人工智能通常被分为弱人工智能（Narrow AI）和强人工智能（General AI），弱人工智能面对的是一些独立的领域，比如图像处理、自动驾驶、自然语言处理等等，每个领域都有自己相对独立的一套解决方案，而这些方法不具备通用性。而强人工智能是指系统能够真正像人一样应对不同类型的任务，目前对于强人工智能的判断也有不同的标准：1）单一领域的智能系统能够适用于更广的范围，比如能够像人一样完成所有家务的清洁机器人；2）出现人工智能实现的大一统的方法，概率、逻辑、类脑、进化等等流派都适用于某一个领域，并没有大一统的方法出现；3）能够实现如智能迁移等高级行为，如举一反三。对于强人工智能是否应该到来，学术界仍然存在争议，甚至不少研发人员表现出对于“智能爆发”（即最终机器具备人类无法企及和控制的智能）的担忧，而相关政府机构也要求人工智能的研究足够透明。
参考观研天下发布《2018-2023年中国人工智能产业市场运营现状分析及未来前景商机预测报告》
近年来通过弱人工智能领域的方法来实现强人工智能并不成功，主流意见也认为近十年强人工智能都不会到来。
围绕弱人工智能，优势行业应用更具看点：短期内，人工智能的应用仍然将在实现弱人工智能的范围展开。我们认为，有多年研究基础的，尤其是自然语言处理、图像视频处理、推荐系统等领域，在深度学习的帮助下，性能将得到大幅提升，将更有机会满足广泛推广的条件。文本识别、语音识别、安防、智能汽车、医疗协助等领域将迎来显著的进展。
算法更新快速，短期 GPU 地位稳固：目前深度学习算法更新迅速，就目标检测算法来说，从 2014 年 10 月的 R-CNN，到 2015 年 6 月的 Fast R-CNN，三个月后 Faster R-CNN 出现，而半年后 R-FCN 出现，每种新算法都对检测效果有大幅提升。而目前模型训练的加速方案包括 CPU、GPU、FPGA 或专有运算芯片：其中 CPU 作为通用处理器，其结构包含较多的逻辑运算单元，GPU采用多核并行运算，其出色的浮点运算能力适合深度学习的关键操作：分类和卷积，相对于传统 CPU 方案具有更快的处理速度和更少的功耗。而 FPGA的用户可以自行设计其结构和实现的功能，和各类专用训练运算芯片一样FPGA 相对于 GPU 其性能更为优越，但在算法快速更新、模型并不成熟的今天，他们并无法满足通用性需求。所以短期来看，GPU 综合兼容性和性能是最佳的加速方案。相关硬件厂商仍将继续受益。
资料来源：公开资料，观研天下整理，转载请注明出处（ww）。
更多好文每日分享，欢迎关注公众号
【版权提示】观研报告网倡导尊重与保护知识产权。未经许可，任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题，烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至kf@chinabaogao.com，我们将及时沟通与处理。
