深度學(xué)習(xí)行業(yè)發(fā)展趨勢(shì)如何？全球深度學(xué)習(xí)發(fā)展方向分析

• 2021年11月9日 ZhouXun來源：互聯(lián)網(wǎng) 444 22
• 繁體

深度學(xué)習(xí)本質(zhì)上是一種新興的機(jī)器學(xué)習(xí)算法，其基本模型框架是基于ANN的，如含有多隱層的感知器。其可以通過對(duì)數(shù)據(jù)的底層特征進(jìn)行學(xué)習(xí)從而得到更加抽象的隱藏特征，從而特到數(shù)據(jù)的分布式規(guī)律，進(jìn)而預(yù)測(cè)或分類數(shù)據(jù)。

深度學(xué)習(xí)本質(zhì)上是一種新興的機(jī)器學(xué)習(xí)算法，其基本模型框架是基于ANN的，如含有多隱層的感知器。其可以通過對(duì)數(shù)據(jù)的底層特征進(jìn)行學(xué)習(xí)從而得到更加抽象的隱藏特征，從而特到數(shù)據(jù)的分布式規(guī)律，進(jìn)而預(yù)測(cè)或分類數(shù)據(jù)。

深度學(xué)習(xí)是一種學(xué)習(xí)數(shù)據(jù)表征的算法，它可以從無規(guī)律、抽象的觀測(cè)值即輸入值中學(xué)習(xí)到數(shù)據(jù)的隱藏特征，比如CNN算法通過輸入的圖片像素點(diǎn)RGB值可以學(xué)習(xí)到圖片的內(nèi)部特征，例如圖片中的實(shí)體、數(shù)字等。深度學(xué)習(xí)的好處是其用高效的特征提取算法替代了原始的手工獲取特征的手段。

深度學(xué)習(xí)的三個(gè)基本趨勢(shì)

一是關(guān)注真實(shí)課堂條件下深度學(xué)習(xí)與學(xué)生素養(yǎng)發(fā)展的實(shí)證研究;

二是從個(gè)別具體操作策略的探討轉(zhuǎn)向?yàn)橐话慊僮髂Ｊ降慕?gòu);

三是從單純關(guān)注深度學(xué)習(xí)的技術(shù)性支持轉(zhuǎn)向?yàn)榍榫承缘沫h(huán)境支持系統(tǒng)設(shè)計(jì)。

全球深度學(xué)習(xí)發(fā)展方向

一、深度學(xué)習(xí)應(yīng)用覆蓋更廣泛，市場(chǎng)增速加快

深度學(xué)習(xí)除了在已經(jīng)廣泛應(yīng)用的領(lǐng)域不斷深化完善，也在持續(xù)拓展新的應(yīng)用領(lǐng)域，推動(dòng)各個(gè)行業(yè)的智能化。得益于硬件和算法的進(jìn)步，深度學(xué)習(xí)的強(qiáng)大能力逐漸顯現(xiàn)。這種進(jìn)步體現(xiàn)在連續(xù)學(xué)習(xí)過程中使用模式識(shí)別的算法，使它們能夠自主訓(xùn)練執(zhí)行任務(wù)，而不需要顯式編程代碼。

圖表：全球深度學(xué)習(xí)軟件喜營(yíng)收(按區(qū)域) : 2017-2025

數(shù)據(jù)來源：Tractica

一些較成功的深度學(xué)習(xí)應(yīng)用集中在圖像識(shí)別、文本分析、產(chǎn)品推薦、欺詐預(yù)防和內(nèi)容管理等領(lǐng)域的增量和實(shí)際改進(jìn)上。深度學(xué)習(xí)可能會(huì)帶來未來更強(qiáng)大、更具顛覆性的應(yīng)用發(fā)展，如無人駕駛汽車、個(gè)性化教育和預(yù)防性醫(yī)療保健。

二、深度學(xué)習(xí)技術(shù)研究持續(xù)深入

深度學(xué)習(xí)除了在應(yīng)用領(lǐng)域的快速擴(kuò)張，一些基礎(chǔ)技術(shù)研究依然保持著很高的熱度。主要可以分成以下幾個(gè)方向：深度學(xué)習(xí)的基礎(chǔ)理論研究;深度學(xué)習(xí)和其他方法的結(jié)合擴(kuò)展;深度學(xué)習(xí)一些優(yōu)勢(shì)的深耕和發(fā)揚(yáng)光大;深度學(xué)習(xí)現(xiàn)階段一些局限性的解決。當(dāng)然這幾個(gè)方面也是相互影響，相互交織的。

深度學(xué)習(xí)的理論性研究側(cè)重給出對(duì)深度學(xué)習(xí)有效性更好的解釋，對(duì)深度學(xué)習(xí)的泛化能力更好的證明，以及如何更快收斂更好地學(xué)習(xí)等。

