为什么2017年被称为“AI年”?12项惊人突破印证了这一说法

智能观 2018-02-12 08:57:00 120

2017年,科学家们努力让机器拥有自己的头脑,成为更聪明的人工智能专家。机器学习(尤其是深度学习)几乎把人工智能领域最令人震撼的成就——从通过人类游戏击败最佳程序,到创造与人类创造力相媲美的艺术神经网络——都实现了。

现在看来,人工智能专家们称2017年为“AI年”是很恰当的。在过去的一年里,有十几项重大的深度学习突破印证了这一说法。

1. DeepMind的AlphaZero在围棋、将棋和国际象棋中排名第一

继2016年夺冠后,AlphaGo在一年之后升级成了强大的AlphaZero。除了基本的游戏规则外,不需要任何人为指导,AlphaZero在短短四小时内,学会了如何自我对弈并达到大师水准,然后在100场比赛中取得全胜,未失一局。

2.OpenAI的Universe吸引了许多合作伙伴

为了实现“友善”的通用人工智能,OpenAI推出免费平台Universe,开发人员可以在平台上通过强化学习,训练AI代理适应不同的环境,如网站、应用程序和游戏。该平台于2016年12月发布,在2017年获得关注, EA、Valve和微软工作室等合作伙伴纷纷加入,允许Universe的AI代理在他们的游戏中遨游和学习。

3.  Sonnet和Tensorflow Eager加入开源框架家族

Google在2015年推出TensorFlow作为开源机器学习库,一年后推出Magenta(一个创造艺术和音乐的AI平台)。2016年,Facebook AI发布了支持动态图的Python深度学习平台PyTorch,Google随即发布实现类似功能的Tensorflow Eager。2017年,Google通过AI子公司DeepMind发布了Sonnet,这是一个开源框架,使开发人员可以更轻松地构建神经网络。

4. Facebook和微软联合,以实现AI框架的互操作性

这俩技术巨头在AWS、Nvidia、Qualcomm、Intel和华为等合作伙伴的帮助下,开发了“开放式神经网络交换(ONNX)”,这是一种开放式的深度学习模式,允许模型在一个框架内训练,在另一个框架内推理。

5.Unity使开发人员能在游戏中轻松构建智能代理

Unity是全球领先的游戏开发公司之一,推出机器学习平台ML-Agents,让AI开发人员和研究人员在Unity模拟和游戏环境中,使用演化策略、深度强化学习和其他训练方法来训练智能代理。

6.机器学习即服务(MLAAS)平台无处不在

2017年,每个科技巨头都希望他们的机器学习即服务平台(MLaaS)轰动全球,让缺乏技术人才的企业,使用他们的API实现企业的新突破,从而实现“AI民主化”。Google的预测服务转移到Google Cloud AI名下,亚马逊则扩大了对Lex、Polly和Alexa Skills Kit等语音和NLP平台的访问,而微软和IBM同样也在积极推广自己的产品。

越来越多的企业也开始建设内部机器学习平台和深度学习中心。Uber有米开朗基罗(michelangelo),Facebook有FBLearner Flow,Twitter有Cortex。Capital One和其他前瞻性公司也纷纷建立了自己的机器学习中心。

7. Gan 家族不断壮大

2017年1月,一组人工智能研究人员发表了一篇关于Wasserstein GAN(WGAN)的关键论文,这是对传统GAN(生成对抗网络)训练的重大改进。WGAN提高了学习稳定性,解决了模式崩溃问题,并改善了调试过程。从BEGAN、CycleGan到Progressive GAN 的一系列新的GAN也蓬勃发展起来。GAN的不断演进,最终使Nvidia生成了高分辨率的假的名人面部照片。

8.有了“Attention”,谁还需要递归和卷积?

自然语言处理任务,如语音识别和机器翻译,一直使用LSTM之类的神经网络架构。2017年,一篇突破性的论文“Attention Is All You Need”提出了一个新的模型,即Transformer,它省去了递归和卷积的复杂处理,以实现机器翻译任务的最新性能。目前来看,英语到德语和英语到法国的翻译是没问题的。

虽然还需要更多的研究来了解Transformer架构是否适用于所有案例,但该论文已经在AI社区引起热议,并在Arxiv Sanity(一个基于arXiv 的一个增强交互平台)最受欢迎论文排名上盘踞第四位。

9. AutoML简化了数据科学家和机器学习工程师的工作

是什么让机器学习“难”?

许多从业人员都认为,获取高性能模型所需的数据管理和迭代调试是最大的障碍。AutoML是一个平台,可以自动完成机器学习各主要部分,包括数据清理和准备,模型参数搜索和优化,以及部署和扩展。值得注意的除了谷歌的AutoML ( in alpha ),还有亚马逊的SageMaker,DataRobot,H2O . AI的Driverless AI,以及开源Python解决方案TPOT。

10.辛顿宣布反向传播已死,并推出胶囊网络

在深度神经网络中,反向传播几乎是每个显著成就的支柱,但深度学习先驱杰弗里·辛顿警告说,这种技术不太可能把我们引向AGI(通用人工智能)。他的言论在整个行业引起轩然大波,并由此引发了许多争论。

与此同时,辛顿也在暗示新的网络架构“胶囊网络”将出现,在万众期待的情况下,他在2017年推出胶囊网络。胶囊网络克服了许多卷积神经网络的局限性。

11.光学计算和量子计算进入人工智能的硬件战争

更先进的硬件意味着更好的AI。谷歌推出专门为人工智能研究而设计的第二代张量处理单元(TPU),但它面临技术创新上的竞争对手,量子计算和光学计算。研究人员和工程师发现,在深度学习中使用的矩阵运算,可以从电子计算范式转换为光电子计算范式,并行完成。不久之后,IBM和谷歌纷纷宣布了自己在量子计算方面取得了里程碑式的进展。

12. ML系统的道德与公正问题变得越来越重要

我们已经看到大量关于扩大教育全球化,消除AI算法偏见的文章。这项艰巨的任务需要所有AI专业人员和世界各地不同社区合作,确保AI技术服务全人类,而不仅仅服务少数精英。

由于技术进步的速度惊人,我们根本没时间理解自己所有的发明创造,一些领先的技术专家敲响了警钟,希望采取行动,确保人工智能的道德与公正。

《Weapons of Math Destruction》一书的作者凯西·奥内尔(Cathy O 'Neil)说,我们不能对大数据盲目信任。

斯坦福教授、谷歌云AI/ML的首席科学家李飞飞推出AI4ALL,这是一个培养AI领域多样化人才的非营利教育机构。微软研究院、纽约大学的凯特·克劳福德(Kate Crawford),谷歌开放资源研究与安全团队创始人梅雷迪思·惠特克(Meredith Whittaker)推出“AI Now”,一个跨学科的研究机构,致力于研究人工智能的社会影响。在2017年NIPS的演讲中,克劳福德强调了当今机器学习系统面临的诸多挑战,并号召社区将伦理、公平和安全放在首位。

因此, 我认为2017 可以称为 "人工智能年"。问题是, 我们该怎么称呼2018年, 它会展现出更多的人工智能奇迹吗?


—完—

亲爱的朋友:

这篇文章带我们回顾了AI的2017,我们期待它精彩的2018。

祝安!

                                    智能观  一米

                          2018-2-11 于北京中关村


想知道AI加教育领域有哪些最新研究成果?

想要AI领域更多的干货?

想了解更多专家的“智能观”?

请在对话界面点击“找找看”,去获取你想要的内容吧。


声明

编译文章旨在帮助读者了解行业新思想、新观点及新动态,为原作者观点,不代表智能观观点。