在国家层面，早就提出：加快发展新一代人工智能是我们赢得环球科技竞争主动权的主要计策抓手，是推动我国科技跨加倍展、家当优化升级、生产力整体跃升的主要计策资源。
2020年3月4日，在强调加快新型根本举动步伐培植进度的中心会议上，人工智能更是作为重点领域被再次提及和关注。

本期的智能内参，我们推举方证证券公司的研究报告《 人工智能发展报告白皮书 》，从人工智能技能的新发展、面临的寻衅、核心支撑技能、运用处景等多方面解析人工智能的最新发展情形。
如果想收藏本文的报告，可以在智东西（"大众年夜众号：zhidxcom）回答关键词“nc470”获取。

本期内参来源：新华三

原标题：

《 新华三人工智能发展报告白皮书 》

作者： 杨新安 等

一、 人工智能商业化加速将深刻改变人类社会1、 从学术研究走向商业运用

人工智能最早可追溯到上世纪的四五十年代，被誉为“人工智能之父”的艾伦·图灵，在其论文《打算机器与智能》中，提出了非常著名的图灵测试，即被测试的机器是否能够表现出与人类等价或无法区分的智能。

人工智能观点正式提出是在1956年，在美国达特茅斯学院举办的夏季学术研讨会上，约翰·麦卡锡、马文·闵斯基、克劳德·喷鼻香农等学者参与谈论“让机器像人一样认知、思考和学习”，这次会议上首次利用了“人工智能”这一术语。
因此，业内也一样平常都认为1956年是人工智能元年。

人工智能发展的三次浪潮

在过去的六十多年里，人工智能发展跌宕起伏，经历了三次大的浪潮：

第一次浪潮（20世纪50～80年代）： 人工智能的起步阶段，期间提出了人工智能的观点，取得了一些打破性的研究成果，如机器定理证明、跳棋程序、LISP编程措辞、首个谈天机器人等，但当时的算法理论、打算机的性能等成分，无法支持人工智能运用的推广。

第二次浪潮（20世纪80～90年代）： 这阶段紧张以专家系统和日本的第五代打算机为代表。
专家系统匆匆使人工智能从理论研究走向实际运用，并在医疗、气候、地质等领域取获胜利。
但随着人工智能运用范围的扩大，专家系统的缺陷也逐渐显现：运用领域狭窄、推理方法单一、缺少知识性知识等，人工智能的发展又进入了结束状态。
在这阶段也涌现了神经网 络算法，但是由于当时打算机的性能限定，终极也没有较好的落地效果。

第三次浪潮（2000年～现在）： 随着信息技能发达发展，为人工智能的发展供应了根本条件。
这阶段人工智能的理论算法也在不断的沉淀，以统计机器学习为代表的算法，在互联网、工业等诸多领域取得了较好的运用效果。
2006年，多伦多大学Hinton教授提出了深度学习的观点，对多层神经网络模型的一些问题给出理解决方案。
标志性事宜是在2012年，Hinton课题组参加ImageNet图像识别大赛，以大幅领先对手的成绩取得了冠军，使深度学习引起了学术界和工业界的轰动。

近几年，以深度学习为代表的人工智能算法，在图像分类和识别、语音识别、自然措辞处理等领域取得了巨大的进步。
究其缘故原由，一方面打算机的性能得到了极大的提升，新型人工智能芯片、云打算技能都为大规模神经网络打算供应了根本平台；另一方面是互联网、大数据技能的发展，积累了大量的数据资源。
算法、算力和数据三者的结合，直接匆匆成了这次浪潮，将人工智能再次推向繁荣期。

根据人工智能的研究领域、周边技能和涉及的家当，可以将人工智能的技能体系分为三个层次，如图2所示，详细包括：根本层、技能层和运用层。

运用层： 人工智能技能与行业深度结合，针对详细的场景来实现智能化的方案，目前紧张的运用行业领域包括安防、金融、医疗、交通、教诲、制造、互联网、电力等，未来将会拓展到更多的领域。
当前，人工智能产品种类也比较多，比如机器人方面，包括家用机器人（扫地、陪伴、教诲等用场）、工业机器人等；再如自动驾驶汽车，个中就利用到了大量的人工智能技能，包括通过打算机视觉技能来识别车道线、交通标志、旗子暗记灯等，进一步利用人工智能算法进行决策剖析，做出精确的动作指令。
未来将会有更多的人工智能产品进入生产生活当中。

技能层： 家当界和学术界都比较关注的层面。
底层包括各种机器学习/深度学习的开源框架等。
以学术界为代表，对人工智能的底层理论算法的研究，包括近年来比较主流的深度神经网络算法、传统机器学习算法，正是由于这些根本理论取得打破，才使得当下人工智能技能在家当化方面取得突飞年夜进的发展。
运用算法层紧张的研究领域包括打算机视觉、语音识别、自然措辞处理、决策方案等，涉及感知、认知、决策不同的智能方向。

人工智能技能体系层级

在每个研究领域中，又有很多细分技能研究领域，比如打算机视觉领域，包括图像识别、目标跟踪、***理解、行为剖析、图像超分、多维特色识别等等。
技能层是人工智能中最为令人关注的，也是最具寻衅的，其利害直接决定了行业运用落地的成效。

