AI的炒作周期为何不会在短时间内结束

到如今，我们已经听闻了很多关于AI的炒作。根据谷歌趋势的统计，2012年时只有5%的美国人搜索关于人工智能的信息，而到了2017年，这个数字跳升到了60%。与其它横扫技术领域的流行物不同，AI的炒作有很多合理的原因。AI的发展将会以指数级增长的趋势渗透到我们每天的生活当中。

与早期的AI不同，现在的AI有很多实用和功能强大的框架（比如TensorFlow和Caffe），它们使AI技术变得易于实现而且工程师们不需要再从零开始写代码。这些框架可节省大量的时间和物力，使AI更广泛地适用于整个行业中各种规模不同的公司。

除此之外，还有很多训练好的神经网络，它们可用于不同领域中的普通应用，比如有关文本、图像和声音识别的应用。这些网络还可以通过预先准备好的神经网络模型（可用专用数据集进行培训）大大促进AI创业活动的发展。最具开拓性的神经网络包括Yolo，fasText还有Deep Speech 2，这些首创的神经网络能使AI以指数级的速度蓬勃发展。

AI维护成本越来越低及GPU使AI计算速度越来越快是AI飞速发展的重要原因。随着像亚马逊这样的云提供商一直降低服务费用，AI的维护变得越来越便宜。同样，GPU的运算效率也比其他任何处理器高很多。由于因特尔未能获得70%的市场份额，所以用GPU训练神经网络所取得的惊人结果让Nvidia（英伟达显卡）成为了宠儿。甚至谷歌为发布TPU所做的一切努力也无法在近期把Nvidia赶下显卡界的神坛。

与模拟算法的结果相比，且多亏机器学习和大数据的结合，人们现在可以解决之前“无解的”问题，我们从现实应用中得到的结果比第一代分析算法强很多。

Alphabet的执行总裁Eric Schmidt称AI可被用于解决人类面对的主要问题，例如气候变化问题、食品安全问题以及在医疗卫生、能源和其他关键部门中的其他许多问题。机器学习算法可以直接分析数千种之前不同类型疾病的病例，并根据患者的病情给出自己的结论，从而有助于诊断包括癌症在内的致命性疾病。同样，依赖于大数据的技术也有助于科学家了解和预测气候变化带来的影响。

在3月份，OpenAI发布了一篇文章，其中提出了一种有趣的神经网络训练方法。从本质上说，该算法可使系统同时尝试数千种不同的网络参数集合，然后剔除那些性能不佳的参数集。随后人们会确认这些较佳的参数集，并从中进行组合，创建出一批新的参数集进行测试

同时测试多个参数的能力能够显著加快机器计算速度。尽管这种方法现在还处于测试当中，但它很有可能在近期投入实用，它将给予AI更多机会进行无限次数的试验并加快AI取得成就的步伐。

所有这些将会给我们带来什么呢？那便是速度惊人的变化和创新。

在不久的将来，多智时代一定会彻底走入我们的生活，有兴趣入行未来前沿产业的朋友，可以收藏 多智时代 ，及时获取人工智能、大数据、云计算和物联网的前沿资讯和基础知识，让我们一起携手，引领人工智能的未来！