2017 年人工智慧最大的進展是什麼？

01-12

這一年裡雖然大眾的關注度在不斷提升，但真正技術方面的進展好像停滯了，並沒有前幾年AlphaGo、ResNet、GAN這樣的里程碑性的成果。

Hinton前兩天不是剛說完嗎，2017年沒什麼大進展。

強答一個吧：無監督機器翻譯。

還有我覺得，技術發展是有一個過程的，一項好的成就可能當時並不廣為人知，經過一段時間的沉澱以後才成為經典，也許要再過幾年才能發現今年的某項工作是一個重要思想的開端。

主要進展應該是在應用場景化上吧，真正技術方面確實進展不大。

為了完美的總結2017年，更好的走向2018年，科技媒體KDnuggets向大數據，數據科學，人工智慧和機器學習的一些頂尖專家詢問了一些他們認為的2017年最重要的發展以及2018年發展趨勢的意見。

本文全篇的全部都是圍繞一個問題：

「2017年，機器學習和人工智慧最重要發展是什麼？2018年有什麼發展趨勢？」

他們的回答大多集中以下熱點：

1.AlphaGo的成功。

2.深度學習的狂熱。

3.自動駕駛汽車。

4.TensorFlow對神經網路技術商業化的推動。

Xavier Amatriin：最大贏家Alpha Go Zero

Xavier Amatriin：Curai的聯合創始人兼首席技術官，曾是Quora的工程副總裁和Netflix的研究/工程總監。

「AlphaGo Zero無疑是今年最大的亮點。它不僅向我們展示了最有希望的方向上的技術改進（如深度強化學習），而且這種模式可以在沒有數據的情況下進行學習，這是一個非常大的轉變，我們最近也將Alpha Go Zero 這種問題的解決方案推廣到象棋這樣的遊戲。

2017年在人工智慧技術方面，Pytorch開始挑起熱潮，成為Tensorflow的真正挑戰，特別是在研究方面。為此，Tensorflow通過在Tensorflow Fold中發布動態網路迅速作出應對。大公司的「AI之戰」業很激烈，其中最激烈的是雲。所有的供應商都加快了腳步，增加了他們在雲服務上的AI支持。來自中國的阿里雲正在將人工智慧應用到工業中，並且已經取得了不錯的成績。譯者認為，人工智慧的應用應該是從工業開始，進而在接觸真正的大眾用戶。

2017年，關於人工智慧社會問題有進一步的升級。伊隆·馬斯克（Elon Musk）認為人工智慧正在接近殺手級AI。關於人工智慧在未來幾年會如何影響就業，也有很多討論，學術界更多的將目光放在AI演算法的透明度和偏見上。

Georgina Cosma：讓黑匣子看得見：

Georgina Cosma是諾丁漢特倫特大學科學與技術學院的高級講師。

機器學習模式，特別是深度學習模式正在對醫療保健，法律制度，工程和金融業等領域產生重大影響。但是，大多數機器學習模型並不容易解釋。了解一個模型如何實現預測尤為重要，也就是說必須要有合理的解釋來說服人們相信這個預測結果。更重要的是，一些機器學習模型的預測必須與法律法規相一致。2018年是創建足夠透明的深度學習模型來解釋他們的預測的時候，特別是當這些模型的結果被用來告知人類決策的時候。

Pedro Domingos：人工智慧領域競爭依然激烈

Pedro Domingos是華盛頓大學計算機科學與工程系的教授。

1. Libratus的撲克勝利，將AI的主導地位擴展到不完善的信息遊戲（www.cmu.edu/news/stories/archives/2017/january/AI-beats-poker-pros.html）

2. 自動駕駛汽車和虛擬助手的競爭越來越激烈，Alexa在後者中佔有一席之地。

3. AlphaGo Zero是偉大的，但不是一個突破，自我遊戲是ML中最古老的想法之一。

4. 雲計算市場競爭依然激烈。

Ajit Jaokar：人工智慧商業化依然很難推進

Ajit Jaokar是牛津大學數據科學物聯網課程的首席數據科學家和創建者。

2017年是AI發展的一年，2018年將是AI成熟的一年。我們已經看到這一趨勢從AI與「系統工程/雲原生」的角度。AI變得越來越複雜，但h2o.ai這樣的公司會簡化了部署AI的複雜性。

