随著(zhe)移動互聯網的(de)發展進入新的(de)方向，移動互聯網中的(de)智能化(huà)已經成爲新的(de)發展趨勢和(hé)主要需求。智能化(huà)需求目前主要體現在兩個(gè)方面：

●一方面是促生新的(de)智能化(huà)應用(yòng)，如自動駕駛汽車、虛拟現實和(hé)增強現實應用(yòng)等，拓寬移動應用(yòng)領域爲用(yòng)戶提供更多(duō)應用(yòng)選擇。

●另一方面是基于目前已有的(de)大(dà)量應用(yòng)數據進行智能化(huà)分(fēn)析，在現有移動應用(yòng)的(de)基礎上分(fēn)析用(yòng)戶需求、明(míng)晰用(yòng)戶目标、提供用(yòng)戶感受，讓用(yòng)戶在固有移動應用(yòng)領域體驗提升。

在智能化(huà)引領發展的(de)階段中，人(rén)工智能技術正在越來(lái)越廣泛地應用(yòng)在移動互聯網領域，越來(lái)越多(duō)的(de)人(rén)工智能技術更多(duō)地參與到移動互聯網發展中來(lái)。人(rén)工智能技術由于其特有的(de)普适性、自主性以及叠代優化(huà)等特性能夠在數據處理(lǐ)環節應對(duì)更加複雜(zá)的(de)數據結構和(hé)數據環境，得(de)出更加嚴謹和(hé)穩固的(de)模型和(hé)推演結果。人(rén)工智能技術正在不斷推動移動互聯網形态完成新變化(huà)，完成更自主的(de)信息捕捉，更智慧的(de)分(fēn)析判斷，更自主的(de)服務提供，更智能的(de)雲到端結合。本文将從人(rén)工智能技術爲出發點，進一步研究移動互聯網領域的(de)人(rén)工智能解決方案和(hé)應用(yòng)現狀。

2  人(rén)工智能技術分(fēn)析

人(rén)工智能技術研究範疇非常廣泛，包括專家系統、神經網絡、啓發式算(suàn)法、模糊邏輯、遺傳算(suàn)法等。而目前廣泛使用(yòng)的(de)還(hái)以神經網絡、模糊邏輯以及遺傳算(suàn)法的(de)各種擴展算(suàn)法爲主，例如神經網絡擴展的(de)深度學習(xí)算(suàn)法即爲百度智能搜索的(de)核心算(suàn)法。以應用(yòng)場(chǎng)景分(fēn)類時(shí)人(rén)工智能核心技術可(kě)以分(fēn)爲以下(xià)幾個(gè)方面：

（1）數據挖掘與學習(xí)

當面對(duì)大(dà)量的(de)數據需要進行深度數據挖掘、明(míng)晰數據之間的(de)聯系時(shí)，通(tōng)常采用(yòng)的(de)方法是人(rén)工智能的(de)一個(gè)重要分(fēn)支——機器學習(xí)。機器學習(xí)是研究如何使用(yòng)計算(suàn)機模拟或實現人(rén)類的(de)學習(xí)活動。它是繼專家系統之後人(rén)工智能的(de)又一重要應用(yòng)領域，是使計算(suàn)機具有智能的(de)根本途徑，也(yě)是人(rén)工智能研究的(de)核心課題之一，它的(de)應用(yòng)遍及至人(rén)工智能的(de)各個(gè)領域。學習(xí)是人(rén)類智能的(de)重要特征，也(yě)是獲得(de)知識的(de)基本手段，而機器學習(xí)也(yě)是使計算(suàn)機具有智能的(de)根本途徑。基于人(rén)工神經網絡的(de)深度學習(xí)目前已經廣泛應用(yòng)，神經網絡是對(duì)人(rén)腦(nǎo)或自然神經網絡一些基本特性的(de)抽象，通(tōng)過模拟大(dà)腦(nǎo)的(de)某些機理(lǐ)與機制從而實現功能。正是由于神經網絡具有多(duō)神經元、分(fēn)布式計算(suàn)性能、多(duō)層深度反饋調整等優勢，才能夠針對(duì)海量數據進行計算(suàn)和(hé)分(fēn)析，通(tōng)過數據訓練形成模型，其自主學習(xí)的(de)特性，非常适用(yòng)于處理(lǐ)複雜(zá)多(duō)維的(de)非線性問題和(hé)基于智能關聯的(de)海量搜索。

（2）知識和(hé)數據智能處理(lǐ)

