2017年，科学家们努力让机器拥有自己的头脑，成为更聪明的人工智能专家。机器学习(尤其是深度学习)几乎把人工智能领域最令人震撼的成就——从通过人类游戏击败最佳程序，到创造与人类创造力相媲美的艺术神经网络——都实现了。

现在看来，人工智能专家们称2017年为“AI年”是很恰当的。在过去的一年里，有十几项重大的深度学习突破印证了这一说法。

1. DeepMind的AlphaZero在围棋、将棋和国际象棋中排名第一

继2016年夺冠后，AlphaGo在一年之后升级成了强大的AlphaZero。除了基本的游戏规则外，不需要任何人为指导，AlphaZero在短短四小时内，学会了如何自我对弈并达到大师水准，然后在100场比赛中取得全胜，未失一局。

2.OpenAI的Universe吸引了许多合作伙伴

为了实现“友善”的通用人工智能，OpenAI推出免费平台Universe，开发人员可以在平台上通过强化学习，训练AI代理适应不同的环境，如网站、应用程序和游戏。该平台于2016年12月发布，在2017年获得关注， EA、Valve和微软工作室等合作伙伴纷纷加入，允许Universe的AI代理在他们的游戏中遨游和学习。

3.  Sonnet和Tensorflow Eager加入开源框架家族

Google在2015年推出TensorFlow作为开源机器学习库，一年后推出Magenta（一个创造艺术和音乐的AI平台）。2016年，Facebook AI发布了支持动态图的Python深度学习平台PyTorch，Google随即发布实现类似功能的Tensorflow Eager。2017年，Google通过AI子公司DeepMind发布了Sonnet，这是一个开源框架，使开发人员可以更轻松地构建神经网络。

4. Facebook和微软联合，以实现AI框架的互操作性

这俩技术巨头在AWS、Nvidia、Qualcomm、Intel和华为等合作伙伴的帮助下，开发了“开放式神经网络交换（ONNX）”，这是一种开放式的深度学习模式，允许模型在一个框架内训练，在另一个框架内推理。

5.Unity使开发人员能在游戏中轻松构建智能代理

Unity是全球领先的游戏开发公司之一，推出机器学习平台ML-Agents，让AI开发人员和研究人员在Unity模拟和游戏环境中，使用演化策略、深度强化学习和其他训练方法来训练智能代理。

6.机器学习即服务（MLAAS）平台无处不在

2017年，每个科技巨头都希望他们的机器学习即服务平台（MLaaS）轰动全球，让缺乏技术人才的企业，使用他们的API实现企业的新突破，从而实现“AI民主化”。Google的预测服务转移到Google Cloud AI名下，亚马逊则扩大了对Lex、Polly和Alexa Skills Kit等语音和NLP平台的访问，而微软和IBM同样也在积极推广自己的产品。

越来越多的企业也开始建设内部机器学习平台和深度学习中心。Uber有米开朗基罗（michelangelo），Facebook有FBLearner Flow，Twitter有Cortex。Capital One和其他前瞻性公司也纷纷建立了自己的机器学习中心。

7. Gan 家族不断壮大

2017年1月，一组人工智能研究人员发表了一篇关于Wasserstein GAN（WGAN）的关键论文，这是对传统GAN（生成对抗网络）训练的重大改进。WGAN提高了学习稳定性，解决了模式崩溃问题，并改善了调试过程。从BEGAN、CycleGan到Progressive GAN 的一系列新的GAN也蓬勃发展起来。GAN的不断演进，最终使Nvidia生成了高分辨率的假的名人面部照片。

8.有了“Attention”，谁还需要递归和卷积？

自然语言处理任务，如语音识别和机器翻译，一直使用LSTM之类的神经网络架构。2017年，一篇突破性的论文“Attention Is All You Need”提出了一个新的模型，即Transformer，它省去了递归和卷积的复杂处理，以实现机器翻译任务的最新性能。目前来看，英语到德语和英语到法国的翻译是没问题的。

虽然还需要更多的研究来了解Transformer架构是否适用于所有案例，但该论文已经在AI社区引起热议，并在Arxiv Sanity（一个基于arXiv 的一个增强交互平台）最受欢迎论文排名上盘踞第四位。

9. AutoML简化了数据科学家和机器学习工程师的工作

是什么让机器学习“难”？

许多从业人员都认为，获取高性能模型所需的数据管理和迭代调试是最大的障碍。AutoML是一个平台，可以自动完成机器学习各主要部分，包括数据清理和准备，模型参数搜索和优化，以及部署和扩展。值得注意的除了谷歌的AutoML ( in alpha )，还有亚马逊的SageMaker，DataRobot，H2O . AI的Driverless AI，以及开源Python解决方案TPOT。

10.辛顿宣布反向传播已死，并推出胶囊网络

在深度神经网络中，反向传播几乎是每个显著成就的支柱，但深度学习先驱杰弗里·辛顿警告说，这种技术不太可能把我们引向AGI（通用人工智能）。他的言论在整个行业引起轩然大波，并由此引发了许多争论。

与此同时，辛顿也在暗示新的网络架构“胶囊网络”将出现，在万众期待的情况下，他在2017年推出胶囊网络。胶囊网络克服了许多卷积神经网络的局限性。

11.光学计算和量子计算进入人工智能的硬件战争

更先进的硬件意味着更好的AI。谷歌推出专门为人工智能研究而设计的第二代张量处理单元（TPU），但它面临技术创新上的竞争对手，量子计算和光学计算。研究人员和工程师发现，在深度学习中使用的矩阵运算，可以从电子计算范式转换为光电子计算范式，并行完成。不久之后，IBM和谷歌纷纷宣布了自己在量子计算方面取得了里程碑式的进展。

12. ML系统的道德与公正问题变得越来越重要

我们已经看到大量关于扩大教育全球化，消除AI算法偏见的文章。这项艰巨的任务需要所有AI专业人员和世界各地不同社区合作，确保AI技术服务全人类，而不仅仅服务少数精英。

由于技术进步的速度惊人，我们根本没时间理解自己所有的发明创造，一些领先的技术专家敲响了警钟，希望采取行动，确保人工智能的道德与公正。

《Weapons of Math Destruction》一书的作者凯西·奥内尔(Cathy O 'Neil)说，我们不能对大数据盲目信任。

斯坦福教授、谷歌云AI/ML的首席科学家李飞飞推出AI4ALL，这是一个培养AI领域多样化人才的非营利教育机构。微软研究院、纽约大学的凯特·克劳福德（Kate Crawford），谷歌开放资源研究与安全团队创始人梅雷迪思·惠特克（Meredith Whittaker）推出“AI Now”，一个跨学科的研究机构，致力于研究人工智能的社会影响。在2017年NIPS的演讲中，克劳福德强调了当今机器学习系统面临的诸多挑战，并号召社区将伦理、公平和安全放在首位。

因此, 我认为2017 可以称为 "人工智能年"。问题是, 我们该怎么称呼2018年, 它会展现出更多的人工智能奇迹吗？

—完—

亲爱的朋友：

这篇文章带我们回顾了AI的2017，我们期待它精彩的2018。

祝安！

                                    智能观  一米

                          2018-2-11 于北京中关村

想知道AI加教育领域有哪些最新研究成果？

想要AI领域更多的干货？

想了解更多专家的“智能观”？

请在对话界面点击“找找看”，去获取你想要的内容吧。

声明：

编译文章旨在帮助读者了解行业新思想、新观点及新动态，为原作者观点，不代表智能观观点。