当前位置: 首页 » 智能资讯 » 智能行业新闻 » 正文

2017新一代人工智能发展白皮书——基础层

放大字体  缩小字体 发布日期:2018-07-10  浏览次数:266
核心提示:本白皮书主要由中国电子学会研究咨询中心人工智能研究室编写完成,内容以原创为主,文责自负。

(二)基础层

基础层主要包括智能传感器、智能芯片、算法模型,其中,智能传感器和智能芯片属于基础硬件,算法模型属于核心软件。随着应用场景的快速铺开,既有的人工智能产业在规模和技术水平方面均与持续增长的市场需求尚有差距,倒逼相关企业及科研院所进一步加强对智能传感器、智能芯片及算法模型的研发及产业化力度。预计到 2020 年,全球智能传感器、智能芯片、算法模型的产业规模将突破 270 亿美元,我国智能传感器、智能芯片、算法模型的产业规模将突破 44 亿美元。

1 、智能传感器:智能转型引领行业发展智能传感器属于人工智能的神经末梢,是实现人工智能的核心组件,是用于全面感知外界环境的最核心元件,各类传感器的大规模部署和应用是实现人工智能不可或缺的基本条件。随着传统产业智能化改造的逐步推进,以及相关新型智能应用和解决方案的兴起,对智能传感器的需求将进一步提升,预计到 2020 年全球智能传感器的产业规模将超过54 亿美元,其中我国智能传感器的产业规模为 11 亿美元。核心技术。智能传感器本质上是利用微处理器实现智能处理功能的传感器,必须能够自主接收、分辨外界信号和指令,并能通过模糊逻辑运算、主动鉴别环境,自动调整和补偿适应环境,以便于大幅减轻数据传输频率和强度,显著提高数据采集效率。目前,智能传感器集成化、小型化的特点愈发突出,更多的功能被集成在一起,控制单元所需的外围接插件和分立元件越来越少,促使其通用性更强,应用范围更宽广,制造成本也进一步下降。同时,原子材料、纳米材料等新材料技术也在智能传感器领域得到日益广泛的应用,使其表现出更为灵敏的物理性能。主要产品。智能传感器已广泛应用于智能机器人、智能制造系统、智能安防、智能人居、智能医疗等各个领域。例如,在智能机器人领域,智能传感器使机器人具有了视觉、听觉和触觉,可感周边环境,完成各种动作,并与人发生互动,包括触觉传感器、视觉传感器、超声波传感器等。在智能制造系统领域,利用智能传感器可直接测量与产品质量有关的温度、压力、流量等指标,利用深度学习等模型进行计算,推断出产品的质量,包括液位、能耗、速度等传感器。在安防、人居、医疗等与人类生活密切相关的领域,智能传
感器也广泛搭载于各类智能终端,包括光线传感器、距离传感器、重力传感器、陀螺仪、心律传感器等。典型企业。智能传感器市场主要由国外厂商占据,集中度相对较高。由于技术基础深厚,国外厂商通常多点布局,产品种类也较为丰富,较为典型的有霍尼韦尔、美国压电、意法半导体、飞思卡尔。如霍尼韦尔生产的产品包括了压力传感器、温度传感器、湿度传感器等多个产品类型,涉及航空航天、交通运输、医疗等多个领域。美国压电生产的产品涵盖了加速度传感器、压力传感器、扭矩传感器等,并涉及核工业、石化、水力、电力、和车辆等多个不同领域。相比之下,我国厂商经营内容仍较为单一,如高德红外主要生产红外热成像仪,华润半导体主要生产光敏半导体,但其中也出现了华工科技、中航电测等少数企业试水扩大布局范围。人工智能根据客观环境变化进行相应的改变和适应,持续提高算法的准确性与可靠性。

温度传感器能感受温度并转换成可用输出信号。湿度传感器通过湿敏元件在不同湿度环境中电阻率和电阻值变化测量空气湿度。力传感器
能检测张力、拉力、压力、重量、扭矩、内应力和应变等力学量,将力的量值转换为相关电信号。指纹传感器实现指纹自动采集

