自2016年AlphaGo擊敗李世石之后，人工智能（AI）這個(gè)再度翻紅的科技熱詞已經(jīng)在爭(zhēng)議聲中走過了兩年多。這兩年里，從一鍵美顏、刷臉開機(jī)，到編輯快訊、演唱會(huì)抓逃犯，人工智能正在突破次元壁，落地現(xiàn)實(shí)。

人工智能的戰(zhàn)略重要性不僅吸引了科技巨頭和資本的瘋狂投資，養(yǎng)活了一眾創(chuàng)企，更是得到了各國(guó)頂層支持。

我國(guó)繼去年7月發(fā)布了《新一代人工智能發(fā)展規(guī)劃》，11月公布了首批國(guó)家人工智能開放創(chuàng)新平臺(tái)名單之后，工信部本周三又公示了2018年人工智能與實(shí)體經(jīng)濟(jì)深度融合創(chuàng)新項(xiàng)目名單（覆蓋106個(gè)項(xiàng)目）。

本期的智能內(nèi)參，我們推薦來自中國(guó)信息通信研究院和中國(guó)人工智能產(chǎn)業(yè)發(fā)展聯(lián)盟的人工智能發(fā)展白皮書（技術(shù)架構(gòu)篇），從產(chǎn)業(yè)發(fā)展的角度，分析技術(shù)現(xiàn)狀、問題以及趨勢(shì)，盤點(diǎn)智能語音、語義理解、計(jì)算機(jī)視覺等相關(guān)應(yīng)用。

整理呈現(xiàn)的干貨：

AI技術(shù)流派

讓機(jī)器實(shí)現(xiàn)人的智能，一直是人工智能學(xué)者不斷追求的目標(biāo)，不同學(xué)科背景或應(yīng)用領(lǐng)域的學(xué)者，從不同角度，用不同的方法，沿著不同的途徑對(duì)智能進(jìn)行了探索。其中，符號(hào)主義、連接主義和行為主義是人工智能發(fā)展歷史上的三大技術(shù)流派。

符號(hào)主義

符號(hào)主義又稱為邏輯主義 ，在人工智能早期一直占據(jù)主導(dǎo)地位。

該學(xué)派認(rèn)為人工智能源于數(shù)學(xué)邏輯，其實(shí)質(zhì)是模擬人的抽象邏輯思維，用符號(hào)描述人類的認(rèn)知過程。早期的研究思路是通過基本的推斷步驟尋求完全解，出現(xiàn)了邏輯理論家和幾何定理證明器等。

上世紀(jì) 70 年代出現(xiàn)了大量的專家系統(tǒng)，結(jié)合了領(lǐng)域知識(shí)和邏輯推斷，使得人工智能進(jìn)入了工程應(yīng)用。PC 機(jī)的出現(xiàn)以及專家系統(tǒng)高昂的成本，使符號(hào)學(xué)派在人工智能領(lǐng)域的主導(dǎo)地位逐漸被連接主義取代。

連接主義

連接主義又稱為仿生學(xué)派 ，當(dāng)前占據(jù)主導(dǎo)地位。該學(xué)派認(rèn)為人工智能源于仿生學(xué)，應(yīng)以工程技術(shù)手段模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。

連接主義最早可追溯到 1943 年麥卡洛克和皮茨創(chuàng)立的腦模型，由于受理論模型、生物原型和技術(shù)條件的限制，在 20 世紀(jì) 70 年代陷入低潮。

直到 1982 年霍普菲爾特提出的 Hopfield 神經(jīng)網(wǎng)絡(luò)模型和 1986年魯梅爾哈特等人提出的反向傳播算法，使得神經(jīng)網(wǎng)絡(luò)的理論研究取得了突破。

2006 年，連接主義的領(lǐng)軍者 Hinton 提出了深度學(xué)習(xí)算法，使神經(jīng)網(wǎng)絡(luò)的能力大大提高。2012 年，使用深度學(xué)習(xí)技術(shù)的 AlexNet模型在 ImageNet 競(jìng)賽中獲得冠軍。

行為主義

行為主義又稱為進(jìn)化主義，近年來隨著 AlphaGo 取得的突破而受到廣泛關(guān)注。

該學(xué)派認(rèn)為人工智能源于控制論，智能行為的基礎(chǔ)是“感知—行動(dòng)”的反應(yīng)機(jī)制，所以智能無需知識(shí)表示，無需推斷。智能只是在與環(huán)境交互作用中表現(xiàn)出來，需要具有不同的行為模塊與環(huán)境交互，以此來產(chǎn)生復(fù)雜的行為。

