對(duì)于人工智能(AI)領(lǐng)域來說，2019年堪稱是個(gè)異常忙碌的年份。AI進(jìn)步和登上新聞?lì)^條的速度讓我們的日常生活中充滿了令人敬畏和自豪的時(shí)刻。當(dāng)然，有時(shí)候也充斥著惱人的想法，即我們的社會(huì)對(duì)AI時(shí)代的到來準(zhǔn)備依然不夠充分。2019年是AI取得重大進(jìn)步的一年還是幻想破滅的一年？隨著研究人員迅速攻克以前讓人感覺難以企及的基準(zhǔn)，我們今天能說這個(gè)領(lǐng)域走上了穩(wěn)定的發(fā)展軌道嗎？

在應(yīng)用數(shù)據(jù)科學(xué)合作伙伴公司（Applied Data Science Partners）的幫助下，我們希望后退一步，對(duì)2019年的AI活動(dòng)進(jìn)行排序和透視。在聚光燈下，重要的是要把一件作品最初吸引人的興趣與它的實(shí)際重要性以及它對(duì)這個(gè)領(lǐng)域的影響分開?；谶@個(gè)原因，本文以平行方式敘述2019年的AI故事，并試圖分離它們的意義。下面，就讓我們回顧下2019年AI領(lǐng)域的發(fā)展情況：

強(qiáng)化學(xué)習(xí)回歸

如果我們選擇用一句話來描述2019年的AI發(fā)展情況，那很可能是：“強(qiáng)化學(xué)習(xí)（RL）回歸了，而且看起來它會(huì)繼續(xù)保持這種趨勢?！?/p>

到目前為止，我們中的大多數(shù)人可能都已經(jīng)熟悉有監(jiān)督學(xué)習(xí)模式：有些人收集了大量的訓(xùn)練數(shù)據(jù)，將它們提供給機(jī)器學(xué)習(xí)算法，讓它提煉出模型，然后幫助我們進(jìn)行預(yù)測和分類。我們中的有些人甚至可能會(huì)有這樣的印象，即AI是有監(jiān)督學(xué)習(xí)的同義詞。然而，它只是我們今天擁有的眾多機(jī)器學(xué)習(xí)類型中的一種。

在強(qiáng)化學(xué)習(xí)中，代理通過試驗(yàn)和錯(cuò)誤來學(xué)習(xí)，通過與環(huán)境的交互來判斷他們的行為。當(dāng)涉及多個(gè)智能代理時(shí)，它們就被認(rèn)為是一個(gè)多智能代理強(qiáng)化學(xué)習(xí)系統(tǒng)。

這個(gè)領(lǐng)域已經(jīng)存在了幾十年，從概念上講，比起有監(jiān)督學(xué)習(xí)模式，這聽起來更像是一種創(chuàng)造智能的學(xué)習(xí)機(jī)制。然而，直到2015年，英國人工智能初創(chuàng)企業(yè)DeepMind才獲得了吸引力，當(dāng)時(shí)該公司使用Deep Q學(xué)習(xí)(經(jīng)典強(qiáng)化學(xué)習(xí)算法與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合)創(chuàng)建了可以玩Atari游戲的代理。2018年，人工智能研發(fā)組織OpenAI也通過征服《Montezuma’s Revenge》游戲在該領(lǐng)域站穩(wěn)了腳跟，這是一款被認(rèn)為特別難的Atari游戲。

在過去的幾個(gè)月里，事情取得了重大進(jìn)展：這些工作重新喚醒了強(qiáng)化學(xué)習(xí)研究界的信念。在過去，強(qiáng)化學(xué)習(xí)被認(rèn)為過于低效和簡單，無法解決復(fù)雜的問題，哪怕是游戲。

