人工智能不再準(zhǔn)備著有朝一日改變世界，而是正在改變世界。在我們買入新的一年和十年之際，VentureBeat邀請(qǐng)了人工智能領(lǐng)域最敏銳的一些人，重新審視了2019年取得的成就，并展望了機(jī)器學(xué)習(xí)在2020年將如何成熟。

每個(gè)人都有對(duì)未來(lái)一年的預(yù)測(cè)，但這些人——在人工智能領(lǐng)域擁有權(quán)威的個(gè)人——正在塑造今天的未來(lái)，他們珍視科學(xué)追求，他們的經(jīng)歷為其贏得了信譽(yù)。盡管一些人預(yù)測(cè)在諸如半監(jiān)督學(xué)習(xí)和神經(jīng)符號(hào)方法等子領(lǐng)域會(huì)有進(jìn)步，但幾乎所有ML領(lǐng)域的杰出人士都表示，在2019年基于Transformer的自然語(yǔ)言模型方面取得了巨大進(jìn)步，并預(yù)計(jì)在面部識(shí)別等技術(shù)方面會(huì)繼續(xù)存在爭(zhēng)議。他們還希望看到人工智能領(lǐng)域發(fā)展出比準(zhǔn)確性更有價(jià)值的東西。

Soumith Chintala

PyTorch的負(fù)責(zé)人、首席工程師和創(chuàng)建者

不管你如何評(píng)價(jià)，PyTorch是當(dāng)今世界上最受歡迎的機(jī)器學(xué)習(xí)框架。 PyTorch是2002年引入的Torch開(kāi)源框架的衍生產(chǎn)品，于2015年可用，并且在擴(kuò)展和庫(kù)中穩(wěn)步增長(zhǎng)。

今年秋天，F(xiàn)acebook發(fā)布了帶有量化和TPU支持的PyTorch 1.3，以及深度學(xué)習(xí)可解釋性工具Captum和PyTorch Mobile。還有諸如PyRobot和PyTorch Hub之類的東西，用于共享代碼并鼓勵(lì)ML從業(yè)者支持可重復(fù)性。

今年秋天在PyTorch開(kāi)發(fā)大會(huì)上，Chintala在與VentureBeat的一次對(duì)話中表示，他在2019年的機(jī)器學(xué)習(xí)中幾乎沒(méi)有突破性進(jìn)展。

“實(shí)際上，我認(rèn)為我們沒(méi)有開(kāi)創(chuàng)性的東西……基本上是從Transformer開(kāi)始的。我們的ConvNets在2012年達(dá)到黃金時(shí)段，而Transformer在2017年左右。這是我的個(gè)人看法。”他說(shuō)。

他繼續(xù)稱DeepMind的AlphaGo在強(qiáng)化學(xué)習(xí)方面的貢獻(xiàn)是開(kāi)創(chuàng)性的，但是他說(shuō)，這些成果很難應(yīng)用到現(xiàn)實(shí)世界的實(shí)際任務(wù)中。

Chintala還認(rèn)為，機(jī)器學(xué)習(xí)框架（如PyTorch和谷歌的TensorFlow）的發(fā)展已改變了研究人員探索思想和開(kāi)展工作的方式，這些機(jī)器學(xué)習(xí)框架在當(dāng)今的ML從業(yè)者中廣受歡迎。

他說(shuō)：“從某種意義上說(shuō)，這是一個(gè)突破，它使他們移動(dòng)的速度比以前快了一兩個(gè)數(shù)量級(jí)?！?/p>

今年，谷歌和Facebook的開(kāi)源框架引入了量化，以提高模型訓(xùn)練的速度。在未來(lái)的幾年中，Chintala希望PyTorch的JIT編譯器和Glow等神經(jīng)網(wǎng)絡(luò)硬件加速器的重要性和采用率“爆炸式增長(zhǎng)”。

