2017 年即將過去，2018 年即將到來。在大數(shù)據、數(shù)據科學、人工智能、機器學習幾個領域飛速發(fā)展的當下，如何總結 2017 年的重大進展，在 2018 年又會有什么值得期待的趨勢呢?雷鋒網 AI 科技評論正在籌劃系列文章，解析我們眼中 2017 年中發(fā)生的最值得紀念的人工智能進展。

　　外媒 KDnuggets 也邀請了九位機器學習人工智能方面的專家和研究人員談了談他們的看法。具體來說，他們問的問題是：「2017 年中，機器學習和人工智能相關的主要進展有哪些?你覺得 2018 年會有哪些趨勢?」參與回答的嘉賓們會給出大約三四百字的回答。

　　另外，簡單回顧一下 2016 年的成果和趨勢問答，當時嘉賓們給出的答案主要圍繞著 AlphaGo 的成功、深度學習的風靡、自動駕駛，以及 TensorFlow 對神經網絡相關技術商業(yè)化的巨大推進作用。

　　以下是今年的嘉賓們給出的回答，雷鋒網 AI 科技評論編譯如下：

　　Xavier Amatriain，Curai 聯(lián)合創(chuàng)始人、CTO，前 Quora 工程副總裁，Netflix 研究和工程總監(jiān)

　　如果要我選最重要的那個年度亮點的話，那肯定是 AlphaGo Zero。這種新的做法不僅在以深度強化學習為代表的、富有前景的領域做出了改進，而且它體現(xiàn)出了一種范式的轉換：模型的學習可以不再需要數(shù)據。近期我們也了解到 AlphaGo Zero 可以泛化到其它棋類上，比如國際象棋(雷鋒網 AI 科技評論注： 意指 AlphaZero，報道文章見這里)。在我看來這將是影響長遠的一項發(fā)展。

　　如果我們看 AI 在工程方面的變化，2017 年中 Pytorch 開始越來越受歡迎，對 TensorFlow 形成了真正的威脅，尤其是在研究機構中。而 TensorFlow 也不甘示弱，很快借助 TensorFlow Fold 版本引入了對動態(tài)網絡的支持。

　　AI 巨頭之間的「戰(zhàn)爭」還有許多，其中最為火熱的是圍繞著云服務的。所有的主流云服務提供商都跟進了深度學習的熱潮，增強了云服務中對人工智能的支持。亞馬遜在 AWS 中加入了許多創(chuàng)新，如果近期發(fā)布的 Sagemaker 可以幫助客戶快速構建、部署機器學習模型。規(guī)模小一些的競爭者也在涌入這個潮流，比如英偉達最近就公布了自己的 GPU 云服務，很有希望成為訓練深度學習模型的又一個有競爭力的選擇。在如此之多的競爭之外，我們同時也看到，有必要的時候各個業(yè)界企業(yè)還是可以聯(lián)手協(xié)作的，新的神經網絡表示標準 ONNX 就已經得到了大部分開發(fā)工具的支持，而這也是保證工具互用性的重要一步。

　　在 2017 年中，有關 AI 的社會問題的討論也在繼續(xù)變得越來越劇烈。馬斯克一直在散播「會殺人的 AI 離我們越來越近了」這樣的觀點，很多人聽到這樣的想法以后都覺得很悲觀。關于 AI 會如何影響未來工作的討論也有許多。最后，AI 算法的透明度和偏見的問題也獲得了更多的關注。

　　Pedro Domingos，華盛頓大學計算機科學與工程系教授

　　德州撲克上 AI 打敗人類，人工智能在不完全信息博弈中也要開始稱霸了。

　　自動駕駛汽車和虛擬助手兩個領域的競賽越來越激烈，而 Alexa 在虛擬助手中已經鶴立雞群。

　　谷歌、亞馬遜、微軟、IBM 之間對于云 AI 服務的競爭也在不斷升級

　　AlphaGo Zero 很棒，但是算不上突破。自我對弈 (self play) 是機器學習領域里最早的點子之一了，而且人類也根本不需要五百萬場對局才能學會圍棋。
[page]

　　Ajit Jaokar，牛津大學物聯(lián)網課程首席科學家和創(chuàng)始人

　　2017 年是 AI 之年。2018 年將會是 AI 成熟的一年，我們已經可以從 AI 的系統(tǒng)工程和原生云支持的角度看到種種跡象。AI 也正在變得越來越復雜，但也有許多公司致力于讓 AI 的部署變得越來越簡單。

　　在我看來，使用 AI 的企業(yè)已經越來越多地在競爭中建立了優(yōu)勢，尤其在工業(yè)級物聯(lián)網、零售業(yè)以及醫(yī)療保健幾個領域，傳統(tǒng)企業(yè)衰退得尤其快。AI 在各個規(guī)模的企業(yè)中都有迅速的開發(fā)和應用(同樣地，在帶來新機會的同時，更多的角色將被替代)。所以，我們也已經走過了討論 Python 和 R 哪個好、貓和狗要如何識別的那個階段了。

