人工智能技術在2018年迅速發展。即使沒有關注這項技術的分析師，也很難擺脫流行文化、媒體、政治的影響，當然還有Alexa等個人技術的人工智能熱潮。

 

考慮到這一點，分析機構對2019年人工智能發展進行了預測，在此還列出了未來幾年內對人工智能技術的長期詳細的趨勢的預測。并在多方面勾勒出人工智能技術的發展方向：

 

人工智能將發揮它的魔力，無論是好壞，都將更深入到人們的生活中：如今，人工智能產生的音頻很難與人類發出的聲音區分，正如谷歌公司今年公開展示新的雙工數字助理技術。同樣，人工智能生成的“deepfake”視頻、音頻和機器人技術也讓人們難以區分。

 

到2019年，這些“產生式人工智能”技術將進一步改進。更重要的是，它們將嵌入到越來越多人工智能的產品和服務中，并通過并入開發人員的AI DevOps工具鏈來實現。這項技術的進步將引發更多的全球文化，激起更多的政治討論，并為好萊塢的科幻小說編劇提供更多的素材，以便在他們的想象工廠中加工。

 

人工智能的相關法規即將出臺：面部識別是人工智能最廣泛、也是最具爭議性的應用之一。隨著面部識別在智能手機、智能相機和在線媒體應用中無處不在，肯定會出臺針對人工智能應用的更多法規。在2019年，許多國家和地區可能會對面部識別進行監管，重點關注隱私和偏見問題。許多關于面部識別的規定將側重于賦予消費者選擇退出其使用的權利;檢查如何用于面部識別;全面了解其面部數據的管理方式，并要求將其從企業數據庫中永久清除。

 

一些新法規可能全面適用于面部識別的所有應用，而其他一些法規將在管理執法、醫療保健、電子商務、社會媒體、自主車輛和其他領域的現有規定范圍內逐步應用。

 

人工智能開發框架在開放的行業生態系統中變得可以互換：標準AI DevOps抽象層的出現使更多開發人員能夠使用他們希望的任何語言進行構建，并編譯他們的工作，以便在任何框架、流水線和目標硬件、云計算或服務器平臺中按照他們的意愿優化執行。過去幾年中，廣泛采用了諸如Keras之類的高級AI API、諸如ONNX之類的共享人工智能模型表示，以及諸如NNVM和TensorRT之類的跨平臺人工智能模型編譯器。在2019年，這些和其他標準人工智能管道抽象的采用將會擴展，從而為開發生態系統提供支持，減少鎖定人工智能解決方案提供商的垂直專有堆棧的可能性。

 

自動化的端到端AI DevOps流水線將成為標準實踐：人工智能已成為許多企業的工業化流程，創建業界優先的工具，可以實現從數據準備到建模、訓練和服務的每個流程的自動化。在2019年，人工智能工具將自動化擴展到以往需要專家判斷的任務，例如特征工程，并且將通過允許專家在聲明性功能指定驅動的單擊可視化工具中構建、點擊、訓練和部署這些模型的工具來民主化對這些能力的訪問。

 

人工智能正在成為一種工業化的運營業務功能：人工智能的工業化已經通過端到端的工具鏈自動化在各地的企業中占據了一席之地。在2019年，人們將看到人工智能工作臺供應商通過產品區分工業級功能，諸如在線操作實驗、自動模型基準測試、全天候A/B測試、連續挑戰者部署、渦輪動力集成和生命周期模型治理等。

 

Kubernetes編排的容器正在成為人工智能管道不可或缺的一部分：許多人工智能工具供應商現在支持在云原生計算環境中構建和部署容器化統計模型。到2019年底，這個快速增長的細分市場中的大多數供應商將支持在越來越異構的管道中部署集成化的人工智能模型，以便在Kubernetes集群中進行編排。隨著這一趨勢的不斷加劇，大多數工具供應商將實施新興的Kubeflow項目，以支持框架、平臺和云計算無關的數據科學DevOps工作流程。

 

