共计 2863 个字符，预计需要花费 8 分钟才能阅读完成。
摘要：机器学习能真正发展为人工智能吗？硬件对人工智能到底有多重要？有哪些应用会在 2019 年成为现实？
2019 年即将到来，人工智能将往什么方向发展？机器学习将如何演变为人工智能？在神经网络领域具有 20 年的技术经验 Eugenio Culerciello，在硬件和软件两方面都有经验积累。他预测，在硬件和应用两方面，2019 年的人工智能都值得我们期待。
目标
一句话概括，人工智能领域的目标就是制造超越人类能力的机器：自动驾驶汽车、智能家居、人工助理和安防摄像头是首要的目标，接下来是智能厨房、清洁机器人以及安防无人机和机器人。其他应用包括永远在线的个人助理，和能够看见、听见用户生活经历的生活伴侣。人工智能的终极目标则是完全自动的人工个体，能在日常任务中达到、甚至超越人类的工作表现。
软件
通常，软件是指在最佳化算法训练之下，能够解决某一具体任务的神经网络架构。不过，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进行无监督学习，从新的经验中学习，结合在各种环境中学到的知识、解决当下的问题。那么，目前的神经网络，如何能演变为人工智能呢？
神经网络架构神经网络的优势在于从数据中自动学习，但我们忘记了一点：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。这是目前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目前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。
目前神经网络的限制
无法预测、基于内容推理和暂时性不稳定都是目前的限制。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结合。编码器将数据编码为一种代码表征，解码器则扩展表征，生成一系列更大的表征，例如图像生成、心理模拟、图像标亮等。
无监督学习人类无法永远守在机器旁，一步步指导它们的“人生经历”。我们可忙得很！可是目前，对于监督学习我们还得给机器反馈，改正它们的错误。而人类只需要学习几个例子，就能自动改正，并持续学会更多、更复杂的数据。
预测型神经网络目前神经网络的主要限制之一是，它们无法像人类大脑一样进行预测。预测听起来很玄乎，但其实我们每天都在预测。如果桌子上有一小团棉花，你自然会预测棉花团会很轻，不需要花很大力气就能拿动。通过预测，我们的大脑能理解我们的身体和环境，还能知道我们是否需要学习新信息。如果你拿起桌上的棉花团，发现由于里面藏着铅块其实很重，大脑的认知能力能让你学会判断，第二次拿起棉花团的时候就不会惊讶了。预测性神经网络是与复杂的外在世界互动的核心。
持续性学习“终生学习”对于神经网络来说是一件大事。目前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进行新的训练。同时，在真实世界中，我们希望机器可以学会新技能，同时不忘记原本的知识。持续性学习也与迁移学习有关，这需要用到所有上述提到的技能，对增强型学习也很重要。
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、持续学习、预测能力和很多我们还未知的能力。目前，解决增强型学习的问题，我们使用标准的神经网络，例如可以处理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，但是与人类在真实世界中的能力相比，还相差很远。
循环神经网络（RNN）Out 了 RNN 很难进行并行化训练，由于使用超高的容量带宽，即便在特殊的定制机器上也运行很慢。基于注意力机制的神经网络—尤其是卷积神经网络—训练和配置起来更快、更高效，并且更容易规模化。它们已经逐渐补充语音识别，并在增强学习架构和 AI 的广阔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进展：每一部手机上都配有便宜的图像传感器，能够收集大量的数据库，同时 GPU 加速了深度学习的训练。在最近两年，机器学习硬件飞速发展。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。这场开发竞赛的关键是，在处理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。不过，只有少数人知道硬件对机器学习、神经网络和人工智能的影响，或者微型芯片的重要性以及如何开发微型芯片。例如：
架构：很多人觉得计算机架构不过是加法器和乘法器，但是有一些架构能够最小化记忆带宽，一直同时使用所有单元。
编译器：很多人觉得硬件不重要，神经网络编译器才是关键。但是在自己设计架构的时候，编译器只不过是通过机器代码，解读神经网络的计算图像。开源编译器的作用有限，因为最难的一步得依靠未知的架构。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还有很多值得探讨的领域。
微型芯片：对于重要的算法，优化性能的最佳办法就是定制微型芯片，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 2019 至 2020 年实现，但是微型芯片总是更好的。
进步：即便微型芯片的规模化还未被使用，还有一些技术进步能让深度神经网络加速器轻松获得 10 至 20 倍的提升。值得关注的的进展包括系统级封装和升级记忆等。
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活：
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，在本地处理越来越多的数据，不仅保护了隐私，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活，在智能家居中起到重要作用。不过，我们经常忽视聊天的难度，对人类来说是一项基本活动，而对机器来说则是一项伟大的革新。语音助理正在进步，但还是不能完全移动化。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进步。除了手机，语音助理也需要进入汽车，随着用户移动。我们需要更多的本地语音处理、更强的隐私保护和更少的带宽要求。随着硬件的进步，1 至 2 年之内这些都能实现。
人工助理：语音挺好，但是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分析周围的环境。神经网络硬件会帮助我们实现这个美梦，但是分析视频传输要求很高的计算能力，已达到了目前硬件能力的理论边缘，比语音助理要困难得多。AiPoly 等创业公司已经提出了解决方案，但是缺乏强大的硬件，使其能在手机上运行。另外值得关注的还有，如果把手机屏幕换成类似眼镜的可穿戴设备，我们的助理将成为我们的一部分。
家务机器人：另一项重要应用是可以做饭和清洁的家务机器人。我们也许很快就能实现硬件，但是还缺乏软件。我们需要迁移学习、持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。我们无法把这部分写死，必须开发一个善于学习和总结的机器人。这还是一个遥远的理想。
本文作者：【方向】阅读原文
本文为云栖社区原创内容，未经允许不得转载。
