2019里人工智能領(lǐng)域會(huì)出現(xiàn)怎樣的演變呢？相比之前幾年會(huì)有什么樣的變化呢？

人工智能正主導(dǎo)著全球企業(yè)的創(chuàng)新——無論是大型企業(yè)集團(tuán)還是年輕的初創(chuàng)企業(yè)。據(jù)市場研究報(bào)告《從技術(shù)和垂直行業(yè)看人工智能市場——全球機(jī)會(huì)分析和行業(yè)預(yù)測》稱，2018年至2025年，全球人工智能市場規(guī)模預(yù)計(jì)將從2016年的40.65億美元增長至1694.11億美元，復(fù)合年增長率達(dá)到55.6%。該報(bào)告按技術(shù)、行業(yè)垂直和地區(qū)來劃分人工智能市場。人工智能技術(shù)被細(xì)分為機(jī)器學(xué)習(xí)、自然語言處理、圖像處理和語音識(shí)別。2016年，在營收方面，機(jī)器學(xué)習(xí)領(lǐng)域主導(dǎo)了人工智能市場，得益于人工智能行業(yè)解決方案的需求增加，預(yù)計(jì)未來幾年這一趨勢將會(huì)延續(xù)下去。根據(jù)Statista的數(shù)據(jù)，最大的營收部分來自面向企業(yè)應(yīng)用程序市場的人工智能。

以下是對2019年人工智能領(lǐng)域的預(yù)測：

IBM、谷歌、微軟、亞馬遜以及機(jī)器學(xué)習(xí)API提供商將發(fā)布更具包容性的數(shù)據(jù)集，以應(yīng)對人工智能內(nèi)嵌的歧視和偏見問題

機(jī)器學(xué)習(xí)是人工智能的主要形式，已被成功應(yīng)用到多個(gè)不同的領(lǐng)域，比如亞馬遜智能助手Alexa上的語音識(shí)別，F(xiàn)acebook自動(dòng)標(biāo)記照片功能的人臉識(shí)別，無人駕駛汽車當(dāng)中的行人檢測，甚至基于你訪問電子商務(wù)網(wǎng)站的記錄決定向你展示鞋子廣告等。在機(jī)器學(xué)習(xí)中，決策是從人類決策和標(biāo)簽的現(xiàn)有數(shù)據(jù)記錄中學(xué)習(xí)的。因此，為了讓計(jì)算機(jī)區(qū)分狗和貓，我們向它展示了許多帶標(biāo)記的狗的圖像和許多帶標(biāo)記的貓的圖像，讓它學(xué)習(xí)了解二者之間的區(qū)別。這種看似無害的方法本身帶來了一個(gè)嚴(yán)重的問題——偏見。如果我們盲目地把人類的標(biāo)記和決策輸入電腦，電腦可能會(huì)完全復(fù)制我們的偏見。臭名昭著的微軟Tay機(jī)器人便是前車之鑒。

更糟糕但更微妙的是，來自數(shù)據(jù)本身的偏見并不能代表我們想要了解的廣大群體。例如，今年早些時(shí)候，喬伊·布洛沃米（Joy Buolawumi）和蒂尼特·格布魯（TImnit Gebru）的研究表明，在對一個(gè)人的性別進(jìn)行分類的任務(wù)中，主流的商用計(jì)算機(jī)視覺產(chǎn)品在被灌輸淺膚色男性的圖像時(shí)表現(xiàn)最佳，在被灌輸深膚色女性的圖像時(shí)表現(xiàn)最差。如果我們訓(xùn)練這些分類器所用的數(shù)據(jù)集沒有包含足夠多的正確標(biāo)記的有色人種，也沒有捕捉到更廣泛的文化差異（不管來自哪里），這會(huì)是一個(gè)巨大的問題。

在這些非包容性數(shù)據(jù)集上訓(xùn)練的機(jī)器學(xué)習(xí)模型所做的關(guān)于樣本不足的人的決策顯然是有缺陷的。2019年，我們將會(huì)看到擁有主流計(jì)算機(jī)視覺產(chǎn)品的大公司公開發(fā)布更具包容性的數(shù)據(jù)集。這些數(shù)據(jù)集將在地理、種族、性別、文化概念以及其他維度上變得更加均衡，它們的公開發(fā)布也將驅(qū)動(dòng)研究者展開研究將人工智能的偏見最小化。

