2019人工智能发展趋势总结

周末推荐几个关于人工智能的几个观点：

1、《追问人工智能：从剑桥到北京》的作者关于'自动化'和'智能化'的理解：
“现在的人工智能还远远未达到大家的期望，现在大家看到的AI某种意义上都是自动化或者是高级自动化，那智能化和自动化有什么区别呢？自动化是这样的，固定的输入及可期望的输出，如很多生产线都是自动化生产线，而智能化不是这样，输入可以固定也可以不固定，但是输出一定是非预期性的，绝大部分是非预期性，出乎意料的东西，这才是智能。”

“真正强人工智能里面肯定不全是逻辑，仅有逻辑，那都是自动化，那都是规则化的东西，非理性的东西，那个才是揪人心的东西，才是人类智慧的东西。”

笔者解读：理解自动化和智能化有利于大众对于通用人工智能的理解，自动化可以理解为标准化的流程通过无人自主完成，从而让人类从一部分繁琐的工作中解放出来，而真正的智能则是机器带有自主意识，能知晓常识、具备人类的情感。2019年有两个比较火的方向，一个是AutoML(机器学习自动化)、一个是知识图谱。AutoML是通过把机器学习流程标准化，通过算法模型自动化特征选择、模型选择（深度学习里面是做架构搜索NAS）、超参数选择等，从而实现端到端的机器学习。但比较尴尬的是，就算是业内做的比较好的第四范式，也只能在特定领域做些业务，比如图像分类、识别、时序预测等，主要原因是这些领域的模型、算法以及业务都较为成熟，方便流程化、自动化，说白了就是，前期需要大量的数据梳理、业务梳理、元模型梳理等工作，但是不可否认的是，相比于原来的专家系统还是加入了更多算法模型的开发工作。对于知识图谱，其实也是一样，如果前期没有对本体的梳理归纳，很难说能构建一个好的知识图谱，顶多算是个比较复杂的网络图。但是深度学习的发展也让我们一步步在探索如何把各个过程流程化、自动化，比如实体识别、抽取、融合等。回到深度学习，其模型的开发也是需要大量的数据标注工作，而数据标注肯定也是事前预知的，是面对具体模型任务所做的。总之，目前的智能都算不上什么高级的智能，离通用人工智能还很远，不过这都是走向终极智能的必经过程，等着这波热潮过了，希望你还在坚持哦！

2、新一代扫地机器人：SLAM是技术竞争的战场

目前依据传感器及SLAM技术的不同，具备SLAM能力的第三代扫地机器人产品又可以分为基于LDS激光测距传感器的扫地机器人产品以及基于机器视觉（vSLAM）的扫地机器人产品。激光SLAM由于起步早，目前体系和框架已趋于稳定，产品落地相对成熟，主要分为单线式和多线式，目前市面上大多数建图规划的扫地机器人产品都属于这个范畴。但其高昂的造价以及无可避免的凸起式的硬件结构使得扫地机器人机身厚度增加，降低了扫地机器人的通过性。而vSLAM方案作为以摄像头为传感器的导航方案，相比LDS方案来说，能够以相对低廉的成本采集到更加丰富的数据。随着手机行业对镜头的强劲需求，摄像头／镜头制造及相关vSLAM技术发展迅猛，很快就引起了各大扫地机器人厂商的重视。

笔者解读：扫地机器人只是机器人行业的一个小产品，应该说随着机器人的发展，以自动驾驶、无人机、服务机器人等智能自主无人系统都将迎来巨大发展。这类自主无人系统的主要组成部分就是环境感知、决策规划和智能控制，定位导航只是环境感知技术之一，其中SLAM则是比较关键、核心的技术。随着计算能力和计算视觉的发展，VSLAM以及VSLAM与IMU(惯导)、激光雷达、GPS等多传感器融合的导航定位将成为关键，而VSLAM+IMU则可以低成本、精度互补等优点在低速运转的服务机器人中取得核心优势。

3、2019年AI发展趋势总结

中译语通GTCOM综编 对2019年的人工智能的发展趋势给予了总结，如下：

从AI基础设施来说，人工智能专用芯片的研发方兴未艾，不仅包括英伟达GPU、谷歌TPU，国内的阿里、百度、华为等巨头公司，以及大量创业公司，都在AI芯片方面加快布局，随着AI应用进一步渗透到IOT等方向，相信对专用芯片的需求会越来越广泛。而作为各种AI应用开发工具的AI框架，也在之前的百花齐放式发展中逐步收敛，目前形成了PyTorch引领学术界TensorFlow主导工业界的双雄局面;而随着中台概念的日益兴起，国内大型互联网公司也正在以AI中台的面貌推出各自的高层开发框架，大量AI创业公司则逐步转向金融、安防等垂直行业深耕细作的模式。

