2019年AI领域都发生了什么？
极客时间编辑部
讲述：丁婵大小：6.26M时长：04:34
回首即将逝去的 2019 年，在人工智能领域中，都有哪些可圈可点的进展呢？近日，《生成式深度学习》（Generative Deep Learning）一书的作者大卫·福斯特
（David Foster）对人工智能世界在这一年来发生的事情进行了大盘点，以下为重点内容。
强化学习
如果用一句话来描述 2019 年的人工智能现状，那很可能是：“强化学习（Reinforcement Learning，RL）回归，看起来它将永存”。
到目前为止，我们中的大多数人可能已经熟悉了监督式学习（Supervised Learning）：有些人收集了大量的训练数据，将它们馈送到机器学习算法中，然后得到一个模型，其作用是预测和分类。我们中的一些人甚至可能认为人工智能就是监督式学习的同义词。然而，监督式学习只不过是我们今天拥有的众多类型的机器学习中的一种罢了。
在强化学习中，智能体用试错的方法，通过与环境进行交互来学习，这种环境会给它们的行为提供奖励回报。当涉及到多个智能体时，它们就被称为多智能体强化学习系统（Multi-agent Reinforcement Learning System）。
这个领域已经存在了几十年，而过去，人们认为强化学习效率低下，过于简单，无法解决复杂的问题，甚至连游戏的问题也不能解决。但就在过去的几个月里，学术界重新唤起了对强化学习的信念。
自然语言处理
今年，另一个大受欢迎的应用是自然语言处理（Natural Language Processing，NLP）。自 2018 年底以来，人们的注意力已经从过去的词嵌入转移到预训练语言模型，这是自然语言处理从计算机视觉中借鉴来的一种技术。这些模型的训练是以非监督的方式进行的，这使得现代系统能够从互联网上的大量文本中进行学习。因此，这些模型变得“博闻强识”，并发展出了理解上下文的能力。然后，可以通过监督式学习进一步提高它们在特定任务上的表现。这种通过在不同任务上训练机器学习模型来改进模型的做法，属于迁移学习（transfer learning）的范畴，被认为具有巨大的潜力。
自 Google BERT 、 ELMo 和 ulmfit 等系统在 2018 年底推出以来，自然语言处理一直风头正茂，但今年的聚光灯被 OpenAI 的 GPT-2 给“夺走了”，它的表现引发了人们对自然语言处理系统的道德使用的大讨论。
计算机视觉
今年，人们也见证了最近一些深度学习技术走向成熟。应用监督式学习，特别是计算机视觉技术，已经催生了现实生活中成功的产品和系统。
生成对抗网络（Generative Adversarial Networks，GAN）是一对神经网络，其中，生成器网络试图通过学习生成模仿训练数据的图像来欺骗判别器网络，现在已经达到了近乎完美的水平。对人工智能来说，创造虚假但又逼真的人物和物体的图像，已经不再是前沿领域了。
计算机视觉还被应用于一些具有重大商业和社会意义的领域，包括自动驾驶车辆和医学。但是，人工智能算法在这些领域中的应用自然是缓慢的，因为它们直接与人类生活互动。至少到目前为止，这些系统还不是完全自主，它们的目的，在于支持和增强人类操作员的能力。
AutoML
AutoML 是机器学习的子领域之一，它的目的是通过自动化决策来使机器学习的实践更有效，而今天数据科学家是通过手动、蛮力调优做出的决策。
在过去三年中，我们对这一领域的理解已经发生了变化，如今，大多数大公司都提供了 AutoML 工具。今年，随着学习进化人工智能框架（Learning Evolutionary AI Framework，LEAF）成为最先进的人工智能技术，人们的兴趣转向了“进化”（Evolutionary）方法。然而，AutoML 还没有达到可以让一个完全自动化的人工智能系统比人工智能专家团队执行得更好的成熟水平。
对人工智能的担忧
尽管 2019 年的人工智能领域取得了一些成功，但也有一些令人担忧的问题。其中之一是机器学习模型中的偏见，这一问题直到 2018 年才显现出来，而今年相关案例的数量有所增加，这可能表明，公众和机构对用于自动化决策的现有人工智能系统越来越怀疑。
以上就是人工智能领域在 2019 年的主要动态，希望对你有所帮助。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
该免费文章来自《极客视点》，如需阅读全部文章，
请先领取课程
请先领取课程
免费领取
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论