人工智慧被越來越多的當成競爭優勢，特別是在工業物聯網，零售和醫療保健方面。我也看到人工智慧正在迅速部署在企業的各個層面（這會創造很多崗位，但更多的崗位正在失去）。

另外，我認為人工智慧可以通過嵌入式AI（即跨越企業和物聯網的數據科學模型）讓傳統企業和更廣泛的供應鏈合併在一起的。

最後，我認為認識AI /深度學習技術的數據科學家的短缺或許將成為阻礙人工智慧商業化的過程。

尼基塔·約翰遜：人工智慧讓商業更智能

尼基塔·約翰遜，RE.WORK的創始人。

2017年，ML＆AI取得了巨大的進步，特別是DeepMind最近推出的強化學習演算法，通過四個小時的學習，打敗了世界上最好的象棋遊戲程序。

2018年，我期望看到智能自動化滲透到傳統製造組織，零售，公用事業等企業。隨著數據收集和分析的不斷增加，企業級自動化系統戰略的需求將愈加強烈。這將促使公司能夠投資於AI的長期計劃，並確保未來增長和效率的優先事項。

我們還將看到自動化的機器學習，幫助非AI研究人員更容易地使用該技術，並使更多的公司能夠將機器學習方法應用到他們的工作中。

Hugo Larochelle：讓人興奮的元學習

Hugo Larochelle是Google的一名科學家，加拿大高級研究機構和大腦學習機構的副主任。

機器學習最讓我興奮的是是我摯愛的元學習（meta-learning）正在不斷的發展。元學習是一個特別廣泛的總稱。但是，今年對我來說最令人興奮的是在少數學習問題上取得了進展，它解決了從少數幾個例子中發現學習演算法的問題。切爾西費恩在今年年初做了一個很好的工作，總結了這個話題的早期進展，並寫了一篇博客：bair.berkeley.edu/blog/2017/07/18/learning-to-learn/。

而且在今年，研究人員發表了更多關於少量鏡頭學習的元學習的研究，使用深度時間卷積網路（arxiv.org/abs/1707.03141），圖形神經網路（arxiv.org/abs/1711.04043）等。我們現在也看到元學習方法學習做主動學習（arxiv.org/abs/1708.00088），冷啟動項目推薦（papers.nips.cc/paper/7266-a-meta-learning-perspective-冷開始推薦項目），少數分布估計（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），還有很多。

Charles Martin：AI經濟即將爆發

Charles Martin是數據科學家和機器學習AI顧問。

2017年，深度學習AI平台和應用程序發展勢頭異常迅猛。今年，Facebook發布了PyTorch，以及Gluon，Alex，AlphaGo也在不斷更新。ML從特徵工程和邏輯回歸發展到閱讀論文，應用神經網路，優化培訓效果。在我的工作中，客戶已經在尋求自定義對象檢測，高級NLP和強化學習服務。當比特幣飆升的時候，人工智慧一直是一場沉默的革命，其在零售業應用激起人們認為人工智慧將破壞行業。更多的企業也嘗試尋找人工智慧方案來改變自己。

2018年必將成為全球人工智慧經濟的突破之年。全世界各地的人工智慧需求業正在增加。來自中國和加拿大的人工智慧以及印度等國家戰略正從IT調整為人工智慧。在國家戰略的推動下，人工智慧將實現大規模的效率，傳統行業受益，如製造業，醫療保健和金融。人工智慧創業公司將把新產品推向市場並儘可能的佔領更多的市場份額。同時，自動駕駛汽車也將會帶來驚人的進步。

Sebastian Raschka：關於AI隱私的話題依然值得關注

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。

在過去的幾年中，開源社區已經就新出現的深度學習框架進行了大量的討論。現在，這些工具已經有所成熟了，我希望看到一種去工具為中心的方法，並將更多的精力用於開發和實現利用深度學習的新穎想法和應用。如今年很火爆的GAN和Hinton capsule來解決更多的現實問題。

此外，根據我們最近的半對抗神經網路保護臉部圖像隱私的論文，用戶隱私在深度學習應用程序是一個非常重要的問題，我希望並期望這個話題在2018年獲得更多的關注。

Brandon Rohrer： AI依然需要更加強壯

Brandon Rohrer是Facebook的一名數據科學家。

2017年有更多機器擊敗人類，去年，AlphaGo擊敗了世界上的圍棋冠軍，成為戰勝人類智慧的一個里程碑。今年，AlphaGo Zero從頭開始學習，成功的打敗了它的前任。（deepmind.com/blog/alphago-zero-learning-scratch）重要的是它不僅擊敗了人類，而且還打敗了全體人類集體的經驗。

