善用智能之道，请您点击上方蓝色字体，欢迎关注：九三智能控
懒人阅读：2017年被定义为AI的史诗年，九三觉得17年确实引爆了AI，同时泡沫也存在不少，18年的AI将更加务实技术更加接近真实场景。可以确认的一点是：认知决策能力的升级将对所有行业带来冲击，忽略这个“灰犀牛”的企业终将被淘汰。
2017年圣诞来临之际，更多机构和大咖们对17年的AI进行回顾并展望18年进展，都有哪些方面的重点，九三带大家来盘点一番。
2017年被定义为AI的史诗年，九三觉得17年确实引爆了AI，同时泡沫也存在不少，18年的AI将更加务实技术更加接近真实场景。可以确认的一点是：认知决策能力的升级将对所有行业带来冲击，忽略这个“灰犀牛”的企业终将被淘汰。
本文延续18年盘点系列，第二篇出炉，第一篇传送门：2018年AI技术趋势盘点（01）
。围绕AI的社会问题也在延续（升级），深度学习模型需要透明度，“可解释的AI”作为一门学科出现
今年机器学习和人工智能最重要的发展，是对道德、问责和可解释性的持续关注。马斯克关于人工智能触发世界大战的启示性警告点燃了媒体，Oren Etzioni和Rodney Brooks等人则认真反驳。尽管如此，机器学习模型偏差的风险仍然存在，比如word2vec中的性别主义，算法在刑事判决中的种族主义，以及对社交媒体信息流的评分模型的故意操纵。这些问题都不是新出现的，但是机器学习的加速应用，特别是深度学习的大量使用，已经将这些问题推到了普通公众面前。九三智能控也就此展示了AI杀人武器的恐怖，传送门：https://mp.weixin.qq.com/s?__biz=MzU1NzE0MDk1MA==&mid=2247483890&idx=1&sn=1ed6a1705ab0b977642f649ffea7a405&chksm=fc3b1f4bcb4c965d0a943f2675ad1b4e6721508b5d1aab925e00a1ed78e8d9a970450f43d60f#rd
2017年，我们终于看到“可解释的AI”作为一门学科出现，汇集了学者、业界从业者和政策制定者的参加。2018年，照亮深度学习模型黑箱的压力和动力都将进一步加大。机器学习模型，尤其是深度学习模型，正在对医疗、法律体系、工程和金融等关键领域产生重大影响。但是，大多数机器学习模型不容易解释。在分析和诊断模型中，理解模型是如何实现预测的尤其重要，因为人类必须要有足够的信心去相信模型提出的预测。重要的是，一些机器学习模型的决定必须与法律法规相符。现在是创建足够透明的深度学习模型以解释它们的预测的时候了，特别是当这些模型的结果被用来影响或告知人类决策时。
。未来 12 个月，可能会有一批人工智能公司钱花完后会倒闭
今年，热钱大量涌入 AI 行业，不少创业公司融资额度经历了新一轮暴增，估值翻倍，人工智能市场呈现一片火热景象，而在中国，AI 被上升为国家战略。据上半年腾讯研究院 & IT 桔子联合发布的《2017 年中美人工智能创投现状与趋势研究报告》，截止到 6 月份，在中美共 1600 多家人工智能公司中，初步估算中倒闭公司总数已超过 50 家。如果将这些公司做一个分类的话，一个趋势是，无人机、虚拟助理、智能硬件等领域和行业已初显颓势。
鲜少有 AI 明星创业公司倒闭的消息传出，死掉的大多是 “含金量”并不高的公司，但这也因此被看做人工智能行业寒冬将至的一个苗头。早在 4 月份，李开复就公开表示人工智能创业有泡沫，未来 12 个月，可能会有一批人工智能公司钱花完后会倒闭。近日，他又在“预见 2018”的主题分享中表示：“AI 项目（融资热）是今年上半年开始的，融资差不多够 18 个月花，明年底估计有一批公司倒掉。”科大讯飞董事长刘庆峰也有类似的预言。他认为，过去一段时间许多创业公司存在纯粹炒作人工智能概念的现象，而随着竞争的加剧，这些公司就是可能会倒闭的那一批。“就像当年看互联网泡沫看一样，站在 2002 年看是大泡沫。”
更尖锐的声音来自“新经济 100 人”CEO 李志刚。他说，未来两三年，95% 以上的人工智能创业公司要倒闭，他的理由一是前提不足，二是商业化滞后。前提不足指的是，“没有云计算就没有大数据，没有大数据，人工智能就是扯淡。”在他看来，目前大数据主要掌握在少量巨头和政府职能部门手中，而作为大数据前提的云计算才刚刚起步。
。2018年人工智头疼的难题依然无法完美解决，但会更进一步。同时AI将渗透到更多领域，尤其是工业互联网、零售和医疗