根本层： 作为人工智能家当的底座支撑，包括硬件、软件和数据的技能支持。
硬件紧张是为人工智能运用供应强大的算力支撑，包括打算资源如GPU、FPGA、ASIC等加速芯片，网络资源，存储资源，以及各种传感器件；系统平台包括操作系统、云打算平台、大数据平台等；数据资源是人工智能技能（尤其是深度学习）得到长足发展不可或缺的组成部分，犹如为发动机供应充足的“燃料”。

2016年，谷歌AlphaGo以4:1的成绩降服了人类顶尖围棋选手李世石，让人工智能走进了大众的视野。
人工智能如今已不再勾留在学术研究阶段，开始大规模的运用到商业环境中。

人工智能技能只有在实践中办理了详细的问题，才能产生代价。
因此得当的商业场景是人工智能技能落地的关键。
当古人工智能技能紧张因此深度学习方法为主，通过大规模数据驱动的机制，挖掘数据中蕴含的潜在规律。
这种方法，机器并没有真正的推理和思考的能力，并没有人类所具有的高阶智能，一样平常只能办理特定领域内的问题。

目前取得较好成效的紧张在单任务、单领域的视觉感知方面上，有些已经做到了非常极致，乃至超越人类，比如图像识别技能在安防、交通流量监测、闸机身份验证等特定场景中，可以代替人工完成这些重复性的事情，取得了很好的效果。
但在认知方面孔前效果不尽人意，还达不到像视觉感知领域的效果。
随着谷歌BERT等算法的打破，对付自然措辞语义的理解和认知方面，也渐有转机。

由于目前人工智能算法机制对数据集的重度依赖，须要有足够的数据，而数据都是在行业场景中积累产生的，比如医疗影像数据、金融交易数据等。
因此，将人工智能技能与行业场景结合才能发挥人工智能的代价。
并且只有在场景历练通过不断的反馈机制，使数据形成闭环，才能持续不断迭代优化和提升算法精准度。

2、 对人类社会产生深远影响

人工智能对企业变革影响巨大，在未来15年内，人工智能和自动化技能将取代40-50％岗位，同时也带来效率的提升。

例如，在工业制造领域，AI技能将深度赋能工业机器，将会带光降盆效率和质量的极大提升。
采取AI视觉检测替代工人来识别工件毛病，带来的益处：

识别精度，基于图像数字化，可以达到微米级的精度；

无感情影响，可以永劫光保持稳定事情；

检测速率，毫秒级就能完成检测任务。

随着人工智能技能的遍及，人们的居住、康健、出行、教诲、娱乐等多方面的生活办法都将从中受益。

智能家居将会是人工智能技能运用的一个主冲要破口。
未来，聪慧家居助理会统筹管理所有智能家居设备，使其协同事情，根据不同的活动场景，为人们营造更加舒适和安全的居住环境。
人们不再是通过双手去操作利用各种电器，而是通过更加自然的办法与聪慧家居助理互换，轻松地让各种电器完成任务。

医疗也将是人工智能大展技艺的领域。
AI技能的推广，可以很大程度缓解当下的医疗资源紧缺、医护职员事情强度大等问题，使更多的民众受益。
其余，通过康健穿着设备，监测人们的生理数据，对人们的日常康健状况进行检测管理，做到疾病的提前预防。

人工智能在粮食保障、能源利用、气候预测、环境污染、自然资源保护等领域上运用，可有效改进人类生存环境，促进人与自然和谐共生。

农业是人类赖以生存的根本，为人类供应每天所需的食品。
据《2019年环球粮食危急报告》显示，环球仍有1亿多人处于重度饥饿状态。
自然磨难和气候变革是导致粮食不屈安的部分关键成分。
人工智能在一定程度上可以改进农业所面临的问题。
例如2019年底在环球较大范围内发生的非洲蝗虫自然磨难，造成部分地区粮食大幅减产。

有些机构组织开始动手研究如何利用人工智能技能结合卫星遥感地理信息，对类似的自然磨难进行预警，减少农业丢失。
其余，利用人工智能技能对小地域范围内实时、精准的气候预测，可以辅导农业履行过程，在什么韶光适宜进行播种、施肥、灌溉、采摘等。
人工智能还可以用于筛选优秀种子，达到粮食增产的目的。

3、 人工智能面临的寻衅

正由于人工智能技能能够对人类社会产生巨大效益，国家政策、成本等方面也大力支持，企业积极布局人工智能计策，增加研发投入、加快商业落地。
人工智能家当一片向好的景象。
但在繁荣的背后，人工智能也面临诸多寻衅。
据《IDC中国人工智能软件及运用市场半年度研究报告，2019H1》显示，面临的寻衅紧张有缺乏人工智能技能职员、缺少高质量数据集、运用处景、本钱等多个方面。