　　在我看來，AI 的力量正在讓傳統(tǒng)企業(yè)和更廣泛的供應鏈融合在一起，借助的就是嵌入式 AI(比如覆蓋了企業(yè)應用和物聯(lián)網的數(shù)據科學模型)。

　　最后，懂 AI 和深度學習的數(shù)據科學家處于短缺狀況，這一會繼續(xù)讓銀行之類的傳統(tǒng)商業(yè)類型難以入局。

　　Hugo Larochelle，谷歌研究科學家，加拿大高等研究院機器和腦學習計劃副主任

　　機器學習中有一個趨勢曾經讓我覺得非常興奮，而且我也在這個方向上努力過。它就是元學習( -learning)，它是一種應用范圍尤其廣的方法。不過今年最讓我覺得興奮的是小樣本學習方面的研究進展，它研究的就是如何找到只需要寥寥幾個樣本就可以泛化得很好的算法。Chelsea Finn 寫過一篇很棒的文章，介紹了今年早些時候時候這個領域中的研究進展，可以看這里 bair.berkeley.edu/blog/2017/07/18/learning-to-learn/。值得一提的是，機器學習領域現(xiàn)在有許許多多令人敬佩的在讀博士生，Chelsea Finn 今年的表現(xiàn)絕對是產出最多、最令人印象深刻的之一。

　　今年下半年，更多研究員發(fā)表了他們關于小樣本學習的元學習的論文，有的用深度時序卷積網絡 (arxiv.org/abs/1707.03141)，有的用圖神經網絡 (arxiv.org/abs/1711.04043)，等等。我們也看到了用元學習的方法做主動學習 (arxiv.org/abs/1708.00088)、冷啟動項目推薦 (papers.nips.cc/paper/7266-a- -learning-perspective-on-cold-start-recommendations-for-items)、小樣本分布預測 (arxiv.org/abs/1710.10304)、強化學習 (arxiv.org/abs/1611.05763)、層次化強化學習 (arxiv.org/abs/1710.09767)、模仿學習 (arxiv.org/abs/1709.04905) 等等許多研究。

　　這絕對是一個非常有趣的研究領域，在整個 2018 年中我也會密切關注這個領域的動向。

　　Charles Martin，數(shù)據科學、機器學習、人工智能顧問

　　2017 年，我們看到了深度學習 AI 平臺和應用的井噴式增長。年初 Facebook 就發(fā)布了 PyTorch，向 TensorFlow 發(fā)起正面競爭。Gluon、Alex、AlphaGo 等等，各種新進展不斷出現(xiàn)。機器學習在不斷發(fā)展，原來的特征工程和邏輯回歸到了現(xiàn)在的看論文、實現(xiàn)神經網絡、優(yōu)化訓練參數(shù)。在我的顧問經歷中，我的客戶們尋求過定制的目標識別、高級自然語言處理以及強化學習的解決方案。股市和比特幣一直都吸收了很多的關注度，而 AI 在悄悄地發(fā)生革命;零售業(yè)的大衰退也已經形成了切實的證據，表明 AI 會把傳統(tǒng)工業(yè)攪得天翻地覆。許多公司都想要轉型，我們也看到了很多想要在 AI 方面尋求技術和戰(zhàn)略指導的需求。

　　2018 年我們將會迎來全球性的突破性轉變，AI 第一的經濟模式將會開始普及，歐洲、亞洲、印度甚至沙特都有公司向我們提出了需求。隨著中國和加拿大不斷在 AI 方面做出創(chuàng)新、印度這樣的國家從 IT 轉型為 AI，全球公司對變革的渴求會越來越多。商業(yè)化培訓會有很大需求，不管是在美國還是其它國家。AI 也會帶來巨大的效率提升，制造業(yè)、醫(yī)療、金融等傳統(tǒng)行業(yè)也會受益。AI 創(chuàng)業(yè)公司將會帶來新的 AI 產品，在美國內外都帶來豐厚的投資回報。從機器人到自動駕駛汽車的新技術也會不斷帶來更多令人驚訝的進展。

　　這將會是充滿了精彩的創(chuàng)新的一年?？蓜e錯過了。

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

　　在過去幾年中，開源社區(qū)里對各種新冒出的深度學習框架有著許多的討論?，F(xiàn)在，隨著這些工具慢慢變得成熟了，我希望，我也期待可以看到大家的研究方法會更少依賴于工具，大家可以把更多精力投入新點子的摸索和實現(xiàn)，以及深度學習的實際應用中。具體來說，我期待看到 GANs 和 Hinton 的膠囊可以解決更多有意思的問題，這兩件事都是今年的討論熱點。

　　以及，我們最近的一篇半對抗性神經網絡的論文表明可以從面部圖像解讀出隱私信息，在我看來深度學習應用中的用戶隱私也是一個非常重大的問題，我希望以及期待這個話題在 2018 年能獲得更多的關注。
[page]

