在过去的2018年，人工（gōng）智能领域的大事件、新发（fā）现和新进展层出不穷（qióng）。

BERT重磅发布（bù），刷新了（le）很多NLP的任（rèn）务的最好性（xìng）能；GAN相（xiàng）关研究论文持续（xù）增长，生成的照片达到了以假乱真的（de）程度（dù）；Deepfakes发展神速，让许（xǔ）多政客和（hé）明星供大众娱乐了一（yī）番；强化学习也在与人（rén）类的对战游（yóu）戏中独领（lǐng）风骚（sāo）......

硬件（jiàn）方面，Nvidia一骑绝尘，Intel努力求变，定制硬件市场繁荣（róng）；

除此（cǐ）之外，自动驾驶、AI伦理等（děng）也是过（guò）去一年的讨论重点。

回顾（gù）2018展望2019，人工智（zhì）能（néng）和（hé）机器学习将走向何方？

Medium的一位专（zhuān）栏作者为（wéi）此撰文概括（kuò）了过去一年中人工智（zhì）能领（lǐng）域（yù）的一些模式，并试图勾勒出其中的某些趋势。注（zhù）意，这篇总结（jié）是以（yǐ）美国（guó）的（de）发展为中心展开，以下（xià）是文章全文：

毫无疑问，算法话语权由深（shēn）度神经网络（DNN）主导。

当然，你（nǐ）可能会（huì）听说有人在这里（lǐ）或那里部署了（le）一个“经典的”机（jī）器学习模型(比如梯度提升（shēng）树（shù）或（huò）多臂（bì）老虎机)，并声称（chēng）这是每个（gè）人唯一需要的（de）东西。有人宣称，深（shēn）度学习（xí）正处于垂死（sǐ）挣扎（zhā）中。甚至连顶级的研究人员也在质疑一些深度神经网络（ DNN） 架构的（de）效率（lǜ）和抗变换性。

但是，不管你喜欢与（yǔ）否，DNN无处不在: 自动驾驶汽车、自然（rán）语言系统、机器人——所有（yǒu）你能（néng）想到的皆（jiē）是（shì）如此。

在自然语言处（chù）理（lǐ）、生成式对抗网络和深度增强学（xué）习中，DNN取得的飞跃尤为明显。

尽管在2018年之前，文本（běn）使用DNN（比如word2vec、GLOVE和基于LSTM的模型）已经取得（dé）了一些突破，但缺少一个关键的概念元素：迁（qiān）移学（xué）习。

也就是说，使（shǐ）用大量公开可（kě）用的数（shù）据（jù）对模型进行训练，然后根（gēn）据你正在处理的特定数据集对其（qí）进行（háng）“微调”。在计算机视（shì）觉中，利用在著（zhe）名的 ImageNet 数据集（jí）上发现的（de）模式来（lái）解决特定的（de）问题（tí），通常是一种（zhǒng）解决方案。

问题是（shì），用于（yú）迁移学习（xí）的技巧（qiǎo）并不能很好地应用于自然语言（yán）处（chù）理（NLP）问题。在某种（zhǒng）意（yì）义上（shàng），像 word2vec 这样的预（yù）先训练的嵌入正在弥（mí）补这一（yī）点，但它们只能应（yīng）用于单个单词级别，无法捕捉到（dào）语（yǔ）言的高级结构（gòu）。

然而，在2018年，这种情况发生（shēng）了变化。 ELMo，情境（jìng）化嵌入成为提（tí）高 NLP 迁移（yí）学习的第一个（gè）重（chóng）要（yào）步（bù）骤。ULMFiT 甚至更（gèng）进一步（bù）: 由于不满意嵌入式的语义捕捉能（néng）力，作者找到（dào）了一（yī）种为整个模型进行迁（qiān）移学习的方法。

但（dàn）最有（yǒu）趣的进步无疑是BERT的引入。通过让（ràng）语（yǔ）言（yán）模型从（cóng）英文（wén）维基百科的全部文章中（zhōng）进行（háng）学习，这个团队能够在11个 NLP 任务（wù）中取得（dé）最高水准的结果——这是一个壮举！更妙的是，它开源了。所（suǒ）以（yǐ），你可以把这一突破应用到自己的研究问题（tí）上。