在人工智能的發(fā)展過程中，符號(hào)主義、連接主義和行為主義等流派不僅先后在各自領(lǐng)域取得了成果，各學(xué)派也逐漸走向了相互借鑒和融合發(fā)展的道路。特別是在行為主義思想中引入連接主義的技術(shù)，從而誕生了深度強(qiáng)化學(xué)習(xí)技術(shù)，成為 AlphaGo 戰(zhàn)勝李世石背后最重要的技術(shù)手段。

深度學(xué)習(xí)一招翻紅

可以說，本輪人工智能的發(fā)展，是在大數(shù)據(jù)環(huán)境和計(jì)算能力大幅提升的基礎(chǔ)上，由深度學(xué)習(xí)帶動(dòng)的。

深度學(xué)習(xí)全稱深度神經(jīng)網(wǎng)絡(luò)，本質(zhì)上是多層次的人工神經(jīng)網(wǎng)絡(luò)算法，即從結(jié)構(gòu)上模擬人腦的運(yùn)行機(jī)制，從最基本的單元上模擬了人類大腦的運(yùn)行機(jī)制。目前，深度學(xué)習(xí)已經(jīng)在計(jì)算機(jī)視覺、語音識(shí)別、自然語言理解等領(lǐng)域取得了突破（詳情參考第209期智東西內(nèi)參）。

▲深度學(xué)習(xí)已在多領(lǐng)域?qū)崿F(xiàn)突破

深度學(xué)習(xí)分為訓(xùn)練(training)和推斷(inference)兩個(gè)環(huán)節(jié)。訓(xùn)練需要海量數(shù)據(jù)輸入，訓(xùn)練出一個(gè)復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)模型。推斷指利用訓(xùn)練好的模型，使用待判斷的數(shù)據(jù)去“推斷”得出各種結(jié)論。

大數(shù)據(jù)時(shí)代的到來，圖形處理器（GPU）等各種更加強(qiáng)大的計(jì)算設(shè)備的發(fā)展，使得深度學(xué)習(xí)可以充分利用海量數(shù)據(jù)（標(biāo)注數(shù)據(jù)、弱標(biāo)注數(shù)據(jù)或無標(biāo)注數(shù)據(jù)），自動(dòng)地學(xué)習(xí)到抽象的知識(shí)表達(dá)，即把原始數(shù)據(jù)濃縮成某種知識(shí)。

▲基于深度學(xué)習(xí)的人工智能技術(shù)架構(gòu)

當(dāng)前，基于深度學(xué)習(xí)的人工智能算法主要依托計(jì)算機(jī)技術(shù)體系架構(gòu)實(shí)現(xiàn)，深度學(xué)習(xí)算法通過封裝至軟件框架的方式供開發(fā)者使用。

軟件框架是整個(gè)技術(shù)體系的核心，實(shí)現(xiàn)對(duì)人工智能算法的封裝，數(shù)據(jù)的調(diào)用以及計(jì)算資源的調(diào)度使用 。為提升算法實(shí)現(xiàn)的效率，其編譯器及底層硬件技術(shù)也進(jìn)行了功能優(yōu)化。

▲深度學(xué)習(xí)技術(shù)體系概述

人工智能算法的設(shè)計(jì)邏輯可以從“學(xué)什么”（表征所需完成任務(wù)的函數(shù)模型）、“怎么學(xué)”（通過不斷縮小函數(shù)模型結(jié)果與真實(shí)結(jié)果誤差來達(dá)到學(xué)習(xí)目的）和“做什么”（回歸、分類和聚類三類基本任務(wù)）三個(gè)維度進(jìn)行概括。

▲人工智能主要算法分類

近年來，隨著AI算法在多領(lǐng)域的突破，相關(guān)算法的理論性研究持續(xù)加強(qiáng)，新算法如膠囊網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)、遷移學(xué)習(xí)等，也被不斷提出。

▲人工智能新算法

下文將概述圍繞深度學(xué)習(xí)的五方面技術(shù)現(xiàn)狀和發(fā)展趨勢(shì)。

大佬開源造生態(tài)

如前所述，軟件框架是整個(gè)技術(shù)體系的核心，是算法的工程實(shí)現(xiàn)。當(dāng)前，人工智能基礎(chǔ)性算法已經(jīng)較為成熟，各大廠商紛紛發(fā)力建設(shè)算法模型工具庫(kù)，并將其封裝為軟件框架，供開發(fā)者使用。

