人工智能有哪些突破

摘要： 本文讲述了在过去一年里人工智能在哪些方面得到了哪些突破。

AI子领域包括：机器学习（ML），天然语言处理（NLP），深度学习（DL），机器人流程自动化（RPA），回归等等。那么过去一年AI到底得到了那些突破呢？咱们与21名专业人士聊完以后，汇总了一下他们的看法。

事实

过去的一年里人工之智能取得了许多突破，特别是在深度学习方面。例如，AlphaGo Zero可以自学围棋、国际象棋，而且可在没有人工干预的状况下与人类进行游戏。Taco Tron 和百度的DeepVoice生成的语音几乎与人类语言彻底相同。此外，计算机视觉、目标检测和图像分割也变得更加精准，甚至在医学诊断和生物学研究中可与人类媲美。可是，天然语言处理、聊天机器人以及文本摘要等技术都没达到预期目标。

人工智能已经存在很长时间了，新旧事物都在进步，重要的是不能低估公众意识的力量。当深蓝战胜加里·卡斯帕罗夫时，状况就不一样了。以前只在电影中看到人类被机器战胜，而如今真实发生了，这很大程度改变了人们的见解。而咱们还有不少应用程序经过人工智能提供商业价值。

人工智能再也不被视为仅存在于科幻小说中了。大多数科技公司已经了解人工智能对企业的益处。这使得该技术在过去几个月里取得了快速发展，具备了更好的收益能力，以及机器实时改进其学习过程的能力也获得了提升。

在过去的一年里，咱们将重点放在了构建真正的会话型AI上。目前的各类助手不具备处理更复杂和有价值的任务的能力，要想实现则须要人工智能技术。它可以基于知识进行推理，经过上下文和个性化理解不完整或模糊的语言，人工智能利用并超越了模式匹配，从而实现真正的动态对话。就像人类还会经过手势、凝视和以及其余因素进行交流，咱们也开始在系统中链接其余服务以及虚拟助手。这就是为何咱们推出了cognitive arbitrator，它经过一个跨越汽车、智能家居和物联网（IoT）生态系统的单一接口，无缝地链接和集成了不一样的虚拟助理、第三方服务和内容，以完成复杂的任务并加强用户体验。所以咱们可以最大限度的为用户提供独特的和具备个体差别性地体验，同时实现了各助手之间各类服务的交互性。这对物联网生态系统中的每一个个体都是共赢的，特别是购买使用产品和服务的人。

AI和ML已经走出实验室，转向更主流的应用程序了。人工智能正进入新的章程，并且才刚刚开始。六年前数据科学家的头衔还不存在，现在已经变得很是专业化，数据科学家和开发人员实现了使用人工智能更快更好地完成任务。

GPUs

从2000年到2003年，全部的贸易公司都逐步采用了算法交易。在过去的几年里，因为应用程序需求的增长，机器学习得到了快速发展。在一些须要创造性的情境中，人工智能正在取代人类，由于机器能够根据新的信号来源和大量数据自行作出决定。

从技术上讲，过去一年里，因为开发人员开始利用处理能力加速应用程序的发展，使得基于GPU的服务器变得司空见惯。像谷歌的TPU这样的专业处理器开始出现，而它的竞争对手云服务提供商正在合做开发一个开源的深度学习库。此外，也从大数据和点工具（如Hadoop和Spark）开始稳步过渡到使用人工智能和神经网络的更普遍的数据分析类。ML经过使用大型不一样的数据集，以及将算法智能应用到分析中来缩小这些方法之间的差距。而学习算法的自学能力还处于初级状态，人工智能在咱们的生活中的地位日益增长，产品和服务推荐引擎和图像处理系统获得了显著改善，人工智能产生了许多新职业。该领域的创新步伐正在迅速加快。

效率

AI和ML的概念是云计算的关键要素，但这只有在用户掌握数据的状况下才行得通。经过ML实现的自动化程序提升了企业员工的工做效率，并且随着员工对人工智能工具愈来愈熟悉，这种自动化程度还会愈来愈高。此外，简化数据集成的工做正在兴起，尤为是企业但愿可以从数据中获取更多有用信息，对预测分析的日益关注使企业可以将实时数据转化为行动指南。

数据

人工智能并非新鲜事物，但它的复兴是因为可以处理所需数据以及数据速度和类型。信息是大量且杂乱的，须要使用人工智能从中获取有用信息与数据。但问题是，他们没法彻底掌控周围的数据。

人工智能在过去一年里发生了戏剧性的演变，主要缘由有两个：1）全部的企业都在迅速进行数字化转型。2）新业务和操做数据集的引入速度，以及它们提高了对人工智能自动化业务和操做活动的需求。人工智能的需求已经从“最好具有”发展到“必须拥有”。决策者认识到实施人工智能才能使业务取得更大成功，因此人工智能如今是每一个公司首席信息官和首席财务官议程上的一个关键项目。

其余

各类大肆的宣传传递了一个内容，那就是人工智能的趋势还会继续。机器学习的民主化在于普通工程师就能使用它。跟一年前相比，如今软件工程师能够更简单的作出有趣的ML。因为有更低成本的硬件、可用的数据、迁移学习的技术，使你没必要成为超级专业博士，就能够成为了解本身的数据，控制数据的主题专家，从而将所学内容实现商业化价值。

拐点：以前人们逐渐意识到生产问题的严重性，例如数据科学家的短缺问题。为了解决这个问题，如今有大量的在线教育，以及大学开设了数据科学课程。因此实现了全民数据科学家，并且有了自动化ML的趋势：机器自动辅助算法作出选择。

他们在没有云计算的技能集，也没有数据科学家的状况下。多年来一直研究如何在边缘设备上实现更智能的计算。经过语义智能ML，可使边缘设备变得更加智能。咱们能让这些边缘设备系统作一些记忆任务吗？固然能够，这须要更多样化的设备部署，以及将实例化数字角色和应用程序融合到组分模型中。从而使语义更加丰富。

咱们固然也会看到对深度学习和黑盒技术的厌倦。在研究方面，彷佛发生了很大的一个转变，即开始转向建立不太透明且数据量少的算法。咱们如何在不使用大数据的状况下，仅用真实数据就得出结论呢？有些系统数据量很是大，而有些不是，咱们如何利用统计学和其它数据技术推导出有意义的解？

本文做者：【方向】

阅读原文

本文为云栖社区原创内容，未经容许不得转载。