【導讀】：現如今人工智能技術已經成為科技領域最前沿的技術，各家科技公司都在這方面花了很多心思，學者和企業研究人員的發現將會為未來一年及以后的AI做好準備，2018年人工智能技術發展趨勢有哪些呢？來看看普華永道的數據分析，給你答案。

1.深度學習理論：揭開神經網絡的工作原理

它是什么：深度神經網絡，模仿人類的大腦，展示了他們從圖像、音頻和文本數據“學習”的能力。然而，即使在使用了十幾年之后，我們仍有很多不了解深度學習的東西，包括神經網絡是如何學習的，或者為什么它們表現得如此好。這可能會改變，這要歸功于一個將信息瓶頸原理應用于深度學習的新理論。從本質上說，它表明在初始擬合階段之后，深度神經網絡將“忘記”并壓縮噪聲數據，即包含大量額外無意義信息的數據集，同時仍然保留有關數據表示的信息。

為什么它很重要：準確地理解深度學習是如何使其更大的發展和使用的。例如，它可以提供對最佳網絡設計和架構選擇的洞察，同時提高安全性-關鍵或管理應用程序的透明性。期望從這個理論的探索中看到更多的結果應用于其他類型的深層神經網絡和深層神經網絡設計。

2.膠囊網絡：模擬大腦的視覺處理能力

它是什么：膠囊網絡，一種新型的深層神經網絡，處理視覺信息的方式和大腦一樣，這意味著他們可以維持等級關系。這與卷積神經網絡形成了鮮明的對比，卷積神經網絡是最廣泛使用的神經網絡之一，它沒有考慮到簡單和復雜對象之間重要的空間層次結構，導致錯誤分類和高錯誤率。

為什么它很重要：對于典型的身份識別任務，膠囊網絡承諾通過減少錯誤（多達50%）來提高準確性。他們也不需要太多的數據來訓練模型。期望看到膠囊網絡在許多問題領域和深度神經網絡架構中的廣泛使用。

3.深度強化學習：與環境交互以解決業務問題

它是什么：一種神經網絡，通過觀察、行動和獎勵與環境互動來學習。深度強化學習（DRL）已經被用來學習游戲策略，例如Atari和go -包括著名的AlphaGo程序，擊敗了人類冠軍。

為什么它很重要：DRL是所有學習技術中最通用的目的，所以它可以用于大多數業務應用程序中。與其他技術相比，它需要更少的數據來訓練模型。更值得注意的是，它可以通過模擬進行訓練，從而無需完全標注數據。鑒于這些優勢，預計未來一年將會有更多將DRL和基于代理的仿真相結合的業務應用。

4.生成對抗網絡： 配對神經網絡刺激學習，減輕處理負擔

它是什么：生成對抗網絡（GAN）是一種無監督的深度學習系統，作為兩個相互競爭的神經網絡來實現。一個網絡，即發電機，產生與真實數據集完全相同的假數據。第二個網絡，鑒別器，攝取真實和合成的數據。隨著時間的推移，每個網絡都會得到改進，從而使得這個對能夠學習給定數據集的整個分布。

為什么它很重要：GANs向更大范圍的非監督任務開放，在這些任務中，標記數據不存在，或者代價太大。他們還減少了深度神經網絡所需要的負荷，因為這兩個網絡分擔了負擔。期望看到更多的業務應用程序，例如網絡檢測，使用GANs。

5．精益和增強數據學習：解決標簽數據挑戰

它是什么：機器學習（特別是深度學習）最大的挑戰是可以使用大量的標記數據來訓練系統。兩種廣泛的技術可以幫助解決這個問題：（1）合成新的數據;（2）將一個任務或領域的訓練模型轉移到另一個。諸如轉移學習（將從一個任務/領域學到的見解轉移到另一個任務/領域）或一次學習（轉移學習被極端化，學習僅僅通過一個或沒有相關的例子而發生） - 使他們成為“精益數據”學習技術。同樣，通過模擬或插值合成新數據有助于獲得更多數據，從而增加現有數據以提高學習效率。

