cookieOptions = {...}; .AI 新一輪創新與應用:新一代人工智慧領域十大最具成長性技術展望 - 3S Market「全球智慧科技應用」市場資訊網

3S MARKET

2018年10月3日 星期三

The Future of Artificial Intelligence Documentary 2018



來源: 亿欧网



近年來,隨著人工智慧的進一步發展創新,新技術持續獲得突破性進展,呈現出深度學習、跨界融合、人機協同、群智開放、自主操控等以應用為導向的新特徵。

加強新一代人工智慧技術的前瞻預判,準確把握全球技術創新動態及發展趨勢,將為行業健康發展、資金有序進入、政策規劃頒布、新興市場開拓等提供具備決策參考價值,和實踐指導意義的智力支撐。

圍繞於此,對岸中國電子學會依據其國家頒布的《新一代人工智能發展規劃》、《促進新一代人工智能產業發展三年行動計劃(2018-2020年)》等一系列政策規劃,調研走訪了一批在新一代人工智慧技術及產業方面,具備領先水平和特色的龍頭企業,組織拜訪了來自於知名大學、研究機構的人工智慧相關領域專家學者,系統梳理了權威智庫和知名策略咨詢公司的最新報告,遴選了十項最具特色的成長性技術,發佈了《新一代人工智能領域十大最具成長性技術展望(2018-2019)》。

對抗性神經網路
對抗性神經網路,是指由一個不斷產生數據的神經網路模組,與一個持續判別所產生數據,是否真實的神經網路模組,組成的神經網路架構,創造出近似真實的原創圖像、聲音和文本數據的技術。

該技術有望大幅提升機器翻譯、人臉辨識、資訊檢索的精度和準確性,隨著三維模型數據序列能力的提升,未來將在自動駕駛、安控監控等領域產生可觀的應用價值。


圖 1 對抗性神經網路中產生數據與判別數據持續進行


image.png
資料來源:《麻省理工科技評論》


膠囊網路
膠囊網路是指在深度神經網路中,建構多層神經元模組,用以發現並儲存,物體詳細空間位置和姿態等資訊的技術。該技術能使機器在樣本數據較少情形下,快速辨識不同情境下的同一對象,在人臉辨識、圖像辨識、字符辨識等領域具有廣闊的應用前景。


圖 2 膠囊網路算法可以從不同角度辨識同一物體


image.png
資料來源:International Conference on Learning Representations,《Matrix capsules with EM routing》


雲端人工智慧
雲端人工智慧是指,將雲計算的運作模式,與人工智慧深度融合,在雲端集中使用和共享機器學習工具的技術。該技術將龐大的人工智慧運行成本,轉移到雲平台,能夠有效降低終端設備使用人工智慧技術的門檻,有利於擴大用戶群體,未來將廣泛應用於醫療、製造、能源、教育等多個行業和領域。


圖 3 推出人工智慧服務的主要雲計算公司


image.png
資料來源:中国电子学会整理


深度強化學習
深度強化學習是指,將深度神經網路,和具有決策能力的強化學習相結合,透過端到端學習的方式實現感知、決策或感知決策一體化的技術。

該技術具有無需先驗知識、網路結構複雜性降低、硬體資源需求少等特點,能夠顯著提升機器智慧,適應複雜環境的效率和健壯性,將在智慧製造、智慧醫療、智慧教育、智慧駕駛等領域具有廣闊發展前景。


圖 4 深度強化學習具有良好的結構特點

image.png



智慧腦機交互
智慧腦機交互是指,透過在人腦神經與具有高生物相容性的外部設備間,建立直接連接通路,實現神經系統和外部設備間,資訊交互與功能整合的技術。

該技術採用人工智慧控制的腦機接口,對人類大腦的工作狀態,進行準確分析,達到促進腦機智慧融合的效果,使人類溝通交流的方式,更為多元和高效,未來將廣泛應用於臨床康復、自動駕駛、航空航太等多個領域。


圖 5 智慧腦機交互使人類溝通交流高效化

image.png



對話式人工智慧
對話式人工智慧平台。是指融合語音辨識、語義理解、自然語言處理、語音合成等多種解決方案,為開發者提供具備辨識、理解及反饋能力的開放式平台的技術。

該技術能夠實現,機器與人在對話服務,場景中的自然交互,未來有望在智慧可穿戴設備、家庭、智慧車載等,多個領域得到大規模應用。


圖 6 對話式人工智慧平台結構


image.png
資料來源:IDC,中国电子学会整理




情感智慧
情感智慧是指利用人工智慧手段,模擬表情、語氣、情感等類人化情緒響應,以打造具有情緒屬性的虛擬形象的技術。該技術可賦予機器設備,更好的對人類情感的辨識、理解和引導能力,為用戶帶來更具效率和人性化的交互體驗,未來將在智慧機器人、智慧虛擬助手等領域,得到更為頻繁和深入的應用。


圖 7 情感智能技術將模擬人的情緒


image.png
資料來源:《人類神經科學前沿》

神經形態計算
神經形態計算是指,仿真生物大腦神經系統,在晶片上模擬生物神經元、突觸的功能及其網路組織方式,賦予機器感知和學習能力的技術。

該技術的目標在於使機器,具備類似生物大腦的低功耗、高效率、高容錯等特性,將在智慧駕駛、智慧安控、智慧搜索等領域具有廣闊應用前景。


圖 8 神經形態計算的結構


image.png


image.png
資料來源:中国电子学会整理


元學習
元學習是指將神經網路,與人類注意機制相結合,建構通用算法模型,使機器智慧,具備快速自主學習能力的技術。

該技術能夠使機器智慧真正實現自主編程,顯著提升現有算法模型的效率與準確性,未來的進一步應用,將成為促使人工智慧從專用階段邁,向通用階段的關鍵。


圖 9 元學習實現快速自主學習


image.png
資料來源:arXiv.org,《Matching Networks for One Shot Learning》


量子神經網路
量子神經網路是指,採用量子器件搭建神經網路,優化神經網路結構和性能的技術。該技術充分利用了量子計算超高速、超並行、指數級容量的特點,有效縮短了神經網路的訓練時間,未來將在人臉辨識、圖像辨識、字符辨識等領域,具有重要應用價值和廣闊前景。


圖10 量子神經網路結構示意圖

image.png
資料來源:联合量子研究院(JQI)

0 意見: