Gartner公司近日推出了2018新兴技术成熟度曲线，在曲线上的几十项技术中，通用人工智能、边缘人工智能、对话式人工智能平台、人工智能服务平台等四项人工智能技术，代表了近期国际人工智能发展的重要方向。基于Gartner的分析，我们认为人工智能正在向“通用技术和平台”的方向发展，以下是我们针对相关技术的简评。
一 通用技术
一般认为，人工智能分为弱人工智能和强人工智能（即通用人工智能）两种。当前，国内外人工智能的发展都停留在弱人工智能阶段，包括无人驾驶、虚拟现实、医疗、金融、物流、城市安全等方面的人工智能应用。强人工智能的发展是大势所趋，发展程度主要依赖于芯片计算处理能力的巨大提升，算法的变革和数据的成熟度，还包括对脑科学、神经科学、物质深层结构的研究等。
1. 通用芯片
作为人工智能技术的核心，芯片备受关注。人工智能芯片大致分为特定应用场景芯片（终端芯片）和通用芯片（云端芯片）两种。特定应用芯片给初创小企业带来机会，例如上海的一些人工智能初创企业。但是，在人工智能领域绝大多数处理还是靠通用芯片来完成。谷歌的TPU、Nvidia Tesla P100芯片等属于通用芯片。当前，人工智能通用芯片呈现出三分天下的态势。FPGA、GPU和TPU芯片，已经在人工智能领域大规模应用。FPGA是通过软件的方式定义的，是现场可编程逻辑阵列的首字母缩写，即Field-Programmable Gate Array。过去曾与可编程逻辑器件CPLD进行过较量，如今已经在PAL、GAL、CPLD等可程式逻辑装置的基础上进一步发展，成为英特尔进军AI市场的一个重要法宝。
FPGA有三大特点：一是大型数据中心和计算机群众的“加速多面手”；二是具备良好的存储器访问能力，并且可以非常灵活高效的处理各种不同位宽的数据类型；三是FPGA还可以在线重编程成为其它非人工智能任务的硬件加速器，这也是其有别于GPU和TPU的关键因素。
当前，以GPU驱动的计算环境随处可见，从HPC到AI训练。站在数字世界、高性能计算、人工智能的交叉口，GPU悄然成为了计算机的大脑。将性能从10倍提升至100倍，GPU的加速能力远超以X86架构构建的CPU系统，将时间压缩至分钟级别，功耗也相对较低。英伟达在利用GPU构建训练环境时还考虑到了生态的重要性，这也是一直以来困扰人工智能发展的难题，云平台成为重要载体，并确保了多平台的兼容性。其次，英伟达与Facebook、YouTube这样的科技巨头合作，部署GPU服务器的数据中心。英伟达之于GPU领域的成功除了归功于Tesla加速器、NVIDIA DGX、NVIDIA HGX-2这些专属的工作站或云服务器平台，更依托于构建了完整的产业链通路，让新技术和产品有的放矢，从而形成了自己的生态圈。
不久前，谷歌I/O 2018开发者大会上，TPU3.0正式亮相。根据官方介绍，TPU3.0的计算能力最高可达100PFlops，是TPU2.0的8倍多。TPU相对于GPU而言，采用8位低精度计算节省晶体管，对精度影响很小但是却可以大幅节约功耗。尤其是当大面积集成系统时，TPU不仅性能更强，功耗也会大幅低于GPU集成系统。由于芯片能力非常强大，谷歌使用了液冷散热技术，可以帮助TPU更好的为数据中心服务。除了强大的性能外，谷歌在生态系统的建设上做了大量的工作。目前谷歌正快速扩张自己的云计算业务，TPU也依托于云平台运行。通过更低的售价让人工智能开发企业抛弃GPU，转投成本更低的TPU服务，是谷歌目前正在大力发展的业务。如果TPU无法获得巨大的市场份额从而降低单颗TPU的成本，那么谷歌将很难在人工智能市场盈利。TPU的强大，让谷歌在人工智能芯片领域已称霸一方。
2. 脑科学
虽然强人工智能将给人们的生活和商业活动带来巨大的、甚至是毁灭性的影响，但是发达国家还是纷纷巨资投入，尽早布局，特别是对人工智能影响深远的脑科学领域。早在2013年，欧盟启动10亿欧元“人脑计划”；同年美国总统奥巴马宣布启动45亿美元美国“脑计划”，2014年日本也启动了大型脑研究计划。欧盟的计划侧重从脑联接图谱以超级计算机技术来模拟脑功能，美国的计划更关注研发新型脑研究技术，而日本的计划则聚焦在以绒猴为模型研究各种脑功能和脑疾病的机理。
近两年，通用人工智能都处在新兴技术成熟度曲线的上升起点位置，虽然表面进展缓慢，但潜在进步不容小视。
当前人工智能的应用，一是注重方便实用；二是强调结合强大的数据工具。然而这些方法都需要提供一个完整的机器学习环境，一个和数据开发、算法、培训和部署相关的通用平台。影响通用平台的关键要素包括：机器学习具体算法、实时处理能力、数据准备、数据可视化、任务特征、实例类型、算法市场、训练集生成、电脑硬件等。
