2018年4月24日，普華永道發(fā)布最新《2018年人工智能技術十大趨勢》（Top 10 AI technology trends for 2018）。報告顯示，我們身處一個巨變的時代，毋庸置疑，人工智能（AI）已經(jīng)成為科技前沿之一，將給許多行業(yè)帶來顛覆性的影響，也有可能在未來重塑公司的人才戰(zhàn)略、運營模式以及與客戶的合作模式。商業(yè)領袖都已未雨綢繆，著手研究人工智能將如何影響他們的商業(yè)戰(zhàn)略，以防被第四次工業(yè)革命的浪潮甩在身后。

事實上，深度學習與增強學習在日常生活中的應用很多，例如機器翻譯是對文本數(shù)據(jù)的處理；Siri等是對語音數(shù)據(jù)的處理；自動駕駛是對視頻數(shù)據(jù)的處理；人臉識別則是對圖像數(shù)據(jù)的處理，許多美顏APP都具備給圖片添加可愛貼畫的功能，這即是對圖像進行識別，自動甄別出用戶面部器官，用戶即可隨意處理圖片，達到美化或娛樂的效果。

但是目前實驗室又在發(fā)生什么呢？可以預見的是，那里的研究人員的發(fā)現(xiàn)將會決定人工智能未來一段時間的發(fā)展進程。普華永道人工智能加速器（AI Accelerator）研究團隊和諸多技術專家及商業(yè)領袖一樣，正密切關注人工智能技術的領先發(fā)展。

以下是億歐智庫帶來精選推薦：

普華永道：2018年人工智能技術十大趨勢

01  深度學習：揭秘神經(jīng)網(wǎng)絡的工作原理

簡述：模仿人類大腦的深度神經(jīng)網(wǎng)絡展示了它們可以從圖像、音頻和文本數(shù)據(jù)中“學習”的能力。然而，即使應用已超過十年，關于深度學習我們?nèi)匀挥泻芏嗖幻靼椎牡胤剑�包括神�?jīng)網(wǎng)絡如何學習、為什么它們的表現(xiàn)如此出色等�，F(xiàn)在，這種狀況有可能會改變，這要歸功于將信息瓶頸理論應用于深度學習的新理論。信息瓶頸理論認為，深度神經(jīng)網(wǎng)絡在學習過程中像把無用信息從瓶頸中擠壓出去一般，去除噪音信息，而只保留這些噪音所表達的真正信息。

意義：精確地理解深度學習的工作原理，將有助于使其得到更大的發(fā)展和應用。例如，深度學習可以為網(wǎng)絡設計優(yōu)化和架構選擇提供參考�？梢钥隙ǖ氖�，通過探索深度學習理論，更多的場景應用能夠被激發(fā)，并應用到其他類型的深度神經(jīng)網(wǎng)絡和深度神經(jīng)網(wǎng)絡設計中。

02  膠囊網(wǎng)絡：模擬大腦的視覺處理優(yōu)勢

簡述：膠囊網(wǎng)絡是一種新型的深度神經(jīng)網(wǎng)絡架構，它能夠用與大腦相同的方式處理視覺信息，這意味著它可以識別特征之間的邏輯和層次結構關系。這一特性與卷積神經(jīng)網(wǎng)絡形成鮮明對比。卷積神經(jīng)網(wǎng)絡是最廣泛使用的神經(jīng)網(wǎng)絡之一，但它不能考慮簡單和復雜特征之間的重要空間關系，導致錯誤率較高并經(jīng)常出現(xiàn)誤分類現(xiàn)象。

意義：對于典型的圖像識別任務，膠囊網(wǎng)絡通過減少誤差，保證了50％的較高準確性，同時膠囊網(wǎng)絡也不需要那么多的訓練樣本數(shù)據(jù)。預期可以看到膠囊網(wǎng)絡在多個問題領域和深度神經(jīng)網(wǎng)絡架構中得到廣泛的使用。

03  深度增強學習：交互型問題解決之道

簡述：深度增強學習是一種通過觀察、行動和獎勵來與環(huán)境互動，從而進行學習的神經(jīng)網(wǎng)絡算法。它已被用于游戲攻略等，如雅達利（Atari）和圍棋，包括擊敗人類冠軍的著名的“阿爾法狗”（AlphaGo）等。

意義：獲得深度增強學習能力是人工智能應用商業(yè)化的重要指標項之一，與其他技術相比，它只需要更少的數(shù)據(jù)來培訓其模型。更強大的是，它可以通過模擬獲得訓練，完全不需要標簽化數(shù)據(jù)。鑒于這些優(yōu)勢，預計未來一年將誕生更多將深度增強學習和基于智能體（agent）模擬相結合的商業(yè)應用。

04  生成對抗網(wǎng)絡：網(wǎng)絡配對促進訓練，減輕處理負擔

簡述：生成對抗網(wǎng)絡是一種由兩個互相競爭的神經(jīng)網(wǎng)絡組成的無監(jiān)督的深度學習系統(tǒng)——“生成網(wǎng)絡”產(chǎn)生看上去很像真實數(shù)據(jù)集的假數(shù)據(jù)，“判斷網(wǎng)絡”吸收真實和合成的數(shù)據(jù)。隨著時間的推移，每個網(wǎng)絡都會得到改進，從而使兩個網(wǎng)絡都能夠學習到給定數(shù)據(jù)集的整個分布情況。

意義：生成對抗網(wǎng)絡進一步拓展了深度學習，使其能夠處理更大范圍的無監(jiān)督任務，這些任務的標簽化數(shù)據(jù)要么不存在，要么過于昂貴而很難獲得。生成對抗網(wǎng)絡也減少了深度神經(jīng)網(wǎng)絡所需的負載，因為負載由兩個網(wǎng)絡共同承擔。預期可以看到更多的商業(yè)應用，例如使用生成對抗網(wǎng)絡技術來做網(wǎng)絡探測等。