“借助PyTorch和TensorFlow，你已經(jīng)看到了框架的融合。出現(xiàn)量化的原因，以及其他一系列較低級(jí)別的效率，是因?yàn)橄乱粓?chǎng)戰(zhàn)爭(zhēng)是框架的編譯器——XLA，TVM，PyTorch擁有Glow，許多創(chuàng)新正在等待發(fā)生?！彼f(shuō)，“在接下來(lái)的幾年中，你將看到……如何更智能地量化，如何更好地融合，如何更有效地使用GPU，以及如何自動(dòng)為新硬件進(jìn)行編譯?！?/p>

像大多數(shù)其他行業(yè)領(lǐng)導(dǎo)者那樣，Chintala預(yù)測(cè)AI社區(qū)將在2020年之前將更多的價(jià)值放在AI模型性能上，而不僅僅是準(zhǔn)確性，并開(kāi)始將注意力轉(zhuǎn)向其他重要因素，例如創(chuàng)建模型所需的權(quán)重，如何向人類解釋輸出，以及AI如何更好地反映人們想要建立的社會(huì)類型。

“如果思考一下過(guò)去的五、六年，我們只是關(guān)注準(zhǔn)確性，而原始數(shù)據(jù)如英偉達(dá)的模型是否更準(zhǔn)確？ Facebook的模型更準(zhǔn)確嗎？‘”他說(shuō)， “我實(shí)際上認(rèn)為2020年將是我們開(kāi)始（以更復(fù)雜的方式）進(jìn)行思考的一年，如果你的模型……沒(méi)有良好的互操作性機(jī)制（或滿足其他標(biāo)準(zhǔn)），你的模型是否比現(xiàn)在精確3%并不重要?！?/p>

塞萊斯特·基德（Celeste Kidd）

加州大學(xué)伯克利分校的發(fā)展心理學(xué)家

塞萊斯特·基德（Celeste Kidd）是加州大學(xué)伯克利分?；聦?shí)驗(yàn)室的主任，她和她的團(tuán)隊(duì)在這里探索孩子們的學(xué)習(xí)方式。他們的見(jiàn)解可以幫助神經(jīng)網(wǎng)絡(luò)的創(chuàng)建者，這些人正試圖以一種與養(yǎng)育孩子差不多的方式來(lái)訓(xùn)練模型。

她說(shuō)：“人類嬰兒沒(méi)有被標(biāo)記的數(shù)據(jù)集，但它們管理得很好，對(duì)我們來(lái)說(shuō)重要的是要了解這種情況?！?/p>

讓基德在2019年感到驚訝的一件事是，神經(jīng)網(wǎng)絡(luò)創(chuàng)建者的數(shù)量隨隨便便救貶低了自己或其他研究人員的工作，因?yàn)樗麄儫o(wú)法做嬰兒可以做的事情。

她說(shuō)，當(dāng)你將嬰兒的行為平均化時(shí)，您會(huì)看到有證據(jù)表明他們了解某些東西，但他們絕對(duì)不是完美的學(xué)習(xí)者，而這種談話對(duì)嬰兒的能力描繪得過(guò)于樂(lè)觀。

她說(shuō)：“人類嬰兒很棒，但他們犯了很多錯(cuò)誤，而且我經(jīng)?？吹饺藗冸S便進(jìn)行的許多比較，都是把嬰兒行為在人口層面上理想化了。” “我認(rèn)為，對(duì)于目前了解的內(nèi)容與你接下來(lái)想要了解的內(nèi)容之間的聯(lián)系，人們很可能會(huì)越來(lái)越有辨別力。”

在人工智能中，“黑匣子”這個(gè)詞已經(jīng)存在多年了。它曾經(jīng)用來(lái)批評(píng)神經(jīng)網(wǎng)絡(luò)缺乏可解釋性，但基德認(rèn)為2020年可能意味著神經(jīng)網(wǎng)絡(luò)不可解釋的觀念的終結(jié)。

她說(shuō)：“黑匣子的論點(diǎn)是虛假的……大腦也是黑匣子，我們?cè)诶斫獯竽X如何工作方面取得了很大進(jìn)步。”

