2018年4月24日，普華永道發(fā)布最新《2018年人工智能技術(shù)十大趨勢》（Top 10 AI technology trends for 2018）。報(bào)告顯示，我們身處一個(gè)巨變的時(shí)代，毋庸置疑，人工智能（AI）已經(jīng)成為科技前沿之一，將給許多行業(yè)帶來顛覆性的影響，也有可能在未來重塑公司的人才戰(zhàn)略、運(yùn)營模式以及與客戶的合作模式。商業(yè)領(lǐng)袖都已未雨綢繆，著手研究人工智能將如何影響他們的商業(yè)戰(zhàn)略，以防被第四次工業(yè)革命的浪潮甩在身后。

事實(shí)上，深度學(xué)習(xí)與增強(qiáng)學(xué)習(xí)在日常生活中的應(yīng)用很多，例如機(jī)器翻譯是對文本數(shù)據(jù)的處理；Siri等是對語音數(shù)據(jù)的處理；自動(dòng)駕駛是對視頻數(shù)據(jù)的處理；人臉識別則是對圖像數(shù)據(jù)的處理，許多美顏APP都具備給圖片添加可愛貼畫的功能，這即是對圖像進(jìn)行識別，自動(dòng)甄別出用戶面部器官，用戶即可隨意處理圖片，達(dá)到美化或娛樂的效果。

但是目前實(shí)驗(yàn)室又在發(fā)生什么呢？可以預(yù)見的是，那里的研究人員的發(fā)現(xiàn)將會(huì)決定人工智能未來一段時(shí)間的發(fā)展進(jìn)程。普華永道人工智能加速器（AI Accelerator）研究團(tuán)隊(duì)和諸多技術(shù)專家及商業(yè)領(lǐng)袖一樣，正密切關(guān)注人工智能技術(shù)的領(lǐng)先發(fā)展。

以下是億歐智庫帶來精選推薦：

普華永道：2018年人工智能技術(shù)十大趨勢

01  深度學(xué)習(xí)：揭秘神經(jīng)網(wǎng)絡(luò)的工作原理

簡述：模仿人類大腦的深度神經(jīng)網(wǎng)絡(luò)展示了它們可以從圖像、音頻和文本數(shù)據(jù)中“學(xué)習(xí)”的能力。然而，即使應(yīng)用已超過十年，關(guān)于深度學(xué)習(xí)我們?nèi)匀挥泻芏嗖幻靼椎牡胤�，包括神�?jīng)網(wǎng)絡(luò)如何學(xué)習(xí)、為什么它們的表現(xiàn)如此出色等�，F(xiàn)在，這種狀況有可能會(huì)改變，這要?dú)w功于將信息瓶頸理論應(yīng)用于深度學(xué)習(xí)的新理論。信息瓶頸理論認(rèn)為，深度神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中像把無用信息從瓶頸中擠壓出去一般，去除噪音信息，而只保留這些噪音所表達(dá)的真正信息。

意義：精確地理解深度學(xué)習(xí)的工作原理，將有助于使其得到更大的發(fā)展和應(yīng)用。例如，深度學(xué)習(xí)可以為網(wǎng)絡(luò)設(shè)計(jì)優(yōu)化和架構(gòu)選擇提供參考�？梢钥隙ǖ氖�，通過探索深度學(xué)習(xí)理論，更多的場景應(yīng)用能夠被激發(fā)，并應(yīng)用到其他類型的深度神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中。

02  膠囊網(wǎng)絡(luò)：模擬大腦的視覺處理優(yōu)勢

簡述：膠囊網(wǎng)絡(luò)是一種新型的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)，它能夠用與大腦相同的方式處理視覺信息，這意味著它可以識別特征之間的邏輯和層次結(jié)構(gòu)關(guān)系。這一特性與卷積神經(jīng)網(wǎng)絡(luò)形成鮮明對比。卷積神經(jīng)網(wǎng)絡(luò)是最廣泛使用的神經(jīng)網(wǎng)絡(luò)之一，但它不能考慮簡單和復(fù)雜特征之間的重要空間關(guān)系，導(dǎo)致錯(cuò)誤率較高并經(jīng)常出現(xiàn)誤分類現(xiàn)象。

意義：對于典型的圖像識別任務(wù)，膠囊網(wǎng)絡(luò)通過減少誤差，保證了50％的較高準(zhǔn)確性，同時(shí)膠囊網(wǎng)絡(luò)也不需要那么多的訓(xùn)練樣本數(shù)據(jù)。預(yù)期可以看到膠囊網(wǎng)絡(luò)在多個(gè)問題領(lǐng)域和深度神經(jīng)網(wǎng)絡(luò)架構(gòu)中得到廣泛的使用。

03  深度增強(qiáng)學(xué)習(xí)：交互型問題解決之道

簡述：深度增強(qiáng)學(xué)習(xí)是一種通過觀察、行動(dòng)和獎(jiǎng)勵(lì)來與環(huán)境互動(dòng)，從而進(jìn)行學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法。它已被用于游戲攻略等，如雅達(dá)利（Atari）和圍棋，包括擊敗人類冠軍的著名的“阿爾法狗”（AlphaGo）等。

