智能化需求體現(xiàn)在兩個(gè)方面

　　隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展進(jìn)入新的方向，移動(dòng)互聯(lián)網(wǎng)中的智能化已經(jīng)成為新的發(fā)展趨勢(shì)和主要需求。智能化需求目前主要體現(xiàn)在兩個(gè)方面：

　　一方面是促生新的智能化應(yīng)用，如自動(dòng)駕駛汽車、虛擬現(xiàn)實(shí)和增強(qiáng)現(xiàn)實(shí)應(yīng)用等，拓寬移動(dòng)應(yīng)用領(lǐng)域?yàn)橛脩籼峁└鄳?yīng)用選擇。

　　另一方面是基于目前已有的大量應(yīng)用數(shù)據(jù)進(jìn)行智能化分析，在現(xiàn)有移動(dòng)應(yīng)用的基礎(chǔ)上分析用戶需求、明晰用戶目標(biāo)、提供用戶感受，讓用戶在固有移動(dòng)應(yīng)用領(lǐng)域體驗(yàn)提升。

　　在智能化引領(lǐng)發(fā)展的階段中，人工智能技術(shù)正在越來越廣泛地應(yīng)用在移動(dòng)互聯(lián)網(wǎng)領(lǐng)域，越來越多的人工智能技術(shù)更多地參與到移動(dòng)互聯(lián)網(wǎng)發(fā)展中來。人工智能技術(shù)由于其特有的普適性、自主性以及迭代優(yōu)化等特性能夠在數(shù)據(jù)處理環(huán)節(jié)應(yīng)對(duì)更加復(fù)雜的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)環(huán)境，得出更加嚴(yán)謹(jǐn)和穩(wěn)固的模型和推演結(jié)果。人工智能技術(shù)正在不斷推動(dòng)移動(dòng)互聯(lián)網(wǎng)形態(tài)完成新變化，完成更自主的信息捕捉，更智慧的分析判斷，更自主的服務(wù)提供，更智能的云到端結(jié)合。本文將從人工智能技術(shù)為出發(fā)點(diǎn)，進(jìn)一步研究移動(dòng)互聯(lián)網(wǎng)領(lǐng)域的人工智能解決方案和應(yīng)用現(xiàn)狀。

　　人工智能技術(shù)分析

　　人工智能技術(shù)研究范疇非常廣泛，包括專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、啟發(fā)式算法、模糊邏輯、遺傳算法等。而目前廣泛使用的還以神經(jīng)網(wǎng)絡(luò)、模糊邏輯以及遺傳算法的各種擴(kuò)展算法為主，例如神經(jīng)網(wǎng)絡(luò)擴(kuò)展的深度學(xué)習(xí)算法即為百度智能搜索的核心算法。以應(yīng)用場(chǎng)景分類時(shí)人工智能核心技術(shù)可以分為以下幾個(gè)方面：

　　數(shù)據(jù)挖掘與學(xué)習(xí)

　　當(dāng)面對(duì)大量的數(shù)據(jù)需要進(jìn)行深度數(shù)據(jù)挖掘、明晰數(shù)據(jù)之間的聯(lián)系時(shí)，通常采用的方法是人工智能的一個(gè)重要分支——機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)是研究如何使用計(jì)算機(jī)模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)活動(dòng)。它是繼專家系統(tǒng)之后人工智能的又一重要應(yīng)用領(lǐng)域，是使計(jì)算機(jī)具有智能的根本途徑，也是人工智能研究的核心課題之一，它的應(yīng)用遍及至人工智能的各個(gè)領(lǐng)域。學(xué)習(xí)是人類智能的重要特征，也是獲得知識(shí)的基本手段，而機(jī)器學(xué)習(xí)也是使計(jì)算機(jī)具有智能的根本途徑?；谌斯ど窠?jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)目前已經(jīng)廣泛應(yīng)用，神經(jīng)網(wǎng)絡(luò)是對(duì)人腦或自然神經(jīng)網(wǎng)絡(luò)一些基本特性的抽象，通過模擬大腦的某些機(jī)理與機(jī)制從而實(shí)現(xiàn)功能。正是由于神經(jīng)網(wǎng)絡(luò)具有多神經(jīng)元、分布式計(jì)算性能、多層深度反饋調(diào)整等優(yōu)勢(shì)，才能夠針對(duì)海量數(shù)據(jù)進(jìn)行計(jì)算和分析，通過數(shù)據(jù)訓(xùn)練形成模型，其自主學(xué)習(xí)的特性，非常適用于處理復(fù)雜多維的非線性問題和基于智能關(guān)聯(lián)的海量搜索。