在揭開(kāi)這種對(duì)神經(jīng)網(wǎng)絡(luò)的認(rèn)識(shí)的神秘面紗時(shí)，基德研究了像麻省理工學(xué)院- IBM沃森人工智能實(shí)驗(yàn)室（MIT-IBM Watson AI Lab）執(zhí)行主任奧德·奧利瓦（Aude Oliva）這樣的人的工作。

“我們當(dāng)時(shí)在談?wù)撨@個(gè)問(wèn)題，我說(shuō)了有關(guān)該系統(tǒng)是黑匣子的事情，她合理地譴責(zé)了我，說(shuō)他們當(dāng)然不是黑匣子。當(dāng)然，你可以將它們分解并將它們拆開(kāi)，看看它們?nèi)绾喂ぷ鞑?duì)其進(jìn)行實(shí)驗(yàn)，就像我們?yōu)槔斫庹J(rèn)知所做的一樣?！被抡f(shuō)。

上個(gè)月，基德在神經(jīng)信息處理系統(tǒng)（NeurIPS）會(huì)議上發(fā)表了開(kāi)幕式主題演講，這是世界上最大的年度AI研究會(huì)議。她的演講重點(diǎn)關(guān)注人腦如何固守頑固的信念，注意力系統(tǒng)和貝葉斯統(tǒng)計(jì)。

她說(shuō)，信息傳遞的“舒適區(qū)”介于一個(gè)人之前的興趣和理解與他們感到驚訝的東西之間。人們傾向于較少接觸那些過(guò)于令人驚訝的內(nèi)容。

然后她說(shuō)，不存在中立的技術(shù)平臺(tái)，于是她把注意力轉(zhuǎn)向內(nèi)容推薦系統(tǒng)的制造商如何操縱人們的信念。為了追求最大程度的參與而構(gòu)建的系統(tǒng)會(huì)對(duì)人們?nèi)绾涡纬尚拍詈陀^點(diǎn)產(chǎn)生重大影響。

基德在演講中談到了機(jī)器學(xué)習(xí)中男性的誤解，即與女性同事獨(dú)自一人會(huì)導(dǎo)致性騷擾指控并結(jié)束男性職業(yè)。她說(shuō)，這種誤解反而會(huì)損害女性在該領(lǐng)域的職業(yè)。

由于在羅切斯特大學(xué)發(fā)表有關(guān)性行為不端的言論，基德與其他女性一起被評(píng)為2017年度“年度人物”，這些女性幫助實(shí)現(xiàn)了我們現(xiàn)在所說(shuō)的“平等對(duì)待婦女運(yùn)動(dòng)”。當(dāng)時(shí)，基德認(rèn)為大聲疾呼將結(jié)束她的職業(yè)生涯。

她希望在2020年看到人們?cè)絹?lái)越意識(shí)到技術(shù)工具和技術(shù)決策對(duì)現(xiàn)實(shí)生活的影響，并拒絕認(rèn)為工具制造商對(duì)人們的使用行為不負(fù)責(zé)任的觀點(diǎn)。

她說(shuō)：“我聽(tīng)到很多人試圖說(shuō)’‘我不是真理的審判人’來(lái)為自己辯護(hù)?！?“我認(rèn)為必須提高對(duì)這是不誠(chéng)實(shí)立場(chǎng)的認(rèn)識(shí)?！?/p>

“在一個(gè)社會(huì)，尤其是作為使用這些工具的人們，我們真的需要直接意識(shí)到隨之而來(lái)的責(zé)任。”

杰夫·迪恩（Jeff Dean）

谷歌AI總監(jiān)

迪恩領(lǐng)導(dǎo)Google AI已有近兩年時(shí)間，但他已經(jīng)在谷歌工作了二十年，是谷歌早期搜索和分布式網(wǎng)絡(luò)算法的架構(gòu)師，也是Google Brain的早期成員。