知識處理(lǐ)時(shí)使用(yòng)最多(duō)的(de)技術是專家系統。專家系統是人(rén)工智能研究領域中的(de)一個(gè)重要分(fēn)支，它将探討(tǎo)一般的(de)思維方法轉入到運用(yòng)專門知識求解專門問題，實現了(le)人(rén)工智能從理(lǐ)論研究向實際應用(yòng)的(de)重大(dà)突破。專家系統可(kě)看作一類具有專門知識的(de)計算(suàn)機智能程序系統，它能運用(yòng)特定領域中專家提供的(de)專門知識和(hé)經驗，并采用(yòng)人(rén)工智能中的(de)推理(lǐ)技術來(lái)求解和(hé)模拟通(tōng)常由專家才能解決的(de)各種複雜(zá)問題。發展專家系統的(de)關鍵在于表達和(hé)運用(yòng)專家知識，一個(gè)基本的(de)專家系統通(tōng)常由知識庫、數據庫、推理(lǐ)機、解釋機制、知識獲取和(hé)用(yòng)戶界面6部分(fēn)組成。作爲開展最早的(de)人(rén)工智能領域，随著(zhe)人(rén)工智能的(de)進一步發展專家系統也(yě)促生了(le)一些新的(de)手段，不斷更新已有的(de)研究領域，完成和(hé)其他(tā)人(rén)工智能技術的(de)相互促進。

（3）人(rén)機交互

人(rén)與機器人(rén)的(de)自然交互與合作就是要賦予機器人(rén)類似人(rén)類的(de)觀察、理(lǐ)解和(hé)生成各種情感特征的(de)能力，使機器人(rén)能夠完成像人(rén)一樣進行交互，并可(kě)以針對(duì)人(rén)類需求進行功能輔助合作完成既定工作任務。人(rén)機交互中主要應用(yòng)到的(de)技術包括機器人(rén)學習(xí)和(hé)模式識别技術。機器人(rén)是模拟人(rén)行爲的(de)機械，是當前智能化(huà)領域發展較爲先進的(de)技術。而人(rén)工智能所研究的(de)模式識别是指用(yòng)計算(suàn)機代替人(rén)類或幫助人(rén)類感知模式，其主要的(de)研究對(duì)象是計算(suàn)機模式識别系統，也(yě)就是讓計算(suàn)機系統能夠模拟人(rén)類通(tōng)過感覺器官對(duì)外界産生的(de)各種感知能力。

3  人(rén)工智能技術應用(yòng)分(fēn)析

（1）移動應用(yòng)性能分(fēn)析

目前，移動應用(yòng)軟件的(de)爆發式增長(cháng)帶來(lái)了(le)種類繁多(duō)數量也(yě)劇增的(de)衆多(duō)移動應用(yòng)，用(yòng)戶在選擇移動應用(yòng)過程中并沒有可(kě)以參考的(de)标準。在此情況下(xià)，移動應用(yòng)的(de)友好性分(fēn)析和(hé)應用(yòng)軟件排行對(duì)于用(yòng)戶選擇移動應用(yòng)具有一定的(de)指導作用(yòng)，同時(shí)也(yě)可(kě)以促進移動應用(yòng)的(de)良性發展，提升移動應用(yòng)的(de)整體質量。目前，對(duì)于移動應用(yòng)性能分(fēn)析主要集中在移動應用(yòng)端到端QoE分(fēn)析、用(yòng)戶黏性分(fēn)析、業務協同友好性分(fēn)析等方面。而這(zhè)些方面分(fēn)析的(de)共同點就是都要基于大(dà)數據分(fēn)析，将大(dà)量的(de)用(yòng)戶和(hé)應用(yòng)相關信息進行收集和(hé)計算(suàn)得(de)出結論。那麽，在這(zhè)個(gè)大(dà)數據分(fēn)析計算(suàn)的(de)過程中通(tōng)常使用(yòng)人(rén)工智能算(suàn)法進行解決。不同的(de)機器學習(xí)算(suàn)法是進行大(dà)數據分(fēn)析的(de)利器，目前廣泛采用(yòng)的(de)有加強學習(xí)算(suàn)法以及基于神經網絡的(de)深度學習(xí)算(suàn)法等。這(zhè)些學習(xí)算(suàn)法運作模式是将不同應用(yòng)在不同應用(yòng)場(chǎng)景下(xià)的(de)能耗、時(shí)延、流量、速率按指标要求進行收集和(hé)存儲，作爲神經網絡體系的(de)輸入端。然後，按照(zhào)不同的(de)應用(yòng)種類區(qū)分(fēn)社交應用(yòng)、即時(shí)通(tōng)信應用(yòng)、音(yīn)視頻(pín)應用(yòng)、雲應用(yòng)、浏覽器應用(yòng)和(hé)遊戲應用(yòng)，将不同領域内的(de)應用(yòng)對(duì)于能耗、時(shí)延、流量、速率等指标的(de)需求度進行分(fēn)析，并生成對(duì)應指标的(de)加權值作爲神經網絡的(de)權值。最後，通(tōng)過大(dà)量數據的(de)訓練和(hé)反饋計算(suàn)形成神經網絡模型。經過學習(xí)的(de)模型可(kě)以完成應用(yòng)整體友好性結論輸出，也(yě)可(kě)以完成基于當前數據的(de)應用(yòng)排行，同時(shí)還(hái)能通(tōng)過現有數據進行預測應用(yòng)性能。目前，各運營商積極建立移動互聯網用(yòng)戶行爲分(fēn)析系統，在數據共享的(de)基礎上實現對(duì)移動用(yòng)戶訪問互聯網的(de)行爲進行分(fēn)析，最終掌握用(yòng)戶的(de)上網習(xí)慣以及偏好，從而準确定位用(yòng)戶對(duì)于移動互聯網的(de)需求，爲移動企業經營分(fēn)析決策提供數據支撐。

