在2018年，我們目睹了人工智能核心產業規模急劇增長，這些技術不僅影響了軟件和互聯網行業，還影響了其他如醫療保健、法律、制造業、汽車業等各行各業，引起了全球經濟結構、社會生活和工作方式的深刻變革，多個國家已將人工智能提升為國家戰略，出臺了銀行也相關政策和規劃，力爭搶占科技的制高點。

　　2019年，預計AI技術仍會繼續發展，我們將繼續看到機器學習和人工智能相關技術的進步。亞馬遜、蘋果、Facebook、谷歌、IBM和微軟等公司正在投資研AI技術，這將會把AI更貼近消費者，促進人工智能和整體生態系統的發展。

　　1、人工智能芯片加速發展

　　與其他不同，AI嚴重依賴專用處理器來補充CPU的功能。即使是最快和最先進的CPU也無法提高人工智能模型的速度，所以，在AI模型在運行的時候，嚴重需要額外的硬件來執行復雜的數學計算，以加速對象檢測和面部識別等任務。

　　2019年，芯片制造商，如英特爾，英偉達，AMD，ARM和高通等都將推出AI專用芯片，以加快執行人工智能的應用程序。這些芯片將針對計算機視覺、自然語言處理和語音識別等相關的特定用例和場景進行優化。醫療保健和汽車工業的下一代應用程序將依靠這些芯片向終端用戶提供智能服務。據了解2019年 ，亞馬遜、微軟、谷歌和Facebook等超大規?；A架構公司也將增加投資基于現場可編程門陣列(FPGA)和專用集成電路(ASIC)的定制芯片。這些芯片將進行大量優化，以運行基于AI和高性能計算（HPC）的現代工作負載。其中一些芯片還將協助下一代數據庫，加速查詢處理和預測分析。

　　2、AI、邊緣計算及物聯網融合發展

　　2019年，AI在邊緣計算層與物聯網相遇，在公共云中訓練的大多數模型都將被部署在邊緣設備中。工業物聯網是人工智能的頂級用例，它可以執行異常檢測、根本原因分析和設備的預測性維護?；谏疃壬窠浘W絡的高級機器學習模型將被優化以在邊緣設備運行。它們將能夠處理視頻幀、語音合成、時間序列數據和由諸如照相機、麥克風和其他傳感器之類的設備生成的非結構化數據。物聯網已成為企業中人工智能的最大驅動力，相關邊緣設備將配備基于FPGA和ASIC的專用AI芯片。

　　3、神經網絡之間的互操作性成為關鍵

　　開發神經網絡模型的關鍵挑戰之一在于選擇正確的框架。一旦在一個特定的框架中訓練和評估了一個模型，就很難將訓練好的模型移植到另一個框架中。神經網絡工具包之間互操作性的缺乏阻礙了人工智能的采用。為了解決這一挑戰，AWS、Facebook和Microsoft合作建立了開放式神經網絡交換（ONNX），這使得在多個框架中重用經過訓練的神經網絡模型成為可能。

　　在2019年，ONNX將成為該行業必不可少的技術。從研究人員到邊緣設備制造商，生態系統的所有關鍵參與者都將依賴ONNX作為標準的運行接口。

　　4、自動化機器學習將取得突出成果

　　從根本上說，改變基于機器學習的解決方案的趨勢就是自動化機器學習(AutoML)。它將使業務分析師和開發人員能夠開發出能夠處理復雜場景的機器學習模型，而不必經歷訓練機器學習模型的典型過程。在處理自動機器學習平臺上，業務分析人員將注意力集中在業務問題上，而不是迷失在過程和工作流中。

　　5、人工智能將通過AIOPS讓DevOps自動化

　　現代應用程序和基礎架構正在生成為索引、搜索和分析的日志數據。從硬件、操作系統、服務器軟件和應用軟件獲得的海量數據集可以進行聚合和關聯，然后形成方案和模式。當機器學習模型應用到這些數據集時，IT操作就可以從被動轉變為預測層面。當人工智能的強大功能在運行的時候發揮作用時，將重新定義基礎架構的管理方式，機器學習和人工智能在IT和DevOps中的應用將會帶來更加智能的模式，幫助運營團隊進行精準的根本原因分析。