倘若真有一项衡量新技术是否具有“颠覆性”的特征，那该会是公众对该技术是否有点心存疑虑和害怕吧。但如果我们把对技术的疑虑害怕，看作一种社会的关注程度，那么，当前人工智能(AI)的兴起，就很符合“颠覆性”技术的特征了。
如我们所知，如埃隆·马斯克、比尔·盖茨、史蒂芬·霍金等名人告诉我们的，人工智能将改变生活。公众对于人工智能应用带来危害后果的普遍担忧，并非是面对技术变革绝无仅有的反应；这只不过是在了解新技术变革并认识到其巨大潜力之前，社会大众通常所表现出的焦虑不安而已。
我们希望以当前争论为契机，传达行业对人工智能及其衍生的机器学习(ML)和深度学习(DL)的观点。我们研究了高性能处理从云端向网络边缘转变如何帮助物联网(IoT)蓬勃发展，以及这一转变范例如何为人工智能展现其真正潜力奠定基础。
我们的眼光不能局限于当今的物联网，而是要展望未来：智能互联设备不仅能够相互交谈，它们还可以利用人工智能代表我们彼此交互。有朝一日，这种全新的全球人工智能物联结构将被称为AIoT，即物联人工智能。
从本期开始，NXP客栈将推出《恩智浦AIoT微课堂》，通过系列文章，讨论物联人工智能的概念，探讨相关技术的巨大潜力及其限制性，并和大家一同思考某些人工智能应用对物联网安全造成的实际威胁，以及如何应对这些威胁。
恩智浦AIoT微课堂 10讲内容包括
今天的人工智能
人工智能的概念
机器学习和深度学习
人工智能领域的投资和“钱“途
边缘节点的人工智能：高性能处理
边缘节点的人工智能：专用ML环境
人工智能与物联网安全
隐私保护中的机器学习
攻击机器学习
物联人工智能的未来 ......
微课陆续上线，敬请关注
第一讲 今天的人工智能
人工智能作为一门数学学科，在某种程度上也属于哲学范畴，其实在如今突然备受公众关注之前已默默存在了60多年。现在公开宣传的一个原因在于，长期以来，人们对人工智能应用的认识只停留在理论层面，或者至少是科幻小说中。要在当今物联网环境中真正应用人工智能，必须满足以下三个条件：
1.非常大的真实数据集
2.具有强大处理能力的硬件架构和环境
3.开发强大的新算法和人工神经网络(ANN)，以便充分利用上述条件
很明显，后两个要求相互依存，如果不能大幅提高处理能力，那么深度神经网络领域不可能取得突破。对于输入而言：越来越多的嵌入式物联网设备，将生成质量参差不齐的大型数据集——视觉、音频和环境数据。如今，数据流以指数级迅猛增长。
事实上，到2020年，每年生成的数据量有望达到44 ZB（1 ZB等于10亿TB），相当于五年内的年复合增长率(CAGR)达到141%。仅五年之后，数据量可能将达到180 ZB。
图1，随着全球互联设备、机器和系统日渐增多，非结构化数据量也大幅增长。
大约从2015年开始，多核应用处理器和图形处理单元(GPU)开始普及，我们也通过操作工具来处理这些大量数据。并行处理成为速度更快、成本更低、性能更强大的业务。添加快速、丰富的存储和更强大的算法对数据进行排列和组织，突然之间，出现了一个能够让人工智能繁荣发展的环境。
图2，从1993年起，全球超级计算机的原始计算性能（用GFLOPs衡量）已成倍提高。Top 500名单上排名第1的全球超级计算机的峰值速度GFLOPS。
尽管如此，在2016年，百度硅谷人工智能实验室的EE Times高级研究员Greg Diamos在评论人工智能要发挥其真正的潜力还缺少什么时说道：
如今，训练机器学习模型的工作受到计算能力的限制，如果我们拥有更快的处理器，我们会运行更大的模型……实际上，我们使用合理的数据子集进行训练，可在数月内完成……我们可以利用多个数量级的改进——100倍或更大。 - Greg Diamos
2018年，经过神经网络训练的人工智能语音识别软件，成为各种消费类应用和工业应用中不可或缺的一部分。在新型自定义硬件和处理器架构的推动下，计算能力以大约每年10倍的速度提高。计算能力的迅速提升是推动人工智能发展的关键因素，正促使人工智能成为未来的主流技术。
作者：NXP 文章出处：NXP客栈
| 
/3 
发表于 2019-6-5 09:36:31
沉默卡
照妖镜