《IDC中国人工智能软件及运用市场半年度研究报告，2019H1》市场调研

面对这些寻衅，我们该当理性对待，探求得当的办理方法，打造有利于人工智能康健发展的良好环境。

场景化落地面临的寻衅。
目前，人工智能商业落地效果比较好的是安防、金融等行业领域，在其他领域的部分场景中，落地效果并不是太空想。
究其缘故原由，一方面是安防、金融等落地效果好的领域，都是有良好的数字化根本的，多年来积累了大量有代价的数据，利用人工智能技能来挖掘数据代价自然是迎刃而解。

另一方面，是对当古人工智能算法所能办理问题的边界没有厘清，与用户期望的有偏差，用户期待的效果，可能当前AI算法还达不到成熟标准，而AI算法能办理问题的场景，还有待进一步挖掘。
对此，建议各行业领域的企业，在履行人工智能运用落地过程中，优先完成数字化改造，积累行业数据，然后再履行合理的智能化业务。

技能方面的寻衅 。
在人工智能技能层面上，也面临一定程度的风险，紧张表现在数据和算法上。
首先， 当前算法严重依赖有标注的数据 。
数据在人工智能商业化落地中有着不可替代的浸染，目前人工智能算法以有监督的深度学习为主，即须要标注数据对学习结果进行反馈，在大量数据演习下，算法才能取得预期的效果。
算法从大量数据中进行学习，挖掘数据中蕴含的规律。
数据决定了人工智能模型精度的上限，而算法则是不断逼近这个上限 。

其次， 高质量数据需求导致数据本钱高昂 。
为了提高数据的质量，原始数据须要经由数据采集、洗濯、信息抽取、标注等处理环节。
得益于大数据技能的快速发展，当前采集、存储海量数据已经不再是难事。
在韶光和本钱上，数据标注成了制约环节。
目前数据标注紧张是人工标记为主，机器自动化标注为赞助。
但是人工标注数据的效率并不能完备知足算法的需求，研究提升机器自动化标注的精度，是提高效率的主要思路，也是数据标注的一个主要趋势。

数据噪声、数据污染会带来人工智能安全问题。
人工智能演习模型时用到的演习数据，如果数据本身有较大的噪声，或者数据受到人为毁坏，都可能会导致模型决策涌现缺点。
由于一些客不雅观成分，演习数据中不可避免含有噪声，如果算法模型处理的不得当，可能会导致模型漏洞，模型不足健壮，给黑客有了可乘之机。
其余，也存在黑客故意在演习数据中植入恶意数据样本，引起数据分布的改变，导致演习出来的模型决策涌现偏差，进而按照黑客的意图来实行。
从数据源角度进行攻击，会产生严重的后果。
例如在无人驾驶车辆上，会诱使车辆违反交通规则导致事件。

当前深度学习算法有一定局限性。
深度学习算法通过构建大规模多层次的神经网络模型，从大量数据中学习履历规则，从而达到拟合繁芜的函数来办理实际问题。
深度学习模型的学习能力强，效果也非常好，但在实际运用过程中依然面临资源花费、可阐明性、安全等方面的寻衅。

深度学习演习的时候须要处理大量的数据，模型单元也会做大量的打算，以是会耗费大量的存储和打算资源，本钱高昂。
纵然是在模型推理阶段，打算量相对较小，但在边缘、端侧支配深度学习模型，仍旧须要对模型经由压缩、剪枝等出来，来进一步降落打算量。
目前海内很多企业在研究端侧的AI芯片，提升边缘侧的打算能力，相信未来打算力的问题会得到办理。

人工智能模型的可阐明性，是指人类能够理解机器做出决策缘故原由的程度。
由于深度神经网络模型非常繁芜，参数量巨大，导致模型成为“黑箱”，我们很难获知模型预测结果的准确缘故原由，也不知道模型会在什么时候或条件下会出错。
这就导致了在一些如医疗、无人驾驶等关键场合中，利用深度学习都比较谨慎。
当然在学术界，也在积极研究可阐明性的人工智能，包括如何改进用户理解、信赖与管理人工智能系统。

深度神经网络非常随意马虎受到对抗样本的攻击的。
一些图像或语音的对抗样本，仅有很轻微的扰动，以至于人类无法察觉这种扰动。
但对付模型却很随意马虎觉察并放大这个扰动，进而处理后输出错误的结果。
这个问题对付在一些关键场合下危害非常大。
对抗与攻击也是深度学习研究领域的一个热点，已经有很多戒备攻击的方法来降落风险。

4、 社会规范方面的寻衅

人工智能技能是一把双刃剑，一方面能推动社会进步和经济发展，另一方面也会带来法律、隐私保护、伦理等的风险。
人工智能技能的运作效率极高，如果被不法分子利用了，发起网络攻击或者盗取机密信息，将会产生巨大的危害。
其余，深度学习依赖于数据，在数据采集过程中，不可避免的会网络到用户的一些隐私数据，涉及个人的生活习气、康健等数据，如果这些数据不加以监管被乱用，势必会造成隐私陵犯。
针对这方面风险，国家也在研究应对方法。
在《新一代人工智能发展方案》中明确指出，到2025年，我国初步建立人工智能法律法规、伦理规范和政策体系，形成人工智能安全评估和管控能力。
在2019年6月，《新一代人工智能管理原则——发展负任务的人工智能》发布，提出了人工智能管理的框架和行动指南。

