2017回顾与2018前瞻：机器学习与人工智能

时隔一年，科技媒体KDnuggets最近向大数据、数据科学、人工智能和机器学习领域的一些顶尖专家征询了他们对于2017年这些领域最重要的发展，以及2018年的主要发展趋势的看法。这篇文章是本系列的第一篇年终总结，主要是关于在2017年，机器学习和AI领域都发生了哪些大事，以及2018年可能会出现哪些趋势。

问题：2017年，机器学习和人工智能最重要的发展是什么，2018年有何关键趋势？

2017年，KDnuggets曾就这一问题收集了很多专家的预测，总的来说，当时他们对2017年机器学习和AI发展的趋势和预测主要集中在以下方面：

AlphaGo的成功

深度学习热潮

自驾车

TensorFlow对神经网络技术商业化的影响

目前来看，这些预测基本上应验，2017年在这些方面确实取得了重要的进步。

为了了解年度最重要的发展动态，工业机器人维修，以及专家对机器学习和人工智能将在2018年取得的成果预测，参考专家的意见非常有必要。

2017AlphaGoZero最瞩目，社会问题将引发讨论

XavierAmatriin，Curai联合创始人兼CTO，曾任职Quora技术总监和Netflix的研究/技术主管

今年的亮点非AlphaGoZero莫属。这种新方法不仅在一些最有发展前景的方向上有所改进（例如深度强化学习），而且也代表了学习范式的转变这种模式可以在没有数据的情况下进行学习，而且最近我们也学会了将AlphaGoZero应用到象棋等其他游戏中。

在人工智能技术方面，2017年始于Pytorch，并对Tensorflow构成真正意义上的挑战，特别是在研究方面。对此，Tensorflow通过在TensorflowFold中发布动态网络迅速作出回应。大玩家之间的AI之战轰轰烈烈，其中最激烈的战争均围绕云而展开，所有的主要供应商都已经在各自的云服务中加紧布局AI。亚马逊已经在他们的AWS进行大量创新，比如其最近推出构建和部署ML模型的Sagemaker。另外值得一提的是，小型玩家也在不断涌入，例如Nvidia最近推出了他们的GPU云，位训练深度学习模型提供了另一个有趣的选择。虽然战况激烈，但我很高兴看到各行业在必要时能够凝聚在一起。另外，新的ONNX神经网络表达标准化是实现互操作性重要且必要的一步。

2017年，人工智能方面的社会问题将进一步升级。ElonMusk认为AI会越来越接近杀手机器人的想法极具煽动性，让许多人感到沮丧。另外，关于人工智能在未来几年会对工作产生什么影响也引起了广泛的讨论。另一方面，我们会将更多的注意力集中在AI算法的透明度问题上。

预测模型透明化越发重要

GeorginaCosma，诺丁汉特伦特大学科学与技术学院的高级讲师

机器学习模式，特别是深度学习模式正在对医疗保健、法律制度、工程和金融业等关键领域产生重大影响。但是，大多数机器学习模型难以解释。了解一个模型如何在剖析和诊断模型中进行预测的原理尤为重要，因为模型提出的预测必须值得我们信赖。重要的是，一些机器学习模型的决定必须遵守法律法规。现在，我们创建的深度学习模型的预测原理必须足够透明，特别是当这些模型的结果会影响人类的决定，或用来做出决定的时候。

云AI竞赛加剧，AlphaGoZero无实质性突破

PedroDomingos，华盛顿大学计算机科学与工程系教授

AI赌神Libratus战胜德州扑克专家，将AI的主导地位扩展到并不完善的信息游戏中。

自动驾驶汽车和虚拟助手之间的竞争越来越激烈，Alexa在后者中占有一席之地。

谷歌、亚马逊、微软和IBM之间的云AI竞赛。

AlphaGoZero很伟大，但并没有实质性的突破。自我对弈游戏是ML最常见的挑战领域，人类经过不到500万场游戏训练即可掌握Go游戏的玩法。

AI成为企业竞争优势，人才短缺现状将继续

AjitJaokar，牛津大学数据科学物联网课程首席数据科学家和创建者

2017年是AI的一年，2018年将是AI走向成熟的一年，我们已经从AI与系统工程/云原生的角度看到这一趋势。AI讲变得越来越复杂，但h2o.ai这样的公司会让部署AI变得更简单。

我看到人工智能在企业之间取得竞争优势方面的作用越来越大，特别是在工业物联网、零售和医疗保健方面。我也看到人工智能正在被迅速部署在企业的各个层面（创造新的机会，但更多工作岗位消失）。因此，这已经超越了PythonvsR和cats的讨论！

此外，我认为人工智能是通过嵌入式人工智能（即跨越企业和物联网的数据科学模型）合并传统企业，以及更加广泛的供应链。

最后，除了银行等传统行业（尤其是工业物联网）之外，了解AI/深度学习技术的数据科学家短缺的情况将继续存在。

ML＆AI帮助企业提高效率

NikitaJohnson，RE.WORK创始人

2017年见证了ML＆AI取得巨大的进步，特别是最近DeepMind的一般强化学习算法，在四小时内自学游戏规则，并击败世界上最强大的象棋游戏程序。

2018年，我期望看到智能自动化渗透到传统制造企业、零售、公共事业单位等各种公司。随着数据收集和分析量不断增长，企业级自动化系统战略将变得至关重要。这将促使公司投资于长期AI计划，并将其列为企业成长和提高效率的优先级发展事项。

我们还将看到自动化机器学习帮助非AI研究人员更轻松地使用该技术，并让更多公司能够将机器学习方法应用到他们的工作场所中。

元学习的进展让人兴奋

HugoLarochelle，Google研究科学家，加拿大高级研究机构机器学习和大脑项目副主任

机器学习最让我兴奋的一个趋势是元学习（meta-learning）的发展。元学习是一个特别广泛的总称。但是今年，最让我兴奋的是我们在少数学习问题上取得了进展，这就解决了如何从若干例子中发现学习算法的问题。ChelseaFinn在今年年初曾就这一话题的进展，在这篇博客中中进行了很好的总结。值得注意的是，现在在机器学习方面，ChelseaFinn是众多令人惊叹的博士生中，最有成就、最令人印象深刻的人之一。

今年年末，人们使用深度时间卷积网络、图形神经网络等方法，进行了更多关于用少量镜头学习的元学习研究。现在，元学习方法也更多地被用于主动学习、冷启动项目推荐、少数分布预测、强化学习、分层RL、模仿学习等。

这是一个令人兴奋的领域，我一定会在2018年对这一领域保持密切关注。

AI沉默着革命，全球AI咨询需求大增

CharlesMartin，数据科学家和机器学习AI顾问

2017年，深度学习AI平台和应用程序发展势头迅猛。Facebook发布了Tensorflow的竞品PyTorch，以及Gluon、Alex、AlphaGo等进步，ML从特征工程和逻辑回归发展到阅读论文、应用神经网络、优化训练效果。在我的咨询实践中，客户已经在寻求自定义对象检测、高级NLP和强化学习服务。当市场和比特币飙升的时刻，KUKA机器人维修，人工智能一直在进行着沉默的革命，其再零售业应用也启示着人们，人工智能改变整个行业的巨大潜力。企业想要变革，对AI技术和技术指导非常感兴趣。