近日，全球人工智能技术大会在杭州成功举办。
在计算机视觉论坛上，腾讯优图实验室副总经理黄飞跃正式宣布，腾讯优图联合厦门大学人工智能研究院正式发布《十大人工智能趋势》（以下简称趋势报告）。
本趋势报告基于腾讯优图和厦门大学人工智能研究院对人工智能尤其是计算机视觉的长期研究洞察。
，在3D视觉技术、数字内容产业、AI深度学习算法、人工智能核心芯片等方面提出前沿预测。
趋势报告指出，自动机器学习的自动化程度和可解释性进一步提升，AutoML整个系统架构的完善，将推动新一代通用AutoML平台的建设，实现机器学习的普及。
过去几年，深度学习的巨大成功离不开大规模标注数据集。
然而，随着业务规模的不断扩大，数据标注成本已成为制约企业降本增效的主要因素之一。
无监督和弱监督学习将成为企业降本增效的新工具。
会上，黄飞跃表示，随着算法和硬件能力的不断升级，3D视觉智能技术将推动商业发展和个人消费升级；深度学习正走向多模态融合，边缘计算与人工智能加速融合，AI算法的公平性研究将推动AI应用变得普惠。
以下是《十大人工智能趋势》的详细内容： 1.自动机器学习的自动化程度和可解释性进一步提高。
自动机器学习（AutoML）已经初步实现了许多领域机器学习方法的自动化设计过程，但仍存在自动化程度不够、可解释性弱等问题。
例如，神经网络结构搜索（NAS）在某些应用领域已经达到了与人类机器学习专家相当的水平。
然而，现有的 NAS 方法实际上需要人工设计的神经网络基础设施。
此外，AutoML的自动化流程通常被认为是“黑匣子”，缺乏可解释性。
未来，自动化程度和可解释性仍将是AutoML研究的热点问题。
通过提高AutoML的超参数选择、特征表示和机器学习算法的确定，以及神经网络结构搜索的自动化程度和可解释性，AutoML将实现机器学习的目标。
了解真正自动化设计过程中涉及的各个方面。
AutoML整个系统架构的日益完善，将推动新一代通用AutoML平台的建设，实现机器学习的普及。
2、无监督/弱监督学习逐渐成为企业降本增效的新工具。
过去几年，深度学习的巨大成功离不开大规模标注数据集。
大规模标注的背后是传统监督学习对每个训练样本进行完整标注的要求。
随着业务规模不断扩大，越来越多的企业发现数据标注已经成为增加交付成本、制约性能提升的主要因素之一。
在此背景下，无监督学习和弱监督学习通过不使用标签或降低对标签数量和质量的要求，快速降低深度模型的数据标注要求，使得原本无法获得的数据现在可以添加到模型训练中。
这样，量变就会引发质变。
在NLP领域，基于Transformer的无监督训练模型持续占据各种NLP任务数据集的主导地位；在CV领域，最新的MPL方法也通过额外的未标记数据集首次提高了ImageNet的Top-1分类精度。
90%+水平。
可以预见，越来越多的人工智能公司将面临从早期快速扩张到稳定阶段高效运营的新阶段，而在这个过程中，无监督/弱监督学习无疑将成为他们过渡到的重要手段之一是指现阶段。
3、3D视觉技术助力工业消费升级，淡化虚拟与现实的界限。
作为视觉AI领域多年来的热点研究方向之一，3D视觉技术的核心任务是真正还原和重建三维空间、物体和环境。
随着相关算法和硬件计算能力的不断升级，3D视觉算法的效果得到了大幅提升，三维几何重构更加精细，表面纹理重构更加清晰，带来更加真实的视觉感受。
近年来，许多3D视觉研究成果为低成本、高质量的3D内容生成提供了良好的技术支撑。
