本文由 【AI前線】原創(chuàng)力穗，原文鏈接：http://t.cn/RTnEcr9
作者｜Matthew Mayo
譯者｜Debra
編輯｜Emily
AI 前線導讀：“2017 年，在機器學習和 AI 領域哀卫，AlphaGo Zero 的成功讓專家們印象深刻料睛，2018 年丐箩，道德和隱私問題將成為最亟待解決的問題摇邦。
時隔一年，科技媒體 KDnuggets 最近向大數據屎勘、數據科學施籍、人工智能和機器學習領域的一些頂尖專家征詢了他們對于 2017 年這些領域最重要的發(fā)展，以及 2018 年的主要發(fā)展趨勢的看法概漱。這篇文章是本系列的第一篇年終總結丑慎，主要是關于在 2017 年，機器學習和 AI 領域都發(fā)生了哪些大事犀概，以及 2018 年可能會出現哪些趨勢立哑。”
問題：“2017 年姻灶，機器學習和人工智能最重要的發(fā)展是什么铛绰，2018 年有何關鍵趨勢？”
2017 年产喉，KDnuggets 曾就這一問題收集了很多專家的預測捂掰，總的來說，當時他們對 2017 年機器學習和 AI 發(fā)展的趨勢和預測主要集中在以下方面：
AlphaGo 的成功
深度學習熱潮
自駕車
TensorFlow 對神經網絡技術商業(yè)化的影響
目前來看曾沈，這些預測基本上應驗这嚣，2017 年在這些方面確實取得了重要的進步。
為了了解年度最重要的發(fā)展動態(tài)塞俱，以及專家對機器學習和人工智能將在 2018 年取得的成果預測姐帚，參考專家的意見非常有必要。
2017AlphaGo Zero 最矚目障涯，社會問題將引發(fā)討論
Xavier Amatriin罐旗，Curai 聯合創(chuàng)始人兼 CTO，曾任職 Quora 技術總監(jiān)和 Netflix 的研究 / 技術主管
“今年的亮點非 AlphaGo Zero 莫屬唯蝶。這種新方法不僅在一些最有發(fā)展前景的方向上有所改進（例如深度強化學習）九秀，而且也代表了學習范式的轉變——這種模式可以在沒有數據的情況下進行學習，而且最近我們也學會了將 AlphaGo Zero 應用到象棋等其他游戲中粘我。
在人工智能技術方面鼓蜒，2017 年始于 Pytorch，并對 Tensorflow 構成真正意義上的挑戰(zhàn)征字，特別是在研究方面都弹。對此，Tensorflow 通過在 Tensorflow Fold 中發(fā)布動態(tài)網絡迅速作出回應匙姜。大玩家之間的“AI 之戰(zhàn)”轟轟烈烈缔杉，其中最激烈的戰(zhàn)爭均圍繞云而展開，所有的主要供應商都已經在各自的云服務中加緊布局 AI搁料。亞馬遜已經在他們的 AWS 進行大量創(chuàng)新或详，比如其最近推出構建和部署 ML 模型的 Sagemaker。另外值得一提的是郭计，小型玩家也在不斷涌入霸琴，例如 Nvidia 最近推出了他們的 GPU 云，位訓練深度學習模型提供了另一個有趣的選擇昭伸。雖然戰(zhàn)況激烈梧乘，但我很高興看到各行業(yè)在必要時能夠凝聚在一起。另外庐杨，新的 ONNX 神經網絡表達標準化是實現互操作性重要且必要的一步选调。
2017 年，人工智能方面的社會問題將進一步升級灵份。Elon Musk 認為 AI 會越來越接近殺手機器人的想法極具煽動性仁堪，讓許多人感到沮喪。另外填渠，關于人工智能在未來幾年會對工作產生什么影響也引起了廣泛的討論弦聂。另一方面，我們會將更多的注意力集中在 AI 算法的透明度問題上氛什。
預測模型透明化越發(fā)重要
Georgina Cosma莺葫，諾丁漢特倫特大學科學與技術學院的高級講師
機器學習模式，特別是深度學習模式正在對醫(yī)療保健枪眉、法律制度捺檬、工程和金融業(yè)等關鍵領域產生重大影響。但是贸铜，大多數機器學習模型難以解釋堡纬。了解一個模型如何在剖析和診斷模型中進行預測的原理尤為重要，因為模型提出的預測必須值得我們信賴萨脑。重要的是隐轩，一些機器學習模型的決定必須遵守法律法規(guī)。現在渤早，我們創(chuàng)建的深度學習模型的預測原理必須足夠透明职车，特別是當這些模型的結果會影響人類的決定，或用來做出決定的時候鹊杖。
云 AI 競賽加劇悴灵，AlphaGo Zero 無實質性突破
Pedro Domingos，華盛頓大學計算機科學與工程系教授
