本文转载自AI技术评论 
AI 科技评论按：2017 年行将过去，2018 年行将到来。在大数据、数据科学、人工智能、机器学习几个范畴飞速展开的当下，如何总结 2017 年的严重停顿，在 2018 年又会有什么值得等候的趋向呢？雷锋网 AI 科技评论正在谋划系列文章，解析我们眼中 2017 年中发作的最值得留念的人工智能停顿。
外媒 KDnuggets 也约请了九位机器学习人工智能方面的专家和研讨人员谈了谈他们的见地。细致来说，他们问的问题是：「2017 年中，机器学习和人工智能相关的主要停顿有哪些？你觉得 2018 年会有哪些趋向？」参与回答的嘉宾们会给出大约三四百字的回答。
另外，简单回想一下 2016 年的成果和趋向问答，当时嘉宾们给出的答案主要盘绕着 AlphaGo 的胜利、深度学习的盛行、自动驾驶，以及 TensorFlow 对神经网络相关技术商业化的庞大推进作用。
以下是今年的嘉宾们给出的回答，AI 科技评论编译如下：
Xavier Amatriain，Curai 分离开创人、CTO，前 Quora 工程副总裁，Netflix 研讨和工程总监
假如要我选最重要的那个年度亮点的话，那肯定是 AlphaGo Zero。这种新的做法不只在以深度强化学习为代表的、富有前景的范畴做出了改进，而且它表示出了一种范式的转换：模型的学习能够不再需求数据。近期我们也了解到 AlphaGo Zero 能够泛化到其它棋类上，好比国际象棋（AI 科技评论注： 意指 AlphaZero，报道文章见这里）。在我看来这将是影响久远的一项展开。
假如我们看 AI 在工程方面的变更，2017 年中 Pytorch 开端越来越受欢送，对 TensorFlow 构成了真正的要挟，特别是在研讨机构中。而 TensorFlow 也不甘示弱，很快借助 TensorFlow Fold 版本引入了对动态网络的支持。
AI 巨头之间的「战争」还有许多，其中最为火热的是盘绕着云效劳的。一切的主流云效劳提供商都跟进了深度学习的热潮，增强了云效劳中对人工智能的支持。亚马逊在 AWS 中参与了许多创新，假如近期发布的 Sagemaker 能够辅佐客户快速构建、部署机器学习模型。范围小一些的竞争者也在涌入这个潮流，好比英伟达最近就发布了自己的 GPU 云效劳，很有希望成为锻炼深度学习模型的又一个有竞争力的选择。在如此之多的竞争之外，我们同时也看到，有必要的时分各个业界企业还是能够联手协作的，新的神经网络表示规范 ONNX 就曾经得到了大部分开发工具的支持，而这也是保障工具互用性的重要一步。
在 2017 年中，有关 AI 的社会问题的讨论也在继续变得越来越猛烈。马斯克不时在散播「会杀人的 AI 离我们越来越近了」这样的观念，很多人听到这样的想法以后都觉得很达观。关于 AI 会如何影响未来工作的讨论也有许多。最后，AI 算法的透明度和成见的问题也取得了更多的关注。
Pedro Domingos，华盛顿大学计算机科学与工程系教授
德州扑克上 AI 打败人类，人工智能在不完整信息博弈中也要开端称霸了。
自动驾驶汽车和虚拟助手两个范畴的竞赛越来越猛烈，而 Alexa 在虚拟助手中曾经鹤立鸡群。
谷歌、亚马逊、微软、IBM 之间关于云 AI 效劳的竞争也在不时升级
AlphaGo Zero 很棒，但是算不上突破。自我对弈 (self play) 是机器学习范畴里最早的点子之一了，而且人类也基本不需求五百万场对局才干学会围棋。
Ajit Jaokar，牛津大学物联网课程首席科学家和开创人
2017 年是 AI 之年。2018 年将会是 AI 成熟的一年，我们曾经能够从 AI 的系统工程和原生云支持的角度看到种种迹象。AI 也正在变得越来越复杂，但也有许多公司努力于让 AI 的部署变得越来越简单。
在我看来，运用 AI 的企业曾经越来越多地在竞争中树立了优势，特别在工业级物联网、批发业以及医疗保健几个范畴，传统企业衰退得特别快。AI 在各个范围的企业中都有疾速的开发和应用（同样地，在带来新机遇的同时，更多的角色将被替代）。所以，我们也曾经走过了讨论 Python 和 R 哪个好、猫和狗要如何辨认的那个阶段了。