意義：獲得深度增強(qiáng)學(xué)習(xí)能力是人工智能應(yīng)用商業(yè)化的重要指標(biāo)項(xiàng)之一，與其他技術(shù)相比，它只需要更少的數(shù)據(jù)來培訓(xùn)其模型。更強(qiáng)大的是，它可以通過模擬獲得訓(xùn)練，完全不需要標(biāo)簽化數(shù)據(jù)。鑒于這些優(yōu)勢，預(yù)計(jì)未來一年將誕生更多將深度增強(qiáng)學(xué)習(xí)和基于智能體（agent）模擬相結(jié)合的商業(yè)應(yīng)用。

04  生成對抗網(wǎng)絡(luò)：網(wǎng)絡(luò)配對促進(jìn)訓(xùn)練，減輕處理負(fù)擔(dān)

簡述：生成對抗網(wǎng)絡(luò)是一種由兩個(gè)互相競爭的神經(jīng)網(wǎng)絡(luò)組成的無監(jiān)督的深度學(xué)習(xí)系統(tǒng)——“生成網(wǎng)絡(luò)”產(chǎn)生看上去很像真實(shí)數(shù)據(jù)集的假數(shù)據(jù)，“判斷網(wǎng)絡(luò)”吸收真實(shí)和合成的數(shù)據(jù)。隨著時(shí)間的推移，每個(gè)網(wǎng)絡(luò)都會(huì)得到改進(jìn)，從而使兩個(gè)網(wǎng)絡(luò)都能夠?qū)W習(xí)到給定數(shù)據(jù)集的整個(gè)分布情況。

意義：生成對抗網(wǎng)絡(luò)進(jìn)一步拓展了深度學(xué)習(xí)，使其能夠處理更大范圍的無監(jiān)督任務(wù)，這些任務(wù)的標(biāo)簽化數(shù)據(jù)要么不存在，要么過于昂貴而很難獲得。生成對抗網(wǎng)絡(luò)也減少了深度神經(jīng)網(wǎng)絡(luò)所需的負(fù)載，因?yàn)樨?fù)載由兩個(gè)網(wǎng)絡(luò)共同承擔(dān)。預(yù)期可以看到更多的商業(yè)應(yīng)用，例如使用生成對抗網(wǎng)絡(luò)技術(shù)來做網(wǎng)絡(luò)探測等。

05  精簡和增強(qiáng)數(shù)據(jù)學(xué)習(xí)：解決數(shù)據(jù)標(biāo)簽化挑戰(zhàn)

簡述：機(jī)器學(xué)習(xí)（尤其是深度學(xué)習(xí)）遇到的最大挑戰(zhàn)是需要大量使用標(biāo)簽化數(shù)據(jù)來訓(xùn)練系統(tǒng)。目前有兩種廣泛使用的技巧可以幫助解決這個(gè)問題：（1）合成新的數(shù)據(jù)；（2）將一個(gè)任務(wù)或領(lǐng)域的訓(xùn)練模型遷移到另一個(gè)，例如“遷移學(xué)習(xí)”的技巧（把從一個(gè)任務(wù)／領(lǐng)域?qū)W到的經(jīng)驗(yàn)遷移到另一個(gè)任務(wù)／領(lǐng)域），或“一次學(xué)習(xí)”的技巧（極端化遷移學(xué)習(xí)，僅僅通過一個(gè)例子或沒有相關(guān)例子的學(xué)習(xí)），由此使它們成為“精簡數(shù)據(jù)”學(xué)習(xí)技巧。同樣的，通過模擬或內(nèi)插合成新的數(shù)據(jù)有助于獲取更多的數(shù)據(jù)，從而擴(kuò)大現(xiàn)有數(shù)據(jù)來改善學(xué)習(xí)。

意義：使用這些技巧，我們可以解決更多的問題，尤其是在歷史數(shù)據(jù)較少的情況下。預(yù)期可以看到精簡和增強(qiáng)數(shù)據(jù)的更多變種，以及適用于更廣泛商業(yè)問題的不同類型的學(xué)習(xí)技巧。

06  概率編程：便于模型開發(fā)的語言

簡述：概率編程是一種高級編程語言及建�？蚣埽�它能讓開發(fā)人員便捷地設(shè)計(jì)概率模型，并且自動(dòng)求解這些模型。概率編程語言可以讓我們重復(fù)使用模型庫，支持交互式建模以及認(rèn)證，并提供必要的抽象層來更廣泛和有效地推論通用模型組。

意義：概率編程框架適合的場景包括在商業(yè)領(lǐng)域內(nèi)極為常見的不確定和不完整信息的情況。未來，我們會(huì)看到這些語言得到更廣泛地應(yīng)用，并期望它們也用于深度學(xué)習(xí)。

