過去的2016年是人工智能和機器學習大放異彩的一年，《麻省理工科技評論》發(fā)表對2017年人工智能領域發(fā)展的預測，技術上看好強化學習、生成對抗網絡，應用上強調語音識別，說到中國今年也許會成為人工智能產業(yè)的主力軍，但“風口化”的炒作需要警惕。

更好的語言理解，人工智能在中國的爆發(fā)，還有……

剛剛過去的2016年是人工智能和機器學習的爆發(fā)之年，但是2017將會呈現(xiàn)給世人更多的內容。讓我們來一起看看哪五個方面值得重點期待吧……

正向強化學習

AlphaGo 戰(zhàn)勝李世石不僅是人工智能產業(yè)的歷史性成功，更使深度強化學習這項技術為人所知并大放異彩。

深度強化學習不是讓機器通過一個程序或者一些設定好的案例進行學習的過程，而是通過實驗設計和正向強化(positive reinforcement)來學習。正向強化這個概念本身已經存在了數(shù)十年(如生物、教育等領域)，它與深度神經網絡的完美結合使讓機器完成下圍棋這種高度燒腦的任務成為了可能。通過不斷的實驗和對之前圍棋比賽的分析，AlphaGo 靠自己探索出了一條成為圍棋蓋世高手之路。

下一步對于強化學習的期待是把它應用在更多的實際生活場景中。最近發(fā)布的幾個模擬環(huán)境應該會對這一趨勢提供動力，以幫助建立算法讓機器通過強化學習掌握更多的技能。

在 2017，我們有可能會看到強化學習在自動駕駛和工業(yè)機器人領域的嘗試。谷歌宣稱已經應用深度強化學習優(yōu)化自己的數(shù)據中心，但是這個方案還處在試驗階段，而且還需要耗費大量時間去模擬，所以究竟它到底能達到多高效的程度還處在觀望中。

“決斗”神經網絡架構

在巴塞羅那舉辦的 NIPS 2016 大會上，重點討論了一種新型機器學習工具，叫生成對抗網絡。

這項成果是由 OpenAI 的科學家 Ian Goodfellow 發(fā)明的。生成對抗網絡(GAN)由一個經過訓練生成新數(shù)據的網絡和另一個用于區(qū)分準確數(shù)據和錯誤數(shù)據的網絡組成。當這兩個網絡同時工作，能產生非常逼真的合成數(shù)據。這種方法能用來生成計算機游戲的物理場景，讓被像素化的視頻更清晰，或者讓設計更具時尚感。

Yoshua Bengio 是機器學習領域的世界級專家，是 Goodfellow 在蒙特利爾大學的博士生導師。他在此學術會議上發(fā)言說，生成對抗網絡使計算機有能力通過未標記的數(shù)據來學習。擺脫標記，被認為是使機器變得更智能的關鍵。

人工智能在中國發(fā)展

2017 有可能是中國開始演變成人工智能產業(yè)主力軍的一年。中國的科技企業(yè)不再止步于抄襲國外公司，而是積極地向人工智能自主研發(fā)大踏步邁進。

百度建立自己的人工智能實驗室已經有一段時間了，并且已經在聲音識別、自然語言處理、廣告優(yōu)化等領域有所建樹。其他巨頭公司也在向百度看齊：騰訊在2016建立了自己的AI實驗室之后開始了大量招聘人才;滴滴也正在籌劃建立一個實驗室，用于無人車的研發(fā)工作。

中國的投資者現(xiàn)在在密切關注著人工智能領域的創(chuàng)業(yè)并大筆揮金。中國政府也釋放出強烈的信號，承諾在2018年之前投資150億美元，來共同推動人工智能領域的發(fā)展。

語言識別

如果你問一位AI研究者什么是下一個需要被攻克的目標，他們大多會說跟語言相關的。因為語言和圖像識別的進步能夠促進機器分析、產生自己的語言。

實現(xiàn)機器語言是一個漫長的目標，人們對機器和人類的互動和交流充滿了遐想和期待。更好的語言理解能使機器更有用，但是考慮到語言的復雜性、微妙性、感染力，科學界所面臨的挑戰(zhàn)也是巨大的。

不要期待在短時間內你能和你的手機產生任何有實質交流的對話，但是已經有很多看得到的進展在不斷發(fā)生，2017也將繼續(xù)在語言領域帶來好消息。

風口的反作用

除了一些實實在在的科技進展外，2016也經歷了一些“被風口化”的炒作。盡管很多人對AI的科技價值有足夠信心，但是在AI這個話題周圍的報道有些鋪天蓋地且失去控制。

有些AI研究人員不可避免地會經常被騷擾。NIPS 的學術研討會就在開場為一個叫 Rocket AI 的假公司舉行發(fā)布會，就是為了諷刺很多在學界圍繞AI不務實、盲目夸大的現(xiàn)象。雖然這個活動本身的有效性有待商榷，但是它所反映的問題是真實的。

一個最真實的問題就是如果在科技上的突破沒有想象中來的那么快，那之前“所謂的風口論”會將人們引向失望的邊緣，就會看到估值虛高的創(chuàng)業(yè)公司大量死亡，投資源頭走向枯竭。也許2017會反應出一些“風口化”的后坐力，也許回歸本原也不是一件壞事。