本文由 【AI前線】原創，原文連結：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，AlphaGo Zero 的成功讓專家們印象深刻，2018 年，道德和隱私問題將成為最亟待解決的問題。
時隔一年，科技媒體 KDnuggets 最近向大資料、資料科學、人工智慧和機器學習領域的一些頂尖專家徵詢了他們對於 2017 年這些領域最重要的發展，以及 2018 年的主要發展趨勢的看法。這篇文章是本系列的第一篇年終總結，主要是關於在 2017 年，機器學習和 AI 領域都發生了哪些大事，以及 2018 年可能會出現哪些趨勢。”
問題：“2017 年，機器學習和人工智慧最重要的發展是什麼，2018 年有何關鍵趨勢？”
2017 年，KDnuggets 曾就這一問題收集了很多專家的預測，總的來說，當時他們對 2017 年機器學習和 AI 發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 對神經網路技術商業化的影響
目前來看，這些預測基本上應驗，2017 年在這些方面確實取得了重要的進步。
為了瞭解年度最重要的發展動態，以及專家對機器學習和人工智慧將在 2018 年取得的成果預測，參考專家的意見非常有必要。
2017AlphaGo Zero 最矚目，社會問題將引發討論
Xavier Amatriin，Curai 聯合創始人兼 CTO，曾任職 Quora 技術總監和 Netflix 的研究 / 技術主管
“今年的亮點非 AlphaGo Zero 莫屬。這種新方法不僅在一些最有發展前景的方向上有所改進（例如深度強化學習），而且也代表了學習正規化的轉變——這種模式可以在沒有資料的情況下進行學習，而且最近我們也學會了將 AlphaGo Zero 應用到象棋等其他遊戲中。
在人工智慧技術方面，2017 年始於 Pytorch，並對 Tensorflow 構成真正意義上的挑戰，特別是在研究方面。對此，Tensorflow 通過在 Tensorflow Fold 中釋出動態網路迅速作出回應。大玩家之間的“AI 之戰”轟轟烈烈，其中最激烈的戰爭均圍繞雲而展開，所有的主要供應商都已經在各自的雲服務中加緊佈局 AI。亞馬遜已經在他們的 AWS 進行大量創新，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，小型玩家也在不斷湧入，例如 Nvidia 最近推出了他們的 GPU 雲，位訓練深度學習模型提供了另一個有趣的選擇。雖然戰況激烈，但我很高興看到各行業在必要時能夠凝聚在一起。另外，新的 ONNX 神經網路表達標準化是實現互操作性重要且必要的一步。
2017 年，人工智慧方面的社會問題將進一步升級。Elon Musk 認為 AI 會越來越接近殺手機器人的想法極具煽動性，讓許多人感到沮喪。另外，關於人工智慧在未來幾年會對工作產生什麼影響也引起了廣泛的討論。另一方面，我們會將更多的注意力集中在 AI 演算法的透明度問題上。
預測模型透明化越發重要
Georgina Cosma，諾丁漢特倫特大學科學與技術學院的高階講師
機器學習模式，特別是深度學習模式正在對醫療保健、法律制度、工程和金融業等關鍵領域產生重大影響。但是，大多數機器學習模型難以解釋。瞭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。重要的是，一些機器學習模型的決定必須遵守法律法規。現在，我們建立的深度學習模型的預測原理必須足夠透明，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。
雲 AI 競賽加劇，AlphaGo Zero 無實質性突破
Pedro Domingos，華盛頓大學電腦科學與工程系教授
- AI 賭神 Libratus 戰勝德州撲克專家，將 AI 的主導地位擴充套件到並不完善的資訊遊戲中。（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 在後者中佔有一席之地。
- 谷歌、亞馬遜、微軟和 IBM 之間的雲 AI 競賽。
- AlphaGo Zero 很偉大，但並沒有實質性的突破。自我對弈遊戲是 ML 最常見的挑戰領域，人類經過不到 500 萬場遊戲訓練即可掌握 Go 遊戲的玩法。
AI 成為企業競爭優勢，人才短缺現狀將繼續
Ajit Jaokar，牛津大學資料科學物聯網課程首席資料科學家和建立者
2017 年是 AI 的一年，2018 年將是 AI 走向成熟的一年，我們已經從 AI 與“系統工程 / 雲原生”的角度看到這一趨勢。 AI 講變得越來越複雜，但 h2o.ai 這樣的公司會讓部署 AI 變得更簡單。
我看到人工智慧在企業之間取得競爭優勢方面的作用越來越大，特別是在工業物聯網、零售和醫療保健方面。我也看到人工智慧正在被迅速部署在企業的各個層面（創造新的機會，但更多工作崗位消失）。因此，這已經超越了 Python vs R 和 cats 的討論！
此外，我認為人工智慧是通過嵌入式人工智慧（即跨越企業和物聯網的資料科學模型）合併傳統企業，以及更加廣泛的供應鏈。
