【2018将成為AGI元年】13名專家盤點2017最重要AI事件，預測AGI将取代AI

在即将告别2017年之際，KDnuggets向多位機器學習和AI專家詢問了哪些是2017年最重要的發展，以及他們對2018年關鍵趨勢的預測有哪些。這份報告試圖抓住2017年的重要事件，以及産業、學術和技術發展的脈搏，同時也盡力去展望即将到來的2018年的關鍵趨勢。

被采訪者是大資料、資料科學、人工智能和機器學習領域的一些頂尖專家。具體來說，采訪的問題是：“在2017年，與機器學習和人工智能相關的主要發展是什麼？2018年，你認為将看到哪些關鍵趨勢？”

作為一個快速的回顧，去年的趨勢和預測主要集中在以下議題：

AlphaGo的成功

深度學習的熱潮

自動駕駛汽車

TensorFlow對神經網絡技術商用化的影響

AlphaGo Zero令人興奮，雲競争激烈

Xavier Amatriain：Curai的聯合創始人兼CTO，之前是Quora的工程副總裁和Netflix的研究/工程總監。

至于人工智能的工程方面，2017年Pytorch開始升溫，成為Tensorflow的一個對手，特别是在研究領域。

深度學習模型需要透明度

Georgina Cosma：諾丁漢特倫特大學科學與技術學院進階講師

機器學習模型，尤其是深度學習模型，正在對醫療、法律體系、工程和金融等關鍵領域産生重大影響。但是，大多數機器學習模型不容易解釋。在分析和診斷模型中，了解模型是如何實作預測的尤其重要，因為人類必須要有足夠的信心去相信模型提出的預測。重要的是，一些機器學習模型的決定必須與法律法規相符。現在是建立足夠透明的深度學習模型以解釋它們的預測的時候了，特别是當這些模型的結果被用來影響或告知人類決策時。

AlphaGo Zero很偉大，但還算不上是突破

Pedro Domingos：華盛頓大學計算機科學與工程系教授，《終極算法》作者。

自動駕駛汽車和虛拟助理的競争日益激烈，Alexa在後者的競争中勢如破竹。

谷歌、亞馬遜、微軟和IBM之間雲AI的競争持續升溫。

AlphaGo Zero很偉大，但算不上是一個突破。self-play 是ML的一個存在已久的想法，而人類遠遠不需要下夠500萬盤棋才能掌握圍棋。

2018年将是AI成熟的一年

Ajit Jaokar：主任資料科學家，牛津大學物聯網資料科學課程的建立者。

2017年是AI的一年。2018年将是AI成熟的一年。我們已經從更多是“系統工程/雲”的角度看到這一趨勢。AI正在變得越來越複雜，h2o.ai這類公司則簡化了部署AI的複雜性。

AI正越來越多地用于競争優勢，尤其是在工業物聯網、零售和醫療領域，這将導緻更大的颠覆。AI也正在迅速地部署到企業的各個層面（帶來許多新的機會，但也将導緻更多職業消失)。

我認為AI正在通過嵌入式AI（即跨越企業和物聯網的資料科學模型）融合傳統的企業和更廣泛的供應鍊。

最後，傳統行業将繼續缺乏懂得AI/深度學習技術的資料科學家，例如銀行業（尤其是工業物聯網領域）。

智能自動化将滲透到各行各業

Nikita Johnson：RE.WORK創始人

2017年，ML和AI的發展取得了巨大的進步，尤其是最近DeepMind發表的通用強化學習算法，在自我對弈4個小時之後，擊敗了世界上最好的象棋程式。

2018年，我期望看到智能自動化滲透到各行各業的公司，從傳統制造業、零售業到公共事業。随着資料收集和分析的不斷增加，企業級自動化系統政策的需求将變得至關重要。這将使企業能夠投資于一個更長期的AI計劃，并確定它是未來增長和效率提升的優先事項。