（2）移動應用(yòng)身份認證

身份認證是應用(yòng)人(rén)工智能算(suàn)法的(de)另一個(gè)重要應用(yòng)方向。一直以來(lái)，使用(yòng)最多(duō)的(de)身份認證方法是用(yòng)戶名和(hé)密碼的(de)口令模式以及外設的(de)U盾等設備。但是由于密碼存在被破譯風險和(hé)被遺忘的(de)可(kě)能性，而U盾等外設又存在不便于保存的(de)問題，所以目前多(duō)因子身份認證方式和(hé)生物(wù)識别身份認證方式正在廣泛的(de)發展。多(duō)因子身份認證方式是采用(yòng)兩種或兩種以上的(de)身份認證方式結合起來(lái)進行身份認證，綜合多(duō)種方式的(de)優點，彌補不同身份認證方式的(de)短闆。目前，存在一種多(duō)因子認證是采用(yòng)密碼結合用(yòng)戶大(dà)數據圖譜分(fēn)析進行認證分(fēn)析，增強原有密碼登錄方式的(de)安全性。用(yòng)戶大(dà)數據圖譜是通(tōng)過用(yòng)戶在互聯網中的(de)種種行爲模式記錄數據，進行基于機器學習(xí)算(suàn)法的(de)分(fēn)析，完成用(yòng)戶基本行爲模型，可(kě)預測用(yòng)戶行爲并拒絕不符用(yòng)戶行爲模型的(de)登錄或付款請求，是對(duì)普通(tōng)密碼認證模式的(de)良好輔助。而生物(wù)識别認證方式是采用(yòng)用(yòng)戶的(de)生物(wù)樣本如指紋、人(rén)臉、虹膜、指靜脈等具有唯一性的(de)特征進行比對(duì)識别的(de)認證方式。生物(wù)識别認證方式安全性高(gāo)，且随著(zhe)硬件的(de)不斷發展在移動終端上搭載的(de)生物(wù)識别模塊也(yě)越來(lái)越小，越來(lái)越方便使用(yòng)。由于生物(wù)信息采集時(shí)數量巨大(dà)，且經過特征提取後形成的(de)比對(duì)數據庫更是龐大(dà)，所以生物(wù)識别認證的(de)算(suàn)法基礎都要依賴于人(rén)工智能算(suàn)法進行模式識别和(hé)比對(duì)認證，最後将分(fēn)析識别結果輸出。

