自2012年以来，人工智能的爆发已经进入第九个年头。人们对“什么是人工智能”的认识，已经从最初的无知、渴望、恐惧，逐渐走向深刻的理解。2018年，人们还在讨论人工智能何时会再次进入寒冬，但到了2019年，人们不再关注“冬天”的说法，而是普遍寻找“如何让人工智能变得可理解”或“AI-引发隐私、安全、伦理问题”。2020年，人工智能依然蓬勃发展，对各行各业产生了深远的影响。距离2020年还有10个月的时间，让我们一起期待，人工智能有哪些重要趋势？人工智能？CBinsights曾经对这个问题做出了判断，给出了人工智能的9个重要研究和应用趋势，AI科技评论在一定程度上认同这些判断，关于这9个趋势，我们将做如下分析：1.Deepfake将改变商业模式CB洞察认为，商业Deepfake或将兴起，死去的名人将“复活”，零售业和营销方式也将被颠覆绞死。日前，Deepfake技术出现在印度大选中，被候选人用在竞选宣传材料中。虽然这位候选人以惨败告终，但这意味着由Deepfake点燃的AI换脸之火有逐渐升温的迹象。虽然这项技术出现在政治视频和色情视频中会产生负面影响，但对于媒体和电影公司来说却是一个千载难逢的机会。例如，一些好莱坞电影公司正试图对1950年代的电影角色进行“数字复活”。（雷锋网（公众号：雷锋网））在商业层面，Deepfake将更加个性化，提升电商体验和虚拟在线试用；广告也会往超方向发展，比如根据需要合成视频，配上相应的方言；创作过程也将变得自动化，例如“重拍”电影续集。从技术层面来看，Deepfake技术也在突飞猛进。就在最近，北京大学和微软研究院联合提出了FaceShifter和FaceX-Ray。前者是高保真、遮挡可识别的换脸工具，后者是可以检测假人脸图像的工具。其中，经过训练的FaceShifter可以在不需要任何人工标注的情况下以自监督的方式恢复异常区域，并自适应地整合身份和人脸合成属性。而FaceX-Ray不仅可以判断是否是合成图片，还能指出哪里是合成的，即具有识别和判读两种功能。这两项技术被誉为AI换脸行业的“矛”和“坚盾”，取得了行业领先的成绩。还值得注意的是，与以前的方法相比，它们需要的数据要少得多。因此，在Deepfakes问题上，2020年的发展趋势主要包括：Deepfakes在一攻一防的斗争中逐渐完善。小数据和无监督的训练方式将成为模型的主流。传统的耗时耗力的计算机生成图像技术将逐渐被取代。Deepfake将改变商业模式，广告和营销将变得更加个性化，电影创作将不再局限于实拍。2、黑客的革命：用AI攻击AI。传统的黑客入侵系统主要是通过发现系统漏洞。然而，进入人工智能时代后，黑客与黑客之间的攻防战发生了翻天覆地的变化。随着人工智能的兴起，人工智能逐渐被用于自动检测和对抗恶意软件，恶意软件可以学习发现可疑行为并在网络攻击影响任何系统之前将其阻止，同时让人类免于一些不必要的工作量。但攻击者也可以使用相同的技术来增强他们的攻击方法，特别是当犯罪分子将其武器化时，即使目标只能被摄像头检测到，恶意软件也可以逃避最好的网络安全防御并感染计算机网络。打脸时攻击。这意味着，2020年，未来的黑客可能会发力两方面：欺骗规模上升到系统层面；使用人工智能发动更复杂的攻击。例如，在2019年，SkylightCyber??的研究人员找到了一种方法来发现AI模型中的固有偏差，可以用来创建一个“后门”，让恶意软件绕过AI防火墙并愚弄防毒软件。也就是说，如果能够理解一个AI模型的工作原理，并根据其具体功能设计出攻击武器，就可以骗过系统。随着像SkylightCyber??这样的AI公司数量的增长，消费者和企业的保护水平将会提高，但针对AI特定弱点的新一波黑客和软件也会出现。