西宁市网站建设多少钱,企业网站需要响应式,wordpress入门教程,企业做自己的网站要注意什么来源#xff1a;云头条作者#xff1a; Karen Hao丨《麻省理工学院科技评论》杂志的 AI 记者我们分析了16625篇论文#xff0c;以洞察AI下一步的发展方向我们深入研读了25年来的AI研究论文#xff0c;结果表明深度学习的时代即将结束。如今你听到的关于AI的几乎所有内容都归… 来源云头条作者 Karen Hao丨《麻省理工学院科技评论》杂志的 AI 记者我们分析了16625篇论文以洞察AI下一步的发展方向我们深入研读了25年来的AI研究论文结果表明深度学习的时代即将结束。如今你听到的关于AI的几乎所有内容都归功于深度学习。这类算法的工作原理是使用统计方法来查找数据中的模式事实证明深度学习在模仿人类技能比如我们的视觉和听觉能力方面功能异常强大它甚至可以模仿我们推理的能力。这些功能在幕后支持谷歌的搜索、Facebook的新闻源和Netflix的推荐引擎并正在彻底改变医疗保健和教育等行业。不过虽然深度学习凭一己之力将AI推入了公众视野但它只是全人类竭力复制自身智慧的历史长河中的一小朵浪花。它在不到10年的时间里处于这方面的最前沿。如果你综观这个领域的整个历史很容易意识到深度学习可能很快行将消失。华盛顿大学的计算机科学教授、《终极算法》一书的作者 Pedro Domingos说“要是有人在2011年撰文称深度学习很快消失的言论几年后会出现在报刊杂志的头版我们可能会这么说‘哇你是不是吃错药了。’”他表示长期以来不同技术的突然兴衰起落已成为AI研究领域的特征。每隔十年不同想法之间就会出现一番激烈的竞争。之后偶尔会出现大反转这个圈子中的每个人就某一种特定的想法达成共识。《麻省理工学院科技评论》杂志MIT Technology Review想要直观地呈现这些变化。于是我们将目光投向最庞大的科学论文开源数据库之一arXiv。我们下载了2018年11月18日之前归属“AI”部分的所有16625篇论文的摘要跟踪分析了这些年来提及的单词看看这个领域是如何演变的。从arXiv下载的论文数量我们通过一番分析发现了三个主要的趋势20世纪90年代末和21世纪初向机器学习转变2010年初开始神经网络日渐普及以及近几年强化学习大行其道。有几个地方需要注意。首先arXiv的AI部分只追溯到1993年而“AI”这个术语可以追溯到20世纪50年代所以这个数据库只代表该领域发展史的几个最新章节。其次每年添加到数据库中的论文只代表当时该领域所做工作的一小部分。不过arXiv还是提供了出色的资源便于汇集一些较大的研究趋势并了解不同想法的角力。一种机器学习范式我们发现的最大转变是21世纪初期离基于知识的系统渐行渐远。这种计算机程序基于这个想法你可以使用规则来编码所有的人类知识。研究人员求助于机器学习这个大类的算法包括深度学习。在提及的前100个单词中与基于知识的系统相关的那些单词比如“逻辑”、“约束”和“规则”跌势最猛。而与机器学习有关的那些单词比如“数据”、“网络”和“性能”增势最猛。机器学习让基于知识的推理相形见绌每1000个单词的单词频率这种巨大变化的原因相当简单。在80年代由于试图在机器中重现常识的雄心勃勃的项目激动人心基于知识的系统积累了一大批拥趸。但随着那些项目逐渐展开来研究人员遇到了一大问题如果一个系统要做任何有用的事情需要编写的规则实在太多了。这增加了成本并严重阻碍了后期的日常工作。机器学习成为了解决这个问题的答案。这种方法不是要求人们手动编码成千上万条规则而是对机器编程以便从一堆数据中自动提取那些规则。正因为如此这个领域摈弃了基于知识的系统改而转向完善机器学习。神经网络的繁荣期在新的机器学习范式下并没有立即出现向深度学习转变的一幕。相反正如我们对关键术语的分析显示的那样除了深度学习的核心机制神经网络外研究人员还测试了众多方法。另外一些流行的技术包括贝叶斯网络、支持向量机和进化算法所有这些技术都采用了不同的方法来查找数据中的模式。神经网络取代其他机器学习方法在20世纪90年代和2000年代所有这些方法之间存在着稳定的竞争。然后在2012年一项关键的突破导致了另一次巨大变化。在旨在推动计算机视觉发展的一年一度的ImageNet比赛期间一位名叫Geoffrey Hinton的研究人员及其在多伦多大学的同事在图像识别方面获得了最佳准确度整整高出10个百分点。他使用的技术即深度学习引发了一波新的研究先是在视觉领域内部然后扩大到另外的领域。随着越来越多的研究人员开始使用深度学习来获得令人印象深刻的结果深度学习的受欢迎程度急剧提高神经网络随之走红。加强学习方兴未艾我们的分析表明在深度学习崛起后的几年里AI领域出现了第三次也是最后一次转变。除了机器学习中的不同技术外还有三种不同的类型监督学习、非监督学习和强化学习。监督学习是最常用的一种也是迄今为止最实用的应用它需要为机器馈送经过标记的数据。然而在过去几年强化学习在论文摘要中的提及率迅速增加它模仿通过奖惩机制训练动物的过程。强化学习发展势头正猛这并不是什么新想法但几十年来它其实没有真正奏效过。Domingos说“搞监督学习的人会取笑搞强化学习的人。”但是正如深度学习一样一个关键时刻突然让强化学习家喻户晓。那个时刻发生在2015年10月当时DeepMind研发的AlphaGo用强化学习经过训练后在古老的围棋比赛中击败了世界冠军。这立即对研究界产生了影响。下一个十年我们的分析只不过对AI研究领域的几种主要想法之间的激烈竞争给出了最近写照但它表明了竭力复制智慧这条道路上的变幻莫测。Domingos说“认识到没有人知道如何解决这个问题很重要。”过去25年中使用的许多技术起源于大概同一个时期即20世纪50年代因每十年的挑战和成功而失宠和受宠。比如说神经网络在60年代达到顶峰80年代回光返照、奄奄一息但随后因深度学习而重新获得了目前的人气。换句话说每十年实际上看到不同技术轮流唱主角50年代末和60年代的神经网络70年代的各种象征方法80年代基于知识的系统90年代的贝叶斯网络2000年代的支持向量机以及2010年代的神经网络。Domingos表示20世纪20年代应该没什么不同这意味着深度学习时代可能很快就会结束。但研究界对于接下来会发生什么莫衷一是、众说纷纭——到底一种旧技术重新获得青睐还是这个领域会创造一种全新的范式。Domingos说“如果你回答了这个问题我想为这个答案申请专利。”原文链接https://www.technologyreview.com/s/612768/we-analyzed-16625-papers-to-figure-out-where-ai-is-headed-next/未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