今年獲得重大推進(jìn)的另一個(gè)用例是自然語言處理(NLP)。盡管研究人員在這個(gè)領(lǐng)域已經(jīng)工作了幾十年，但在幾年前，自然語言處理系統(tǒng)生成的文本聽起來并不夠自然。自2018年底以來，人們的注意力已經(jīng)從過去的單詞嵌入轉(zhuǎn)移到預(yù)先訓(xùn)練的語言模型上，這是自然語言理解從計(jì)算機(jī)視覺中借鑒的一種技術(shù)。

訓(xùn)練這些模型是以一種無監(jiān)督學(xué)習(xí)的方式進(jìn)行的，這使得當(dāng)代系統(tǒng)能夠從互聯(lián)網(wǎng)上可用的海量文本中學(xué)習(xí)。因此，這些模式變得“有知識(shí)”，并發(fā)展出了理解語境的能力。然后，使用有監(jiān)督學(xué)習(xí)可以進(jìn)一步提高他們?cè)谔囟ㄈ蝿?wù)中的表現(xiàn)。這種通過訓(xùn)練不同任務(wù)來改進(jìn)機(jī)器學(xué)習(xí)模型的做法屬于遷移學(xué)習(xí)領(lǐng)域，被認(rèn)為具有很大的潛力。

自然語言理解技術(shù)從去年開始蓄勢待發(fā)，2018年底推出了Google Bert、Elmo和ulmfit等系統(tǒng)，但今年的風(fēng)頭完全被OpenAI的GPT-2搶走，其表現(xiàn)引發(fā)了人們對(duì)自然語言理解系統(tǒng)是否合乎道德用例的討論。

理念走向成熟

今年也見證了最近的某些深度學(xué)習(xí)技術(shù)走向成熟。使用有監(jiān)督學(xué)習(xí)的應(yīng)用，特別是計(jì)算機(jī)視覺，催生了成功的現(xiàn)實(shí)產(chǎn)品和系統(tǒng)。

生成性對(duì)抗網(wǎng)絡(luò)(GANS)已經(jīng)達(dá)到了完美水平，其中生成器網(wǎng)絡(luò)試圖通過學(xué)習(xí)生成模仿訓(xùn)練數(shù)據(jù)的圖像來欺騙鑒別器網(wǎng)絡(luò)。顯然，創(chuàng)建人和物體的人工但逼真的圖像不再是AI的前沿。2019年，AI生成的藝術(shù)甚至脫離了過去幾年的假設(shè)討論，成為今天博物館裝飾和拍賣的一部分。

計(jì)算機(jī)視覺技術(shù)也已被應(yīng)用于具有重大商業(yè)和社會(huì)利益的領(lǐng)域，包括自動(dòng)駕駛汽車和醫(yī)學(xué)。AI算法在這些領(lǐng)域的采用自然很慢，因?yàn)樗鼈冎苯优c人類生活互動(dòng)。至少到目前為止，這些系統(tǒng)還不是完全自主的，它們的目標(biāo)是支持和增強(qiáng)人類操作員的能力。

研究小組正在與醫(yī)院密切合作，開發(fā)用于疾病早期預(yù)測的AI系統(tǒng)，并組織龐大的健康數(shù)據(jù)檔案，一個(gè)顯著的例子是DeepMind Health和倫敦大學(xué)附屬醫(yī)院(UCLH)之間正在進(jìn)行的合作。然而，這些工作中的大多數(shù)仍處于實(shí)驗(yàn)階段，到目前為止，使用深度學(xué)習(xí)來增強(qiáng)醫(yī)學(xué)圖像的軟件SubtlePet，是唯一獲得FDA批準(zhǔn)的AI系統(tǒng)。

沉睡的巨人

AutoML是機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域，自上世紀(jì)90年代出現(xiàn)以來，在2016年引起了人們的極大興趣，但不知何故從未登上過頭條，至少?zèng)]有像其他AI趨勢那樣引發(fā)關(guān)注?；蛟S這要?dú)w因于它不那么花哨的本質(zhì)：AutoML旨在通過自動(dòng)做出今天數(shù)據(jù)科學(xué)家通過手動(dòng)、暴力調(diào)整做出的決策，來提高機(jī)器學(xué)習(xí)的實(shí)踐效率。

