在过去（qù）的2018年，人工智能领域的大事件、新发现和新进展层出（chū）不（bú）穷。

BERT重磅（páng）发布，刷新了（le）很多NLP的（de）任务的最好性能（néng）；GAN相（xiàng）关研（yán）究论（lùn）文持续增长，生成的照（zhào）片达（dá）到了以假乱真（zhēn）的程度（dù）；Deepfakes发展神（shén）速，让许多政客（kè）和（hé）明星供大众娱乐（lè）了一番；强化学（xué）习也在与人类的对战（zhàn）游戏中独（dú）领风（fēng）骚......

硬件方面，Nvidia一（yī）骑绝尘，Intel努力求（qiú）变，定制（zhì）硬（yìng）件市场（chǎng）繁荣；

除此之外，自动（dòng）驾（jià）驶、AI伦理等也是过（guò）去（qù）一年的（de）讨论重点（diǎn）。

回顾2018展望2019，人工智能和机器学习将走向何方？

Medium的一位专栏作者为（wéi）此撰文概括了过（guò）去一年中人工智能领域的一些模式（shì），并试图勾勒出其中的某（mǒu）些趋势。注意，这篇（piān）总结是以美国的发展（zhǎn）为中心展开，以下是文章全文：

毫无（wú）疑问（wèn），算（suàn）法话语（yǔ）权由深度神经网络（DNN）主导。

当然，你可能会（huì）听说有（yǒu）人在这里或（huò）那里部署了一（yī）个“经（jīng）典的（de）”机器学习模型(比如梯度（dù）提升（shēng）树或多臂（bì）老虎（hǔ）机)，并声称这是（shì）每个（gè）人唯一（yī）需要的东西。有人宣称，深度学（xué）习正（zhèng）处于垂死挣（zhèng）扎中（zhōng）。甚至连（lián）顶（dǐng）级的研究（jiū）人员（yuán）也在质疑一些（xiē）深度神经网络（ DNN） 架构（gòu）的效率（lǜ）和抗变换性。

但是，不管你喜欢与否，DNN无处不（bú）在: 自动驾驶汽车、自然语言（yán）系统、机器人——所有你能想到的皆是（shì）如（rú）此。

在自然语言处理、生成式对抗网络和深度增强学习中，DNN取得的（de）飞跃（yuè）尤为明显（xiǎn）。

尽管在2018年之前，文本使用（yòng）DNN（比（bǐ）如word2vec、GLOVE和基于LSTM的模（mó）型）已经取得（dé）了一（yī）些突破，但缺少一个关键的（de）概（gài）念元素：迁（qiān）移学习。

也就是说，使用大量公开可用的（de）数据对模型进行训练，然后根据你正在处理的特定数据（jù）集对（duì）其进行“微调”。在计算机视觉中，利用在著名（míng）的 ImageNet 数据集（jí）上（shàng）发现的模式来解决特定的问题，通常（cháng）是（shì）一种（zhǒng）解（jiě）决（jué）方案。

问题是，用（yòng）于（yú）迁移学（xué）习的（de）技巧并不能很好地（dì）应用于自（zì）然语言处（chù）理（NLP）问题（tí）。在某种意义上（shàng），像 word2vec 这样（yàng）的预（yù）先训练的（de）嵌入正在弥补这一点（diǎn），但它们只能应用于（yú）单个单词级别（bié），无（wú）法捕捉到语（yǔ）言的高级（jí）结（jié）构。

然而（ér），在2018年，这种情况发生了变（biàn）化。 ELMo，情境（jìng）化嵌入成为提高 NLP 迁移学习的第一个重要步（bù）骤。ULMFiT 甚（shèn）至更进（jìn）一步: 由于（yú）不满意嵌入式的（de）语义（yì）捕捉能力，作者找到了一种为整个模（mó）型进（jìn）行迁移学习的方法（fǎ）。

但最有趣的进步无（wú）疑是BERT的引入（rù）。通过让（ràng）语言模型从英文维基百科（kē）的全部文章中进行学习，这个团队（duì）能够在11个 NLP 任务中取得最高（gāo）水（shuǐ）准的结果——这（zhè）是一个壮举！更妙的（de）是，它开源了。所以，你可以把这一突破（pò）应（yīng）用到自（zì）己的（de）研究问题上。

