深度学习

自1956年AI“诞生”以来，其发展经历了两次“寒冬”，分别处于上世纪的70年代和80年代。虽然技术上的缺陷或障碍，似乎是直接导致这两次“寒冬”出现的原因，但更为深层的原因恐怕还是人类自身的认知所引发的。

从功能来看，AI芯片可以分为Training(训练)和Inference(推理)两个环节。Inference环节指利用训练好的模型，使用新的数据去"推理"出各种结论，如视频监控设备通过后台的深度神经网络模型，判断一张抓拍到的人脸是否属于黑名单。虽然Inference的计算量相比Training少很多，但仍然涉及大量的矩阵运算。在推理环节，GPU、FPGA和ASIC都有很多应用价值。

在深度学习的Training阶段，由于对数据量及运算量需求巨大，单一处理器几乎不可能独立完成一个模型的训练过程，因此，Training环节目前只能在云端实现，在设备端做Training目前还不是很明确的需求。

《人工智能芯片技术白皮书(2018)》第四章分析在CMOS工艺特征尺寸逐渐逼近极限的大背景下，结合AI芯片面临的架构挑战，AI芯片的技术趋势。一方面，研究具有生物系统优点而规避速度慢等缺点的新材料和新器件，采用新的计算架构和计算范式；另一方面，将芯片集成从二维平面向三维空间拓展，采用更为先进的集成手段和集成工艺，将是AI芯片技术在很长一段时期内的两条重要的路径。

对整个AI芯片产业而言，在算法的加持下，2018年将是密集爆发的一年，将以指数级速度向前发展，迅速渗透消费电子、家居、安防、智能驾驶、云计算以及工业、制造、金融、医疗、教育等各个领域。所有搭载芯片的电子设备都将提升AI计算能力，打造一个货真价实的AI社会。未来已来，我们或将进入一个AI新时代。

从大数据到AI，几乎每个正在发展的技术分支都受益于深度学习的深刻价值。在以下各节中，我们将深入探讨这个人工智能机器学习分支如何地促进了新兴技术的发展。

深度学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。Alan Yuille认为，现在做AI不提神经网络，成果都很难发表了，这不是一个好势头。如果人们只追求神经网络的潮流，抛弃所有老方法，也不去想如何应对深度网络的局限性，那么这个领域可能很难有更好的发展。

中国人工智能学会“人工智能与安全专委会” 在京成立，360集团董事长兼CEO周鸿t指出，人工智能是个热词，也是未来的大势所趋。但当下的人工智能技术并不完善，存在四大冰点：

算丰智能服务器SA3内部采用多个BM1682芯片的互联集群式架构，拥有低功耗的主控技术，提供集群管理、任务作业调度、负载均衡、视频图像API接口等服务，相比传统厂商依靠GPU通用图形处理器而设计的服务器，性能功耗比提升了2倍以上，能够同时支持90路视频结构化。

日前，第24届中国国际软件博览会在浙江省杭州市召开。在人工智能融合发展分论坛上，国家工业信息安全发展研究中心、工信部电子知识产权中心联合发布了《2020人工智能中国专利技术分析报告》（以下简称《报告》），展示我国人工智能（AI）领域创新发展新态势。