相信随着技能上的进步，法律、社会规范的出台，人工智能将会朝着安全可靠、公正、保护隐私等正向发展，促进人类福祉。

二、 人工智能家当化落地ICT技能是关键支撑1、 算力打破推动算法创新，匆匆成第三次AI浪潮

在2012年，Hinton课题组参加ImageNet图像识别大赛，其AlexNet模型以大幅领先对手的成绩取得了当年的冠军，使得深度学习算法一韶光轰动全体学术界和工业界。

深度学习算法实质上也是神经网络，早在上世纪80年代就已经出身。
AlexNet模型利用了比以前更加深层的网络，参数量高达千万级，利用了大规模的图像样本进行演习，当然也有一些细节上的算法创新。
当时支撑AlexNet模型的实现，是基于两块英伟达GTX 580的GPU，完成了当时CPU难以短韶光完成的任务。
从此，业内普遍认同了两方面的事实：一方面是神经网络的模型规模增大有助于提升识别效果；另一方面，GPU卡可以供应非常高效的算力，用来支撑大规模神经网络模型的演习。

近几年，业内各厂家意识到算力的主要性，分别推出多种加速卡如GPU、谷歌的TPU等，用于加速人工智能打算，直接推动了人工智能算法飞跃式的创新。
从2012年到2018年期间，以打算机视觉为主的感知类智能取得了突飞年夜进的发展，有些领域如多维特色识别等，其识别率远远超越了人类水平。

在2018年末，谷歌发布的BERT模型，在11项不同的NLP测试取得最佳成绩，直接推动了NLP认知类智能的打破。
在这惊人成绩的背后，是强大算力供应的支撑。
跟据作者描述，BERT-Large模型是在33亿词量的数据集上演习的，拥有3亿多的参数。
试想一下，如果没有能支撑这么大打算量的算力资源，大概很难验证算法的效果，算法创新也就更加不易。

其余，数据的爆发式增长，对算力的依赖也十分强烈。
根据IDC报告显示，“数据总量正在以指数形式增长。
从2003年的5EB，到2013年的4.4ZB，在2020年将达到44ZB”。
面对海量的数据，利用人工智能算法挖掘个中的代价，也必须有强大的算力支撑才能实现，这也直接关系到人工智能运用的创新和发展。

当前这种以深度学习演习算法为主的期间，对算力和数据的需求是惊人的。
OpenAI对近年来的模型演习和算力需求做过一个剖析总结，自2012年以来，最大规模的AI演习运行中利用的打算量呈指数增长，且翻倍韶光为3.4个月，远快于芯片工艺的摩尔定律。

为了支撑巨大的算力需求，一种行之有效的方法便是采取异构打算集群。
在人工智能领域中，异构打算是指联合了通用的CPU和面向AI运算加速的GPU/FPGA/ASIC平分歧打算体系构造处理器的打算系统。
其余，单颗芯片的打算能力是有限的，且随着摩尔定律失落效，仅从芯片角度来提升算力相对来说比较困难。

业界一样平常采取打算集群的办法来扩展算力，通过把成千上万颗打算芯片，整合在一个别系中，为人工智能模型的演习和推理运用供应支持。
目前，鉴于GPU的通用性、性能和生态等成分，面向人工智能的异构打算集群，仍旧以CPU+GPU的办法为主流，但在一些特定运用处景中，CPU+FPGA/ASIC的办法也有一定的上风。

其余，异构打算集群实现算力的扩展，不单是硬件设备上堆砌。
由于人工智能特有的打算模式，设计面向人工智能打算的集群须要差异传统通用打算集群，如在进行模型演习的时候，集群打算节点间须要大量且频繁的周期性数据同步等，都是须要考虑的成分。
为了提升性能，须要考虑系统软件和打算框架层面上的优化，如何合理的调度AI任务来最大化地利用打算资源。
同时也还须要考虑高性能的网络和存储，来保障集群整体性能。

提升算力的另一条路子，便是从芯片层面去实现。
相对付传统程序，AI打算有着明显的特色，导致传统处理器无法知足：当前很大一部分AI运用，处理的是***、语音、图像等非构造化数据，打算量巨大且多数为矩阵运算，非常适宜并行处理；其余，深度学习模型参数量非常多，对存储单元访问的带宽和时延直接决定了其打算的性能。

为此，一方面可以通过不断的改进优化现有打算体系芯片的打算能力，从早期的CPU，到专用于并行加速打算的GPU，以及在特定场景运用的FPGA和ASIC芯片，都是在朝着适应AI打算模式的方向优化，加速AI运算过程。
这种办法是目前AI打算加速的主流办法。
另一方面可以采取新型打算架构，如类脑芯片、量子打算等，从根本上颠覆现有打算模式。
2019年8月，清华大学类脑打算研究中央研制的Tianjic芯片登上了《自然》杂志，展示了类脑芯片的潜力，是未来AI芯片的一个主要方向。

