Page 50 - 基于人工智能的图像识别技术研究
P. 50
基于人工智能的图像识别技术研究
Research on Image Recognition Technology Based on Artificial Intelligence
不看好的声音，而这些声音归根结底来源于对神经网络的不信任。神经网络究其
根本是一种函数拟合，或者说是一种统计上的概率预测，如果以“感知”二字来
衡量人工智能的话，那么当前的神经网络只是做到了“感”：对于我们给出的输
入，网络可以给出相应的输出，但为什么给出这样的输出呢？网络并不能回答。
AI芯片并不智能，它只是加速了一部分的数据运算，从这个角度上讲，AI芯
片确实有一种“泡沫”的嫌疑。虽然神经网络和AI芯片有着或多或少、这样那样
的问题，但在当前的历史阶段，神经网络仍然是最接近人工智能的工程方法，AI
芯片也确实是实现人工智能的必由之路。因此，虽然对于互联网人工智能热潮应
当怀有一定的警醒，但大可不必对神经网络等如临大敌。我们应当拥抱技术、拥
抱时代，不断用自己的努力去谱写更加美好的未来。
二、人工智能芯片发展态势及对策
（一）人工智能浪潮催生芯片发展良机
1.人工智能应用爆发催生百亿规模芯片新市场
以图像识别、语音识别等为代表的智能化技术水平大幅提升和应用起步，掀
起了新一轮人工智能研发和应用热潮，对底层芯片的计算能力需求呈现爆发式增
长。据Tractica预估，全球人工智能芯片出货量持续走高，市场规模将从2016年
的5亿美元增长至2025年的122亿美元，复合年均增长率保持超过40%的高速率。
与此同时，伴随人工智能芯片技术不断成熟和应用落地，人工智能芯片占据人工
智能总体市场规模的比例逐年递增，据CITICS预计将从2016年的8%提高至2020
年的12%。现阶段，人工智能应用正处于应用起量阶段，产业链上下游企业纷纷
结合自身优势加入芯片领域布局，试图抢占市场发展先机，围绕人工智能芯片领
域的竞赛已经拉开序幕。
2.暴力计算型人工智能对芯片算力提出新挑战
本轮人工智能研究的关键词是基于概率统计学的深度学习，采用日益复杂
的神经网络模型和更大规模数据样本实现识别精度不断突破，但同时产生的
计算量也持续攀升，这种暴力计算模式对底层芯片的计算能力提出了更高要求
并相应产生更多能耗。例如，2012年的ImageNet比赛中，采用8层神经网络的
AlexNet网络取得16%的错误率，迭代一次的计算量约为1.4GFLOP（10亿次浮点
计算）；2015年，拥有152层神经元的ResNet网络错误率降至3.5%，但计算量为
22.6GFLOP，大约达到AlexNet的16倍。与此同时，深度学习需要处理的数据规
42