為什么重要：使用這些技術，我們可以解決更多的問題，特別是那些歷史數據較少的問題。期望看到更多的精益和增強數據的更多變化，以及適用于廣泛業務問題的不同類型的學習。

6．概率編程：簡化模型開發的語言

它是什么：一種高級編程語言，更容易使開發人員設計概率模型，然后自動“解決”這些模型。概率編程語言使復用模型庫成為可能，支持交互建模和正式驗證，并提供必要的抽象層來支持通用模型類中的通用的、有效的推理。

為什么它很重要：概率編程語言能夠適應業務領域中常見的不確定和不完整的信息。我們將看到這些語言的廣泛應用，并期望它們也適用于深度學習。

7．混合學習模式：結合模型不確定性的方法

它是什么：不同類型的深層神經網絡，如GANs或DRL，在性能和廣泛應用的不同類型的數據方面表現出很大的潛力。然而，深度學習模型并沒有模型的不確定性，貝葉斯方法或概率方法。混合學習模式結合了兩種方法來發揮各自的優勢。混合模型的一些例子是貝葉斯深度學習，貝葉斯甘斯和貝葉斯條件的甘斯。

為什么它很重要：混合學習模式使擴展業務問題的多樣性成為可能，包括不確定性的深度學習。這可以幫助我們獲得更好的性能和模型的可解釋性，這反過來可以鼓勵更廣泛的采用。期望看到更多的深度學習方法獲得貝葉斯等價物，而概率編程語言的組合開始結合深度學習。

8．自動化機器學習（AutoML）：沒有編程的模型創建

它是什么：開發機器學習模型需要一個耗時和專家驅動的工作流程，其中包括數據準備、特征選擇、模型或技術選擇、培訓和調優。AutoML旨在使用一些不同的統計和深度學習技術來自動化這個工作流。

為什么它如此重要：自動化是人工智能工具民主化的一部分，使業務用戶能夠開發沒有深度編程背景的機器學習模型。它還將加速數據科學家創建模型所需的時間。期望在更大的機器學習平臺上看到更多的商業自動化包和自動化的集成。

9．數字雙胞胎： 超越工業應用的虛擬復制品

它是什么：數字雙胞胎是一個虛擬模型，用于促進身體或心理系統的詳細分析和監測。數字雙胞胎的概念起源于工業界，廣泛用于分析和監測風車農場或工業系統等。現在，數字雙胞胎正在被應用于非物理對象和過程，包括預測客戶的行為，使用基于代理的建模（用于模擬自治代理的行為和交互的計算模型）和系統動力學（計算機輔助的政策分析和設計方法）行為。

為什么重要：數字雙胞胎可以幫助促進發展和更廣泛地采用物聯網（物聯網），提供一種方法來預測診斷和維護物聯網系統。展望未來，預計在物理系統和消費者選擇建模中都將使用更多的數字雙胞胎。

10．可解釋的AI：了解黑盒子

它是什么：今天，有許多機器學習算法正在使用，可以在各種不同的應用中感知，思考和行動。 然而，其中很多算法被認為是“黑盒子”，對于如何達成結果幾乎沒有任何洞察。 可解釋的AI是開發機器學習技術的一種運動，在保持預測準確性的同時產生更多可解釋的模型。

重要的是：AI是可以解釋，可證明和透明的，對于建立對技術的信任至關重要，并會鼓勵更廣泛地采用機器學習技術。 在開始大規模部署人工智能之前，企業將采用可解釋的人工智能作為需求或最佳實踐，而政府可能將解釋性人工智能作為未來的監管要求。

看了這么多，AI人是不是對未來有了一個大致的方向了，未來人工智能給人們的生活將會帶來哪些改變，這是不可想象的，也許在實驗室中的技術人員才知道答案。