最後，除了銀行等傳統行業（尤其是工業物聯網）之外，瞭解 AI / 深度學習技術的資料科學家短缺的情況將繼續存在。
ML＆AI 幫助企業提高效率
Nikita Johnson，RE.WORK 創始人
2017 年見證了 ML＆AI 取得巨大的進步，特別是最近 DeepMind 的一般強化學習演算法，在四小時內自學遊戲規則，並擊敗世界上最強大的象棋遊戲程式。
2018 年，我期望看到智慧自動化滲透到傳統制造企業、零售、公共事業單位等各種公司。隨著資料收集和分析量不斷增長，企業級自動化系統戰略將變得至關重要。這將促使公司投資於長期 AI 計劃，並將其列為企業成長和提高效率的優先順序發展事項。
我們還將看到自動化機器學習幫助非 AI 研究人員更輕鬆地使用該技術，並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。
元學習的進展讓人興奮
Hugo Larochelle，Google 研究科學家，加拿大高階研究機構機器學習和大腦專案副主任
機器學習最讓我興奮的一個趨勢是元學習（meta-learning）的發展。元學習是一個特別廣泛的總稱。但是今年，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現學習演算法的問題。Chelsea Finn 在今年年初曾就這一話題的進展，在這篇部落格中：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，現在在機器學習方面，Chelsea Finn 是眾多令人驚歎的博士生中，最有成就、最令人印象深刻的人之一。
今年年末，人們使用深度時間卷積網路（http://arxiv.org/abs/1707.03141）、圖形神經網路（http://arxiv.org/abs/1711.04043）等方法，進行了更多關於用少量鏡頭學習的元學習研究。現在，元學習方法也更多地被用於主動學習（http://arxiv.org/abs/1708.00088）、冷啟動專案推薦（http://papers.nips.cc/paper/7266-a-meta-learning-perspective -on-cold-start-recommendations-for-items）、少數分佈預測（http://arxiv.org/abs/1710.10304）、強化學習（http://arxiv.org/abs/1611.05763）、分層 RL（http://arxiv.org/abs/1710.09767 ）、模仿學習（http://arxiv.org/abs/1709.04905）等。
這是一個令人興奮的領域，我一定會在 2018 年對這一領域保持密切關注。
AI 沉默著革命，全球 AI 諮詢需求大增
Charles Martin，資料科學家和機器學習 AI 顧問
2017 年，深度學習 AI 平臺和應用程式發展勢頭迅猛。Facebook 釋出了 Tensorflow 的競品 PyTorch，以及 Gluon、Alex、AlphaGo 等進步，ML 從特徵工程和邏輯迴歸發展到閱讀論文、應用神經網路、優化訓練效果。在我的諮詢實踐中，客戶已經在尋求自定義物件檢測、高階 NLP 和強化學習服務。當市場和比特幣飆升的時刻，人工智慧一直在進行著沉默的革命，其再零售業應用也啟示著人們，人工智慧改變整個行業的巨大潛力。企業想要變革，對 AI 技術和技術指導非常感興趣。
2018 年必將成為全球人工智慧優先發展的突破之年。隨著中國和加拿大的人工智慧和印度等國家從 IT 向人工智慧轉變，來自歐洲、亞洲、印度、沙烏地阿拉伯等國家，乃至全球對 AI 的需求將繼續增長。美國和海外對企業培訓的需求都很大，人工智慧將實現大規模提高效率，傳統行業如製造業、醫療保健和金融將會從中受益。人工智慧創業公司將向市場推出新產品，並全面提高投資回報率。而機器人、自動駕駛汽車等新技術將會帶來驚人的進步。
這將是一個偉大的創新之年。如果你已經在這條船上。
AI 新技術待應用，隱私保護將提上日程
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家， Python 機器學習作者
在過去的幾年中，開源社群已經對所有新出現的深度學習框架討論不斷。現在，這些工具已經漸漸成熟，我希望看到一種去工具中心的方法出現，並將投入更多的精力，將深度學習的新穎想法付諸實踐，特別是使用今年很火爆的 GAN 和 Hinton capsule 來解決更多問題。
此外，最近的半對抗神經網路保護臉部影像隱私的論文，或多或少可以透露出使用者隱私在深度學習應用程式中的重要性，我非常關心，並希望這個話題再 2018 年獲得更多的關注。
成果很脆弱
Brandon Rohrer，Facebook 資料科學家
2017 年還取得了很多機器擊敗人類的成就。去年，AlphaGo 擊敗了人類圍棋世界冠軍，成為戰勝人類智慧的里程碑。今年，AlphaGo Zero 通過從零自學，打敗了它的“兄弟”。http://deepmind.com/blog/alphago-zero-learning-scratch
