智东西内参,史上最全AI产业盘点

2019-09-15 作者:奥门金沙手机娱乐网址   |   浏览(192)

深度学习分为训练(training)和推断(inference)两个环节。训练需要海量数据输入,训练出一个复杂的深度神经网络模型。推断指利用训练好的模型,使用待判断的数据去“推断”得出各种结论。

高盛咨询了各大公司和风投机构,总结认为,AI或者机器学习(ML)将被互联网公司大量的使用,这就需要有效数据收集和相关人才稀缺。不过,随着移动互联设备和物联网的普及,数据量越来越多,数据收集变得越来越容易。

▲人工智能主要算法分类

零售业年均消费540亿美元省410亿美元

当前,基于深度学习的人工智能算法主要依托计算机技术体系架构实现,深度学习算法通过封装至软件框架的方式供开发者使用。

微软首席执行官纳德拉介绍称,微软正在建立“民主化的AI(democratizing AI)”,目前AI研究小组员工人数超过5000人,目标在于改变人机体验和交互技术,小娜是比较有代表性的一个成果。此外,公司还在建立基于GPU和FPGA的云(Azure)方面做努力。

▲基于深度学习的人工智能技术架构

DIY趋势:云平台和开源

芯片提供算力保障

金融服务规模达340-4302亿美元

数据:人工智能的基础资源

2014和2015年,Salesforce开始利用自家电开发平台执行云机器学习任务。公司还收购了Minhash,、PredictionIO、MetaMind等AI公司,目的在于建立云销售、云营销、云服务、云社区、云物联网、基于云的应用程序等。

我国继去年7月发布了《新一代人工智能发展规划》,11月公布了首批国家人工智能开放创新平台名单之后,工信部本周三又公示了2018年人工智能与实体经济深度融合创新项目名单(覆盖106个项目)。

从能源产业结构看可出AI的潜力

4、模型的集群并发计算成为业界研究热点。当前人工智能网络对于单计算节点的算力要求过高,但当前主流开源软件框架对于模型分割进行计算并没有实现,而这个问题也将随着应用场景的不断丰富而不断引起重视,成为开源软件框架下一个核心竞争点。

GPU的大势让英特尔感到了危机,英特尔收购Nervana systems和Altera,加快FPGA的推进,在运算速度和编程灵活性取得一系列进展。2016年中期,英特尔推出了至强二代,用于智能家庭产品的网络服务和云服务。

1、谷歌与其他公司间持续竞争。巨头公司在技术上将积极探寻包括模型互换,模型迁移等技术联合,以对抗谷歌公司。例如脸书(Facebook)和微软已经合作开发了一个可互换的人工智能软件框架解决方案。

IBM在AI方面的布局很早,公司在全球的AI研发每人元超过3000名,专利超过1400项,覆盖云计算和硅纳米科学,其超级智脑沃森在自然语言处理和模式识别、非结构化数据处理方面有着出色的表现,已经应用于虚拟代理,帮助金融、医疗等合作伙伴处理和分析数据。

下载提醒:如果想收藏本文的报告全文,可以在智东西(公众号:zhidxcom)回复关键词“nc285”获取。

2025年:五大领域的千亿级市场

企业的软件框架实现有闭源和开源两种形式:苹果公司等少数企业选择闭源方式开发软件框架,目的是打造技术壁垒;目前业内巨头基本都是基于自身技术体系的训练及推断软

与此同时,移动网络建立大规模数据库和云端处理技术的成本也在不断降低。智东西也曾在111期智能内参援引世界经济论坛指出:预计不用三年,将有90%的人拥有被广告商支持的无限的免费数据存储。这是因为,硬盘驱动器的成本持续下降,激励着数据的创造。事实上,近90%的数据是过去两年中创建的。

深度学习使用GPU计算具有优异表现,催生了各类GPU服务器,带动了 GPU 服务器的快速发展;同时,也带动了以服务的形式提供人工智能所需要的能力,如深度学习计算类的计算平台,以及语音识别,人脸识别等服务,这也成为人工智能企业打造生态的重要抓手。

机器学习人才招聘状况

按机器在其中所发挥作用的不同,分为语音合成技术、语音识别技术、语音评测技术等。智能语音技术会成为未来人机交互的新方式,将从多个应用形态成为未来人机交互的主要方式。

越来越多的算法研究推动着深度学习的实用性,伯克利、谷歌、Facebook也纷纷公开自家的源代码框架,也就是Caffe、TensorFlow和Torch。源代码的开放吸引着越来越多的软件开发者尝试新的算法,不到一年,TensorFlow就以及该形成了一个活络的存储库GitHub,作为目前最大的开发商合作网站。当然,并不是所有的AI都出自于开源框架。

