為什麼2017年被稱為「AI年」？12項驚人突破印證了這一說法

來源：福布斯

作者：Mariya Yao

智能觀 編譯

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。

GIF

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？

https://www.forbes.com/sites/mariyayao/2018/02/05/12-amazing-deep-learning-breakthroughs-of-2017/#2df02f9c65db

—完—

親愛的朋友：

這篇文章帶我們回顧了AI的2017，我們期待它精彩的2018。

祝安！

智能觀 一米

2018-2-11 於北京中關村

想知道AI加教育領域有哪些最新研究成果？

想要AI領域更多的乾貨？

想了解更多專家的「智能觀」？

請在對話界面點擊「找找看」，去獲取你想要的內容吧。

轉載智能觀原創文章，請聯繫

智能觀小艾（微信號：zng2017618）！

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。

有人問：你們為什麼要做智能觀？為什麼關注AI+教育？

我想，這不是一個選擇。

當AI開始顛覆各行各業時，我們首先想到了教育。未來是我們正在為之努力的地方，教育可以影響當下，改變未來。

我們用心觀察和記錄教育在這個時代的蛻變；努力把前沿的動態、最新的進展、先進的觀點帶到你面前，希望與你一起思考和探索。我們相信，長出AI翅膀的教育，會創造出無限可能。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！