深度学习

从功能来看，AI芯片可以分为Training(训练)和Inference(推理)两个环节。Inference环节指利用训练好的模型，使用新的数据去"推理"出各种结论，如视频监控设备通过后台的深度神经网络模型，判断一张抓拍到的人脸是否属于黑名单。虽然Inference的计算量相比Training少很多，但仍然涉及大量的矩阵运算。在推理环节，GPU、FPGA和ASIC都有很多应用价值。

12月24日，百度研究院发布2020年十大科技趋势预测，涵盖人工智能、芯片、区块链、物联网、量子计算等前沿科技领域。

IT行业的发展速度可谓日新月异，几年前还是个人计算机(PC)当道，如今大家都在谈论“云计算 ”、“大数据”和“深度学习”。已被所有这些新术语搞得晕头转向？我们也是如此，为此本文特意介绍了这几个术语的定义，以及它们对投资者来说意味着什么。

目前已有厂商针对安防监控后端推出了GPU的替代方案。2018年10月份，华为自研的云端AI芯片N腾系列，基于达芬奇架构的华为N腾910。在年底，华为又推出了基于ARM的服务器芯片“Hi1620”，采用台积电7nm工艺制造，在ARMv8架构的基础上，华为自主设计了代号“TaiShan”(泰山)的核心，支持48核心、64核心+2.6/3.0GHz配置。百度发布AI“昆仑”芯片，它是目前行业内运行速度最快的智能芯片。

目前在智能交通领域，人工智能分析及深度学习比较成熟的应用技术以车牌识别算法最为理想，虽然目前很多厂商都宣称自己的车牌识别率已经达到了99%，但这也只是在标准卡口的视频条件下再加上一些预设条件来达到的。

随着交通卡口的大规模联网，汇集了海量车辆通行记录信息，利用人工智能技术，可实时分析城市交通流量，调整红绿灯间隔，缩短车辆等待时间等举措，提升城市道路的通行效率。

在人脸识别智能安全领域，对抗、深度伪造技术的快速发展已经引起了社会的广泛关注。通过这些技术可以轻松地生成虚假的数字内容，从而对人脸识别系统进行攻击，这严重威胁了社会安全和公众隐私。

趋势报告显示，越来越多的人工智能企业发现数据的标注开始成为抬高交付成本、制约效果提升的主要因素之一，不断强化无监督/弱监督学习由量变到质变，将助推企业从前期的迅速扩张到稳定期高效化运作的新阶段；AI与数字内容产业的深度耦合，也将有希望为行业释放更大的科技势能，构筑数字内容生成新范式。

在过去的几年里，人脸识别技术发展迅猛。MIT指出，百度的“刷脸支付”通过让机器准确地识别和理解图片、视频的内容，提供了一种安全并且方便的支付方式。