在和其他方法結(jié)合方面，一方面最成功的當(dāng)屬深度強(qiáng)化學(xué)習(xí)，從靜態(tài)監(jiān)督學(xué)習(xí)擴(kuò)展到動(dòng)態(tài)交互時(shí)序?qū)W習(xí)，這在AlphaGo 上已經(jīng)得到了驗(yàn)證。但是對(duì)于深度強(qiáng)化學(xué)習(xí)是否就是最接近人工智能的解決方案還是存疑的。另一方面是在一些非游戲類的實(shí)際應(yīng)用中，深度強(qiáng)化學(xué)習(xí)發(fā)揮好的效果往往需要針對(duì)性的設(shè)計(jì)和實(shí)驗(yàn)。除此之外，也有很多關(guān)于神經(jīng)和符號(hào)相結(jié)合的探索、數(shù)學(xué)模型和認(rèn)知心理學(xué)方法相結(jié)合的探索。

三、邊緣計(jì)算將給深度學(xué)習(xí)和芯片帶來更多市場(chǎng)

人工智能的計(jì)算大多在基于云端的數(shù)據(jù)中心完成，而這些計(jì)算的主要內(nèi)容是對(duì)深度學(xué)習(xí)模型的訓(xùn)練，這需要大量的計(jì)算能力。在過去的6年中，計(jì)算需求方面經(jīng)歷30萬倍的增長(zhǎng)，GPU提供了強(qiáng)大的算力支持。隨著人工智能應(yīng)用多樣性的增長(zhǎng)，越來越多的深度學(xué)習(xí)計(jì)算將在邊緣設(shè)備中進(jìn)行，而不是在一個(gè)集中的、基于云的環(huán)境中進(jìn)行。

到2025年，全球人工智能邊緣設(shè)備的出貨量將從2018 年的1.614億臺(tái)增加到26億臺(tái)。依據(jù)設(shè)備類別，主要的AI 邊緣設(shè)備為：手機(jī)、智能音箱、個(gè)人電腦設(shè)備、頭戴式顯示器、汽車、無人機(jī)、消費(fèi)者和企業(yè)級(jí)機(jī)器人、監(jiān)控?cái)z像頭等。

圖表：全球邊緣計(jì)算設(shè)備出貨量(按設(shè)備種類): 2017-2025年

數(shù)據(jù)來源：Tractica

在評(píng)估云與邊緣計(jì)算時(shí)，需要考慮隱私、安全、成本、延遲和帶寬等。

四、深度學(xué)習(xí)芯片迎來高速發(fā)展階段

GPU和CPU 在市場(chǎng)上處于領(lǐng)先地位，但FPGA、ASIC、SoC 加速器和其他新興芯片組的影響正在不斷擴(kuò)大。雖然解決深度學(xué)習(xí)訓(xùn)練和推斷工作量的芯片組市場(chǎng)仍然是一個(gè)新興市場(chǎng)，但形勢(shì)正在迅速變化——在過去的一年中，超過60 家各種規(guī)模的公司宣布了某種深度學(xué)習(xí)芯片組或知識(shí)產(chǎn)權(quán)(IP)設(shè)計(jì)，之后將開始市場(chǎng)驗(yàn)證。2019 年和2020 年是深度學(xué)習(xí)芯片組數(shù)量增長(zhǎng)的關(guān)鍵時(shí)期。

圖表：全球深度學(xué)習(xí)芯片收入(按類型):2016-2025年

數(shù)據(jù)來源：Tractica

到2025 年，深度學(xué)習(xí)芯片組的市場(chǎng)將從2017年的16 億美元增加到663 億美元。系統(tǒng)芯片(SoC)加速器(如移動(dòng)設(shè)備中的加速器)將在預(yù)測(cè)期結(jié)束時(shí)在絕對(duì)數(shù)量上領(lǐng)先市場(chǎng)，隨后是專用集成電路(ASIC)和圖形處理單元(GPU)。就收入而言，到2025 年，ASIC 市場(chǎng)將是最大的，其次是GPU 和中央處理器(CPU)。

在邊緣計(jì)算市場(chǎng)，即在設(shè)備上進(jìn)行人工智能計(jì)算的市場(chǎng)，預(yù)計(jì)將占總市場(chǎng)機(jī)會(huì)的四分之三以上，其余在云或者數(shù)據(jù)中心。手機(jī)將是邊緣計(jì)算市場(chǎng)的主要驅(qū)動(dòng)力，其他突出的邊緣類別包括汽車、智能相機(jī)、機(jī)器人和無人機(jī)等。

更多行業(yè)研究分析，可以點(diǎn)擊查閱中研普華產(chǎn)業(yè)研究院的《2021-2025年中國(guó)深度學(xué)習(xí)發(fā)展及趨勢(shì)專項(xiàng)研究報(bào)告》。

• 相關(guān)深度報(bào)告REPORTS

  

  2021-2025年中國(guó)深度學(xué)習(xí)發(fā)展及趨勢(shì)專項(xiàng)研究報(bào)告

  深度學(xué)習(xí)本質(zhì)上是一種新興的機(jī)器學(xué)習(xí)算法，其基本模型框架是基于ANN的，如含有多隱層的感知器。其可以通過對(duì)數(shù)據(jù)的底層特征進(jìn)行學(xué)習(xí)從而得到更加抽象的隱藏特征，從而特到數(shù)據(jù)的分布式規(guī)律，進(jìn)C...

  查看詳情

延伸閱讀

推薦閱讀

猜您喜歡