（雷锋网）另一方面，黑客也可能从数据的角度愚弄AI，即破坏AI算法的训练数据，使AI产生偏差，影响其区分网络中的正常行为和恶意行为。使用语音合成的刑事案件随着网络安全研究人员越来越多地使用人工智能来防御攻击，人工智能本身也将被用来制造更复杂和更有针对性的网络攻击。比如Deepfake生成的语音和合成语音越来越逼真。在欧洲，曾发生过一些黑客利用AI模仿公司CEO打电话给员工，要求他们转账的案例。虽然目前还没有现实世界中使用AI进行攻击的犯罪报道，但早在2018年，IBM就开发了一种名为Deeplocker的深度学习驱动的恶意软件，可以绕过网络安全保护实施攻击。该软件被描述为“一种由AI驱动的新型恶意软件，具有高度针对性和规避性的攻击工具”，旨在了解现有AI模型如何与恶意软件技术相结合以创建新型攻击。这项技术将黑盒AI的传统弱点变成了优势。它可以在目标出现之前隐藏在普通应用软件中，并在不被发现的情况下感染数百万个系统。只有当这个人工智能模型识别出某些标准时，它才会“解锁”并开始攻击。当然，除了AI类黑客，利用量子计算资源的量子黑客和利用大数据进行分析的大数据黑客也会逐渐浮出水面。因此，在技术层面，2020年黑客的发展趋势主要包括：人工智能本身也将被用来制造更复杂、更有针对性的网络攻击。由于人工智能的黑盒特性，网络攻击将变得更加隐蔽和暴力。3、AI技术越来越普及和流行，AutoML将大显身手。AutoML是一套自动设计和训练神经网络的工具，可以降低企业的进入门槛，让技术更加“平民化”。从数千个特定任务中设计或搜索正确的神经网络框架的整个过程非常耗时，尤其是在为更复杂的场景（例如自动驾驶，它需要速度和准确性）设计AI架构时。简单的。这就是神经架构搜索(NAS)的用武之地，它可以自动为给定任务寻找最佳AI设计的过程。2017年，谷歌正式将其命名为“AutoML”。谷歌当时指出，AutoML会激发新神经网络的诞生，也能让非专家根据自己的特殊需求创建相应的神经网络。此后，AutoML的应用越来越广泛，在数据准备、训练、模型搜索、特征工程等AI设计中发挥了巨大的作用，极大地促进了AI技术的普及。总的来说，AutoML有两个主要优势：可以缓解人才短缺的问题：AI专家仍然非常紧缺，AutoML将大大降低非专家和企业的技术使用门槛，从而促进AI的普及技术和推广。节省成本并降低复杂性：即使对于专家来说，设计神经网络也是一个耗时耗力的过程。AutoML开发卓越的解决方案，同时降低计算和试错成本。随着AI技术越来越流行和普及，AutoML将不断大显身手。在未来的研究方向上，我们可以主要从算法和理论方向入手：在AutoML算法方面，如果未来的工作能够提高效率、泛化、全过程优化、面向开放世界、安全性和可靠性等方面有突破这五个解释方向将具有更大的价值。在AutoML的理论研究方面，相关研究还很少，自动机器学习的泛化能力和适用性还不是很清楚。因此，一方面需要回答当前自动机器学习算法的适用性和泛化能力，另一方面也需要回答一般机器学习算法中存在哪些问题类以及自动实现的可行性。更广泛的问题空间中的机器学习算法。4.联邦学习将带来新的数据共享范式联邦学习的概念最早由Blaise等人提出。在2017年发表在GoogleAIBlog上的一篇博文中。自提出以来，相关研究一直很猖獗。联邦学习之所以能够在如此短的时间内迅速从一种思想转变为一门学科，主要原因在于联邦学习技术作为一种学习范式，能够在保证用户数据隐私的同时解决“数据孤岛”问题。