从AI技术进展的角度来看，有几个明显的技术趋势已日益凸显。

• 首先，随着以智能手机为代表的移动终端计算存储能力快速加强，移动端AI与边缘计算技术正在快速发展与普及，如何在应用效果尽可能高的前提下，将模型做小做精致做快，是这个发展方向的关键点。

• 其次，传统机器学习严重依赖训练数据的规模与质量，这制约了领域技术的快速发展，而最近的明显趋势是由最常见的监督学习向半监督、自监督甚至无监督机器学习转向，如何用尽量少的有标训练数据让机器自主学会更多的知识，是大有前景的发展方向。

• 第三，AutoML正在快速地渗透到各个AI应用领域，从最早的图像领域，目前已经拓展到NLP、推荐搜索、GAN等多个领域，随着AutoML技术的逐渐成熟，搜索网络结构成本越来越低，相信会有更多的领域模型会由机器来设计，而不是目前的算法专家主导的局面，这个技术趋势基本是确定无疑的。

• 再者，随着5G等传输技术的快速发展，视频、图片类应用快速成为最主流的APP消费场景，而机器学习技术如何更好地融合文本、图片、视频、用户行为等各种不同模态的信息，来达到更好的应用效果，相信也会越来越重要。另外，如何让机器能够生成高质量的图片、视频、文本等，最近两年也出现了大量有效新技术比如图像领域的 GAN以及文本领域的GPT2等模型，而这种具备创造性的生成领域，虽然之前由于受到技术发展水平限制，大家投入的精力不多，随着相关技术日益成熟，这块相信也会越来越重要。

从AI应用领域发展趋势来讲，最主要的几个AI方向比如自然语言处理、图像视频处理及搜索推荐方向，最近一年来技术发展各自精彩纷呈，又呈现出不同的发展格局。

自然语言领域在最近两年发生了天翻地覆的技术变革，进入了技术井喷的快速发展期，而这一巨变的引发者是由Bert为代表的预训练模型及新型特征抽取器Transformer的快速发展与普及带来的。最近一年也陆续出现了大量效果突出的改进模型，比如XLNet、RoBERTa、ALBert、Google T5等一系列改进。相信随着大家对Bert的理解逐渐深入，对Bert模型的快速改进以及更多领域更好的应用效果会成为NLP领域的常态，我们在不远的未来会看到NLP 领域更多新模型的出现，以及这些新技术推动实际应用场景的快速进步。

图像处理领域是AI的另一应用主战场，但是，除了近年来深度学习、ResNet两大图像处理领域的巨大技术革新外，最近两年来，CV领域并未有特别巨大的技术革新与进步，目前进入技术平稳发展期。归功于基础技术的快速进步，很多CV应用已相对成熟，所以近年来我们体会更多的是各种前沿技术在各个行业的应用落地与实践。

对于推荐与搜索等具备较长工业化发展历史的AI应用领域，深度学习在最近两年已经在各种互联网公司比较广泛地获得了尝试和应用。尽管并未像NLP与图像领域那样，深度学习相对传统模型获得突飞猛进的技术突破，而且对于比如推荐领域DNN模型的效果到底如何在学术上还存在争议，但是相信这些领域如果能够正确借鉴其 AI领域的技术进展，会在未来两年内出现令人惊喜的效果突出的技术进化。

笔者解读：关于2019年人工智能的发展，正如上述所说，有一些进展和突破，但其实也算不上突飞猛进，仅限于一些单一的项目或技术有一些突破，而且这些项目一般都是固定的。一个比较显著的特点是，现在大家讨论的热点都是围绕5G+人工智能，而不是说自己是一家互联网或物联网公司，然而，5G的很多实际应用，大家都不是很清楚；同时，以硬件为基础，以软件或数据为核心支撑的模式也越来越多；工业互联网、工业大数据分析在几番政策的支持下，也在逐渐填补其蓝海；图像、OCR等模式识别以及深度强化学习技术的发展，也带动了自动驾驶、机器人等智能自主无人系统等的发展，进一步带动了嵌入式系统开发的繁荣；国际形势、技术压力等促进了国内对半导体芯片、类脑计算、量子计算、生物科技等硬科技的积累和突破；各大高校积极开展人工智能的教育，连小学生也开始学习编程语言，如Python，同时各大培训机构也打出了保就业的培训口号。然而，5G只是一种通信技术，最后掌握其核心只能有那么几个公司，正如现在的三大运营商和华为等公司一样，而其实际应用目前并不明确，其它公司也难以分一瓢羹，也就打打口号而已；人工智能方面，在深度学习没有更大突破、类脑计算也仅限于脉冲网络或融合网络的情况下，也难做出更智能化的东西。当前，一方面是对技术较为成熟，但难以落地的行业、场景进行实践；一方面是继续保持热情，进一步探索技术的突破。

最后放送一个《机器人认知自动化白皮书》

1. 关注我们的公众号“数联未来”