CPU的速度不会再呈（chéng）现指数级的增长，但（dàn）是生成式对抗网（wǎng）络（GAN）的学（xué）术（shù）论文（wén）数量肯定会（huì）继续增长（zhǎng）。GAN多年来一（yī）直是学术界（jiè）的宠儿。然而（ér），其在现实生活（huó）中（zhōng）的应用似乎（hū）很少，而且（qiě）这一点在（zài）2018年几乎没有改变。但是GAN仍然有着惊人的潜力等待着我们去实现。

目前出（chū）现了一（yī）种新的方法，即逐步（bù）增加生成式对抗网络: 使生成器在整个（gè）训练过程中逐步提高其输出的分辨率。很多令人印象深刻（kè）的论文（wén）都使用了这种方（fāng）法，其中有一篇采（cǎi）用了风（fēng）格转移技术来生成逼真的照片（piàn）。有（yǒu）多逼真？你来告诉我：

这些照（zhào）片中哪一（yī）张是真人？

这个问题有陷阱：以上皆不是。

然而，GAN是如何工作的，以（yǐ）及它为什么会起效呢？我们（men）对此还缺乏深入的了解，但是（shì）我（wǒ）们正在采取一些重要的措施（shī）: 麻省（shěng）理工学院的一个团队已经对这个问题进行了高质（zhì）量（liàng）的研究。

另一个有趣的进（jìn）展是“对抗补丁“，从技术上来说它并非是（shì）一个生成式（shì）对抗网络。 它同时使用黑盒(基本上不考虑（lǜ）神经网络的内（nèi）部（bù）状（zhuàng）态)和白盒（hé）方法来制作一个“补丁”，可以骗过一（yī）个基（jī）于 CNN的分类（lèi）器。 从（cóng）而得（dé）出一个重（chóng）要的结果：它引导我们（men）更好地了（le）解深度神经网络（luò）如何工（gōng）作（zuò），以及我们距离获得人类级别（bié）的（de）概（gài）念认知还有多远。

你（nǐ）能区（qū）分香蕉和烤（kǎo）面包机（jī）吗（ma）？人工智能（néng）仍然不能。

自从2016年 AlphaGo 击败（bài）李世石后，强化学习就一直是公众关注的焦点。

在（zài）训练（liàn）中，强化学习依赖于“奖励”信号（hào），即（jí）对（duì）其在最后一次尝（cháng）试中表现的（de）评（píng）分（fèn）。电脑游戏提供了一（yī）个与现（xiàn）实生活相反的自然环境，让这种信（xìn）号随时可用。因此（cǐ），RL研究（jiū）的所（suǒ）有注意力都放在了教 AI玩雅达利游戏上。

谈到它们的新发明 DeepMind，AlphaStar又成了新（xīn）闻。这种新模（mó）式（shì）击败了星际争霸 II的顶级职业选手之一。星际争霸比（bǐ）国际象棋和（hé）围棋（qí）复（fù）杂得多，与大多数棋（qí）类游戏不同，星际争霸（bà）有巨大的动作空间和隐藏在玩家身上的重要信息。这次胜（shèng）利对整个领域来说，都是一次非常重要的飞跃。

在RL这个领域，另一（yī）个重要（yào）角色OpenAI也没有闲着。让它们（men）声名鹊起的是（shì）OpenAI Five，这个系统在2018年8月（yuè）击（jī）败（bài）了（le）Dota 2这个极其复杂的电子（zǐ）竞技游戏中99.95%的玩家。

尽管 OpenAI 已（yǐ）经对电脑游（yóu）戏给予了很多关注，但是他们并没有忽视 RL 真正的潜在应（yīng）用领域: 机（jī）器（qì）人。

在现实世界中，一个人能够（gòu）给予机器人的（de）反馈是非常稀少且昂贵的：在（zài）你的 R2-D2（电（diàn）影中（zhōng）的虚拟（nǐ）机器人）尝（cháng）试走出（chū）第一“步”时，你基本上（shàng）需要一个人类保姆来（lái）照（zhào）看它。你（nǐ）需要数以百万计的数（shù）据点。