迪恩上個(gè)月在NeurIPS上與VentureBeat進(jìn)行了交談，在那里他就ASIC半導(dǎo)體設(shè)計(jì)的機(jī)器學(xué)習(xí)以及AI社區(qū)應(yīng)對(duì)氣候變化的方式進(jìn)行了演講，他說(shuō)這是我們時(shí)代最重要的問(wèn)題。在關(guān)于氣候變化的討論中，迪恩討論了AI可以努力成為零碳行業(yè)以及AI可以用來(lái)幫助改變?nèi)祟愋袨榈南敕ā?/p>

他預(yù)計(jì)到2020年，多模式學(xué)習(xí)領(lǐng)域?qū)⑷〉眠M(jìn)展，這是一種依靠多種媒體進(jìn)行訓(xùn)練的AI，而多任務(wù)學(xué)習(xí)則涉及旨在一次完成多個(gè)任務(wù)的網(wǎng)絡(luò)。

毫無(wú)疑問(wèn)，2019年最大的機(jī)器學(xué)習(xí)趨勢(shì)之一是基于Transformer的自然語(yǔ)言模型的持續(xù)增長(zhǎng)和擴(kuò)散，此前模型Chintala被稱為近年來(lái)人工智能最大的突破之一。 谷歌于2018年開(kāi)源了基于Transformer的模型BERT。根據(jù)GLUE排行榜，今年發(fā)布的許多性能最高的模型（例如Google的XLNet，微軟的MT-DNN和Facebook的RoBERTa）都基于Transformer。公司發(fā)言人告訴VentureBeat，XLNet 2將于本月晚些時(shí)候發(fā)布。

迪恩指出了已經(jīng)取得的進(jìn)展，他說(shuō)：“ 。。.我認(rèn)為整個(gè)研究線程在實(shí)際產(chǎn)生機(jī)器學(xué)習(xí)模型方面非常富有成效，［現(xiàn)在讓我們］做的機(jī)器學(xué)習(xí)模型比過(guò)去能夠完成的復(fù)雜得多。但是他補(bǔ)充說(shuō)，仍有增長(zhǎng)空間?！拔覀?nèi)匀幌Ｍ軌騽?chuàng)建更多情境的模型。像現(xiàn)在這樣，BERT和其他模型可以很好地處理數(shù)百個(gè)單詞，但不能作為處理上下文的10，000個(gè)單詞。因此，這是［有趣的方向?！?/p>

迪恩說(shuō)，他希望少?gòu)?qiáng)調(diào)一些最新技術(shù)，而傾向于創(chuàng)建更強(qiáng)大的模型。

Google AI還將努力推進(jìn)新的舉措，例如Everyday Robot，這是一個(gè)于2019年11月推出的內(nèi)部項(xiàng)目，旨在制造能夠在家庭和工作場(chǎng)所完成常見(jiàn)任務(wù)的機(jī)器人。

Anima Anandkumar

英偉達(dá)機(jī)器學(xué)習(xí)研究總監(jiān)

Anandkumar在擔(dān)任AWS首席科學(xué)家后加入了GPU制造商英偉達(dá)。在英偉達(dá)，人工智能研究在多個(gè)領(lǐng)域進(jìn)行，從醫(yī)療保健的聯(lián)合學(xué)習(xí)到自動(dòng)駕駛，超級(jí)計(jì)算機(jī)和圖形學(xué)。

英偉達(dá)和Anandkumar在2019年的重點(diǎn)領(lǐng)域之一是強(qiáng)化學(xué)習(xí)的仿真框架，這些框架越來(lái)越受歡迎且成熟。

在2019年，我們看到了英偉達(dá)的Drive autonomus駕駛平臺(tái)和Isaac機(jī)器人模擬器的興起，以及從模擬和生成對(duì)抗網(wǎng)絡(luò)或GAN生成綜合數(shù)據(jù)的模型的興起。

去年還迎來(lái)了AI的興起，例如StyleGAN（一種可以使人們分辨不出自己看到的是計(jì)算機(jī)生成的人臉還是真實(shí)的人的網(wǎng)絡(luò)）和GauGAN（可以用畫(huà)筆生成風(fēng)景的網(wǎng)絡(luò)）。 StyleGAN2上個(gè)月首次亮相。

