神經網路硬體會幫助我們實現這個美夢，但是分析視訊傳輸要求很高的計算能力，已達到了目前硬體能力的理論邊緣，比語音助理要困難得多。AiPoly等創業公司已經提出瞭解決方案，但是缺乏強大的硬體，使其能在手機上執行。另外值得關注的還有，如果把手機螢幕換成類似眼鏡的可穿戴裝置，我們的助理將成為我們的一部分。
• 家務機器人：
  另一項重要應用是可以做飯和清潔的家務機器人。我們也許很快就能實現硬體，但是還缺乏軟體。我們需要遷移學習、持續學習和增強型學習。每一個食譜都不一樣，食譜裡的每一種食材都不一樣。我們無法把這部分寫死，必須開發一個善於學習和總結的機器人。這還是一個遙遠的理想。

原文連結
本文為雲棲社群原創內容，未經允許不得轉載。