　　知識(shí)和數(shù)據(jù)智能處理

　　知識(shí)處理時(shí)使用最多的技術(shù)是專家系統(tǒng)。專家系統(tǒng)是人工智能研究領(lǐng)域中的一個(gè)重要分支，它將探討一般的思維方法轉(zhuǎn)入到運(yùn)用專門知識(shí)求解專門問題，實(shí)現(xiàn)了人工智能從理論研究向?qū)嶋H應(yīng)用的重大突破。專家系統(tǒng)可看作一類具有專門知識(shí)的計(jì)算機(jī)智能程序系統(tǒng)，它能運(yùn)用特定領(lǐng)域中專家提供的專門知識(shí)和經(jīng)驗(yàn)，并采用人工智能中的推理技術(shù)來求解和模擬通常由專家才能解決的各種復(fù)雜問題。發(fā)展專家系統(tǒng)的關(guān)鍵在于表達(dá)和運(yùn)用專家知識(shí)，一個(gè)基本的專家系統(tǒng)通常由知識(shí)庫、數(shù)據(jù)庫、推理機(jī)、解釋機(jī)制、知識(shí)獲取和用戶界面6部分組成。作為開展最早的人工智能領(lǐng)域，隨著人工智能的進(jìn)一步發(fā)展專家系統(tǒng)也促生了一些新的手段，不斷更新已有的研究領(lǐng)域，完成和其他人工智能技術(shù)的相互促進(jìn)。

　　人機(jī)交互

　　人與機(jī)器人的自然交互與合作就是要賦予機(jī)器人類似人類的觀察、理解和生成各種情感特征的能力，使機(jī)器人能夠完成像人一樣進(jìn)行交互，并可以針對(duì)人類需求進(jìn)行功能輔助合作完成既定工作任務(wù)。人機(jī)交互中主要應(yīng)用到的技術(shù)包括機(jī)器人學(xué)習(xí)和模式識(shí)別技術(shù)。機(jī)器人是模擬人行為的機(jī)械，是當(dāng)前智能化領(lǐng)域發(fā)展較為先進(jìn)的技術(shù)。而人工智能所研究的模式識(shí)別是指用計(jì)算機(jī)代替人類或幫助人類感知模式，其主要的研究對(duì)象是計(jì)算機(jī)模式識(shí)別系統(tǒng)，也就是讓計(jì)算機(jī)系統(tǒng)能夠模擬人類通過感覺器官對(duì)外界產(chǎn)生的各種感知能力。

　　人工智能技術(shù)應(yīng)用分析

　　移動(dòng)應(yīng)用性能分析

　　目前，移動(dòng)應(yīng)用軟件的爆發(fā)式增長(zhǎng)帶來了種類繁多數(shù)量也劇增的眾多移動(dòng)應(yīng)用，用戶在選擇移動(dòng)應(yīng)用過程中并沒有可以參考的標(biāo)準(zhǔn)。在此情況下，移動(dòng)應(yīng)用的友好性分析和應(yīng)用軟件排行對(duì)于用戶選擇移動(dòng)應(yīng)用具有一定的指導(dǎo)作用，同時(shí)也可以促進(jìn)移動(dòng)應(yīng)用的良性發(fā)展，提升移動(dòng)應(yīng)用的整體質(zhì)量。目前，對(duì)于移動(dòng)應(yīng)用性能分析主要集中在移動(dòng)應(yīng)用端到端QoE分析、用戶黏性分析、業(yè)務(wù)協(xié)同友好性分析等方面。而這些方面分析的共同點(diǎn)就是都要基于大數(shù)據(jù)分析，將大量的用戶和應(yīng)用相關(guān)信息進(jìn)行收集和計(jì)算得出結(jié)論。