（3）新應用(yòng)發展

人(rén)工智能技術還(hái)促生了(le)移動互聯網新應用(yòng)和(hé)新産業。虛拟現實/增強現實技術就是基于人(rén)工智能技術的(de)應用(yòng)新拓展。虛拟現實/增強現實是需要通(tōng)過收集用(yòng)戶周圍的(de)感知數據快(kuài)速上傳服務器，并通(tōng)過服務器計算(suàn)将結果下(xià)發到用(yòng)戶的(de)眼鏡設備上。爲了(le)用(yòng)戶的(de)體驗考慮，從數據收集到結果呈現，谷歌(gē)給出的(de)時(shí)延阈值是20ms。也(yě)就是說，要完成快(kuài)速的(de)數據交換和(hé)計算(suàn)不可(kě)缺少的(de)除了(le)傳輸帶寬還(hái)有就是數據計算(suàn)算(suàn)法。人(rén)工智能算(suàn)法實現了(le)大(dà)數據量的(de)瞬時(shí)計算(suàn)，解決了(le)虛拟現實/增強現實的(de)發展基礎。此外，依托于人(rén)工智能技術的(de)（如自動駕駛汽車、智能家居、智能語音(yīn)搜索等）一大(dà)批應用(yòng)正快(kuài)速發展。百度依托深度置信網、卷積神經網絡、遞歸神經網絡等人(rén)工智能算(suàn)法解決了(le)自然語音(yīn)處理(lǐ)、智能語音(yīn)識别與搜索、圖像搜索等應用(yòng)。人(rén)工智能技術對(duì)于移動互聯網幾乎每一個(gè)領域都可(kě)以産生巨大(dà)的(de)影(yǐng)響。

4  基于人(rén)工智能技術的(de)數據處理(lǐ)架構

基于以上對(duì)于人(rén)工智能技術的(de)研究，可(kě)以總結出一個(gè)通(tōng)用(yòng)的(de)基于人(rén)工智能技術的(de)數據處理(lǐ)架構，具體參見圖1。基于人(rén)工智能技術的(de)數據處理(lǐ)平台一般包括數據采集模塊、數據訓練模塊和(hé)數據使用(yòng)模塊。

（1）數據采集模塊要将涉及計算(suàn)的(de)相關數據全部進行采集和(hé)存儲，其中采集數據包括曆史數據和(hé)實時(shí)數據。數據采集模塊是整個(gè)數據處理(lǐ)平台的(de)數據輸入端。

（2）數據訓練模塊是采用(yòng)人(rén)工智能技術将平台存儲數據進行反饋和(hé)叠代計算(suàn)，完成數據訓練的(de)工作，進而形成數據處理(lǐ)模型。整個(gè)數據訓練部分(fēn)是基于人(rén)工智能技術的(de)數據處理(lǐ)架構的(de)核心模塊。訓練模型的(de)形成與前面數據采集的(de)廣度和(hé)精度息息相關，同時(shí)采用(yòng)何種人(rén)工智能算(suàn)法進行訓練也(yě)在其中起到非常重要的(de)作用(yòng)。訓練模型的(de)形成極大(dà)程度地影(yǐng)響了(le)整個(gè)人(rén)工智能數據處理(lǐ)的(de)結果。

（3）最後的(de)數據使用(yòng)模塊是基于訓練模型的(de)成果輸出。一般在采用(yòng)訓練好的(de)模型時(shí)，可(kě)以得(de)到基于曆史數據的(de)預測以及實時(shí)數據的(de)計算(suàn)結果，是整個(gè)人(rén)工智能數據處理(lǐ)平台的(de)結果輸出部分(fēn)。

随著(zhe)目前使用(yòng)人(rén)工智能技術進行計算(suàn)的(de)範圍和(hé)數量不斷擴大(dà)，基于人(rén)工智能算(suàn)法數據處理(lǐ)模型的(de)計算(suàn)量也(yě)在不斷增加。通(tōng)常在進行人(rén)工智能相關運算(suàn)時(shí)，會進行大(dà)量的(de)反饋和(hé)叠代計算(suàn)，這(zhè)會對(duì)服務器産生較大(dà)的(de)負荷。而當需要處理(lǐ)的(de)數據量進一步增加時(shí)，數據量的(de)負荷會拖慢(màn)服務器的(de)性能，也(yě)會影(yǐng)響結果輸出的(de)時(shí)效性。因此，目前廣泛采用(yòng)分(fēn)布式計算(suàn)來(lái)配合人(rén)工智能數據處理(lǐ)。分(fēn)布式計算(suàn)模型如圖2所示，可(kě)以将計算(suàn)任務分(fēn)派給多(duō)個(gè)分(fēn)布式服務器進行下(xià)發，計算(suàn)完成後再将結果通(tōng)過不同的(de)分(fēn)布式服務器進行彙總，通(tōng)過中央控制器合成展現。分(fēn)布式計算(suàn)架構與人(rén)工智能計算(suàn)相輔相成，共同完成大(dà)數據處理(lǐ)和(hé)計算(suàn)任務。