毋庸置疑，人工智能是高新技术产业的下一热门技术。由高科技公司引领的研究和创新正在影响诸多垂直行业，包括医疗卫生、汽车、金融、制造和零售。虽然技术一直在这些领域中的地位举足轻重，但是人工智能正在演变为这些产业的核心技术。从重要的救生医疗设备到自动驾驶汽车，人工智能已经几乎融入到所有的应用程序和设备中。
一些平台企业，诸如亚马逊、苹果公司、谷歌、IBM以及微软等，也在人工智能的研究和开发方面进行了投资，他们都有一个目标——让所有业务都能够使用人工智能。
加快机器学习和人工智能领域创新步伐的因素中，有三个重要的方面：
下一代计算架构
传统的微型处理器和CPU并不是为了机器学习开发的。即使是运行最快的CPU也并不能成为机器学习模型最理想的选择。用于机器学习的CPU必须是通过一系列的处理器相互支持，来对机器学习模型进行训练和推理，从而让应用程序更加智能。
由于人工智能技术的崛起，对GPU需求也在上涨。作为高端游戏电脑和工作站的重要一部分，GPU是在公共云中最受青睐的处理器。和CPU不同的是，GPU有上千个处理核心，能够加快机器学习训练进度。即使是为了推理而运行的一个训练模型，GPU也变得愈加重要。而且，就算没有CPU，GPU也是必不可少的。从消费者设备到公共云中的虚拟机，GPU是人工智能技术的关键所在。
下一代的创新技术是以现场可编码门阵列（FPGA）的形式出现的。这些处理器是可编程的，并且也可以根据特定类型的工作负载进行定制。传统的CPU是为了处理通用计算，而现场可编码门阵列在被创造出来后，就能在该领域编程。现场可编码门阵列设备能够用于处理计算任务，如训练机器学习模型。公共云供应商亦在利用现场可编码门阵列，从而为人工智能提供高度优化和定制的基础架构。
最后，研究人员和科学家也在关注公共云中使用裸机服务器，从而实现云中高性能的计算任务。这些专业、单终端的服务器能够带来更加优秀的计算能力。由于虚拟机采用的是共享、多终端的基础架构，所以会产生噪音问题。云基础架构服务，包括亚马逊的EC2和IBM云，都能够提供裸机服务器。
这些技术创新能够加快航天、医疗、图像处理、汽车以及制造业采用人工智能技术的步伐。
访问历史数据集
在云服务成为主流技术前，存储和访问数据的成本昂贵。云服务的出现使得以前只能存储在卡带和磁盘中的商业、学术和政府数据被释放出来。
数据科学家需要访问庞大的历史数据集来训练机器学习模型，从而提高其预测结果的准确性。机器学习模型的效率是由数据集的数量和大小直接决定的。研究人员需要大量的数据集以及不同的数据点，来解决检查癌症或者预测降雨等复杂的问题。
随着数据存储和恢复的成本降低，政府机构，医疗机构还有一些高校正在为研究团体提供非结构化数据。从医学成像到历史降雨趋势，研究人员能够访问庞大的数据集，单单是这一方面就能为人工智能研究产生重大的影响。
将大量的数据和高性能的计算设备结合起来，能够推动下一代人工智能解决方案。
深度神经网络的发展
影响人工智能研究的第三个以及最重要的一个因素是深度学习和人工神经网络的发展。
人工神经网络（ANN）正代替传统的机器学习模型来发展精确、准确的模型。卷积神经网络（CNN）将深入学习的能力注入到计算机视觉中。计算机视觉近期所取得的一些成就，如Single Shot Multibox Detector（SSD）和生成对抗网络（GAN）都在对图像处理产生革命性的影响。例如，一些在暗光、低分辨率条件下拍摄的图片和视频，能够使用这些技术从而将其提高到高清图片和视频的水平。在计算机视觉方面的研究将会成为医疗卫生、防御、交通和其它领域图像处理的基础。
一些正在发展的机器学习技术，如胶囊神经网络（CapsNet）和迁移学习，将从根本上改变机器学习模型训练和部署的方式。它们所产生的模型，即使是在有限数据的条件下训练的，也能够进行准确的预测。
Facebook、谷歌、IBM和微软正在引领人工智能领域的研究，并且投资了数十亿美元，为了能够在众多垂直行业中更好地使用人工智能技术。
通过将庞大的数据集和下一代计算架构结合起来，能够让研究人员和数据科学家进行更加快速地进行创新。这些因素将会让人工智能成为应用程序和设备中不可或缺的一部分。
原文作者：Janakiram MSV