CPU的速度不会再呈（chéng）现指数（shù）级的增长，但是生成式对抗网络（GAN）的学术论文（wén）数量（liàng）肯定会继续（xù）增长。GAN多年（nián）来（lái）一直是学术界（jiè）的宠（chǒng）儿。然而（ér），其在（zài）现实生活中的应用似乎很少，而（ér）且（qiě）这（zhè）一点在2018年几乎没有改（gǎi）变（biàn）。但是（shì）GAN仍然有（yǒu）着（zhe）惊人（rén）的（de）潜力等（děng）待着我们（men）去实现（xiàn）。

目前出现了一种（zhǒng）新的方法，即（jí）逐步增加生成式对抗（kàng）网络: 使（shǐ）生成器在整个训练过程中逐步提高其输出的分辨（biàn）率。很多令人印（yìn）象（xiàng）深刻的论文都使用（yòng）了这（zhè）种方法，其中有（yǒu）一篇采用了风格（gé）转移技术（shù）来生（shēng）成（chéng）逼真（zhēn）的照片。有多逼真？你来（lái）告诉我：

这些（xiē）照（zhào）片（piàn）中哪一张是真人？

这个问题有陷阱：以上皆不是。

然（rán）而（ér），GAN是如何工（gōng）作的，以及它为什么（me）会起效呢？我们对此还缺乏深入的了解，但（dàn）是我们（men）正在（zài）采取一些（xiē）重要的（de）措施（shī）: 麻（má）省理工学院的一个团队已经对这个问题进行了高质量的研究（jiū）。

另一个有趣的进展（zhǎn）是“对抗补丁“，从技术上来说它并非是一个生成（chéng）式对抗网络。 它同时使用（yòng）黑盒(基（jī）本上不考虑神经（jīng）网络的内部状态)和（hé）白盒方法来（lái）制作一个“补丁”，可以骗过一个基于 CNN的（de）分类（lèi）器。 从（cóng）而得出一个重要的结果：它（tā）引导我们更好（hǎo）地了解深度（dù）神经网络如何（hé）工作（zuò），以（yǐ）及我（wǒ）们距离获得（dé）人类级别（bié）的概念认（rèn）知还（hái）有多远（yuǎn）。

你（nǐ）能区分香蕉（jiāo）和烤面包机吗（ma）？人工智能仍然不（bú）能。

自从2016年 AlphaGo 击（jī）败（bài）李世石后，强（qiáng）化学习就一直是（shì）公众（zhòng）关注的焦（jiāo）点。

在（zài）训练中，强化学（xué）习（xí）依（yī）赖于“奖励”信（xìn）号，即对其在最（zuì）后一次尝（cháng）试中（zhōng）表现的评（píng）分。电（diàn）脑游（yóu）戏（xì）提供了一个（gè）与（yǔ）现实生活相反（fǎn）的自然环（huán）境，让这种信号随时可用。因此，RL研究（jiū）的所有注（zhù）意（yì）力都（dōu）放在了（le）教（jiāo） AI玩雅（yǎ）达利游（yóu）戏上。

谈到它们的新发明 DeepMind，AlphaStar又成了新（xīn）闻。这（zhè）种新模式击败了（le）星际争（zhēng）霸 II的（de）顶级职业选手之一。星际（jì）争霸比国际象棋和围棋（qí）复（fù）杂得多，与大多数（shù）棋（qí）类（lèi）游戏（xì）不同，星际争霸有巨大的动作（zuò）空间和隐藏（cáng）在玩家身（shēn）上的重要信息（xī）。这（zhè）次胜（shèng）利对（duì）整个领（lǐng）域来说，都是一次非常（cháng）重要的飞（fēi）跃。

在（zài）RL这个领域，另（lìng）一个重要角色OpenAI也没有闲着。让它们声（shēng）名鹊（què）起的是OpenAI Five，这个（gè）系统在2018年8月击败了（le）Dota 2这个极（jí）其（qí）复杂的电子竞技游（yóu）戏中（zhōng）99.95%的玩家。

尽管 OpenAI 已经对电脑游戏（xì）给予了（le）很多关注（zhù），但（dàn）是（shì）他们并没有忽视 RL 真（zhēn）正的潜在应用领（lǐng）域: 机器人。

在现实世界中，一（yī）个人能够给予机器人的反馈是非常稀少（shǎo）且昂贵（guì）的：在（zài）你的 R2-D2（电（diàn）影中的虚拟机器人）尝试走（zǒu）出（chū）第一“步（bù）”时，你基本上（shàng）需要一个人（rén）类保（bǎo）姆来照看它。你需要数以（yǐ）百（bǎi）万（wàn）计的数据点。