AI加速芯片及运用处景

不同的打算场景对算力的需求特点是有差异的：

在云端/数据中央的演习场景中，更多的关注算力的性能、精度、扩展性、通用性、可编程、能耗效率等；

在云端/数据中央的推理场景中，对算力考量的侧重于吞吐率、延时、扩展性、能耗效率等；

在边缘真个推理场景中，考虑更多的是延时、能效、本钱等。

随着市场的强劲需求和国家政策的勾引，海内研发AI芯片呈“井喷”趋势，浩瀚厂家加入到了造芯行列当中。
针对不同的人工智能运用处景，各个厂家都在打造各具特色的芯片。
尤其是随着物联网的遍及，端侧运用处景更加繁杂，AI芯片百家争鸣的态势，有助于办理AI多样化的算力需求。

2、 大规模AI演习场景，对网络和存储提出寻衅

数据、算法、算力是人们常说的AI发展三要素，一定在AI中起着至关主要的浸染。
那么除了这些，是否还有其他成分关系其发展呢？我们试想，AI是一辆火车，数据、算法、算力、好比其燃料、发动机，有更多，更好质量的燃料，才能让火车跑的更远，更前辈的发动性能力使火车跑的更快。
不过，在实际火车运营中，仅仅这些是不足的。

火车要在铁轨上运行，也便是有了更好的路，火车才能四通八达、通畅无阻。
AI面对实际运用也是如此，其爆棚的数据量和超高的算力哀求都不是一台普通的做事器能够完成的，须要大规模的集群，集群中做事器、存储设备间的互联网络便是AI中的“路”，而这些当前的“路”是不能知足大规模AI演习场景需求的。
除了“路”之外，火车是用来运输货色或者人，那车厢本身的存储容量以及装卸车的速率也是火车运营的主要指标。
对应到AI运用中便是存储容量及数据读写访问技能。

大规模AI演习场景对网络之“路”哀求很高，有多方面缘故原由。

首先，AI干系业务常日包含大量的图像、***等非构造化数据，数据量上有一个指数级的增长，须要担保这些海量非构造化数据顺畅、快速通过才能使AI系统平稳运行。

其次，AI运算比较以往运算更加繁芜，一次智能化业务背后要几百个模型打算，每次打算并非一台做事器能完成的，须要弘大算力和繁芜的异构打算，背后实现每每是通过大规模集群并行处理的，那么集群中的做事器快速通信就成为完成一次打算任务的关键要素之一。

第三，AI业务很多须要实时学习，算法在框架层和运用层须要保持高精度同等。
这些哀求都是现存以太网所不具备的，个中千分之一的网络丢包对AI的影响都是巨大的。
这个犹如以前的马车走土路，压过一块小石头，或许便是有个小颠簸，不会发生什么大问题，但是如果铁轨上有一块小石头，可能就会造成火车的***，后果不堪设想。

当前铺设的这条网络“路”紧张技能有TCP/IP及以太网，这是最常用的网络传输技能，其优点是运用范围广，本钱低，兼容性好，缺陷也很大，网络利用率低，传输速率不稳定等。
InfiniBand是一个用于高性能打算的网络标准，做事器间、 做事器与存储设备间、存储设备之间均可以利用其进行传输。
它的优点便是传输性能好，可惜在大规模运用中支持不好，而且须要特定网卡和交流机的支持，成本相对高昂。
还有诸如Intel提出的Omni-Path等技能，都是为了优化网络性能，不过均存在各种兼容、本钱等问题。

要知足AI的大规模演习需求，我们须要一种综合的网络办理方案，既能广泛大规模利用，价格低廉、本钱可控，又能够完成高性能AI打算的需求。
这首先要担保网络达到90%以上的带宽有效利用率的同时，网络中无丢包，并确保低时延。
通过RoCEv2、Lossless无损网络流控技能综合方案可以实现上述需求。
RoCEv2即RoCE（RDMAover Converged Ethernet，基于以太网的远程直接内存访问）的第二个版本，较第一个版本支持跨IP子网的通信能力。
该技能紧张办理两大问题：

1、 通过远程直接的内存访问绕过操作系统内的多次内存拷贝，远程节点的CPU无需参与，降落CPU负载，数据直达对端运用buffer。
测试显示数据从CPU到网卡出口韶光通过RoCEv2技能可以有效提升8倍，RoCEv2在提高网络吞吐量的同时极大的降落了数据包传输延时。
如图5所示，传统TCP/IP与RDMA办法的数据移动比拟。

2、 RoCEv2是RDMA在以太网上传输的实现，支配时仅两端点须要采取专用的网卡硬件，中途路径采取原有以太网线路及设备即可，相较InfiniBand等技能大大降落了本钱。

传统TCP/IP与RDMA办法数据移动比拟

RoCEv2办理了本钱、延时、吞吐等问题，这样还是不足的，上面提到面对大规模AI打算，网络中是不能涌现丢包。
这就须要Lossless无损网络流控技能来担保。
如图6所示，无损网络办理方案支配参考。