1、迁移学习的研究及应用将成为重要方向。

于AI 海量训练数据情形。目前深度学习解决方案几乎完全依赖 (NVIDIA的)GPU。

▲AI 计算芯片分类

机器学习用于农业

原因一是可移植性问题,各个软件框架的底层实现技术不同,导致在不同软件框架下开发的模型之间相互转换存在困难;二是适应性问题,软件框架开发者和计算芯片厂商需要确保软件框架和底层计算芯片之间良好的适配性。

机器学习和人工智能在金融服务行业有广泛的应用,随着数据集的丰富,AI可以用于投资决策、信贷风险概况等,利用更少的时间处理更为丰富全面的市场信息,提供专业可观,甚至更准确的分析。

在政策引导、技术创新、资本追逐以及消费需求的驱动下,基于深度学习的计算机视觉应用不断落地成熟,并出现了三大热点应用方向:人脸识别、视频结构化、姿态识别。

目前,AI堆栈与其他前沿技术最大的区别在于,大部分的机器学习严重依赖于开源技术和基于云平台供应商的服务。这是因为,AI和ML需要大量数据支持,并且按需计算。目前,AI主要的基础技术投资都来自于微软、谷歌、亚马逊等云服务提供者,其中,云运算的首选是GPU和FPGA,它们能够进行并行的,快速的数据处理。很多公司都会购买这些开源或者云服务来帮助开拓客户,减少运营成本。

智东西(公众号:zhidxcom)

2014年以来的AI相关收购项目

原标题:信通院AI白皮书:硬核干货一文打尽,从技术流派到应用趋势【附下载】| 智东西内参

线上对线下已经被证实是对传统零售业的挑战,电子商务可以积累大量的客户信息,基于这些数据,AI零售可以帮助企业更好的为目标客户服务,更有效的传递产品信息。

深度学习一招翻红

谷歌,或者说现在的Alphabet,已经建立了独一无二的AI检索算法,在自然语言处理上面颇具优势,并应用于谷歌搜索,预计还将在谷歌智能家居生态中大显身手。公司的开源软件库/云计算平台TensorFlow还在结合了很多前沿的硬件加速器,推出新的AI张量处理单元TPU。此外,收购的DeepMind也在击败李世石的战役中一举成名。

一般来讲,计算机视觉主要分为图像分类、目标检测、目标跟踪和图像分割四大基本任务。

智东西也曾在102期智能内参中强调GPU的市场前景,并分析市场份额。相比于CPU,GPU 具有数以千计的计算核心,及强大、高效并行计算能力,可实现 10-100倍应用吞吐量,特别适用于AI 海量训练数据情形。目前深度学习解决方案几乎完全依赖 (NVIDIA的)GPU。

自然语言处理的主要步骤包括分词、词法分析、语法分析、语义分析等,其应用方向主要有文本分类和聚类、信息检索和过滤、信息抽取、问答系统、机器翻译等方向。

Mr L

连接主义

AI风投增长趋势

▲深度学习已在多领域实现突破

亚马逊AWS在云服务的布局已经颇具优势,2015年4月,公司宣布推出机器学习服务亚马逊ML,提供针对性的用户体验。今年5月,亚马逊推出了自家的开源软件DSSTNE,帮助建立深度学习开发库。

人工智能算法的设计逻辑可以从“学什么”(表征所需完成任务的函数模型)、“怎么学”(通过不断缩小函数模型结果与真实结果误差来达到学习目的)和“做什么”(回归、分类和聚类三类基本任务)三个维度进行概括。

基于GPU的云运算

计算机视觉

过去一年间,评估已经收购了Emotient、Turi、Tuplejump等AI创业公司,并雇佣了之前在NVIDIA从事GPU软件项目的Johnathan Cohen,并找来Ruslan Salakhutdinov作为其AI研发部主管。Siri可以算作苹果在AI方面最主要的成就之一,此外,苹果大脑的传言也甚嚣尘上。

符号主义又称为逻辑主义 ,在人工智能早期一直占据主导地位。

BAT着力构建神经网络

▲典型AI芯片商一览

Salesforce:建立云生态

自2016年AlphaGo击败李世石之后,人工智能(AI)这个再度翻红的科技热词已经在争议声中走过了两年多。这两年里,从一键美颜、刷脸开机,到编辑快讯、演唱会抓逃犯,人工智能正在突破次元壁,落地现实。

随着科技的进步,人工智能的发展愈发火热,AI、大数据、机器人这些词已经渗透进我们生活的方方面面,我们有理由相信AI是下一个带来巨大经济效益、提高社会生产力的突破口。下面这篇文章整理了高盛的人工智能重磅报告,从AI的技术支撑、产业布局、市场规模等角度为我们带来详实的分析。

