亚马逊、苹果、Facebook、谷歌、IBM和微软等平台公司正在投资人工智能的研究和开拓。
他们正在努力使AI更易于企业访问。

这儿有三个主要的方面正在加速机器学习和人工智能领域的创新步伐。

下一代打算架构

传统的微处理器和CPU不是用来处理机器学习的。
纵然是最快的CPU也不一定是演习繁芜ML模型的空想选择。
对付为运用程序供应智能的ML模型的演习和推理，CPU必须辅以一个新的处理器。

由于人工智能的兴起，图形处理单元（GPU）的需求量很大。
曾经被认为是高端游戏个人电脑和事情站的一部分，现在是公共云中最受欢迎的处理器。
与CPU不同，GPU具有数千个内核，可加速ML的演习过程。
纵然运行演习有素的模型进行推理，GPU也变得至关主要。
展望未来，只要有CPU，某种形式的GPU就会在那里。
从消费类设备到公共云中的虚拟机，GPU可以说是AI的关键。

下一个创新采取现场可编程门阵列或FPGA的形式。
这些处理器可编程，可针对特定类型的事情负载进行定制。
传统CPU专为通用打算而设计，而FPGA在制造后可在现场编程。
选择FPGA器件可用于小生境打算任务，如演习ML模型。
公有云供应商正在利用FPGA为AI供应高度优化和定制的根本架构。

末了，公有云中裸机做事器的可用性吸引了研究职员和科学家在云中运行高性能打算事情。
这些专用的单租户做事器可供应一流的性能。

这些创新将推动人工智能在航空航天、医疗、图像处理、汽车和制造等领域的运用。

访问历史数据集

在云成为主流之前，存储和访问数据的代价很高。
由于云打算 - 企业、学术界和政府曾经局限在磁带盒和磁盘的数据。

数据科学家须要访问大型的历史数据集来演习可以更高精度预测的ML模型。
ML模型的效率与数据集的质量和大小成正比。
为理解决检测癌症或预测降雨量等繁芜问题，研究职员须要具有不同数据点的大型数据集。

随着数据存储和检索本钱的降落，政府机构、医疗机构和大学正在向研究界供应非构造化数据。
从医学成像到历史降雨趋势，研究职员现在可以访问丰富的数据集。
这一成分会单独影响到人工智能研究。

丰富的数据与高性能打算设备相结合将推动下一代人工智能办理方案。

深度神经网络研究进展

人工智能研究在深度学习和人工神经网络方面的第三个也是最关键的成分。

人工神经网络（ANN）正在取代传统的机器学习模型，以发展精确的模型。
卷积神经网络（CNN）为打算机视觉带来了深度学习的力量。
打算机视觉领域的一些最新进展如单发多盒检测器（SSD）和天生敌对网络（GAN）正在彻底改变图像处理。
例如，利用个中一些技能，可以将低光照和低分辨率拍摄的图像和***提高到高清画质。
正在进行的打算机视觉研究将成为医疗、国防、交通和其他领域图像处理的根本。

一些新兴的ML技能，如胶囊神经网络（CapsNet）和迁移学习将从根本上改变ML模型演习和支配的办法。
纵然在受限的数据演习时，他们也能够天生准确预测的模型。

Facebook、谷歌、IBM和微软正在领导AI研究。
他们投资了数十亿美元，使AI适用于不同行业的垂直行业。

丰富的数据集与下一代打算架构的结合使研究职员和数据科学家能够快速创新。
这些成分将使AI成为运用程序和设备的组成部分。