　　那么，在這個(gè)大數(shù)據(jù)分析計(jì)算的過程中通常使用人工智能算法進(jìn)行解決。不同的機(jī)器學(xué)習(xí)算法是進(jìn)行大數(shù)據(jù)分析的利器，目前廣泛采用的有加強(qiáng)學(xué)習(xí)算法以及基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法等。這些學(xué)習(xí)算法運(yùn)作模式是將不同應(yīng)用在不同應(yīng)用場(chǎng)景下的能耗、時(shí)延、流量、速率按指標(biāo)要求進(jìn)行收集和存儲(chǔ)，作為神經(jīng)網(wǎng)絡(luò)體系的輸入端。然后，按照不同的應(yīng)用種類區(qū)分社交應(yīng)用、即時(shí)通信應(yīng)用、音視頻應(yīng)用、云應(yīng)用、瀏覽器應(yīng)用和游戲應(yīng)用，將不同領(lǐng)域內(nèi)的應(yīng)用對(duì)于能耗、時(shí)延、流量、速率等指標(biāo)的需求度進(jìn)行分析，并生成對(duì)應(yīng)指標(biāo)的加權(quán)值作為神經(jīng)網(wǎng)絡(luò)的權(quán)值。最后，通過大量數(shù)據(jù)的訓(xùn)練和反饋計(jì)算形成神經(jīng)網(wǎng)絡(luò)模型。經(jīng)過學(xué)習(xí)的模型可以完成應(yīng)用整體友好性結(jié)論輸出，也可以完成基于當(dāng)前數(shù)據(jù)的應(yīng)用排行，同時(shí)還能通過現(xiàn)有數(shù)據(jù)進(jìn)行預(yù)測(cè)應(yīng)用性能。目前，各運(yùn)營(yíng)商積極建立移動(dòng)互聯(lián)網(wǎng)用戶行為分析系統(tǒng)，在數(shù)據(jù)共享的基礎(chǔ)上實(shí)現(xiàn)對(duì)移動(dòng)用戶訪問互聯(lián)網(wǎng)的行為進(jìn)行分析，最終掌握用戶的上網(wǎng)習(xí)慣以及偏好，從而準(zhǔn)確定位用戶對(duì)于移動(dòng)互聯(lián)網(wǎng)的需求，為移動(dòng)企業(yè)經(jīng)營(yíng)分析決策提供數(shù)據(jù)支撐。

