人工智能是前沿和中心，商界和政府領(lǐng)導(dǎo)人正在思考正確的舉措。但是在實(shí)驗(yàn)室里發(fā)生了什么呢？在實(shí)驗(yàn)室里，學(xué)術(shù)和企業(yè)研究人員的發(fā)現(xiàn)將為未來一年乃至更長的時間設(shè)定人工智能的發(fā)展方向。我們自己的研究團(tuán)隊(duì)來自普華永道的AI加速器，專注于領(lǐng)先的發(fā)展，無論是技術(shù)人員還是商業(yè)領(lǐng)袖都應(yīng)該密切關(guān)注。這是他們是什么，為什么他們重要。這里也可以看到我們在商業(yè)上的頂級人工智能趨勢。

1.深度學(xué)習(xí)理論：揭開神經(jīng)網(wǎng)絡(luò)工作原理的神秘面紗

它是什么：模仿人腦的深層神經(jīng)網(wǎng)絡(luò)已經(jīng)證明了他們從圖像、音頻和文本數(shù)據(jù)中“學(xué)習(xí)”的能力。然而，即使在使用了十多年后，仍有許多我們還不知道的事情深度學(xué)習(xí)，包括神經(jīng)網(wǎng)絡(luò)是如何學(xué)習(xí)的，以及它們?yōu)槭裁幢憩F(xiàn)得如此好。這可能正在改變，多虧了新理論這將信息瓶頸的原理應(yīng)用于深度學(xué)習(xí)。本質(zhì)上，它表明，在初始擬合階段之后，深度神經(jīng)網(wǎng)絡(luò)將“忘記”并壓縮噪聲數(shù)據(jù)-即包含大量附加無意義信息的數(shù)據(jù)集-同時仍保留有關(guān)數(shù)據(jù)所代表的信息。

為何重要：準(zhǔn)確地理解深度學(xué)習(xí)是如何使它得到更大的發(fā)展和使用的。例如，它可以提供對最佳網(wǎng)絡(luò)設(shè)計(jì)和體系結(jié)構(gòu)選擇的洞察，同時為安全關(guān)鍵或監(jiān)管應(yīng)用程序提供更高的透明度。期望通過對這一理論的探索，能夠看到更多的結(jié)果，并將其應(yīng)用于其他類型的深層神經(jīng)網(wǎng)絡(luò)和深層神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)。

2.膠囊網(wǎng)絡(luò)：模仿大腦的視覺加工能力

它是什么： 膠囊網(wǎng)絡(luò)一種新型的深度神經(jīng)網(wǎng)絡(luò)，其處理視覺信息的方式與大腦相似，這意味著它們可以保持層次關(guān)系。這與卷積神經(jīng)網(wǎng)絡(luò)形成鮮明對比，卷積神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一，它沒有考慮到簡單對象和復(fù)雜對象之間的重要空間層次結(jié)構(gòu)，導(dǎo)致分類錯誤和錯誤率高。

為何重要：對于典型的識別任務(wù)，膠囊網(wǎng)絡(luò)通過將誤差減少50%，保證了更高的準(zhǔn)確性。他們也不需要太多的數(shù)據(jù)來訓(xùn)練模型。期望看到膠囊網(wǎng)絡(luò)在許多問題領(lǐng)域和深層神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)中的廣泛應(yīng)用。

3.深層強(qiáng)化學(xué)習(xí)：與環(huán)境互動解決業(yè)務(wù)問題

它是什么：一種通過觀察、行動和獎勵與環(huán)境相互作用來學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。深層強(qiáng)化學(xué)習(xí)（DRL）已經(jīng)被用來學(xué)習(xí)游戲策略，比如Atari和Go-包括著名的AlphaGo程序，它擊敗了人類冠軍。

為何重要：DRL是所有學(xué)習(xí)技術(shù)中最通用的，因此它可以應(yīng)用于大多數(shù)商業(yè)應(yīng)用中。它需要比其他技術(shù)更少的數(shù)據(jù)來訓(xùn)練它的模型。更值得注意的是，它可以通過模擬來訓(xùn)練，這樣就完全不需要有標(biāo)簽的數(shù)據(jù)了。鑒于這些優(yōu)點(diǎn)，期望看到更多的業(yè)務(wù)應(yīng)用程序DRL與基于Agent的仿真相結(jié)合在未來的一年里。