07  混合學(xué)習(xí)模式：結(jié)合算法優(yōu)勢解決不確定性問題

簡述：不同類型的深度神經(jīng)網(wǎng)絡(luò)，譬如生成對抗網(wǎng)絡(luò)和深度增強(qiáng)學(xué)習(xí)，在它們的效果和結(jié)合不同類型數(shù)據(jù)的廣泛應(yīng)用方面顯示出巨大的前景。不過，深度學(xué)習(xí)模型不能為不確定性的數(shù)據(jù)場景建模，而貝葉斯概率方法卻能夠做到�；旌蠈W(xué)習(xí)模式結(jié)合了這兩種方法，且能夠充分利用每一種方法的優(yōu)勢�；旌夏Ｐ偷囊恍├�子包括貝葉斯深度學(xué)習(xí)，貝葉斯生成對抗網(wǎng)絡(luò)和貝葉斯條件生成對抗網(wǎng)絡(luò)等。

意義：混合學(xué)習(xí)模式將商業(yè)問題的種類擴(kuò)大到對不確定性進(jìn)行深度學(xué)習(xí)。這可以幫助我們獲得更佳效果，提高模型的可解釋性，從而鼓勵(lì)更廣泛的應(yīng)用。我們將看到更多能夠媲美貝葉斯法的深度學(xué)習(xí)方法，以及概率編程語言能夠更好地與深度學(xué)習(xí)相融合。

08  自動(dòng)機(jī)器學(xué)習(xí)：無需編程即可創(chuàng)建模型

簡述：開發(fā)機(jī)器學(xué)習(xí)模型是一項(xiàng)耗時(shí)長且必須由專家驅(qū)動(dòng)的工作，包括數(shù)據(jù)準(zhǔn)備、特征選擇、模型或技術(shù)選擇、訓(xùn)練和調(diào)試等。自動(dòng)機(jī)器學(xué)習(xí)旨在使用多種不同的統(tǒng)計(jì)學(xué)和深度學(xué)習(xí)算法來自動(dòng)化這項(xiàng)工作。

意義：自動(dòng)機(jī)器學(xué)習(xí)被視為人工智能工具“民主化”的一個(gè)部分，用戶可以借助它在沒有高級編程技能的情況下開發(fā)機(jī)器學(xué)習(xí)模型。這將加快數(shù)據(jù)科學(xué)家創(chuàng)建模型的速度。我們將看到更多的商業(yè)化自動(dòng)機(jī)器學(xué)習(xí)包，以及自動(dòng)機(jī)器學(xué)習(xí)與更廣泛的機(jī)器學(xué)習(xí)平臺的整合。

09  數(shù)字孿生體：超越工業(yè)應(yīng)用的虛擬復(fù)制品

簡述：數(shù)字孿生體是一種虛擬模型，用于物理或心理系統(tǒng)的詳細(xì)分析和監(jiān)測。數(shù)字孿生體的概念起源于工業(yè)界，廣泛用于分析和監(jiān)測諸如風(fēng)電場或工業(yè)系統(tǒng)等。現(xiàn)在，通過使用基于智能體的建模（用于模擬自動(dòng)智能體的行為和交互的計(jì)算模型）和系統(tǒng)動(dòng)態(tài)學(xué)（計(jì)算機(jī)輔助的策略分析和設(shè)計(jì)方法）等，數(shù)字孿生體被廣泛應(yīng)用于非物理對象和流程管控中，例如預(yù)測客戶行為等。

意義：數(shù)字孿生體可以幫助促進(jìn)物聯(lián)網(wǎng)（IoT）的發(fā)展和更廣泛的應(yīng)用，為預(yù)測性診斷和維護(hù)物聯(lián)網(wǎng)系統(tǒng)提供了一種方法。展望未來，有望在實(shí)體系統(tǒng)和消費(fèi)者選擇建模中看到更多數(shù)字孿生體的使用。

10  可解釋的人工智能：打開黑匣子

簡述：目前，有許多機(jī)器學(xué)習(xí)算法正在使用中，它們可以在各種不同的應(yīng)用場合中感知、思考和行動(dòng)。然而，其中許多算法被認(rèn)為是“黑匣子”，人們對于它們是如何計(jì)算出結(jié)果幾乎是一無所知�？山忉尩娜斯ぶ悄芤庠谶M(jìn)一步開發(fā)機(jī)器學(xué)習(xí)技巧，在產(chǎn)生更多可解釋的模型的同時(shí)保持人工智能預(yù)測的準(zhǔn)確性。

意義：可解釋、可證明且透明的人工智能對建立技術(shù)信任至關(guān)重要，這會(huì)促進(jìn)更廣泛地采用機(jī)器學(xué)習(xí)技巧。我們預(yù)測，在開始大規(guī)模采用人工智能之前，企業(yè)可能會(huì)將可解釋的人工智能作為一項(xiàng)要求或者最佳實(shí)踐，與此同時(shí)，政府可能會(huì)將可解釋的人工智能作為未來的一項(xiàng)法規(guī)要求。