本文參考論文： A Berkeley View of Systems Challenges for AI
一篇簡短的review
一、摘要
許多應用需要人工智能系統與現實世界的交互進行決策，例如無人駕駛飛機、機器人手術、醫療診斷、虛擬助手等。由於現實世界是不斷變化的，甚至會出現意料之外的變化，這便需要這些應用持續學習、終身學習和永動學習。
爲了滿足這些需求，我們要面臨諸多挑戰，比如如何主動探索不斷變化的環境、如何在惡意攻擊和噪音輸入的情況下做出安全穩定的決策、如何提高決策的可解讀能力、如何設計模塊化架構以簡化應用系統構建等。另外，由於摩爾定律的結束，這些下一代人工智能系統的問題不能再寄希望於計算和存儲能力的增強。解決這些難題需要體系結構、軟件和算法的協同創新。
二、人工智能的趨勢和挑戰
2.1 關鍵性任務的人工智能
從銀行交易到自動駕駛，再到機器人手術，人工智能開始涉及到一些關鍵性任務，這些應用往往與人們的生命安全息息相關。如果人工智能要在動態變化的環境中部署，其必須能夠不斷地適應新環境並且學習新技能。
挑戰：通過與動態變化的環境不斷交互，設計可以不斷學習和自適應的人工智能系統，使其可以做出及時、穩定、安全的決策。
2.2 個性化人工智能
從虛擬助手到自動駕駛和政治競選，考慮用戶行爲和用戶偏好的個性化決策越來越重要。
挑戰：設計支持個性化服務的系統，同時也要保護用戶的隱私和保證用戶的安全。
2.3 跨多組織機構的人工智能
以前是一個公司利用自己收集的數據進行處理分析並提供服務，而未來將是多個公司共享數據進而提供服務，這種趨勢將導致數據壟斷到數據生態系統的變革。
設計多組織機構數據的共享機制，支持跨多組織機構的人工智能系統，同時要保障各組織機構數據的保密性，共享給競爭對手的數據也要保證數據的隱私信息不被泄露。
2.4 超越摩爾定理的人工智能
處理和存儲大數據的能力是近年來人工智能成功的關鍵因素，然而匹配人工智能進步需求的大數據處理能力將變得越來越困難，主要有以下兩點原因：(1)數據量持續呈指數級增長。(2)相對於數據爆炸，計算硬件設備的處理能力的增長遇到了瓶頸。
挑戰：開發針對特定用途的架構和軟件系統。會通過提供豐富的易於組合的模塊化庫來簡化下一代AI應用的開發。
針對特定領域定製的硬件研究：(1)設計專用領域的硬件架構來以數量級爲單位提升性能且可以降低AI應用消耗的能源或者加強這些應用的安全性。(2)設計AI軟件系統，利用這些專用領域的架構、資源分離式的結構和未來的非易失性存儲技術提供的優勢。
組件化的AI系統研究：設計AI系統和接口，使得模型和動作以一種模塊化和靈活的方式進行組合，同時應用這些接口來開發豐富的模型和選項庫以此簡化AI應用的開發。
跨雲端和邊緣的系統研究：(1)利用邊緣設備減小延時、提升安全性並實現智能化的數據記憶技術。(2)利用雲平臺來共享各邊緣設備的數據和模型，訓練更復雜的計算模型和採取高質量的決策。
三、總結
若想使人工智能更好地服務我們，要克服許多艱鉅的挑戰，其中許多挑戰與系統和基礎設施有關。人工智能系統需要在摩爾定律終結的前提下不斷提高計算能力以及構建易於整合到現有應用程序中的可組合系統，並且具有跨雲端和邊緣的處理能力。希望這些問題能夠啓發新的研究來推動人工智能的發展，使其計算能力更強，更具有安全性和可靠性。