业界丨2018,人工智能革命走向风口浪尖

作者:微软 贺乐赋 出处 : 比特网

如果说人类的历史进步教会了我们什么的话,那就是真正的阶段性进展都不是来源于单一的技术突破,而是由同期的各种因素相互促成的。

比如1760年,始于英国的工业革命就是由蒸汽动力的出现、铁矿产量的提升以及第一代机械工具的开发和使用等多重因素构成的。同样,20世纪70年代初的PC革命也是微处理、存储器、软件编程等技术端口共同发展的结果。

现在,迈入2018年的我们也正处于一场新革命的风口浪尖。这场革命或将改变全球每一组织、每一行业以及每一项公共服务。

没错,这场革命就是属于人工智能的革命。我相信,2018年,人工智能将开始成为主流,并无处不在地影响我们的生活,为我们带来新的、有意义的改变。

人工智能: 其实已经有65年的历史了

人工智能其实并不是一个新概念。事实上,早在1950年,计算机先驱艾伦·图灵就提出过一个著名的问题:“机器也能思考吗?”但直到6年后的1956年,“人工智能”这个词才被首次使用。

到今天,经历了将近70年的努力和探索,人类终于把AI从一个概念发展到能真正进入大家生活的技术现实。当下,有三种创新趋势正在积极推动人工智能的加速发展和应用:

首先是大数据。爆炸式增长的移动互联网、智能设备以及物联网无时无刻不在为世界生成新的数据。在当今这个日益数字化的时代,数据已经成为新的“石油”,同时也成为企业核心价值和竞争优势的源泉。

其次,是无所不在的云计算能力。现如今,无论是谁,只要你有一张信用卡,你就可以拥有以往只有跨国公司或政府才能拥有的计算能力。云计算正在全球范围内不断普及,并加速创新。

第三个决定人工智能的能力的要素体现在软件算法和机器学习上的突破。如果说大数据是“新石油”,那么机器学习就是“新的内燃机”,能从复杂的大数据中识别出规律并加以应用。

所以说,人工智能的加速普及和发展不是任何单一的技术突破所带来的,而是以上这些行业趋势所共同促成的。

AI无处不在

微软人工智能及微软研究事业部负责人沈向洋博士(Harry Shum)曾把Al对我们生活的影响比喻成一场“看不见的革命”。他认为人工智能将在越来越多的地方为人们提供便利,不论是个性化的搜索引擎服务还是新闻阅读体验,又或者是为用户的银行账号或旅行计划提供虚拟智能助手,甚至防止信用卡欺诈。这场人工智能革命将比以前任何技术革命都渗透得更加深入,却不会那么具有破坏性。

 

特别值得说明的是,AI将被有机地融合到我们现有的产品和服务中,以增强它们的实力。举一个简单的例子,来说明AI是如何帮助我更有效地进行日常工作的。我经常去亚太地区出差,常常需要为跨国、多语种的观众进行演讲展示。现在,借助Microsoft Presentation Translator的AI技术,我可以克服任何语言障碍,因为当我演讲时,PowerPoint可以用60多种语言同时显示实时字幕。

在商业领域,大多数公司都会在价值链中引入AI,无论是在研发、设计、物流、制造、服务或客户服务环节。事实上,领先的IT行业分析公司IDC认为,到明年,全球40%的数字化转型举措将会被赋予AI能力。 

事实上,并不是只有初创公司或高科技公司才有拥抱AI的可能性。只要你有远见和决心,就能利用好它。举例来说,有着85年历史的日本老牌汽车制造商三菱扶桑卡客车有限公司,就仅用短短两年便集合了基于云的AI能力,物联网(IOT),和混合现实技术(MR),实现了“100%数字化操作”。

 

他们最近实现的一个Al成果就是人工智能聊天机器人,让10000名员工都能以一个更快,更直观和可靠的方式获得他们需要的信息及帮助。这大大减少了员工花在内部网站导航、信息搜索或咨询同事的时间。他们还打算在客户服务中采用这种聊天机器人,从而提高服务质量和效率。

2018 Al趋势预测

站在2018年的开端,我列出了以下四个我认为会在未来12个月内出现的人工智能趋势:

2018年,人工智能将开始大规模应用:如前文中提到的日本汽车制造商一样,越来越多的公司将看到AI的价值,因此人工智能的应用将在2018年开始飙升。据IDC预测,到2020年,全球人工智能收入将超过460亿美元。到2021年,人工智能在亚太地区的投资预计将达到69亿美元,增长73%(来源:CAGR)。

无所不在的虚拟助手:我们将越来越多地看到对话式的人工智能机器人被应用在消费和商业场景中。据Gartner预测,人工智能将成为客户服务的核心技术,到2020年,超过85%的客户服务将在没有人工客服的情况下由机器完成。

普及大数据,助力商业决策:在数据比任何时候都重要的世界中,能够从数据中提取更多有意义的商业洞察,并将其最大幅度地赋予到相关员工身上显得极为重要。人工智能将通过汇总来自员工和商业应用程序的数据以及其他全球数据来完成这一使命。

建立人工智能的信任基础:未来,不论是在政府层面还是在产业层面,人们将会针对人工智能中出现的管理和制度问题展开越来越多的讨论,就像电子商务兴起和云技术出现的时候一样。企业与政府之间的公开对话将有利于我们以更公平、透明和可信的方式利用Al,促进经济发展,造福社会。

人工智能的未来一片光明,我相信2018年,我们将会为Al的大规模发展奠定坚实的基础,开启一片新的天地。


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值