它不僅擊敗了人類，還擊敗了全體人類的圍棋智慧。此外，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，人工智慧取得的成就仍然偏狹脆弱，改變影像中的單個畫素就可以挫敗最先進的分類器（http://arxiv.org/pdf/1710.08864.pdf）。我預測，2018 年會有更多強大的人工智慧解決方案出現，幾乎所有大型科技公司都開始嘗試 AI，其早期研究成果出來之後必定會成為新聞頭條，“AGI”將會取代“AI”，成為 2018 年的流行詞。
2017 年機器學習 / 人工智慧有哪些重大發展？
Elena Sharova，投資銀行資料科學家
2017 年，更多地公司和個人將他們的資料和分析轉向基於雲的解決方案，資料安全重要性的意識有很大提高。
最大的和最成功的技術公司在競爭著成為使用者的資料儲存和分析平臺。對於資料科學家來說，這意味著，這些平臺所能提供的功能和能力正在塑造著他們的開發工具箱和解決方案。
2017 年，資料安全漏洞問題在全球範圍內引起關注。這是一個不容忽視的問題，隨著越來越多的資料轉移到第三方儲存平臺，對於應對新威脅的強大安全效能的需求將繼續增長。
2018 年有哪些關鍵發展趨勢？
我預測，2018 年我們將需要進行更多工作以確保遵守《全球資料保護條例》（GDPR），並處理更多機器學習系統帶來的“隱藏”技術“債務”。GDPR 作為一項歐盟法規具有全球影響力，所有資料科學家應該充分意識到其將會對他們的工作產生什麼影響。根據 Google NIPS`16 論文，資料依賴性的代價高昂，而且隨著企業建立複雜的資料驅動模型，他們將不得不仔細考慮如何解決這一成本問題。
深度學習在商業資料領域的應用
Tamara Sipes，Optum / UnitedHealth Group 商業資料科學總監
- 深度學習和整合建模方法在 2017 年繼續顯示出其與其他機器學習工具相比的價值和優勢，特別是深度學習在各個領域和行業得到了更廣泛的應用。
- 至於 2018 年的趨勢，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，並取代手動建立或設計新變數的需求。深度網路在檢測資料的特徵和結構方面是非常強大的，資料科學家也認識到無監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。在許多行業中，資料科學工作的重點是異常事件和其他型別的罕見事件：入侵檢測、財務欺詐檢測、欺詐、浪費、醫療保健中的濫用和錯誤，以及裝置故障等等。檢測這些罕見事件使得公司在領域競爭中保持優勢，瞭解這些罕見事件的演變本質將是這一方面的挑戰。
使用者友好和隱私問題
Rachel Thomas，fast.ai 創始人， 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，2017 年最讓我最興奮的是深度學習框架變得更加使用者友好且易於訪問。PyTorch（今年釋出）對任何瞭解 Python 的人都很友好（主要是由於動態計算和 OOP 設計）。TensorFlow 也正向著這個方向發展，將 Keras 納入其核心程式碼庫，併發布動態執行。編碼人員使用深度學習的壁壘變得越來越低，我預計 2018 年，深度學習對於開發者的可用性將繼續增加。
第二個趨勢是專制政府將利用人工智慧監管公民，這已引起媒體廣泛報導的話題。隱私威脅並不是再 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，或者通過圖片來識別某人的性取向的相關技術發展，使得今年更多的媒體關注 AI 隱私風險。希望在 2018 年，我們的關注點可以從 Elon Musk 對邪惡超級智力的恐懼擴充套件開來，開始重視監視、隱私、性別歧視和種族主義等論題。
道德、問責和可解釋性
Daniel Tunkelang，Twiggle 首席搜尋傳播官，知名組織顧問
對於自動駕駛汽車和會話數字助理領域來說，2017 年是一個大年。這兩個應用程式將科幻小說的情節帶進事實。
但今年機器學習和人工智慧最重要的發展集中在道德、問責和可解釋性方面。Elon Musk 以他關於人工智慧觸發世界大戰的警告引發了輿論熱議， Oren Etzioni 和 Rodney Brooks 等人都對他的觀點認真進行反駁。儘管如此，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，演算法刑事判決中的種族主義，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，只是機器學習，特別是深度學習的採用，將這些問題推向大眾。
我們最終將看到可解釋 AI 與成為一門學科，彙集學者、業界從業者和政策制定者的智慧。
文章連結：
https://www.kdnuggets.com/2017/12/machine-learning-ai-main-developments-2017-key-trends-2018.html
關注我們的微訊號”AI前線“，後臺回覆“AI”可獲得《AI前線》系列PDF電子書