隨著讓人工智能的決策變得更容易解釋的產(chǎn)品逐漸成為主流，醫(yī)療和金融服務(wù)領(lǐng)域?qū)?huì)更多地采用人工智能

當(dāng)人工智能基于算法作出可輕易解釋的決策時(shí)，生活要簡單得多。例如，算法首先了解你是否頭痛，然后看看你是否發(fā)燒，然后得出你患了流感的結(jié)論，這個(gè)過程是可以解釋的。只要算法如何作出決定是可以解釋的，無論它的預(yù)測是對是錯(cuò)，它都具有巨大的價(jià)值。

在像醫(yī)學(xué)這樣我們可能會(huì)用機(jī)器做出生死攸關(guān)的決定的領(lǐng)域，能夠追溯理解為什么機(jī)器會(huì)給出特定的行動(dòng)建議顯然非常重要。在金融等領(lǐng)域，這一點(diǎn)也至關(guān)重要。如果人工智能算法拒絕向某人提供貸款，我們很有必要理解其中的原因——尤其重要的是要確保它不存在毫無緣由的歧視。隨著人工智能變得越來越成功，它更依賴于一種被稱為“深度學(xué)習(xí)”的技術(shù)，這種技術(shù)利用了許多的神經(jīng)網(wǎng)絡(luò)層（因此其名稱帶有“深度”一詞）。在這些系統(tǒng)中，沒有明確的方法來解釋發(fā)生了什么，以及機(jī)器的決策原因。這個(gè)系統(tǒng)就像一個(gè)極其精確的黑匣子，可以接收一系列癥狀、測量數(shù)據(jù)、圖像以及病人的狀態(tài)和病史數(shù)據(jù)，并能輸出高度準(zhǔn)確的診斷結(jié)果。

例如，谷歌AI可以通過檢查你的眼睛來預(yù)測你是否有患心臟病的風(fēng)險(xiǎn)！你的眼睛到底有什么毛?。繘]有人會(huì)輕易認(rèn)為自己的眼睛有毛?。?019年，隨著初創(chuàng)企業(yè)和大公司尋求推動(dòng)金融和醫(yī)療等行業(yè)采用人工智能，將會(huì)有專門針對這些行業(yè)的商業(yè)支持系統(tǒng)，幫助我們反思深層神經(jīng)網(wǎng)絡(luò)，并讓我們更好地解釋人工智能的預(yù)測。企業(yè)將會(huì)嘗試將這些預(yù)測的解釋流程完全自動(dòng)化，但成功的做法將會(huì)是，使得人類能夠調(diào)查探究“黑盒子”，更好地理解它的決策，這樣機(jī)器背后的人類可以提出自己的解釋。

算法VS算法。除了“假新聞”，還會(huì)有其它領(lǐng)域的人工智能系統(tǒng)受到基于人工智能的攻擊

隨著生成逼真的虛假圖像和視頻的技術(shù)不斷進(jìn)步，以及欺騙機(jī)器學(xué)習(xí)算法的新方法的出現(xiàn)（例如假新聞）——自動(dòng)駕駛汽車和其他關(guān)鍵任務(wù)系統(tǒng)將面臨新的安全問題。到目前為止，公眾的關(guān)注主要集中在圖像、視頻和音頻上面——泛泛地說，就是“假媒體”和“假新聞”泛濫成災(zāi)——但在2019年，我們將看到某種攻擊示范：產(chǎn)生令人信服但虛假的結(jié)構(gòu)化和非結(jié)構(gòu)化文本數(shù)據(jù)，導(dǎo)致機(jī)器在一些問題的自動(dòng)化決策上出錯(cuò)，比如信用評分和從文件中提取數(shù)據(jù)。

遷移學(xué)習(xí)和模擬成為主流，幫助企業(yè)克服冷啟動(dòng)問題和避免高企的培訓(xùn)數(shù)據(jù)積累成本

大多數(shù)人工智能項(xiàng)目的成功在很大程度上取決于是否擁有高質(zhì)量的、帶標(biāo)記的數(shù)據(jù)。大多數(shù)項(xiàng)目都死在這個(gè)問題上，因?yàn)樗鼈兺ǔ６紱]有關(guān)于手頭問題的現(xiàn)成數(shù)據(jù)，又或者很難手工標(biāo)記所有現(xiàn)有的數(shù)據(jù)。

例如，即使是像預(yù)測客戶是否會(huì)購買產(chǎn)品這樣簡單的事情，在起初沒有客戶的時(shí)候也會(huì)遇到冷啟動(dòng)問題。如果你的生意一直都沒能做大，那么你就永遠(yuǎn)不會(huì)得到在利用最強(qiáng)大技術(shù)上可能必不可少的“大數(shù)據(jù)”。更糟糕的是，在需要專業(yè)知識(shí)的情況中（例如，給腫瘤貼標(biāo)簽），獲得數(shù)千個(gè)數(shù)據(jù)標(biāo)記的成本極其高昂。

