2019 年無疑是忙碌的一年。人工智能的進步和新聞頻頻登上頭條新聞，讓我們的生活充滿了敬畏和自豪的時刻，但一些其他時刻充卻斥著一種惱人的想法，那就是這項技術(shù)讓人們發(fā)現(xiàn)，我們的社會并沒有準(zhǔn)備好迎接人工智能的普及。

2019 年，究竟是人工智能進步的一年，還是幻滅的一年呢？隨著研究人員攻城略地，迅速攻克以前難以企及的基準(zhǔn)，今天，我們可不可以這樣認(rèn)為，這個領(lǐng)域已經(jīng)正在步入穩(wěn)步發(fā)展的軌道呢？

在 ADSP（Applied Data Science Partners，意即“應(yīng)用數(shù)據(jù)科學(xué)合作伙伴”）網(wǎng)站上，我們想后退一步，把 2019 年的人工智能界發(fā)生的事件整理好，以讓公眾能夠有個全新的視角。在聚光燈下，重要的是要將一項工作最初吸引人們的興趣，與它的實際重要性，以及它對該領(lǐng)域產(chǎn)生的影響區(qū)分開來。為此，本文將展開人工智能故事的平行線索，并試圖分離出它們的意義。多虧了我們出色的內(nèi)容作家 Elena Nisioti，她將這些故事講得如此精彩！

讓我們坐下來，一起回顧 2019 年的人工智能領(lǐng)域的方方面面。

處在文藝復(fù)興時期的領(lǐng)域

如果讓我們用一句話來描述 2019 年的人工智能現(xiàn)狀，那很可能是：“強化學(xué)習(xí)（Reinforcement Learning ）回歸，看起來將永存”。

到目前為止，我們中的大多數(shù)人可能已經(jīng)熟悉了 監(jiān)督式學(xué)習(xí)（Supervised Learning）：有些人收集了大量的 訓(xùn)練數(shù)據(jù)，將它們饋送到 機器學(xué)習(xí)算法 中，然后得到一個 模型，這個模型可以為我們進行 預(yù)測 和 分類。我們中的一些人甚至可能有這樣的印象：即，人工智能就是監(jiān)督式學(xué)習(xí)的同義詞。然而，監(jiān)督式學(xué)習(xí)只不過是我們今天擁有的 眾多類型的機器學(xué)習(xí) 中的一種罷了。

在強化學(xué)習(xí)（Reinforcement Learning，RL）中，智能體用 試錯 的方法，通過與環(huán)境進行交互來學(xué)習(xí)，這種環(huán)境會給它們的 行為 提供 獎勵回報。當(dāng)涉及到多個智能體時，它們被稱為 多智能體強化學(xué)習(xí)系統(tǒng)（Multi-agent Reinforcement Learning System）。

這個領(lǐng)域已經(jīng)存在幾十年，從概念上來講，它聽起來比監(jiān)督式學(xué)習(xí)更像是一種合理的創(chuàng)造智能的學(xué)習(xí)機制。然而，直到 2015 年，DeepMind 才獲得了人們的關(guān)注，當(dāng)時 DeepMind 使用深度 Q 學(xué)習(xí)（Deep Q-learning）創(chuàng)建了 Atari（雅達(dá)利） 游戲的智能體，這是一種結(jié)合了經(jīng)典強化學(xué)習(xí)算法和深度神經(jīng)網(wǎng)絡(luò)的算法。2018 年，OpenAI 也通過 解決 Montezuma’s Revenge（一款被認(rèn)為難度特別高的 Atari 游戲），從而在這一領(lǐng)域確立了自己的地位。

在過去的幾個月里，事態(tài)升級了：

這些工作重新喚起了學(xué)術(shù)界對強化學(xué)習(xí)的信念，在過去，人們曾經(jīng)認(rèn)為強化學(xué)習(xí)效率低下，過于簡單，無法解決復(fù)雜的問題，甚至連游戲的問題也不能解決。