如果你最近和苹果设备上的 Siri 交谈过，就会知道人工智能仍然无法做到或理解许多事情。理解人类语言、从虚拟世界到现实世界的差距、防止黑客入侵人工智能系统、从桌面游戏到电子游戏、教人工智能分辨是非，每一个难题背后都是一系列的技术、社会问题。
AI技术包含了一个复杂而关键的技术网络。许多AI企业和应用程序都针对性地解决了一些小问题。智能助手可以引导你正确地申报费用。搜索算法可以指导你找到Ontario最好的水管工。语音助手可能会发现一个你从未知晓的音乐世界。目前，AI技术已经可以解决比在商业和日常生活中复杂得多的问题，譬如从管理整个劳动力市场到应对气候变化。在接下来的一年中，各行各业都将开始部署这些AI解决方案，以解决更大、更复杂、更公共的问题。
AI正越来越多地用于竞争优势，尤其是在工业物联网、零售和医疗领域，这将导致更大的颠覆。AI也正在迅速地部署到企业的各个层面（带来许多新的机会，但也将导致更多职业消失)。AI正在通过嵌入式AI（即跨越企业和物联网的数据科学模型）融合传统的企业和更广泛的供应链。最后，传统行业将继续缺乏懂得AI/深度学习技术的数据科学家，例如银行业（尤其是工业物联网领域）。
。全球AI芯片之争白热化
中国和美国正在竞相拥有芯片领域的主导权。中国政府支持的创业公司、美国科技巨头和芯片业者都瞄准成为下一个NVIDIA。今天，NVIDIA芯片在这个行业中占据主导地位：AI初创公司，百度和谷歌等公司都依赖GPU。
为此，英特尔不得不奋起直追。2015年6月1日，英特尔以每股54美元（总额约167亿美元）现金收购全球第二大FPGA厂商Altera，这代表着该公司对云计算的重新关注。此外，英特尔还收购了Saffron, Nervana, Movidius和Mobileye。2017年10月，英特尔基于被收购公司Nervana的技术，发布了一系列“神经网络处理器”。英特尔还与Facebook合作，计划共同发布一款AI芯片。除了传统的芯片厂商外，科技巨头也加入了芯片之争。谷歌发布了两代TPU，意图与其TensorFlow开源库协作。在一次战略举措中，谷歌允许用户在其他芯片或GPU（如Intel的Skylake或NVIDIA的Volta）上构建模型，然后转移到Google的TPU。苹果最近发布了第一款机器学习优化的A11仿生芯片，采用苹果设计的GPU内核，在新款iPhone中实现AR和人脸识别。
。 2018年Pytorch的升温将继续延续，成为Tensorflow的一个对手，特别是在研究领域。同时，以工具为中心的方法将减少，重要的是开发和实现利用深度学习的新想法和应用
Tensorflow通过在Tensorflow Fold中发布动态网络，迅速作出反应。大公司之间的“AI战争”还包括许多其他的战役，其中竞争最激烈的是云。所有的主要供应商都增加了云的投入，并在云上增加各自的AI支持。亚马逊在他们的AWS中提出了大量的创新，比如他们最近发布Sagemaker用于构建和部署ML模型。另外值得一提的是，较小的玩家也在不断进入。Nvidia最近推出了他们的GPU云，这将成为训练深度学习模型的另一个有趣的选择。尽管有这么多竞争，但这个行业必要时可以团结起来，这是件好事。新的ONNX神经网络表示标准是实现互操作性的重要而且必要的一步。
在过去的几年中，开源社区已经就所有新出现的深度学习框架进行了大量的讨论。现在，这些工具已经有所成熟了，我希望以工具为中心的方法会有所减少，期待将更多精力用于开发和实现利用深度学习的新颖想法和应用。我尤其期望看到用生成对抗神经网络和Hinton的capsule来解决更多问题。
。数据科学家正认识到无监督深度学习的价值
深度学习和集成建模方法在2017年继续证明了它们相比其他机器学习工具的价值和优势。特别是深度学习，在各个领域和行业得到了更加广泛的应用。至于2018年的发展趋势，深度学习可能会被用来从原始输入中产生新的特征和新的概念，并且取代手动创建或设计新变量的需求。深度网络在检测数据的特征和结构方面是非常强大的，数据科学家正在认识到无监督深度学习可以为此发挥的价值。
有效异常检测（Effective anomaly detection）可能也是近期的重点。在许多行业中，数据科学工作的重点是异常事件和其他类型的罕见事件：入侵检测、财务欺诈检测、诈骗、医疗保健中的滥用和错误以及设备故障等等。检测所有这些罕见的事件将会使企业在领域中产生竞争优势。跟上这些罕见事件检测的演变节奏，将是一个有趣的问题和困难的挑战。
。Hinton、吴恩达：2017AI有很多进展，但缺乏关键性突破
