人工智能技术在移动互联网发展中的应用
智能化需求体现在两个方面
随着移动互联网的发展进入新的方向，移动互联网中的智能化已经成为新的发展趋势和主要需求。智能化需求目前主要体现在两个方面：
一方面是促生新的智能化应用，如自动驾驶汽车、虚拟现实和增强现实应用等，拓宽移动应用领域为用户提供更多应用选择。
另一方面是基于目前已有的大量应用数据进行智能化分析，在现有移动应用的基础上分析用户需求、明晰用户目标、提供用户感受，让用户在固有移动应用领域体验提升。
在智能化引领发展的阶段中，人工智能技术正在越来越广泛地应用在移动互联网领域，越来越多的人工智能技术更多地参与到移动互联网发展中来。人工智能技术由于其特有的普适性、自主性以及迭代优化等特性能够在数据处理环节应对更加复杂的数据结构和数据环境，得出更加严谨和稳固的模型和推演结果。人工智能技术正在不断推动移动互联网形态完成新变化，完成更自主的信息捕捉，更智慧的分析判断，更自主的服务提供，更智能的云到端结合。本文将从人工智能技术为出发点，进一步研究移动互联网领域的人工智能解决方案和应用现状。
人工智能技术分析
人工智能技术研究范畴非常广泛，包括专家系统、神经网络、启发式算法、模糊逻辑、遗传算法等。而目前广泛使用的还以神经网络、模糊逻辑以及遗传算法的各种扩展算法为主，例如神经网络扩展的深度学习算法即为百度智能搜索的核心算法。以应用场景分类时人工智能核心技术可以分为以下几个方面：
数据挖掘与学习
当面对大量的数据需要进行深度数据挖掘、明晰数据之间的联系时，通常采用的方法是人工智能的一个重要分支——机器学习。机器学习是研究如何使用计算机模拟或实现人类的学习活动。它是继专家系统之后人工智能的又一重要应用领域，是使计算机具有智能的根本途径，也是人工智能研究的核心课题之一，它的应用遍及至人工智能的各个领域。学习是人类智能的重要特征，也是获得知识的基本手段，而机器学习也是使计算机具有智能的根本途径。基于人工神经网络的深度学习目前已经广泛应用，神经网络是对人脑或自然神经网络一些基本特性的抽象，通过模拟大脑的某些机理与机制从而实现功能。正是由于神经网络具有多神经元、分布式计算性能、多层深度反馈调整等优势，才能够针对海量数据进行计算和分析，通过数据训练形成模型，其自主学习的特性，非常适用于处理复杂多维的非线性问题和基于智能关联的海量搜索。
知识和数据智能处理
知识处理时使用最多的技术是专家系统。专家系统是人工智能研究领域中的一个重要分支，它将探讨一般的思维方法转入到运用专门知识求解专门问题，实现了人工智能从理论研究向实际应用的重大突破。专家系统可看作一类具有专门知识的计算机智能程序系统，它能运用特定领域中专家提供的专门知识和经验，并采用人工智能中的推理技术来求解和模拟通常由专家才能解决的各种复杂问题。发展专家系统的关键在于表达和运用专家知识，一个基本的专家系统通常由知识库、数据库、推理机、解释机制、知识获取和用户界面6部分组成。作为开展最早的人工智能领域，随着人工智能的进一步发展专家系统也促生了一些新的手段，不断更新已有的研究领域，完成和其他人工智能技术的相互促进。
人机交互
人与机器人的自然交互与合作就是要赋予机器人类似人类的观察、理解和生成各种情感特征的能力，使机器人能够完成像人一样进行交互，并可以针对人类需求进行功能辅助合作完成既定工作任务。人机交互中主要应用到的技术包括机器人学习和模式识别技术。机器人是模拟人行为的机械，是当前智能化领域发展较为先进的技术。而人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式，其主要的研究对象是计算机模式识别系统，也就是让计算机系统能够模拟人类通过感觉器官对外界产生的各种感知能力。
人工智能技术应用分析
移动应用性能分析
目前，移动应用软件的爆发式增长带来了种类繁多数量也剧增的众多移动应用，用户在选择移动应用过程中并没有可以参考的标准。在此情况下，移动应用的友好性分析和应用软件排行对于用户选择移动应用具有一定的指导作用，同时也可以促进移动应用的良性发展，提升移动应用的整体质量。目前，对于移动应用性能分析主要集中在移动应用端到端QoE分析、用户黏性分析、业务协同友好性分析等方面。而这些方面分析的共同点就是都要基于大数据分析，将大量的用户和应用相关信息进行收集和计算得出结论。