（雷锋网）AI模型无需数据收集即可改进与传统AI模型相比，联邦学习更像是针对当前人工智能发展面临的困境的一种新范式，例如：在联邦学习的框架下，每个参与者对等，才能实现公平合作；数据保存在本地，避免数据泄露，满足用户隐私保护和数据安全的需要；它可以确保所有参与方在保持独立性的同时可以交换加密的信息和模型参数，并且同时增长；建模效果与传统深度学习算法相差不大；联邦学习是一种闭环学习机制，模型效果取决于数据提供者的贡献。上述优势显然为解决数据隐私和安全问题提供了一条新的路径。在具体的应用层面，英伟达的医疗软硬件框架Clara已经能够支持联邦学习。目前，有美国放射学会、MGH、BWH的临床数据。科学中心和加州大学洛杉矶分校健康中心在平台上训练相关算法。因此，从技术上来说，确实可以保证合法的联邦学习，而且是有效的。因此，联邦学习就像一个操作系统。它的特点是多方合作，只有得到多方的认可才能发挥威力。那么接下来，联邦学习将继续成为2020年的研究热点趋势：不仅在医疗领域，在金融领域，业界也将加大力度布局联邦学习，进而跨领域合作、跨国合作将成为常态。数据隐私问题和小数据问题得到缓解，跨设备模型训练成为解决方案。5.智慧城市加入机器学习。建设智慧城市，最重要的是利用各种信息技术或创新理念，将城市的系统和服务进行连接和整合，提高资源利用效率。从技术发展看，智慧城市建设需要通过以“移动技术”为代表的物联网、云计算等新一代信息技术应用，实现全面感知、泛在互联、泛在计算和集成应用。.物联网和机器学习的兴起显然在支持它，例如使用机器学习来模拟通勤行为并关注影响通勤方式选择的因素；使用机器学习分析传感器数据以减少温室气体排放和更智能的资源管理。当然，智慧城市涉及的领域非常广泛，绝非一家公司能够掌握。即便是万亿美元的Alphabet，也只能通过与政府联手，在多个城市打造新社区，规划房地产、公共能源设施、交通等布局。例如，去年第二季度，Alphabet子公司SidewalkLabs发布了一份长达1500页的提案，详细说明了它将如何通过与政府和其他企业的合作，在多伦多建设一个耗资13亿美元的智慧城市。该项目的重点和亮点集中在人工智能在政府和城市规划中的应用。总而言之，2020年智慧城市发展将在协同和科技两方面开花结果：在合作层面，必须得到政府的青睐，政府的参与将削弱企业不成比例的初始创新成本；在技??术层面，必须优化端到端解决方案在这种情况下，拥有用于城市发展、自动驾驶汽车技术和建筑能源管理的机器学习工具的人工智能公司将极具竞争力。6、用人工智能技术应对人工智能培训的巨大消耗计算密集型人工智能技术不仅需要更智能、更可持续的解决方案，还应有助于应对全球日益增长的能源需求。AI领域的进步往往是自上而下的。例如，一些人工智能工具是由科技巨头开发的，然后开源给其他人使用。造成这种现象的原因之一是人工智能研究的计算强度。据统计，谷歌BigGAN实验在2018年创建狗、蝴蝶和汉堡包的超逼真图像所消耗的电力“相当于每个美国家庭近六个月的总用电量”。这样的耗电量真是触目惊心！随着人工智能的能耗不断攀升，节能将是2020年乃至未来人工智能的重要研究课题。AI技术节能主要可以从以下三个方面着手：硬件企业将重点为机器学习研究提供“超低功耗”设备，而能效将成为边缘计算的主要考虑点。将AI应用于公用事业规模的能源生产：更多云计算巨头将转向可持续能源，并利用AI来增加可再生能源输出并简化数据中心运营。简化发电和油气等运营：人工智能可以预测可再生能源产量，自动化电网管理，帮助精确钻探油井，并为智能家居和商业建筑提供可持续的能源管理解决方案。7、解决小数据问题势在必行。如果没有足够的数据来训练“数据饥渴”的深度学习算法，有两种解决方案：生成合成数据，或者开发可以从小数据中学习的人工智能模型。生成合成数据的方法广泛应用于自动驾驶领域，即将暴风雪、异常行人行为等现实世界中难以获取的图像数据合成到模拟环境中。