规划2021年技术路标,百度研究院做出了这样一份预测

如果说 2020 年的关键词是不确定性,2021 年我们将迎来什么?在科技领域里,还有很多方向亟待人们去探索。

这条视频由AI自动剪辑生成,百度研究院智能视频合成平台VidPress提供技术支持。只需一键输入新闻图文内容链接,其他视频制作全流程,都由AI自动完成。

2020 年,全球经济与社会陷入诸多不确定性当中,或许会让很多人对未来产生疑惑。

然而同样是在 2020 年,智能技术不断渗透到千行万业以及我们的生活当中;“新基建”的号角下,各行业数字化和智能化升级明显提速;从抗疫防疫到复工复产,人工智能技术都展现了极大的价值潜力。

读懂未来的科技趋势发展,可能从未像今天一般重要。

今天,百度研究院发布 2021 年十大科技趋势预测。希望用清晰的技术路标,引领我们迎接智能时代的新机遇与新航程。

1.疫情加速 AI 融合落地,AI 将更加深入大众生活

2020 年,全球抗疫促使 AI 与 5G、大数据、物联网等新一代信息技术相互融合,AI 测温、AI 问诊、智能外呼、服务机器人等创新应用开始大规模普及,从生活的方方面面支持抗击疫情。

后疫情时代,AI 将进一步与交通、能源、制造、农业等基础产业融合,推动复工复产,促进社会经济发展。同时远程办公、在线教育、在线问诊等模式将会延续,成为未来的新常态。AI 不仅助力产业经济,而且逐渐深入大众生活,用 AI 解决民生问题有望大规模落地。

2.数字人、虚拟人将大批量出现,并在服务行业大放异彩

让机器像人一样具备理解和思考的能力,需要融合语言、语音、视觉等多模态的信息。结合知识图谱深度学习技术的知识增强的跨模态深度语义理解,让 AI 具备持续学习的能力。

以此为基础,结合 3D 建模、情绪识别、智能推荐等多种技术打造的数字人、虚拟人可以看、听、说,还能与人自然交流。2021 年,数字人、虚拟人的生产门槛将进一步降低,并大规模应用在互联网、金融、电商、医疗等行业,给客户带来专业贴心、千人千面的服务。媒体行业也将迎来众多 AI 虚拟主播,“二次元”的创造力和想象力结合真实世界的感知与交互能力,有望大放异彩。

3.生命科学成为 AI 应用新领地,生物计算成为新的研究热点

在突如其来且席卷全球的疫情面前,病毒检测和疫苗研究工作每加快一秒都可能挽救无数人的生命。然而,了解病毒,特别是病毒蛋白质、RNA 等分子结构,却是一个极其复杂的过程。

疫情期间,LinearFold 和 LinearDesign 等算法,显著提升了 RNA 二级结构预测和 mRNA 疫苗基因序列设计的速度。AlphaFold 2 在 CASP14 蛋白质结构预测竞赛的结果也预示着,AI 有望大大提升大分子结构预测的精度和效率。AI、生物计算和病毒研究、疫苗研发等生命科学基础研究领域的结合将迎来爆发。

除了基础研究外,AI 也将进一步融入新药研发的整个链条,包括靶点发现、苗头化合物发现、先导化合物发现和优化等等,从而大大缩短新药研发周期,降低新药研发成本,提高医疗诊断的准确性和效率,使人类在面对健康问题时更加主动。

4.交通产业加速转型,“数字交通运营”将成为关键推动力

AI 和 5G 技术将与交通出行深度融合,成为交通发展的新引擎。

无安全员的 Robotaxi 车辆开展常态化运营有望成为现实,以智能语音交互和车路协同信息服务为特征的 “智能座舱” 将成为汽车主流标配。

基于 “新基建” 发展的交通数字化转型和智能化变革,将会让传统交通加速向数字化、网联化、自动化的 “新交通” 转变。同时,数字化的知识和信息将会成为智能交通的关键生产要素,智能交通未来将从重视建设向建设和运营并重转变,“数字交通运营服务商”将成为推动智能交通高质量发展的关键力量。

5.AI 芯片和轻量级模型加速智能化向边缘渗透,物联网发展迎来新机遇

边缘是一个复杂概念,范围涉及从简单的传感器、嵌入式设备,到手机、机器人,以及高度复杂的自动驾驶汽车等设备。

随着 AI 芯片提供更专业化的边缘计算能力,以及模型蒸馏等技术的发展,轻量级模型将被越来越多地部署在小型边缘设备中,支持离线和在线场景,并且可以为用户进行定制化服务。