为了弥合这（zhè）一（yī）差距，最新的趋势是学会模拟（nǐ）一个环境，同时并行地运行（háng）大量场景以教授机器（qì）人基（jī）本技能，然后再转向现实世界。OpenAI和Google都（dōu）在研（yán）究这种方法。

Deepfakes指一些伪造的图像或视频，（通常）展（zhǎn）示（shì）某个公众（zhòng）人物正在做或说一（yī）些他们从未做过（guò）或说（shuō）过的事（shì）情。在“目标”人（rén）物大量（liàng）镜（jìng）头的基础上训练一个（gè）生成（chéng）式对抗网络，然后在其中生成包（bāo）含所需动作的新媒体——deepfakes就是这样（yàng）创建的。

2018年1月发布的名为FakeApp的桌（zhuō）面应用（yòng）程序，可以让所有（yǒu）拥有计算机科学知（zhī）识的人和对此（cǐ）一无所知（zhī）的人都能创建deepfakes。虽然它（tā）制作（zuò）的视频（pín）很容易被人看出来是假的，但这（zhè）项技术已经取得了长（zhǎng）足的进步。

目前，我们拥有很多（duō）深度学习框架。这个领域是广阔的，这种多样性表面上看是有意义的。但实际上，最近大多数（shù）人都在使用Tensorflow或PyTorch。如果你关心（xīn）可靠性、易于（yú）部署性和模（mó）型（xíng）重载等SREs 通常关心（xīn）的问题，那么你可能会选择 Tensorflow。如果你正在写一篇研究论文，而且不在（zài）谷歌工作（zuò），那么你很（hěn）可能使用PyTorch。

今年，我们看（kàn）到了更（gèng）多（duō）的（de）人（rén）工智能解决方案（àn），它们被一（yī）个未（wèi）获得（dé）斯坦福大学机器学习博士学位的软件工程（chéng）师打包成一个供消费（fèi）的 API。Google Cloud和Azure都改进了旧服务，并（bìng）且增加（jiā）了新服（fú）务（wù）。AWS机器学习服务列表开（kāi）始（shǐ）看起来十分（fèn）令人生畏（wèi）。

天啊，AWS的服务很快（kuài）就（jiù）会多到需要两级目录层次结构来展示了。

尽管这（zhè）种狂（kuáng）热现象已经冷却了一些，但还是有很多（duō）创业公司（sī）发（fā）出了挑（tiāo）战。每个人（rén）都承诺（nuò）了模型训练（liàn）的（de）速度、推理过程（chéng）中的易（yì）用性和惊人（rén）的模型性能。

只要输（shū）入你的信用卡信息（xī），上传你（nǐ）的数据，给模型（xíng）一些（xiē）时间去训练或者微调，调用 REST (或者，给更（gèng）有前瞻性的创（chuàng）业（yè）公司GraphQL)的 API，就可以（yǐ）成（chéng）为人（rén）工智能方面的大师，甚至不需要搞清楚“随（suí）机失活(dropout)”是（shì）什么。

有（yǒu）了这么多的选择（zé），为什（shí）么（me）还有人（rén）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（pǐn）在（zài）80% 的实用案（àn）例中表现（xiàn）得非（fēi）常好。如果你希望剩下的20% 也能正（zhèng）常工作，那就没那么幸运了: 你不仅不（bú）能真正地（dì）选择（zé）模型，甚至不能控制（zhì）超参（cān）数。或者，如（rú）果你（nǐ）需要在云的舒适区之外的某个（gè）地方进行推（tuī）断（duàn）——一（yī）般情况下都（dōu）做（zuò）不（bú）到（dào）。这就（jiù）是（shì）代价（jià）。

今年推出的两项特（tè）别（bié）有趣的服务均由（yóu）谷歌发布。

首先，Google Cloud AutoML是（shì）一套（tào）定制的 NLP 和计算机视觉模型培训产品。 这是什么意思？汽车设计师通过自（zì）动微调几个预先训练的（de）模型（xíng），并（bìng）选择其中最好的（de）那个，从而解决了模型定制问题。这意味着你很可能（néng）不需要自己去（qù）定制模（mó）型。