企業(yè)的軟件框架實(shí)現(xiàn)有閉源和開源兩種形式：蘋果公司等少數(shù)企業(yè)選擇閉源方式開發(fā)軟件框架，目的是打造技術(shù)壁壘；目前業(yè)內(nèi)巨頭基本都是基于自身技術(shù)體系的訓(xùn)練及推斷軟件框架，將開源深度學(xué)習(xí)軟件框架作為打造開發(fā)及使用生態(tài)核心的核心。

▲人工智能開源平臺(tái)對(duì)比（援引招商證券）

總體來說開源軟件框架在模型庫(kù)建設(shè)及調(diào)用功能方面具有相當(dāng)共性，但同時(shí)又各具特點(diǎn)。業(yè)界目前主要有深度學(xué)習(xí)訓(xùn)練軟件框架（TensorFlow、MXNet等）和推斷軟件框架（Caffe2go等）兩大類別。

當(dāng)前開源軟件框架的技術(shù)發(fā)展呈現(xiàn)出以下幾方面的特點(diǎn)：

1、谷歌與其他公司間持續(xù)競(jìng)爭(zhēng)。巨頭公司在技術(shù)上將積極探尋包括模型互換，模型遷移等技術(shù)聯(lián)合，以對(duì)抗谷歌公司。例如臉書（Facebook）和微軟已經(jīng)合作開發(fā)了一個(gè)可互換的人工智能軟件框架解決方案。

2、開源軟件框架在向統(tǒng)一和標(biāo)準(zhǔn)化方向發(fā)展。隨著人工智能應(yīng)用的爆發(fā)，開發(fā)人員在不同平臺(tái)上創(chuàng)建模型及部署模型的需求愈發(fā)強(qiáng)烈，在各類軟件框架間的模型遷移互換技術(shù)研發(fā)已經(jīng)成為重點(diǎn)。

3、更高級(jí)的 API 逐漸占據(jù)主導(dǎo)地位。以 Keras 為例，它是建立在TensorFlow、Theano、CNTK、MXNet 和 Gluon 上運(yùn)行的高級(jí)開源神經(jīng)網(wǎng)絡(luò)庫(kù)，以其高級(jí) API 易用性而得到了廣泛的使用。

4、模型的集群并發(fā)計(jì)算成為業(yè)界研究熱點(diǎn)。當(dāng)前人工智能網(wǎng)絡(luò)對(duì)于單計(jì)算節(jié)點(diǎn)的算力要求過高，但當(dāng)前主流開源軟件框架對(duì)于模型分割進(jìn)行計(jì)算并沒有實(shí)現(xiàn)，而這個(gè)問題也將隨著應(yīng)用場(chǎng)景的不斷豐富而不斷引起重視，成為開源軟件框架下一個(gè)核心競(jìng)爭(zhēng)點(diǎn)。

編譯器解決適配問題

在實(shí)際工程應(yīng)用中，人工智能算法可選擇多種軟件框架實(shí)現(xiàn)，訓(xùn)練和開發(fā)人工智能模型也可有多種硬件選項(xiàng)，這就開發(fā)者帶來了不小的挑戰(zhàn)。

原因一是可移植性問題，各個(gè)軟件框架的底層實(shí)現(xiàn)技術(shù)不同，導(dǎo)致在不同軟件框架下開發(fā)的模型之間相互轉(zhuǎn)換存在困難；二是適應(yīng)性問題，軟件框架開發(fā)者和計(jì)算芯片廠商需要確保軟件框架和底層計(jì)算芯片之間良好的適配性。

▲編譯器解決軟硬件適配問題

解決以上兩個(gè)挑戰(zhàn)的關(guān)鍵技術(shù)之一就是深度神經(jīng)網(wǎng)絡(luò)模型編譯器，它在傳統(tǒng)編譯器功能基礎(chǔ)上，通過擴(kuò)充面向深度學(xué)習(xí)網(wǎng)絡(luò)模型計(jì)算的專屬功能，以解決深度學(xué)習(xí)模型部署到多種設(shè)備時(shí)可能存在的適應(yīng)性和可移植性問題。