智能技术向边缘渗透,几乎会影响所有行业。随着边缘智能应用需求的不断增长,预计具备 AI 功能的边缘设备以及在边缘处理的数据量都将持续快速增长。

6.无监督学习成为基础支撑技术,促进 AI 多领域技术融合,提升跨模态理解能力

深度学习模型依赖大量的标注数据,以获得优异的性能。而无监督学习是一种无需人工标注数据帮助的学习方法,是 AI 下一步发展的重要方向之一。

利用无监督学习对不同模态的数据进行预训练,通过跨模态信息的共享提升跨模态理解,将成为一种趋势。其所形成的先验知识,还可以帮助小样本学习快速泛化至新任务中,有助于将 AI 技术应用到更广泛的领域,值得更进一步探索。

7.AI 提升机器对现实的理解,服务机器人将拥有更多物理交互能力

随着 AI 对数据、行为和运动学的分析和理解的逐渐成熟,机器在现实生活复杂场景中与人进行交互的可行性和安全性将得到提升。服务机器人或将被赋予更多的物理交互能力,可以替人完成简单、重复的日常工作。

将有更多酒店应用服务机器人来实时响应客房需求,自动配送物品。家庭服务机器人所能完成的任务则会更加精细和多样,例如帮助老人从冰箱拿食品或冲泡饮料,同时避免和房屋内的其他物体或运动的人碰撞,还可以在主人外出时帮助整理房间等。

8.量子科技创新观念深入人心,直接推动量子计算相关产业发展

量子科技创新的重要性和紧迫性将被社会各界广泛认可,这将进一步推动量子计算相关软硬件产业呈现快速发展。

量子硬件的性能将进一步提升,相应地,会催生出一批具有实用价值的量子算法,用于真正展示这些量子硬件的优势。量子软件云化和服务化成为趋势,逐步实现与硬件的深度融合,逐步开放和输出量子计算能力。量子计算与 AI 和云计算也将会持续深度融合,碰撞出新一轮的火花。

伴随着量子生态雏形逐渐形成,越来越多的政府机构、高等院校以及科技公司将开启在量子计算领域的战略谋划和系统布局,以便做好充分准备以迎接量子计算时代。

9.社会对构建负责任的 AI 的需求不断上升,科技企业推动落地实践

AI 的发展需要遵循一定的基本原则,以人为本、公正包容、可解释性、透明性与可追溯、隐私安全等原则,已成为国际社会 AI 伦理和治理的基本共识。

AI 伦理将推动智能应用发展从获取用户注意力向促进用户福祉转变。2021 年,从技术落地的角度看,AI 模型的可解释性和鲁棒性将取得更多的进步,视频合成技术的“矛”(合成)和“盾”(鉴别)之争也会愈演愈烈,隐私保护计算还将加速在组织间运用,为释放数据价值提供安全和隐私保证。同时,近年来快速发展的深度学习也极大地增加了能耗,未来 AI 的发展将会更注重有选择性地进行运算,追求经济、社会与环境的可持续发展。

10.AI 基础设施创新促进产业人才培养,AI 大众化加速

让 AI 普惠大众,需要让人们平等便捷地获取 AI 能力,这需要在算法、算力、数据等 AI 基础设施和人才两大方面持续投入。

深度学习框架为核心的开源平台已大大降低 AI 技术的开发门槛,自动化深度学习、少代码或无代码的 AI 开发平台等将进一步发展,持续降低 AI 开发所需的专业技能。AI 的大规模应用和对更大算力的需求将驱动 AI 芯片新一轮的增长,帮助 AI 突破当前的算力瓶颈,更普惠地释放 AI 算力。高质量的数据能有效提升对应用场景理解能力,安全的定制化数据方案、优化的数据采集和标注、健全的数据要素市场体系将推进 AI 在各细分领域的应用落地。此外,AI 的大众化离不开人才,无论是研究型、应用型的人才,又或是 AI 素养的培养都不可或缺,相信随着科技公司进一步促进 AI 产教融合,各个产业都会涌现出更多既懂 AI 技术又懂 AI 场景的产业复合型人才。

再见 2020,你好 2021。在科技发展中,我们能够持续拥抱无数的可能性。新的一年,百度将继续强化技术的积累与探索,推动从个人到社会,从生活到生产的方方面面的智能化变革。预祝在 2021 年,我们以凌云壮志,开拓智能未来。

百度研究院是百度旗下聚焦于人工智能前瞻基础研究、探索技术前沿方向的科研团队,由百度首席技术官王海峰兼任院长,下设大数据实验室、商业智能实验室、生物计算实验室、认知计算实验室、深度学习实验室、量子计算研究所、机器人与自动驾驶实验室、安全实验室、硅谷人工智能实验室九大实验室/研究所,汇聚数十位世界级专家。百度研究院的研究领域几乎囊括了从底层基础到感知、认知技术的AI全领域范畴,并深入展开跨领域研究合作,其雄厚实力让百度得以在AI时代持续引领技术发展潮流、推动基础技术进步。

