2019年机器学习和人工智能的关键趋势展望

回顾与展望：机器学习与人工智能在2018年的飞跃与2019年的展望

随着2018年的尾声渐近，KDnuggets网站汇聚了11位国际机器学习和人工智能领域的专家，一同回顾了这一年来在机器学习领域的显著进展，同时展望了即将到来的2019年的主要趋势。虽然并未邀请到如吴恩达、李飞飞等业界巨头，但这些专家同样站在工业、学术和技术的前沿，包括英伟达的机器学习研究主任、加特纳的机器学习小组负责人以及华盛顿大学的计算机科学与工程教授。他们带来了多元且深入的观察角度，为我们解读人工智能的过去与未来。

在回顾2018年时，研究的焦点已从标准的监督学习转向更具挑战性的领域，如半监督学习、领域适应、主动学习和生成模型。其中，GAN（生成对抗网络）依然风头正盛，研究人员正在尝试更为艰巨的任务，如大型GAN（BigGAN）和视频视频合成。还有一种新兴的生成模型——神经渲染模型，它能在单个网络中结合生成和预测功能，为半监督学习提供辅助。

深度学习的应用范围在2018年得到了显著扩展，已渗透到诸如地震预测、材料科学、蛋白质工程、高能物理和控制系统等多个领域。在这些领域中，领域知识和约束与学习相结合，展现出了强大的潜力。

展望未来，我们即将见证新的领域自适应技术的崛起，该技术旨在无缝地将仿真知识转移到现实世界中。借助仿真技术，我们将克服数据稀缺性并加速对新领域和问题的学习。将人工智能从仿真转向真实数据（Sim2Real）将对机器人学、自动驾驶仪和医学产生重大影响。对于复杂仿真器中的知识，将用于增强人工智能的物理意识和能力，并有望扩展到新的、未曾设想的场景。

值得关注的是，在学术领域，TensorFlow与PyTorch的竞争也引人注目。有时，Google的巨大影响力可能会使市场偏离最优方向，正如之前的MapReduce和Hadoop狂热所示。深度假声和类似技术彻底颠覆了我们对视频这一信息来源的信任。几十年前，我们开始怀疑印刷内容的真实性，而今天，视频仍然是我们最信赖的信息来源。

Google推出的一个系统能够取代人类打电话给餐馆、假装成真实人类系统的尝试，引发了关于道德和人工智能的广泛讨论。个人助理和聊天机器人在过去的一年里有了显著的提升，但似乎还未达到预期的水平。

在趋势方面，自动机器学习和强化学习开始在2018年流行起来，并有望在2019年进一步发展。物联网的融入也成为一个重要趋势，特别是在自动驾驶汽车、机器人和智能城市等领域。合作机器人（cobots）作为一种新技术，将在2019年成为关键趋势。这些机器人能够自主移动并理解情绪。数据科学家的角色也将从研究转向产品开发，与下一代数据产品的诞生紧密相连。

在工具方面，2018年见证了开源工具数量的显著增加，这些工具降低了AI的技术门槛，使得更多人能够接触并受益于人工智能。同时加强了不同组织之间的协作。预计2019年，关注人工智能的公司数量将增加。Google和微软等科技巨头已经推出了旨在让AI为社会服务的项目，这一趋势得到了越来越多的支持和动力。

最后我要提及一个可能引起争议的观点：我认为2018年最大的进步是没有进步本身！BigGAN虽然是一个更大的GAN模型，其有趣的生成结果引人注目，但从某种意义上说，它仍然在原有的框架内发展。我们期待在未来看到更多真正的突破性进展和创新。在NLP领域，今年最受瞩目的进展无疑是ELMO和BERT的情景嵌入技术，这些无疑是革命性的突破。回溯到过去几年，戴安德鲁（Andrew Dai）和QuocLe团队早在2015或2016年就开始着手训练语言模型，并对下游分类任务进行微调。尽管规模相对较小，但他们的努力为现今的进展打下了坚实的基础。在我看来，今年虽然亮点不多，但在技术的稳步发展中仍不乏积极因素。

尽管今年的进展似乎不如预期那样令人眼前一亮，但我们必须认识到深层学习理论正在不断孕育新的思想。许多研究者如桑杰夫·阿罗拉、马腾宇、丹尼尔·索德和纳蒂·斯雷布罗等人正在开展激动人心的研究。新的探究模式正在兴起，将理论与实验更为紧密地结合。我们已经看到理论论文与实验相互启发的情况愈发常见。

最近的一次经历让我深受启发，从一些前所未有的理论论文中发现了自然现象的解释。我坚信，在不久的将来，应用机器学习将迎来更加广阔的发展前景。我们渴望进入那些声称能够解决实际问题的实践领域。到目前为止，我们主要依赖的监督学习还存在一些挑战。