我們還将看到自動化機器學習幫助非AI研究人員更容易使用機器學習技術，并使更多公司将機器學習方法應用到他們的工作場景。

meta-learning 和 few-shot learning

Hugo Larochelle：谷歌研究科學家，加拿大進階研究所Learning in Machines and Brains項目副主任

今年有更多關于 few-shot learning 和 meta-learning 研究，包括使用深度時序卷積網絡（arxiv.org/abs/1707.03141），圖形神經網絡（arxiv.org/abs/1711.04043）等等。meta-learning 方法也被用于主動學習（arxiv.org/abs/1708.00088），冷啟動項目推薦（papers.nips.cc/paper/7266-a-meta-learning-perspective-on-cold-start-recommendations-for-items），few-shot分布估計（arxiv.org/abs/1710.10304），強化學習（arxiv.org/abs/1611.05763），分層RL（arxiv.org/abs/1710.09767 ），模仿學習（arxiv.org/abs/1709.04905），等等。

這是一個令人興奮的領域，2018年我會繼續密切關注。

2018年将成為全球“AI first”經濟的突破之年

Charles Martin：資料科學家、機器學習AI顧問

2017這一年，我們看到了一個巨大的深度學習AI平台和應用程式。今年，Facebook釋出了他們的Tensorflow競争對手PyTorch。Gluon, Alex, AlphaGo等等成果不斷。 機器學習從特征工程和邏輯回歸發展到閱讀論文，實作神經網絡，優化訓練效果。在我的咨詢實踐中，客戶已經在尋求自定義對象檢測，進階NLP和強化學習。當市場和比特币飙升的時候，人工智能一直是一場沉默的革命，零售業的啟示激起人們認為人工智能将颠覆行業。公司都想要進行自我變革。我們非常感興趣進行AI指導，包括技術層面和戰略層面。

2018年必将成為全球“AI first”經濟的突破之年。我們有來自歐洲、亞洲、印度、甚至沙特阿拉伯的需求。全球需求将繼續增長，來自中國和加拿大的人工智能進步很大，印度等國家正從IT重新調整為人工智能。美國和海外的企業教育訓練需求都很大。人工智能将實作大規模的效率，傳統行業（如制造業，醫療保健和金融）将從中受益。人工智能創業公司将把新産品推向市場并全面提高投資回報率。而從機器人到自動駕駛汽車的新技術将會帶來驚人的進步。

對于創新而言，明年将是偉大的一年。

以工具為中心的方法将減少，重要的是開發和實作利用深度學習的新想法和應用

Sebastian Raschka：密歇根州立大學應用機器學習和深度學習研究員和計算生物學家，《Python機器學習》的作者。

“AGI”将會取代“AI”成為流行詞

Brandon Rohrer：Facebook的資料科學家。

2017年還有更多機器擊敗人類的成就。去年，AlphaGo擊敗了世界上最好的人類棋手，通過了智慧之路上的一個長期裡程碑。今年，AlphaGo Zero通過從零開始的自我對弈學習，超越了它的上一版本。（deepmind.com/blog/alphago-zero-learning-scratch）它不僅擊敗了一個人類，還擊敗了全體人類的圍棋智慧。更實際的興趣，一台機器現在可以從交換機基準來轉錄電話交談。 （arxiv.org/abs/1708.06073）

然而，人工智能的成就仍然狹窄和脆弱。改變圖像中的單個像素可以擊敗最先進的分類器。 （arxiv.org/pdf/1710.08864.pdf）我預計2018年将帶來更多通用和強大的AI解決方案。幾乎每個主要的科技公司都已經有了一個人工智能的工作。這些團體及其早期成果将成為頭條新聞。至少，“AGI”将會取代“AI”成為當年的流行詞。

機器學習系統“隐藏”技術欠下的債不容忽視

Elena Sharova是一家投資銀行的資料科學家。

要說2017年機器學習/人工智能主要的發展，我看到越來越多的公司和個人将他們的資料和分析轉移到基于雲的解決方案，對資料安全的重要性的意識也急劇上升。

最大和最成功的技術公司已經競相成為資料存儲和分析平台。對于資料科學家來說，這意味着他們所開發的工具箱和解決方案正被這種平台所能提供的功能和能力所塑造。

2017年，全球發生了幾起大型資料安全漏洞。這一點不容忽視。随着越來越多的資料轉移到第三方存儲，對于适應新威脅的更強大安全性的需求将繼續增長。

至于2018年的關鍵趨勢，一個是確定遵守《全球資料保護條例》（GDPR），另一個則是應對機器學習系統“隐藏”技術欠下的債，這筆債正在越變越多，不容忽視。GDPR作為一項歐盟法規，具有全球影響力，所有資料科學家應該充分意識到它對自己工作的影響。根據Google的NIPS’16論文，資料依賴性代價高昂，而且随着企業建立複雜的資料驅動模型，他們将不得不仔細考慮如何解決這一成本問題。

