人工智能的興起與支持技術(shù)和領(lǐng)域的最新發(fā)展有關(guān)

人工智能(AI)領(lǐng)域經(jīng)歷了許多起伏，這主要是由于涉及研究人員，贊助商，開發(fā)人員甚至消費者的每個參與者都提出了不切實際的期望。人工智能的“興起”與支持技術(shù)和領(lǐng)域的最新發(fā)展有關(guān)，例如傳感器，宏觀和微觀規(guī)模的計算，通信網(wǎng)絡(luò)以及深度學(xué)習(xí)的進展和其他推理方法。使AI重新成為主要力量的原因是AI算法直接與傳感器和數(shù)據(jù)(麥克風(fēng)，相機，醫(yī)學(xué)成像掃描儀，生物信號，財務(wù)和醫(yī)療記錄等)交互的能力。

早期-流程結(jié)束時的AI工具

早期，AI主要專注于開發(fā)用于搜索大量解決方案的策略。解決方案空間通常與數(shù)據(jù)相去甚遠，通過設(shè)計用于形成解決方案空間的適當(dāng)表示形式的方法進行分隔。棋盤游戲Jeopardy展示了棋盤游戲的早期成功以及最近的成功-指出這一總體趨勢。人工智能還受益于邏輯和概率推理方法。這些方法的特征之一是從傳感器數(shù)據(jù)中提取的表示或?qū)傩允怯煽茖W(xué)家和工程師手工制作的。這種方法主導(dǎo)了計算機視覺，語音和說話者識別領(lǐng)域。例如，在計算機視覺中，研究人員將使用相機收集的圖像或視頻來描述場景，對象及其在場景中的交互作用，研究人員將提出諸如邊緣，線性特征，紋理，運動和深度。然后，推理算法將處理這些功能，以回答有關(guān)誰，什么，在哪里，為什么等等的問題。在這種傳統(tǒng)情況下，在管道的末尾調(diào)用了AI工具。

上述傳統(tǒng)管道中存在許多問題。由于數(shù)據(jù)和AI之間存在許多中間步驟，因此難以實現(xiàn)實時決策。提取屬性或特征的前端算法容易出錯，需要復(fù)雜的推理方法進行決策。這些機制不適用于處理計算機視覺中的大規(guī)模問題。盡管在高速公路，賓夕法尼亞州的匹茲堡和加利福尼亞的圣地亞哥上都有無人駕駛的開創(chuàng)性演示，但這些系統(tǒng)并未導(dǎo)致大規(guī)模采用。由于傳感器和AI之間的多個步驟，導(dǎo)致設(shè)計和構(gòu)建大型AI系統(tǒng)失敗的原因可以歸結(jié)為AI算法的負擔(dān)，這使俗語“杯與唇之間有許多滑移”得到了證實。 。

有什么變化?傳感器到推理的直接流水線

決策或推理算法現(xiàn)在直接與傳感器和數(shù)據(jù)對話，完全避開了生成手工中間表示的繁重任務(wù)，在這些中間表示上設(shè)計了AI方法。自2012年以來，傳感器到推理的直接管道在許多計算機視覺任務(wù)(例如，對象和面部檢測和驗證)中顯示出顯著的性能改進，并且閘門也已打開。傳感器收集的大量標(biāo)記數(shù)據(jù)的可用性是AI作為一種普及技術(shù)重新興起的因素之一。

好吧，性能確實很重要。DCNN正在創(chuàng)造出新的最新技術(shù)成果，幾乎導(dǎo)致了所有問題，最終導(dǎo)致了可學(xué)習(xí)的數(shù)據(jù)到?jīng)Q策的映射。在計算機視覺和其他會議中，大量論文都使用DCNN及其變體。就像我們都安心了一種冰淇淋一樣!

接下來會發(fā)生什么：寒冷的冬天還是永恒的春天?

接下來是問題，人工智能會面臨另一個冬天嗎?我不相信 由數(shù)據(jù)到?jīng)Q策范式創(chuàng)建的表示比大多數(shù)手工制作的功能要好得多，我相信這里要說的是這種方法。實際上，人工智能的可持續(xù)性或永恒的春天看起來很有希望，因為可以在有意義時采用直接方法，也可以將過去幾年的AI推理方法與DCNN生成的數(shù)據(jù)驅(qū)動表示相結(jié)合。

人工智能將繼續(xù)在傳感器或數(shù)據(jù)豐富的應(yīng)用程序中取得進展，例如無人駕駛汽車，醫(yī)學(xué)，金融和教育。自動駕駛汽車具有攝像頭，3D深度傳感器和地理位置設(shè)備，我們大多數(shù)人已經(jīng)享受到了自動化和安全性提高的好處(盲點警告，智能巡航，換道警告，自動剎車等)。我們希望在可預(yù)見的未來會有更多的自主權(quán)，以實現(xiàn)自動駕駛汽車和卡車在道路和高速公路上的行駛。