近年来，随着计算机视觉、语音识别、机器翻译的技术的发展和商业化，及诸如数字广告和智能基础设施等基于机器学习的后台技术的普遍部署，人工智能已经从实验室的研究项目变成了实际生产系统不可或缺的关键技术。正是因为积累的海量数据、计算能力前所未有的发展高度、机器学习方法的不断进展、系统软件和架构的持续创新、及方便这些技术落地的开源项目和云计算平台，促使了人工智能技术的广泛应用。

人工智能系统研究的主要有哪些大挑战，飞速发展的原因是什么?

下一代人工智能系统将更广泛地影响我们的生活，人工智能将会通过与环境交互替人类进行更关键的和更加个性化的决策。若想要人工智能发挥更大的作用，我们将面临诸多极具挑战性的问题：我们需要人工智能系统可以在各种极端情况下及时做出安全的决策，比如在各种恶意攻击情况下具备鲁棒性，在保证隐私的情况下具备处理跨多组织多个人的共享数据的能力。随着摩尔定律的终结，存储和处理数据的能力将受限，这些挑战也将变得更加难以解决。在这篇文章里，我们将总结在系统领域、体系结构领域、安全领域等方面的具体研究方向。

四大趋势：

关键性任务的人工智能(Mission-critical AI)

个性化人工智能(Personalized AI)

跨多组织机构的人工智能(AI across organizations)

后摩尔定律时期的人工智能(AI demands outpacing the Moore’s Law

九大挑战：

持续学习(Continual learning)

鲁棒决策(Robust decisions)

可解读的决策(Explainable decisions)

安全飞地(Secure enclaves)

对抗学习(Adversarial learning)

在保密数据上的共享学习(Shared learning on confidential data)

特定领域定制的硬件(Domain specific hardware)

组件化的AI系统(Composable AI systems)

跨云端和边缘的系统(Cloud-edge systems)

人工智能在过去二十年飞速发展的原因归结于三点：

人工智能系统研究的主要有哪些大挑战，飞速发展的原因是什么?

1)大数据

2)高扩展性的计算机和软件系统

3)开源软件(Spark、TensorFlow、MXNet、Caffe、PyTorch、BigDL)及公有云服务(Amazon AWS、Google Cloud、MS Azure)的兴起和流行，这使研究人员可以很容易的租用GPU服务器或者FPGA服务器来验证他们的算法。

虽然人工智能已经应用到了众多应用领域，但是人类希望在更多领域发挥人工智能的作用，包括健康医疗、交通运输、工业制造、国防、娱乐、能源、农业、销售业等等领域。大规模系统和机器学习框架已经帮助人工智能取得了一定程度的成功，我们期待计算机系统能够可以更进一步地促进人工智能的发展。