开发一种可以从小数据中学习的AI模型方法，比如计算机视觉任务中常用的迁移学习，即先在具有大量标准数据的任务上训练AI算法，然后迁移知识通过算法学习到另一个数据。很少的任务。虽然迁移学习在计算机视觉任务中发挥了很大作用，但在NLP任务中，由于普遍缺乏标注数据，该方法尚未取得很好的效果。另一种方法，自监督预训练，可以更好地应对NLP领域的特殊性。Google的BERT是自监督预训练的一个很好的例子，让AI语言模型不仅可以根据前面的词来预测词，还可以预测后面的词，即实现了两-理解语境的方式。由YannLeCun领导的Facebook人工智能部门一直致力于自我监督。一个例子是预训练语言模型，然后微调模型以识别仇恨言论。在解决小数据问题方面，2020年的发展趋势主要包括：随着自监督技术的发展，NLP领域将再次成为关注的焦点。聊天机器人、机器翻译和类人写作等下游NLP应用程序将蓬勃发展。大型科技公司仍将引领技术的发展。预训练语言模型的开发也是计算密集型的。因此，小数据AI模型的开发也将遵循“自下而上”的规律，即科技巨头将开发成果开源给下游应用的研究人员。生成真实和虚假数据的合成数据方法和工具将为没有巨头拥有的大量数据的小公司提供公平的竞争环境。8.量子机器学习结合了经典的机器学习算法和量子人工智能混合模型，将在不久的将来得到实际应用。量子机器学习借鉴了传统机器学习的原理，但算法运行在量子处理器上，不仅比一般的神经网络快得多，而且克服了目前阻碍人工智能研究海量数据的硬件限制。科技巨头和量子初创公司都在研究混合方法，其中一些任务由运行在普通计算机上的传统神经网络执行，而其他任务则由量子神经网络(QNN)增强。例如，谷歌AI团队从2013年就开始尝试为量子计算机开发算法，其最近的目标是在现有的量子设备上开发混合量子-经典机器学习技术。他们坚信，虽然目前对量子神经网络的研究还停留在理论层面，但在不久的将来，理论架构将在量子计算机上得到实现和验证。2020年，量子机器学习可以尝试的方向是：对于量子计算和AI这两个世界上最强大的计算范式，一开始，我们可以尝试通过与经典计算机的合作来解决现实世界的问题；量子云计算将成为云计算战场的前线，亚马逊、谷歌、IBM、微软等玩家将加大对量子云计算的投入。同时，量子计算将与传统GPU、CPU协同，提升云计算的附加值。9、从NLP的概念中学习，感悟人生。事实上，自然语言处理和基因组都是由序列数据组成的。AI算法在自然语言处理领域得心应手，在基因领域也会大显身手。在自然语言处理的自监督学习中，人工智能算法能够预测句子中缺失的单词，就像句子是单词序列，蛋白质是特定顺序的氨基酸序列一样。FacebookAIResearch和纽约大学的研究人员已将相同的自我监督学习原理应用于蛋白质序列数据。与使用自我监督学习来预测缺失单词的NLP不同，AI会预测蛋白质序列数据中缺失或隐藏的氨基酸。最近最受关注的进展之一是DeepMind在基因组方面的进展。他们开发了一种称为Alphafold的算法，可以理解基因组-蛋白质折叠中最复杂的困难之一，并最终确定蛋白质的3D。建筑学。Alphafold其实是借用了自然语言处理的概念来预测氨基酸之间的距离和角度。在借鉴NLP的概念来理解生物体方面，未来可以尝试的方向有：它折叠的方式将允许更好地开发此类药物。人工智能算法有助于在没有深入领域知识的情况下对蛋白质进行建模并理解它们的结构。将有可能针对医学和材料科学领域的特定功能开发和优化新的蛋白质设计。参考：https://www.cbinsights.com/research/report/ai-trends-2020/本文转载自雷锋网。如需转载，请在雷锋网官网申请授权。
