米乐M6官网登录正版下载·2017 年你所在的领域和行业有哪些重要的新成果、

　　转眼间我们已站在2017年的尾巴上，即将迎接2018年的到来。在人工智能、机器学习和大数据等飞速发展的当下，我们来看看2017年这些领域都取得了哪些重大进展，在2018年又会有哪些新趋势。

　　今年11月底，斯坦福大学 AI 百年研究“AI 100”发布了一份“AI指数”报告，列出了 2017 年人工智能在计算机视觉、自然语言理解等方向上的最新进展，从学术论文、岗位需求等多个角度盘点人工智能进度。“AI 指数”是斯坦福大学AI百年研究的一个开放的非营利性项目，旨在追踪人工智能的活动和进展。本报告是“AI 指数”的第一份年度报告，从中我们可以通过多个视角来观察2017年AI的活动和进展。port.pdf

　　关于 AI 的学术论文发表量激增。自从1996年以来，每年发表的 AI 论文数量增加了9倍以上。虽然自 2015 年以来论文发表量增速放缓，但2017 年依然发表了近 2 万篇 AI 学术论文。

　　2017年，AI 领域的人才短缺状况更加凸显，机器学习、深度学习、自然语言处理等方面人才缺口逐渐加大，尤其是机器学习。

　　2017年，人工智能研究领域的开源工具使用状况更加活跃，下图展示了 Github 上 AI 和 ML 程序库的使用程度。

　　其中以谷歌的 TensorFlow 开源工具使用人数最多，至少8万人在 GitHub 上加了星标。

　　2017年，AI 的物体识别准确率进一步提高，达到了惊人的97.5%，已经超过了人类的水平。

　　报告也列出了 2017 年 AI 发展的一些标志性事件，比如 DeepMind 的 AlphaGo Zero 以 100-0击败了初版 AlphaGo 系统； AI 系统在分类皮肤癌任务上达到与人类皮肤科医生相当的水平；微软和 IBM 都在 Switchboard 语音识别基准测试中实现了“人类同等水平”的语音识别词错率；AI 在德州扑克比赛中击败人类等等。

　　2017 年人工智能领域的研究“百花齐放”，对于哪些进展最重要，我们围观的吃瓜群众也是各有各的看法，因此我们最好还是听听学界和业界的专家们的见解。

　　外媒 KDnuggts 今年邀请了一些机器学习、人工智能方面的专家和研究人员谈了谈他们的看法。具体来说，采访主题是：“2017 年中，机器学习和人工智能相关的主要进展有哪些？你觉得 2018 年会有哪些趋势？”参与回答的专家们会给出大约两三百字的总结式回答。

　　在 2016 年快要结束时，KDnuggts 也做过同样类似的活动，当时嘉宾们对 2016 年的 AI 成果和2017 年新趋势给出的答案主要围绕 AlphaGo 的成功、深度学习的风靡、自动驾驶，以及 TensorFlow 对神经网络相关技术商业化的巨大推进作用等这几个主题。对照 2017 年 AI 的重大事件来看，业界对 2017 年新趋势的判断相当准确。