无损网络支配参考

实在现包括如下几个方面：

1、须要支持PFC流控能力，当某一优先级报文发送速率超过吸收速率时，通过向上一跳发Pause帧关照上一跳设备停息发送本优先级报文，实现不丢包机制；

2、开启快速ECN能力，向做事端快速进行通知布告反压，担保流量将要涌现丢包时，快速关照发送端进行降速；

3、用户可选择开通ETS将网络中的流量优先级分身分歧的优先级组，为每组分配一定带宽，如果一个组未花费完为其分配的带宽其他组可以利用这些未利用的带宽，达到资源的合理分配及充分利用；

4、交流机与做事器网卡之间，通过开启LLDP协议的DCBX TLV，其报文中携带ETS/PFC配置状态，实现全网的DCBX能力通知布告和协商，担保网络无丢包。

5、常日的一个演习模型须要千万乃至上亿的文件数量，面对这样的海量数据访问，传统分布式文件存储架构（如HDFS，MooseFS等）就显得相形见绌了；

6、 很多的演习模型都依赖于图片、音***片段，为了进行更有效的特色剖析，即便是大文件也会被切片成小文件。
有些特色文件小到几十、几百字节，也有很多都在几KB到几MB之间。
而传统分布式存储是针对大文件设计的，集群容量是其紧张考虑的问题，面对AI演习场景，80%以上是小文件，紧张办理的是文件系统支持海量小文件的问题；

7、 业务部门数据组织存储的不愿定性，导致系统管理员不知道数据怎么存储的，很可能将大量文件放在同一个目录节点上，这样在AI进行演习时，会同时读取一批数据，数据所在目录的元数据节点成为“热点”被大量访问，从而导致演习性能涌现问题。

这几个问题就犹如过去的绿皮车时期，车次少，搭客少，停车韶光还长，那么高下车就没什么特殊哀求，大家逐步上，逐步下，反正韶光很充裕。
而当代高铁时期，车次多，有的地方乃至十五分钟旁边一班车，车厢长了，搭客还都满员，每站停车韶光几分钟，有些乃至1分钟，这样就哀求有合理的高下车次序和分流等手段进行优化。

针对AI对存储访问的分外运用需求，同样须要针对性的进行优化。
如将单点MDS（Metadata server，元数据做事器）进行横向扩展，形成MDS集群。
MDS集群可以缓解CPU、内存压力，同时存储更多的元数据信息，并提高海量文件并发访问性能。

这点像火车乘车进站以前的一个两个检票口，现在扩充到十个旁边，减轻一两个检票口的压力，同时能够一起进出更多的搭客。
针对小文件，可进行小文件内联、聚合，客户端读缓存等优化手段。
这点可以理解为，老人小孩的，一家人一起提前检票进站。
而“热点”访问问题，可采取目录镜像扩展或增加虚拟子目录的办法。
同样映射到坐火车场景，可以理解为乘车时点餐做事。
以前是大家都到餐车排队购买，现在是将二维码都贴到每个座位上，自己利用手机扫码就可以点餐，到时乘务员会按照座位把餐送来。

综上，我们可以看到，真正的AI时期，不仅仅是其三要素数据、算法、算力技能发展就能知足的，同时对AI的运行环境也提出了更多寻衅。
当前是把AI效能发挥最大的一系列技能共同发展的时期，而非仅AI技能本身，干系技能要协力前行。
无论是网络还是存储技能应走到更前面，在环球家当智能化转型中充当开路者的主要角色，为AI供应更顺畅的运行环境。

3、 云边端协同，知足多样化的AI运用处景

云打算的核心依赖云端超强的打算能力来完成打算哀求很高的任务。
进入云打算时期，由于云打算在本钱、效益、规模、自动化和集中性等方面给企业带来的好处，大量人工智能做事完备支配在云上或者在很大程度上依赖于云。
与此同时，随着物联网等技能的不断发展、数据的不断增加，如何在数据从天生到决策再到实行的全体过程中，保持尽可能小的延迟，就显得尤为关键。
在一个只有“云”的天下中，数据可能要传输几千乃至上万公里，较大的延迟是在所难免的。

对付一些时延敏感的人工智能运用处景，如自动驾驶汽车，对实时性哀求极高，纯粹依赖云真个能力是难以知足的。
其余，一些数据敏感的场景中，将数据上传到云端进行智能打算，也会面临一定程度的风险。
云端做事在这些人工智能场景中的运用效果大打折扣，而边缘打算则可以有效办理这一问题。

边缘打算作为云打算的延伸拓展，是一种分布式处理和存储的体系构造，它更靠近数据的源头。
它是将打算任务从数据中央迁移到靠近数据源的边缘设备上，因此它更善于处理实时性、安全性哀求较高的打算任务。
基于边缘打算的办法，大大降落了网络延迟，处理数据更加快速，支持企业更快更好的做出决策。

边缘打算模型

在人工智能运用处景中，将一些重量级的AI演习任务，或者对时延不敏感的任务，放置在云上进行，而将一些轻量级、或者对时延敏感、或者对数据安全有哀求的AI打算任务，下沉到边缘设备或者终端设备中实行，通过边缘、终端和云端协同来实现快速决策、实时相应。
在万物智联时期，只有云、边、端紧密协同事情，才能更好地知足各种AI运用处景的需求，从而最大化AI的代价。