为了弥合这一（yī）差距（jù），最新（xīn）的趋势是学（xué）会模（mó）拟一个（gè）环境，同时（shí）并行地运行大（dà）量（liàng）场景以教授机器人基本（běn）技能（néng），然后再（zài）转向现实世界（jiè）。OpenAI和（hé）Google都在（zài）研究这（zhè）种方法。

Deepfakes指（zhǐ）一些伪造的图像或视频，（通（tōng）常（cháng））展示（shì）某个公（gōng）众人物正在（zài）做或说一些他（tā）们（men）从未做过或说过（guò）的事情。在“目标”人物大量镜头的基础上训练一个生成式对抗网络（luò），然后在其中生（shēng）成包（bāo）含所（suǒ）需动作（zuò）的（de）新媒体——deepfakes就（jiù）是这样创建的（de）。

2018年1月发布的名为FakeApp的桌面应用程序（xù），可以让所有拥有计算机科学（xué）知识（shí）的（de）人（rén）和对此（cǐ）一无所知的人都能创建deepfakes。虽然它制作的视频（pín）很容（róng）易被人看（kàn）出来是假（jiǎ）的，但这项技术已经（jīng）取得了长足的进（jìn）步（bù）。

目（mù）前，我们（men）拥有很多深（shēn）度学习（xí）框架。这（zhè）个领域是广阔的（de），这种多样性表面上看是（shì）有意义的。但实（shí）际（jì）上，最近大多（duō）数（shù）人都（dōu）在使用Tensorflow或PyTorch。如果你关心可靠性、易于部署性和（hé）模型（xíng）重载等SREs 通常（cháng）关心（xīn）的问题，那么你（nǐ）可能（néng）会选择 Tensorflow。如果你正在写（xiě）一篇研究论文（wén），而且不在谷歌工作，那么（me）你很可能使用PyTorch。

今年，我们看到（dào）了（le）更多的人工智能解（jiě）决方案，它们被一个未获得斯坦福大学机器学（xué）习博士学位的软（ruǎn）件工程（chéng）师打包成一个供消费的 API。Google Cloud和Azure都改进了（le）旧（jiù）服务，并（bìng）且增（zēng）加了新服务。AWS机（jī）器学习服务列表开始看起来十分令人生（shēng）畏。

天啊，AWS的服务很快就会多（duō）到需要（yào）两级目录层次结（jié）构来展示了。

尽管这（zhè）种狂热现象已经冷却了一些（xiē），但（dàn）还是有很多创业（yè）公（gōng）司发出了挑战。每个人都承诺了模型（xíng）训练的（de）速度、推理过程中的易用性和惊人的模型（xíng）性能。

只要输入你的信用卡信息，上传你的数据，给模型一些时间去（qù）训练或者微调，调用 REST (或者，给更（gèng）有（yǒu）前瞻（zhān）性的创业公司GraphQL)的 API，就可以成为人工智能（néng）方面的（de）大师，甚至不（bú）需要搞清楚（chǔ）“随机失（shī）活(dropout)”是（shì）什么。

有了这（zhè）么多的选择，为什么还有人会费心自己（jǐ）建造模型（xíng）和基础设施呢？实际上（shàng），现成的 MLaaS 产品在80% 的（de）实用案例中表现得非（fēi）常（cháng）好。如果（guǒ）你希（xī）望（wàng）剩下的20% 也能（néng）正常工作，那就没那么（me）幸运了: 你不仅不能真正地选（xuǎn）择（zé）模型，甚至不能（néng）控（kòng）制超（chāo）参数。或者，如果（guǒ）你需要（yào）在云的舒适区之外的某个地方进行推断——一般情况下都做不（bú）到。这就是代价。

今年推（tuī）出（chū）的（de）两项特别有趣（qù）的服务均（jun1）由谷歌发布。

首先，Google Cloud AutoML是（shì）一套（tào）定（dìng）制（zhì）的 NLP 和计算（suàn）机视觉模型培训（xùn）产品。 这（zhè）是（shì）什么意思（sī）？汽车（chē）设计（jì）师通过自动微调（diào）几个预先训练的模型，并选（xuǎn）择（zé）其中最好的那（nà）个，从而解决（jué）了模型定制问题。这（zhè）意味着你很可能不（bú）需要自己去定制模型。

