人工智能有哪些突破

摘要： 本文講述了在過去一年裏人工智能在哪些方面得到了哪些突破。

AI子領域包括：機器學習（ML），天然語言處理（NLP），深度學習（DL），機器人流程自動化（RPA），迴歸等等。那麼過去一年AI到底得到了那些突破呢？咱們與21名專業人士聊完以後，彙總了一下他們的看法。

事實

過去的一年裏人工之智能取得了許多突破，特別是在深度學習方面。例如，AlphaGo Zero可以自學圍棋、國際象棋，而且可在沒有人工干預的狀況下與人類進行遊戲。Taco Tron 和百度的DeepVoice生成的語音幾乎與人類語言徹底相同。此外，計算機視覺、目標檢測和圖像分割也變得更加精準，甚至在醫學診斷和生物學研究中可與人類媲美。可是，天然語言處理、聊天機器人以及文本摘要等技術都沒達到預期目標。

人工智能已經存在很長時間了，新舊事物都在進步，重要的是不能低估公衆意識的力量。當深藍戰勝加里·卡斯帕羅夫時，狀況就不一樣了。以前只在電影中看到人類被機器戰勝，而如今真實發生了，這很大程度改變了人們的見解。而咱們還有不少應用程序經過人工智能提供商業價值。

人工智能再也不被視爲僅存在於科幻小說中了。大多數科技公司已經瞭解人工智能對企業的益處。這使得該技術在過去幾個月裏取得了快速發展，具備了更好的收益能力，以及機器實時改進其學習過程的能力也獲得了提升。

在過去的一年裏，咱們將重點放在了構建真正的會話型AI上。目前的各類助手不具備處理更復雜和有價值的任務的能力，要想實現則須要人工智能技術。它可以基於知識進行推理，經過上下文和個性化理解不完整或模糊的語言，人工智能利用並超越了模式匹配，從而實現真正的動態對話。就像人類還會經過手勢、凝視和以及其餘因素進行交流，咱們也開始在系統中鏈接其餘服務以及虛擬助手。這就是爲何咱們推出了cognitive arbitrator，它經過一個跨越汽車、智能家居和物聯網（IoT）生態系統的單一接口，無縫地鏈接和集成了不一樣的虛擬助理、第三方服務和內容，以完成複雜的任務並加強用戶體驗。所以咱們可以最大限度的爲用戶提供獨特的和具備個體差別性地體驗，同時實現了各助手之間各類服務的交互性。這對物聯網生態系統中的每一個個體都是共贏的，特別是購買使用產品和服務的人。

AI和ML已經走出實驗室，轉向更主流的應用程序了。人工智能正進入新的章程，並且纔剛剛開始。六年前數據科學家的頭銜還不存在，現在已經變得很是專業化，數據科學家和開發人員實現了使用人工智能更快更好地完成任務。

GPUs

從2000年到2003年，全部的貿易公司都逐步採用了算法交易。在過去的幾年裏，因爲應用程序需求的增長，機器學習得到了快速發展。在一些須要創造性的情境中，人工智能正在取代人類，由於機器能夠根據新的信號來源和大量數據自行作出決定。

從技術上講，過去一年裏，因爲開發人員開始利用處理能力加速應用程序的發展，使得基於GPU的服務器變得司空見慣。像谷歌的TPU這樣的專業處理器開始出現，而它的競爭對手雲服務提供商正在合做開發一個開源的深度學習庫。此外，也從大數據和點工具（如Hadoop和Spark）開始穩步過渡到使用人工智能和神經網絡的更普遍的數據分析類。ML經過使用大型不一樣的數據集，以及將算法智能應用到分析中來縮小這些方法之間的差距。而學習算法的自學能力還處於初級狀態，人工智能在咱們的生活中的地位日益增長，產品和服務推薦引擎和圖像處理系統獲得了顯著改善，人工智能產生了許多新職業。該領域的創新步伐正在迅速加快。

效率

AI和ML的概念是雲計算的關鍵要素，但這隻有在用戶掌握數據的狀況下才行得通。經過ML實現的自動化程序提升了企業員工的工做效率，並且隨着員工對人工智能工具愈來愈熟悉，這種自動化程度還會愈來愈高。此外，簡化數據集成的工做正在興起，尤爲是企業但願可以從數據中獲取更多有用信息，對預測分析的日益關注使企業可以將實時數據轉化爲行動指南。

數據

人工智能並非新鮮事物，但它的復興是因爲可以處理所需數據以及數據速度和類型。信息是大量且雜亂的，須要使用人工智能從中獲取有用信息與數據。但問題是，他們沒法徹底掌控周圍的數據。

人工智能在過去一年裏發生了戲劇性的演變，主要緣由有兩個：1）全部的企業都在迅速進行數字化轉型。2）新業務和操做數據集的引入速度，以及它們提高了對人工智能自動化業務和操做活動的需求。人工智能的需求已經從「最好具有」發展到「必須擁有」。決策者認識到實施人工智能才能使業務取得更大成功，因此人工智能如今是每一個公司首席信息官和首席財務官議程上的一個關鍵項目。

其餘

各類大肆的宣傳傳遞了一個內容，那就是人工智能的趨勢還會繼續。機器學習的民主化在於普通工程師就能使用它。跟一年前相比，如今軟件工程師能夠更簡單的作出有趣的ML。因爲有更低成本的硬件、可用的數據、遷移學習的技術，使你沒必要成爲超級專業博士，就能夠成爲了解本身的數據，控制數據的主題專家，從而將所學內容實現商業化價值。

拐點：以前人們逐漸意識到生產問題的嚴重性，例如數據科學家的短缺問題。爲了解決這個問題，如今有大量的在線教育，以及大學開設了數據科學課程。因此實現了全民數據科學家，並且有了自動化ML的趨勢：機器自動輔助算法作出選擇。

他們在沒有云計算的技能集，也沒有數據科學家的狀況下。多年來一直研究如何在邊緣設備上實現更智能的計算。經過語義智能ML，可使邊緣設備變得更加智能。咱們能讓這些邊緣設備系統作一些記憶任務嗎？固然能夠，這須要更多樣化的設備部署，以及將實例化數字角色和應用程序融合到組分模型中。從而使語義更加豐富。

咱們固然也會看到對深度學習和黑盒技術的厭倦。在研究方面，彷佛發生了很大的一個轉變，即開始轉向建立不太透明且數據量少的算法。咱們如何在不使用大數據的狀況下，僅用真實數據就得出結論呢？有些系統數據量很是大，而有些不是，咱們如何利用統計學和其它數據技術推導出有意義的解？

本文做者：【方向】

閱讀原文

本文爲雲棲社區原創內容，未經容許不得轉載。