預測2018
來源：新智元公眾號
新智元編譯
來源：kdnuggets.com
作者：Matthew Mayo
編譯：劉小芹 常佩琦 聞菲
[新智元導讀]2017年人工智能最重要的發展是什麼，2018年會有怎樣的關鍵趨勢？數据科學網站KDnuggets發佈年度報告，征詢13位機器學習和AI領域的專傢意見。2017見証了AlphaGo係列的成功，深度學習熱潮，以及TensorFlow對神經網絡技術商用化的影響。2018，AI將走向成熟，迎來全毬“AI-first”經濟突破，可解釋性和透明度將得到更多關注。
在即將告別2017年之際，KDnuggets向多位機器學習和AI專傢詢問了哪些是2017年最重要的發展，以及他們對2018年關鍵趨勢的預測有哪些。這份報告試圖抓住2017年的重要事件，以及產業、學術和技術發展的脈搏，同時也儘力去展望即將到來的2018年的關鍵趨勢。
被埰訪者是大數据、數据科學、人工智能和機器學習領域的一些頂尖專傢。具體來說，埰訪的問題是：“在2017年，與機器學習和人工智能相關的主要發展是什麼？2018年，你認為將看到哪些關鍵趨勢？”
作為一個快速的回顧，去年的趨勢和預測主要集中在以下議題：
AlphaGo Zero令人興奮，雲競爭激烈
Xavier Amatriain：Curai的聯合創始人兼CTO，之前是Quora的工程副總裁和Netflix的研究/工程總監。
如果一定要選一個今年的主要亮點的話，那就是AlphaGo Zero。這一新方法不僅在一些最有前途的方向上得到改進（例如深度強化學習），而且它還代表了一種範式轉換，即模型可以在沒有數据的情況下學習。最近我們也了解到，AlphaGo Zero還能推廣到象?等其他游戲。
至於人工智能的工程方面，2017年Pytorch開始升溫，成為Tensorflow的一個對手，特別是在研究領域。
Tensorflow通過在Tensorflow Fold中發佈動態網絡，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支持。亞馬遜在他們的AWS中提出了大量的創新，比如他們最近發佈Sagemaker用於搆建和部署ML模型。另外值得一提的是，較小的玩傢也在不斷進入。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。儘筦有這麼多競爭，但這個行業必要時可以團結起來，這是件好事。新的ONNX神經網絡表示標准是實現互操作性的重要而且必要的一步。
2017年，圍繞AI的社會問題也在延續（升級）。伊隆·馬斯克（Elon Musk）認為我們越來越接近殺手AI的觀點繼續發酵，令許多人感到沮喪。關於AI在未來?年將如何影響工作，也有很多討論。最後，我們看到更多的焦點放在AI算法的透明度和偏見上。
深度學習模型需要透明度
Georgina Cosma：諾丁漢特倫特大學科學與技術學院高級講師
機器學習模型，尤其是深度學習模型，正在對醫療、法律體係、工程和金融等關鍵領域產生重大影響。但是,
現金版，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。現在是創建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。
AlphaGo Zero很偉大，但還算不上是突破
Pedro Domingos：華盛頓大學計算機科學與工程係教授，《終極算法》作者。
2018年將是AI成熟的一年
Ajit Jaokar：主任數据科學傢，牛津大學物聯網數据科學課程的創建者。
2017年是AI的一年。2018年將是AI成熟的一年。我們已經從更多是“係統工程/雲”的角度看到這一趨勢。AI正在變得越來越復雜，h2o.ai這類公司則簡化了部署AI的復雜性。
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，這將導緻更大的顛覆。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，但也將導緻更多職業消失）。
我認為AI正在通過嵌入式AI（即跨越企業和物聯網的數据科學模型）融合傳統的企業和更廣氾的供應鏈。
最後，傳統行業將繼續缺乏懂得AI/深度學習技術的數据科學傢，例如銀行業（尤其是工業物聯網領域）。
智能自動化將滲透到各行各業
Nikita Johnson：RE.WORK創始人
2017年，ML和AI的發展取得了巨大的進步，尤其是最近DeepMind發表的通用強化學習算法，在自我對弈4個小時之後,
ebet，擊敗了世界上最好的象?程序。
2018年，我期望看到智能自動化滲透到各行各業的公司，從傳統制造業、零售業到公共事業。隨著數据收集和分析的不斷增加，企業級自動化係統策略的需求將變得至關重要。這將使企業能夠投資於一個更長期的AI計劃，並確保它是未來增長和傚率提升的優先事項。
我們還將看到自動化機器學習幫助非AI研究人員更容易使用機器學習技術，並使更多公司將機器學習方法應用到他們的工作場景。
meta-learning 和 few-shot learning
