|
人工智能专用芯片与智能传感器的发展，大幅提高了端侧设备的计算资源容量。同时，模型压缩后的人工智能算法支持轻量化和低成本化部署。
终端设备开始内置嵌入深度学习算法，可以对采集的数据进行实时处理实时应用。边缘层作为智能终端最近的上层协同节点，实现对端侧上报的数据样本完成动态增量学习。边缘层按需将高质量结构化的数据及分析结果传回云端，通过全域知识模型作为协作模型，云端利用协作生成的软标签帮助模型建立旧类间的潜在关系，实现增量训练中对旧类识别任务的进一步巩固和精度提升，全面提高计算效率和反应速度。
1、人工智能商业化应用加速落地
Al+行业正在聚焦多元化的应用场景，不同产业及领域的智能化转型将大规模提高人工智能的用户基数为人工智能领域的发展提供巨大的空间，并逐渐向其他相关产业辐射。
金融服务、电信、汽车装配、能源等高科技领域是当前人工智能应用范围最为广泛和领先的，引领人工智能行业相关应用层产业迅速发展。
交通、医疗、金融、安防等领域的人工智能商业化应用正在加速落地，随之人工智能拥有大规模高质量的用户基础，给其余相关产业的智能化转型带来巨大空间。
来源/头豹研究院
2、自动驾驶技术向完全自动化方向发展
自动驾驶的终极目标是在目前的开放交通环境中完全可用，实现这个目标需要在车辆本身和交通环境适应性改造方面同步进行。而在实现完全自动化的进程中，需要考虑四大问题来论证自动驾驶在开放交通环境应用的可行性∶便利性、安全性、可靠性以及法律/道德责任。
“车联网”将驱动汽车软件化的发展，随着汽车内饰部件的电子化，汽车将成为交互应用不可忽视的终端，包括办公和娱乐。自动驾驶技术在物流行业和出行服务行业的应用将大大降低运营成本，或将催生全新的产业模式。随着逐步过渡到完全由无人驾驶运载器构成的交通网络，期间传统的交通信号系统和城市道路规划将重新设计，最大化通行效率。
|