主流人工智能開發框架將進行重新設計，以實現卓越的云計算到邊緣計算性能：人工智能的神奇之處在于部分來自于在每個開發、運營和邊緣平臺中可用的最快運行時引擎中實現。在2019年，預計大多數云平臺供應商將推出這個和其他主要人工智能框架的版本，這些框架旨在加速GPU中運行的所有AI DevOps管道功能，以及云計算到邊緣計算環境中的其他主要硬件加速器。

 

谷歌公司將繼續圍繞其不斷深化的TensorFlow堆棧推動數據科學行業工具鏈的發展：2018年，人工智能開發人員采用谷歌公司的開源TensorFlow框架，并且該公司在開發堆棧和參與人工智能社區參與演變方面進行了大量新投資。TensorFlow是主要的人工智能開發框架。預測在2019年，TensorFlow堆棧將提交給行業組織，以正式確定其未來的發展和治理。此外還預測，無論TensorFlow在開放源碼項目生態系統中處于什么位置，它都將越來越多地與不斷發展的Kubernetes容器化生態系統融合，其中大部分的重疊發生在以AI DevOps為中心的項目中，例如Kubeflow。

 

大多數數據科學家將購買經過認證的高性能人工智能算法，經過訓練的模型以及來自在線市場的訓練數據：當開發人員可以使用可用于預期應用領域的最佳算法、模型和數據來啟動它們時，人工智能計劃的進展更快。2019年，許多供應商出于這些原因推出這些市場，并為內部開發的人工智能資產的重新利用和合作伙伴開發的等價資產的發布提供了潛在的貨幣化機會。

 

人工智能培訓數據的大多數標簽將通過按需云計算服務自動化：人工智能的主要訓練方法仍然是有監督的學習，并且依賴于人工注釋勞動密集、耗時的數據標記過程。在2019年，人們期望自動化、按需訓練數據標記服務將成為所有數據科學DevOps管道工具的標準組件。

 

強化學習將成為人工智能的主流方法：監督學習正成為標準數據科學工作流程中的幾種方法之一。在2019年，人工智能行業將開始將最廣泛采用的強化學習框架，例如Intel Coach和Ray RL納入其工作臺。在未來十年，大多數AI DevOps工作流程將無縫地將強化學習與監督和無監督學習相結合，為生產企業應用中更復雜的嵌入式智能提供支持。

 

人工智能將加速商業智能的民主化：人工智能正在內外重塑商業智能市場。在過去的幾年中，商業智能的核心趨勢之一是將該技術傳統的重點放在歷史分析上，采用新一代注入人工智能的預測分析、搜索和預測工具，這些工具允許商業用戶做許多過去需要訓練有素的數據科學家的事情。在2019年，更多的商業智能供應商將集成大量的人工智能來自動從復雜數據中提取預測性見解，同時在解決方案中提供這些復雜的特性，這些解決方案提供自助服務的簡單性、內存中的交互性，以及指導下一個最佳操作措施。

 

人工智能風險緩解控制將成為數據科學管道工具中可用的標準模式：人工智能充滿風險，其中一些源于技術特定構建中的設計限制，另一些源于對實時人工智能應用程序的運行時治理不足，以及源于人工智能技術的難以理解的黑盒復雜性。在2019年，更多商業人工智能開發工具將納入標準工作流程和模板，以減輕隱私侵犯、社會經濟偏差、對抗性漏洞、可解釋性缺陷，以及其他可能在其可交付應用程序中出現的風險因素。

 

人工智能數據科學團隊的工作臺將確保下游的可再現性：合規性、透明度和其他社會要求將越來越多地要求人工智能驅動的算法結果的可再現性。為了在其工作流程中建立可再現性，更多數據科學團隊將依賴工作臺來維護用于開發人工智能可交付成果的特定流程的可靠審計跟蹤。在2019年，希望這些平臺的更多供應商能夠加深其維護模型、數據、代碼和其他工件的豐富審計跟蹤的能力，以建立人工智能應用程序譜系的下游可再現性。

 

人工智能基準測試框架將具體化并獲得采用：評估不同堆棧的人工智能軟件、硬件和云計算服務的比較性能非常困難。隨著人工智能領域轉向工作負載優化架構，對標準基準測試框架的需求不斷增長，以幫助從業者評估哪些目標堆棧最適合訓練、推理和其他工作負載。在過去的一年中，人工智能行業迅速發展開放、透明和供應商無關的框架，用于基準測試和評估不同硬件/軟件堆棧在運行不同工作負載時的相對性能。這些舉措中最有希望的是MLPerf，根據行業參與程度、任務的廣度，它在其范圍內包括的目標硬件/軟件環境的范圍，以及在為當今的頂級基準測試組合有用的框架方面的進展來判斷人工智能挑戰。