然而，人工智慧的成就仍然狹窄和脆弱，改變圖像中的單個像素就可以擊敗最先進的分類器。（arxiv.org/pdf/1710.08864.pdf）我預計，2018年將出現更多通用和強大的AI解決方案。幾乎主要的科技公司都已經有了一個人工智慧的團隊。這些團體及其早期成果將成為頭條新聞，而「AGI」將會取代「AI」成為當年的流行詞。

Elena Sharova：儲存數據的安全性和成本依然是最大的問題

Elena Sharova，一家投資銀行的數據科學家。

2017年，我看到公司和個人將他們的數據和分析轉移到基於雲的解決方案的數量有所增加，以及對數據安全性的重要性的認識急劇增加。

最大最成功的技術公司已經競相成為用戶的數據存儲和分析平台。對於數據科學家來說，這意味著他們開發的工具箱和解決方案正在被這樣的平台所能提供的功能和能力所改變，但總的方向是好的。

2017年，數據安全漏洞問題在全球範圍內引起關注。這是一個不容忽視的問題。隨著越來越多的數據轉移到第三方存儲，對於適應新威脅的更強大安全性的需求將繼續增長，選擇第三方儲存更需要考慮安全性問題。

我個人覺得，2018年我們將需要進行更多工作以確保遵守《全球數據保護條例》（GDPR），並處理更多機器學習系統帶來的「隱藏」技術「債務」。GDPR 作為一項歐盟法規具有全球影響力，所有數據科學家應該充分意識到其將會對他們的工作產生什麼影響。同時，隨著企業創建複雜的數據驅動模型，服務提供商將不得不仔細考慮如何解決這一成本問題。

Tamara Sipes：深度學習演算法會繼續成為人工智慧的核心

Tamara Sipes，Optum / UnitedHealth Group商業數據科學總監。

1. 深度學習和集成建模方法在2017年繼續證明了與其他機器學習工具相比的價值和優勢。特別是深度學習在各個領域和行業得到了更廣泛的應用。

2. 2.2018年的趨勢，深度學習可能會被用來從原始輸入中產生新的特徵和新的概念，並取代手工創建或設計新變數的需求。深度網路在檢測數據的特徵和結構方面是非常強大的，數據科學家正在認識到無監督深度學習可以為此發揮的價值。

3. 有效的異常檢測可能也是未來的重點。在許多行業中，數據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，財務欺詐檢測，欺詐，浪費，醫療保健中的濫用和錯誤以及設備故障等等。成果的檢測到這些罕見的事件是使競爭優勢領域的競爭者。

Rachel Thomas：深度學習框架將越來越容易交互

Rachel Thomas，fast.ai的創始人，也是USF助理教授。

雖然不像Alpha Go或者翻轉機器人那樣有影響力，在2017年，我最興奮的AI趨勢是深度學習框架變得更加用戶友好且易於使用。PyTorch對任何了解Python的人都很友好（主要是由於動態計算和OOP的設計）。即使TensorFlow正朝著這個方向發展，將Keras納入其核心代碼庫並宣布發布動態執行。工程師使用深度學習的障礙正在越來越低，我預計2018年開發人員的增長趨勢將持續下去。

第二個趨勢是媒體報道的專制政府將使用人工智慧監控公民。這個隱私威脅對於大多數人來說並不陌生，但直到最近才開始受到廣泛的關注。利用深度學習來識別戴著圍巾和帽子的示威者，或者通過圖片來識別某人的性取向，使得今年更多的媒體關注AI隱私風險。希望在2018年，我們可以聚焦在這些問題，努力的去解決隱私和性別歧視和種族主義偏見的編碼問題。

