1、AI推动芯片产业变革
芯片产业正在因为AI发生洗牌，传统的芯片产业格局将会发生巨大变化，这种情况将在2019年更加突出。以AWS、微软、谷歌、Facebook、阿里云为首的技术驱动型公司将加大AI芯片的投入，会给芯片市场带来更多变数。
之所以越来越公司开始投入到AI芯片研发之中，是因为AI模型训练需要专门的硬件来执行复杂的数学计算，才能加快执行目标检测和人脸识别等任务，AI芯片可以针对计算机视觉、自然语言处理和语音识别相关的特定用例及场景进行优化。
2019年，英特尔、英伟达、AMD和高通等传统芯片制造商将推出专门AI芯片。而以AWS、Facebook、阿里云等超级技术公司则会加大对芯片的研发投入，这些芯片将在AI和高性能计算基础上针对现代工作负载做出大量优化，其中某些芯片还将帮助下一代数据库加快查询处理和预测分析速度。
可以说，对于技术驱动型公司而言，AI芯片无疑是全栈AI能力的一个重要环节，不会轻易放弃。
2、边缘计算推动AI与IoT融合
边缘计算的好处就是能够更加快速的响应需求，对于物联网等应用可谓是再合适不过。2019年开始，公有云上越来越多模型将开始用于边缘计算，尤其是对设备进行异常检测、根源分析和预测维护的工业物联网是AI的最佳用例。基于深度神经网络的先进机器学习模型将得到优化，以便在边缘运行，未来将有能力处理视频、语音等非结构化数据。物联网必将成为企业人工智能的最大推动力。
3、 ONNX将打破神经网络互操作性阻碍
如今，一大堆各种机器学习框架，加上一大堆各种人工智能硬件平台，框架和平台之间缺乏良好的支持，给机器学习和人工智能应用带来了严重的阻碍。2019年，这种情况将会得到改善。ONNX组织的成立，将让神经网络工具包、硬件平台之间互操作性大幅提升。之前模型只能在特定框架中进行调试和评估的情况将大幅改善。
微软、Facebooke等公司发起了“开放式神经网络交换”（ONNX）组织，并提出了相应的标准格式，使得经过调试的神经网络模型向其他框架移植成为可能。目前，已经有阿里云、百度云、英伟达等一批公司加入到该组织之中，2019年ONNX将变得更加重要，从研究人员到制造商等所有核心参与者都将依赖ONNX作为推理的标准运行框架。
4、自动化机器学习将成为主流
自动化机器学习（AutoML）已成为一个发展趋势，它将从根本上改变基于机器学习的解决方案，可使其不经过传统调试程序即可改进机器学习模型，进而处理复杂的场景。AutoML非常适用于认知应用编程接口（API）和自定义机器学习平台。与被视为“黑盒子”的认知API不同，自动化机器学习既能提供同等的灵活性，同时又具备自定义数据和可移植性。
5、AIOps实现DevOps自动化
DevOps是一套完整的IT运维工作流，以IT自动化和持续集成、持续部署为基础，来优化程序开发、测试、系统运维等所有环节。DevOps强调软件开发人员和运维人员的沟通合作，通过自动化流程来使软件的构建、测试、发布更加快捷、频繁和可靠。
AIOps即AI for IT Operations，指将人工智能应用于IT运维领域，基于已有的运维数据，通过机器学习来进一步解决自动化运维难以解决的问题。现代化应用程序和基础设施可以生成用于索引、搜索和分析的日志数据。从硬件、操作系统、服务器软件和应用软件中获取的海量数据集可以聚合和关联，然后形成方案和模式。