　　集智从今年的回答中选取了10个最具代表性的见解，涵盖了 AI 研究者、从业者和创业者，编译如下：

　　如果要我选一个今年 AI 发展的最大亮点，我会选择 AlphaGo Zero。不仅仅是因为这项新技术推动了很多富有前景的技术领域的发展（例如深度增强学习），还因为它代表着一种里程碑式的转变：模型的学习可以不再需要数据。最近我们也知道了 AlphaGo Zero 泛化到了其他棋类上比如国际象棋、日本将棋等。我在Quora上曾专门对此做过解答，我认为这是一项影响非常深远的发展。如果我们看看AI在工程方面的进展。2017年年初，Pytorch逐渐受到热捧，开始挑战TensorFlow的地位，特别是在研究领域。TensorFlow也不甘示弱，迅速反应，将络引入TensorFlow Fold中，作为回击。科技巨头之间的“AI争夺战”同样在方面爆发，但争夺最激烈的是围绕云服务的竞争。参与这场战争的所有主要玩家都在今年迈出了实打实的步子，增强了在云端对AI的支持。亚马逊在AWS中加入了许多创新功能，如最近发布的Sagemaker可以帮助用户在云端搭建和部署机器学习模型。同样值得一提的是，今年有些规模较小的竞争者也加入进来。比如英伟达近期发布了自家的GPU 云，希望成为另一个训练机器学习模型的有力选择。抛开这些竞争不谈，我很高兴看到业界在必要时能通力合作。神经网络的最新型ONNX标准得到大部分开发工具的支持就是一个例子，它是我们保证工具互用性迈出的重要一步。2017年，社会对AI的争论也愈演愈烈。埃隆·马斯克不断抛出观点，认为我们离能我们的AI是越来越近了，引起了很多人的恐慌。还有很多关于未来几年AI对人类工作影响方面的讨论。最后，我们也开始更多的关注AI算法的透明度和偏见的问题。

　　2017年可以说是AI之年，而2018年会成为AI的成熟之年。我们已经在AI领域逐渐增多的“系统工程和云支持”技术看到这一趋势。AI正变得越来越复杂，但像h2o.ai这样的公司也在努力让部署AI变得越来越简单。我注意到，今年使用AI技术的企业逐渐在竞争中建立了优势，特别是在工业物联网、零售和医疗领域。我也看到各个规模和领域的企业正在迅速部署AI技术。如此一来，我们已经走过了争论Python和R语言哪个好、怎么识别阿猫阿狗这些初级阶段。今年“嵌入式”AI的发展也让人工智能将传统行业企业与更广泛的供应链融合在一起，比如数据科学模型在企业和物联网领域的蔓延。最后，我觉得懂AI和深度学习技术的数据科学家人才会继续短缺，尤其是在急需借助AI转型的传统领域比如银行业。

　　今年机器学习出现的一个新趋势让我非常兴奋，那就是元学习（meta-learning），它可以广泛应用在各个方面。不过今年最让我觉得激动的还是少量学习（few-shot learning）方面的研究进展，少量学习研究就是如何找到只需要寥寥几个样本就可以得到很好的泛化效果的算法。Chelsea Finn写过一篇很好的文章，介绍了今年上半年这个领域中的研究进展（

　　）。值得一提的是，当前机器学习领域出现了很多成绩斐然的在读博士生，Chelsea Finn今年绝对是产出最多、最令人印象深刻的人之一。

　　今年下半年，更多研究员发表了他们关于小样本学习的元学习的研究成果，有的用深度时间卷积网络（deep temporal convolutional networks） (

　　66-a-meta-learning-perspective-on-cold-start-recommendations-for-items

　　2017 年见证了机器学习和人工智能的巨大发展，特别是最近 DeepMind 的增强学习算法

　　。我预计 2018 年，无人驾驶技术的应有会更加广泛，从传统制造业到零售业到公共事业都会用到。随着数据收集和分析不断增加，企业建立自己的自动化系略会变得十分重要。而这也能让企业从长远的角度投资AI研究，优先将 AI 视为保证企业未来发展的途径。同样，自动学习系统也让这项技术更容易被非 AI 研究者所使用，从而让更多企业将机器学习方法应用在工作中。

　　2017 年，我发现深度学习 AI 平台和应用的井喷式增长。年初Facebook 就发布了 PyTorch，开始挑战TensorFlow。Gluon、Alex、AlphaGo 等等各种新进展不断出现。机器学习在不断发展，从特征工程和逻辑回归发展为阅读论文、应用神经网络、优化训练参数。在我为企业做顾问经历中，客户们开始寻求为企业量身打造的目标识别、高级自然语言处理以及强化学习的解决方案。AI正在悄悄地发生，零售业的大衰退表明 AI 会把传统行业搅得天翻地覆。许多公司开始谋求转型，在 AI 方面寻求技术和战略指导的需求水涨船高。2018 年AI发展已经会有突破性的进展，“AI第一”的经济模式将开始普及。欧洲、亚洲、印度甚至沙特的企业纷纷提出需求。随着中国和加拿大不断在 AI 方面做出创新、印度等国从 IT转型为AI，全球公司对借助AI实现变革的需求会越来越多。因此，针对企业的培训会有很大的市场，不管是在美国还是国家。AI 会大幅提高生产效率，制造业、医疗、金融等传统行业也会从中受益。AI初创公司将会带来新的 AI 产品。从机器人到无人驾驶汽车的新技术也会不断带来更多震惊世人的进展。

