【倒计时 9 天，点击“阅读原文”抢票】中国 AI 2017 开年盛典启幕在即，三大亮点不容错过：① 两会 聚齐 BAT 人工智能技术领袖，洞察中国 AI 军团布局；② 引爆 AI 原力， 现场参与 AI 技术论坛顶牛对撞；③人工智能创业家巨星璀璨，看投资领袖预测 谁将成为中国 AI 独角兽。

　　【新智元导读】对于希望从战略层面洞察人工智能这一领域的企业领袖来说，insideBIGDATA Guide to Deep Learning & Artificial Intelligence是个有用的新资源。它解释了AI、机器学习以及深度学习的区别，审视了AI和HPC的交集，介绍了各个领域中AI和深度学习的精彩应用案例，展示了GPU是如何有效地和AI技术结合在一起的。【回复“170318”下载报告全文】

　　这是AI的时代。基于AI的产品大量涌入市场，许多著名厂商已经在产品中整合了AI解决方案：通用电气推行了AI业务Predix，IBM广告里Watson和Bob Dylan相谈甚欢，CRM巨人Saleforce则发布了智能系统Einstein，用于制订产品和销售策略。

　　这些表象的背后是日积月累的努力和数十亿美元的投资。AI大潮席卷了制造业、交通、消费金融、精细农业、医疗医药以及包括公共事业的其他许多领域。

　　为什么是现在？

　　一个最大的问题也许是：为什么是现在？AI的进步有两个关键因素：1.数据的规模；2.计算能力。

　　目前AI进入上升期的主要原因之一是较便宜的计算资源的兴起。像人工神经网络这样的机器学习技术在1980年代和1990年代早期就被广泛使用过，但由于种种原因在90年代后期逐渐淡出人们的视线。最近，神经网络才再次复兴。当初失宠是因为神经网络是非常耗费计算资源的算法。今天，计算机已经变得够快，可以运行大规模的神经网络。从2006年起，神经网络已经用于深度学习方法的实现。现在，随着GPU的使用（GPU原本是10年前设计用来进行游戏的），神经网络开发人员可以用计算机运行深度学习。云和GPU也日益紧密结合，AWS、Azure和Google云目前都为GPU提供了接口。

　　AI技术包括：神经网络、LSTM、贝叶斯置信网络等等。神经网络的工作可以分为两大类：训练和推理。通常，训练会耗费更多的计算性能和动力，而推理（之前称为记分）则相反。一般来说，新的训练计算是英伟达GPU的天下，而老的训练计算则由传统的CPU执行。推理计算则由Intel CPU、Xilinx／Altera FPGA、英伟达 GPU以及像Google TPU这样的ASIC、甚至DSP分而治之。

　　AI、机器学习和深度学习的区别

　　AI、机器学习和深度学习的区别，可以通过下图直观的表示。首先是AI，它涵盖的范围最广，然后是后来兴起的机器学习——它可以看作是AI的子集，最后是深度学习——作为机器学习的子集，它推动了今日AI的勃兴。

　　自从1956年一批计算机科学家在Dartmouth Conferences上提出AI的概念以来，它一直在学术研究实验室里缓慢进化。之后很长一段时间内，AI一会儿被人当作包罗万象的圣杯捧上天，一会儿被当作学术疯狂想象力的代表踩在脚下。直到2012年以前都是如此。

　　在过去几年，尤其是从2015年开始，AI的潜能终于开始爆发。这和GPU的使用密切相关，并行处理变得前所未有的迅速、低成本且更有效。极度增长的存储能力和猛增的数据（包括图像、视频、文本、交易、地理数据等等）也是AI爆发的原因。

　　顺应这一轨迹，深度学习实现了许多机器学习的应用，并扩展了AI的整体领域。深度学习使得各种机器辅助的梦想都变得真实起来。无人驾驶汽车，更好更有前瞻性的医疗，甚至更聪明的电影推荐，如今都来到人们面前，至少是不再遥远。AI成为了现在和未来的基石。

　　AI和HPC的交集

　　AI和HPC的交集表明，对于真实世界的应用来说，认知可以以一种实际的方法进行计算。它代表了逻辑处理与数值密集计算的平衡。这是一个商业、工业、政府和学术研究活动密集的领域。AI和深度学习算法与HPC数字密集型统计分析和操作的结合深深地影响了IT行业，影响到人类生活的各个方面。

　　最近，百度首席科学家AndrewNg提出了一个问题：“为什么是HPC加快了机器学习和深度学习研究的进展？”他表示，今日AI取得的很多进步是由实验等实际工作推动的。他同时指出，HPC使得研究人员和开发人员工作更加高效，他们得以使用熟悉的“想法?实验（代码）?结果（测试）“这一循环更快地迭代实验。以前花费几个星期、几个月甚至几年来完成的实验，现在可以减少到以天计算。

　　关于AI和HPC的结合，我们有如下观察：

(责任编辑：本港台直播)