GAN是可以模糊現(xiàn)實(shí)界限的技術(shù)，Anandkumar認(rèn)為，它們可以幫助AI社區(qū)嘗試解決的主要挑戰(zhàn)，例如抓握機(jī)械臂和自動(dòng)駕駛。

Anandkumar還希望未來(lái)一年通過(guò)迭代算法、自我監(jiān)督和訓(xùn)練模型的自訓(xùn)練方法取得進(jìn)展，這些模型可以通過(guò)對(duì)未標(biāo)記數(shù)據(jù)進(jìn)行自我訓(xùn)練來(lái)改進(jìn)。

“我認(rèn)為各種不同的迭代算法都是未來(lái)，因?yàn)槿绻阒蛔鲆粋€(gè)前饋網(wǎng)絡(luò)，那么魯棒性就成為問(wèn)題?！彼f(shuō)：“如果你嘗試進(jìn)行多次迭代，并根據(jù)所需的數(shù)據(jù)類型或精度要求對(duì)迭代進(jìn)行調(diào)整，那么實(shí)現(xiàn)這一目標(biāo)的機(jī)會(huì)就更多了?！?/p>

Anandkumar看到了2020年AI社區(qū)面臨的眾多挑戰(zhàn)，例如需要與各領(lǐng)域?qū)＜乙坏绖?chuàng)建專門針對(duì)特定行業(yè)的模型。決策者、個(gè)人和AI社區(qū)也將需要解決代表性問(wèn)題，以及確保用于訓(xùn)練模型的數(shù)據(jù)集能夠涵蓋不同人群的挑戰(zhàn)。

她說(shuō)：“我認(rèn)為［面部識(shí)別問(wèn)題］很容易掌握，但是在很多［其他領(lǐng)域］……人們沒(méi)有意識(shí)到使用數(shù)據(jù)存在隱私問(wèn)題?！?/p>

Anandkumar說(shuō)，面部識(shí)別得到了最大的關(guān)注，因?yàn)楹苋菀桌斫饷娌孔R(shí)別如何侵犯?jìng)€(gè)人隱私，但是AI社區(qū)在2020年還面臨許多其他道德問(wèn)題。

“我們將在數(shù)據(jù)收集方式和使用方式方面進(jìn)行越來(lái)越嚴(yán)格的審查。這種情況正在歐洲發(fā)生，但是在美國(guó)，我們肯定會(huì)看到更多這樣的情況，而且出于正確的理由，我們會(huì)看到更多這樣的情況，比如國(guó)家運(yùn)輸安全委員會(huì)和聯(lián)邦運(yùn)輸管理局?！彼f(shuō)。

在Anandkumar看來(lái)，2019年的一大驚喜是文本生成模型的發(fā)展速度。

“ 2019年是語(yǔ)言模型之年，對(duì)嗎？現(xiàn)在，我們第一次在段落長(zhǎng)度上達(dá)到了更加連貫的文本生成，這在以前是不可能的，但現(xiàn)在已經(jīng)很好了?！盇nandkumar說(shuō)。

2019年8月，英偉達(dá)推出了Megatron自然語(yǔ)言模型。Megatron擁有80億個(gè)參數(shù)，是全球最大的基于Transformer的AI模型。 Anandkumar說(shuō)，她對(duì)人們開(kāi)始將模型表征為具有個(gè)性或字符的方式感到驚訝，并且她希望看到更多針對(duì)特定行業(yè)的文本模型。

“我們還沒(méi)有達(dá)到產(chǎn)生對(duì)話的階段，這種對(duì)話是互動(dòng)的，可以跟蹤并進(jìn)行自然的對(duì)話。所以我認(rèn)為，到2020年，在這個(gè)方向上將會(huì)有更多認(rèn)真的嘗試。”她說(shuō)。

