一文盘点2019年AI领域都发生了什么

（原标题：一文盘点2019年AI领域都发生了什么）

回首即将逝去的2019年，在人工智能领域中，都有哪些可圈可点的地方呢？《生成式深度学习》（Generative Deep Learning）（O' Reilly Media 2019年出版）一书作者 David Foster 为我们进行了回顾，对人工智能世界在这一年来发生的事情进行了大盘点。

2019年无疑是忙碌的一年。人工智能的进步和新闻频频登上头条新闻，让我们的生活充满了敬畏和自豪的时刻，但一些其他时刻充却斥着一种恼人的想法，那就是这项技术让人们发现，我们的社会并没有准备好迎接人工智能的普及。

2019年，究竟是人工智能进步的一年，还是幻灭的一年呢？随着研究人员攻城略地，迅速攻克以前难以企及的基准，今天，我们可不可以这样认为，这个领域已经正在步入稳步发展的轨道呢？在 ADSP（Applied Data Science Partners，意即“应用数据科学合作伙伴”）网站上，我们想后退一步，把2019年的人工智能界发生的事件整理好，以让公众能够有个全新的视角。在聚光灯下，重要的是要将一项工作最初吸引人们的兴趣，与它的实际重要性，以及它对该领域产生的影响区分开来。为此，本文将展开人工智能故事的平行线索，并试图分离出它们的意义。多亏了我们出色的内容作家 Elena Nisioti，她将这些故事讲得如此精彩！让我们坐下来，一起回顾2019年的人工智能领域的方方面面。

处在文艺复兴时期的领域

如果让我们用一句话来描述2019年的人工智能现状，那很可能是：“强化学习（Reinforcement Learning ）回归，看起来将永存”。

到目前为止，我们中的大多数人可能已经熟悉了监督式学习（Supervised Learning），有些人收集了大量的训练数据，将它们馈送到机器学习算法中，然后得到一个模型，这个模型可以为我们进行 预测和分类。我们中的一些人甚至可能有这样的印象：即，人工智能就是监督式学习的同义词，然而监督式学习只不过是我们今天拥有的众多类型的机器学习中的一种罢了。

在强化学习（Reinforcement Learning，RL）中，智能体用试错的方法，通过与环境进行交互来学习，这种环境会给它们的行为提供奖励回报。当涉及到多个智能体时，它们被称为多智能体强化学习系统（Multi-agent Reinforcement Learning System）。这个领域已经存在几十年，从概念上来讲，它听起来比监督式学习更像是一种合理的创造智能的学习机制。然而，直到2015年，DeepMind 才获得了人们的关注，当时 DeepMind 使用深度Q学习（Deep Q-learning）创建了Atari（雅达利）游戏的智能体，这是一种结合了经典强化学习算法和深度神经网络的算法。2018年，OpenAI也通过解决Montezuma’s Revenge（一款被认为难度特别高的 Atari 游戏），从而在这一领域确立了自己的地位。

在过去的几个月里，事态升级了：

这些工作重新唤起了学术界对强化学习的信念，在过去，人们曾经认为强化学习效率低下，过于简单，无法解决复杂的问题，甚至连游戏的问题也不能解决。

今年，另一个大受欢迎的应用是自然语言处理（Natural Language Processing，NLP）。尽管研究人员在这一领域工作了几十年，但近些年的自然语言处理系统生成的文本听起来还是不够自然。自2018年底以来，人们的注意力已经从过去的词嵌入转移到 预训练语言模型，这是自然语言处理从计算机视觉中借鉴来的一种技术。这些模型的训练是以非监督的方式进行的，这使得现代系统能够从互联网上的大量文本中进行学习。因此，这些模型变得“博闻强识”，并发展出了理解上下文的能力。然后，可以通过监督式学习进一步提高它们在特定任务上的表现。这种通过在不同任务上训练机器学习模型来改进模型的做法，属于迁移学习（transfer learning）的范畴，被认为具有巨大的潜力。

自去年 Google BERT、ELMo和ulmfit 等系统在2018年底推出以来，自然语言处理一直风头正茂，但今年的聚光灯被 OpenAI 的 GPT-2给“夺走了”，它的表现引发了人们对自然语言处理系统的道德使用的大讨论。

实践走向成熟

今年，人们也见证了最近一些深度学习技术走向成熟。应用监督式学习，特别是 计算机视觉 技术，已经催生了现实生活中成功的产品和系统。生成对抗网络（Generative Adversarial Networks，GAN）是一对神经网络，其中，生成器网络试图通过学习生成模仿训练数据的图像来欺骗判别器网络，现在已经达到了近乎完美的水平。对人工智能来说，创造虚假但又逼真的人物和物体的图像，已经不再是前沿领域了。

从2014年生成对抗网络的引入 到2019年 NVDIA 开源的 StyleGAN，一图胜千言，我们用下面的图片来说明，这可能是理解该领域进展情况的最佳方式：2019年，人工智能创造的艺术品甚至脱离了过去几年的假设性讨论，成为了今天博物馆装置和拍卖 的一部分。计算机视觉还被应用于一些具有重大商业和社会意义的领域，包括自动驾驶车辆和医学。但是，人工智能算法在这些领域中的应用自然是缓慢的，因为它们直接与人类生活直接互动。至少到目前为止，这些系统还 不是完全自主的，它们的目的，在于支持和 增强 人类操作员的能力。研究团队正与医院密切合作，开发用于疾病早期预测的人工智能系统，并整理大量的健康数据档案，其中一个值得注意的例子，是DeepMind Health和UCLH之间正在进行的合作。然而，这些工作中的大部分仍处于试验阶段，迄今为止，唯一获得 FDA 批准的人工智能系统是SubtlePet，这是一款使用深度学习增强医学图像的软件。

沉睡的巨人

（编辑：52刷机网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!