推動新一代人工智能發展的是深度學習、研究和設計模擬人腦神經元活動的人工神經網絡。深度神經網絡的目標是使機器能夠像人類一樣分析和解決復雜的問題。雖然人工神經網絡已經存在了幾十年，但只有隨著可用的高性能計算(HPC)功率的出現，尤其是GPU計算能力的出現，數據科學家才能夠建立具有足夠復雜性和強度的神經網絡來實現現實世界的應用。
這種新的深度學習系統已經獲得了一些非常高調的媒體報道。最近的例子包括：2011年問世的蘋果公司的個人助理Siri，而亞馬遜的Alexa也在開始穩步發展，將準備為即將到來的物聯網時代提供廣泛的具有個性的家用設備。
這些深度學習應用的力量遠遠超出了華而不實的演示，并且開始對各種領域的業務發展產生重大而積極的影響。例如，使用技術分析數據并提供可操作信息的商業智能是人工智能和深度學習產生影響的一個領域。歷史上，商業智能工具圍繞使用數據收集，分析和呈現的思想構建，以解釋為什么或如何發生某種結果。隨著商業智能系統采用深度學習技術，他們現在不僅可以提供對過去行為更好地進行分析，而且可以利用他們積累的過去事件的“知識”來預測未來的客戶行為。這種從描述性到預測性商業智能的轉變，使企業能夠找到更好的增長機會，并進行快速調整，以優化當前的業績。
深度學習所帶來的預測能力將對農業等傳統產業產生顛覆性影響。據專家介紹，為了滿足全球人口增長的需求，農業產業必須增加60%的糧食產量，預計到2050年底，全球人口將達到90億。為了滿足這一巨大的糧食需求，農業技術公司正在利用深度學習技術，在整個生長和收獲周期中提高其效率。人工智能應用于農業產業包括自動灌溉系統，可以降低蔬菜的生產成本，同時最大限度地減少對環境的影響;農作物智能健康監測，可以在幾千英畝提供高分辨率的植物數據;以及一系列其他的改進。這些進展再加上氣象學和其他學科對農業的深刻深度學習進展，是確保未來糧食供應穩定的一項關鍵戰略。
雖然深度學習應用程序為許多領域提供了巨大改進的機會，但是深入學習神經網絡的訓練是耗時，高度計算密集型的工作。此外，由于晶體管功率效率不斷提高，這種計算密集性需要穩定和充足的電源，這是非常重要的。大多數人工神經網絡使用“監督學習”方法訓練，這意味著提供大量的良好標簽的數據。列舉一些眾所周知的例子，其中包括谷歌翻譯，谷歌翻譯分析雙語數據的資料庫來開發更準確的翻譯算法。處理這些應用程序中使用的數據集所需的計算資源往往會達到Exaflop范圍。使用高度可擴展性的超級計算系統，利用快速的網絡互連技術，并提供大規模并行計算能力是這種挑戰的解決方案。隨著廣泛可用的超級計算系統的應用和GPU處理能力的出現，過去幾個月訓練的深層學習算法現在可以在一天內或更短時間訓練。
人工智能應用的未來前景看起來非常光明。從人工智能應用程序(如蘋果Siri和亞馬遜的Echo)的突出表現來看，許多專注于人工智能和深度學習的初創公司正在為業務增長創造新的途徑，似乎人工智能的黃金時代終于開始到來。
京公網安備 11010502049343號