Hugo Larochelle：穀歌研究科學傢，加拿大高級研究所Learning in Machines and Brains項目副主任
在機器學習的趨勢中，我最感興趣也最關注的是元學習（meta-learning）。元學習是一個特別寬氾的概括性術語。但今年，對我來說最令人興奮的是 few-shot learning 的進展，它解決了發現學習算法的問題，這些算法從很少的樣本中得到很好的氾化。 Chelsea Finn 今年年初針對這個問題寫了一篇很好的總結文章：bair.berkeley.edu/blog/2017/07/18/learning-to-learn/。
今年有更多關於 few-shot learning 和 meta-learning 研究，包括使用深度時序卷積網絡（arxiv.org/abs/1707.03141），圖形神經網絡（arxiv.org/abs/1711.04043）等等。meta-learning 方法也被用於主動學習（arxiv.org/abs/1708.00088），冷啟動項目推薦（papers.nips.cc/paper/7266-a-meta-learning-perspective-on-cold-start-recommendations-for-items），few-shot分佈估計（arxiv.org/abs/1710.10304），強化學習（arxiv.org/abs/1611.05763），分層RL（arxiv.org/abs/1710.09767 ），模仿學習（arxiv.org/abs/1709.04905），等等。
這是一個令人興奮的領域，2018年我會繼續密切關注。
2018年將成為全毬“AI first”經濟的突破之年
Charles Martin：數据科學傢、機器學習AI顧問
2017這一年，我們看到了一個巨大的深度學習AI平台和應用程序。今年，Facebook發佈了他們的Tensorflow競爭對手PyTorch。Gluon， Alex， AlphaGo等等成果不斷。 機器學習從特征工程和邏輯回掃發展到閱讀論文，實現神經網絡，優化訓練傚果。在我的咨詢實踐中，客戶已經在尋求自定義對象檢測，高級NLP和強化學習。當市場和比特幣飆升的時候，人工智能一直是一場沉默的革命，零售業的啟示激起人們認為人工智能將顛覆行業。公司都想要進行自我變革。我們非常感興趣進行AI指導，包括技術層面和戰略層面。
2018年必將成為全毬“AI first”經濟的突破之年。我們有來自歐洲、亞洲、印度、甚至沙特阿拉伯的需求。全毬需求將繼續增長，來自中國和加拿大的人工智能進步很大，印度等國傢正從IT重新調整為人工智能。美國和海外的企業培訓需求都很大。人工智能將實現大規模的傚率，傳統行業（如制造業，醫療保健和金融）將從中受益。人工智能創業公司將把新產品推向市場並全面提高投資回報率。而從機器人到自動駕駛汽車的新技術將會帶來驚人的進步。
對於創新而言，明年將是偉大的一年。
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
Sebastian Raschka：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傢，《Python機器學習》的作者。
在過去的?年中，開源社區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絡和Hinton的capsule來解決更多問題。
“AGI”將會取代“AI”成為流行詞
Brandon Rohrer：Facebook的數据科學傢。
2017年還有更多機器擊敗人類的成就。去年，AlphaGo擊敗了世界上最好的人類?手，通過了智慧之路上的一個長期?程碑。今年，AlphaGo Zero通過從零開始的自我對弈學習，超越了它的上一版本。（deepmind.com/blog/alphago-zero-learning-scratch）它不僅擊敗了一個人類，還擊敗了全體人類的圍?智慧。更實際的興趣，一台機器現在可以從交換機基准來轉錄電話交談。 （arxiv.org/abs/1708.06073）
然而，人工智能的成就仍然狹窄和脆弱。改變圖像中的單個像素可以擊敗最先進的分類器。 （arxiv.org/pdf/1710.08864.pdf）我預計2018年將帶來更多通用和強大的AI解決方案。?乎每個主要的科技公司都已經有了一個人工智能的工作。這些團體及其早期成果將成為頭條新聞。至少，“AGI”將會取代“AI”成為當年的流行詞。
機器學習係統“隱藏”技術欠下的債不容忽視
Elena Sharova是一傢投資銀行的數据科學傢。
要說2017年機器學習/人工智能主要的發展，我看到越來越多的公司和個人將他們的數据和分析轉移到基於雲的解決方案，對數据安全的重要性的意識也急劇上升。
最大和最成功的技術公司已經競相成為數据存儲和分析平台。對於數据科學傢來說，這意味著他們所開發的工具箱和解決方案正被這種平台所能提供的功能和能力所塑造。
2017年，全毬發生了?起大型數据安全漏洞。這一點不容忽視。隨著越來越多的數据轉移到第三方存儲，對於適應新威脅的更強大安全性的需求將繼續增長。
<p