目前，模式匹配仍然受到一些难题的制约。受监督的模型虽然能够发现关联，但它们难以揭示背后的原因。我们难以确定哪些信息可以信赖，因为它们可能会随着时间而变化。这些模型并不能预测采取某种干预措施会产生何种影响。我认为，在未来的一年中，我们将看到更多的机器学习项目因为“黑箱”性质而遭遇困境。

我们将看到社会上有创造力的成员们努力改变这一现状。与其盲目地列出问题清单，不如更多地关注填补代表性学习和因果推理之间的空白。以我个人之见，机器学习领域在2018年展现出了其复杂性。例如，转移学习在自然语言处理方面得到了广泛的应用和关注，这得益于ULMFiT和BERT等技术的推动。语言模型嵌入（ELMo）作为一种深度上下文化的词表示模型也在每个任务上都取得了显著的改进。值得一提的是自然语言处理领域取得的一系列成就并非孤军奋战，还有许多其他领域如包容性和多样性也在同步推进着机器学习的进步和讨论的发展壮大和突破进展随着诸多倡导团体的加入也变得越来越多对于这一领域的潜力人们期待已久人们也在不断探索改进这一领域的机会

今年来我们也见证了其他领域取得重要突破的现象例如BigGAN这类技术同样值得一提同时我们看到机器学习界越来越关注包容性和多样性等议题也变得越来越注重实践和应用拓展AutoML领域也在不断发展和改进逐步实现了对常见监督学习任务的优化随着这些技术的不断成熟未来研究重点将逐渐从监督学习转向强化学习和半监督学习等领域发展对于数据科学领域而言我们看到了教育机会的增多和成熟在线课程已经成为数据科学教育的原始场所教育机构证书正成为打破数据科学资格恶性循环的重要途径与此同时一些著名的数据科学和机器学习项目也正将相关课程上传到互联网上为非预科生提供入学选择的机会展望未来我们可以预见大学数据科学学位与在线培训课程之间的界限将进一步模糊数据科学教育将继续创新以适应时代的需求总的来说数据科学领域正在不断发展和壮大无论是技术层面还是教育层面都充满了机遇和挑战随着欧盟颁布全球数据保护条例个人数据使用的公平性和透明度将得到更好的保障这无疑也为整个数据科学领域的发展带来了新的机遇和挑战随着科技的飞速发展，数据科学、人工智能和机器学习领域日益受到关注，但与此同时也面临诸多挑战。个人对于个人数据的控制权得到了法律的保障，GDPR的实施使得公司在数据处理上必须做出更为深入的变化，而不能仅仅停留在表面。尽管有了这些法规，对于数据的使用和处理仍存在许多模糊地带和法律解释的混乱。剑桥分析丑闻的曝光让整个数据科学界陷入了困境，引发了关于数据使用的深层次道德问题的辩论。而Facebook对此事件的调查揭示，这些问题并非短时间内能够解决。

除了这些挑战，行业内的其他趋势也在不断发展。例如，迁移学习在计算机视觉和NLP领域的应用取得了突破性进展。在短短的几年间，这项技术已经推动了计算机视觉的爆炸式发展，并在NLP领域取得了令人瞩目的成果。亚马逊最新研发的服务器处理器芯片让云计算变得触手可及，为普通人带来了便利。这也带来了责任的增长，特别是在软件开发实践、测试和维护方面。专有软件的广泛应用意味着我们需要遵循最佳软件开发实践来确保机器学习模型的稳健性和公平性。

人工智能的反乌托邦滥用也引起了广泛关注。仇恨团体和独裁者的监视和操纵行为让人们开始担忧人工智能的未来。在此背景下，迁移学习等技术的发展既是机遇也是挑战。这些技术有助于我们更好地理解数据、改进模型，但同时也带来了责任和挑战。我们需要密切关注这些技术的发展方向，确保它们被用于正当的目的。

随着主流媒体的关注，越来越多的关于人工智能在政治和社会领域的应用问题被揭露出来。例如Facebook在缅甸种族灭绝中的决定性作用、YouTube对阴谋论的推广以及AI在和执法监督中的应用等问题都引起了人们的广泛关注。这些问题提醒我们，在科技发展的我们也需要关注其可能带来的负面影响，并积极采取措施来应对。

展望未来，我预计随着NLP等领域的快速发展，这些趋势将在2019年继续发展。我们也需要更加关注如何使用技术来监测和操纵危险的政治运动等问题。艾伦人工智能研究所和华盛顿大学等研究机构在NLP领域的突破为我们提供了宝贵的工具和资源，但同时也带来了新的挑战和责任。我们需要继续努力，确保科技的发展服务于人类社会的福祉和进步。随着智能扬声器等产品的普及和自然语言理解技术的进步，我们有理由相信未来的科技世界将更加美好和智能。我们也需要警惕其中的风险和挑战，确保科技的发展不会带来负面影响。希望我们在2019年看到更多的NLP突破和科技进步的也能够更好地应对其中的挑战和责任。