人工智能研究的一個(gè)活躍領(lǐng)域是如何應(yīng)對這種挑戰(zhàn)。在只有少量數(shù)據(jù)的情況下，我們?nèi)绾文苡蒙蠌?qiáng)大的深度學(xué)習(xí)技術(shù)呢？2019年，有兩種方法將在企業(yè)內(nèi)得到更多的采用。第一個(gè)有效的方法是遷移學(xué)習(xí)——從一個(gè)有大量數(shù)據(jù)的領(lǐng)域中學(xué)習(xí)的模型被用來重新訓(xùn)練機(jī)器在另一個(gè)數(shù)據(jù)少得多的領(lǐng)域中學(xué)習(xí)。例如，Landing AI？能夠通過僅僅使用少數(shù)有缺陷的產(chǎn)品的例子來檢測生產(chǎn)線上目標(biāo)對象的缺陷。現(xiàn)在任何人都可以先從從像ImageNet這樣的大型數(shù)據(jù)集學(xué)習(xí)了大量關(guān)于圖像的知識(shí)的模型著手，訓(xùn)練專門的物體分類器（比如區(qū)分損壞的汽車或房屋，自動(dòng)處理保險(xiǎn)）。這些領(lǐng)域也不必基于相同的數(shù)據(jù)類型。研究人員使用從圖像數(shù)據(jù)庫學(xué)習(xí)的模型來訓(xùn)練分類器，獲取傳感器數(shù)據(jù)。

第二種方法是合成數(shù)據(jù)生成和模擬。生成式對抗網(wǎng)絡(luò)可讓我們創(chuàng)造非常逼真的數(shù)據(jù)。眾所周知，英偉達(dá)公司使用生成式對抗網(wǎng)絡(luò)生成了虛擬但非常引人注目的名人面孔。自動(dòng)駕駛汽車公司們還創(chuàng)建了虛擬的模擬場景，在這些場景中，它們能夠在比現(xiàn)實(shí)生活中更大的距離上訓(xùn)練自己的駕駛算法。例如，Waymo無人駕駛汽車在模擬中行駛了50億英里，在現(xiàn)實(shí)世界的道路上則僅僅行駛了8英里。2019年，企業(yè)將利用模擬、虛擬現(xiàn)實(shí)和合成數(shù)據(jù)來在機(jī)器學(xué)習(xí)上取得巨大的進(jìn)展。而在以前，由于數(shù)據(jù)方面的局限性，這是不可能實(shí)現(xiàn)的。

越來越多的隱私要求將推動(dòng)更多的人工智能發(fā)生在邊緣設(shè)備上，大型互聯(lián)網(wǎng)巨頭將紛紛投資于邊緣人工智能，以獲得競爭優(yōu)勢

隨著消費(fèi)者對于將自己所有的數(shù)據(jù)都交給大型互聯(lián)網(wǎng)公司變得越來越警覺，可提供不需要將數(shù)據(jù)上傳到云端的服務(wù)的企業(yè)將享有競爭優(yōu)勢。業(yè)界普遍認(rèn)為，產(chǎn)品服務(wù)必須要使用云端才能進(jìn)行像面部識(shí)別和語音識(shí)別這樣的昂貴的機(jī)器學(xué)習(xí)運(yùn)算，但是硬件的進(jìn)步和人們隱私保護(hù)意識(shí)的增強(qiáng)，將會(huì)推動(dòng)更多的機(jī)器學(xué)習(xí)運(yùn)算直接發(fā)生在手機(jī)和更小的邊緣設(shè)備上，進(jìn)而減少將潛在的敏感數(shù)據(jù)發(fā)送到中央服務(wù)器的需要。這一趨勢還處于早期階段，蘋果等公司在移動(dòng)設(shè)備上進(jìn)行智能處理（運(yùn)行機(jī)器學(xué)習(xí)模型），而不是在云上（例如，使用CoreML和它專用的神經(jīng)引擎芯片，谷歌也已宣布推出TPU邊緣產(chǎn)品）。2019年，這一趨勢將會(huì)加速發(fā)展，移動(dòng)化、智能家居和物聯(lián)網(wǎng)生態(tài)系統(tǒng)將會(huì)推動(dòng)機(jī)器學(xué)習(xí)發(fā)生在邊緣設(shè)備上。