最近，“2017 vs 2019”成為熱題。回顧過往，人工智慧技術也是更迭換代，風雲跌宕。年關將至，InfoQ 也趁著這股小熱度總結了下 2017 年到 2019 年人工智慧領域有哪些“暗潮湧動”。

據 Gartner 釋出的 2017 年《技術成熟度報告》顯示，其中出現了 8 項新增技術成果，其中包括 5G、人工通用智慧、深度學習、深度強化學習、數字孿生、邊緣計算、無伺服器 PaaS 以及認知計算。時移世易，2019 年技術的創新和發展已經超出了我們的想象，據人工智慧行業分析機構 CBInsights 釋出的《2019 年 AI 趨勢報告》來看，人工智慧正在以可見的速度滲透到各行各業中。

深度學習熱度過後的“冷思考”

2017 年，人們對深度學習的發展寄予了厚望，認為它將會產生最多的利潤，眾多資本湧入人工智慧的各個領域，最好的例子就是 AlphaGo 的勝利。2017 年 5 月，在中國烏鎮圍棋峰會上，AlphaGo 與排名世界第一的世界圍棋冠軍柯潔對戰，以 3 比 0 的總比分獲勝。到 2017 年底，超強版 AlphaGo Zero 完全不依賴於人類資料，在只知道比賽規則的情況下自我對弈，3 天訓練後就以 100 比 0 戰勝了 AlphaGo。

在棋類遊戲中，圍棋所包含的巨大的搜尋空間（其狀態數遠遠超過整個宇宙中的原子數）一直是機器學習未能攻克的難題，甚至一度被認為在近期內是不可能被 AI 解決的。AlphaGo 的成功不僅讓人們看到了強化學習和隨機模擬技術（也稱“蒙特卡羅”技術）的魅力，也讓深度學習變得更加炙手可熱。冷靜之餘，人們認識到 AlphaGo 的演算法更適用於大規模概率空間的智慧搜尋，其環境和狀態都是可模擬的。 DeepMind 的創始人德米斯·哈薩比斯表示，對於那些環境難以模擬的決策問題（如自動駕駛），這些演算法也無能為力。

NLP 完成從量到質的躍遷

2017 年是自然語言處理領域的重要一年，這一年的種種實踐（Word2vec 和 GloVe）證明：預訓練詞嵌入模型已經成為解決 NLP 問題的一類關鍵性工具。舉例來說，來自 Facebook AI Research（簡稱 FAIR）實驗室的 fastText 即提供包含 294 種語言的預訓練向量，這無疑給整個技術社群帶來了巨大的貢獻與推動作用。儘管已經實現了一定進展，但這方面仍有大量工作需要完成，這個領域需要更好的預訓練模型的出現。

2018 年，谷歌釋出了 BERT ，因其在問題答覆到語言推理等不同任務上的卓越表現而引發關注。BERT 是近期 NLP （GPT、 GPT2 、ULMFiT 和 roBERTa）等模型中的一部分，這些模型的系統效能較之前有了很大改進，因此一些研究人員會稱 NLP 正處於它的“高光時刻”。谷歌充分利用了 BERT 的優越性並且將其加入到了搜尋引擎中，這也從側面說明了這些技術兼具了研究和商業價值。2018 年11 月24 日，谷歌正式放出BERT 官方程式碼和預訓練模型，包括模型的 TensorFlow 實現、BERT-Base 和 BERT-Large 預訓練模型和 TensorFlow 程式碼。

同樣，2018 年 6 月， OpenAI 發表論文首次介紹了自己的語言模型 GPT。2019 年年初，OpenAI 宣佈開發出了一個大型語言模型，可以生成合成文字，名為 GPT-2。出於謹慎考慮，公司並沒有公開 GPT-2 的所有程式碼，同時也是擔心它可能被誤用。5 月，OpenAI 釋出了一個 3.5 億引數的版本，並宣佈將與有限的合作伙伴共享 7.62 億引數和 15 億引數，同時他們也在研究針對惡意使用 GPT-2 的對策。這款被業內傳為“最強假新聞生成器”的 GPT-2 AI 模型，從誕生開始就引起大量關注。時隔半年，GPT-2 的階段性開放終於進入尾聲。11 月 6 日，OpenAI 正式放出 GPT-2 最後一個部分的完整程式碼——包含 15 億引數的最大版本。

這兩個預訓練模型的開放解決了標註資料缺乏的問題，幫助 NLP 完成了從量的積累到質的飛躍的轉變。

聯邦學習的征途是星辰大海

2016 年，谷歌提出了聯邦學習，原本是用來解決安卓手機終端使用者在本地更新模型的問題，其可使用的機器學習演算法不侷限於神經網路，還包括隨機森林等重要演算法。聯邦學習本質上是一種分散式機器學習技術，或機器學習框架，目標是在保證資料隱私安全及合法合規的基礎上，實現共同建模，提升 AI 模型的效果。