在我看来，AI 的力气正在让传统企业和更普遍的供给链融合在一同，借助的就是嵌入式 AI（好比掩盖了企业应用和物联网的数据科学模型）。
最后，懂 AI 和深度学习的数据科学家处于短缺状况，这一会继续让银行之类的传统商业类型难以入局。
Hugo Larochelle，谷歌研讨科学家，加拿大高等研讨院机器和脑学习计划副主任
机器学习中有一个趋向曾经让我觉得十分兴奋，而且我也在这个方向上努力过。它就是元学习（meta-learning），它是一种应用范围特别广的措施。不外今年最让我觉得兴奋的是小样本学习方面的研讨停顿，它研讨的就是如何找到只需求寥寥几个样本就能够泛化得很好的算法。Chelsea Finn 写过一篇很棒的文章，引见了今年早些时分时分这个范畴中的研讨停顿，能够看这里 bair.berkeley.edu/blog/2017/07/18/learning-to-learn/。值得一提的是，机器学习范畴往常有许许多多令人敬重的在读博士生，Chelsea Finn 今年的表示绝对是产出最多、最令人印象深化的之一。
今年下半年，更多研讨员发表了他们关于小样本学习的元学习的论文，有的用深度时序卷积网络 (arxiv.org/abs/1707.03141)，有的用图神经网络 (arxiv.org/abs/1711.04043)，等等。我们也看到了用元学习的措施做主动学习 (arxiv.org/abs/1708.00088)、冷启动项目引荐 (papers.nips.cc/paper/7266-a-meta-learning-perspective-on-cold-start-recommendations-for-items)、小样本散布预测 (arxiv.org/abs/1710.10304)、强化学习 (arxiv.org/abs/1611.05763)、层次化强化学习 (arxiv.org/abs/1710.09767)、模仿学习 (arxiv.org/abs/1709.04905) 等等许多研讨。
这绝对是一个十分有趣的研讨范畴，在整个 2018 年中我也会密切关注这个范畴的意向。
Charles Martin，数据科学、机器学习、人工智能顾问
2017 年，我们看到了深度学习 AI 平台和应用的井喷式增长。年初 Facebook 就发布了 PyTorch，向 TensorFlow 发起正面竞争。Gluon、Alex、AlphaGo 等等，各种新停顿不时呈现。机器学习在不时展开，原来的特征工程和逻辑回归到了往常的看论文、完成神经网络、优化锻炼参数。在我的顾问阅历中，我的客户们寻求过定制的目的辨认、高级自然言语处置以及强化学习的处置计划。股市和比特币不时都吸收了很多的关注度，而 AI 在悄然地发作反动；批发业的大衰退也曾经构成了真实的证据，表明 AI 会把传统工业搅得天翻地覆。许多公司都想要转型，我们也看到了很多想要在 AI 方面寻求技术和战略指导的需求。
2018 年我们将会迎来全球性的突破性转变，AI 第一的经济方式将会开端提高，欧洲、亚洲、印度以至沙特都有公司向我们提出了需求。随着中国和加拿大不时在 AI 方面做出创新、印度这样的国度从 IT 转型为 AI，全球公司对改造的渴求会越来越多。商业化培训会有很大需求，不论是在美国还是其它国度。AI 也会带来庞大的效率提升，制造业、医疗、金融等传统行业也会受益。AI 创业公司将会带来新的 AI 产品，在美国内外都带来丰厚的投资回报。从机器人到自动驾驶汽车的新技术也会不时带来更多令人诧异的停顿。
这将会是充溢了精彩的创新的一年。可别错过了。
Sebastian Raschka，密歇根州立大学应用机器学习和深度学习研讨员、计算生物学家，《Python 机器学习》作者
在过去几年中，开源社区里对各种新冒出的深度学习框架有着许多的讨论。往常，随着这些工具渐突变得成熟了，我希望，我也等候能够看到大家的研讨措施会更少依赖于工具，大家能够把更多肉体投入新点子的探求和完成，以及深度学习的实践应用中。细致来说，我等候看到GANs 和 Hinton 的胶囊能够处置更多有意义的问题，这两件事都是今年的讨论热点。