在過去的三年里，我們對(duì)這一領(lǐng)域的理解發(fā)生了變化。今天，大多數(shù)大公司都提供AutoML工具，包括Google Cloud AutoML、Microsoft Azure、Amazon Web Services和DataRobot。今年，人們的興趣轉(zhuǎn)向了進(jìn)化方法，學(xué)習(xí)進(jìn)化AI框架(LEAF)成為最先進(jìn)的技術(shù)。然而，AutoML還沒有達(dá)到允許全自動(dòng)AI系統(tǒng)比AI專家團(tuán)隊(duì)表現(xiàn)更好的成熟程度。

對(duì)AI的擔(dān)憂

盡管取得了巨大成功，但今年AI領(lǐng)域也帶給我們?cè)S多令人沮喪的故事。一個(gè)主要問題是機(jī)器學(xué)習(xí)模型中存在的偏見，這個(gè)問題直到2018年才出現(xiàn)，當(dāng)時(shí)亞馬遜發(fā)現(xiàn)其自動(dòng)招聘系統(tǒng)中存在性別偏見，而美國法院廣泛使用的判決工具COMPAS也被發(fā)現(xiàn)對(duì)性別和種族存在偏見。

今年此類示例數(shù)量明顯增加，這可以說表明公眾和機(jī)構(gòu)對(duì)用于自動(dòng)化決策的現(xiàn)有AI系統(tǒng)越來越懷疑。舉幾個(gè)例子為證：

——10月份多家醫(yī)院算法被發(fā)現(xiàn)對(duì)黑人患者有偏見；

——用于發(fā)放英國簽證的AI系統(tǒng)在10月份被一個(gè)人權(quán)組織指責(zé)存在種族偏見；

——蘋果的信用評(píng)分系統(tǒng)在11月被客戶指責(zé)存在性別偏見。

偏見是一個(gè)特別令人擔(dān)憂的問題，因?yàn)樗挥谟斜O(jiān)督深度學(xué)習(xí)的核心中。當(dāng)有偏見的數(shù)據(jù)用于訓(xùn)練算法，而預(yù)測模型無法解釋時(shí)，我們無法真正判斷是否存在偏見。到目前為止，研究界的反應(yīng)是開發(fā)技術(shù)以了解深層模型決策背后的原因。但專家警告稱，如果我們采取正確的做法，許多問題都可以得到解決。Google Cloud Model Cards是最近組織社區(qū)走向開源模式的一次嘗試，并對(duì)其性質(zhì)和局限性進(jìn)行了清晰的描述。

今年的另一個(gè)令人擔(dān)憂的認(rèn)識(shí)是，一項(xiàng)技術(shù)變得越復(fù)雜，它被濫用的可能性就越高。深度造假（Deepfakes）就是Gans的副產(chǎn)物，深度學(xué)習(xí)算法被用來在純粹虛構(gòu)的場景中創(chuàng)建涉及真人的圖片或視頻。不需要擁有太多的遠(yuǎn)見，就可以看到這種技術(shù)如何被用來傳播虛假消息，從政治宣傳到欺凌等。這個(gè)問題不能僅靠科學(xué)家來解決，歷史證明，他們不善于預(yù)測他們的發(fā)現(xiàn)對(duì)現(xiàn)實(shí)生活的影響，更不用說控制它們了，這需要社會(huì)各界的對(duì)話。

如今，量化AI的價(jià)值是很困難的，但有一件事是肯定的：AI已經(jīng)離開了科幻小說和前衛(wèi)計(jì)算機(jī)科學(xué)的領(lǐng)域，現(xiàn)在是需要在這方面投入巨資的時(shí)候了。今年早些時(shí)候，三位主要的深度學(xué)習(xí)研究人員獲得了圖靈獎(jiǎng)，這是人們期待已久的、對(duì)AI作為計(jì)算機(jī)科學(xué)既定領(lǐng)域的認(rèn)可。