20180915-中国信通院-人工智能发展白皮书技术架构篇（2018）_36页_2mb

报告摘要

人工智能发展白皮书技术架构篇总结

核心内容

本白皮书由中国信息通信研究院和中国人工智能产业发展联盟于2018年联合发布，聚焦人工智能技术架构，特别是以深度学习为核心的人工智能技术。白皮书从算法、算力、数据三个维度出发，分析了当前人工智能技术体系的发展现状、存在的问题及未来趋势。

主要观点

人工智能技术经历了符号主义、连接主义和行为主义三大流派的发展，目前深度学习已成为主导技术。
深度学习在语音识别、图像识别、自然语言处理等领域取得了突破性进展。
算力、算法和数据是人工智能发展的“三驾马车”，其中算力由AI计算芯片提供保障，算法依赖于软件框架的实现，数据是模型训练的基础资源。
软件框架是人工智能技术体系的核心，当前主流框架包括TensorFlow、MXNet、Caffe、PyTorch等，开源成为主流趋势。
编译器在解决模型与硬件之间的适配问题中发挥关键作用，中间表示层（IR）成为未来技术竞争的重要领域。
AI计算芯片包括CPU、GPU、FPGA和ASIC，其中GPU是当前深度学习训练的主要设备，ASIC在特定场景下表现出色。
数据是深度学习算法的基础，目前存在流通不畅、质量参差不齐和关键数据集缺失等问题。

关键信息

一、人工智能技术发展概述

三大技术流派：符号主义（逻辑主义）、连接主义（仿生学派）、行为主义（进化学派）。
深度学习：是当前人工智能发展的核心技术，已经在多个领域取得突破，如语音识别、图像分类等。
深度学习技术架构：由基础硬件层、模型编译器层、软件框架层构成。

二、基于深度学习的人工智能技术现状

1. 基础硬件层

包括CPU、GPU、FPGA、ASIC、类脑芯片等。
GPU成为深度学习训练的首选设备，具备强大的并行计算能力。

2. 深度神经网络模型编译器

作为连接底层硬件和上层软件框架的桥梁。
主流编译器包括CUDA、nGraph、NNVM/TVM等。
中间表示层（IR）是实现模型跨平台部署的关键。

3. 软件框架层

开源软件框架是当前主流，如TensorFlow、MXNet、Caffe、PyTorch等。
Keras等高级API框架受到广泛欢迎，成为开发者的首选工具。
模型转换与统一表示成为未来发展趋势，ONNX、NNEF等格式在推动标准化方面发挥重要作用。

4. 数据

数据是深度学习模型训练的基础资源，包括语音、图像、视频等类型。
数据流通不畅、质量不均、关键数据集缺失是当前主要问题。

5. 高性能计算服务器和服务平台

GPU服务器在深度学习训练中扮演重要角色，如NVIDIA DGX系列。
AI服务化趋势明显，以API或平台形式提供人工智能能力，如语音识别、计算机视觉等。

基础应用技术现状

1. 智能语音技术

技术包括语音合成、语音识别、语音评测、声纹识别等。
智能音箱和语音助手成为人机交互的新方式。
智能语音服务广泛应用于客服、教育、医疗、金融等领域。

2. 计算机视觉技术

主要任务包括图像分类、目标检测、目标跟踪、图像分割。
已在人脸识别、视频结构化、姿态识别等方向实现商业化落地。
应用场景涵盖安防、交通、医疗、教育、自动驾驶等多个领域。

3. 自然语言处理技术

技术流程包括分词、词法分析、语法分析、语义分析。
应用方向包括文本分类、信息检索、问答系统、机器翻译等。
是人工智能语言交互的核心技术。

问题和趋势展望

一、主要问题

算法层面：存在可靠性差、不可解释性强等问题。
数据层面：数据流通受限、质量参差不齐、关键数据集缺失。
软件框架层面：推断框架质量不一，缺乏统一标准。
编译器层面：中间表示层（IR）尚未统一，影响模型迁移。
计算芯片层面：云侧和终端侧对芯片需求不同，存在性能与功耗的权衡。

二、趋势展望

迁移学习将成为提升模型复用性和可解释性的关键技术。
开源推断框架将进入快速发展期，推动人工智能应用落地。
中间表示层将成为技术竞争的重要领域。
AI计算芯片将向云侧和终端侧并行发展，GPU、TPU、FPGA等将长期共存。
服务平台将成为人工智能生态构建的重要抓手，推动垂直行业应用落地。

总结

本白皮书系统分析了2018年人工智能技术发展现状，强调了深度学习在算法、算力和数据方面的核心作用。同时指出当前在算法可靠性、数据流通、软件框架标准化、编译器统一和计算芯片适配性等方面存在的问题，并展望了未来在迁移学习、开源推断、中间表示层统一、AI芯片多样化发展以及服务平台生态构建等方面的技术趋势。