《人工智能行业:步入“AI+”时代行业应用多点开花-20210612(23页).pdf》由会员分享,可在线阅读,更多相关《人工智能行业:步入“AI+”时代行业应用多点开花-20210612(23页).pdf(23页珍藏版)》请在三个皮匠报告上搜索。
1、知识图谱:增强人工智能迁移学习能力知识图谱(Knowledge Graph)这一概念首先由谷歌于2012年提出,能够以结构化的数据标签描述客观世界,其本质是建立一张连接各个领域知识的大规模网络,从而让人工智能具备“认知智能”,用人的思维方式进行推理和决策。知识图谱包括通用知识图谱以及领域知识图谱,前者是常识性知识,后者是行业专业知识。目前金融、医疗、企业等领域已经初步构建了行业知识图谱,例如财经知识图谱、VoxelCloud AI医学影像知识图谱、阿里云企业图谱等。知识图谱可以解决AI不可解释问题。AI的解释性在学界也是讨论广泛的议题,神经网络包括输入层、隐藏层、输出层,其中隐藏层缺乏透明度,
2、运算相当复杂。人类只能看到运算之后的结果,但“如何运算”这个问题仍是无法解释的“黑匣子”。张钹院士认为下一代人工智能必须具有可解释性3。由于知识图谱具有更加形象、直观的特点,故能在一定程度上弥补神经网络的不可解释性。联邦学习:效率与隐私兼得,有望解决数据孤岛和隐私问题联邦学习(Federated Learning)可以在多个主体间不直接共享样本数据的情况下,实现模型的合作开发,对于解决数据孤岛和数据隐私问题具有重要意义。我们认为,联邦学习或将成为解决AI隐私问题的关键技术。根据所面向场景的不同,联邦学习又可分为横向和纵向两种不同的技术模式:1)横向联邦学习能够在大样本学习时保护个体隐私,即互联
3、网公司不需要上传用户的数据也可实现模型训练,医院之间可以不泄露患者隐私的前提下进行协同模型训练;2)纵向联邦学习能够解决跨行业的数据孤岛问题,即互联网公司、保险公司、银行等跨行业机构之间可以联合进行模型训练。神经形态硬件:突破传统架构算力天花板神经形态硬件(Neuromorphic Hardware)是在硬件层面对人类大脑神经元的模拟,摒弃了冯诺依曼架构中存算分离的设计,通过存算一体,解决高时耗、高能耗的问题。与传统架构芯片相比,神经形态硬件可以并行处理数据,为人工智能运算提供算力支撑。典型的非冯架构芯片包括类脑芯片、光子芯片,例如TrueNorth.SpiNNaker、Tianjic、Loihi等。2020年,神经形态硬件方面的研究取得了一定的进展。清华大学首次提出“类脑计算完备性”概念以及软硬件解耦的类脑计算系统层次结构,拓宽了类脑计算系统应用的范围,兼容CPU、GPU等通用芯片。来自MIT的团队利用19个类脑神经元实现了自动驾驶5。