　　移動(dòng)應(yīng)用身份認(rèn)證

　　身份認(rèn)證是應(yīng)用人工智能算法的另一個(gè)重要應(yīng)用方向。一直以來，使用最多的身份認(rèn)證方法是用戶名和密碼的口令模式以及外設(shè)的U盾等設(shè)備。但是由于密碼存在被破譯風(fēng)險(xiǎn)和被遺忘的可能性，而U盾等外設(shè)又存在不便于保存的問題，所以目前多因子身份認(rèn)證方式和生物識(shí)別身份認(rèn)證方式正在廣泛的發(fā)展。多因子身份認(rèn)證方式是采用兩種或兩種以上的身份認(rèn)證方式結(jié)合起來進(jìn)行身份認(rèn)證，綜合多種方式的優(yōu)點(diǎn)，彌補(bǔ)不同身份認(rèn)證方式的短板。目前，存在一種多因子認(rèn)證是采用密碼結(jié)合用戶大數(shù)據(jù)圖譜分析進(jìn)行認(rèn)證分析，增強(qiáng)原有密碼登錄方式的安全性。用戶大數(shù)據(jù)圖譜是通過用戶在互聯(lián)網(wǎng)中的種種行為模式記錄數(shù)據(jù)，進(jìn)行基于機(jī)器學(xué)習(xí)算法的分析，完成用戶基本行為模型，可預(yù)測(cè)用戶行為并拒絕不符用戶行為模型的登錄或付款請(qǐng)求，是對(duì)普通密碼認(rèn)證模式的良好輔助。而生物識(shí)別認(rèn)證方式是采用用戶的生物樣本如指紋、人臉、虹膜、指靜脈等具有唯一性的特征進(jìn)行比對(duì)識(shí)別的認(rèn)證方式。生物識(shí)別認(rèn)證方式安全性高，且隨著硬件的不斷發(fā)展在移動(dòng)終端上搭載的生物識(shí)別模塊也越來越小，越來越方便使用。由于生物信息采集時(shí)數(shù)量巨大，且經(jīng)過特征提取后形成的比對(duì)數(shù)據(jù)庫更是龐大，所以生物識(shí)別認(rèn)證的算法基礎(chǔ)都要依賴于人工智能算法進(jìn)行模式識(shí)別和比對(duì)認(rèn)證，最后將分析識(shí)別結(jié)果輸出。

　　新應(yīng)用發(fā)展

　　人工智能技術(shù)還促生了移動(dòng)互聯(lián)網(wǎng)新應(yīng)用和新產(chǎn)業(yè)。虛擬現(xiàn)實(shí)/增強(qiáng)現(xiàn)實(shí)技術(shù)就是基于人工智能技術(shù)的應(yīng)用新拓展。虛擬現(xiàn)實(shí)/增強(qiáng)現(xiàn)實(shí)是需要通過收集用戶周圍的感知數(shù)據(jù)快速上傳服務(wù)器，并通過服務(wù)器計(jì)算將結(jié)果下發(fā)到用戶的眼鏡設(shè)備上。為了用戶的體驗(yàn)考慮，從數(shù)據(jù)收集到結(jié)果呈現(xiàn)，谷歌給出的時(shí)延閾值是20ms。也就是說，要完成快速的數(shù)據(jù)交換和計(jì)算不可缺少的除了傳輸帶寬還有就是數(shù)據(jù)計(jì)算算法。人工智能算法實(shí)現(xiàn)了大數(shù)據(jù)量的瞬時(shí)計(jì)算，解決了虛擬現(xiàn)實(shí)/增強(qiáng)現(xiàn)實(shí)的發(fā)展基礎(chǔ)。此外，依托于人工智能技術(shù)的（如自動(dòng)駕駛汽車、智能家居、智能語音搜索等）一大批應(yīng)用正快速發(fā)展。百度依托深度置信網(wǎng)、卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)等人工智能算法解決了自然語音處理、智能語音識(shí)別與搜索、圖像搜索等應(yīng)用。人工智能技術(shù)對(duì)于移動(dòng)互聯(lián)網(wǎng)幾乎每一個(gè)領(lǐng)域都可以產(chǎn)生巨大的影響。

　　基于人工智能技術(shù)的數(shù)據(jù)處理架構(gòu)

　　基于以上對(duì)于人工智能技術(shù)的研究，可以總結(jié)出一個(gè)通用的基于人工智能技術(shù)的數(shù)據(jù)處理架構(gòu)，具體參見圖1?；谌斯ぶ悄芗夹g(shù)的數(shù)據(jù)處理平臺(tái)一般包括數(shù)據(jù)采集模塊、數(shù)據(jù)訓(xùn)練模塊和數(shù)據(jù)使用模塊。

　?。?）數(shù)據(jù)采集模塊要將涉及計(jì)算的相關(guān)數(shù)據(jù)全部進(jìn)行采集和存儲(chǔ)，其中采集數(shù)據(jù)包括歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)。數(shù)據(jù)采集模塊是整個(gè)數(shù)據(jù)處理平臺(tái)的數(shù)據(jù)輸入端。