例如，開(kāi)發(fā)用于控制文本生成的框架要比開(kāi)發(fā)用于識(shí)別人或?qū)ο蟮膱D像的框架更具挑戰(zhàn)性。文本生成模型還可能面臨例如為神經(jīng)模型定義事實(shí)的挑戰(zhàn)。

最后，Anandkumar說(shuō)，她很高興看到基德在NeurIPS上的演講獲得了起立鼓掌，并且被機(jī)器學(xué)習(xí)社區(qū)中越來(lái)越成熟和包容的跡象所鼓舞。

“我覺(jué)得現(xiàn)在是分水嶺?！?她說(shuō)， “一開(kāi)始甚至很難做些小改動(dòng)，然后大壩就破裂了。我希望是這樣，因?yàn)樵谖铱磥?lái)，我希望保持這種勢(shì)頭，并進(jìn)行更大的結(jié)構(gòu)改革，并使所有小組，這里的每個(gè)人都蓬勃發(fā)展?！?/p>

達(dá)里奧·吉爾（Dario Gil）

IBM研究總監(jiān)

吉爾領(lǐng)導(dǎo)的一組研究人員積極為白宮和世界各地的企業(yè)提供咨詢服務(wù)。他認(rèn)為，2019年的重大飛躍包括圍繞生成模型的進(jìn)步，以及生成可信語(yǔ)言的質(zhì)量不斷提高。

他預(yù)測(cè)，在降低精度的體系結(jié)構(gòu)上，更有效的培訓(xùn)將繼續(xù)取得進(jìn)展。更高效的AI模型的開(kāi)發(fā)是NeurIPS的重點(diǎn)，IBM Research在此引入了具有8位精度模型的深度學(xué)習(xí)技術(shù)。

他說(shuō)：“我們用現(xiàn)有的硬件和GPU架構(gòu)來(lái)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，其效率仍然很低?！币虼?，對(duì)這個(gè)問(wèn)題進(jìn)行根本性的反思是非常重要的。我們必須提高人工智能的計(jì)算效率，這樣我們才能做得更多?！?/p>

吉爾引用研究表明，對(duì)機(jī)器學(xué)習(xí)訓(xùn)練的需求每三個(gè)半月翻一番，這比摩爾定律所預(yù)測(cè)的增長(zhǎng)快得多。

吉爾也對(duì)AI如何幫助加速科學(xué)發(fā)現(xiàn)感到興奮，但是IBM Research將主要專注于機(jī)器學(xué)習(xí)的神經(jīng)符號(hào)方法。

吉爾希望AI從業(yè)者和研究人員將專注于準(zhǔn)確性以外的指標(biāo)，以考慮生產(chǎn)中部署的模型的價(jià)值。將該領(lǐng)域轉(zhuǎn)向構(gòu)建受信任的系統(tǒng)，而不是把準(zhǔn)確性放在首位，這將是繼續(xù)采用AI的中心支柱。

“社區(qū)中有些人可能會(huì)繼續(xù)說(shuō)，‘不用擔(dān)心，只要提供準(zhǔn)確性。沒(méi)關(guān)系，人們會(huì)習(xí)慣這個(gè)東西有點(diǎn)像黑匣子，”或者他們會(huì)提出這樣的論點(diǎn)，即人們有時(shí)不會(huì)對(duì)我們做出的某些決定產(chǎn)生解釋。我認(rèn)為，非常重要的一點(diǎn)是，我們要集中社區(qū)的知識(shí)力量，在此方面做得更好。人工智能系統(tǒng)不能成為關(guān)鍵任務(wù)應(yīng)用程序的黑匣子?！?/p>

吉爾相信要擺脫這樣的觀念，即只有少數(shù)機(jī)器學(xué)習(xí)向?qū)Р拍茏龅紸I，以確保更多的具有數(shù)據(jù)科學(xué)和軟件工程技能的人采用AI。

他說(shuō)：“如果我們把它作為一個(gè)神秘領(lǐng)域，那就是AI的領(lǐng)域，只對(duì)從事這方面研究的博士開(kāi)放，它并不能真正促進(jìn)人工智能的應(yīng)用。”

