2018年-中国信通院_人工智能发展白皮书-技术架构篇2018年_36页_2mb

人工智能发展白皮书技术架构篇（2018年）总结

核心内容概述

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联合发布，重点从技术架构的角度分析了人工智能的发展现状与趋势。白皮书以深度学习为核心，围绕算法、算力、数据三个关键要素展开，系统梳理了人工智能技术体系的构成与发展方向，并对智能语音、计算机视觉和自然语言处理等基础应用技术进行了详尽分析。

主要观点与关键信息

1. 人工智能技术发展简析

• 人工智能发展经历了符号主义、连接主义和行为主义三大技术流派。
• 符号主义：早期主导，基于数学逻辑，强调知识表示与推理。
• 连接主义：当前主流，通过模拟人脑结构实现智能，深度学习是其代表。
• 行为主义：近年来因AlphaGo等技术突破而受到关注，强调“感知—行动”机制。

2. 深度学习技术现状与发展趋势

• 深度学习已成为本轮人工智能发展的核心技术，广泛应用于语音识别、图像识别、自然语言理解等领域。
• 深度学习通过多层次神经网络模拟人脑，实现从数据中提取抽象特征。
• 算法设计逻辑分为“学什么”、“怎么学”、“做什么”三个维度。
• 主要任务包括分类、回归和聚类，各有代表性算法。
• 新算法不断涌现，如胶囊网络、生成对抗网络（GAN）、迁移学习等，提升了模型性能和泛化能力。

3. 软件框架成为技术体系核心

• 开源软件框架成为主流，如TensorFlow、MXNet、Caffe/2+PyTorch、Microsoft CNTK、PaddlePaddle等。
• 训练框架与推断框架分离，训练框架侧重模型构建与优化，推断框架注重模型部署与运行效率。
• Keras等高级API框架因其易用性受到广泛欢迎，推动了深度学习的普及。
• **中间表示层（IR）**是软件框架之间模型迁移的重要桥梁，未来将成为技术竞争的关键。

4. 编译器解决软硬件适配问题

• 编译器在深度学习中承担着将模型适配到不同硬件平台的任务。
• 主流编译器包括CUDA、nGraph、NNVM/TVM等，均基于LLVM架构。
• 编译器通过优化模型表示、提升计算效率，解决不同软硬件之间的兼容性问题。
• 模型转换及通用表示是未来编译器发展的重点，如ONNX和NNEF等标准正在形成。

5. AI计算芯片提供算力保障

• AI计算芯片是深度学习发展的核心支撑，主要包括CPU、GPU、FPGA、ASIC、类脑芯片。
• GPU是当前深度学习训练的首选，具有强大的并行计算能力。
• FPGA具备灵活性和可重构性，适用于特定场景，但成本高、使用门槛高。
• ASIC是高度定制化的专用芯片，性能优于GPU和FPGA，但研发周期长、成本高。
• TPU为Google专有，专注于信号处理和卷积计算；寒武纪、地平线等国内企业也在推动ASIC发展。

6. 数据为算法模型提供基础资源

• 数据是深度学习算法模型训练的基础，需要采集、标注和存储。
• 数据集主要由学术机构、政府、人工智能企业、数据外包公司提供。
• 数据流通不畅、质量参差不齐、关键数据集缺失等问题限制了深度学习的发展。
• 语音、图像、视频是当前主要的数据类型，且数据处理人员多分布在发展中国家。

7. 高性能计算服务器和服务平台快速发展

• GPU服务器成为深度学习计算的主力设备，支持弹性配置和多框架适配。
• 以服务形式提供AI能力成为趋势，包括GPU云服务、深度学习平台、语音识别、计算机视觉等。
• 服务平台为传统行业提供了技术落地的基础，如教育、医疗、金融、安防等。

8. 基础应用技术现状

• 智能语音技术：涵盖语音合成、识别、评测、声纹识别等，已广泛应用于智能音箱、语音助手和行业服务。
• 计算机视觉技术：在图像分类、目标检测、目标跟踪、图像分割等领域取得突破，商业化落地广泛，如人脸识别、视频结构化、姿态识别等。
• 自然语言处理（NLP）：在文本分类、信息检索、信息抽取、机器翻译等领域广泛应用，成为人机语言交互的核心技术。

问题与趋势展望

1. 当前主要问题

• 算法层面：存在可靠性不足和不可解释性问题。
• 数据层面：数据流通不畅、质量不一、关键数据集缺失。
• 软件框架层面：推断框架功能与性能不足，尚未形成统一标准。
• 编译器层面：中间表示层标准不统一，影响模型迁移与部署。
• 芯片层面：云侧与终端侧对芯片需求不同，尚未形成统一解决方案。

2. 趋势展望

• 迁移学习将成为重要研究方向，提升模型复用性和可解释性。
• 开源推断框架将迎来发展黄金期，降低应用部署门槛。
• 中间表示层将成技术竞争焦点，推动标准化进程。
• AI计算芯片将朝云侧和终端侧两个方向发展，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，推动行业应用落地。

总结

本白皮书全面梳理了2018年人工智能技术架构的发展现状，强调了深度学习在推动人工智能落地中的核心作用。从算法、算力、数据到软件框架、编译器、芯片及服务平台，人工智能技术体系正在不断完善。然而，当前仍面临算法可靠性、数据流通、框架标准化、芯片适配等多方面挑战。未来，随着迁移学习、通用中间表示层、高性能芯片及服务化平台的进一步发展，人工智能技术将加速向各行业渗透，形成更加完善的生态体系。