当然，如果你想（xiǎng）做一些真正新鲜或（huò）不同的东西，那么这个服务并不适（shì）合你（nǐ）。但是，谷歌（gē）在大量专有数据的基（jī）础上预先训练其模型，这是（shì）一个（gè）附带（dài）的好（hǎo）处。想想（xiǎng）所有关（guān）于（yú）猫的照片，它们一（yī）定（dìng）比 Imagenet 更具推广性（xìng）！

第二，AI Hub 和 TensorFlow Hub。在这两者出（chū）现之前，重复（fù）使用某人的模型确实是件苦差事（shì）。基于 GitHub 的随（suí）机（jī）代码（mǎ）很少能用，通（tōng）常记录得（dé）很差，而且一般来说，处理起来并不愉快。还（hái）有预先（xiān）训练（liàn）的迁移学习权重……这么说吧，你甚（shèn）至不想尝试把它们用于工作（zuò）中。

这正是TF Hub想（xiǎng）要解决（jué）的问题（tí）: 它（tā）是一个可靠的、有组（zǔ）织的模型存储库（kù），你可（kě）以对其进行微调或构（gòu）建。只要加入几行代码——TF Hub 客户端就可以从谷（gǔ）歌的（de）服务器上获取代码和相（xiàng）应的权重——然（rán）后，哇哦，它就可以正（zhèng）常工作了！

Ai Hub 更进一步：它（tā）允（yǔn）许你共享整个ML管道，而不仅仅是模（mó）型！它仍然处于 alpha 测试（shì）阶段，但如果你（nǐ）明（míng）白我的意（yì）思的话，它已经比一个（gè）连最新的文（wén）件也是“3年（nián）前才修改”的随机存储库要好得（dé）多。

Nvidia（英伟达）

如果（guǒ）你在2018年认真研究过ML，尤（yóu）其是DNN，那么你就曾用过一个（或（huò）多个）GPU。因此，GPU的（de）领头羊（yáng）在这一年里都（dōu）非常忙碌。

随着加密狂潮的冷却（què）和随后的（de）股价暴跌，Nvidia发（fā）布了基于（yú）图灵架构（gòu）的全新一代消（xiāo）费级（jí）卡。新卡（kǎ）仅使用（yòng）了2017年发布（bù）的基于Volta芯（xīn）片的专业卡（kǎ），且包含了被称为Tensor Cores的新（xīn）的高速矩阵乘法硬件。矩阵（zhèn）乘法是DNN运（yùn）行方式的核心，因此加快这些运算将大大（dà）提（tí）高新GPU上神经网（wǎng）络（luò）训练的速度。

对于那些对“小”和“慢”的游戏GPU不满意的（de）人（rén）来说，Nvidia更新了他们的（de）“超（chāo）级计算平台”。 DGX-2具有多达16块（kuài）Tesla V，用于FP16操（cāo）作（zuò）的480 TFLOP（480万（wàn）亿次浮（fú）点运算），真可谓是一（yī）款“怪物”盒（hé）子。而其（qí）价格（gé）也更新（xīn）了，高达40万美元。

此（cǐ）外，自动硬件也得到了更新。Jetson AGX Xavier是Nvidia希望能为下一代自（zì）动驾驶汽车（chē）提供动力的一（yī）个模块（kuài）。八核（hé）CPU、视觉加速器以（yǐ）及（jí）深度学习加速器，这（zhè）些（xiē）都是日益增长的自动驾驶行业（yè）所（suǒ）需的。

在（zài）一个有趣的开发项（xiàng）目（mù）中，Nvidia为（wéi）他们的游戏（xì）卡推出了基于DNN的一种功能：深度（dù）学（xué）习超（chāo）级（jí）取样（Deep Learning Super Sampling）。其想法是去替（tì）换抗锯齿，目（mù）前主要通过（guò）先渲染分辨率高于所需（例如4倍）的图（tú）片然后再将其（qí）缩放到（dào）本机监视器分辨（biàn）率来完成。

现在，Nvidia允许开发人员（yuán）在（zài）发布游戏之（zhī）前以极高的质量（liàng）去（qù）训练图（tú）像转换模型。然（rán）后，使用预先训练的模型（xíng）将游戏发送给最（zuì）终用（yòng）户。在（zài）游戏过程中，图形通过该模型（xíng）来运作以提（tí）高图（tú）像质量，而不会产生旧式抗锯齿的成本。