▲深度學(xué)習(xí)的兩大表示規(guī)范

深度學(xué)習(xí)網(wǎng)絡(luò)模型的表示規(guī)范分為兩大陣營(yíng)。

第一陣營(yíng)是 Open Neural Network Exchange（ONNX，開放神經(jīng)網(wǎng)絡(luò)交換），是一個(gè)用于表示深度學(xué)習(xí)模型的標(biāo)準(zhǔn)，可使模型在不同軟件框架之間進(jìn)行轉(zhuǎn)移。ONNX 由微軟和 Facebook 聯(lián)合發(fā)布，該系統(tǒng)支持的軟件框架目前主要包括 Caffe2，PyTorch，Cognitive Toolkit 和 MXNet，而谷歌的TensorFlow 并沒有被包含在內(nèi)。

第二陣營(yíng)是 Neural Network Exchange Format（NNEF，神經(jīng)網(wǎng)絡(luò)交換格式），是由 Khronos Group 主導(dǎo)的跨廠商神經(jīng)網(wǎng)絡(luò)文件格式，計(jì)劃支持包括 Torch, Caffe, TensorFlow, 等幾乎所有人工智能軟件框架的模型格式轉(zhuǎn)換，目前已經(jīng)有 30 多家計(jì)算芯片企業(yè)參與其中。

芯片提供算力保障

現(xiàn)有深度神經(jīng)網(wǎng)絡(luò)需要用更短的時(shí)間、更低功耗完成計(jì)算，這就給深度學(xué)習(xí)計(jì)算芯片提出了更高的要求：一是計(jì)算芯片和存儲(chǔ)間海量數(shù)據(jù)通信需求，包括緩存（Cache）和片上存儲(chǔ)（Memory）要大，計(jì)算單元和存儲(chǔ)之間的數(shù)據(jù)交互帶寬要大；二是專用計(jì)算能力的提升，解決對(duì)卷積、殘差網(wǎng)絡(luò)、全連接等計(jì)算類型的大量計(jì)算需求，同時(shí)降低功耗。

總的來說，AI 計(jì)算芯片的發(fā)展過程可以總結(jié)為一直在圍繞如何有效解決存儲(chǔ)與計(jì)算單元的提升這兩個(gè)問題而展開，成本問題則作為一個(gè)舵手控制著最終的航向。

▲AI 計(jì)算芯片分類

在深度學(xué)習(xí)訓(xùn)練環(huán)節(jié)，除了使用 CPU 或 GPU （深度學(xué)習(xí)訓(xùn)練的首選）進(jìn)行運(yùn)算外，現(xiàn)場(chǎng)可編程門陣列（FPGA）以及專用集成電路（ASIC）也發(fā)揮了重大作用；而用于終端推斷的計(jì)算芯片主要以 ASIC 為主（詳情可參考第208期智東西內(nèi)參）。

▲典型AI芯片商一覽

數(shù)據(jù)：人工智能的基礎(chǔ)資源

基于深度學(xué)習(xí)的人工智能技術(shù)，核心在于通過計(jì)算找尋數(shù)據(jù)中的規(guī)律，運(yùn)用該規(guī)律對(duì)具體任務(wù)進(jìn)行預(yù)測(cè)和決斷。

源數(shù)據(jù)需要進(jìn)行采集、標(biāo)注等處理后才能夠使用，標(biāo)注的數(shù)據(jù)形成相應(yīng)數(shù)據(jù)集。業(yè)務(wù)類型主要包括數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)存儲(chǔ)以及數(shù)據(jù)交易等環(huán)節(jié)。

▲人工智能數(shù)據(jù)集的參與主體

當(dāng)前，人工智能基礎(chǔ)數(shù)據(jù)類型主要包括語音語言類（包括聲音、文字、語言學(xué)規(guī)則）、圖像識(shí)別類（包括自然物體、自然環(huán)境、人造物體、生物特征等）以及視頻識(shí)別類三個(gè)大類，從世界范圍來看，數(shù)據(jù)服務(wù)商總部主要分布在美國(guó)、歐洲等發(fā)達(dá)國(guó)家。但其數(shù)據(jù)處理人員則大多數(shù)分布在第三世界國(guó)家；我國(guó)語音、圖像類資源企業(yè)機(jī)構(gòu)正處于快速發(fā)展階段，為產(chǎn)業(yè)發(fā)展增添了動(dòng)力。

計(jì)算和服務(wù)平臺(tái)的快速崛起

深度學(xué)習(xí)使用GPU計(jì)算具有優(yōu)異表現(xiàn)，催生了各類GPU服務(wù)器，帶動(dòng)了 GPU 服務(wù)器的快速發(fā)展；同時(shí)，也帶動(dòng)了以服務(wù)的形式提供人工智能所需要的能力，如深度學(xué)習(xí)計(jì)算類的計(jì)算平臺(tái)，以及語音識(shí)別，人臉識(shí)別等服務(wù)，這也成為人工智能企業(yè)打造生態(tài)的重要抓手。