液位传感器可用于测量液位,是压力传感器的拓展。

气体传感器将气体的成份、浓度等信息转换成可被人员、仪器仪表、计算机等利用的信息。

磁场传感器感应磁场强度来测量电流、位置、方向等物理参数

位置传感器用来测量物体自身的位置

光传感器  感测环境光线的强度

 

2 、智能芯片:初创企业蓄势待发智能芯片是人工智能的核心,与传统芯片最大的差别在于架构不同,传统的计算机芯片均属于冯·诺依曼体系,智能
芯片则仿照大脑的结构设计,试图突破冯·诺依曼体系中必须通过总线交换信息的瓶颈。当前各大科技巨头正积极布局人工智能芯片领域,初创企业纷纷入局,随着市场将进一步打开,预计到 2020 年全球智能芯片的产业规模将接近 135 亿美元,其中我国智能芯片的产业规模近 25 亿美元。核心技术。深度学习已成为当前主流的人工智能算法,这对于处理器芯片的运算能力和功耗提出了更高要求,目前软件企业采取的主流方案是通过应用 GPU 和 FPGA 提高运
算效率,与 CPU 少量的逻辑运算单元相比,GPU 就是一个庞大的计算矩阵,具有数以千计的计算核心,可实现 10-100倍应用吞吐量,而且支持对深度学习至关重要的并行计算能力,可以比传统处理器更加快速,大大加快了训练过程。同时,一些针对深度学习算法而专门优化和设计的芯片也已经面市,由于是量身定制,运行更为高效。主要产品。数据和运算是深度学习的基础,可以用于通用基础计算且运算速率更快的 GPU 迅速成为人工智能计算的主流芯片。2015 年以来,英伟达公司的 GPU 得到广泛应用,并行计算变得更快、更便宜、更有效,最终导致人工智能大爆发。同时,与人工智能更匹配的智能芯片体系架构的研发成为人工智能领域的新风口,已有一些公司针对人工智能推出了专用的人工智能芯片。如IBM的类脑芯片TureNorth及神经突触计算机芯片 SyNAPSE、高通的认知计算平台Zeroth、英特尔收购的 Nervana、浙江大学与杭州电子科技大学的学者合作研制的类脑芯片“达尔文”,中国科学院计算技术研究所的寒武纪芯片。典型企业。作为核心和底层基础,智能芯片已经成为各大公司布局的重点领域。目前传统芯片巨头如英特尔、英伟达,大型互联网公司如谷歌、微软已经在该领域发力,这些公司资金实力雄厚,除了自行研发外,通常也采用收购的方式快速建立竞争优势。例如,谷歌继 2016 年发布第一代 TPU后,于今年谷歌 I/O 大会上推出了第二代深度学习芯片 TPU,英特尔则以 167 亿美元收购 FPGA 生产商 Altera 公司。由于智能芯片刚刚兴起,技术、标准都处于探索阶段,我国芯片厂商换道超车的机会窗口闪现,涌现出了一批优秀的创业型公司,如寒武纪、深鉴科技等。

CPU:中央处理器 CPU 具有很强的处理不同类型数据的计算能力以及处理分支与跳转的逻辑判断能力,计算指令能够一条接一条的有序执行。
GPUGPU 的计算速度有了突破性的飞跃,拥有了更强大的处理浮点运算的能力。这使其更擅长处理多重任务,尤其是重复性工作。FPGA其具有静态可重复编程和动态在系统重构的特性,使得硬件的功能可以像软件一样通过编程来修改。ASIC根据特定需要设计、制造的集成电路。用于专门的任务,与通用集电路相比,具有体积更小、功耗更低、可靠性提高、性能提高、保密性增强、成本降低等优点。