 

在2019年，期望將MLPerf的基準測試套件整合到許多人工智能硬件、軟件和云計算服務提供商提供的工具中。其中許多供應商將開始發布MLPerf基準測試作為新產品發布的標準實踐。

 

GPU將擴展其在沉浸式人工智能應用中的足跡：圖形處理單元多年來一直是人工智能革命的核心。在2019年，由于采用智能混合現實、智能相機、游戲以及依賴于高保真、實時其他設備和應用，GPU的核心圖像處理加速能力將變得更加重要。NVIDIA公司最近宣布的圖靈GPU將成為首選的硬件加速器技術，因為其具有實時光線跟蹤、分辨率縮放、可變速率陰影、物體檢測，以及其他圖像處理功能。

 

片上人工智能系統將主導硬件加速器產品：人工智能硬件加速器開始滲透到分布式云計算到邊緣、高性能計算、超融合服務器和云存儲架構的每一層。在2019年，將推出一系列新硬件創新，例如GPU、張量核心處理單元、現場可編程門陣列等硬件。將在這些和其他應用領域中支持更快速、高效和準確的人工智能處理。在2019年及以后，硬件供應商將在系統級芯片部署中結合越來越多的人工智能加速器技術，用于智能機器人和移動應用等領域中的高度特定的嵌入式人工智能工作負載。

 

客戶端訓練將走向人工智能的主流：迄今為止，客戶端訓練一直是優化人工智能應用程序的一種利基方法。傳統上，客戶端訓練無法生成與集中數據環境中訓練的人員一樣準確的人工智能模型。但是，客戶端訓練非常適合邊緣應用的新世界，能夠根據該節點感知的特定數據不斷更新每個設備中的人工智能模型。2019年，客戶端訓練將成為邊緣計算、移動和機器人過程自動化應用中人工智能模型學習的關鍵。在許多iOS應用程序中，它已經成為設備端人工智能訓練標準，例如確保Face ID能夠始終如一地識別用戶，設備可以在照片應用程序中準確地將人物圖片進行分組，調整iPhone的預測鍵盤，并幫助Apple Watch從活動數據中自動學習用戶的習慣模式。

 

人工智能正推動著閉環IT運營管理：在過去的幾年里，由于嵌入式機器學習工具能夠比單獨人工方法更可擴展、可預測、快速和有效地自動化和加速許多任務，人工智能已經成為IT運營管理的組成部分。在2019年，人們將看到這種趨勢，有人稱之為“AIOps”，滲透到運營商和企業正在構建高性能計算環境的超聚合基礎設施解決方案中。在未來幾年，許多數據科學家將加入設計人工智能驅動的管理背板的團隊，這使得數據中心存儲、計算以及其他硬件和網絡資源能夠全天候自我優化。

 

區塊鏈將進入人工智能生態系統：人工智能社區已經開始探索區塊鏈的各種用途。過去一年，創業公司的范圍有所增長，提供的平臺可作為人工智能計算代理主干、分散式訓練，例如數據交換、中間件總線、審計日志和數據湖。這些部署在人工智能開發人員生態系統中尚未成熟或廣泛采用。在2019年，主要的公共云解決方案提供商(尤其是AWS、Microsoft Azure、谷歌云平臺和IBM Cloud)可能會收購一些更有前途的初創公司，并將它們添加到各自的人工智能工具鏈組合中，以滿足特定的生態系統要求。可能會受益于專用的分布式可信超級應用程序。

 

此外遺漏什么了嗎?當然。這段列表甚至沒有開始討論人工智能的趨勢，比如聊天機器人、智能相機、自主車輛等等。

 

人工智能是人們生活中每個領域創新的肥沃土壤，試圖預測可能采取的每一條可能的進化路徑都是徒勞的。與幾年前不同，人工智能將無處不在，并且將會加速普及。