Hinton给出了Attention、AlphaZero等3项技术，但表示2017年AI并没有取得突破性进展。吴恩达说AlphaGo令他印象深刻，但CMU的冷扑大师在技术上更有创意。
Hinton最令人印象深刻的进展：神经网络架构搜索：使用神经网络让神经网络设计变得自动化的技术，而且已经开始取得成效。使用注意力（Attention）进行机器翻译，避免循环或卷积的操作。下国际象棋的AlphaZero：AlpahZero很快就学会了用人类下棋的方式下国际象棋，而且胜过了最强的国际象棋引擎。
吴恩达：AlphaGo展示了计算和数据的力量。但是，CMU的扑克AI Libratus则进行了更多的创新。从技术角度来看，Libratus是一个令人惊喜的结果。
。李飞飞眼中的AI2018
我简单总结一下我眼中的 2017 年的重要 AI 事件。科学的意义在于总是要超越我们已经做到的事情。ImageNet 比赛作为研究性的比赛已经不再举办了，但它仍然是对深度学习和计算机视觉研究来说非常重要的一个数据集。
「AI 会改变这个世界，但是谁会改变 AI 呢？」在多样性和包容性方面，AI 还有很长的路要走。对经济、创新和公平来说这都非常重要。梅琳达·盖茨、黄仁勋等人成立的组织 AI4All 已经向这个方向迈出了一小步。
2017 年里斯坦福视觉实验室的学生们非常的用功，这是我们发出研究论文数目最多的一年。现在看到研究方向已经从视觉感知到了推理、Visual Genome（场景图）、预测、机器人等等方面，我感觉非常兴奋。（雷锋网 AI 科技评论注：具体可参考此前文章 《李飞飞：在物体识别之后，计算机视觉还要多久才能理解这个世界》）
在这个第四次工业革命的时代，AI 对所有企业和产业来说都是一股变革性的力量。在谷歌云平台，我们已经第一时间激动地看到了 AI 在每个行业都带来着巨大的改变。2018 年还有很多精彩的成果要到来，请保持关注。
「AI 没有国界，AI 的福祉亦无边界。」AI 基础科学技术研究的多方合作对全世界的 AI 研究者们都有重大的影响。谷歌在中国成立这个不大的 AI 研究中心（戳蓝色字体查看雷锋网此前报道），做出了自己的一份贡献，我也为此感到骄傲。
我们和斯坦福大学进行着 AI 辅助看护方面的合作，这对我和我的学生来说是一个非常有趣的新的研究领域。我们已经有论文在 2017 年发表出来，还有更多会在 2018 年完成。我也在 NIIPS 2017 上首次做了关于 AI +医疗保健的演讲。
我为我的学生们感到非常的骄傲。祝贺 Timnit Gebru 和 Jon Krause 博士毕业，祝贺 Michelle Greene、Chris Baldassano、Alexandre Alahi、Lamberto Ballan 和卢策吾获得新教职，祝贺 Olga Russakovsky 入选 MIT 科技评论 35 岁以下创新者榜单，以及恭喜 AI4All 的校友 Amy Jin 在 NIPS2017 的机器学习与健康（ML4H）workshop 上拿到最佳论文。
最后，AI 还只是一门年轻的科学，但它承载了巨大的梦想。它需要更多基础研究的支持、需要开放的想法沟通、需要真诚的多方合作、需要周全包容的讨论，而不是夸张宣传和噱头。希望 2018 年能更看到更多的成果。
结束语
如果你问 2018 年，人工智能行业究竟将走向何方？借用Google的一句话：
“Search on.（继续探索吧）”
参考资料
Matthew Mayo：2018年关于AI的13个预测：https://www.kdnuggets.com/2017/12/machine-learning-ai-main-developments-2017-key-trends-2018.html
别太担心，2018年仍有5大难题让 AI 头疼不已_亿欧_产业创新服务平台
CB Insights重磅趋势报告：AI芯片之争白热化，成中美角力焦点
雷锋网:关于AI，李飞飞有份年终总结
axios.com、新智元：【Hinton、吴恩达回望2017】AI有很多进展，但缺乏关键性突破
善用智能之道：行业动态、技术前沿、产业服务，欢迎关注联系：九三智能控
投稿&合作：huntercz@126.com
加入我们（招募志愿者）：158354995@qq.com
微信群：可申请进入微信群交流，不定期分享资料，拓展行业人脉。添加微信：yan_kylin，注明名字+研究领域/专业/学校/公司。