1. 边缘人工智能平台
边缘人工智能指嵌入在物联网端点、网关和其他移动和边缘设备中的人工智能技术。边缘人工智能技术主要承担概率推理、计算逻辑、优化判断等功能。例如某石油大公司在某个地区分布着数百个石油钻井平台，而数据中心或云所在公司总部，且位于数百甚至数千英里之外，如果让现场数据返回数据中心，再进行分析并返回钻井平台进行操作，这样做可能会造成不合理的风险。通过边缘人工智能平台，企业在特定环境中可以增强视觉检查系统，在边缘执行推理和数据处理，减少决策延迟，边缘和云之间的数据通信量也大大减少。
百度走在边缘人工智能应用的前列，其与山西精英科技合作，通过对探放水杆托的智能捕捉，将作业过程中的角度，行程，速度等数字化，形成有效的探放水作业量化评价机制，极大降低透水事故发生的概率。在质检领域，在云端对钢材图片数据进行训练形成“连铸板坯缺陷识别模型”，通过边缘人工智能替代人工进行钢材质检，并通过端云一体实现模型的不断迭代。
2. 对话式人工智能平台
对话式人工智能平台主要是构建会话用户界面、聊天机器人和虚拟助理，提供与聊天平台、社交媒体、短信、网站等聊天接口的集成。机器要实现与人的自然交互，需要能够被唤醒、可以识别和理解人的对话并且给出让人满意、感觉非常自然的反馈。具备这些核心技术能力的平台即为对话式人工智能平台。
随着对话式AI生态系统的不断丰富，新产品、新应用也为金融、零售、医疗、制造、政府、教育等六大传统行业带来了效率和价值的提升。据IDC预测，到2020年，对话式人工智能在智能家居、随身设备、智能车载三个关键领域的渗透率分别达到27%，68%，51%。以百度DuerOS为代表的对话式AI平台正在赋能开发者面向不同场景开发应用。上海云之声人工智能公司从语音切入，专注对话式人工智能平台，首创“云端芯”概念，引领行业潮流。一是组合交互、AI技术和第三方服务，提供用户界面，带给用户实际价值，增加用户使用粘性；二是提供在线的超算能力、大规模数据对深度学习算法的迭代；三是提供本地的深度学习运算能力，在特定场景下解决在线超算能力的局限性。
3. 人工智能服务平台
云人工智能和机器学习平台服务统称为人工智能平台服务，相应的平台称为人工智能服务平台。它们提供人工智能模型构建工具、API和相关中间件，构建、培训、部署和使用云服务，涵盖任何类型的视觉、语音和通用数据分类和预测模型。亚马逊、谷歌、IBM、微软是这个方面的重要代表。
Amazon的人工智能服务平台提供一系列成熟且易于使用的机器学习功能，作为一个完全托管的服务。亚马逊提供的服务分为三层。这些解决方案允许具有不同经验的开发人员和数据科学家使用人工智能服务。服务包括托管的、经过预先培训的即插即用API以及用于自定义高级项目的工具性应用。
谷歌云的人工智能服务基于谷歌云平台(GCP)，该平台由一组物理硬件和虚拟计算资源组成。谷歌云的功能得到了其开源计划的补充支持，包括用于预测建模的kaggle平台和Kubernetes平台。google的AI产品如下图所示。除参考指南外，许多google API还包括快速启动和如何指导指南、示例和教程。
IBM在其云品牌下提供了范围广泛的AI服务， Watson studio担当了重要角色，它提供了一种直观的用户体验，可以访问机器、深度学习计算基础设施和智能目录，针对LOB和众多垂直行业预先构建的AI解决方案。解决方案的一个核心要素是Watson Studio提供管理和部署预测模型的集成工具和服务。
微软人工智能平台服务设置在蔚蓝云中，分为三部分：人工智能服务、人工智能基础设施和人工智能工具。在人工智能服务领域，培训服务为开发人员提供了一个起点，可以在不需要广泛的人工智能背景的情况下开发和培训模型。培训服务分为以下几类：视觉、语音和语言、知识和搜索。
在过去的两年里，人工智能基于云的拓展应用，提高了其服务的广度和深度，这一趋势预计还会持续下去。许多企业在决定是在现场部署生产解决方案，还是在云中部署产品解决方案，都要使用云AI组合来进行项目的试验和原型的开发。主要供应商在机器学习、语言处理、计算机视觉等领域及其支持工具等方面，都存在着功能和重点的显著差异。对于企业用户来说，一是通过使用完全相同的数据集对不同的AI组合功能进行实验，然后选择一个满足自身需求的云策略，从而提高成功实现云AI策略的机会。通过选择能够嵌入数据科学、开发人员和基础设施专业知识的AI云服务，最大限度地利用组织的专业知识。
作者：孟海华，上海市科学学研究所产业创新研究室副研究员、博士。文章观点不代表主办机构立场。
声明：本文来自三思派，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