AI 賭神 Libratus 戰(zhàn)勝德州撲克專家骂蓖，將 AI 的主導地位擴展到并不完善的信息游戲中积瞒。（http://www.cmu.edu/news/stories/archives/2017/january/AI-beats-poker-pros.html）
自動駕駛汽車和虛擬助手之間的競爭越來越激烈，Alexa 在后者中占有一席之地登下。
谷歌茫孔、亞馬遜叮喳、微軟和 IBM 之間的云 AI 競賽。
AlphaGo Zero 很偉大缰贝，但并沒有實質性的突破馍悟。自我對弈游戲是 ML 最常見的挑戰(zhàn)領域，人類經過不到 500 萬場游戲訓練即可掌握 Go 游戲的玩法剩晴。
AI 成為企業(yè)競爭優(yōu)勢锣咒，人才短缺現狀將繼續(xù)
Ajit Jaokar，牛津大學數據科學物聯網課程首席數據科學家和創(chuàng)建者
2017 年是 AI 的一年赞弥，2018 年將是 AI 走向成熟的一年毅整，我們已經從 AI 與“系統(tǒng)工程 / 云原生”的角度看到這一趨勢。 AI 講變得越來越復雜绽左，但 h2o.ai 這樣的公司會讓部署 AI 變得更簡單悼嫉。
我看到人工智能在企業(yè)之間取得競爭優(yōu)勢方面的作用越來越大，特別是在工業(yè)物聯網妇菱、零售和醫(yī)療保健方面承粤。我也看到人工智能正在被迅速部署在企業(yè)的各個層面（創(chuàng)造新的機會，但更多工作崗位消失）闯团。因此辛臊，這已經超越了 Python vs R 和 cats 的討論！
此外房交，我認為人工智能是通過嵌入式人工智能（即跨越企業(yè)和物聯網的數據科學模型）合并傳統(tǒng)企業(yè)彻舰，以及更加廣泛的供應鏈。
最后候味，除了銀行等傳統(tǒng)行業(yè)（尤其是工業(yè)物聯網）之外刃唤，了解 AI / 深度學習技術的數據科學家短缺的情況將繼續(xù)存在。
ML＆AI 幫助企業(yè)提高效率
Nikita Johnson白群，RE.WORK 創(chuàng)始人
2017 年見證了 ML＆AI 取得巨大的進步尚胞，特別是最近 DeepMind 的一般強化學習算法，在四小時內自學游戲規(guī)則帜慢，并擊敗世界上最強大的象棋游戲程序笼裳。
2018 年，我期望看到智能自動化滲透到傳統(tǒng)制造企業(yè)粱玲、零售躬柬、公共事業(yè)單位等各種公司。隨著數據收集和分析量不斷增長抽减，企業(yè)級自動化系統(tǒng)戰(zhàn)略將變得至關重要允青。這將促使公司投資于長期 AI 計劃，并將其列為企業(yè)成長和提高效率的優(yōu)先級發(fā)展事項卵沉。
我們還將看到自動化機器學習幫助非 AI 研究人員更輕松地使用該技術颠锉，并讓更多公司能夠將機器學習方法應用到他們的工作場所中法牲。
元學習的進展讓人興奮
Hugo Larochelle，Google 研究科學家木柬，加拿大高級研究機構機器學習和大腦項目副主任
機器學習最讓我興奮的一個趨勢是元學習（meta-learning）的發(fā)展皆串。元學習是一個特別廣泛的總稱。但是今年眉枕，最讓我興奮的是我們在少數學習問題上取得了進展，這就解決了如何從若干例子中發(fā)現學習算法的問題怜森。Chelsea Finn 在今年年初曾就這一話題的進展速挑，在這篇博客中：http://bair.berkeley.edu/blog/2017/07/18/learning-to-learn/中進行了很好的總結。值得注意的是副硅，現在在機器學習方面姥宝，Chelsea Finn 是眾多令人驚嘆的博士生中，最有成就恐疲、最令人印象深刻的人之一腊满。
今年年末，人們使用深度時間卷積網絡（http://arxiv.org/abs/1707.03141）培己、圖形神經網絡（http://arxiv.org/abs/1711.04043）等方法碳蛋，進行了更多關于用少量鏡頭學習的元學習研究。現在省咨，元學習方法也更多地被用于主動學習（http://arxiv.org/abs/1708.00088）肃弟、冷啟動項目推薦（http://papers.nips.cc/paper/7266-a-meta-learning-perspective-on-cold-start-recommendations-for-items）、少數分布預測（http://arxiv.org/abs/1710.10304）零蓉、強化學習（http://arxiv.org/abs/1611.05763）笤受、分層 RL（http://arxiv.org/abs/1710.09767）、模仿學習（http://arxiv.org/abs/1709.04905）等敌蜂。