　　2017年值得注意的事情是出现了更多机器打败人类的事件。去年，AlphaGo在人工智能发展之路上达到了一个人们期待已久的里程碑成就：打败了人类最强的围棋选手。而今年的 AlphaGo Zero从零开始自我学习，远远超越了自己的老版本。它不仅仅是打败了一个人类，它打败的是所有人类的围棋经验的总和。还有一件更具现实意义的事，把Switchboard里的电话聊天录音转成文字，机器现在也能做得和人类一样好了 (

　　)。不过，人工智能的成就依然非常窄且脆弱，人类只要改变图像中的一个像素就可以骗过当前最好的图像分类器 (

　　)。我预测2018年中会出现更通用、更强悍的 AI 解决方案。而且，几乎各大科技公司都已开始努力研究通用人工智能。最后，我觉得2018 年的时髦词汇将会是“通用人工智能”（AGI），而不再是 2017 年的“人工智能”（AI）。

　　Sebastian Raschka，密歇根州立大学应用机器学习&深度学习研究员、计算生物学家、《Python 机器学习》作者。

　　过去几年中，开源社区里一直在热烈讨论各种新出现的深度学习框架。现在，随着这些工具慢慢变得成熟，我希望，我也期待能看到大家的研究方更少地依赖工具，大家可以把更多精力投入摸索和实现新想法，以及深度学习的实际应用。具体来说，我期待看到GANs 和 Hinton新提出的“胶囊网络”可以解决更多有趣的问题，这两件事都是今年的讨论热点。还有，我们最近的一篇半对抗性神经网络（semi-adversarial neural nets）的论文中提到可以从面部图像解读出隐私信息，所以我认为深度学习应用中的用户隐私也是一个非常重大的问题，我希望以及期待这个线年能获得更多的关注。

　　2017 年机器学习和人工智能相关的主要进展有哪些呢？我认为是，越来越多的公司和个人开始把他们的数据和分析转移到基于云的解决方案上，同时人们也纷纷深刻认识到数据安全的重要性。最大、最成功的科技公司们都在进行激烈竞争，想要成为人们的数据存储和分析工具平台。对于数据科学家来说，这意味着他们研发的工具包和解决方案很大程度上取决于这些平台提供了多少功能以及功能表现如何。

　　2018 年会有哪些趋势？在我看来，确保技术研究遵守全球数据保护协定 (GDPR)，以及继续补上“欠给”机器学习技术债，将会是 2018 年的重点趋势。GDPR 作为欧盟的协定，对全球的商业都有约束能力，所有的数据科学家也都应该了解这将如何影响他们的工作。正如谷歌的NIPS 2016 论文所说，围绕数据构建业务耗资巨大，随着企业创建出越来越复杂的数据驱动模型，它们需要仔细考虑考虑如何解决庞大的成本问题。

　　我认为，2017年最棒的AI趋势是各种深度学习框架都变得更加简单易用、更具人性化，虽然这些进展没有AlphaGo或者波士顿动力会翻跟头的机器人那么引人注目。Facebook今年发布的 PyTorch 对任何会 Python 语言的人来说，都非常易于上手（主要是由于动态计算和OOP设计）。甚至 TensorFlow 也在向着这个方向发展，把Keras应用进核心代码库内，并且宣布了eager execution（动态执行）。程序员们使用深度学习的门槛正在渐渐降低。我预计 2018 年这个趋势会持续下去，这些深度学习框架和工具会越来越方便易用。第二个趋势。