Daniel Tunkelang：人工智慧的可解釋性仍需探索

Daniel Tunkelang，Twiggle的首席搜索傳播者，眾多知名組織的顧問。

對於自動駕駛汽車和會話數字助理而言，2017年是一個重要的一年。這兩個應用程序是學習將科幻小說變為事實的實踐。

但今年機器學習和人工智慧最重要的發展一直是關注道德，問責和可解釋性。伊隆·馬斯克（Elon Musk）以他關於人工智可能會觸發世界大戰的啟示性警告引發來廣泛熱議，Oren Etzioni和Rodney Brooks等人對其觀點都進行了反駁。儘管如此，我們還是面臨著機器學習模式偏差可能導致的危險，如word2vec中的sexism（性別歧視），演算法刑事判決中的種族主義，以及對社交媒體feed的評分模型的故意操縱。這些問題是一直存在的，但是機器學習的加速應用，已經將這些問題拋向了大眾。

我們最終會看到可解釋的AI作為一門學科出現，它會彙集學者，業界從業者和政策制定者。

本文由阿里云云棲社區組織翻譯。

文章原標題《Machine Learning Artificial Intelligence :Main Developments in 2017 and Key Trends in 2018》

煮酒論AI，看看大牛怎麼說-博客-雲棲社區-阿里雲

更多技術乾貨敬請關注云棲社區知乎機構號：阿里云云棲社區 - 知乎

匿名來一個吧。。。2017年有很多想法在醞釀，明年爆不爆發得了就不知道了。

首先是對於SGD作為優化演算法的局限性的認識。很多人開始尋找能夠比SGD更為優秀的搜索演算法（比如進化之類的玩具？）。
meta learning在進展，這個會促進人們更好地理解learning本身（至少更好地理解RL吧），以及會使得一大堆需要few shot generalization以及類似的問題上得到一些更為有效的解決方案。
對於machine learning問題結構，以及這些結構本身（或者抽象）可能會有更好的理解。很多人已經開始在各種問題上嘗試讓網路自發地產生結構。結果因為第一點而很難成功，但未嘗不能因為第二點而產生突破。

技術從來沒有停滯，機會就在眼前吧。

沒有大躍進一樣的大進展。

有點意思的提名一個，CycleGAN。倒不是說demo有多酷炫，而是CycleGAN提供一個不需要parallel alignment就能作domain adaption的思路，年底有幾篇paper把這個思想應用到了機器翻譯上取得了不錯的效果，對於缺乏語料的小語種來說算是個突破吧。

主要是炒熱概念，現在的「人工智慧」在應用領域，真的是「人工」智能

face-id

最大的進展是忽悠了一大批不自量力以為自己能靠搞人工智慧跨越階級實際上只能去大公司當個螺絲釘的it畢業生們去給資本家當廉價勞動力。

基於VSLAM技術的工業、商業、服務機器人逐步在各自的應用場景中開始落地，拿到市場訂單。

最大的進展就是大眾普及。。。

一個簡單的程序都給吹成AI了。。。

MD 現在隨隨便便一個開個新品發布會不提AI都不好意思跟人打招呼。

謝邀。

從對阿爾法狗進化的驚訝到對網紅機器人索菲亞公民身份認定的矛盾，人們對AI 發展的關注從未減少。眼前所見並不意味終結，AI 對人類的影響，或許才剛剛開始。據麥肯錫估計，到2025年，AI 應用的總市場將達到1270億美元，未來十年甚至更久時間，人工智慧對人類社會的影響，將呈劇增趨勢。

人工智慧的大門已經敞開，國家級發展規劃和國字頭四大人工智慧平台的發布，意味著人工智慧真正上升為國家戰略，對於相關企業來說，無疑是紅利的釋放。事實上，只有人工智慧才能為「萬物互聯」之後的應用問題提供最完美的解決方案，它將成為未來最重要的技術革命。而目前市場關心的IT和互聯網領域的幾乎所有主題和熱點（智能硬體、O2O、機器人、無人機、工業4.0），發展突破的關鍵環節都是人工智慧。可迄今為止，全球範圍內，還沒有一家公司的AI生態體系獲得整個行業認可，也沒有成型的標準去解決不同類型問題的通用人工智慧。

全球首個女性機器人獲得沙特公民身份，這個算不算？

在技術上沒有什麼突破突破性的進展

但是炒概念的趨勢進一步擴大

期待明年會有新的神經網路優化方法

最大的進展估計就是應用更廣泛了吧！

高端的就是alpha go下圍棋

民用化方面google tensorflow開源，是的更多的人能夠使用和學習機器學習這個東西。大大降低了機器學習的門檻，讓更多人嘗試的做自己的機器學習應用。