美国时间8月29日，埃隆.马斯克召开了Neuralink发布会。
人工智能吸引了人们兴趣和高度关注，开发者为各种新创的机器学习技术和应用的开发投注了大量资源，业界在部署越来越复杂的算法，以支持各项人类活动，不仅包括预测任务，还有可对社会、企业及个人造成影响的实际决策。无论是在机器人不断调整自身以适应与人类一起工作的制造业，还是在智能冰箱根据房主的喜好订购食物的家居环境中，人工智能都在不断地闯入以前只能依赖于人类技能、判断或决策的专属领地。
我们计划用三篇文章与大家简要探讨人工智能领域在用的主要系统、技术和算法，并将从行业角度出发，讨论智能家居、智能制造、智能交通和自动驾驶汽车及能源领域等4个主要应用领域。这些领域为人工智能技术的部署提供了广泛的机会。同时，从行业推动者和管理者的角度，了解政府和监管机构迫切需要制定的新政，来处理伴随人工智能而生的一些可预见的关键社会伦理问题。
参考来源?/? ?IEC:《Artificial intelligence across industries》白皮书编译?/??Olivia
在系列文章开篇时，先与大家一起回顾马斯克的Neuralink发布会。美国时间8月29日，埃隆.马斯克站在一台颇有苹果产品风的神经“缝纫机”旁，开始了Neuralink发布会。这开启了未来全球创新的又一个风口，Neuralink是台手术机器人，能将宽度4μm-6μm的柔软电极丝编制在脑神经内，给你的“脑子”充充电。
Neuralink编织的电极如此微小，宽度仅相当于人头发丝的1/10，还如此柔软，以至于能随着果冻般的大脑摆动，而不损伤神经。每分钟，会有6股电极丝（每股32根电极）织入脑内，一个电极阵列则包含96股丝（3072根电极），将人们能植入脑的电极数提高了一个量级。这些电极的末端，连接着可植入颅骨的LINK0.9芯片，将电极传来的信号数字化。这个芯片可续航24小时，竟然还可无线充电。按照马斯克的说法，Neuralink有希望帮助残疾者恢复行动能力。
这是未来创新技术的另一分支：脑机接口，即通过四个步骤：信号采集、信号解码、再编码、反馈给大脑，将人体功能进行数字化、机器化的呈现；而另一个创新方向的人工智能，则是给机器赋予类似人类的学习推理判断能力。
AI从何处来，到何处去？
人工智能是当下热度最高的技术之一，自第一台计算机问世以来，数学模型就被越来越多地用来支持越来越重大的决策过程。无论是部署在人力资源领域帮助甄别候选人，还是用在银行部门中选择发放贷款的对象，机器一直在不断地闯入迄今为止只专属于人类判断和裁决的领地。随着众多行业的数字化催生出大量可用数据，人工智能因其可以解决越来越多的问题而倍受瞩目。
人工智能是奇迹还是海市蜃楼？机器学习技术变得越来越强大，越来越复杂，尤其是在所谓的人工神经网络方面。神经网络出现于20 世纪中期，但直到2010年，机器学习在算法和算力的巨大进步才为人工智能的爆发打开了通路。
随着计算能力的稳步增长，非常大型的（“ 深度”）神经网络开始赋予机器不可能使用传统编程技术实现的复杂创新功能，从而带来了计算机视觉和自然语言处理（NLP）等技术的颠覆性质变，其规模化部署和在传统行业中的应用，如制造业、医疗保健或金融业，也演绎和发展出更多的应用场景和商业模式。
尽管拥有不可预估的未来发展前景，今天的人工智能仍聚焦于具体任务，例如定义极其规范的模式识别应用。虽然也出现了一些为机器赋予类人类技能（如情景感知或移情）的研究，但距离真实实现仍遥不可及。今天的人工智能已经深刻地影响着社会、企业和个人，与所有重大技术变革一样，新的伦理和社会挑战也伴随着人工智能的发展而出现。为了确保人工智能真正惠及全人类，技术促成者和推动者需要设立技术标准和符合性评估系统，并在塑造人工智能的未来方向发挥关键作用。
人工智能从寒冬到磐涅重生。人工智能的起源可以追溯到20世纪50年代，被划分为三个历史阶段。