当然（rán），如果你想（xiǎng）做一些真正新鲜或（huò）不同的东西，那么这个服务并（bìng）不（bú）适合你。但是，谷歌在大量专（zhuān）有数据的（de）基（jī）础上预先（xiān）训练其模型，这是（shì）一个附带的好处。想（xiǎng）想所有关于猫（māo）的照片，它们一定（dìng）比 Imagenet 更具推广性（xìng）！

第二（èr），AI Hub 和 TensorFlow Hub。在这（zhè）两者出现之前，重（chóng）复使用某人的（de）模型确（què）实（shí）是件苦差事。基于 GitHub 的（de）随机代码很少能用，通常记（jì）录得很差，而且（qiě）一般来说，处理起来并不愉快。还有预先训练的迁移（yí）学习权（quán）重……这么说（shuō）吧，你甚（shèn）至（zhì）不想（xiǎng）尝试（shì）把它们用于工（gōng）作（zuò）中。

这正（zhèng）是TF Hub想要（yào）解决的问题（tí）: 它（tā）是一个（gè）可（kě）靠的、有组织的模型存储（chǔ）库，你可（kě）以对其进行微调或构（gòu）建。只要（yào）加入几行代码——TF Hub 客户端就可以从谷（gǔ）歌的服务器上（shàng）获取代码和相应（yīng）的权重——然后（hòu），哇哦，它就可以（yǐ）正常工作了！

Ai Hub 更进一步：它允许你共享整个ML管道，而不仅仅是模（mó）型！它仍（réng）然处于 alpha 测试阶（jiē）段，但如果（guǒ）你明白（bái）我的意思的话，它已（yǐ）经比一个（gè）连最新（xīn）的文件（jiàn）也是“3年前才修改（gǎi）”的随机存储库要好得多（duō）。

Nvidia（英（yīng）伟达（dá））

如果你在2018年（nián）认真研究过ML，尤其是（shì）DNN，那（nà）么你就曾（céng）用（yòng）过（guò）一个（或多个）GPU。因此（cǐ），GPU的领头羊在这一年里都非常忙碌。

随（suí）着加（jiā）密（mì）狂潮的冷却和随后的股价（jià）暴跌，Nvidia发布了基于图灵（líng）架构的全新（xīn）一代消费级卡。新卡仅使用了2017年发布的（de）基于Volta芯片的专业卡，且包含了被称为Tensor Cores的新的高速矩阵乘法（fǎ）硬件。矩（jǔ）阵乘法是DNN运行方式的核心，因此加快这些运算将大大提高新GPU上神经网（wǎng）络（luò）训练的速度。

对（duì）于（yú）那些对“小”和“慢”的游戏GPU不满（mǎn）意的人来说，Nvidia更新了他们的“超级计算平（píng）台”。 DGX-2具有多达（dá）16块Tesla V，用于FP16操作的（de）480 TFLOP（480万亿（yì）次浮（fú）点运（yùn）算），真可谓是一款“怪物”盒子（zǐ）。而其价（jià）格也（yě）更新了，高（gāo）达（dá）40万美元。

此外，自动硬件也得（dé）到（dào）了更新。Jetson AGX Xavier是（shì）Nvidia希望能为下一代（dài）自动驾驶（shǐ）汽车提供动力（lì）的一个模块。八核CPU、视觉加速器以及深（shēn）度学习加速器，这些都是日益增长的自动驾驶行业所需的（de）。

在（zài）一个有趣的开（kāi）发项目中，Nvidia为他们（men）的游（yóu）戏卡推（tuī）出了基于DNN的一种功能：深（shēn）度学习超级取样（Deep Learning Super Sampling）。其想法是去（qù）替换抗锯齿（chǐ），目前主要通过先渲染分辨（biàn）率高于（yú）所需（例如4倍）的图片然后（hòu）再将其（qí）缩放到本（běn）机（jī）监（jiān）视器分辨率来（lái）完成（chéng）。

现在（zài），Nvidia允许开发人（rén）员在发布游戏之前以极高的质量去训练图像转换模型。然后（hòu），使（shǐ）用（yòng）预先训练的模型将（jiāng）游戏发送（sòng）给最终用户。在游戏过程中，图形通（tōng）过该模型来（lái）运作以提高图像质量，而不会（huì）产生旧式抗锯齿的（de）成本。