基于3D虚拟图像的舞台表演、直播、教育互动等应用纷纷涌现，成为AI内容产业新的发展方向。
基于此，结合5G时代流量带宽的全面升级，具有交互功能的3D虚拟现实、增强现实、混合现实3D视觉应用将进一步推动用户体验走向现实与虚拟的完美融合。
用户会因为虚拟偶像生动自然的舞台表演而打赏，也会因为虚拟主播的辛勤宣传而下单购买。
线上平台依托3D视觉技术，大幅降低内容制作和IP运营成本。
最终，带来社交商业发展模式和个人消费习惯的颠覆和改变。
展望未来，3D视觉技术将继续广泛应用于包括游戏娱乐、影视制作、电商直播、医疗整形等诸多领域，虚拟与现实的界限将不断淡化。
4、多模态融合加速AI认知维度。
深度学习在多个人工智能细分领域（如视觉、自然语言处理等）已经日趋成熟和规模化。
然而，要真正实现通用人工智能，需要对这些细分领域所针对的信息模态进行整合和利用，即多模态融合。
多模态融合的目标是在图像、文本、语音等多模态信息的识别基础上，实现不同模态信息的统一表示框架，从而起到1>2的作用。
典型场景之一是通过图像、文字、语音联合识别，实现对晦涩暗示、嫖娼广告、儿童有害表情等图文混合内容的识别，支撑审计业务深度破解拒绝不当内容。
除了图像和文本融合等跨域模态融合外，还可以融合同一域内不同信息维度。
例如，随着深度生成技术的发展，当前的人脸识别除了传统的RGB图像之外，还需要深度图和红外图像的融合。
等信息，更好地防御日益多样化的人脸伪造攻击，实现更强的人脸防御。
随着人工智能认知能力的提高，多模态融合将逐渐从图形、文本等实体模态扩展到物理关系、逻辑推理、因果分析等知识模态，从感知智能走向认知智能。
知识智能。
5、人工智能推动数字内容生成向新范式演进。
随着数字文化产业蓬勃发展，特别是二次元文化出圈渗透，数字内容产业面临新一轮需求升级。
随着5G商用进程的不断深入，多元化、高品质的优质数字内容将面临更快的消费节奏。
与此同时，供给侧仍存在巨大产能缺口，数字内容产业正处于从劳动密集型向技术密集型转型阶段。
人工智能与数字内容行业的深度耦合有望为行业释放更大的技术潜力。
以GPT-3、DALL-E为代表的人工智能技术已经在文本、语音、图像、视频等内容的生成方面取得了成功。
尽管结果令人惊叹，但在准确性、泛化性和合理性方面仍存在挑战。
一方面，当前前沿研究探讨了模型结构（自动搜索等）、训练形式（无监督对比学习等）准确性效果的改进；另一方面引入知识图谱领域知识，将常识等特定领域知识引入机器中，提高常识推理效果。
随着技术的不断升级和演进，我们预见人工智能将在数字内容生成领域逐步释放引擎级影响力，构建内容、平台、技术共同引领下的数字内容生成新范式。
6、边缘计算与人工智能加速融合 近年来，随着深度学习算法的快速发展，计算机视觉、自然语言处理、搜索推荐广告等各个领域的任务表现不断刷新。
同时，随着边缘智能设备的广泛普及和硬件的改进，在边缘实现基于深度学习的人工智能技术已成为可能。
然而，在边缘部署深度学习模型非常困难。
主要挑战在于边缘设备等智能设备在计算、存储和功耗方面存在很大限制。
因此，边缘侧模型必须满足计算复杂度低、模型尺寸小、模型功耗低等要求。
未来将会出现硬件友好的剪枝加速的趋势。
根据边缘硬件的CPU类型设计特定的网络稀疏模式，针对不同的硬件适配模型压缩和优化加速技术是未来的研究热点。
其次，基于自动化的1位量化方法具有数百倍的理论性能提升，因此也是未来的热门研究趋势。
7、人工智能核心芯片向类脑神经计算演进。
人工智能核心芯片已成为人工智能时代的关键技术之一。
