人工智能有哪些突破

AI子领域包括：机器学习（ML），自然语言处理（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到底获得了那些突破呢？我们与21名专业人士聊完之后，汇总了一下他们的见解。

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能够自学围棋、国际象棋，并且可在没有人工干预的情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完全相同。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。但是，自然语言处理、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。当深蓝打败加里·卡斯帕罗夫时，情况就不同了。之前只在电影中看到人类被机器打败，而现在真实发生了，这很大程度改变了人们的看法。而我们还有很多应用程序通过人工智能提供商业价值。

·人工智能不再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，具有了更好的收益能力，以及机器实时改进其学习过程的能力也得到了提高。

·在过去的一年里，我们将重点放在了构建真正的会话型AI上。目前的各种助手不具有处理更复杂和有价值的任务的能力，要想实现则需要人工智能技术。它能够基于知识进行推理，通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。就像人类还会通过手势、凝视和以及其他因素进行交流，我们也开始在系统中连接其他服务以及虚拟助手。这就是为什么我们推出了cognitive arbitrator，它通过一个跨越汽车、智能家居和物联网（IoT）生态系统的单一接口，无缝地连接和集成了不同的虚拟助理、第三方服务和内容，以完成复杂的任务并增强用户体验。因此我们能够最大限度的为用户提供独特的和具有个体差异性地体验，同时实现了各助手之间各种服务的交互性。这对物联网生态系统中的每个个体都是双赢的，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，而且才刚刚开始。六年前数据科学家的头衔还不存在，如今已经变得非常专业化，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，所有的贸易公司都逐步采用了算法交易。在过去的几年里，由于应用程序需求的增加，机器学习获得了快速发展。在一些需要创造性的情境中，人工智能正在取代人类，因为机器可以根据新的信号来源和大量数据自行做出决定。

·从技术上讲，过去一年里，由于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作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广泛的数据分析类。ML通过使用大型不同的数据集，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，人工智能在我们的生活中的地位日益增加，产品和服务推荐引擎和图像处理系统得到了显著改善，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情况下才行得通。通过ML实现的自动化程序提高了企业员工的工作效率，而且随着员工对人工智能工具越来越熟悉，这种自动化程度还会越来越高。此外，简化数据集成的工作正在兴起，尤其是企业希望能够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能够将实时数据转化为行动指南。

数据
·人工智能并不是新鲜事物，但它的复兴是由于能够处理所需数据以及数据速度和类型。信息是大量且杂乱的，需要使用人工智能从中获取有用信息与数据。但问题是，他们无法完全掌控周围的数据。

·人工智能在过去一年里发生了戏剧性的演变，主要原因有两个：1）所有的企业都在迅速进行数字化转型。2）新业务和操作数据集的引入速度，以及它们提升了对人工智能自动化业务和操作活动的需求。人工智能的需求已经从“最好具备”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，所以人工智能现在是每个公司首席信息官和首席财务官议程上的一个关键项目。

其他
·各种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，现在软件工程师可以更简单的做出有趣的ML。由于有更低成本的硬件、可用的数据、迁移学习的技术，使你不必成为超级专业博士，就可以成为了解自己的数据，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：之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，现在有大量的在线教育，以及大学开设了数据科学课程。所以实现了全民数据科学家，而且有了自动化ML的趋势：机器自动辅助算法做出选择。

·他们在没有云计算的技能集，也没有数据科学家的情况下。多年来一直研究如何在边缘设备上实现更智能的计算。通过语义智能ML，可以使边缘设备变得更加智能。我们能让这些边缘设备系统做一些记忆任务吗？当然可以，这需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。

·我们当然也会看到对深度学习和黑盒技术的厌倦。在研究方面，似乎发生了很大的一个转变，即开始转向创建不太透明且数据量少的算法。我们如何在不使用大数据的情况下，仅用真实数据就得出结论呢？有些系统数据量非常大，而有些不是，我们如何利用统计学和其它数据技术推导出有意义的解？
---------------------
作者：阿里云云栖社区
来源：CSDN
原文：https://blog.csdn.net/yunqiinsight/article/details/81180836
版权声明：本文为博主原创文章，转载请附上博文链接！