demi的博客

自从人工智能(AI)这个术语在1955年由美国达特茅斯学院的人工智能大师John McCarthy创造以来，已经得到了长足的进步。63年之后，人工智能正在改变和颠覆医疗保健、金融科技以及其他行业的业务发展。虽然对真正人性化人工智能仍在继续探索当中，但大数据和机器学习(ML)的进步将帮助人工智能成为技术主流。

本文将介绍2018年的顶级人工智能和机器学习的发展趋势：

1. 医疗健康

咨询机构埃森哲公司表示，到2021年，美国人工智能医疗保健市场规模预计将达到66亿美元，其复合年增长率(CAGR)为40%。

医学成像和诊断公司正在推动人工智能在医疗健康技术方面的发展。例如，Arterys就是一种基于云计算放射科医师的人工智能助手，于2018年2月通过其Oncology AI套件获得美国食品和药物管理局(FDA)批准，用于分析肺和肝的肿瘤图像。

采用人工智能，个性化医疗保健和精准医疗也取得了长足的进步。今年8月，新加坡大学的研究人员使用人工智能来识别和优化骨髓瘤(一种血癌)的联合药物治疗。

2. 金融科技

追根溯源，神经网络诞生于人类对于人脑和智能的追问。而这个追问经历了旷远蒙昧的精神至上学说，直到 19 世纪 20 年代。

奥地利医生 Franz Joseph Gall （ 1758-1828 ） 推测人类的精神活动是由脑的功能活动而实现的，这才使人们认识到意识和精神活动具有物质基础，从而使人们对精神活动的认识从唯心主义的错误观点转到了唯物主义的正确轨道上来。

强化学习十大原则

在过去十年中，人们对机器学习的兴趣激增。几乎每天，我们都可以在各种各样的计算机科学课程、行业会议、华尔街日报等等看到有关机器学习的讨论。在所有关于机器学习的讨论中，许多人把机器学习能做的事情和他们希望机器学习做的事情混为一谈。从根本上讲，机器学习是使用算法从原始数据中提取信息，并在某种类型的模型中表示这些信息。我们使用这个模型来推断还没有建模的其他数据。

神经网络是机器学习的一种模型，它们至少有50年历史了。神经网络的基本单元是节点（node），基本上是受哺乳动物大脑中的生物神经元启发。神经元之间的连接也以生物的大脑为模型，这些连接随着时间的推移而发展的方式是为“训练”。

在20世纪80年代中期和90年代初期，许多重要的模型架构进步都是在神经网络中进行的。然而，为了获得良好性能所需的时间和数据越来越多，这极大的降低了研究人员的兴趣。在21世纪初期，计算能力呈指数级增长，研究人员看到了计算机技术的“寒武纪爆发”。作为该领域的一个重要竞争者——深度学习，因为计算能力的爆炸式增长，赢得了许多重要的机器学习竞赛。截至目前，这种趋势仍然没有减退;今天，我们看到机器学习的每个角落都提到了深度学习。

最近，我开始阅读有关该深度学习的学术论文。根据我的研究，以下是一些对该领域的发展产生巨大影响的出版物：

边缘是图像中灰度发生急剧变化的区域边界，图像灰度的变化情况可以用灰度分布的梯度来表示，数字图像中求导是利用差分近似微分来进行的，实际上常用空域微分算子通过卷积来完成。

1 一阶导数算子

1.1 Roberts

Roberts算子是一种斜向偏差分的梯度计算方法，梯度的大小代表边缘的强度，梯度的方向与边缘的走向垂直。Roberts操作实际上是求旋转45度两个方向上微分值的和。Roberts算子定位精度高，在水平和垂直方向的效果好，但对噪声敏感。两个卷积核Gx、Gy分别为：

采用1范数衡量梯度的幅度为：

作者：红色石头

梯度下降算法的公式非常简单，”沿着梯度的反方向（坡度最陡）“是我们日常经验得到的，其本质的原因到底是什么呢？为什么局部下降最快的方向就是梯度的负方向呢？也许很多朋友还不太清楚。没关系，接下来我将以通俗的语言来详细解释梯度下降算法公式的数学推导过程。

下山问题

假设我们位于黄山的某个山腰处，山势连绵不绝，不知道怎么下山。于是决定走一步算一步，也就是每次沿着当前位置最陡峭最易下山的方向前进一小步，然后继续沿下一个位置最陡方向前进一小步。这样一步一步走下去，一直走到觉得我们已经到了山脚。这里的下山最陡的方向就是梯度的负方向。

