若干年來(lái)，科技界反復(fù)在討論兩件事：一是第四次科技革命可能在中國(guó)發(fā)生,，二是AI將成為第四次科技革命的核心驅(qū)動(dòng)技術(shù),。

如果我們把兩件事融合在一起,，就能夠很簡(jiǎn)單的推理出一個(gè)結(jié)論：中國(guó)必須結(jié)合自身的實(shí)際情況，發(fā)展出一條前所未有,，且其他國(guó)家和地區(qū)難以復(fù)刻的AI之路,。只有如此，才能解釋AI技術(shù)帶來(lái)的新科技革命,，為什么將會(huì)在中國(guó)而不是其他地方完成,。

就像第一臺(tái)簡(jiǎn)單的蒸汽機(jī)是在1688年由法國(guó)人德尼斯·帕潘發(fā)明，卻在近百年后的英國(guó)成為驅(qū)動(dòng)科技革命的通用性技術(shù),。如何將AI轉(zhuǎn)化為新的通用性,、底座型技術(shù)，是中國(guó)經(jīng)濟(jì)發(fā)展遇到的歷史性機(jī)遇,。

自深度學(xué)習(xí)技術(shù)為代表的第三次AI興起進(jìn)入中國(guó)后,，中國(guó)AI產(chǎn)業(yè)經(jīng)歷了十余年探索。結(jié)合中國(guó)實(shí)際,，面向第四次科技革命的AI之路,，開(kāi)始逐漸由懵懂走向清晰。

1月10日,，百度Create AI開(kāi)發(fā)者大會(huì)于線上召開(kāi),。期間，百度CTO王海峰發(fā)表了《“深度學(xué)習(xí)+”，創(chuàng)新發(fā)展新引擎》主題演講,，提出人工智能的技術(shù)創(chuàng)新和產(chǎn)業(yè)發(fā)展,，進(jìn)入“深度學(xué)習(xí)+”階段。

對(duì)于很多朋友來(lái)說(shuō),，深度學(xué)習(xí)這個(gè)概念或許并不陌生,。但“深度學(xué)習(xí)+”應(yīng)該還是首次聽(tīng)到。這個(gè)新的概念背后,，卻是中國(guó)AI十余年的積累,，AI底層技術(shù)與基礎(chǔ)設(shè)施的漫長(zhǎng)凝聚，以及千行百業(yè)應(yīng)用深度學(xué)習(xí)技術(shù)的銳意探索,。

這些因素融合起來(lái),，讓中國(guó)AI技術(shù)與產(chǎn)業(yè)智能化發(fā)展得以百尺竿頭更進(jìn)一步，中國(guó)智能化的新轉(zhuǎn)折點(diǎn),，也正醞釀在這個(gè)新的階段,。

2019 年 3 月，強(qiáng)化學(xué)習(xí)之父 Richard Sutton 發(fā)文表示：" 短期內(nèi)要使 AI 能力有所進(jìn)步,，研究者應(yīng)尋求在模型中利用人類先驗(yàn)知識(shí);但之于 AI 的發(fā)展,，唯一的關(guān)鍵點(diǎn)是對(duì)算力資源的充分利用。"

神經(jīng)網(wǎng)絡(luò)模型在上世紀(jì) 90 年代出現(xiàn),，但在 2010 年前,，基于統(tǒng)計(jì)的學(xué)習(xí)模型仍是主流，所以在打敗人類象棋高手多年后,，遲遲無(wú)法攻克變數(shù)近乎宇宙級(jí)的圍棋,。

后來(lái)得益于 GPU 算力的高速進(jìn)步與深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等等算法的進(jìn)步,，深度學(xué)習(xí)模型逐漸成為主流,，擺脫了窮舉法的限制，AI 能夠用來(lái)學(xué)習(xí)訓(xùn)練的參數(shù)也越來(lái)越多,，充分利用了 GPU 擅長(zhǎng)并行計(jì)算的能力,，基于龐大的數(shù)據(jù)集、復(fù)雜的參數(shù)結(jié)構(gòu)一次次刷新人類對(duì) AI 智力天花板的想象,。

簡(jiǎn)單來(lái)說(shuō),，早期的 AI 就像個(gè)剛出生的小嬰兒，什么也不懂,。爸爸媽媽就要拿著一張 " 貓 " 的圖片然后跟他說(shuō) " 這是一只貓 ",，建立起圖像和語(yǔ)言的聯(lián)系。AI 也是如此,，我們需要大量的 " 識(shí)圖卡 " 來(lái)訓(xùn)練 AI,。

在十年前,，由于芯片的算力有限，人類使用的方法非常笨拙：

找出一張主體是貓的圖片,，然后人工打上 " 貓 " 的標(biāo)簽,，喂給 AI 來(lái)學(xué)習(xí)，效率非常低下,，而且訓(xùn)練出來(lái)的 AI 只能識(shí)別特定的物種,。經(jīng)過(guò)大量的訓(xùn)練，AI 雖然能識(shí)別幾千類物品,，可一旦遇到復(fù)雜的情況就蒙了,。比如給一只狗帶上貓貓的頭套，AI 大概率就出錯(cuò)了,，因?yàn)樗徽J(rèn)識(shí) 0 和 1，但不認(rèn)識(shí) 0.5,。

物聯(lián)網(wǎng)的廣泛的應(yīng)用場(chǎng)景也給AI提出了新的需求,。

IoT技術(shù)更加強(qiáng)調(diào)“物與物”之間的互聯(lián)，連接更為廣泛并對(duì)時(shí)間敏感,。且大多終端設(shè)備都工作內(nèi)容簡(jiǎn)單,，算力要求小，工作時(shí)間長(zhǎng),，續(xù)航要求高的特點(diǎn),。

這些要求讓終端設(shè)備不得不考慮功耗問(wèn)題，甚至有許多終端設(shè)備由電池供電,，在物聯(lián)網(wǎng)設(shè)備中部署人工智能算力時(shí)還要考慮對(duì)電池供電的支持,。

AlphaGo等傳統(tǒng)中心化的人工智能核心雖然算力更高，但在更為碎片化的物聯(lián)網(wǎng)中,，算力更多時(shí)候受到客觀條件制約,，無(wú)法肆意馳騁，必須戴著“鐐銬”跳舞,。

為了適應(yīng)實(shí)際應(yīng)用中分散式,，碎片化的需求，人工智能逐漸與邊緣計(jì)算相結(jié)合,，將算力從云端遷移至邊緣,。

IoT時(shí)代，MCU再進(jìn)化

邊緣端AI的要求與云端不同,。邊緣端AI只處理由邊緣產(chǎn)生的數(shù)據(jù),，主要面向圖像分析、聲音分析,、波形識(shí)別等工作,。對(duì)于終端單一應(yīng)用來(lái)說(shuō),，算力要求不會(huì)很高。

但在另一方面,，在物聯(lián)網(wǎng)環(huán)境中計(jì)算對(duì)功耗和成本則更加敏感,。

處于邊緣的物聯(lián)網(wǎng)設(shè)備對(duì)功耗非常敏感，如傳感器,、安防攝像頭等設(shè)備要求長(zhǎng)期在線工作,，但提供傳統(tǒng)人工智能算力的FPGA或GPU在邊緣端很難滿足這樣的工作要求。

更多信息可以來(lái)這里獲取==>>電子技術(shù)應(yīng)用-AET<<