Intel英特尔

英特尔在2018年绝对不是人工智能硬件领域的开（kāi）拓（tuò）者，但（dàn）似（sì）乎他们希（xī）望改变这一点。

令人惊讶的是（shì），英特尔的大多数动作（zuò）都发（fā）生在（zài）软件领域（yù）。英特尔正在努力使其（qí）现有和即（jí）将推出的硬件更（gèng）加适（shì）合开发人员。考虑到这一点，他（tā）们发布了一对（既令人（rén）惊（jīng）讶又有（yǒu）竞争力的）工具（jù）包：OpenVINO和nGraph。

他们（men）更新了自（zì）己的神经计算棒：一（yī）个小（xiǎo）型（xíng）USB设（shè）备（bèi），可以（yǐ）加（jiā）速任何带USB端口的DNN，甚至是Raspberry Pi。

有关英特（tè）尔独立GPU的传闻变得越来越错综（zōng）复杂。虽（suī）然这一传闻（wén）持续流传，但（dàn）新设备对DNN训练的适用（yòng）性仍有待（dài）观察。绝对适用于深度学（xué）习的是传闻中的专业深度学习卡，它们的代号为Spring Hill和（hé）Spring Crest。而后者基于（yú）初创（chuàng）公司（sī）Nervana（英（yīng）特尔（ěr）几年前（qián）已（yǐ）将（jiāng）其收购）的技（jì）术。

寻常（和不常见）的定制硬件

谷歌推出了他（tā）们的第三代TPU：基于ASIC的DNN专用加速器，具（jù）有惊人的128Gb HMB内存。256个这（zhè）样的设备组装成一个（gè）具（jù）有超过每秒100千兆次性（xìng）能的集合（hé）体。谷歌（gē）今年不再仅（jǐn）凭这些设（shè）备来挑逗世界的其他玩家了，而是通过Google Cloud向公众提供TPU。

在类似的、但（dàn）主要针对推（tuī）理应用（yòng）程序的项目中，亚马逊已经部署了AWS Inferentia：一种更便宜、更有（yǒu）效的在生产中（zhōng）运（yùn）行模型的方式。

谷歌还宣布了Edge TPU项目：这（zhè）个（gè）芯片（piàn）很小：10个（gè）芯片加起来才（cái）有一美分硬币的大（dà）小。与此同时，它能做到在实时视频上运（yùn）行DNN，并且几乎不消（xiāo）耗任何能量（liàng），这就足够了。

一个有趣的潜在新玩（wán）家（jiā）是Graphcore。这家英国公司已经筹（chóu）集了3.1亿美元，并在2018年推出了他们的第一款产品GC2芯（xīn）片。根据基准测试，GC2在进行推理时碾压了顶级（jí）Nvidia服务器GPU卡，同时消耗（hào）的功（gōng）率显（xiǎn）着降低。

亚马逊推出了一款小型自动驾驶汽车DeepRacer，以及（jí）一个赛车联盟。这完全出人（rén）意料，但也有点像他们之前（qián）推出（chū）DeepLens时的情况。这款400美元（yuán）的汽车配备了Atom处理器，400万像素摄像头，wifi，几（jǐ）个USB端口，以及可运行数小时的充足电（diàn）量。

自动驾（jià）驶模型（xíng）可以使用完（wán）全（quán）在云端的3D模拟环境进行训练，然后直（zhí）接部（bù）署到这款车上。如果你一直梦想着建造自己的自动驾驶汽（qì）车，那么亚（yà）马（mǎ）逊的这款车就能让你如（rú）愿（yuàn），而不必再去自己（jǐ）创立受到VC支持的公司了。

既（jì）然（rán）算法、基础（chǔ）设施和硬件等让AI变得有用的因素都比以往任何时候要更好（hǎo），企业于是意识到开（kāi）始（shǐ）应用AI的最大（dà）绊脚石在于其（qí）实（shí）际性层（céng）面：你如何将AI从想法阶段落实（shí）到有效、安全（quán）又可靠的生（shēng）产系统中？