今年，另一個大受歡迎的應(yīng)用是 自然語言處理（Natural Language Processing，NLP）。盡管研究人員在這一領(lǐng)域工作了幾十年，但近些年的自然語言處理系統(tǒng)生成的文本聽起來還是不夠自然。自 2018 年底以來，人們的注意力已經(jīng)從過去的詞嵌入轉(zhuǎn)移到 預(yù)訓(xùn)練語言模型，這是自然語言處理從計算機視覺中借鑒來的一種技術(shù)。這些模型的訓(xùn)練是以非監(jiān)督的方式進行的，這使得現(xiàn)代系統(tǒng)能夠從互聯(lián)網(wǎng)上的大量文本中進行學(xué)習(xí)。因此，這些模型變得“博聞強識”，并發(fā)展出了理解上下文的能力。然后，可以通過監(jiān)督式學(xué)習(xí)進一步提高它們在特定任務(wù)上的表現(xiàn)。這種通過在不同任務(wù)上訓(xùn)練機器學(xué)習(xí)模型來改進模型的做法，屬于 遷移學(xué)習(xí)（transfer learning）的范疇，被認(rèn)為具有巨大的潛力。

自去年 Google BERT、ELMo 和 ulmfit 等系統(tǒng)在 2018 年底推出以來，自然語言處理一直風(fēng)頭正茂，但今年的聚光燈被 OpenAI 的 GPT-2 給“奪走了”，它的表現(xiàn)引發(fā)了人們對 自然語言處理系統(tǒng)的道德使用的大討論。

實踐走向成熟

今年，人們也見證了最近一些深度學(xué)習(xí)技術(shù)走向成熟。應(yīng)用監(jiān)督式學(xué)習(xí)，特別是 計算機視覺 技術(shù)，已經(jīng)催生了現(xiàn)實生活中成功的產(chǎn)品和系統(tǒng)。

生成對抗網(wǎng)絡(luò)（GeneraTIve Adversarial Networks，GAN）是一對神經(jīng)網(wǎng)絡(luò)，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)的圖像來欺騙判別器網(wǎng)絡(luò)，現(xiàn)在已經(jīng)達(dá)到了近乎完美的水平。對人工智能來說，創(chuàng)造虛假但又逼真的人物和物體的圖像，已經(jīng)不再是前沿領(lǐng)域了。從 2014 年生成對抗網(wǎng)絡(luò)的引入 到 2019 年 NVDIA 開源的 StyleGAN，一圖勝千言，我們用下面的圖片來說明，這可能是理解該領(lǐng)域進展情況的最佳方式：

2019 年，人工智能創(chuàng)造的藝術(shù)品甚至脫離了過去幾年的假設(shè)性討論，成為了今天 博物館裝置和拍賣 的一部分。

計算機視覺還被應(yīng)用于一些具有重大商業(yè)和社會意義的領(lǐng)域，包括自動駕駛車輛和醫(yī)學(xué)。但是，人工智能算法在這些領(lǐng)域中的應(yīng)用自然是緩慢的，因為它們直接與人類生活直接互動。至少到目前為止，這些系統(tǒng)還 不是完全自主的，它們的目的，在于支持和 增強 人類操作員的能力。

研究團隊正與醫(yī)院密切合作，開發(fā)用于疾病早期預(yù)測的人工智能系統(tǒng)，并整理大量的健康數(shù)據(jù)檔案，其中一個值得注意的例子，是 DeepMind Health 和 UCLH 之間正在進行的合作。然而，這些工作中的大部分仍處于試驗階段，迄今為止，唯一獲得 FDA 批準(zhǔn)的人工智能系統(tǒng)是 SubtlePet，這是一款使用深度學(xué)習(xí)增強醫(yī)學(xué)圖像的軟件。

沉睡的巨人

AutoML 是機器學(xué)習(xí)的子領(lǐng)域之一，自 20 世紀(jì) 90 年代以來就一直存在，在 2016 年引起了人們的極大興趣，但不知何故從未登上頭條新聞，至少不像其他人工智能趨勢那樣。也許這是因為它并不那么花哨的性質(zhì)：AutoML 的目的是通過自動化決策來使機器學(xué)習(xí)的實踐更有效，而今天數(shù)據(jù)科學(xué)家是通過手動、蠻力調(diào)優(yōu)做出的決策。