一方面，服務(wù)器廠商相繼推出了專為 AI 而設(shè)計(jì)的、搭載 GPU 的， 應(yīng)用于視頻編解碼、深度學(xué)習(xí)、科學(xué)計(jì)算等多種場(chǎng)景的服務(wù)器，為 AI 云場(chǎng)景對(duì)彈性配置能力予以優(yōu)化，以增強(qiáng) PCI-E 拓?fù)浜蛿?shù)量配比的彈性，增加適配多種軟件框架的運(yùn)算需求，支持 AI 模型的線下訓(xùn)練和線上推理兩類場(chǎng)景。

另一方面，為了解決企業(yè)自行搭建 AI 能力時(shí)遇到的資金、技術(shù)和運(yùn)維管理等方面困難，人工智能企業(yè)紛紛以平臺(tái)類服務(wù)和軟件 API 形式的服務(wù)等形式，提供 AI 所需要的計(jì)算資源、平臺(tái)資源以及基礎(chǔ)應(yīng)用能力。

科幻落地 未來已來

目前隨著深度學(xué)習(xí)算法工程化實(shí)現(xiàn)效率的提升和成本的逐漸降低，一些基礎(chǔ)應(yīng)用技術(shù)逐漸成熟，如智能語音，自然語言處理和計(jì)算機(jī)視覺等，并形成相應(yīng)的產(chǎn)業(yè)化能力和各種成熟的商業(yè)化落地。同時(shí)，業(yè)界也開始探索深度學(xué)習(xí)在藝術(shù)創(chuàng)作、路徑優(yōu)化、生物信息學(xué)相關(guān)技術(shù)中的實(shí)現(xiàn)與應(yīng)用，并已經(jīng)取得了矚目的成果。

▲基礎(chǔ)應(yīng)用架構(gòu)圖

智能語音

按機(jī)器在其中所發(fā)揮作用的不同，分為語音合成技術(shù)、語音識(shí)別技術(shù)、語音評(píng)測(cè)技術(shù)等。智能語音技術(shù)會(huì)成為未來人機(jī)交互的新方式，將從多個(gè)應(yīng)用形態(tài)成為未來人機(jī)交互的主要方式。

已經(jīng)面世的智能語音技術(shù)應(yīng)用有智能音箱（智能家庭設(shè)備的入口）、個(gè)人智能語音助手（個(gè)性化應(yīng)用整合），以及以 API 形式提供的智能語音服務(wù)，覆蓋了智能客服、教育/口語評(píng)測(cè)、醫(yī)療/電子病歷、金融/業(yè)務(wù)辦理、安防、法律、個(gè)人手機(jī)、自動(dòng)駕駛及輔助駕駛、傳統(tǒng)家電、智能家居等領(lǐng)域的應(yīng)用。

計(jì)算機(jī)視覺

一般來講，計(jì)算機(jī)視覺主要分為圖像分類、目標(biāo)檢測(cè)、目標(biāo)跟蹤和圖像分割四大基本任務(wù)。

目前，計(jì)算機(jī)視覺識(shí)別這一人工智能基礎(chǔ)應(yīng)用技術(shù)部分已達(dá)商業(yè)化應(yīng)用水平，被用于身份識(shí)別、醫(yī)學(xué)輔助診斷、自動(dòng)駕駛等場(chǎng)景。

▲計(jì)算機(jī)視覺的三大熱點(diǎn)

在政策引導(dǎo)、技術(shù)創(chuàng)新、資本追逐以及消費(fèi)需求的驅(qū)動(dòng)下，基于深度學(xué)習(xí)的計(jì)算機(jī)視覺應(yīng)用不斷落地成熟，并出現(xiàn)了三大熱點(diǎn)應(yīng)用方向：人臉識(shí)別、視頻結(jié)構(gòu)化、姿態(tài)識(shí)別。

自然語言處理

自然語言處理（NLP）是研究計(jì)算機(jī)處理人類語言的一門技術(shù)，是機(jī)器理解并解釋人類寫作與說話方式的能力，也是人工智能最初發(fā)展的切入點(diǎn)和目前大家關(guān)注的焦點(diǎn)。

自然語言處理的主要步驟包括分詞、詞法分析、語法分析、語義分析等，其應(yīng)用方向主要有文本分類和聚類、信息檢索和過濾、信息抽取、問答系統(tǒng)、機(jī)器翻譯等方向。