4.生成對抗性網(wǎng)絡(luò)：配對神經(jīng)網(wǎng)絡(luò)促進(jìn)學(xué)習(xí)和減輕處理負(fù)荷

它是什么： A 生成對抗性網(wǎng)絡(luò)GaN（GaN）是一種無監(jiān)督的深度學(xué)習(xí)系統(tǒng)，它是作為兩個相互競爭的神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)的。一個網(wǎng)絡(luò)，即生成器，創(chuàng)建了與真實(shí)數(shù)據(jù)集完全相同的假數(shù)據(jù)。第二個網(wǎng)絡(luò)，即鑒別器，接收真實(shí)和綜合的數(shù)據(jù)。隨著時間的推移，每個網(wǎng)絡(luò)都在改進(jìn)，使這對網(wǎng)絡(luò)能夠?qū)W習(xí)給定數(shù)據(jù)集的整個分布。

為何重要：GANS為更大范圍的無監(jiān)督任務(wù)打開了深度學(xué)習(xí)的大門，在這些任務(wù)中，標(biāo)簽數(shù)據(jù)并不存在，或者獲取起來太昂貴。它們還減少了深層神經(jīng)網(wǎng)絡(luò)所需的負(fù)載，因?yàn)檫@兩個網(wǎng)絡(luò)分擔(dān)了負(fù)擔(dān)。預(yù)計(jì)會有更多的商業(yè)應(yīng)用程序，如網(wǎng)絡(luò)檢測，聘用甘斯。

5.精益和增強(qiáng)數(shù)據(jù)學(xué)習(xí)：解決標(biāo)簽數(shù)據(jù)挑戰(zhàn)

它是什么：機(jī)器學(xué)習(xí)（尤其是深入學(xué)習(xí)）的最大挑戰(zhàn)是提供大量的標(biāo)記數(shù)據(jù)來訓(xùn)練系統(tǒng)。兩種廣泛的技術(shù)可以幫助解決這一問題：（1）合成新的數(shù)據(jù)；（2）將為一個任務(wù)或領(lǐng)域訓(xùn)練的模型轉(zhuǎn)移到另一個任務(wù)或領(lǐng)域。技術(shù)，如轉(zhuǎn)移學(xué)習(xí)（將所學(xué)到的洞察力從一個任務(wù)/領(lǐng)域轉(zhuǎn)移到另一個任務(wù)/領(lǐng)域）或一次嘗試學(xué)習(xí)（將學(xué)習(xí)轉(zhuǎn)移到極致，只有一個或沒有相關(guān)的例子進(jìn)行學(xué)習(xí)）-使他們“精益的數(shù)據(jù)”學(xué)習(xí)技術(shù)。同樣，通過模擬或插值合成新數(shù)據(jù)有助于獲得更多的數(shù)據(jù)，從而增強(qiáng)現(xiàn)有數(shù)據(jù)以改進(jìn)學(xué)習(xí)。

為何重要：使用這些技術(shù)，我們可以解決各種各樣的問題，特別是那些歷史數(shù)據(jù)較少的問題。期望看到更多的精益數(shù)據(jù)和擴(kuò)展數(shù)據(jù)，以及應(yīng)用于廣泛業(yè)務(wù)問題的不同類型的學(xué)習(xí)。

6.概率編程：簡化模型開發(fā)的語言

它是什么：一種更容易使開發(fā)人員設(shè)計(jì)概率模型并自動“解決”這些模型的高級編程語言。概率規(guī)劃語言使重用模型庫、支持交互建模和形式驗(yàn)證成為可能，并為在通用模型類中培育通用、高效推理提供了必要的抽象層。

為何重要：概率編程語言能夠適應(yīng)業(yè)務(wù)領(lǐng)域中常見的不確定和不完全信息。我們將看到這些語言得到更廣泛的采用，并期望它們也能應(yīng)用于深入學(xué)習(xí)。

7.混合學(xué)習(xí)模型：模型不確定性的組合方法

它是什么：不同類型的深層神經(jīng)網(wǎng)絡(luò)，如GANS或DRL，在性能上有很大的發(fā)展前景，并在不同類型的數(shù)據(jù)中得到了廣泛的應(yīng)用。然而，深度學(xué)習(xí)模式并不是模型不確定性貝葉斯方法，或者說概率方法?；旌蠈W(xué)習(xí)模型將這兩種方法結(jié)合起來，以充分利用每一種方法的優(yōu)勢?；旌夏Ｐ偷囊恍├佑校贺惾~斯深度學(xué)習(xí)、貝葉斯Gans和貝葉斯條件Gans.

