雖說人工智能的話題已經(jīng)爛大街，但是不可否認的是AI已經(jīng)開始滲透到各個行業(yè)之中。近日，《福布斯》雜志談了AI產(chǎn)業(yè)的五大趨勢，包括芯片、AI平臺、工具以及應用的趨勢，這些趨勢都跟人工智能的應用密切相關。下面讓我們來逐一了解。

芯片產(chǎn)業(yè)正在因為AI發(fā)生洗牌，傳統(tǒng)的芯片產(chǎn)業(yè)格局將會發(fā)生巨大變化，這種情況將在2019年更加突出。以AWS、微軟、谷歌、Facebook、阿里云為首的技術驅(qū)動型公司將加大AI芯片的投入，會給芯片市場帶來更多變數(shù)。

之所以越來越公司開始投入到AI芯片研發(fā)之中，是因為AI模型訓練需要專門的硬件來執(zhí)行復雜的數(shù)學計算，才能加快執(zhí)行目標檢測和人臉識別等任務，AI芯片可以針對計算機視覺、自然語言處理和語音識別相關的特定用例及場景進行優(yōu)化。

2019年，英特爾、英偉達、AMD和高通等傳統(tǒng)芯片制造商將推出專門AI芯片。而以AWS、Facebook、阿里云等超級技術公司則會加大對芯片的研發(fā)投入，這些芯片將在AI和高性能計算基礎上針對現(xiàn)代工作負載做出大量優(yōu)化，其中某些芯片還將幫助下一代數(shù)據(jù)庫加快查詢處理和預測分析速度。

可以說，對于技術驅(qū)動型公司而言，AI芯片無疑是全棧AI能力的一個重要環(huán)節(jié)，不會輕易放棄。

邊緣計算的好處就是能夠更加快速的響應需求，對于物聯(lián)網(wǎng)等應用可謂是再合適不過。2019年開始，公有云上越來越多模型將開始用于邊緣計算，尤其是對設備進行異常檢測、根源分析和預測維護的工業(yè)物聯(lián)網(wǎng)是AI的最佳用例?；谏疃?u>神經(jīng)網(wǎng)絡的先進機器學習模型將得到優(yōu)化，以便在邊緣運行，未來將有能力處理視頻、語音等非結構化數(shù)據(jù)。物聯(lián)網(wǎng)必將成為企業(yè)人工智能的最大推動力。

如今，一大堆各種機器學習框架，加上一大堆各種人工智能硬件平臺，框架和平臺之間缺乏良好的支持，給機器學習和人工智能應用帶來了嚴重的阻礙。2019年，這種情況將會得到改善。ONNX組織的成立，將讓神經(jīng)網(wǎng)絡工具包、硬件平臺之間互操作性大幅提升。之前模型只能在特定框架中進行調(diào)試和評估的情況將大幅改善。

微軟、Facebooke等公司發(fā)起了“開放式神經(jīng)網(wǎng)絡交換”（ONNX）組織，并提出了相應的標準格式，使得經(jīng)過調(diào)試的神經(jīng)網(wǎng)絡模型向其他框架移植成為可能。目前，已經(jīng)有阿里云、百度云、英偉達等一批公司加入到該組織之中，2019年ONNX將變得更加重要，從研究人員到制造商等所有核心參與者都將依賴ONNX作為推理的標準運行框架。

自動化機器學習（AutoML）已成為一個發(fā)展趨勢，它將從根本上改變基于機器學習的解決方案，可使其不經(jīng)過傳統(tǒng)調(diào)試程序即可改進機器學習模型，進而處理復雜的場景。AutoML非常適用于認知應用編程接口（API）和自定義機器學習平臺。與被視為“黑盒子”的認知API不同，自動化機器學習既能提供同等的靈活性，同時又具備自定義數(shù)據(jù)和可移植性。

DevOps是一套完整的IT運維工作流，以IT自動化和持續(xù)集成、持續(xù)部署為基礎，來優(yōu)化程序開發(fā)、測試、系統(tǒng)運維等所有環(huán)節(jié)。DevOps強調(diào)軟件開發(fā)人員和運維人員的溝通合作，通過自動化流程來使軟件的構建、測試、發(fā)布更加快捷、頻繁和可靠。

AIOps即AI for IT Operations，指將人工智能應用于IT運維領域，基于已有的運維數(shù)據(jù)，通過機器學習來進一步解決自動化運維難以解決的問題。現(xiàn)代化應用程序和基礎設施可以生成用于索引、搜索和分析的日志數(shù)據(jù)。從硬件、操作系統(tǒng)、服務器軟件和應用軟件中獲取的海量數(shù)據(jù)集可以聚合和關聯(lián)，然后形成方案和模式。

當機器學習模型應用于這些數(shù)據(jù)集時，IT運行即可從被動響應轉(zhuǎn)變?yōu)橹鲃宇A測。AI力量應用于運營將重新定義基礎設施的管理方式。2019年，AIOps將成為主流，公有云供應商和企業(yè)將從AI和DevOps的融合中受益。