Intel英特（tè）尔

英特尔在2018年绝对不是人工智能硬件领域的开拓者，但似乎他（tā）们希望改变这一点。

令人惊（jīng）讶的是（shì），英特尔（ěr）的大（dà）多数动作都发生在软（ruǎn）件领（lǐng）域（yù）。英特尔正在努力使其现（xiàn）有和即将推出（chū）的硬件更加适合开发人员。考（kǎo）虑到（dào）这一点，他们发布了一对（既令人惊（jīng）讶（yà）又有竞争力的）工具包：OpenVINO和nGraph。

他们更新了（le）自己的神经（jīng）计算（suàn）棒：一（yī）个小型（xíng）USB设备，可以（yǐ）加速任（rèn）何带（dài）USB端口的DNN，甚至（zhì）是Raspberry Pi。

有关英特尔独立GPU的传闻变（biàn）得越来越错综复杂。虽然这一（yī）传闻持续流传，但新设（shè）备对DNN训（xùn）练的适用（yòng）性仍有待观察。绝对适用于深度（dù）学习的是传闻中的专（zhuān）业（yè）深度学习卡，它（tā）们（men）的代号为Spring Hill和Spring Crest。而后者（zhě）基于初创公司Nervana（英特（tè）尔几年前已将其收购（gòu））的技（jì）术。

寻（xún）常（cháng）（和不常见）的定制硬件

谷歌推（tuī）出了（le）他们的第（dì）三代TPU：基于（yú）ASIC的DNN专（zhuān）用加速器，具有惊人的128Gb HMB内（nèi）存。256个（gè）这样的设备组装成一个（gè）具（jù）有超过（guò）每（měi）秒（miǎo）100千兆（zhào）次性能的（de）集合体。谷歌今年不再仅凭这些设备来挑逗世（shì）界的其（qí）他（tā）玩家了，而（ér）是通过Google Cloud向（xiàng）公众提供TPU。

在类似的、但主要针对推理应用程序的项目中，亚马（mǎ）逊已（yǐ）经部署了AWS Inferentia：一种更便宜（yí）、更有效的在生产中运行（háng）模（mó）型的方式。

谷歌还宣（xuān）布了Edge TPU项目：这个芯片很小：10个芯（xīn）片加起（qǐ）来才有一美分（fèn）硬币的（de）大小。与此同时，它能做（zuò）到在（zài）实时视频上运行DNN，并且几乎不（bú）消耗任（rèn）何能量，这就足够了。

一个有趣的潜在新（xīn）玩家是Graphcore。这（zhè）家英国公司已经筹（chóu）集了3.1亿美（měi）元，并在2018年推（tuī）出（chū）了他们的第一款产品GC2芯片。根据基准测（cè）试，GC2在进行推理（lǐ）时碾压了顶级Nvidia服务器（qì）GPU卡，同时消耗（hào）的功率显着降低。

亚马逊推出了一款小（xiǎo）型自动驾驶（shǐ）汽车DeepRacer，以及一个赛车联盟。这完全出（chū）人意（yì）料，但也有点像（xiàng）他们之前推出DeepLens时的情况。这款（kuǎn）400美元的汽车配备了Atom处理器（qì），400万像素（sù）摄（shè）像头，wifi，几个USB端（duān）口，以及可运行数小时的充足电量。

自动驾驶模型可以使用完全在（zài）云端的3D模拟（nǐ）环境进行训练，然（rán）后（hòu）直接部署到这（zhè）款车上。如果你（nǐ）一（yī）直（zhí）梦想着（zhe）建（jiàn）造自己（jǐ）的自动驾驶汽（qì）车，那（nà）么（me）亚马逊的这款车就能（néng）让你如（rú）愿，而不必（bì）再去自（zì）己创立受到VC支持的公（gōng）司了。

既然算法、基础设施和硬件等（děng）让AI变得有用的因素都比以往任（rèn）何时（shí）候要更（gèng）好（hǎo），企（qǐ）业（yè）于是意识到开（kāi）始应用AI的最（zuì）大绊脚（jiǎo）石在于（yú）其实际（jì）性层面（miàn）：你如何将AI从想（xiǎng）法阶（jiē）段落实（shí）到有效、安全又可（kě）靠的生产系统中？

应用（yòng）AI或应用机器学习（ML），也称（chēng）为决策智能，是为（wéi）现实世界（jiè）问题创建AI解决方案的科学。虽然过（guò）去（qù）我们把重点（diǎn）放在（zài）算法背后的科学上，但未来我们应该对该领域的（de）端到端应（yīng）用给予更加平等的关（guān）注。

