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~