在第一阶段（1950年代到1980年代），人工智能从可编程数字计算机的抽象数学推理发展而来。著名的图灵测试将其概念化，以决定一个程序是否可以被认为是智能的；“人工智能”一词由John McCarthy 在 1955年提出，他被认为是人工智能之父之一；之后的重要进展是弗兰克·罗森布拉特在1958年发明的“感知器算法”；1967年，Cover和Hart开发出“最近邻算法”，机器学习才开始在实际应用中使用。
在第二阶段（1980年代至1990年代后期），数学建模取得了重大突破，神经网络开始在越来越多的应用中得到广泛部署。AI的一些核心技术和算法得到了发展和进一步完善：1981年基于解释的学习(EBL)、1986年的反向传播算法、1995年的支持向量机(SVM)原理等。其中，最广为人知的一个里程碑是IBM于1996年开发的深蓝国际象棋程序，它成功地击败了当时国际象棋世界冠军。这是计算机程序第一次在世界冠军级别上击败人类玩家，但知识获取和推理能力的限制以及部署人工智能系统的超高成本，引致了“人工智能的冬天”。
21世纪初开始的第三个发展阶段，人工智能才开始初露峥嵘。2006年，Hinton、Osindero和Teh在一篇论文中引入了第一个强大的快速学习深度概念网络，用于对一组图像中的数字进行识别和分类。这一贡献被视为当今人工智能研究最有影响力的研究成果之一。此后，IBM Watson（2010年）和AlphaGo（2016年）等进展得到了公众的广泛关注。随着大数据的应用、理论算法的持续创新和算力的不断提高，人工智能随后在许多应用领域取得了突破性进展。人工智能技术在语音与图像识别、云计算和大数据的并行发展中涅槃重生。
据国际数据公司（IDC）数据，人工智能系统的支出预计在2021年将超过570亿美元，零售、银行、组装制造、医疗保健和过程自动化，这五个行业将是人工智能技术的最大消费者。此外，延伸至与机器智能相关的服务行业，包括方案管理、教育培训、硬件安装、系统集成和咨询等，AI 的市场规模实际上要大得多。
人工智能的表现应包括四种基本能力：感知、理解、行动和学习。迄今为止，“理解”之于机器的意义和人类并不相同。通常，通过训练一个模型，使之“学习”到如何比更传统的方法更好地执行任务，但人工智能系统还不能宣称自己可以“理解” 周围的世界。
从业者们经常把人工智能划分为强人工智能和弱人工智能。强AI（又称通用人工智能）是指能够完全模仿人类智能的机器，能够解决任何需要高级认知能力的领域内的问题，这种AI现在还没有开发出来，只存在于各种科幻书籍或电影中。相比之下，弱AI（也称为窄AI）只在特定的应用场景中帮助人类解决特定的问题。
与人工智能联系紧密的，还有机器学习和深度学习。机器学习采用的方法是，机器根据给定的数据集建立起自身的知识，其算法的性能与现实世界中的数据高度相关，如预测性维护应用中的温度传感器或振动传感器的输出。机器学习中有一个被称为表征学习的领域，可通过从原始数据中发现特征检测或分类所需的表征并自动推理标识数据。深度学习是表征学习的一个子类别，可根据接收到的输入转换特征并详细说明其关系。
对人工智能的需求
影响社会、经济、商业、文化和个人生活的全球大趋势，呈现出数字化、智能化的特点，与人工智能的共同作用将对未来的工作产生重大影响，如数字化、智能化的生产设备将影响许多低技能的工作，技术能力的提升已经在改变供应链、重塑劳动力和重新定义工作，而这种变化不是线性的，而是复杂并加速进行的。人工智能将赋能和改进各种应用，以应对诸如如环境问题，人口结构变化、自然资源枯竭等挑战。
人工智能可以帮助无数的生产制造商优化生产过程，提高产能；人工智能通过更智能地管理需求和供应来实现高水平的城市化管理，在需求侧，通过数据中心管理能源消耗，在供应侧，分布式智能电网可预测并管理供求波动。人工智能有望在应对气候变化方面发挥主导作用，如在能源的生产中优化协调资源的消耗和使用；实施对资源使用更负责任的智能出行方案；在农业中，根据每种植物的具体需求、土壤状况和当前天气条件来确定最佳需水量；为受干旱和缺水影响的地区和国家制定供水策略；帮助改善对天气情况和自然灾害的预测。