人（rén）工智（zhì）能在促进就业方面功大于过（guò）

“人工智能会拿（ná）走（zǒu）我（wǒ）们所有的工作（zuò）”是媒体一直反复宣扬的主题，也是蓝领和白领共同的（de）恐惧。而且从表面上看，这似乎（hū）是一个合理（lǐ）的预测。但到目前（qián）为止，情况恰恰相反。例如（rú），很多人都通（tōng）过（guò）创建标签数据集的工（gōng）作拿到了薪酬（chóu）。

像（xiàng）LevelApp这样（yàng）的应用程序可以（yǐ）让难民只需用手机标记自己的数据就可（kě）以赚到钱。Harmon则更进一步（bù）：他（tā）们甚至为难民营中的移民（mín）提供（gòng）设备，以便这些（xiē）人可（kě）以做出贡献并以此（cǐ）谋生。

除了数（shù）据标签之（zhī）外，整个行业都是通（tōng）过新的AI技术创建的。我们能够做到几年前无法想象的事情，比（bǐ）如自（zì）动驾驶汽（qì）车或新药（yào）研发。

更多与（yǔ）ML相关的（de）计算将在边缘领域（yù）进行

Pipeline的后期阶段通（tōng）常通过（guò）降（jiàng）采（cǎi）样或其他方式降低信号的保真度。另一方面，随（suí）着AI模型变得越来越复（fù）杂，它们在数据更多的情况（kuàng）下表现得（dé）更好（hǎo）。将（jiāng）AI组件移近数据、靠近（jìn）边缘（yuán），是否会有意义吗？

举一个简（jiǎn）单的（de）例子：想（xiǎng）象一个高分辨率的摄像机，可以每（měi）秒30千兆次的速度生（shēng）成高质（zhì）量的视频。处理（lǐ）该（gāi）视频的计算机视觉（jiào）模型在服务（wù）器上运行（háng）。摄像（xiàng）机将视频流式传输（shū）到服务（wù）器，但上行带宽（kuān）有限，因此视（shì）频会缩小（xiǎo）并被高度（dù）压缩。为何不（bú）将视觉模型移动到相机（jī）并使用原（yuán）始视频（pín）流呢？

与此同（tóng）时，多个障碍总是存（cún）在，它们主要是：边（biān）缘设备上可用的计算能力的数（shù）量和（hé）管理的复杂性（xìng）（例如将更新（xīn）的模型推向边缘）。专（zhuān）用硬（yìng）件（jiàn）（如Google的Edge TPU、Apple的神经引擎等）、更高（gāo）效的模型和优化软件的出现，让计（jì）算的局（jú）限性逐渐消失。通过改进ML框架和工具，管（guǎn）理复杂性（xìng）问题不（bú）断（duàn）得到解决。

整（zhěng）合（hé）AI基础架（jià）构空间（jiān）

前几年人工智能基础（chǔ）设施相（xiàng）关活动层出（chū）不穷：盛大的公告（gào）、巨（jù）额的多轮（lún）融资和厚重的承诺（nuò）。2018年（nián），这个领域似乎降温了（le）。虽然仍（réng）然有（yǒu）很多新的进步，但大部分贡献都是（shì）由现有大型玩家做出的。

一（yī）个可能的解释也许是（shì）我们对AI系（xì）统的（de）理想基础设（shè）施（shī）的理解还不够成熟。由（yóu）于（yú）问题很复（fù）杂，需（xū）要长期、持久、专注而（ér）且财力雄厚（hòu）的努（nǔ）力，才（cái）能产生可行的解决方案——这是初创公司和（hé）小公司所不擅长（zhǎng）的（de）。如（rú）果一家初创（chuàng）公司（sī）“解决”了AI的（de）问（wèn）题，那绝对会让人惊奇不已。

另一方面，ML基础设（shè）施（shī）工程师却很少见。对于大公司来说，一个（gè）仅有几名员工（gōng）、挣扎求生的创业公司显然是很有价（jià）值的并购目标。这个行业中至少有几（jǐ）个玩家是为（wéi）了（le）胜利在不断奋斗的，它们同时建（jiàn）立了内部（bù）和外部（bù）工具。例如，对于AWS和Google Cloud而言，AI基（jī）础设施服务是（shì）一个主要卖点。