那么，在这个大数据分析计算的过程中通常使用人工智能算法进行解决。不同的机器学习算法是进行大数据分析的利器，目前广泛采用的有加强学习算法以及基于神经网络的深度学习算法等。这些学习算法运作模式是将不同应用在不同应用场景下的能耗、时延、流量、速率按指标要求进行收集和存储，作为神经网络体系的输入端。然后，按照不同的应用种类区分社交应用、即时通信应用、音视频应用、云应用、浏览器应用和游戏应用，将不同领域内的应用对于能耗、时延、流量、速率等指标的需求度进行分析，并生成对应指标的加权值作为神经网络的权值。最后，通过大量数据的训练和反馈计算形成神经网络模型。经过学习的模型可以完成应用整体友好性结论输出，也可以完成基于当前数据的应用排行，同时还能通过现有数据进行预测应用性能。目前，各运营商积极建立移动互联网用户行为分析系统，在数据共享的基础上实现对移动用户访问互联网的行为进行分析，最终掌握用户的上网习惯以及偏好，从而准确定位用户对于移动互联网的需求，为移动企业经营分析决策提供数据支撑。
移动应用身份认证
身份认证是应用人工智能算法的另一个重要应用方向。一直以来，使用最多的身份认证方法是用户名和密码的口令模式以及外设的U盾等设备。但是由于密码存在被破译风险和被遗忘的可能性，而U盾等外设又存在不便于保存的问题，所以目前多因子身份认证方式和生物识别身份认证方式正在广泛的发展。多因子身份认证方式是采用两种或两种以上的身份认证方式结合起来进行身份认证，综合多种方式的优点，弥补不同身份认证方式的短板。目前，存在一种多因子认证是采用密码结合用户大数据图谱分析进行认证分析，增强原有密码登录方式的安全性。用户大数据图谱是通过用户在互联网中的种种行为模式记录数据，进行基于机器学习算法的分析，完成用户基本行为模型，可预测用户行为并拒绝不符用户行为模型的登录或付款请求，是对普通密码认证模式的良好辅助。而生物识别认证方式是采用用户的生物样本如指纹、人脸、虹膜、指静脉等具有唯一性的特征进行比对识别的认证方式。生物识别认证方式安全性高，且随着硬件的不断发展在移动终端上搭载的生物识别模块也越来越小，越来越方便使用。由于生物信息采集时数量巨大，且经过特征提取后形成的比对数据库更是庞大，所以生物识别认证的算法基础都要依赖于人工智能算法进行模式识别和比对认证，最后将分析识别结果输出。
新应用发展
人工智能技术还促生了移动互联网新应用和新产业。虚拟现实/增强现实技术就是基于人工智能技术的应用新拓展。虚拟现实/增强现实是需要通过收集用户周围的感知数据快速上传服务器，并通过服务器计算将结果下发到用户的眼镜设备上。为了用户的体验考虑，从数据收集到结果呈现，谷歌给出的时延阈值是20ms。也就是说，要完成快速的数据交换和计算不可缺少的除了传输带宽还有就是数据计算算法。人工智能算法实现了大数据量的瞬时计算，解决了虚拟现实/增强现实的发展基础。此外，依托于人工智能技术的(如自动驾驶汽车、智能家居、智能语音搜索等)一大批应用正快速发展。百度依托深度置信网、卷积神经网络、递归神经网络等人工智能算法解决了自然语音处理、智能语音识别与搜索、图像搜索等应用。人工智能技术对于移动互联网几乎每一个领域都可以产生巨大的影响。
基于人工智能技术的数据处理架构
基于以上对于人工智能技术的研究，可以总结出一个通用的基于人工智能技术的数据处理架构，具体参见图1。基于人工智能技术的数据处理平台一般包括数据采集模块、数据训练模块和数据使用模块。
(1)数据采集模块要将涉及计算的相关数据全部进行采集和存储，其中采集数据包括历史数据和实时数据。数据采集模块是整个数据处理平台的数据输入端。
(2)数据训练模块是采用人工智能技术将平台存储数据进行反馈和迭代计算，完成数据训练的工作，进而形成数据处理模型。整个数据训练部分是基于人工智能技术的数据处理架构的核心模块。训练模型的形成与前面数据采集的广度和精度息息相关，同时采用何种人工智能算法进行训练也在其中起到非常重要的作用。训练模型的形成极大程度地影响了整个人工智能数据处理的结果。
(3)最后的数据使用模块是基于训练模型的成果输出。一般在采用训练好的模型时，可以得到基于历史数据的预测以及实时数据的计算结果，是整个人工智能数据处理平台的结果输出部分。
随着目前使用人工智能技术进行计算的范围和数量不断扩大，基于人工智能算法数据处理模型的计算量也在不断增加。通常在进行人工智能相关运算时，会进行大量的反馈和迭代计算，这会对服务器产生较大的负荷。而当需要处理的数据量进一步增加时，数据量的负荷会拖慢服务器的性能，也会影响结果输出的时效性。因此，目前广泛采用分布式计算来配合人工智能数据处理。分布式计算模型如图2所示，可以将计算任务分派给多个分布式服务器进行下发，计算完成后再将结果通过不同的分布式服务器进行汇总，通过中央控制器合成展现。分布式计算架构与人工智能计算相辅相成，共同完成大数据处理和计算任务。
图2 分布式计算结构