在過去三年中，我們對這一領(lǐng)域的理解已經(jīng)發(fā)生了變化，今天，大多數(shù)大公司都提供了 AutoML 工具，包括 Google Cloud AutoML、Microsoft Azure、Amazon Web Service 和 DataRobot 等。今年，隨著 學(xué)習(xí)進化人工智能框架（Learning EvoluTIonary AI Framework，LEAF）成為最先進的人工智能技術(shù)，人們的興趣轉(zhuǎn)向了“進化”（EvoluTIonary）方法。然而，AutoML 還沒有達(dá)到可以讓一個完全自動化的人工智能系統(tǒng)比人工智能專家團隊執(zhí)行更好的成熟水平。

2019年AI人工智能領(lǐng)域都發(fā)生了什么？

對人工智能的擔(dān)憂

盡管取得了壓倒性的成功，但今年人工智能領(lǐng)域也給我們帶來了一些令人沮喪的故事。其中主要問題之一是 機器學(xué)習(xí)模型中的偏見，這一問題直到 2018 年才顯現(xiàn)出來，當(dāng)時 Amazon 發(fā)現(xiàn)他們的 自動招聘系統(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)存在性別和種族的偏見。

今年案件的數(shù)量有所增加，這可能表明，公眾和機構(gòu)對用于自動化決策的現(xiàn)有人工智能系統(tǒng)越來越懷疑。以下是圖景的一小部分：

今年 10 月份，某醫(yī)院的算法被發(fā)現(xiàn)對黑種人患者存有偏見。

去年 10 月，某人權(quán)組織指責(zé)用于發(fā)放英國簽證的人工智能系統(tǒng)存在種族偏見。

今年 11 月，Apple 的信用評分系統(tǒng)被客戶指責(zé)存有性別偏見。

偏見是一個特別令人擔(dān)憂的問題，因為它位于監(jiān)督式深度學(xué)習(xí)的核心中：當(dāng)有偏見的數(shù)據(jù)被用于訓(xùn)練，且預(yù)測模型無法 解釋 時，我們不能真正判斷出是否存有偏見。迄今為止，學(xué)術(shù)界的反應(yīng)一直是致力于開發(fā)技術(shù)，以了解深度模型決策背后的原因，但專家警告稱，如果我們采用正確的實踐方法，那么許多問題都可以迎刃而解。Google Cloud Model Cards 是最近的一次嘗試，旨在使組織社區(qū)走向開源模式，同時明確描述其性質(zhì)和局限性。

今年另一個讓人擔(dān)憂的發(fā)現(xiàn)是，當(dāng)一項技術(shù)變得越復(fù)雜時，它被濫用的可能性就越大。Deepfake 就是生成對抗網(wǎng)絡(luò)的陰暗面，深度學(xué)習(xí)算法被用來在純粹虛構(gòu)的場景中創(chuàng)建涉及真實人物的圖片或視頻。人們不難看出，這項技術(shù)如何被用于傳播虛假新聞，從政治宣傳到欺凌。這個問題單靠科學(xué)家是無法解決的，歷史已經(jīng)證明，科學(xué)家并不善于預(yù)測他們的發(fā)現(xiàn)對現(xiàn)實生活的影響，更不用說控制它們了，這需要社會各界進行廣泛的對話。

今天的人工智能有多強大？

如今，要量化人工智能的價值真的很困難。但有一點是可以肯定的：人工智能已經(jīng)脫離了科幻小說和前衛(wèi)計算機科學(xué)的領(lǐng)域，現(xiàn)在，人工智能已成為社會不可分割的一部分，人們對人工智能進行了大量的投資。

今年早些時候，三名主要的深度學(xué)習(xí)研究人員獲得了圖靈獎，這是對人工智能作為計算機科學(xué)的一個領(lǐng)域的認(rèn)可，而人們對此期待已久。