人工智能用例正在扩展到大数据以外的云端 跨越AI谱的领先研究
人工智能用例正在扩展到大数据以外的云端。由于现代设备的复杂性和处理能力日益提高，人工智能正在向边缘发展，为各种行业的移动设备，机器，车辆和连接物提供动力。
这意味着我们也看到人工智能的水平提升，从计算机视觉到自然语言处理，从医疗领域 - 人工智能系统可以比人类医生更好地检测黑色素瘤 - 到机器人真空吸尘器足够聪明，不会摔倒楼梯，我们设备上的即时翻译等等。
在人工智能工作的地方，它的工作效果远远超过任何人类能力所能管然而，由于潜在的应用程序变得更加复杂并且开始需要推理之类的东西，它的功能仍然受到惊人的限例如，图像分析和语音识别非常复杂 - 算法可以识别场景中的对象，但不能将所有这些元素放在一起以确定出现的事情或接下来可能发生的事情。
对于像完全安全的自动驾驶汽车这样的应用来说，这可能是致命的 - 汽车的人工智能需要不仅能够处理来自其他驾驶员的信号以及行人和各种障碍物的信号;它需要了解和预测意图和可能的结果。
而这只是科学家们正在应用的许多研究数据领域之一。为了实现人工智能和机器学习的真正潜力，追求更复杂的应用程序以及更多令人着迷的近乎神奇的功能，科学家们正忙于各方面。
先进的神经网络方法：大多数人工智能和机器学习的目标与教学机器相关，可以像人类一样思考，推理和做出决策。神经网络接近半监督机器学习，它提供了一小部分标记数据的算法来推断，模仿人类学习。
生成对抗网络(GAN)也具有巨大的潜力，并且已经证明了模仿任何数据分布的能力 - 换句话说，创建了与我们自己非常相似的图像，音乐，语音，散文等。分布式和协作式学习系统(包括联合学习系统)可实现真正的学习，并且专为实际的基于边缘的AI而设计，因为它们不需要运行云的主要计算能力。
尖端硬件：在AI中，没有什么比运行硬件更重要了。但是，就能源消耗而言，这一代深度学习算法正在接近达到最高限度，因为它们耗能并且效率极低。研究人员正致力于在可以处理这些机器学习工作负载的低功耗硬件方面取得突破。
网络优化：对设备进行全部或大部分思考的永远在线智能设备的机会是巨大的，为了实现这一点，网络需要升级，这意味着需要对压缩，层间优化进行研究，优化稀疏性和其他技术，以更好地利用内存和空间/时间复杂性，提供高度响应，高度安全和直观的用户体验。
芯片和算法共同依赖：这是机器学习与硬件相遇的地方，并创造了一些全新的东西。研究人员正在寻找训练算法以在具有有限存储器和精度的芯片上良好运行的方法 - 相反，研究人员可以有效地以低功率执行深度学习算法。
在人工智能和机器学习领域有巨大的空间和创新潜力，研究人员正在向前迈进一大步，朝着复杂硬件和永远在线AI的完全连接，智能化的未来迈进。跨行业的潜在用例的数量和种类正在以与应用程序的想法 - 以及我们执行这些想法的能力 - 一样快的速度增长。
要了解更多关于最聪明的AI科学家正在实现的思想，他们正在解决的问题以及改变世界的解决方案，请不要错过这个VB Live活动!