图片 1

芯片浮点能力发展之快可以以NVIDIA GPU(GTX 1080)为例:该芯片性能为9T浮点运算,价值约700美元,也就是每G约8美分。参考1961年的IBM 1620,不考虑浮点运算能力的话,通过串联实现的每G浮点运算需耗9万亿美元。

图片 2

从技术更新周期来看,过去50年,计算机在摩尔定律的推动下不断进步,仅仅在系统框架方面,计算能力、存储容量带宽、编程语言转换都有很大的进展。参见90年代技术变革带来的经济繁荣,推动了软件、硬件、网络公司的整改。公共软件公司1995至今市值从2亿美元暴涨到5亿美元,只有2000年左右趋于平缓。显然,AI也有这样的趋势,引领硬件、软件、数据和服务提供商等领域的增长。事实上,谷歌、亚马逊、微软和Salesforce自2014年来就已经完成了17起AI相关的收购。

图片 3

Mr L

直到 1982 年霍普菲尔特提出的 Hopfield 神经网络模型和 1986年鲁梅尔哈特等人提出的反向传播算法,使得神经网络的理论研究取得了突破。

咨询服务:资本弥补技术差距

对于国内外的云服务和人工智能巨头,如亚马逊、微软,阿里云、腾讯云、科大讯飞、旷视

值得注意的是,除了这些高端技术层面,跟我们更为密切的AI应用即聊天机器人(聊天程序,bots),这被认为是未来人机交互的入口,尤其是自然语言识别、讯息平台和虚拟助手,是目前技术关注的关键点。

本期的智能内参,我们推荐来自中国信息通信研究院和中国人工智能产业发展联盟的人工智能发展白皮书(技术架构篇),从产业发展的角度,分析技术现状、问题以及趋势,盘点智能语音、语义理解、计算机视觉等相关应用。如果想收藏本文的报告(信通院-人工智能发展白皮书2018),可以在智东西(公众号:zhidxcom)回复关键词“nc285”获取。

苹果:活跃的收购者

权威数据·专业解读 读懂智能行业必看的报告

石油和天然气行业的探测和采炼有时处在极端条件,因此设备和工艺的可靠性很重要,影响着项目的经济效益。为了避免操作失误,这个行业往往采用了过渡冗杂的工程化设备和过多的人力。事实上,AI可以帮助设计更为可靠的设备和流程,降低资本支出和运营成本,预计未来时间,基于AI的能源工程可以帮助节省1400亿美元的开支。

展望AI的五大趋势

AI在医疗领域的应用

人工智能这座矿还远没有挖完,还有一箩筐的问题等待解决。

微软:力推基于GPU和FPGA的云

图片 4

AI农业规模达200亿美元

AI技术流派

GPU应用大势 新硬件更适配并行结构

大佬开源造生态

移动网络大量普及 数据结构化或爆发

图片 5

事实上,在过去的这两年时间里,AI、机器人、自动驾驶等概念已经成为最前沿的文化、政治名词。很多研究认为,我们目前正处于这样一个技术拐点:计算能力更强更快,数据源更丰富,深度学习算法趋于成熟,专业的硬件(芯片)和开源代码逐渐崛起,越来越多的实用性AI应运而生。本期的智能内参,我们推荐来自高盛的AI产业调研报告,报告详细介绍了AI的技术背景、应用前景和目前的产业竞争局势及产业链地图。以下为智能内参整理呈现的干货:

如前所述,软件框架是整个技术体系的核心,是算法的工程实现。当前,人工智能基础性算法已经较为成熟,各大厂商纷纷发力建设算法模型工具库,并将其封装为软件框架,供开发者使用。

AI-aaS API及价格

基于深度学习的人工智能技术,核心在于通过计算找寻数据中的规律,运用该规律对具体任务进行预测和决断。

智东西认为:一方面,当前的社会经济、产业的发展急需的新的变革式刺激;另一方面,大数据科技、硬件工艺、并行算法的急速发展,也使得AI成为一个备受瞩目的变革动力。目前来看,服务型AI(AI-aaS)将作为创业者最容易进入的风口,并且在相当多的领域都大有可为;而神经网络、运算芯片、算法框架等基础层的AI建设更像是大佬的游戏。

▲深度学习的两大表示规范

巨头的游戏:软件与硬件之歌

深度学习网络模型的表示规范分为两大阵营。

IBM:沃森成AI之星

2、深度学习训练软件框架将逐渐趋同,开源推断软件框架将迎来发展黄金期。

目前,科技大佬和风投人主要关注的有三个方面:DIY,也就是自主建立自己的人才和数据库,推出新的AI栈,主要玩家包括微软、谷歌、亚马逊和百度;咨询服务,为垂直和特定的领域提供专业的AI咨询,如IBM的沃森;开发服务型AI(AI-aaS),如谷歌图片识别模型。

