加速人工智能（AI）增长的3个因素

人工智能是这项高科技业务即将到来的主要事物。由最佳技术公司领导的创新和研究正在影响垂直行业，例如医疗保健，汽车，金融，零售和制造业。尽管技术一直是所有这些域名中非常重要的元素，但AI却使技术成为公司的中心。从至关重要的救生医疗设备到自动驾驶汽车，几乎所有程序和设备都将注入AI。

亚马逊，苹果，Facebook，谷歌，IBM和微软等平台公司正在投资研究和创建AI。他们正在努力创建更易于公司使用的AI。

三个重要方面正在加快机器学习和人工智能领域的创新速度。

先进的计算架构

常规的微处理器和CPU并非要照顾机器学习。最快的CPU可能不是训练复杂ML版本的理想选择。为了指导和推论为软件提供情报的ML版本，CPU必须补充新型的芯片。

由于AI的兴起，对图形处理单元（GPU）的需求不断增加。曾经被视为高端赌博PC和工作站的一部分已成为通用云中非常受追捧的处理器。与CPU相反，GPU带有数以万计的内核，这些内核加快了ML训练过程。即使是进行训练有素的推理版本，GPU也变得至关重要。向前发展，某种类型的GPU可能会在有CPU的地方出现。从客户设备到云中的虚拟机，GPU将成为AI的关键。

以下是现场可编程门阵列或FPGA的创新。这些芯片是可定制和可编程的，以获得特定种类的工作负载。常规的CPU是为通用计算而开发的，而一旦FPGA制成，就可以从该区域对其进行编程。选择FPGA器件来进行市场计算任务，例如训练ML版本。公共云销售商正在利用FPGA为AI提供高度优化和优化的基础架构。

最后，从云访问裸机服务器使科学家和研究人员能够在云中进行高性能计算工作。这些承诺的单租户服务器提供了一流的功能。由于这种通用且多租户的基础架构，虚拟机会陷入嘈杂的邻居问题。诸如Amazon EC2之类的云基础架构提供商以及IBM Cloud正在提供裸机服务器。

这些发明将推动在航空航天，健康，图片处理，制造和汽车等领域采用AI。

深度神经网络的进展

深度学习和人工神经网络的进步是AI研究中的下一个也是最关键的元素。

人工神经网络（ANN）替代了传统的机器学习版本，以发展出精确的版本。卷积神经网络（CNN）提供了深度学习来监视视觉的能力。计算机视觉方面的许多当前改进，例如单独的Shot Multibox Detector（SSD）和Generative Adversarial Networks（GAN），都在发现图像处理技术。举例来说，采用其中的一些技术，可以将在弱光和极低分辨率下拍摄的视频和图像提高为高清质量。对计算机视觉的不断研究现已成为医疗保健，保护，运输和其他域名中图片处理的基础。

诸如胶囊神经网络（CapsNet）这样的许多新兴ML方法将基本上改变ML版本的部署和训练方式。他们将能够创建即使使用受限数据进行训练也可以精确预测的模型。

历史数据集的可访问性

超越云成为主流，保存和访问信息的成本很高。作为基于云的公司的结果，学术界和有关部门正在解锁曾经仅限于盒带和磁盘的信息。

数据科学家希望访问大型历史数据集，以教育可以更精确地进行预测的ML模型。 ML版本的功效直接取决于此数据集的质量和尺寸。为了解决诸如发现癌症或下雨之类的复杂问题，研究人员希望拥有包含各种数据问题的大型数据集。

随着信息存储和恢复变得更加经济，政府机构，医疗机构和机构正在创建可供研究区域访问的非结构化信息。从临床成像到历史性的降雨趋势，研究人员终于可以访问丰富的数据集。仅此变量会显着影响AI研究。

大量数据与高性能计算设备一起将引发下一代AI选项。

Facebook，Google，IBM和Microsoft正在为AI研究做出贡献。他们正在投资数十亿美元来创建跨不同业务垂直领域的AI。

对丰富数据集以及下一代计算架构的访问使研究人员和信息科学家能够快速创新。这些变量将使AI成为设备和应用程序必不可少的部分。