云边端协同事情将成为人工智能运用支配的主要办法，可以知足云端AI短板，即时延或数据安全等方面，为支持更多有严苛哀求的AI运用处景铺平道路，提升运用效果。

云边协同的智能安防运用

在聪慧安防场景中，传统办法下须要将大量摄像终端采集到的***数据，通过网络直接传输至云端或做事器进行存储和处理，不仅加重了网络的负载，也难以知足业务低时延快速相应的需求。
通过增加边缘打算节点，将摄像采集终端采集的数据汇聚到边缘节点，从而有效降落网络传输压力和业务端到端时延。

此外，聪慧安防与人工智能相结合，在边缘打算节点上搭载AI人工智能***剖析模块，面向智能安防、聪慧安防、轨迹跟踪、多维特色识别等AI范例业务场景，以低时延、大带宽、快速相应等特性填补当前基于云端AI的***剖析中产生的时延大、用户体验较差的问题，实现本地剖析、快速处理、实时相应。

云边协同的智能水利运用

在聪慧水利场景中，5G、聪慧安防、边缘云和AI剖析紧密结合，可以智能的识别出水利业务中的非常场景（河道漂浮物、钓鱼、拍浮、造孽采砂等），做到无人值守，实时告警。
采取边缘打算（MEC）的网络构造在河道附近支配无线摄像头，在运营商本地机房支配MEC平台。
实时性哀求高的业务支配在边缘云，其他业务支配在中央云，实现云边协同。
***流经MEC分流后，将流量进行本地化分流，在本地完成AI智能剖析，履行将告警信息上送中央云。
在本地进行业务流量的分流和处理，不仅提高了相应速率，而且减轻对运营商核心网络的数据传输压力。

在智能家庭场景中，边缘打算节点通过各种异构接口就近汇聚、存储和处理边缘节点上的各种异构数据，实行AI任务，对敏感数据就地处理，不出本地，有力地保护数据隐私，同时将处理后的非敏感数据统一上传到云平台。
用户不仅仅可以通过网络连接边缘打算节点，对家庭终端进行智能掌握，还可以通过访问云端，对过往非敏感数据进行访问。

在聪慧交通场景中，汽车作为边缘打算节点，通过集成的采集装置采集实时数据，并与路侧边缘节点进行交互。
边缘打算节点进行***确当场处理和识别，将识别的车辆和位置信息通过5G等通信手段回传到云打算中央。
云打算中央通过大数据和人工智能算法，为边缘节点、交通信号系统和车辆下发合理的调度指令，从而提高交通系统的运行效率，最大限度的减少道路拥堵。

4、人工智能运用遍及，安全备受关注

人工智能技能发展迅速，目前在各行各业的运用已经日益遍及，但人工智能系统和技能自身的安全风险也越来越成为不能回避和不可忽略的风险，乃至在某些场景下还会带来很大的问题。

人工智能系统自身面临的安全风险

目前人工智能在智好手机、办公设备、智能家居上的运用越来越多，很多人家里都有了智能音箱，其余不少电视、冰箱、电饭煲、空调、窗帘等都具备了人工智能的功能，人们利用语音或者手势就可以指挥它们帮人们完成查询景象预报、查找信息，乃至煮饭做菜，调节室底细况等。
由于这些智能设备为了随时相应主人的召唤，须要实时在线，加上其日益强大和不断升级的语音、图像和***的感知、认知能力，有可能对主人家里每个人的一举一动管窥蠡测，用户在享受了人工智能带来的便捷做事的同时也带来了自己和家庭隐私透露的隐患。

人工智能平台和模型泄密风险紧张有：模型盗取攻击和用户数据盗取攻击。
指的是攻击者基于反复查询并剖析人工智能系统的输入、输出参数和其它外部信息，从而推测和预测出系统的模型参数、演习参数和演习数据等信息。
目前很多云做事商供应了AI即做事（AIaaS），由AI做事商卖力模型演习、识别等做事，对"大众年夜众开放，用户可利用开放接口进行各种人工智能识别等操作。
但通过反复调用AIaaS的识别接口，有履历的攻击者就可能通过多次返回的信息从而还原出AI模型的各种参数等关键特性，从而把AI模型盗取到。
或者纵然不能完备盗取到原模型，也可以通过盗取到的信息构建机器学习的对抗样本或模型，从而对人工智能系统进行下一步更深层次的攻击。

在用户供应演习数据的情形下，攻击者可能通过反复查询演习好的机器学习模型，获取到用户的隐私数据。

当前的人工智能模型和算法非常依赖于输入数据的真实性、完全性和全面性。
从攻击者视角，恶意的数据注入是进行对抗样本攻击的主要手段。
数据真实性风险紧张表示在演习数据真实性和判断数据真实性两个方面。

攻击者在演习数据中掺入的恶意数据，可能会大大影响机器学习模型演习的有效性，降落人工智能模型的推理能力。
例如，研究者创造，只须要在演习样本中掺杂少量的恶意样本（药饵攻击），就能很大程度传染AI模型的准确率。
通过加入药饵数据，在人工智能康健数据库运用中，攻击者可以使模型对超过一半的患者的用药量建群情述超过四分之三的变革量。