過去幾年，這一技術的標準在不斷完善。 IEEE 聯邦學習國際標準專案應運而生，這一專案由微眾銀行發起，於去年 12 月獲批，是國際上首個針對人工智慧協同技術框架訂立標準的專案，目前已經召開了四次工作組會議。聯邦學習標準草案預計將於 2020 年 2 月推出，正式標準預計將於 2020 年上半年出 臺。聯邦學習正在從“點到點的發展階段”轉向“應用落地、積累案例階段”。

在框架方面，2019 年取得了重要進展，誕生了首個工業級開源框架FATE ，這是微眾銀行AI 團隊自主研發的開源框架，FATE 在今年 2 月份首發了 0.1 版本，3 月份的時候有了第一位外部 Contributor，同時 GitHubStar 突破 100，5 月份釋出了 0.2 版本，支援了聯邦特徵工程和線上推理，6 月份釋出了 0.3 版本，把主要的合作伙伴遷移到了 FATE，並把 FATE 捐獻給了 Linux Fundation，8 月份釋出了 1.0 版本，支援 FATE-Flow 和 FATE-Board。10 月 31 日，FATE v1.1 版本正式釋出，聯合 VMware 中國研發開放創新中心雲原生實驗室團隊釋出了 KubeFATE 專案，通過把 FATE 的所有元件用容器的形式封裝，實現了使用 Docker Compose 或 Kubernetes （Helm Charts）來部署。不到三年的時間，聯邦學習已經快速地發展了起來，而且在業界也得到回應，京東、騰訊雲、平安科技等等企業也已經加入到聯邦學習的隊伍中來。

在推廣聯邦學習的過程中，建立一致的標準是目前面臨的一大挑戰。就在近期，IEEE P3652.1（聯邦學習基礎架構與應用）標準工作組第四次會議於北京成功召開。北京大學、IEEE、微眾銀行、創新工場、京東、中國電信、騰訊、小米、阿里巴巴、依圖、星雲 Clustar、第四正規化、華為終端、VMWare、LogiOcean、SensesGlobal、Swiss Re、 Intel 、CETC BigData、螞蟻金服、華夏基金、富數科技共 22 家頭部企業與研究機構參與，會議聚焦於聯邦學習的場景分類與需求分類，著重對聯邦學習的安全測評與評級進行規劃，進一步探討聯邦學習標準制定，這可謂是聯邦學習發展的奠基性的貢獻。雖然目前聯邦學習還沒有迎來爆發式發展階段，但好在，未來可期。

自動駕駛既不是天使也不是魔鬼

2017 年中是自動駕駛新聞瘋狂爆漲的一年，幾乎每隔一個月就會爆出一條自動駕駛領域大事件。 6 月 13 日，通用宣佈首批 130 輛搭載公司最新一代自動駕駛技術的測試版雪佛蘭 Bolt 純電動車在密歇根州的奧萊恩工廠下線。算上當時由 50 輛雪佛 Bolt 純電動車組成的測試車隊，通用已經擁有了一個由 180 輛 Bolt 組成的自動駕駛車隊，在舊金山、亞利桑那州斯科茨代爾以及底特律開展公共道路測試。7 月 11 日，奧迪新款 A8 釋出，其號稱是全球首款具備 L3 級自動駕駛功能的量產車型，可以實現 60km/h 以下的低速條件下，在擁堵路況中實現自動駕駛。同年年末，北京頒佈《北京市關於加快推進自動駕駛車輛道路測試有關工作的指導意見（試行）》和《北京市自動駕駛車輛道路測試管理實施細則（試行）》這兩份紅標頭檔案，標誌著北京成為了中國首個開放公共道路自動駕駛路測的城市。

彼時，自動駕駛一片利好的大背景下，人們把自動駕駛技術比作解放雙手的“天使 "。只是，好景不長。2018 年，Uber 自動駕駛汽車發生了全球首例致死車禍，一名女子在過馬路的途中被撞身亡。此事隨即引發了全球對無人車的關注，尤其是安全問題，這起慘烈的事故讓人們意識到了一個最重要的事實——安全性重於一切，只預估科技能避免多少事故是絕對不夠的。同年 5 月，谷歌旗下自動駕駛公司 Waymo 也出了一次車禍，事故導致一名測試人員受傷。後續的調查顯示，這起車禍仍舊是人為因素導致的，測試員走神打盹，才沒能及時處理突發情況，進而引發了這起悲劇。