工程量子计算无监督学习虚拟人科技趋势百度
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

自动驾驶汽车技术

自动驾驶汽车,又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人,是自动化载具的一种,具有传统汽车的运输能力。作为自动化载具,自动驾驶汽车不需要人为操作即能感测其环境及导航。

边缘计算技术

边缘运算(英语:Edge computing),又译为边缘计算,是一种分散式运算的架构,将应用程序、数据资料与服务的运算,由网络中心节点,移往网络逻辑上的边缘节点来处理。边缘运算将原本完全由中心节点处理大型服务加以分解,切割成更小与更容易管理的部分,分散到边缘节点去处理。边缘节点更接近于用户终端装置,可以加快资料的处理与传送速度,减少延迟。在这种架构下,资料的分析与知识的产生,更接近于数据资料的来源,因此更适合处理大数据。

商业智能技术

商业智能(Business Intelligence,BI),又称商业智慧或商务智能,指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

云计算技术

云计算(英语:cloud computing),是一种基于互联网的计算方式,通过这种方式,共享的软硬件资源和信息可以按需求提供给计算机各种终端和其他设备。

先验知识技术

先验(apriori ;也译作 先天)在拉丁文中指“来自先前的东西”,或稍稍引申指“在经验之前”。近代西方传统中,认为先验指无需经验或先于经验获得的知识。先验知识不依赖于经验,比如,数学式子2+2=4;恒真命题“所有的单身汉一定没有结婚”;以及来自纯粹理性的推断“本体论证明”

AlphaFold技术

DeepMind 提出的深度神经网络蛋白质形态预测方法。AlphaFold系统,是DeepMind在2017-2018年中一直在研究的项目,它建立在多年以前使用大量基因组数据来预测蛋白质结构的研究基础之上。 AlphaFold产生的蛋白质3D模型比以往任何一种都精确得多,在生物学的核心挑战之一上取得了重大进展。

动量技术

优化器的一种,是模拟物理里动量的概念,其在相关方向可以加速SGD,抑制振荡,从而加快收敛

百度机构

百度是全球领先的人工智能平台型公司。百度大脑是中国领先的“软硬一体AI大生产平台”,是百度AI的集大成,对外全方位输出超过270多项核心AI能力,服务230万开发者。飞桨是中国首个全面开源开放、功能完备的产业级深度学习平台,是中国自主研发的“智能时代的操作系统”。百度智能云是百度AI To B 业务的重要承载者和输出者,是产业智能化领导者。小度助手是中国领先的对话式人工智能操作系统,拥有中国市场最繁荣、开放的对话式人工智能生态,今年6月,小度助手语音交互次数超过58亿次。作为全球领先的、最活跃的自动驾驶开放平台,百度Apollo代表中国最强自动驾驶实力,被知名研究公司Navigant Research列为全球四大自动驾驶领域领导者之一。目前聚焦在以自动驾驶、汽车智能化、智能交通为核心的三大赛道。自动驾驶技术方面,超过十项中国第一,实力领跑行业。智能交通方面,百度 “ACE交通引擎”是全球首个车路行融合的全栈式智能交通解决方案。

https://www.baidu.com/
5G技术

第五代移动通信系统(5th generation mobile networks),简称5G,是4G系统后的延伸。美国时间2018年6月13日,圣地牙哥3GPP会议订下第一个国际5G标准。由于物理波段的限制,5G 的网络也将会与其他通信技术并用,包含长距离的其他传统电信波段。

量子计算技术

量子计算结合了过去半个世纪以来两个最大的技术变革:信息技术和量子力学。如果我们使用量子力学的规则替换二进制逻辑来计算,某些难以攻克的计算任务将得到解决。追求通用量子计算机的一个重要目标是确定当前经典计算机无法承载的最小复杂度的计算任务。该交叉点被称为「量子霸权」边界,是在通向更强大和有用的计算技术的关键一步。

小样本学习技术

人类非常擅长通过极少量的样本识别一个新物体,比如小孩子只需要书中的一些图片就可以认识什么是“斑马”,什么是“犀牛”。在人类的快速学习能力的启发下,研究人员希望机器学习模型在学习了一定类别的大量数据后,对于新的类别,只需要少量的样本就能快速学习,这就是 Few-shot Learning 要解决的问题。

推荐文章
暂无评论
暂无评论~