共计 2736 个字符，预计需要花费 7 分钟才能阅读完成。
摘要：以后，数据、算法、算力的倒退冲破正推动 AI 利用的逐渐落地。
AI 是什么？
依据维基百科的定义，人工智能是一种新的通用目标技术（GPT，General Purpose Technology），它横跨整个人类经济的多种用处，具备微小技术性互补和溢出效应。
简而言之，AI 是 21 世纪的一种根底技术，它会利用在咱们日常生活的方方面面。
AI 的历史、当初和将来
晚期，受到 20 世纪数学哲学的影响，诞生出两种流派的人工智能。
基于形式主义（认为所有数学分支都能够公理化的）和逻辑主义（所有数学都是建设在数理逻辑的根底之上）的 符号主义的人工智能 ，以及基于结构主义的 连贯主义和行为主义人工智能。
晚期的流派都认为本人提出的实践有很大的后劲，能够解决很多问题。但在通过一系列摸索后，迷信爱家发现 AI 并没有设想中的简略。
之后，AI 经验了起起落落的倒退阶段。直到 2006 年，深度学习之父 Geoffrey Hinton 和他的学生 Ruslan Salakhutdinov 在《迷信》上发表了一篇文章，提出了深层网络训练中梯度隐没问题的解决方案，至此开启了深度学习在学术界和工业界的浪潮。
2012 年，Geoffry Hinton 又带着团队加入了 ImageNet ILSVRC 挑战赛，以惊人的劣势获胜（错误率比第二名低了足足 10%），这次的比赛结果以及相应的论文拉开了深度学习的热潮。
而深度学习之所以会从 2006 年后大放异彩，很大一部分的起因是数据、算力的倒退，过后的数据集 ImageNet 的数据量很大，再加上应用 GPU 训练深度学习网络，这两个冲破奠定了深度学习的崛起。
现在，GPU 的算力也越来越强，当初的 AI 倒退又是如何呢？
AI 利用落地的三驾马车
以后，数据、算法、算力的倒退冲破正推动 AI 利用的逐渐落地。
1、数据资源丰盛
随着物联网基础设施及智能手机、可穿戴设施的遍及，咱们每个人时刻都在产生大量数据。据 IDC 公布《数据时代 2025》的报告显示，寰球每年产生的数据将从 2018 年的 33ZB 增长到 175ZB，相当于每天产生 491EB 的数据。
另一方面，大数据等技术，升高了数据处理和存储的老本，数据作为人工智能时代的“石油”，驱动着 AI 的倒退。
2、算法继续冲破
在传统深度学习 CNN/RNN 系列模型之后，强化学习、反抗网络算法模型不断涌现。AI 算法逐渐迫近人类程度。
自然语言解决 (NLP) 方面，2018 年 Google 推出的 BERT 开启了 NLP 的元年，现在 BERT 在数据集上的两个指标（GLUE 基准：80.4%，MultiNLI 准确度：86.7%）全面超过人类。
计算机视觉方面，图像分类的算法很早之前就已超过了人类；动作辨认目前精读绝对较低，停留在 52.5%；人脸识别的某些数据集也曾经超过了人类。
语音语义辨认方面，中文语音辨认准确率达到新高度，中文语音识别字错率（CER）达到 3.71%，与人类业余的速记员程度相当。
3、AI 芯片开释微小算力
AI 芯片市场细化，推理与训练、云侧与端侧拆散，性能继续晋升，冲破摩尔定律瓶颈，开释 ZB 级数据分析算力。
NVIDIA 的 Tesla V100，作为 AI 训练通用芯片，性能远超上一代 P100 的 10+ 倍；
Google 的 TUP3.0 是 2.0 性能的 8 倍左右；
华为也推出了实用于推理场景的昇腾 310 以及实用于模型训练的昇腾 910。
从晚期的 CPU、GPU 到当初的 TPU、ASIC，进入到细分畛域后，各种 AI 专用芯片会层出不穷，性能一直晋升，功耗一直升高。
将来，AI 是否会超过人类？
以后，一些算法在某些数据集上的准确率曾经高于人类，很多人会问：AI 是否会超过人类？
如图，首先并不是人类社会的所有问题都是数学问题，有很多问题是不能用数学来形容，黄色圈子内是能够用数学解决的问题。
由此引出了第一个问题：世界上是否所有数学问题都有明确的答案？
答案是有些数学问题是无解的。
第二个问题：如果有明确的答案，是否能够通过无限步骤的计算失去答案？
这就是数学的可计算问题，通过验证，并不是所有数学问题都是能够计算。
接下来是第三个问题：对于那些有可能在无限步骤计算出来的数学问题，是否有一种假想的机械（图灵机），让它一直静止，最初当机器停下来的时候，那个数学问题就解决了？
后果是只有局部问题是图灵机可能解决的。
答复完下面三个问题后，再回看下面那张图，蓝色圈子外面的一个小圆是 AI 能够解决的问题，最初的小点才是 AI 曾经找到解决办法的问题，只占据十分小的一部分。
所以，咱们能够说，在 AI 曾经找到解决办法的问题上，它可能超过了人类，然而在更多的问题上，它是没方法超过的。
那么在某些畛域里，AI 的准确率既然高于人类，比方图像识别，它能够齐全代替人类吗？
如上图所示，右边是失常的原图，两头是烦扰数据，让 AI 预测的是加了烦扰数据的右图。咱们能够很分明的分别左右两组图齐全没有区别，然而 AI 算法做不到，它会把左边的三张图片都判断为鸵鸟。
再来看另一组 AI 犯错的案例，下面是一些噪点和花纹的数据，但 AI 有 99.6% 的概率会将这些图片辨认成某种类别的物体。在咱们普通人来看，AI 有时候会犯一些十分愚昧的谬误。
这时候再答复“将来，AI 是否会超过人类？”的问题，答案就是：AI 能解决的只是人类社会中很小的一部分问题，即便它能解决，并在统计意义上失去一个还不错的准确率，但它有时还是会犯很愚昧的谬误，AI 的预测后果并不是齐全可信的，AI 不会超过人类，它应该成为人类的工具，使人类社会的生产效率进一步提高。
人工智能入门的三大难点
最初谈谈高校学生，或者是一般开发者学习 AI 可能会碰到的一些问题，次要有以下三个难点：
一是要学习的基础知识太多，做 AI 开发波及到 Python 编程常识、Linux 常识，视觉方面要学图像处理、OpenCV 等，同时还要有肯定的数学根底。
二是没有 GPU 机器，本人买 GPU 做 AI 训练，老本十分高。
三是碰到问题找不到人进行交换，尤其是非计算机专业的同学学 AI 会比拟难，因为做 AI 开发不像传统的软件开发那样有十分多的书籍材料和社区能够交换，很多人只能在 GitHub 上找一些材料来解决学 AI 过程中的一些问题，能交换的人和圈子都会更少一点。
结语：
侥幸的是，华为云提供了一站式 AI 开发平台 ModelArts，能够低门槛、低成本的上手 AI，并且提供 ModelArts 社区、《ModelArts 人工智能利用开发指南》等书籍，解决学习 AI 过程的以上三个难点。而且在 1024 程序员节这样喜大普奔的日子里，华为云也推出了以“向云而生”为主题的一系列趣味流动和直播，学 AI 的同时能够集卡牌、抽盲盒，看直播更有超奢华锦鲤大礼包。
备注：本文整顿自华为云 EI 图像算法专家零一老师的直播《开发者如何抓住时代时机学好 AI》，点击能够回看。
点击关注，第一工夫理解华为云陈腐技术~