為何重要：混合學(xué)習(xí)模型使得將業(yè)務(wù)問題的多樣性擴(kuò)展到包含不確定性的深度學(xué)習(xí)成為可能。這可以幫助我們實(shí)現(xiàn)更好的性能和模型的可解釋性，這反過來又可以鼓勵更廣泛的采用。期待看到更多深度學(xué)習(xí)方法獲得貝葉斯等價，而概率編程語言的組合開始合并深入學(xué)習(xí)。

8.自動機(jī)器學(xué)習(xí)（AutoML）：無需編程的模型創(chuàng)建

它是什么：開發(fā)機(jī)器學(xué)習(xí)模型需要耗費(fèi)時間和專家驅(qū)動的工作流程，包括數(shù)據(jù)準(zhǔn)備、特征選擇、模式或技術(shù)選擇、訓(xùn)練、調(diào)音。AutoML目的是使用許多不同的統(tǒng)計(jì)和深入學(xué)習(xí)技術(shù)來實(shí)現(xiàn)這個工作流的自動化。

為何重要：AutoML是人工智能工具民主化的一部分，它使企業(yè)用戶能夠在沒有深入編程背景的情況下開發(fā)機(jī)器學(xué)習(xí)模型。它還將加快數(shù)據(jù)科學(xué)家創(chuàng)建模型所需的時間。期望看到更多商業(yè)AutoML包和AutoML在大型機(jī)器學(xué)習(xí)平臺中的集成。

9.數(shù)字雙胞胎：超越工業(yè)應(yīng)用的虛擬副本

它是什么：數(shù)字雙胞胎是一種虛擬模型，用于促進(jìn)對身體或心理系統(tǒng)的詳細(xì)分析和監(jiān)測。數(shù)字孿生概念起源于工業(yè)世界用于分析和監(jiān)測風(fēng)車、農(nóng)場或工業(yè)系統(tǒng)等事物的地方?，F(xiàn)在，利用基于agent的建模（用于模擬自治agent的動作和交互的計(jì)算模型）和系統(tǒng)動力學(xué)（一種計(jì)算機(jī)輔助策略分析和設(shè)計(jì)方法），數(shù)字雙胞胎正在應(yīng)用于非物質(zhì)對象和過程，包括預(yù)測顧客行為。

為何重要：數(shù)字雙胞胎有助于促進(jìn)物聯(lián)網(wǎng)（物聯(lián)網(wǎng)）的發(fā)展和廣泛應(yīng)用，為預(yù)測診斷和維護(hù)物聯(lián)網(wǎng)系統(tǒng)提供了一種途徑。展望未來，我們將看到在物理系統(tǒng)和消費(fèi)者選擇模型中更多地使用數(shù)字雙胞胎。

10.可解釋人工智能：理解黑匣子

它是什么：今天，有許多機(jī)器學(xué)習(xí)算法在使用，在各種不同的應(yīng)用程序中使用這種意義，思考和行動。然而，這些算法中有許多被認(rèn)為是“黑匣子”，對它們?nèi)绾芜_(dá)到結(jié)果幾乎沒有提供任何見解。可解釋AI是一種發(fā)展機(jī)器學(xué)習(xí)技術(shù)的運(yùn)動，它能在保持預(yù)測精度的同時產(chǎn)生更可解釋的模型。

為何重要：可解釋、可證明和透明的人工智能對于建立對該技術(shù)的信任至關(guān)重要，并將鼓勵更廣泛地采用機(jī)器學(xué)習(xí)技術(shù)。企業(yè)在開始廣泛部署人工智能之前，將采用可解釋的人工智能作為一項(xiàng)要求或最佳做法，而政府今后可能會將可解釋的人工智能作為一項(xiàng)監(jiān)管要求。