应用AI或应（yīng）用机器学习（ML），也称为（wéi）决策智能，是为现实世界问（wèn）题创建AI解决方案的科学。虽然（rán）过（guò）去我们把（bǎ）重点放在算法背后的科学上，但未来（lái）我们应该对（duì）该领域（yù）的端到端应（yīng）用给（gěi）予更加平等的关注。

人工智（zhì）能在促进（jìn）就业方（fāng）面功大于（yú）过

“人工智（zhì）能会拿走我（wǒ）们所有的（de）工（gōng）作”是媒体一直反复宣扬（yáng）的主题，也（yě）是蓝领和白领共（gòng）同（tóng）的恐惧。而且从表面上看，这似乎是一个合理（lǐ）的预（yù）测。但到（dào）目（mù）前为止，情（qíng）况恰恰相（xiàng）反。例如，很多人都通过创建标签数据集的工作拿到了薪酬。

像LevelApp这样的应用程序可以让（ràng）难民只需用（yòng）手机标记自己（jǐ）的数（shù）据就可以赚到钱（qián）。Harmon则（zé）更进（jìn）一（yī）步：他们甚至（zhì）为难民（mín）营中（zhōng）的移民提供设（shè）备，以便（biàn）这些（xiē）人可以做出贡献并以此（cǐ）谋生。

除了数据标签之外，整个行业都是通过新的AI技术（shù）创建的。我们（men）能够做到几年（nián）前无法想象的事情（qíng），比如自动驾驶汽车或新药研发。

更多与ML相关的计算将在边缘领域进行

Pipeline的后期阶段通常通（tōng）过降（jiàng）采样（yàng）或其他方式降低信号的保真（zhēn）度。另一（yī）方面，随着AI模型变得越来越复杂，它们在数据更多（duō）的情（qíng）况下表现得更好。将AI组件（jiàn）移近数据、靠近边（biān）缘，是否会有意义吗？

举一个简（jiǎn）单（dān）的例子：想象一个高分辨率的摄像机，可以每秒30千兆次的速度生成高质量的视频。处理该视频的计算机视觉模型在服务器上（shàng）运行。摄像机将视频流式传输到服务器，但上行带宽有限，因此视（shì）频会缩小（xiǎo）并被高度压缩。为何不将视觉模型（xíng）移动到相机并使用原始视频流呢（ne）？

与此同时，多个障碍总是存在（zài），它们（men）主要（yào）是：边缘设备上（shàng）可用的（de）计算能力的数量和管理的复杂性（例如将（jiāng）更新的模（mó）型推向边缘（yuán））。专用硬件（如Google的Edge TPU、Apple的神经（jīng）引（yǐn）擎等）、更高效的模（mó）型和优化软件的出现，让计（jì）算的局限（xiàn）性逐渐消失。通过（guò）改进ML框架和工具，管理复杂性问题不（bú）断得到（dào）解决。

整合AI基础架（jià）构空间（jiān）

前几（jǐ）年人工智能基础设施相关（guān）活（huó）动层出（chū）不穷：盛大的（de）公告、巨额的多轮融资（zī）和厚重的承（chéng）诺。2018年（nián），这个领域似乎降温了。虽（suī）然仍然有很多（duō）新的（de）进步，但大部分贡（gòng）献都（dōu）是由现有大型玩家做（zuò）出的。

一个可能（néng）的解释（shì）也许是我们对AI系统的理（lǐ）想基础设施的理解还（hái）不够（gòu）成（chéng）熟。由（yóu）于（yú）问题很（hěn）复杂，需要长（zhǎng）期、持久、专注而且财力雄厚（hòu）的努力，才（cái）能（néng）产（chǎn）生可行的解决方案——这（zhè）是初创公司和小公（gōng）司所不擅（shàn）长的。如（rú）果一家初（chū）创公司“解（jiě）决（jué）”了AI的问题，那绝对会让人惊奇不已。

另一方面，ML基础设施工程师却（què）很少见。对于大（dà）公司来说，一个仅有几名员工、挣（zhèng）扎（zhā）求生（shēng）的创业公司显然是很有价值的并购目标（biāo）。这个行业（yè）中（zhōng）至少（shǎo）有几（jǐ）个玩家是为了胜（shèng）利在不断（duàn）奋斗的，它们同时建立了内部和外部工具。例如，对（duì）于AWS和（hé）Google Cloud而言，AI基础设施服务是一个主要卖点。