一座城市的精华并不存在于纪念碑或博物馆中，街道上活生生的人和景才是它的真谛。过去一个世纪以来，汽车成了城市街道的霸主，街道和环境都在看它们的脸色变化。

为了提升交通效率，街道变得笔直宽阔，而在十字路口，保护行人则成了第一要务。商业区的布局也有了变化，它们大多建在空地附近，而空地则用来停车。

随着自动驾驶革命的深入，未来城市规划者肯定要刷新现有思维，重塑城市格局，更改现有过时的设计，搭建一个对行人更为友好的欢乐城市。

“主动脉”

虽然城市里的主干道还会继续存在（方便自动驾驶车辆快速输送乘客），但满城的双向八车道恐怕会逐渐减少。鉴于自动驾驶技术永远也无法达到完美状态，因此为自动驾驶汽车提供快速通道能减少事故发生的几率。

城市绿地

绿地对城市相当重要，即使只是一棵树或一个小公园，都能切实提升居民的心理健康。鉴于自动驾驶时代私人车辆会大幅减少，因此停车场会为绿地让出大量空间。有了空间，想把城市打造成大花园就简单多了。

“鸟巢”休息站

提到5G，最经典最直观的说辞便是：用户可以在短短几秒的时间内下载一部高清电影，而现在的4G LTE网络需要十几甚至几十分钟。之所以拿视频的下载速度来描述，是因为下载或在线观看高清电影是目前最贴近我们生活的，也最容易感受到网速变化的一种方式。而5G的作用远不仅如此，随着传输速率的增加，其他新兴的应用也会随之产生，比如物联网、虚拟现实、自动驾驶汽车等。

5G有三大典型场景，这三大场景描述了5G的需求也反应了5G与4G的不同，正如上图所示，三大场景分别为：增强型移动宽带通信(eMBB)，大规模机器型通信(eMTC)和超高可靠性超低延时通信(uRLLC)。

随着数据中心的运营以及继续发展，专业人员的习惯和交流方式在不断变化，提高了网络速度，并增加了复杂性。现在安装正确的布线基础设施解决方案将使企业从一开始就获得更大的经济利益，保留并吸引更多客户，并使企业的数据中心设施能够蓬勃发展。

人们通常从电影中了解一些似乎与现实相差甚远的概念，但这些概念却很快融入人们的日常生活中。1990年上映的一部由阿诺·施瓦辛格主演的电影中，一辆名为“Johnny Cab”的无人驾驶汽车让人印象深刻，可以将人们送到任何他们想去的地方。如今，大多数大型汽车公司都在投入巨资将这项技术带给大众。

回溯到1968年，人们通过HAL9000对人工智能（AI）有了一些了解，HAL9000是一部主题为太空漫游的电影中的一台有感知的计算机。HAL9000能够实施语音和面部识别、自然语言处理、唇读、艺术欣赏、解释情感行为、自动推理，甚至可以下棋。

而在过去几年，人们已经确定人工智能成为日常生活中不可或缺的一部分。例如可以采用智能手机查询旅行目的地的天气情况，虚拟助理可以播放人们喜欢的音乐，人们的社交媒体帐户将根据其个人喜好提供新闻更新和广告。

从几个方面来介绍一下GPU和FPGA。

从峰值性能来说，GPU（10Tflops)远远高于FPGA(<1TFlops)。GPU上面成千上万个core同时跑在GHz的频率上还是非常壮观的，最新的GPU峰值性能可达10TFlops以上。GPU的架构经过仔细设计（例如使用深度流水线，retiming等技巧），在电路实现上是基于标准单元库而在critical path上可以用手工定制电路，甚至在必要的情形下可以让半导体fab依据设计需求微调工艺制程，因此可以让许多core同时跑在非常高的频率。相对而言，FPGA首先设计资源受到很大的限制，例如GPU如果想多加几个core只要增加芯片面积就行，但FPGA一旦你型号选定了逻辑资源上限就确定了（浮点运算在FPGA里会占用很多资源）。而且，FPGA里面的逻辑单元是基于SRAM-查找表，其性能会比GPU里面的标准逻辑单元差好多。最后，FPGA的布线资源也受限制（有些线必须要绕很远），不像GPU这样走ASIC flow可以随意布线，这也会限制性能。

除了芯片性能外，GPU相对于FPGA还有一个优势就是内存接口。GPU的内存接口（传统的GDDR，最近更是用上了HBM和HBM2）的带宽远好于FPGA的传统DDR接口，而众所周知服务器端机器学习算法需要频繁访问内存。