人工智能行業：步入“AI+”時代行業應用多點開花-20210612（23頁）.pdf

《人工智能行業：步入“AI+”時代行業應用多點開花-20210612（23頁）.pdf》由會員分享，可在線閱讀，更多相關《人工智能行業：步入“AI+”時代行業應用多點開花-20210612（23頁）.pdf（23頁珍藏版）》請在三個皮匠報告上搜索。

1、知識圖譜:增強人工智能遷移學習能力知識圖譜(Knowledge Graph)這一概念首先由谷歌于2012年提出，能夠以結構化的數據標簽描述客觀世界，其本質是建立一張連接各個領域知識的大規模網絡，從而讓人工智能具備“認知智能”，用人的思維方式進行推理和決策。知識圖譜包括通用知識圖譜以及領域知識圖譜，前者是常識性知識，后者是行業專業知識。目前金融、醫療、企業等領域已經初步構建了行業知識圖譜，例如財經知識圖譜、VoxelCloud AI醫學影像知識圖譜、阿里云企業圖譜等。知識圖譜可以解決AI不可解釋問題。AI的解釋性在學界也是討論廣泛的議題，神經網絡包括輸入層、隱藏層、輸出層，其中隱藏層缺乏透明度，

2、運算相當復雜。人類只能看到運算之后的結果，但“如何運算”這個問題仍是無法解釋的“黑匣子”。張鈸院士認為下一代人工智能必須具有可解釋性3。由于知識圖譜具有更加形象、直觀的特點，故能在一定程度上彌補神經網絡的不可解釋性。聯邦學習:效率與隱私兼得,有望解決數據孤島和隱私問題聯邦學習(Federated Learning)可以在多個主體間不直接共享樣本數據的情況下，實現模型的合作開發，對于解決數據孤島和數據隱私問題具有重要意義。我們認為，聯邦學習或將成為解決AI隱私問題的關鍵技術。根據所面向場景的不同，聯邦學習又可分為橫向和縱向兩種不同的技術模式:1)橫向聯邦學習能夠在大樣本學習時保護個體隱私，即互聯

3、網公司不需要上傳用戶的數據也可實現模型訓練，醫院之間可以不泄露患者隱私的前提下進行協同模型訓練;2)縱向聯邦學習能夠解決跨行業的數據孤島問題，即互聯網公司、保險公司、銀行等跨行業機構之間可以聯合進行模型訓練。神經形態硬件:突破傳統架構算力天花板神經形態硬件(Neuromorphic Hardware)是在硬件層面對人類大腦神經元的模擬，摒棄了馮諾依曼架構中存算分離的設計，通過存算一體，解決高時耗、高能耗的問題。與傳統架構芯片相比，神經形態硬件可以并行處理數據，為人工智能運算提供算力支撐。典型的非馮架構芯片包括類腦芯片、光子芯片，例如TrueNorth.SpiNNaker、Tianjic、Loihi等。2020年，神經形態硬件方面的研究取得了一定的進展。清華大學首次提出“類腦計算完備性”概念以及軟硬件解耦的類腦計算系統層次結構，拓寬了類腦計算系統應用的范圍，兼容CPU、GPU等通用芯片。來自MIT的團隊利用19個類腦神經元實現了自動駕駛5。