目前，一些車廠也已經實現了 L3 級自動駕駛，最有名的案例莫過於特斯拉一直以來宣傳的自動駕駛功能。有不少使用者已經拍攝了相關的自動駕駛視訊上傳到了社交網路，雖然是對自動駕駛技術的最佳宣傳，但是特斯拉官方仍然表示：並不支援使用者完全放開手腳進行自動駕駛，目前該功能仍然需要駕駛員隨時集中注意力觀察路況。而 L4 級別的自動駕駛則是目前大部分公司正在攻克的難關。如今，公眾也開始更加客觀地看待自動駕駛這項技術，它既不是無害的“天使”，也不是殘忍的”魔鬼”。

AI 晶片從受制於人到“奮發圖強”

2016 年中國晶片領域相關設計公司數量較 2015 年增長了 600 多家；到 2017 年末，國內共有約 1380 家晶片設計公司。根據 Soopat 資料，國內晶片相關專利每年公開數量都在上升，2018 年至今已經公佈了 18871 件。然而，這些都還遠遠不夠。

2018 年美國製裁中興事件給我們“狠狠上了一課”，隨後的華為在美受到種種針對進一步讓過渡依賴國外晶片進口的企業覺醒——落後就要捱打，在哪個領域都是如此。在核心技術上需爭高下，大企業需要當仁不讓，如果不掌握核心技術就是在別人的基礎上砌房子。種種困境讓中國科學界意識到“晶片當自強”的重要性。

2019 年，意識到這些問題之後，不少中國晶片企業開始奮起直追，尤其在專用晶片領域取得了較為亮眼的成績。

在 9 月 25 日的杭州雲棲大會上，阿里巴巴集團技術長、阿里雲智慧總裁兼達摩院院長張建鋒現場展示了的 AI 晶片——含光 800 。阿里巴巴方面表示：在業界標準的 ResNet-50 測試中，含光 800 推理效能達到 78563 IPS，比當時業界最好的 AI 晶片效能高 4 倍；能效比 500 IPS/W，是第二名的 3.3 倍。

繼雙模 5G 晶片巴龍 5000 和全球首款 5G 基站晶片天罡問世後，華為今年推出了首款內建 5G 基帶的麒麟 990 5G SoC ——首顆商用 5G 旗艦晶片。不久前，晶片大廠聯發科也宣佈推出 5G 晶片新品牌天璣，名源於北斗七星之一，其意為領先，並推出該品牌首款產品 5G SoC 晶片——天璣 1000。國產晶片在嚐盡了“受制於人”的冷眼後也開始自立自強，可見，核心技術只有掌握在自己手裡，才能立於不敗之地。

5G 從技術萌芽走向大爆發

2017 年 12 月 21 日（北京時間），第五代行動通訊結束“ 5G NR ”首發版在 RAN 第 78 次全會代表的掌聲中正式凍結併發布，這是 5G 標準化的一個重要里程碑。從年初 3GPP 通過 5G 網路加速的提案，到年底收官 3GPP 宣佈完成了首個可實施的 5G 新空口（5G NR）規範，這一年 5G 的發展速度飛快。

2019 年 5G 已經從技術名詞真正走向商業落地。今年 6 月 6 日，我國對三大運營商及中國廣電發放 5G 牌照，這標誌著 5G 正式進入商用階段，基站部署速度大幅加快，這將為 AI 帶來很大的效能提升。

邊緣計算即將掀起波瀾

根據調研機構 Forrester 公司的調查，目前全球有 32％的電信公司決策者正在部署或擴充套件邊緣計算設施，另外 27％的決策者表示計劃在一年內部署邊緣計算設施。越來越多的企業開發和部署邊緣計算的主要動力來自頻寬、成本、網路延遲的迫切性和敏感性。

邊緣計算是計算系統從扁平到邊緣，以及面向 5G 網路架構演進的必然技術，同時也提供了一種新的生態系統和價值鏈。第三方資料分析機構 IDC 預測，到 2020 年，全球將有約 500 億的智慧裝置接入網際網路，其中主要涉及智慧手機、可穿戴裝置、個人交通工具等，其中 40% 的資料需要邊緣計算服務。邊緣計算有著強大市場潛力，也引起了各研究機構、標準組織、服務提供商和產業界極大的關注。

結語

對於瞬息萬變的技術領域來講，三年的時間已經足夠長。我們已經從人工智慧即將改變未來的遙遠的夢境中逐漸清醒過來，能夠真正冷靜、客觀地考量技術發展的中的利與弊。那麼，作為一名技術從業者，你的 2017 到 2019 又發生了哪些變化？