全球人口老龄化趋势将改变劳动力人口结构，自动化和生产力的巨大增长将帮助各国缓解人口变化带来的压力，也能够帮助贫困国家做出改变，如确定哪些地方最需要资源，预测疾病爆发等。
人工智能与先进制造能力的集成可以轻松连接供应商、合作伙伴和客户，使得接近大批量生产的效率和成本满足客户的个性化需求的大规模定制成为可能。人工智能的应用还可以更准确地评估工程和质量问题，减少过剩的库存，降低物流延误，提高对客户需求的反应能力，并做出更优化的业务决策。
人工智能的促成者和推动者
虽然硬件、算法和数据可用性的提升一直是人工智能的主要促成要素，但它的发展还有赖于公众认知水平的提高、资本力量的助推和政府对人工智能创新的支持。
是什么使人工智能的进展在近几年变得如此迅速？?三个关键的促成因素，帮助人工智能走出凛冬，迎来春天：
不断提升的计算能力。大多数AI算法需要大量的计算能力，特别是在训练阶段。更大的计算能力意味着可以更快地对算法进行测试和训练，并且可以实现更复杂的算法。因此，集成电路、半导体制造、服务器等硬件技术的进步大大促进了人工智能的应用。算力的提升，不仅要求晶体管数量大幅增加，芯片硬件架构也需要改进，为AI应用提供了更好的性能，多种处理器也应运而生，中央处理器(CPU)、图形处理器(GPU)、现场可编程门阵列(FPGA)和专用集成电路(ASIC)。
数据可用性。人工智能应用根据提供的数据通过算法提取相应的输出信息。因此，数据的可用性对人工智能应用效果至关重要。互联网是数据可用性提升的最重要进展之一，大量的技术社区可以互相合作以创建数据集，并提供世界各地的研究人员访问和使用。
算法的改进。人工智能的大部分新进展是在深度学习领域取得的。对现有技术的大量改进和若干新技术的开发成就了许多神经网络的实现，如修正线性单元（ReLu）激活函数是对算法进行微小的改动，使得神经网络可以更快、更高效地处理信息。
人工智能除了可感知的经济价值外，又有哪些技术和社会推动因素加快其在各种 应用中的部署？
云计算和边缘计算。云计算是一种灵活且可伸缩的基础设施，提供对共享资源池和更高级别服务的访问，可按需供应，降低管理难度，利用云基础设施提供的增强型资源，可提升计算效率从而满足特定的应用需求。
边缘计算是部署于网络边缘的分布式开放平台，靠近应用场景或数据源，集成了联网、存储和应用实时处理的功能。它通过就近的移动设备或传感器工作采集并处理数据，是集中式云节点的重要补充，满足了对敏捷连接、实时服务、数据优化、应用智能、安全性和隐私保护等行业数字化的关键要求。
物联网。物联网是物物相连的网络，让物与物之间能够相互通信和交互。物联网提供了一整套基础设施，分布在不同位置的传感器可收集物理设备的状态数据，然后通过执行器/控制器对设备进行配置和控制，微控制器在物联网领域将产生大规模的部署。物联网基础设施和人工智能技术的结合激发出许多先进应用，如智能制造、智能家居和智能交通等。
大数据。全球连通性和网络的空前增长每天会生成大量数据，可以通过大数据技术和架构来存储、管理和分析这些非常大的数据集。大数据通常被定义为“一个描述大量高速、复杂和可变数据的术语，这些数据需要先进的技巧和技术来实现信息的捕获、存储、分发、管理和分析” 。目前，已经提出了处理结构化、半结构化和非结构化数据的技术和体系结构。
大数据可以用4V来表达，即海量性（Volume）、多样性（Variety）、高速性（Velocity）和准确性（Veracity）。海量性指生成的数据量一直在爆炸性增长；多样性指数据源的多样性导致了数据的异构性；高速性指数据生成的速度在很多情况下是实时的；准确性指数据质量好坏决定人工智能推理判断的正确性。
人工智能的另一个推动因素是消费者和整个社会越来越愿意接受新技术、共享数据和信息，并加入协作社区改进人工智能应用。
BC链 http://www.chinabic.com/?id=162 转载需授权！
网友评论