為什麼2017年被稱為「AI年」?12項驚人突破印證了這一說法

2017年,科學家們努力讓機器擁有自己的頭腦,成為更聰明的人工智慧專家。機器學習(尤其是深度學習)幾乎把人工智慧領域最令人震撼的成就——從通過人類遊戲擊敗最佳程序,到創造與人類創造力相媲美的藝術神經網路——都實現了。

現在看來,人工智慧專家們稱2017年為「AI年」是很恰當的。在過去的一年裡,有十幾項重大的深度學習突破印證了這一說法。

1. DeepMind的AlphaZero在圍棋、將棋和國際象棋中排名第一

繼2016年奪冠後,AlphaGo在一年之後升級成了強大的AlphaZero。除了基本的遊戲規則外,不需要任何人為指導,AlphaZero在短短四小時內,學會了如何自我對弈並達到大師水準,然後在100場比賽中取得全勝,未失一局。

2.OpenAI的Universe吸引了許多合作夥伴

為了實現「友善」的通用人工智慧,OpenAI推出免費平台Universe,開發人員可以在平台上通過強化學習,訓練AI代理適應不同的環境,如網站、應用程序和遊戲。該平台於2016年12月發布,在2017年獲得關注, EA、Valve和微軟工作室等合作夥伴紛紛加入,允許Universe的AI代理在他們的遊戲中遨遊和學習。

3. Sonnet和Tensorflow Eager加入開源框架家族

Google在2015年推出TensorFlow作為開源機器學習庫,一年後推出Magenta(一個創造藝術和音樂的AI平台)。2016年,Facebook AI發布了支持動態圖的Python深度學習平台PyTorch,Google隨即發布實現類似功能的Tensorflow Eager。2017年,Google通過AI子公司DeepMind發布了Sonnet,這是一個開源框架,使開發人員可以更輕鬆地構建神經網路。

4. Facebook和微軟聯合,以實現AI框架的互操作性

這倆技術巨頭在AWS、Nvidia、Qualcomm、Intel和華為等合作夥伴的幫助下,開發了「開放式神經網路交換(ONNX)」,這是一種開放式的深度學習模式,允許模型在一個框架內訓練,在另一個框架內推理。

5.Unity使開發人員能在遊戲中輕鬆構建智能代理

Unity是全球領先的遊戲開發公司之一,推出機器學習平台ML-Agents,讓AI開發人員和研究人員在Unity模擬和遊戲環境中,使用演化策略、深度強化學習和其他訓練方法來訓練智能代理。

6.機器學習即服務(MLAAS)平台無處不在

2017年,每個科技巨頭都希望他們的機器學習即服務平台(MLaaS)轟動全球,讓缺乏技術人才的企業,使用他們的API實現企業的新突破,從而實現「AI民主化」。Google的預測服務轉移到Google Cloud AI名下,亞馬遜則擴大了對Lex、Polly和Alexa Skills Kit等語音和NLP平台的訪問,而微軟和IBM同樣也在積極推廣自己的產品。

越來越多的企業也開始建設內部機器學習平台和深度學習中心。Uber有米開朗基羅(michelangelo),Facebook有FBLearner Flow,Twitter有Cortex。Capital One和其他前瞻性公司也紛紛建立了自己的機器學習中心。

7. Gan 家族不斷壯大

2017年1月,一組人工智慧研究人員發表了一篇關於Wasserstein GAN(WGAN)的關鍵論文,這是對傳統GAN(生成對抗網路)訓練的重大改進。WGAN提高了學習穩定性,解決了模式崩潰問題,並改善了調試過程。從BEGAN、CycleGan到Progressive GAN 的一系列新的GAN也蓬勃發展起來。GAN的不斷演進,最終使Nvidia生成了高解析度的假的名人面部照片。

8.有了「Attention」,誰還需要遞歸和卷積?

