如何實現高樣本利用率，AI學術界交出滿分答卷

　　隨著人工智能技術日益發(fā)展，如何將人工智能技術與傳統(tǒng)產業(yè)有機融合成為全球各個國家及地區(qū)關注的問題。

　　在工業(yè)領域中，深度學習算法對數據量的要求成為阻礙工業(yè)領域AI技術應用落地的因素之一。為此，全球人工智能行業(yè)學術界及產業(yè)界著力尋找樣本利用率更高的新一代算法結構。

　　自2019年來，小樣本學習算法逐漸成為CVPR、ICCV及ECCV三大計算機視覺領域頂級會議最熱門的討論話題之一?；谛颖緦W習算法的前沿觀點及應用方案層見疊出。人工智能行業(yè)各界高效協(xié)同，共同推進工業(yè)智能化轉型進程。

　　人工智能下一站發(fā)展何去何從?

　　人工智能(AI)技術，指利用計算機程序使人造機器呈現類人類智能的技術?；趯崿F功能，人工智能技術可分為訓練層、感知層及認知層：

　　● 訓練層指模擬人類學習能力的AI技術。

　　● 感知層指模擬人類接收并理解外界信息的能力的AI技術。

　　● 認知層指模擬人類通過學習、判斷、分析等心理活動獲取信息內含邏輯的AI技術。

　　自1956年人工智能概念首次提出后，感知層AI技術發(fā)展迅速，以機器視覺、語音交互等技術為基礎的多項AI應用實現落地。認知層AI技術尚處于理論階段，該技術將是實現AI技術創(chuàng)新突破、推動AI技術應用進一步落地的關鍵。

　　工業(yè)領域人工智能技術發(fā)展為何舉步維艱?

　　相較于以人類(身體、語言、行為)作為基礎樣本數據的消費、政務、金融等領域，由于工業(yè)細分行業(yè)數量較多，且同行業(yè)內工藝、生產線、產品的差異性較高，基于海量樣本實現的深度學習技術難以在工業(yè)領域實現落地。

　　中國AI技術在工業(yè)領域的滲透率較低，2019年僅為8.6%。中國電子設備制造、汽車制造及石油化工三大工業(yè)細分領域AI技術應用較為成熟，而在產品差異性相對更高的輕工業(yè)領域中AI技術滲透率較低。在工業(yè)領域各環(huán)節(jié)中，應用于產品生產環(huán)節(jié)的AI技術發(fā)展較為成熟。機器視覺技術的快速發(fā)展成為推進生產環(huán)節(jié)智能化轉型的核心動力。

　　中國工業(yè)距離全方位智能制造還有多遠?

　　《智能制造發(fā)展規(guī)劃(2016-2020年》政策的落實有力推進中國工業(yè)與新一代信息技術融合發(fā)展，加速人工智能技術應用落地。在中國政策大力推進及工業(yè)快速協(xié)同發(fā)展的背景下，中國智能制造應用場景持續(xù)拓寬，市場規(guī)模實現快速增長。2020年，中國智能制造行業(yè)市場規(guī)模預計達2.7萬億元，同比增長12.6%。

　　從短期來看，受制于AI技術研發(fā)瓶頸，中國工業(yè)領域人工智能技術預計難以實現規(guī)?；瘧?。中國智能制造行業(yè)發(fā)展放緩，市場規(guī)模擴張速度小幅下行。2025年，中國智能制造行業(yè)市場規(guī)模預計達4.8萬億元，同比增長8.4%。

　　工業(yè)檢測萬億市場能否助力智能制造揚帆起航?

　　截止至2019年，中國工業(yè)領域檢測環(huán)節(jié)AI技術應用規(guī)模較小，滲透率僅為20%。工業(yè)領域檢測環(huán)節(jié)仍處于勞動密集型發(fā)展階段。相較于智能檢測系統(tǒng)，人工檢測存在工作效率較低、時長較短及誤差率較高等問題。

　　從短期來看，工業(yè)企業(yè)對檢測環(huán)節(jié)智能化轉型需求將持續(xù)增大，推動工業(yè)領域智能檢測行業(yè)市場規(guī)模持續(xù)擴張。然而，由于工業(yè)生產物料及最終產品差異性過大，智能檢測系統(tǒng)難以實現快速落地，導致中國智能檢測行業(yè)發(fā)展受限。

　　2020至2025年，中國智能檢測行業(yè)市場規(guī)模增長速度預計放緩。2025年，中國智能檢測行業(yè)市場規(guī)模預計將達5,745.2億元，同比增長10.0%。

　　ai芯片算力瓶頸如何突破?

　　AI技術的發(fā)展離不開底層硬件的支持?；隈T·諾依曼芯片架構的傳統(tǒng)AI芯片發(fā)展已進入瓶頸期。由于控制器、存儲器及運算器分離部署，馮·諾依曼芯片架構在處理AI推算問題時面臨三大困境：

　　● 在指令及數據調用過程中，運算器將處于閑置狀態(tài)，導致芯片運算資源利用率較低;

　　● 存儲器處理速度及傳輸鏈路帶寬限制芯片運算效率;

　　● 頻繁的數據及指令調用大幅提升芯片功耗。

　　由于指令及數據的調用路徑被有效縮短，且各存儲計算核獨立運行，采用存算一體化架構的芯片可實現低功耗、高性能并行運算，實現復雜AI算法的高速運行。存算一體化芯片的規(guī)模化落地將為AI算法的研發(fā)突破及應用提供硬件支持，是推動AI行業(yè)未來發(fā)展的關鍵。

　　深度見解：小樣本學習算法將成為人工智能技術發(fā)展新起點

　　工業(yè)領域細分領域較多，各領域在生產流程及工藝、生產線配置、原材料及產品類型均具有較大差異性。AI技術應用過程中面臨可用樣本量過少的痛點?；谏疃葘W習算法AI程序難以實現在工業(yè)領域的應用。

　　對樣本量要求較低的小樣本學習算法將是推進工業(yè)領域智能化轉型的核心。相較于深度學習算法，小樣本學習算法通過預歸類樣本實現對算法學習過程的簡化，減少對樣本數量的依賴。小樣本學習算法在處理少類別任務時表現較好，但仍需解決多類別任務時所面臨的過擬合問題。小樣本學習算法的成熟將成為推動工業(yè)領域人工智能技術滲透加速的關鍵。