近年來，隨著人類在計算能力上取得的巨大進步，以及新計算機算法的發(fā)現和標記數據的增加，人類對神經網絡（一種具有學習能力的人工智能系統）的研發(fā)工作也是蒸蒸日上。此前，各種相關的研究活動還不十分活躍，神經網絡的實際應用也是十分有限的。

近幾年的諸多研究，使得神經網絡的廣泛應用成為了可能，但由于機器學習模型仍需要繁瑣的計算工作，導致它在奔向主流的路上重重受阻。而現在，新算法的出現，正高效地將神經網絡推向更傳統的應用領域。神經網絡，是當前計算機科學研究領域的一個焦點。其創(chuàng)造靈感來自于復雜的人類生物學，在大多數可想到的用例中，生物學的應用都優(yōu)于計算機的應用。

雖然計算機在存儲信息和快速處理方面表現出色，可人類卻更善于有效地利用其有限的計算能力。誠然，計算機每秒能進行數百萬次計算，這是人類無法企及的；但同樣，人腦的效率也是計算機無法企及的，它的效率比計算機要高上萬倍。但另一方面，計算機在復雜算法上的缺陷，在其對持續(xù)變化的數據的高效處理能力上也得到了彌補。

不過，其強大的計算能力也是有缺陷的，那就是價格。即使近來計算機計算的成本大幅下降，但機器學習這一塊的費用還依舊十分高昂，使得大部分個人、企業(yè)和研究人員望而卻步，他們往往都是依靠昂貴的第三方服務來進行實驗。由于計算的復雜性，就算是一個很普通的聊天機器人，其成本也可能在幾千美元到一萬美元之間。

科學家們一直在研究各種技術，想要降低機器和深度學習應用方面的時間和資金成本。計算領域對軟件和硬件的要求都很高，高效的算法和設計優(yōu)良的硬件都是優(yōu)先考慮的，但硬件開發(fā)卻十分耗時耗力的，這也促使著眾多研究人員為其設計自動化解決方案。

科研人員目前在軟件和硬件方面都取得了進展。當前神經網絡應用中最常用的技術就是神經網絡架構搜索（NAS），不過，其在設計神經網絡方面的高效率也伴隨著計算方面的高成本。NAS技術可以被認為是邁向自動化機器學習的前提。

此外，值得一提的還有其他的技術，比如機器學習算法。與在資源密集型控制環(huán)境中計算不同，機器學習算法可以通過在專門設計的硬件上運行，從而降低功耗。另外，不列顛哥倫比亞大學（UBC）的研究人員發(fā)現，現場可編程門陣列（FPGA）在機器學習應用程序上速度更快、功耗更低。除了通過專門的硬件使機器學習更省錢省時，FPGA還可以使那些技術水平較低的人更容易使用深度神經網絡（DNN）。

FPGA與高層次綜合（HLS）的結合使用，可以實現“自動設計硬件”，這樣就無需專門設計硬件來測試機器學習推理解決方案是否有效了。這樣一來，在針對各種用例時，應用程序的投入使用就變得更加快捷。在參考了HLS和FPGA的使用以后，其他研究人員還考慮將FPGA用于特定的DNN子集，即卷積神經網絡（CNN），該技術擁有優(yōu)良的圖像分析能力，通過對動物的視覺皮層的研究獲得靈感。

為了進一步展示其多樣性，一些研究人員還著眼于DNN的應用來進行與工程任務相關的自動化設計。機器學習研究領域還有很長的路要走。Robert Aschenbrenner是神經網絡和機器學習方面的研究人員，他指出該技術即將發(fā)生轉變，同時還強調了機器學習代理工具將如何提高其性能和算法。

機器學習代理工具會通過我們的工作方式，收集和挖掘歷史數據，尋找自動化發(fā)展的機會。然后，人工智能工具將以自動化流程改變的形式假定解決方案，模擬展示這些改變將如何提高生產力，或是帶來更好的業(yè)務成果。想要讓一種算法能像人類或任何動物那樣去學習，還有很多工作要做。

雖然機器學習算法在神經網絡領域有很多應用，但是它的基本使用范圍擴大，也就意味著在未來，它的應用將超乎想象。迅速發(fā)展的人工智能不斷被投入實際應用，但是人工智能的普及取決于快速設計的硬件和軟件解決方案，這些解決方案也具有上述的資源效益。正如麻省理工學院所描述的那樣，優(yōu)化算法，降低成本，讓人工智能大眾化，讓缺乏資源來運營大規(guī)模計算的個人和組織也能使用大規(guī)模機器學習技術。

雖然在該領域的研究可能還處于早期階段，但新提出的設計自動化解決方案為我們揭示了這一領域的遠大前景。此外，隨著計算機硬件成本下降，云計算等可共同操作技術的引入，機器學習變成主流應用的時代可能會提前到來。對復雜算法和工具的普及對教育事業(yè)、醫(yī)療事業(yè)和企業(yè)經營也有正面效果。

企業(yè)可以通過人工智能處理繁瑣的任務來降低運營成本，促進人力資源配置，提高關鍵任務的完成效率?？偠灾?，大眾早晚會用上這些功能強大的軟件，一切只是時間問題。