2017,决定人工智能成败的关键环节是算法

  如果说,人工智能让人类智慧再攀新峰;那么,“算法”就是人工智能的“魂”,是最核心部分。没有算法,一切都是“水中月”,“镜中花”!

  实际情况是,至今还没有人能掌控所有的算法,未来也不会有人能够全部掌控。原因很简单,“算法”是个庞大的帝国,种类多到我们难以想象,以至于很多人对于人工智能心存希望,却又感到恐惧。

  到底是什么阻碍了很多企业在AI算法上的投入?AI算法的应用现状如何?现有算法有哪些不足?

  2017年末,比特网“数客”调研平台组织了针对中国百家企业AI应用现状的调研,覆盖制造、教育、金融、互联网、医疗、电力、化工等多个行业(样本平均),总结出如下观点:

  观点一、人工智能算法已有一定进展

  调研结果显示: 34%的企业已经在算法方面取得成效,7%的企业取得了显著成效。这些企业主要分布在轨道交通、自动驾驶、金融服务、医疗健康、教育、新能源、制造行业。虽然现在的人工智能算法还只是限定在各自领域中,但对比此前人们对于算法的态度,已有了明显的不同。“数客”认为,人工智能在算法上取得的成就,必将为相关产业带来强大的技术变革力量。

  人工智能在各个领域的迅猛发展,让大批企业参与到人工智能实现商用的技术浪潮中。因此,我们不仅可以看到谷歌、IBM、亚马逊、阿里、百度等领导企业在AI算法上进行投入;金融、制造业、汽车、轨道交通等传统企业也在积极布局。

  在人工智能以及算法在已取得成效的企业中,43%从学习与推理系统角度探索算法,46%的企业从感知、决策、控制系统的增强角度进行算法尝试。这表明,AI算法从理论走向应用,并非不可跨越,已经有很多企业走向了AI算法的更高“段位”。

  观点二、AI算法距离规模化发展还存在巨大差距

  虽然人工智能在算法层面已取得一定的成绩,41%的企业愿意在算法上投入研究精力;但遗憾的是,仍有59%的企业不想在算法上投入太多精力。

  部分企业在AI算法上已有大胆尝试,而超过半数企业却不愿意付出行动,为何AI算法出现“冰火两重天”现象?人工智能可以为我所用,这已达成大多数企业的共识。但大多数人对AI算法持有矛盾心理,这和算法的复杂程度有关。

  26.19%的企业称在算法上的研究仅限于理论研究层面,38.10%的企业不能支撑复杂的算法。从这一结果可以看出,大多数AI算法还不够成熟,很多都还停留在实验室阶段。出现这种现场也不难理解,刚好符合算法发展的历史规律。

  从1956年开始,人工智能专家们就野心勃勃,试图创造出不逊于人类智力水平的智能机器,但随后人工智能的每一个新浪潮都经历了从盲目乐观到彻底沦丧的轮回。从一开始的通用问题求解器,到后来的感知机技术、基于规则的专家系统,以及遗传算法、神经网络、概率图模型、支持向量机等,没有人能够统计出这个世界到底有多少种算法。

  到20世纪70年代,主流人工智能界已变得越来越谨慎,目标开始转移,主要致力于针对某种或某类特殊问题、特殊功能、特殊领域设计算法问题求解。人们大体上把AI算法分为几大类:机器学习、深度神经网络算法、人脸识别、图像识别、语音识别。

  在计算机音视频和图形图像技术等二维信息算法处理方面,目前比较先进的视频处理算法包括:机器视觉(也是此类算法研究的核心)、2D转3D算法(2D-to-3D conversion)、去隔行算法(de-interlacing)、运动估计运动补偿算法(Motion estimation/Motion Compensation)、去噪算法(Noise Reduction)、缩放算法(scaling)、锐化处理算法(Sharpness)、超分辨率算法(Super Resolution)、手势识别(gesture recognition)、人脸识别(face recognition)。

  在通信物理层等一维信息领域,目前常用的算法包括:无线领域的RRM、RTT,传送领域的调制解调、信道均衡、信号检测、网络优化、信号分解等。另外,数据挖掘、互联网搜索算法也成为当今的热门方向。

  除此之外,AI算法从理论走向实践,不仅要跨越各种复杂的应用场景,还有CPU和GPU的问题。30.95%的企业存在的问题是CPU\GPU难以支撑大规模运算。尤其在深度学习的领域里,数据和运算非常重要。谁的数据更多,谁的运算更快,谁就会占据优势。所以,当大量加码CPU、GPU也无法满足需求的时候,又出现了 FPGA相关应用。

  观点三、企业在AI算法层面动力不足,归根结底是人才缺失

  企业在算法动力不足,最根本问题是人才缺失。成为优秀的算法应用开发工程师,绝非普通人能够驾驭。

  32.26%的被调查者认为,成为优秀的算法应用开发工程师,要精通C/C++、J ava、Web或其他编程语言;45.16%的被调查者认为,熟练掌握数学建模、应用算法的设计和优化理论非常重要;20.97%的人则表示,熟悉数据库的接口技术是AI算法的重中之重。