在來(lái)年，吉爾對(duì)神經(jīng)符號(hào)AI特別感興趣。 IBM將尋求神經(jīng)符號(hào)方法來(lái)增強(qiáng)諸如概率性編程之類的功能，其中AI將學(xué)習(xí)如何操作程序以及可共享其決策背后原因的模型。

他說(shuō)：“通過(guò)采用這種混合的方法，一種新的當(dāng)代方法，通過(guò)這些神經(jīng)符號(hào)方法，把學(xué)習(xí)和推理結(jié)合在一起。在這種方法中，符號(hào)維度嵌入到學(xué)習(xí)程序中。我們已經(jīng)證明，你可用所需數(shù)據(jù)的一小部分來(lái)學(xué)習(xí)?！薄耙?yàn)槟銓W(xué)了一個(gè)程序，你最終得到了一些可解釋的東西，并且因?yàn)槟阌辛艘恍┛山忉尩臇|西，你得到了一些更可信的東西。”

他說(shuō)，公平性，數(shù)據(jù)完整性和數(shù)據(jù)集選擇等問(wèn)題將繼續(xù)引起人們的廣泛關(guān)注，“與生物識(shí)別技術(shù)有關(guān)的任何事情也將如此”。面部識(shí)別得到了很多關(guān)注，但這僅僅是開(kāi)始。語(yǔ)音數(shù)據(jù)以及其他形式的生物識(shí)別技術(shù)將越來(lái)越具有敏感性。他繼續(xù)引用了哥倫比亞大學(xué)教授Rafael Yuste的話，他從事神經(jīng)技術(shù)研究，并正在探索提取視覺(jué)皮層上神經(jīng)模式的方法。

吉爾說(shuō)：“我以這個(gè)例子為例，所有與身份、人的生物特征以及人工智能在分析方面取得的進(jìn)步，將繼續(xù)處于前沿和中心位置?！?/p>

除了神經(jīng)符號(hào)和常識(shí)推理（MIT-IBM沃森實(shí)驗(yàn)室的一項(xiàng)旗艦計(jì)劃外），吉爾于2020年表示，IBM Research還將探索AI量子計(jì)算，以及AI模擬硬件，而不僅僅是降低精度的架構(gòu)。

總結(jié)

機(jī)器學(xué)習(xí)正在繼續(xù)塑造商業(yè)和社會(huì)，VentureBeat采訪的研究人員和專家看到了一些即將出現(xiàn)的趨勢(shì)：

隨著Transformers推動(dòng)了巨大的飛躍，自然語(yǔ)言模型的進(jìn)步是2019年的主要故事。在2020年尋找更多基于BERT和基于Transformer的模型的變體。

人工智能行業(yè)應(yīng)該尋找方法來(lái)評(píng)估模型輸出的準(zhǔn)確性。

諸如半監(jiān)督學(xué)習(xí)，機(jī)器學(xué)習(xí)的神經(jīng)符號(hào)方法之類的方法以及諸如多任務(wù)和多模式學(xué)習(xí)之類的子領(lǐng)域可能會(huì)在明年出現(xiàn)。

與生物統(tǒng)計(jì)數(shù)據(jù)（如語(yǔ)音記錄）相關(guān)的倫理挑戰(zhàn)可能會(huì)繼續(xù)引起爭(zhēng)議。

量化之類的編譯器和方法可能會(huì)在諸如PyTorch和TensorFlow之類的機(jī)器學(xué)習(xí)框架中作為優(yōu)化模型性能的方式而流行。作者最新文章

2020年人工智能將如何發(fā)展？機(jī)器學(xué)習(xí)領(lǐng)域頂尖人物預(yù)測(cè)有這些趨勢(shì)喜憂參半！盤(pán)點(diǎn)2019年科技界最好和最差的IPO：優(yōu)步、Lyft前景慘淡宇宙中或布滿看不見(jiàn)的弦組成的“蜘蛛網(wǎng)” 奏出一章弦樂(lè)交響曲相關(guān)文章