這是一個令人興奮的領域箩兽，我一定會在 2018 年對這一領域保持密切關注。
AI 沉默著革命章喉，全球 AI 咨詢需求大增
Charles Martin汗贫，數據科學家和機器學習 AI 顧問
2017 年，深度學習 AI 平臺和應用程序發(fā)展勢頭迅猛囊陡。Facebook 發(fā)布了 Tensorflow 的競品 PyTorch芳绩，以及 Gluon、Alex撞反、AlphaGo 等進步妥色，ML 從特征工程和邏輯回歸發(fā)展到閱讀論文、應用神經網絡遏片、優(yōu)化訓練效果嘹害。在我的咨詢實踐中撮竿，客戶已經在尋求自定義對象檢測、高級 NLP 和強化學習服務笔呀。當市場和比特幣飆升的時刻幢踏，人工智能一直在進行著沉默的革命，其再零售業(yè)應用也啟示著人們许师，人工智能改變整個行業(yè)的巨大潛力房蝉。企業(yè)想要變革，對 AI 技術和技術指導非常感興趣微渠。
2018 年必將成為全球人工智能優(yōu)先發(fā)展的突破之年搭幻。隨著中國和加拿大的人工智能和印度等國家從 IT 向人工智能轉變，來自歐洲逞盆、亞洲檀蹋、印度、沙特阿拉伯等國家云芦，乃至全球對 AI 的需求將繼續(xù)增長俯逾。美國和海外對企業(yè)培訓的需求都很大，人工智能將實現大規(guī)模提高效率舅逸，傳統(tǒng)行業(yè)如制造業(yè)桌肴、醫(yī)療保健和金融將會從中受益。人工智能創(chuàng)業(yè)公司將向市場推出新產品堡赔，并全面提高投資回報率识脆。而機器人、自動駕駛汽車等新技術將會帶來驚人的進步善已。
這將是一個偉大的創(chuàng)新之年灼捂。如果你已經在這條船上。
AI 新技術待應用换团，隱私保護將提上日程
Sebastian Raschka悉稠，密歇根州立大學應用機器學習和深度學習研究員和計算生物學家， Python 機器學習作者
在過去的幾年中艘包，開源社區(qū)已經對所有新出現的深度學習框架討論不斷〉拿停現在，這些工具已經漸漸成熟想虎，我希望看到一種去工具中心的方法出現卦尊，并將投入更多的精力，將深度學習的新穎想法付諸實踐舌厨，特別是使用今年很火爆的 GAN 和 Hinton capsule 來解決更多問題岂却。
此外，最近的半對抗神經網絡保護臉部圖像隱私的論文，或多或少可以透露出用戶隱私在深度學習應用程序中的重要性躏哩，我非常關心署浩，并希望這個話題再 2018 年獲得更多的關注趾唱。
成果很脆弱
Brandon Rohrer荠藤，Facebook 數據科學家
2017 年還取得了很多機器擊敗人類的成就洼怔。去年枕扫，AlphaGo 擊敗了人類圍棋世界冠軍，成為戰(zhàn)勝人類智慧的里程碑劲藐。今年镶柱，AlphaGo Zero 通過從零自學摔癣，打敗了它的“兄弟”拨拓。http://deepmind.com/blog/alphago-zero-learning-scratch
它不僅擊敗了人類肴颊，還擊敗了全體人類的圍棋智慧。此外渣磷，機器現在可以像人類一樣通過總機 benchmark 解碼對話
http://arxiv.org/abs/1708.06073
然而，人工智能取得的成就仍然偏狹脆弱授瘦，改變圖像中的單個像素就可以挫敗最先進的分類器（http://arxiv.org/pdf/1710.08864.pdf）醋界。我預測，2018 年會有更多強大的人工智能解決方案出現提完，幾乎所有大型科技公司都開始嘗試 AI形纺，其早期研究成果出來之后必定會成為新聞頭條，“AGI”將會取代“AI”徒欣，成為 2018 年的流行詞逐样。
2017 年機器學習 / 人工智能有哪些重大發(fā)展？
Elena Sharova打肝，投資銀行數據科學家
2017 年脂新，更多地公司和個人將他們的數據和分析轉向基于云的解決方案，數據安全重要性的意識有很大提高粗梭。
最大的和最成功的技術公司在競爭著成為用戶的數據存儲和分析平臺争便。對于數據科學家來說，這意味著断医，這些平臺所能提供的功能和能力正在塑造著他們的開發(fā)工具箱和解決方案滞乙。
2017 年，數據安全漏洞問題在全球范圍內引起關注鉴嗤。這是一個不容忽視的問題斩启，隨著越來越多的數據轉移到第三方存儲平臺，對于應對新威脅的強大安全性能的需求將繼續(xù)增長醉锅。