在机器模型的判断阶段，对被判断数据样本加入少量噪音，即可能大幅改变判断结果的准确性，乃至涌现风马牛不干系的结果。
比如著名人工智能科学家Ian Goodfellow曾发布论文，通过图像生动阐述了基于判读数据投毒的对抗样本攻击观点，一张原来是熊猫的图片，在加入了少量滋扰白噪声后，人眼看还是熊猫，但机器学习模型直接将其识别为长臂猿，且可信度高达99.3%。

包括TPU等AI专用芯片，GPU，CPU，FPGA，还有大到AI打算做事器集群，小到我们的智好手机、终端，都可能存在软硬件设计毛病、安全漏洞、后门。
例如处理器硬件的安全风险，可能很多人并不陌生，如2018年环球最大处理器生产商英特尔爆出的Meltdown漏洞，该漏洞被认为是史上最严重的处理器漏洞之一，实质上是英特尔处理器的预测实行技能设计毛病，但由于预测实行读取的数据防护不当，毁坏了位于用户和操作系统之间的基本隔离，从而可能许可恶意代码访问主机任意内存，进而盗取其他运用程序以及操作系统内核的敏感信息。
这个漏洞“熔化”了由硬件来实现的安全边界。
许可低权限用户级别的运用程序“越界”访问系统级的内存，从而造成数据透露。

而且漏洞修复会不可避免地造成处理器性能的降落。
其余，研究职员创造，在芯片制造过程中也可植入后门，或者硬件木马。
攻击者只须要通过短韶光在处理器上运行一系列看上去非常安全的命令，就能够地触发处理器的某个隐蔽逻辑，从而得到操作系统的高等权限。
而更加让人担心的是，这种非常眇小的硬件后门基本无法通过任何硬件检测和安全剖析手段检测出来，并且可能只须要芯片工厂中的某位普通员工就能完成此项任务。
至于软件设计、编码过程中由于欠妥心、不遵守设计和编程规范等，无心埋入的软件Bug，乃至别有用心的软件后门的植入，一贯都是软件开拓和运用全生命周期中须要办理的重大课题，在人工智能软件系统中也不例外。
而且由于人工智能系统的黑盒性和不可阐明性，使得软件后门更难以被检测。

腾讯安全平台部预研团队曾创造某著名人工智能系统框架存在自身安全风险，可被黑客利用，天生恶意模型文件，对利用该框架和平台的人工智能研究者进行攻击，受害者自身的人工智能运用可能被盗取或恶意修改、毁坏。
该漏洞危害面较大，一方面攻击本钱低，不须要太博识的人工智能技能能力，普通攻击者即可履行攻击；另一方面迷惑性强，利用该平台的大部分人工智能研究者可能毫无防备；同时由于利用了该框架自身的跨平台机制，其在PC端和移动端版本均会受到影响。

人工智能架构、操作模式和运作流程设计的不合理。
比较范例的例子有，去年某著名快递企业的快递柜，被人创造利用用户的照片就可以轻松通过其多维特色识别系统的安全验证，从而取走物品；目前还有一些企业的无打仗考勤系统也未能基于三维特色来进行识别，也存在类似问题，这种由于各种缘故原由导致的架构或事情流程设计毛病使得人工智能系统的安全性存在漏洞，随意马虎被不法分子利用。

其余，AI模型的可检测性、可验证性、可阐明性普遍不敷，在目前AI运用上风领域的语音、图像、棋类竞技类场景，可阐明性差可能问题不大，由于结果一样平常是可以快速取得并且显而易见的，只要AI系统识别的结果是好的，人们可以忍受它连续以黑盒形式存在。
但对付有些场景，不可阐明性则会带来一些法律上或者业务逻辑上的关键风险。
例如在银行给用户发放贷款前的AI评估系统中，如果AI模型无法给出做出相应判断的依据和来龙去脉，那就无法得到用户的充分信赖，如果连其深层次的判断事理和规则都无法得知，该系统也就很难说是一个安全的系统。

综上可见，人工智能技能是一把双刃剑，用好了可以造福人类，而如果用不好，乃至被恶意利用，也会给个人、企业、社会乃至国家的安全带来危害。
未来我们须要更多地从根本技能到顶层设计上，从AI运用的全流程上考虑，对人工智能系统和技能进行端到真个安全设计和优化，以使人工智能技能能朝向构建信赖和理解，尊重人权和隐私的办法进一步发达发展。

智东西认为， 近几年来，随着数字化根本举动步伐的不断完善，再加上以深度学习为代表的算法上的打破，人工智能技能日渐成熟，已经在安防、金融、客服、工业制造等领域，取代了大量重复性高、繁琐呆板或者大量利用人工并不经济的事情，不仅降落本钱，而且生产效率提升也十分显著。
随着5G商用落地，高带宽、低延迟、大接入的特性将会进一步拓宽人工智能运用处景的边界，未来3-5年，为人工智能技能在家当智能化的爆发奠定坚实的根本。