3 、算法模型:通过开源构建生态已是大势所趋人工智能的算法是让机器自我学习的算法,通常可以分为监督学习和无监督学习。随着行业需求进一步具化,及对分析要求进一步的提升,围绕算法模型的研发及优化活动将越发频繁。当前,算法模型产业已初具规模,预计到 2020年全球算法模型产业规模将达到 82 亿美元,我国算法模型产业规模将突破 8 亿美元。核心技术。算法创新是推动本轮人工智能大发展的重要驱动力,深度学习、强化学习等技术的出现使得机器智能的水平大为提升。全球科技巨头纷纷以深度学习为核心在算法领域展开布局,谷歌、微软、IBM、Facebook、百度等相继在图片识别、机器翻译、语音识别、决策助手、生物特征识别等领域实现了创新突破。主要产品。目前,随着大数据环境的日渐形成,全球算法模型持续取得应用进展,深度学习算法成为推动人工智能发展的焦点,各大公司纷纷推出自己的深度学习框架,如谷歌的 TensorFlow,IBM 的 System ML,Facebook 的 Torchnet,百度公司的 PaddlePaddle。更为重要的是,开源已成为这一领域不可逆的趋势,这些科技巨头正着手推动相关算法的开源化,发起算法生态系统的竞争。与此同时,服务化也是算法领域未来发展的重要方向,一些在算法提供商正将算法包装为服务,针对客户的具体需求提供整体解决方案。典型企业。目前,在算法模型领域具备优势的企业基本均为知名的科技巨头,正在通过构建联盟关系,扩展战略定位等方式布局人工智能产业。2016 年 9 月,Facebook、亚马逊、谷歌 Alphabet、IBM 和微软自发聚集在一起,宣布缔结新的人工智能伙伴关系,10 月,谷歌公司更是调整战略方向从移动优先转变为人工智能优先。我国科技企业也纷纷落子人工智能,2017 年 3 月,阿里巴巴正式推出“NASA”计划,腾讯成立人工智能实验室,5 月,百度公司将战略定位从互联网公司变更为人工智能公司,发展人工智能已经成为科技界的共识。

主要算法模型及相关机构

TensorFlow:TensorFlow 是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统,可被用于语音识别或图像识别等多项机器深度学习领域。

System ML:System ML 使用 Java 编写,可支持描述性分析、分类、聚类、回归、矩阵分解及生存分析等算法,支持 Hadoop 和 Spark,可进行分布式部署,同时具有灵活性、适用性等特点。

Torchnet:Torchnet 是用 Lua 语言撰写而成,执行于标准 x86芯片或 GPU 上。提供包括数据处理、机器学习的训练/测试算法、效能监测等资源,对想要训练大规模深度学习系统的单位来说,有助于大幅节省成本。

PaddlePaddle:PaddlePaddle 具有易用、灵活、高效、可扩展等特点,对于序列输入、稀疏输入和大规模数据的模型训练有着良好的支持,支持 gpu 运算,支持数据并行和模型并行,仅需少量代码就能训练深度学习模型,大大降低了用户使用深度学习技术的成本。

Caffe2:Caffe2 以产品为导向,并致力于智能手机上大规模机器学习系统的配置。

Theano:Theano 允许用户定义、优化和评估包含多维数组的数学表达式,支持将计算装载到 GPU。Theano很好地整合了 NumPy,对 GPU 的透明让 Theano可以较为方便地进行神经网络设计,而不必直接写 CUDA 代码。

 

 
关键词: 人工智能 传感器 算法模型

中国智能化网(zgznh®)--引领工业智能化产业发展 共享智能化+优质平台

中国智能化网微信公众号:

扫描下方二维码,关注中国智能化网微信公众号(zgznh-weixin),随时随地知晓智能化行业天下事!

 
[ 智能资讯搜索 ]  [ 加入收藏 ]  [ 告诉好友 ]  [ 打印本文 ]  [ 关闭窗口 ]

 
免责申明
0条 [查看全部]  相关评论

 
 
网站首页 | 订阅电子周刊 | 联系方式 | 关于我们 | 问题解析 | 版权隐私 | 使用协议 | 网站地图 | 网站留言 | 广告服务 | 积分换礼 | RSS订阅|
安全联盟站长平台 不良信息举报中心网络110报警服务
深公网安备案证字第 4403101901094 号 粤ICP备12078626号-1
增值电信业务经营许可证号 粤B2-20120463