展望AI的五大趨勢(shì)

人工智能這座礦還遠(yuǎn)沒有挖完，還有一籮筐的問題等待解決。

一方面，深度學(xué)習(xí)算法模型存在可靠性及不可解釋性問題，因此存在產(chǎn)生不可控結(jié)果的隱患；另一方面，當(dāng)前的數(shù)據(jù)環(huán)境不夠完善，存在著流通不暢、數(shù)據(jù)質(zhì)量良莠不齊和關(guān)鍵數(shù)據(jù)集缺失等問題。

此外，推斷軟件框架質(zhì)量參差不齊，制約了業(yè)務(wù)開展，編譯器缺乏統(tǒng)一的中間表示層標(biāo)準(zhǔn)，云、側(cè)端AI芯片的市場(chǎng)格局有待形成。

基于技術(shù)和產(chǎn)業(yè)的發(fā)展現(xiàn)狀，信通院總結(jié)出了以下五大趨勢(shì)：

1、遷移學(xué)習(xí)的研究及應(yīng)用將成為重要方向。

遷移學(xué)習(xí)由于側(cè)重對(duì)深度學(xué)習(xí)中知識(shí)遷移、參數(shù)遷移等技術(shù)的研究，能夠有效提升深度學(xué)習(xí)模型復(fù)用性，同時(shí)對(duì)于深度學(xué)習(xí)模型解釋也提供了一種方法，能夠針對(duì)深度學(xué)習(xí)算法模型可靠性及不可解釋性問題提供理論工具。

2、深度學(xué)習(xí)訓(xùn)練軟件框架將逐漸趨同，開源推斷軟件框架將迎來發(fā)展黃金期。

隨著人工智能應(yīng)用在生產(chǎn)生活中的不斷深入融合，對(duì)于推斷軟件框架功能及性能的需求將逐漸爆發(fā)，催生大量相關(guān)工具及開源推斷軟件框架，降低人工智能應(yīng)用部署門檻。

3、中間表示層之爭(zhēng)將愈演愈烈。

以計(jì)算模型為核心的深度學(xué)習(xí)應(yīng)用，由于跨軟件框架體系開發(fā)及部署需要投入大量資源，因此模型底層表示的統(tǒng)一將是業(yè)界的亟需，未來中間表示層將成為相關(guān)企業(yè)的重點(diǎn)。

4、AI 計(jì)算芯片朝云側(cè)和終端側(cè)方向發(fā)展。

從云側(cè)計(jì)算芯片來看，目前 GPU 占據(jù)主導(dǎo)市場(chǎng)，以 TPU 為代表的 ASIC 只用在巨頭的閉環(huán)生態(tài)，未來 GPU、TPU 等計(jì)算芯片將成為支撐人工智能運(yùn)算的主力器件，既存在競(jìng)爭(zhēng)又長(zhǎng)期共存，一定程度可相互配合；FPGA 有望在數(shù)據(jù)中心中以 CPU+FPGA 形式作為有效補(bǔ)充。從終端側(cè)計(jì)算芯片來看，這類芯片將面向功耗、延時(shí)、算力、特定模型、使用場(chǎng)景等特定需求，朝著不同發(fā)展。

5、行業(yè)巨頭以服務(wù)平臺(tái)為核心打造生態(tài)鏈。

對(duì)于國(guó)內(nèi)外的云服務(wù)和人工智能巨頭，如亞馬遜、微軟，阿里云、騰訊云、科大訊飛、曠視科技等企業(yè)，將圍繞各自應(yīng)用，與設(shè)備商、系統(tǒng)集成商、獨(dú)立軟件開發(fā)商等聯(lián)合，為政府，企業(yè)等垂直領(lǐng)域提供一站式服務(wù)，共同打造基于服務(wù)平臺(tái)的生態(tài)系統(tǒng)。

小編認(rèn)為，上一波的企業(yè)數(shù)字化為深度學(xué)習(xí)的產(chǎn)業(yè)化落地提供了初步引導(dǎo)，隨后，人工智能相關(guān)的大數(shù)據(jù)、云服務(wù)、芯片、算法產(chǎn)業(yè)和市場(chǎng)格局逐漸成熟。在智能語音、計(jì)算機(jī)視覺、自然語言理解等細(xì)分技術(shù)的發(fā)展下，智能醫(yī)療、智能金融、智能汽車等“AI+”項(xiàng)目掀起了一波創(chuàng)投熱。無疑，AI泡沫確實(shí)存在，但AI曙光勢(shì)必降臨。