　　Brandon Rohrer，F(xiàn)acebook 數(shù)據科學家

　　2017 年里出現(xiàn)了更多機器打敗人類的事件。2016 年的時候，AlphaGo 在構建超越人類水平的人工智能之路上達到了一個人們期待已久的里程碑，那就是打敗人類最強的圍棋選手。今年的 AlphaGo Zero 從零開始學習再次超過了自己的老版本。它不僅僅是擊敗了一個人，它擊敗的是所有人類的圍棋經驗的總和。從更現(xiàn)實的角度上講，把 Switchboard 里的電話聊天錄音轉成文字，機器現(xiàn)在也能做得和人類一樣好了 (arxiv.org/abs/1708.06073)。

　　不過，人工智能的成就依然非常窄、非常脆弱，甚至只要改變圖像中的一個像素就可以騙過當前最好的圖像分類器 (arxiv.org/pdf/1710.08864.pdf)。我預測 2018 年中會出現(xiàn)更通用、更魯棒的 AI 解決方案，也引發(fā)更多的關注。而且，幾乎每個大型科技公司都已經開始在通用人工智能方面做出努力，這些聯(lián)合研究團體和他們的早期研究成果也會獲得很多的媒體關注。最后，2018 年的熱門詞匯將會是「通用人工智能 AGI」，而不再是 2017 年的「人工智能 AI」。

　　Elena Sharova，投資銀行數(shù)據科學家

　　2017 年機器學習和人工智能相關的主要進展有哪些：越來越多的公司和個人開始把他們的數(shù)據和分析轉移到基于云的解決方案上。同時大家現(xiàn)在都深刻認識到數(shù)據安全的重要性。

　　最大、最成功的科技公司們都在進行激烈競爭，想要成為我們的數(shù)據存儲和分析工具平臺。對于數(shù)據科學家來說，這意味著可用的工具包和他們所能做出的解決方案很大程度上取決于這個平臺提供了多少功能、這些功能又好不好用。

　　2017 年中全球也出現(xiàn)了多起嚴重的數(shù)據泄露安全事故。這是不應當被忽略的發(fā)展狀況。隨著越來越多的數(shù)據存儲在第三方服務器上，人們對強大的安全防護能力也需求也會越來越高，以便抵抗可能的新威脅。

　　2018 年會有哪些趨勢：確保執(zhí)行全球數(shù)據保護協(xié)定 (GDPR)，以及繼續(xù)補上機器學習系統(tǒng)欠的技術債，在我看來將會是 2018 年的重點趨勢。GDPR 作為歐盟的協(xié)定，對全球的商業(yè)都有約束能力，所有的數(shù)據科學家也都應該了解這會對他們的工作產生何種影響。就像谷歌的 NIPS 2016 論文中講到的那樣，圍繞數(shù)據構建業(yè)務是非?；ㄥX的，隨著企業(yè)們創(chuàng)造出越來越復雜的數(shù)據驅動模型，他們需要仔細考慮考慮如何面對其中的成本。

　　Rachel Thomas，USF 副教授、fast.ai 創(chuàng)始人

　　雖然不如 AlphaGo 或者會翻跟頭的機器人那么亮眼，但我最喜歡的 2017 年的 AI 趨勢是各種深度學習框架都變得非常易用、觸手可及。今年發(fā)布的 PyTorch 對任何會 Python 語言的人來說都非常易于上手(很大程度上是由于動態(tài)計算和 OOP 設計)。即便 TensorFlow 也在向著這個方向改進，已經把 Keras 包含進核心代碼庫內，并且宣布了 eager execution(動態(tài)執(zhí)行)。程序員們使用深度學習的門檻開始變得越來越低。我期待在 2018 年看到這個趨勢持續(xù)下去，讓開發(fā)者們越來越覺得它們好用、易用。

　　第二個趨勢是媒體會越來越多地報道獨裁政府如何借助 AI 的力量對人民進行監(jiān)控。這種威脅在 2017 年就已經不是什么新鮮事了，但它直到最近才開始引起廣泛的關注。已經有研究展示出深度學習可以識別出戴圍巾和帽子的示威者，或者看面部照片就識別出某人的性取向，這都讓媒體增加了許多對于 AI 隱私安全的關注度。希望在 2018 年我們可以繼續(xù)拓展關于 AI 倫理的討論，而不僅僅是和馬斯克一起害怕邪惡的超級人工智能即將到來;同時，監(jiān)控、隱私權、對性別和種族歧視狀況的采集也還有很大的討論必要。

　　via kdnuggets

　　你對機器學習、人工智能、大數(shù)據在 2017 年的發(fā)展和 2018 年的趨勢有何看法呢?有沒有哪個方向是你想要重點關注、重點了解相關進展的呢?歡迎留言告訴我們，與我們一起討論。也請期待雷鋒網 AI 科技評論后續(xù)的年度總結文章。