  目前,在人工智能领域,算法工程师研究领域主要包括音频/视频算法处理、图像技术方面的二维信息算法处理和通信物理层、雷达信号处理、生物医学信号处理等领域的一维信息算法处理。

  另外,成为优秀的算法应用开发工程师要具备不同阶段的基本能力。第一阶段是数学基础,包括数据分析、概率论、线性代数及矩阵;第二阶段是Python,包括环境搭建,Python基础、Python常用库、Python机器学习库;第三阶段是机器学习初级水平,包括机器学习概述、数据清洗和特征选择、回归算法、决策树、随机森林和提升算法,还有SVM;第四阶段是机器学习深度水平,包括聚类算法、EM算法、贝叶斯算法、隐马尔科夫模型、LDA主题模型;第五阶段是深度学习,包括深度学习概述、BP神经基础、CNN卷积神经网络、RNN循环神经网络、TensorFlow;第六阶段是综合项目,包括时间序列预测(SVR或者RNN)、图像分类及检索(比如:KNN、迁移学习)等。

  显然,优秀的算法开发人员重在很强的逻辑思维能力。目前,国内算法应用开发工程师人才缺乏,需求相对较大。鉴于此,大部分企业并没有在AI算法上投入太多精力,而选择目前市面上一些流行的AI算法或者模型。

  观点四、引用国外成熟算法的代价是,中国缺乏AI原创算法

  被调研企业中,熟悉混合蛙跳算法的企业占18.18%;熟悉蜂群算法的企业占9.09%;熟悉蚁群算法的企业占12.12%;熟悉神经网络算法的企业占60.61%。这些算法均来自国外,属于主流的仿生算法。不管是哪种算法,都属于深度学习的一种。

  深度学习是人工智能的一个分支,几乎成为人工智能的代名词。提及深度学习,我们很自然地想到机器学习。简单来说,机器学习就是通过算法,使得机器能从大量历史数据中学习规律,从而对新的样本做出智能识别或对未来做出预测。也就是说,机器学习经历了浅层学习和深度学习两次浪潮。

  目前,深度学习在语音识别、图像识别等很多领域都取得了令人瞩目的成果。

  2012年,“谷歌大脑”项目引发公众关注,该项目由斯坦福大学机器学习教授吴恩达和大规模计算机系统方面的世界顶级专家杰夫·迪恩共同主导,用16000个CPU Core 的并行计算平台训练一种称为深层神经网络的机器学习模型诞生,此举在图像领域获得了巨大成功,让人工智能有了相当于2岁孩子的智商。随后,微软在语音学习、英中机器翻译以及中英文语音合成领域了有了突破性进展。2013年,百度也成立了人工智能研究院,重点方向也是深度学习。自此,深度学习浪潮兴起。

  总体来看,中国和美国是AI发展的领导者。但在算法层面,中国目前还没有出现一种算法被不同领域广泛应用。引用国外成熟算法,虽然短期内可以借道超车,但从长期发展来看,中国AI缺少原创算法,必将成为人工智能发展的桎梏。

  观点五、中国AI算法未来发展前景值得看好

  虽然,中国AI在算法层面远未成熟,但有意思的是,有高达74%的被调查者看好中国AI算法的未来发展前景。

  这也不难理解,虽然人工智能已迎来了蓬勃发展的春天,但目前还没有一种AI算法体系能够成为标准,或被全行业认可,这为中国AI算法实现“跳变”带来新的机会。

  另外,深度学习作为一种非常成功的仿生算法,怎样和其他仿生和自然理论框架,比如:强化学习(Q-learning)、演化计算(如遗传算法)、群体智能(如蚁群算法)、主动学习(active learning)、毕生学习(lifelong learning)有机结合,会成为一个非常有意思的课题。

  相信,随着越来越多的公司参与算法研究,算法体系会越来越完善,符合各种应用场景的开发将呈现“百花齐放”的壮观场景。

  小结:算法突破,中国AI有望实现弯道超车

  (一)、从算法层面上看,人工智能虽然还处于刚刚起步的阶段,但已经有了明显进展。单由于技术投资周期较长,国内大多数AI企业还缺少原创算法。所以,中国AI算法应坚持自主创新,虽然道路曲折,但责任重大。

  (二)、中国企业要未雨绸缪,重视AI算法层面的人才储备;将学术研究和工业应用场景相结合,鼓励创新,挖掘AI算法方面的人才。

  (三)、从事AI算法的工程师也要抓住各种学习机会,取长补短,做深、做精,勇于创新,最终应用于实践,切记浮躁。

  (四)、要对中国AI算法的未来发展充满信心。在AI领域,中国是全球AI发展最具潜力的国家之一,具有雄厚的计算力和大数据基础,一旦算法实现突破,大有希望实现弯道超车。

第 1 /  10 页
点击查看余下全文