自然語言處理任務,如語音識別和機器翻譯,一直使用LSTM之類的神經網路架構。2017年,一篇突破性的論文「Attention Is All You Need」提出了一個新的模型,即Transformer,它省去了遞歸和卷積的複雜處理,以實現機器翻譯任務的最新性能。目前來看,英語到德語和英語到法國的翻譯是沒問題的。

雖然還需要更多的研究來了解Transformer架構是否適用於所有案例,但該論文已經在AI社區引起熱議,並在Arxiv Sanity(一個基於arXiv 的一個增強交互平台)最受歡迎論文排名上盤踞第四位。

9. AutoML簡化了數據科學家和機器學習工程師的工作

是什麼讓機器學習「難」?

許多從業人員都認為,獲取高性能模型所需的數據管理和迭代調試是最大的障礙。AutoML是一個平台,可以自動完成機器學習各主要部分,包括數據清理和準備,模型參數搜索和優化,以及部署和擴展。值得注意的除了谷歌的AutoML ( in alpha ),還有亞馬遜的SageMaker,DataRobot,H2O . AI的Driverless AI,以及開源Python解決方案TPOT。

10.辛頓宣布反向傳播已死,並推出膠囊網路

在深度神經網路中,反向傳播幾乎是每個顯著成就的支柱,但深度學習先驅傑弗里·辛頓警告說,這種技術不太可能把我們引向AGI(通用人工智慧)。他的言論在整個行業引起軒然大波,並由此引發了許多爭論。

與此同時,辛頓也在暗示新的網路架構「膠囊網路」將出現,在萬眾期待的情況下,他在2017年推出膠囊網路。膠囊網路克服了許多卷積神經網路的局限性。

11.光學計算和量子計算進入人工智慧的硬體戰爭

更先進的硬體意味著更好的AI。谷歌推出專門為人工智慧研究而設計的第二代張量處理單元(TPU),但它面臨技術創新上的競爭對手,量子計算和光學計算。研究人員和工程師發現,在深度學習中使用的矩陣運算,可以從電子計算範式轉換為光電子計算範式,並行完成。不久之後,IBM和谷歌紛紛宣布了自己在量子計算方面取得了里程碑式的進展。

12. ML系統的道德與公正問題變得越來越重要

我們已經看到大量關於擴大教育全球化,消除AI演算法偏見的文章。這項艱巨的任務需要所有AI專業人員和世界各地不同社區合作,確保AI技術服務全人類,而不僅僅服務少數精英。

由於技術進步的速度驚人,我們根本沒時間理解自己所有的發明創造,一些領先的技術專家敲響了警鐘,希望採取行動,確保人工智慧的道德與公正。

《Weapons of Math Destruction》一書的作者凱西·奧內爾(Cathy O Neil)說,我們不能對大數據盲目信任。

斯坦福教授、谷歌雲AI/ML的首席科學家李飛飛推出AI4ALL,這是一個培養AI領域多樣化人才的非營利教育機構。微軟研究院、紐約大學的凱特·克勞福德(Kate Crawford),谷歌開放資源研究與安全團隊創始人梅雷迪思·惠特克(Meredith Whittaker)推出「AI Now」,一個跨學科的研究機構,致力於研究人工智慧的社會影響。在2017年NIPS的演講中,克勞福德強調了當今機器學習系統面臨的諸多挑戰,並號召社區將倫理、公平和安全放在首位。

因此, 我認為2017 可以稱為 "人工智慧年"。問題是, 我們該怎麼稱呼2018年, 它會展現出更多的人工智慧奇蹟嗎?

來源:福布斯

作者:Mariya Yao

智能觀 編譯

—完—

親愛的朋友:

這篇文章帶我們回顧了AI的2017,期待它精彩的2018。

祝安!

智能觀 一米

2018-2-11 於北京中關村

聲明:

編譯文章旨在幫助讀者了解行業新思想、新觀點及新動態,為原作者觀點,不代表智能觀觀點。


推薦閱讀:

糾錯不能,量子計算遇難題
谷歌推出72比特量子計算機,有望幾個月內實現量子霸權
【施堯耘評量子計算 2018 魔道大戰】量子霸權首現,宇宙中第一個拓撲量子比特或爆發
【媒體專訪】本源量子陳昭昀:量子計算應用未來大有可為

TAG:人工智慧 | 開源 | 量子計算 |