机器学习是人工智能大众化的必经之路

近年来，随着人类在计算能力上取得的巨大进步，以及新计算机算法的发现和标记数据的增加，人类对神经网络（一种具有学习能力的人工智能系统）的研发工作也是蒸蒸日上。此前，各种相关的研究活动还不十分活跃，神经网络的实际应用也是十分有限的。

近几年的诸多研究，使得神经网络的广泛应用成为了可能，但由于机器学习模型仍需要繁琐的计算工作，导致它在奔向主流的路上重重受阻。而现在，新算法的出现，正高效地将神经网络推向更传统的应用领域。神经网络，是当前计算机科学研究领域的一个焦点。其创造灵感来自于复杂的人类生物学，在大多数可想到的用例中，生物学的应用都优于计算机的应用。

虽然计算机在存储信息和快速处理方面表现出色，可人类却更善于有效地利用其有限的计算能力。诚然，计算机每秒能进行数百万次计算，这是人类无法企及的；但同样，人脑的效率也是计算机无法企及的，它的效率比计算机要高上万倍。但另一方面，计算机在复杂算法上的缺陷，在其对持续变化的数据的高效处理能力上也得到了弥补。

不过，其强大的计算能力也是有缺陷的，那就是价格。即使近来计算机计算的成本大幅下降，但机器学习这一块的费用还依旧十分高昂，使得大部分个人、企业和研究人员望而却步，他们往往都是依靠昂贵的第三方服务来进行实验。由于计算的复杂性，就算是一个很普通的聊天机器人，其成本也可能在几千美元到一万美元之间。

科学家们一直在研究各种技术，想要降低机器和深度学习应用方面的时间和资金成本。计算领域对软件和硬件的要求都很高，高效的算法和设计优良的硬件都是优先考虑的，但硬件开发却十分耗时耗力的，这也促使着众多研究人员为其设计自动化解决方案。

科研人员目前在软件和硬件方面都取得了进展。当前神经网络应用中最常用的技术就是神经网络架构搜索（NAS），不过，其在设计神经网络方面的高效率也伴随着计算方面的高成本。NAS技术可以被认为是迈向自动化机器学习的前提。

此外，值得一提的还有其他的技术，比如机器学习算法。与在资源密集型控制环境中计算不同，机器学习算法可以通过在专门设计的硬件上运行，从而降低功耗。另外，不列颠哥伦比亚大学（UBC）的研究人员发现，现场可编程门阵列（FPGA）在机器学习应用程序上速度更快、功耗更低。除了通过专门的硬件使机器学习更省钱省时，FPGA还可以使那些技术水平较低的人更容易使用深度神经网络（DNN）。

FPGA与高层次综合（HLS）的结合使用，可以实现“自动设计硬件”，这样就无需专门设计硬件来测试机器学习推理解决方案是否有效了。这样一来，在针对各种用例时，应用程序的投入使用就变得更加快捷。在参考了HLS和FPGA的使用以后，其他研究人员还考虑将FPGA用于特定的DNN子集，即卷积神经网络（CNN），该技术拥有优良的图像分析能力，通过对动物的视觉皮层的研究获得灵感。

为了进一步展示其多样性，一些研究人员还着眼于DNN的应用来进行与工程任务相关的自动化设计。机器学习研究领域还有很长的路要走。Robert Aschenbrenner是神经网络和机器学习方面的研究人员，他指出该技术即将发生转变，同时还强调了机器学习代理工具将如何提高其性能和算法。

机器学习代理工具会通过我们的工作方式，收集和挖掘历史数据，寻找自动化发展的机会。然后，人工智能工具将以自动化流程改变的形式假定解决方案，模拟展示这些改变将如何提高生产力，或是带来更好的业务成果。想要让一种算法能像人类或任何动物那样去学习，还有很多工作要做。

虽然机器学习算法在神经网络领域有很多应用，但是它的基本使用范围扩大，也就意味着在未来，它的应用将超乎想象。迅速发展的人工智能不断被投入实际应用，但是人工智能的普及取决于快速设计的硬件和软件解决方案，这些解决方案也具有上述的资源效益。正如麻省理工学院所描述的那样，优化算法，降低成本，让人工智能大众化，让缺乏资源来运营大规模计算的个人和组织也能使用大规模机器学习技术。

虽然在该领域的研究可能还处于早期阶段，但新提出的设计自动化解决方案为我们揭示了这一领域的远大前景。此外，随着计算机硬件成本下降，云计算等可共同 *** 作技术的引入，机器学习变成主流应用的时代可能会提前到来。对复杂算法和工具的普及对教育事业、医疗事业和企业经营也有正面效果。

企业可以通过人工智能处理繁琐的任务来降低运营成本，促进人力资源配置，提高关键任务的完成效率。总而言之，大众早晚会用上这些功能强大的软件，一切只是时间问题。