在某些领域的特定任务中，人工智能核心芯片可以实现超越人脑的性能。
然而，人工智能核心芯片的研究仍落后于人工智能的发展。
人工智能核心芯片无法同时满足多种人工智能算法的加速需求。
面对各种人工智能新技术的不断涌现，人工智能核心芯片和人脑在自学习能力和可扩展性方面存在明显短板。
未来，人工智能核心芯片将在结构上更接近人脑的神经结构，获得类神经的计算能力。
通过不断融合最新的人工智能技术，定制化的人工智能核心芯片将逐步演进为通用型人工智能核心芯片。
在提高自学习能力的同时，可以加速不同人工智能技术在不同任务上的计算，从而推动人工智能核心芯片的真正落地。
8.算法公平性研究促进人工智能应用的包容性和公正性。
由于数据偏差、算法本身的缺陷，甚至人为偏差，现有的人工智能算法普遍存在对某些人群不公平的“歧视现象”。
随着人工智能算法在社会各行业的广泛应用，作为辅助人们决策的重要工具，算法公平性问题越来越受到关注。
过去几年，业界逐渐探索出一些有针对性的解决方案，包括构建更加公平的数据集、在算法训练中引入公平约束损失、提高机器学习算法的可解释性等。
但总体而言，当前公平性研究在准确性与公平性的平衡、不同场景下泛化的有效性等问题上正处于方兴未艾的阶段。
随着欧盟发行《人工智能白皮书》、《人工智能伦理:问题和倡议》，以及中国发行《协同落实人工智能治理原则的行动建议》，人工智能治理日益成为热门话题，而算法的公平性是人工智能治理的关键问题。
我们预计，算法公平性的研究将不断深入，并在人脸识别等最广泛的人工智能应用领域取得突破，为不同人群带来更加包容、公正的效果。
9、隐私保护AI的落地，有助于算法的可持续演进。
人工智能和机器学习算法的广泛应用，在给人们带来便利的同时，也带来了隐私泄露的巨大风险。
这种隐私泄露包括用户数据在授权范围之外被处理和共享、机器学习算法训练后的数据存储等现象。
AI算法开发中的数据隐私保护问题日益受到关注和监督。
美国于《加利福利亚消费者隐私法案》生效，中国于《个人信息保护法 (草案)》宣布。
针对上述机器学习中的隐私保护问题，近年来研究工作逐渐深入和成熟，发展了数据匿名化、联邦学习、差分隐私等一系列方法。
我们预见，更加灵活、高效、能够保护用户数据隐私的AI学习方法将在金融、医疗、社交等场景中投入实际应用，减少用户的隐私担忧，帮助AI算法在场景中可持续发展。
10、人工智能技术走向安全智能。
随着人工智能技术在各行各业的广泛应用，人工智能系统的误用或恶意破坏将会给社会带来巨大的负面影响。
近年来，算法后门攻击、对抗样本攻击、模型盗窃攻击等针对人工智能算法的攻击技术不断发展。
人工智能应用通过篡改特殊数据，产生不可信的错误结果，带来更大的算法安全风险。
因此，保障人工智能应用安全可靠的需求变得日益迫切。
未来，人工智能技术将继续向安全智能化方向发展。
一方面，它会从算法的可解释性出发，提高模型的鲁棒性。
另一方面，变被动为主动，通过主动的安全检测机制来检测和拦截各种攻击。
，最终实现人工智能可用性与可信性并重的现实需要，推动人工智能技术在更广泛领域的安全落地。
作为腾讯旗下顶级人工智能实验室，腾讯优图始终专注于基础研究和产业落地的发展战略，通过腾讯云持续输出顶尖的视觉AI能力。
目前，优图实验室拥有10余项AI相关国内外专利，10余篇论文被CVPR、AAAI、ICCV等国际人工智能顶级会议收录，并输出30余个行业解决方案，提供源源不断的信息推动工业互联网发展。
动机。