05  精簡和增強數(shù)據(jù)學習：解決數(shù)據(jù)標簽化挑戰(zhàn)

簡述：機器學習（尤其是深度學習）遇到的最大挑戰(zhàn)是需要大量使用標簽化數(shù)據(jù)來訓練系統(tǒng)。目前有兩種廣泛使用的技巧可以幫助解決這個問題：（1）合成新的數(shù)據(jù)；（2）將一個任務或領域的訓練模型遷移到另一個，例如“遷移學習”的技巧（把從一個任務／領域學到的經(jīng)驗遷移到另一個任務／領域），或“一次學習”的技巧（極端化遷移學習，僅僅通過一個例子或沒有相關例子的學習），由此使它們成為“精簡數(shù)據(jù)”學習技巧。同樣的，通過模擬或內(nèi)插合成新的數(shù)據(jù)有助于獲取更多的數(shù)據(jù)，從而擴大現(xiàn)有數(shù)據(jù)來改善學習。

意義：使用這些技巧，我們可以解決更多的問題，尤其是在歷史數(shù)據(jù)較少的情況下。預期可以看到精簡和增強數(shù)據(jù)的更多變種，以及適用于更廣泛商業(yè)問題的不同類型的學習技巧。

06  概率編程：便于模型開發(fā)的語言

簡述：概率編程是一種高級編程語言及建模框架，它能讓開發(fā)人員便捷地設計概率模型，并且自動求解這些模型。概率編程語言可以讓我們重復使用模型庫，支持交互式建模以及認證，并提供必要的抽象層來更廣泛和有效地推論通用模型組。

意義：概率編程框架適合的場景包括在商業(yè)領域內(nèi)極為常見的不確定和不完整信息的情況。未來，我們會看到這些語言得到更廣泛地應用，并期望它們也用于深度學習。

07  混合學習模式：結合算法優(yōu)勢解決不確定性問題

簡述：不同類型的深度神經(jīng)網(wǎng)絡，譬如生成對抗網(wǎng)絡和深度增強學習，在它們的效果和結合不同類型數(shù)據(jù)的廣泛應用方面顯示出巨大的前景。不過，深度學習模型不能為不確定性的數(shù)據(jù)場景建模，而貝葉斯概率方法卻能夠做到�；旌蠈W習模式結合了這兩種方法，且能夠充分利用每一種方法的優(yōu)勢。混合模型的一些例子包括貝葉斯深度學習，貝葉斯生成對抗網(wǎng)絡和貝葉斯條件生成對抗網(wǎng)絡等。

意義：混合學習模式將商業(yè)問題的種類擴大到對不確定性進行深度學習。這可以幫助我們獲得更佳效果，提高模型的可解釋性，從而鼓勵更廣泛的應用。我們將看到更多能夠媲美貝葉斯法的深度學習方法，以及概率編程語言能夠更好地與深度學習相融合。

08  自動機器學習：無需編程即可創(chuàng)建模型

簡述：開發(fā)機器學習模型是一項耗時長且必須由專家驅動的工作，包括數(shù)據(jù)準備、特征選擇、模型或技術選擇、訓練和調試等。自動機器學習旨在使用多種不同的統(tǒng)計學和深度學習算法來自動化這項工作。

意義：自動機器學習被視為人工智能工具“民主化”的一個部分，用戶可以借助它在沒有高級編程技能的情況下開發(fā)機器學習模型。這將加快數(shù)據(jù)科學家創(chuàng)建模型的速度。我們將看到更多的商業(yè)化自動機器學習包，以及自動機器學習與更廣泛的機器學習平臺的整合。

09  數(shù)字孿生體：超越工業(yè)應用的虛擬復制品

簡述：數(shù)字孿生體是一種虛擬模型，用于物理或心理系統(tǒng)的詳細分析和監(jiān)測。數(shù)字孿生體的概念起源于工業(yè)界，廣泛用于分析和監(jiān)測諸如風電場或工業(yè)系統(tǒng)等�，F(xiàn)在，通過使用基于智能體的建模（用于模擬自動智能體的行為和交互的計算模型）和系統(tǒng)動態(tài)學（計算機輔助的策略分析和設計方法）等，數(shù)字孿生體被廣泛應用于非物理對象和流程管控中，例如預測客戶行為等。

意義：數(shù)字孿生體可以幫助促進物聯(lián)網(wǎng)（IoT）的發(fā)展和更廣泛的應用，為預測性診斷和維護物聯(lián)網(wǎng)系統(tǒng)提供了一種方法。展望未來，有望在實體系統(tǒng)和消費者選擇建模中看到更多數(shù)字孿生體的使用。

10  可解釋的人工智能：打開黑匣子

簡述：目前，有許多機器學習算法正在使用中，它們可以在各種不同的應用場合中感知、思考和行動。然而，其中許多算法被認為是“黑匣子”，人們對于它們是如何計算出結果幾乎是一無所知。可解釋的人工智能意在進一步開發(fā)機器學習技巧，在產(chǎn)生更多可解釋的模型的同時保持人工智能預測的準確性。

意義：可解釋、可證明且透明的人工智能對建立技術信任至關重要，這會促進更廣泛地采用機器學習技巧。我們預測，在開始大規(guī)模采用人工智能之前，企業(yè)可能會將可解釋的人工智能作為一項要求或者最佳實踐，與此同時，政府可能會將可解釋的人工智能作為未來的一項法規(guī)要求。