2018 年有哪些關鍵發(fā)展趨勢兔簇？
我預測，2018 年我們將需要進行更多工作以確保遵守《全球數據保護條例》（GDPR），并處理更多機器學習系統(tǒng)帶來的“隱藏”技術“債務”男韧。GDPR 作為一項歐盟法規(guī)具有全球影響力朴摊，所有數據科學家應該充分意識到其將會對他們的工作產生什么影響。根據 Google NIPS'16 論文此虑，數據依賴性的代價高昂甚纲，而且隨著企業(yè)創(chuàng)建復雜的數據驅動模型，他們將不得不仔細考慮如何解決這一成本問題朦前。
深度學習在商業(yè)數據領域的應用
Tamara Sipes介杆，Optum / UnitedHealth Group 商業(yè)數據科學總監(jiān)
深度學習和集成建模方法在 2017 年繼續(xù)顯示出其與其他機器學習工具相比的價值和優(yōu)勢，特別是深度學習在各個領域和行業(yè)得到了更廣泛的應用韭寸。
至于 2018 年的趨勢春哨，深度學習可能會被用來從原始輸入中生成新的功能和新的概念，并取代手動創(chuàng)建或設計新變量的需求恩伺。深度網絡在檢測數據的特征和結構方面是非常強大的赴背，數據科學家也認識到無監(jiān)督深度學習在這方面的價值。
有效的異常檢測可能未來短期內的重點晶渠。在許多行業(yè)中凰荚，數據科學工作的重點是異常事件和其他類型的罕見事件：入侵檢測、財務欺詐檢測褒脯、欺詐便瑟、浪費、醫(yī)療保健中的濫用和錯誤番川，以及設備故障等等到涂。檢測這些罕見事件使得公司在領域競爭中保持優(yōu)勢，了解這些罕見事件的演變本質將是這一方面的挑戰(zhàn)颁督。
用戶友好和隱私問題
Rachel Thomas践啄，fast.ai 創(chuàng)始人， USF 助理教授
雖然沒有 AlphaGo 或者翻轉機器人那樣華麗和引人注目适篙，2017 年最讓我最興奮的是深度學習框架變得更加用戶友好且易于訪問往核。PyTorch（今年發(fā)布）對任何了解 Python 的人都很友好（主要是由于動態(tài)計算和 OOP 設計）。TensorFlow 也正向著這個方向發(fā)展嚷节，將 Keras 納入其核心代碼庫聂儒，并發(fā)布動態(tài)執(zhí)行。編碼人員使用深度學習的壁壘變得越來越低硫痰，我預計 2018 年衩婚，深度學習對于開發(fā)者的可用性將繼續(xù)增加。
第二個趨勢是專制政府將利用人工智能監(jiān)管公民效斑，這已引起媒體廣泛報道的話題非春。隱私威脅并不是再 2017 年才出現，但直到最近才開始受到廣泛的關注。利用深度學習來識別戴著圍巾和帽子的示威者奇昙，或者通過圖片來識別某人的性取向的相關技術發(fā)展护侮，使得今年更多的媒體關注 AI 隱私風險。希望在 2018 年储耐，我們的關注點可以從 Elon Musk 對邪惡超級智力的恐懼擴展開來羊初，開始重視監(jiān)視、隱私什湘、性別歧視和種族主義等論題长赞。
道德、問責和可解釋性
Daniel Tunkelang闽撤，Twiggle 首席搜索傳播官得哆，知名組織顧問
對于自動駕駛汽車和會話數字助理領域來說，2017 年是一個大年哟旗。這兩個應用程序將科幻小說的情節(jié)帶進事實贩据。
但今年機器學習和人工智能最重要的發(fā)展集中在道德、問責和可解釋性方面闸餐。Elon Musk 以他關于人工智能觸發(fā)世界大戰(zhàn)的警告引發(fā)了輿論熱議乐设， Oren Etzioni 和 Rodney Brooks 等人都對他的觀點認真進行反駁。盡管如此绎巨，我們還是面臨著機器學習模式偏差可能導致危險，如 word2vec 中的性別歧視蠕啄，算法刑事判決中的種族主義场勤，以及故意操縱社交媒體 feed 的評分模型。這些問題都不是新出現的問題歼跟，只是機器學習和媳，特別是深度學習的采用，將這些問題推向大眾哈街。
我們最終將看到可解釋 AI 與成為一門學科留瞳，匯集學者、業(yè)界從業(yè)者和政策制定者的智慧骚秦。
文章鏈接：
https://www.kdnuggets.com/2017/12/machine-learning-ai-main-developments-2017-key-trends-2018.html
關注我們的微信號"AI前線"她倘，后臺回復“AI”可獲得《AI前線》系列PDF電子書