综上可以预测（cè），未来在这（zhè）个领域会出现一个（gè）整合多个（gè）玩家的垄（lǒng）断者。

更多定制硬件

至少对于（yú）CPU而言（yán），摩（mó）尔定律已经（jīng）失效了，并且这一事实已经存在（zài）很多年了。GPU很快就会（huì）遭受类似的命运（yùn）。虽（suī）然我（wǒ）们的模（mó）型变得越（yuè）来越高效（xiào），但（dàn）为了解决一（yī）些更高（gāo）级的问（wèn）题，我们需要用（yòng）到更多的（de）计算（suàn）能（néng）力。这（zhè）可（kě）以通过分布式训练（liàn）来解决，但它自身也有局限。

此外，如果（guǒ）你（nǐ）想在资源受限的设（shè）备上（shàng）运行一些较大的模（mó）型，分布式训练（liàn）会变（biàn）得（dé）毫无用处。进（jìn）入自定义AI加速器。根据你（nǐ）想（xiǎng）要的（de）或可（kě）以（yǐ）实现的自定义（yì）方式，可以节省（shěng）一个数量级的功耗、成本或潜在消耗。

在某种程度（dù）上（shàng），即使是Nvidia的Tensor Cores也（yě）已经投身于这一趋（qū）势。如果没有通用（yòng）硬（yìng）件的话，我们会看到更多的案例。

减少对训练（liàn）数据的依赖

标记数据通常很昂贵，或者不可用，也可能二者兼有。这一规则几乎没（méi）有例（lì）外。开（kāi）放的（de）高质量数据集，如MNIST、ImageNet、COCO、Netflix奖（jiǎng）和IMDB评论，都是令人难（nán）以置信（xìn）的（de）创新源泉（quán）。但是许多问（wèn）题并没（méi）有可（kě）供使用的（de）相应数（shù）据集。研究人员不可能自己去建（jiàn）立数据集，而可提供赞助（zhù）或发（fā）布数据集的大公司却并不（bú）着急：他们正在构建庞大的（de）数据集，但不让外人靠近。

那么，一个小型独立实（shí）体，如创业公（gōng）司或大（dà）学（xué）研究小（xiǎo）组（zǔ），如何为（wéi）那些困难的（de）问题提供有趣的解决方案呢？构建对监督（dū）信号依赖性越（yuè）来越小（xiǎo），但对未标（biāo）记和（hé）非结构化（huà）数据（廉价（jià）传感器的互联和（hé）增多使（shǐ）得这类数据变得很丰富（fù））依（yī）赖性越来越（yuè）大的系统就（jiù）可（kě）以实现这一点。这在一定程度上解释了人们（men）对GAN、转移和（hé）强化（huà）学习（xí）的兴趣激增的原因：所有（yǒu）这些技术都需要较少（或根本（běn）不（bú）需要）对训练数据（jù）集的投资（zī）。

所以这（zhè）一切仅仅（jǐn）是个泡沫？

这（zhè）一行业（yè）已进入热门人（rén）工智能“盛夏”的第七年。这段时间内（nèi），大量的（de）研（yán）究项目、学术资（zī）助（zhù）、风（fēng）险投资、媒体关注和代码行都涌（yǒng）入了这个领域。

但人们（men）有理由指出，人工智能所做出的大部分承诺仍然还未兑现（xiàn）：他们最（zuì）近优步打（dǎ）车的行程依然是人类驾驶员（yuán）在开车；目前依然（rán）没有出现（xiàn）早上能做煎蛋（dàn）的实用机器（qì）人。我甚至不（bú）得（dé）不（bú）自己绑鞋（xié）带，真是可悲（bēi）至（zhì）极！

然而，无数研究（jiū）生（shēng）和软件（jiàn）工程师的努力并非徒劳。似乎每（měi）家大公司都已经十分依赖（lài）人工智（zhì）能，或者（zhě）在未来实施此类（lèi）计划。AI的艺术大行其（qí）道。自动驾驶汽车虽然（rán）尚未出现，但它们很快就会诞生了。

2018年，美国在人工智能领域（yù）发（fā）展迅速，中国（guó）也不遑多让。这个趋（qū）势从近期百度和（hé）BOSS直聘联合发布（bù）的《2018年中国人（rén）工智能ABC人（rén）才发展报（bào）告》中就（jiù）可窥一（yī）斑。