如何看待人工智能未来十年的发展？
如何看待人工智能未来十年的发展？
2020年是人工智能发展的重要里程碑，这一年不仅是现代人工智能发展的第10个年头，也是全球在健康、贸易、经济、文化、政治和科技领域发生深刻变革的一年。本文将从数据、算力、算法和工程化四个维度，探讨未来十年人工智能技术的发展趋势。
数据
数据对人工智能的重要性不言而喻，过去十年，数据的获取在数量、质量和种类上都取得了显著增长，为AI技术的发展提供了坚实基础。未来，数据层面的发展将呈现以下趋势：
数据总量持续快速增长：随着物联网和5G技术的进一步发展，数据源和传输能力将得到提升。IDC数据显示，数据总量将从2018年的33ZB增长到2025年的175ZB。
存储方式以集中存储为主：公有云存储的渗透率将持续增长，成为数据存储的主要方式。
标注数据仍依赖人工：尽管存在自动标注和半自动标注，但未来5-10年内，人工标注数据仍将是主要来源，占比超过75%。
这些趋势表明，数据量的持续供给是有保障的，但人工标注的成本和规模可能成为限制AI技术发展的因素。
算力
算力是实现AI系统所需的硬件计算能力，其发展主要依赖于半导体计算类芯片的进步。虽然半导体行业发展存在起伏，但"摩尔定律"在过去120年中持续有效，预计未来5-10年仍将保持平稳发展。
值得注意的是，GPU的迅速发展弥补了CPU发展的趋缓。从晶体管数量增长来看，GPU已超过CPU，且在计算能力和内存访问速度上远超CPU。2019年，GPU芯片在AI芯片市场中占据27%的份额，成为深度学习领域的硬件计算标准配置。
除了GPU和CPU，ASIC、FPGA等新兴AI芯片也在发展，但其能否在提高性能效率的同时保持通用性，并获得云厂商和软件生态的支持，还有待观察。
算法
基于深度学习的算法突破是AI技术取得里程碑式发展的关键。然而，随着算法性能的不断提升，算力需求激增带来的挑战也日益凸显。OpenAI数据显示，训练大型AI模型的算力从2012年开始翻了30万倍，年平均增长11.5倍，而算力硬件的增速仅为年平均1.4倍。
MIT研究进一步表明，对于过参数化的AI模型，其算力需求在理想情况下大于等于性能需求的4次方，现实情况则在9次方水平上下浮动。这意味着现有算法在效率上有很大优化空间。
未来AI算法的发展可能呈现以下特点：
先验知识表示与深度学习的结合：图网络技术正在与深度学习融合，形成深度图网络研究领域，这可能解决深度学习模型的数据饥渴、推理能力不足和输出结果可解释性问题。
模型结构借鉴生物科学：深度学习模型结构过于简单，可以从生物神经科学的进步中吸取灵感，同时加入不确定性参数建模。
数据生成：通过算法减少模型训练对人工标注数据的依赖，这已成为DARPA的AI3.0发展计划目标之一。
模型自评估：通过设计闭环系统提高AI系统的鲁棒性和可对抗性。
工程化
工程化是将数据、算力和算法结合在一起的媒介，其本质作用是提升效率。过去十年，AI工程化已形成以Python为编程语言的工具链体系，主要特点包括远程编程与调试、GPU加速支持以及模型训练与推理工具链的解耦。
上游厂商如微软、Facebook和英伟达对开源社区的大量投入，将为中下游企业和个人带来工具链的技术红利，降低研发门槛和成本。
结语
未来十年，算法将成为AI技术发展的核心驱动力。能否用更少的数据和更经济的算力实现真正意义上的通用智能，值得期待。