資料科學家正認識到無監督深度學習的價值

Tamara Sipes，Optum/UnitedHealth Group商業資料科學總監

2017年的主要發展和2018年的主要趨勢：

深度學習和內建模組化方法在2017年繼續證明了它們相比其他機器學習工具的價值和優勢。特别是深度學習，在各個領域和行業得到了更加廣泛的應用。

至于2018年的發展趨勢，深度學習可能會被用來從原始輸入中産生新的特征和新的概念，并且取代手動建立或設計新變量的需求。深度網絡在檢測資料的特征和結構方面是非常強大的，資料科學家正在認識到無監督深度學習可以為此發揮的價值。

有效異常檢測（Effective anomaly detection）可能也是近期的重點。在許多行業中，資料科學工作的重點是異常事件和其他類型的罕見事件：入侵檢測、财務欺詐檢測、詐騙、醫療保健中的濫用和錯誤以及裝置故障等等。檢測所有這些罕見的事件将會使企業在領域中産生競争優勢。跟上這些罕見事件檢測的演變節奏，将是一個有趣的問題和困難的挑戰。

深度學習架構變得更加使用者友好且易于通路

Rachel Thomas，fast.ai創始人，USF助理教授。

雖然不像AlphaGo或者波士頓動力會後空翻的機器人那樣華麗，但讓我感到最興奮的2017年AI趨勢，是深度學習架構變得更加使用者友好且易于通路。今年釋出的PyTorch，對任何了解Python的人都很友好（主要是由于動态計算和OOP設計）。不過，TensorFlow也正朝着這個方向發展，将Keras納入其核心代碼庫并宣布動态圖運算。編碼人員使用深度學習的門檻正變得越來越低。我預計2018年，這種開發人員可用性增長的趨勢将持續下去。

第二個趨勢是媒體報道專制政府監督人工智能的能力。2017年爆出了很多威脅隐私的新聞，但直到最近這才開始受到廣泛的關注。利用深度學習來識别戴着圍巾和帽子的示威者，或者通過圖檔來識别某人的性取向，使得今年有更多的媒體開始關注AI的隐私風險。希望在2018年，我們可以繼續擴大讨論馬斯克說的邪惡超級AI的話題，并解決通過編碼涉嫌監視、隐私和對性别歧視和種族主義偏見的問題。

“可解釋的AI”作為一門學科出現

Daniel Tunkelang是Twiggle的首席搜尋傳播者，也是衆多知名組織的顧問。

2017年對于自動駕駛汽車和會話數字助理來說都是一個大年。這兩個都是深度學習将科幻小說變為事實的應用領域。

但是，今年機器學習和人工智能最重要的發展，是對道德、問責和可解釋性的持續關注。馬斯克關于人工智能觸發世界大戰的啟示性警告點燃了媒體，Oren Etzioni和Rodney Brooks等人則認真反駁。盡管如此，機器學習模型偏差的風險仍然存在，比如word2vec中的性别主義，算法在刑事判決中的種族主義，以及對社交媒體資訊流的評分模型的故意操縱。這些問題都不是新出現的，但是機器學習的加速應用，特别是深度學習的大量使用，已經将這些問題推到了普通公衆面前。

2017年，我們終于看到“可解釋的AI”作為一門學科出現，彙集了學者、業界從業者和政策制定者的參加。2018年，照亮深度學習模型黑箱的壓力和動力都将進一步加大。

原文釋出時間為：2017-12-18

本文作者：Matthew Mayo

本文來自雲栖社群合作夥伴新智元，了解相關資訊可以關注“AI_era”微信公衆号