以及，我们最近的一篇半对立性神经网络的论文表明能够从面部图像解读出隐私信息，在我看来深度学习应用中的用户隐私也是一个十分严重的问题，我希望以及等候这个话题在 2018 年能取得更多的关注。
Brandon Rohrer，Facebook 数据科学家
2017 年里呈现了更多机器打败人类的事情。2016 年的时分，AlphaGo 在构建超越人类水平的人工智能之路上抵达了一个人们等候已久的里程碑，那就是打败人类最强的围棋选手。今年的 AlphaGo Zero 从零开端学习再次超越了自己的老版本。它不只仅是击败了一个人，它击败的是一切人类的围棋阅历的总和。从更理想的角度上讲，把 Switchboard 里的电话聊天录音转成文字，机器往常也能做得和人类一样好了 (arxiv.org/abs/1708.06073)。
不外，人工智能的成就依然十分窄、十分脆弱，以至只需改动图像中的一个像素就能够骗过当前最好的图像分类器 (arxiv.org/pdf/1710.08864.pdf)。我预测 2018 年中会呈现更通用、更鲁棒的 AI 处置计划，也引发更多的关注。而且，简直每个大型科技公司都曾经开端在通用人工智能方面做出努力，这些分离研讨团体和他们的早期研讨成果也会取得很多的媒体关注。最后，2018 年的抢手词汇将会是「通用人工智能 AGI」，而不再是 2017 年的「人工智能 AI」。
Elena Sharova，投资银行数据科学家
2017 年机器学习和人工智能相关的主要停顿有哪些：越来越多的公司和个人开端把他们的数据和剖析转移到基于云的处置计划上。同时大家往常都深化认识到数据保险的重要性。
最大、最胜利的科技公司们都在中止猛烈竞争，想要成为我们的数据存储和剖析工具平台。关于数据科学家来说，这意味着可用的工具包和他们所能做出的处置计划很大水平上取决于这个平台提供了多少功用、这些功用又好不好用。
2017 年中全球也呈现了多起严重的数据泄露保险事故。这是不应当被疏忽的展开状况。随着越来越多的数据存储在第三方效劳器上，人们对强大的保险防护才干也需求也会越来越高，以便抵御可能的新要挟。
2018 年会有哪些趋向：确保执行全球数据维护协议 (GDPR)，以及继续补上机器学习系统欠的技术债，在我看来将会是 2018 年的重点趋向。GDPR 作为欧盟的协议，对全球的商业都有约束才干，一切的数据科学家也都应该了解这会对他们的工作产生何种影响。就像谷歌的 NIPS 2016 论文中讲到的那样，盘绕数据构建业务是十分花钱的，随着企业们发明出越来越复杂的数据驱动模型，他们需求认真思索思索如何面对其中的成本。
Rachel Thomas，USF 副教授、fast.ai 开创人
固然不如 AlphaGo 或者会翻跟头的机器人那么亮眼，但我最喜欢的 2017 年的 AI 趋向是各种深度学习框架都变得十分易用、触手可及。今年发布的 PyTorch 对任何会 Python 言语的人来说都十分易于上手（很大水平上是由于动态计算和 OOP 设计）。即便 TensorFlow 也在向着这个方向改进，曾经把 Keras 包含进中心代码库内，并且宣布了 eager execution（动态执行）。程序员们运用深度学习的门槛开端变得越来越低。我等候在 2018 年看到这个趋向持续下去，让开发者们越来越觉得它们好用、易用。
第二个趋向是媒体会越来越多地报道专制政府如何借助 AI 的力气对人民中止监控。这种要挟在 2017 年就曾经不是什么新颖事了，但它直到最近才开端惹起普遍的关注。曾经有研讨展示出深度学习能够辨认出戴围巾和帽子的示威者，或者看面部照片就辨认出某人的性取向，这都让媒体增加了许多关于 AI 隐私保险的关注度。希望在 2018 年我们能够继续拓展关于 AI 伦理的讨论，而不只仅是和马斯克一同惧怕邪恶的超级人工智能行将到来；同时，监控、隐私权、对性别和种族歧视状况的采集也还有很大的讨论必要。 
| 
名表回收网手机版