连接主义最早可追溯到 1943 年麦卡洛克和皮茨创立的脑模型,由于受理论模型、生物原型和技术条件的限制,在 20 世纪 70 年代陷入低潮。

数据可以说是机器学习的关键。分布全球的无所不在的互联设备,包括移动设备、物联网等,使得非结构化的数据大量增长,也就是说,机器学习算法能够用来模拟、训练和测试的数据源更加充足。

生态,未来 GPU、TPU 等计算芯片将成为支撑人工智能运算的主力器件,既存在竞争又长期共存,一定程度可相互配合;FPGA 有望在数据中心中以 CPU+FPGA 形式作为有效补充。从终端侧计算芯片来看,这类芯片将面向功耗、延时、算力、特定模型、使用场景等特定需求,朝着不同发展。

AI-aaS:或将造就最大蓝海

总体来说开源软件框架在模型库建设及调用功能方面具有相当共性,但同时又各具特点。业界目前主要有深度学习训练软件框架(TensorFlow、MXNet等)和推断软件框架(Caffe2go等)两大类别。

人才缺乏为IBM、埃森哲和德勒等公司的资讯服务营造了市场环境。因此,机器学习的相关人才有着非常大的机遇,甚至有组织举行数据科学大赛,提供奖励。

行为主义

GPU在之前的计算机应用不多,但AI算法给了它莫大的基于,目前,几乎所有的AI算法都采用了NVIDIA的GPU,虽然英特尔也在加快研发新的替代芯片FPGA,但目前来看,GPU依旧是比较好的选择。借此大势,NVIDIA还专门设计了全球首款针对深度学习的GPU架构(Pascal 架构)。

5、行业巨头以服务平台为核心打造生态链。

AI栈的演化

计算和服务平台的快速崛起

来源:智东西 

以下为智能内参整理呈现的干货:

超级计算机浮点指数增长趋势

图片 6

目前,国内对于AI的支持力度也比较大,在学术方面也有很是很大的研究热点。学术机构,以及百度、阿里、腾讯等公司也在语音识别、图像识别、神经网络、自然语言处理等方面都有重要的突破。艾瑞咨询认为,国内AI市场将从2015年的12亿元增至2020年的91亿元。

▲基础应用架构图

英特尔:加快芯片研发

自然语言处理

AI-aaS应用于垂直领域可以帮助大公司组合数据,构建机器学习模型,卖给合作伙伴或者客户、供应商。初创公司也可以据此构建专门的数据集,用于诸如医学成像、广告、零售等领域。

总的来说,AI 计算芯片的发展过程可以总结为一直在围绕如何有效解决存储与计算单元的提升这两个问题而展开,成本问题则作为一个舵手控制着最终的航向。

仅以特斯拉互联汽车为例,截至目前,特斯拉总行程78000万英里,公司平台额外驱动的互联汽车也行驶了 100万英里。无线运营方面,Verizon8月公布了新的传输标准,使得远程传感器联通云端软件的速度更快。同时,新的5G网络也将促进传输数据,IDC预计截至2020年,年均数据量将达44泽字节(也就是44万亿字节),未来五年复合年增长率将达141%,大数据技术将逐渐渗透实用领域。

图片 7

AI用于金融服务

在人工智能的发展过程中,符号主义、连接主义和行为主义等流派不仅先后在各自领域取得了成果,各学派也逐渐走向了相互借鉴和融合发展的道路。特别是在行为主义思想中引入连接主义的技术,从而诞生了深度强化学习技术,成为 AlphaGo 战胜李世石背后最重要的技术手段。

算法不断优化 大公司推动开源

图片 8

主要的开源项目

图片 9

IDC调研的数据量增长趋势

科幻落地 未来已来

就像高盛首席经济学家Jan Hatzius说的:AI的广泛适用性带动了各项针对全球经济增长和生产力优化的应用,这主要是由于目前的资本深化和(美国的)生产力现状。我们相信,AI将像90年代的技术变革一样,加速经济增长,提高盈利能力,扩大股本估值。

近年来,随着AI算法在多领域的突破,相关算法的理论性研究持续加强,新算法如胶囊网络、生成对抗网络、迁移学习等,也被不断提出。

GPU被认为是低成本、高计算能力的处理单元,特别是针对云端服务和新的神经网络结构,它能提高准确性和计算速率。基于GPU的并行结构允许更快的机器学习培训体系,远远优于目前广泛使用的基于CPU的数据架构。此外,通过额外的显卡网络,GPU体系可以加快迭代,实现更为精确的快速培训。

本文由奥门金沙网址发布于奥门金沙手机娱乐网址,转载请注明出处:智东西内参,史上最全AI产业盘点

关键词: