善用智慧之道，請您點選上方藍色字型，歡迎關注：九三智慧控

懶人閱讀：2017年被定義為AI的史詩年，九三覺得17年確實引爆了AI，同時泡沫也存在不少，18年的AI將更加務實技術更加接近真實場景。可以確認的一點是：認知決策能力的升級將對所有行業帶來衝擊，忽略這個“灰犀牛”的企業終將被淘汰。

       2017年聖誕來臨之際，更多機構和大咖們對17年的AI進行回顧並展望18年進展，都有哪些方面的重點，九三帶大家來盤點一番。

       2017年被定義為AI的史詩年，九三覺得17年確實引爆了AI，同時泡沫也存在不少，18年的AI將更加務實技術更加接近真實場景。可以確認的一點是：認知決策能力的升級將對所有行業帶來衝擊，忽略這個“灰犀牛”的企業終將被淘汰。

        本文延續18年盤點系列，第二篇出爐，第一篇傳送門：2018年AI技術趨勢盤點（01）

。圍繞AI的社會問題也在延續（升級），深度學習模型需要透明度，“可解釋的AI”作為一門學科出現

      今年機器學習和人工智慧最重要的發展，是對道德、問責和可解釋性的持續關注。馬斯克關於人工智慧觸發世界大戰的啟示性警告點燃了媒體，Oren Etzioni和Rodney Brooks等人則認真反駁。儘管如此，機器學習模型偏差的風險仍然存在，比如word2vec中的性別主義，演算法在刑事判決中的種族主義，以及對社交媒體資訊流的評分模型的故意操縱。這些問題都不是新出現的，但是機器學習的加速應用，特別是深度學習的大量使用，已經將這些問題推到了普通公眾面前。九三智慧控也就此展示了AI殺人武器的恐怖，傳送門：https://mp.weixin.qq.com/s?__biz=MzU1NzE0MDk1MA==&mid=2247483890&idx=1&sn=1ed6a1705ab0b977642f649ffea7a405&chksm=fc3b1f4bcb4c965d0a943f2675ad1b4e6721508b5d1aab925e00a1ed78e8d9a970450f43d60f#rd

        2017年，我們終於看到“可解釋的AI”作為一門學科出現，彙集了學者、業界從業者和政策制定者的參加。2018年，照亮深度學習模型黑箱的壓力和動力都將進一步加大。機器學習模型，尤其是深度學習模型，正在對醫療、法律體系、工程和金融等關鍵領域產生重大影響。但是，大多數機器學習模型不容易解釋。在分析和診斷模型中，理解模型是如何實現預測的尤其重要，因為人類必須要有足夠的信心去相信模型提出的預測。重要的是，一些機器學習模型的決定必須與法律法規相符。現在是建立足夠透明的深度學習模型以解釋它們的預測的時候了，特別是當這些模型的結果被用來影響或告知人類決策時。

。未來 12 個月，可能會有一批人工智慧公司錢花完後會倒閉

      今年，熱錢大量湧入 AI 行業，不少創業公司融資額度經歷了新一輪暴增，估值翻倍，人工智慧市場呈現一片火熱景象，而在中國，AI 被上升為國家戰略。據上半年騰訊研究院 & IT 桔子聯合釋出的《2017 年中美人工智慧創投現狀與趨勢研究報告》，截止到 6 月份，在中美共 1600 多家人工智慧公司中，初步估算中倒閉公司總數已超過 50 家。如果將這些公司做一個分類的話，一個趨勢是，無人機、虛擬助理、智慧硬體等領域和行業已初顯頹勢。

      鮮少有 AI 明星創業公司倒閉的訊息傳出，死掉的大多是 “含金量”並不高的公司，但這也因此被看做人工智慧行業寒冬將至的一個苗頭。早在 4 月份，李開復就公開表示人工智慧創業有泡沫，未來 12 個月，可能會有一批人工智慧公司錢花完後會倒閉。近日，他又在“預見 2018”的主題分享中表示：“AI 專案（融資熱）是今年上半年開始的，融資差不多夠 18 個月花，明年底估計有一批公司倒掉。”科大訊飛董事長劉慶峰也有類似的預言。他認為，過去一段時間許多創業公司存在純粹炒作人工智慧概念的現象，而隨著競爭的加劇，這些公司就是可能會倒閉的那一批。“就像當年看網際網路泡沫看一樣，站在 2002 年看是大泡沫。”

       更尖銳的聲音來自“新經濟 100 人”CEO 李志剛。他說，未來兩三年，95% 以上的人工智慧創業公司要倒閉，他的理由一是前提不足，二是商業化滯後。前提不足指的是，“沒有云計算就沒有大資料，沒有大資料，人工智慧就是扯淡。”在他看來，目前大資料主要掌握在少量巨頭和政府職能部門手中，而作為大資料前提的雲端計算才剛剛起步。

。2018年人工智頭疼的難題依然無法完美解決，但會更進一步。同時AI將滲透到更多領域，尤其是工業網際網路、零售和醫療

      如果你最近和蘋果裝置上的 Siri 交談過，就會知道人工智慧仍然無法做到或理解許多事情。理解人類語言、從虛擬世界到現實世界的差距、防止黑客入侵人工智慧系統、從桌面遊戲到電子遊戲、教人工智慧分辨是非，每一個難題背後都是一系列的技術、社會問題。

       AI技術包含了一個複雜而關鍵的技術網路。許多AI企業和應用程式都針對性地解決了一些小問題。智慧助手可以引導你正確地申報費用。搜尋演算法可以指導你找到Ontario最好的水管工。語音助手可能會發現一個你從未知曉的音樂世界。目前，AI技術已經可以解決比在商業和日常生活中複雜得多的問題，譬如從管理整個勞動力市場到應對氣候變化。在接下來的一年中，各行各業都將開始部署這些AI解決方案，以解決更大、更復雜、更公共的問題。

        AI正越來越多地用於競爭優勢，尤其是在工業物聯網、零售和醫療領域，這將導致更大的顛覆。AI也正在迅速地部署到企業的各個層面（帶來許多新的機會，但也將導致更多職業消失)。AI正在通過嵌入式AI（即跨越企業和物聯網的資料科學模型）融合傳統的企業和更廣泛的供應鏈。最後，傳統行業將繼續缺乏懂得AI/深度學習技術的資料科學家，例如銀行業（尤其是工業物聯網領域）。

。全球AI晶片之爭白熱化

     中國和美國正在競相擁有晶片領域的主導權。中國政府支援的創業公司、美國科技巨頭和晶片業者都瞄準成為下一個NVIDIA。今天，NVIDIA晶片在這個行業中佔據主導地位：AI初創公司，百度和谷歌等公司都依賴GPU。

      為此，英特爾不得不奮起直追。2015年6月1日，英特爾以每股54美元（總額約167億美元）現金收購全球第二大FPGA廠商Altera，這代表著該公司對雲端計算的重新關注。此外，英特爾還收購了Saffron, Nervana, Movidius和Mobileye。2017年10月，英特爾基於被收購公司Nervana的技術，釋出了一系列“神經網路處理器”。英特爾還與Facebook合作，計劃共同釋出一款AI晶片。除了傳統的晶片廠商外，科技巨頭也加入了晶片之爭。谷歌釋出了兩代TPU，意圖與其TensorFlow開源庫協作。在一次戰略舉措中，谷歌允許使用者在其他晶片或GPU（如Intel的Skylake或NVIDIA的Volta）上構建模型，然後轉移到Google的TPU。蘋果最近釋出了第一款機器學習優化的A11仿生晶片，採用蘋果設計的GPU核心，在新款iPhone中實現AR和人臉識別。

。 2018年Pytorch的升溫將繼續延續，成為Tensorflow的一個對手，特別是在研究領域。同時，以工具為中心的方法將減少，重要的是開發和實現利用深度學習的新想法和應用

         Tensorflow通過在Tensorflow Fold中釋出動態網路，迅速作出反應。大公司之間的“AI戰爭”還包括許多其他的戰役，其中競爭最激烈的是雲。所有的主要供應商都增加了雲的投入，並在雲上增加各自的AI支援。亞馬遜在他們的AWS中提出了大量的創新，比如他們最近釋出Sagemaker用於構建和部署ML模型。另外值得一提的是，較小的玩家也在不斷進入。Nvidia最近推出了他們的GPU雲，這將成為訓練深度學習模型的另一個有趣的選擇。儘管有這麼多競爭，但這個行業必要時可以團結起來，這是件好事。新的ONNX神經網路表示標準是實現互操作性的重要而且必要的一步。

      在過去的幾年中，開源社群已經就所有新出現的深度學習框架進行了大量的討論。現在，這些工具已經有所成熟了，我希望以工具為中心的方法會有所減少，期待將更多精力用於開發和實現利用深度學習的新穎想法和應用。我尤其期望看到用生成對抗神經網路和Hinton的capsule來解決更多問題。

。資料科學家正認識到無監督深度學習的價值

       深度學習和整合建模方法在2017年繼續證明了它們相比其他機器學習工具的價值和優勢。特別是深度學習，在各個領域和行業得到了更加廣泛的應用。至於2018年的發展趨勢，深度學習可能會被用來從原始輸入中產生新的特徵和新的概念，並且取代手動建立或設計新變數的需求。深度網路在檢測資料的特徵和結構方面是非常強大的，資料科學家正在認識到無監督深度學習可以為此發揮的價值。

       有效異常檢測（Effective anomaly detection）可能也是近期的重點。在許多行業中，資料科學工作的重點是異常事件和其他型別的罕見事件：入侵檢測、財務欺詐檢測、詐騙、醫療保健中的濫用和錯誤以及裝置故障等等。檢測所有這些罕見的事件將會使企業在領域中產生競爭優勢。跟上這些罕見事件檢測的演變節奏，將是一個有趣的問題和困難的挑戰。

。Hinton、吳恩達：2017AI有很多進展，但缺乏關鍵性突破

     Hinton給出了Attention、AlphaZero等3項技術，但表示2017年AI並沒有取得突破性進展。吳恩達說AlphaGo令他印象深刻，但CMU的冷撲大師在技術上更有創意。

    Hinton最令人印象深刻的進展：神經網路架構搜尋：使用神經網路讓神經網路設計變得自動化的技術，而且已經開始取得成效。使用注意力（Attention）進行機器翻譯，避免迴圈或卷積的操作。下國際象棋的AlphaZero：AlpahZero很快就學會了用人類下棋的方式下國際象棋，而且勝過了最強的國際象棋引擎。

      吳恩達：AlphaGo展示了計算和資料的力量。但是，CMU的撲克AI Libratus則進行了更多的創新。從技術角度來看，Libratus是一個令人驚喜的結果。

。李飛飛眼中的AI2018

       我簡單總結一下我眼中的 2017 年的重要 AI 事件。科學的意義在於總是要超越我們已經做到的事情。ImageNet 比賽作為研究性的比賽已經不再舉辦了，但它仍然是對深度學習和計算機視覺研究來說非常重要的一個數據集。

     「AI 會改變這個世界，但是誰會改變 AI 呢？」在多樣性和包容性方面，AI 還有很長的路要走。對經濟、創新和公平來說這都非常重要。梅琳達·蓋茨、黃仁勳等人成立的組織 AI4All 已經向這個方向邁出了一小步。

      2017 年裡斯坦福視覺實驗室的學生們非常的用功，這是我們發出研究論文數目最多的一年。現在看到研究方向已經從視覺感知到了推理、Visual Genome（場景圖）、預測、機器人等等方面，我感覺非常興奮。（雷鋒網 AI 科技評論注：具體可參考此前文章 《李飛飛：在物體識別之後，計算機視覺還要多久才能理解這個世界》）

      在這個第四次工業革命的時代，AI 對所有企業和產業來說都是一股變革性的力量。在谷歌雲平臺，我們已經第一時間激動地看到了 AI 在每個行業都帶來著巨大的改變。2018 年還有很多精彩的成果要到來，請保持關注。

      「AI 沒有國界，AI 的福祉亦無邊界。」AI 基礎科學技術研究的多方合作對全世界的 AI 研究者們都有重大的影響。谷歌在中國成立這個不大的 AI 研究中心（戳藍色字型檢視雷鋒網此前報道），做出了自己的一份貢獻，我也為此感到驕傲。

       我們和斯坦福大學進行著 AI 輔助看護方面的合作，這對我和我的學生來說是一個非常有趣的新的研究領域。我們已經有論文在 2017 年發表出來，還有更多會在 2018 年完成。我也在 NIIPS 2017 上首次做了關於 AI +醫療保健的演講。

       我為我的學生們感到非常的驕傲。祝賀 Timnit Gebru 和 Jon Krause 博士畢業，祝賀 Michelle Greene、Chris Baldassano、Alexandre Alahi、Lamberto Ballan 和盧策吾獲得新教職，祝賀 Olga Russakovsky 入選 MIT 科技評論 35 歲以下創新者榜單，以及恭喜 AI4All 的校友 Amy Jin 在 NIPS2017 的機器學習與健康（ML4H）workshop 上拿到最佳論文。

       最後，AI 還只是一門年輕的科學，但它承載了巨大的夢想。它需要更多基礎研究的支援、需要開放的想法溝通、需要真誠的多方合作、需要周全包容的討論，而不是誇張宣傳和噱頭。希望 2018 年能更看到更多的成果。

結束語

如果你問 2018 年，人工智慧行業究竟將走向何方？借用Google的一句話：

“Search on.（繼續探索吧）”

參考資料

Matthew Mayo：2018年關於AI的13個預測：https://www.kdnuggets.com/2017/12/machine-learning-ai-main-developments-2017-key-trends-2018.html

別太擔心，2018年仍有5大難題讓 AI 頭疼不已_億歐_產業創新服務平臺

CB Insights重磅趨勢報告：AI晶片之爭白熱化，成中美角力焦點

雷鋒網:關於AI，李飛飛有份年終總結

axios.com、新智元：【Hinton、吳恩達回望2017】AI有很多進展，但缺乏關鍵性突破

善用智慧之道：行業動態、技術前沿、產業服務，歡迎關注聯絡：九三智慧控

投稿&合作：[email protected]

加入我們（招募志願者）：[email protected]

微信群：可申請進入微信群交流，不定期分享資料，拓展行業人脈。新增微信：yan_kylin，註明名字+研究領域/專業/學校/公司。