　?。?）數(shù)據(jù)訓(xùn)練模塊是采用人工智能技術(shù)將平臺(tái)存儲(chǔ)數(shù)據(jù)進(jìn)行反饋和迭代計(jì)算，完成數(shù)據(jù)訓(xùn)練的工作，進(jìn)而形成數(shù)據(jù)處理模型。整個(gè)數(shù)據(jù)訓(xùn)練部分是基于人工智能技術(shù)的數(shù)據(jù)處理架構(gòu)的核心模塊。訓(xùn)練模型的形成與前面數(shù)據(jù)采集的廣度和精度息息相關(guān)，同時(shí)采用何種人工智能算法進(jìn)行訓(xùn)練也在其中起到非常重要的作用。訓(xùn)練模型的形成極大程度地影響了整個(gè)人工智能數(shù)據(jù)處理的結(jié)果。

　　（3）最后的數(shù)據(jù)使用模塊是基于訓(xùn)練模型的成果輸出。一般在采用訓(xùn)練好的模型時(shí)，可以得到基于歷史數(shù)據(jù)的預(yù)測(cè)以及實(shí)時(shí)數(shù)據(jù)的計(jì)算結(jié)果，是整個(gè)人工智能數(shù)據(jù)處理平臺(tái)的結(jié)果輸出部分。

　　隨著目前使用人工智能技術(shù)進(jìn)行計(jì)算的范圍和數(shù)量不斷擴(kuò)大，基于人工智能算法數(shù)據(jù)處理模型的計(jì)算量也在不斷增加。通常在進(jìn)行人工智能相關(guān)運(yùn)算時(shí)，會(huì)進(jìn)行大量的反饋和迭代計(jì)算，這會(huì)對(duì)服務(wù)器產(chǎn)生較大的負(fù)荷。而當(dāng)需要處理的數(shù)據(jù)量進(jìn)一步增加時(shí)，數(shù)據(jù)量的負(fù)荷會(huì)拖慢服務(wù)器的性能，也會(huì)影響結(jié)果輸出的時(shí)效性。因此，目前廣泛采用分布式計(jì)算來配合人工智能數(shù)據(jù)處理。分布式計(jì)算模型如圖2所示，可以將計(jì)算任務(wù)分派給多個(gè)分布式服務(wù)器進(jìn)行下發(fā)，計(jì)算完成后再將結(jié)果通過不同的分布式服務(wù)器進(jìn)行匯總，通過中央控制器合成展現(xiàn)。分布式計(jì)算架構(gòu)與人工智能計(jì)算相輔相成，共同完成大數(shù)據(jù)處理和計(jì)算任務(wù)。

　　圖2 分布式計(jì)算結(jié)構(gòu)

　　結(jié)束語

　　本文研究了人工智能技術(shù)在移動(dòng)互聯(lián)網(wǎng)發(fā)展中的應(yīng)用，分析了人工智能核心技術(shù)和應(yīng)用場(chǎng)景，并著重研究人工智能技術(shù)在移動(dòng)互聯(lián)網(wǎng)領(lǐng)域?qū)τ谝苿?dòng)應(yīng)用性能分析、用戶身份認(rèn)證以及促生移動(dòng)互聯(lián)網(wǎng)新應(yīng)用方面起到的重要作用。本文在人工智能技術(shù)持續(xù)突破、產(chǎn)品創(chuàng)新不斷涌現(xiàn)的背景下探討了人工智能技術(shù)在移動(dòng)互聯(lián)網(wǎng)領(lǐng)域的實(shí)現(xiàn)和發(fā)展，展現(xiàn)了人工智能技術(shù)在各個(gè)領(lǐng)域的滲透力和人工智能技術(shù)在產(chǎn)業(yè)界的推動(dòng)力。