综（zōng）上可以预测，未来在这个领域会出现一（yī）个整合（hé）多个玩家的垄断者（zhě）。

更多定制硬（yìng）件

至少对于CPU而言，摩（mó）尔定律已（yǐ）经失效了，并且这一事实已经存在很多（duō）年了。GPU很快就会遭（zāo）受（shòu）类似的命运。虽然我（wǒ）们的模型变得越（yuè）来越高效（xiào），但为了解决（jué）一些（xiē）更高级的（de）问题（tí），我（wǒ）们需要用到更多的计算能（néng）力。这可以通过分（fèn）布式训（xùn）练来解决，但它自身（shēn）也有局限。

此外，如果（guǒ）你想在（zài）资源受限的设备上运行一些较大的模型，分布（bù）式训练会变得毫无用处。进（jìn）入自定（dìng）义AI加速器。根据（jù）你想要的或可以实现的自定（dìng）义方（fāng）式，可（kě）以节省一个数量级的功耗、成本或潜在消耗。

在某（mǒu）种程（chéng）度（dù）上，即使是Nvidia的Tensor Cores也已经投身于这一趋势。如果没有通用硬件的话，我们会（huì）看到更多的案例。

减（jiǎn）少（shǎo）对训练数据（jù）的依赖

标记数据（jù）通常很昂贵，或者（zhě）不可用（yòng），也可能（néng）二者兼有（yǒu）。这一规（guī）则几乎没有例外。开（kāi）放的高质量数据集，如MNIST、ImageNet、COCO、Netflix奖和（hé）IMDB评论，都是令人（rén）难以置信的创新源泉。但是许多问题并没有可供使（shǐ）用的相应数据（jù）集（jí）。研究人员不（bú）可能自己去建立数据集（jí），而可提供赞（zàn）助或发（fā）布数据集的大公司却并不着急：他们正在构建庞大（dà）的（de）数据（jù）集，但（dàn）不（bú）让外人靠近。

那么，一个小型独立（lì）实体，如创业（yè）公司（sī）或（huò）大学研究小组，如何为那（nà）些困难的（de）问（wèn）题提供有趣的（de）解决方案呢？构建对（duì）监督信号依赖性越来越小，但对未标记和非结构化数据（廉价传感器（qì）的互联（lián）和增多使（shǐ）得这类数（shù）据变（biàn）得很丰富（fù））依赖（lài）性越来越大的系统就可以实（shí）现这一点（diǎn）。这在一定程度上解释了（le）人们（men）对GAN、转移和强化学习的兴趣激增的原因：所有这（zhè）些技术都需要（yào）较（jiào）少（或根本不需要）对训练数据集的投（tóu）资。

所以这一切（qiē）仅仅是（shì）个泡沫（mò）？

这（zhè）一行业已进入热门人工智能（néng）“盛夏”的第七年。这（zhè）段（duàn）时（shí）间内，大量的研究项目（mù）、学术（shù）资助（zhù）、风险投资、媒体关注和代码行都涌（yǒng）入了这个领域。

但人们有理由指（zhǐ）出，人工智能所做出的大部分承诺仍然还未兑现：他（tā）们最近优步打车的（de）行程依然是人（rén）类驾（jià）驶员在开车；目（mù）前依然没有出现早上能做煎蛋（dàn）的实用机器人。我甚（shèn）至不得（dé）不自己绑（bǎng）鞋带（dài），真是（shì）可悲至极！

然而（ér），无数研究生和软件（jiàn）工（gōng）程师的努力并非徒劳。似乎每家（jiā）大公司都已经十分（fèn）依赖人工智能，或者在（zài）未来实施此类计划。AI的艺术大行其道（dào）。自动驾驶（shǐ）汽车虽（suī）然尚未出（chū）现（xiàn），但它们（men）很快就会诞生了。

2018年，美国（guó）在人工（gōng）智能领域发展（zhǎn）迅速，中国（guó）也不（bú）遑（huáng）多让。这个趋势（shì）从近（jìn）期百（bǎi）度和BOSS直聘联合发布的（de）《2018年中国人工（gōng）智能ABC人才发展报告》中就可窥一斑。