幾乎每個(gè)新的一天都會(huì)在人工智能領(lǐng)域帶來令人振奮的消息。但是這些新聞推動(dòng)了哪些更大的方向趨勢(shì)？除了公告和宣傳之外，AI真的在發(fā)展嗎？

在本文中，我不想將重點(diǎn)放在遙遠(yuǎn)，模糊的關(guān)于AI的希望和愿望上，而是集中在不那么遙遠(yuǎn)的未來中的一些具體發(fā)展。下文概述的趨勢(shì)已經(jīng)開始以現(xiàn)實(shí)世界的研究和應(yīng)用形式出現(xiàn)。這些工作領(lǐng)域代表了一些主題，我相信這些主題將在AI關(guān)鍵開發(fā)的未來時(shí)間表中記錄為有意義的突破。

AI社區(qū)早就知道，我們最成功的方法（例如深度學(xué)習(xí)）在數(shù)學(xué)和計(jì)算上都很復(fù)雜。將這些方法與當(dāng)前技術(shù)一起使用會(huì)消耗大量的處理資源和高成本。反過來，這限制了可以在何處以及如何自由地應(yīng)用這些技術(shù)。但是，較便宜的培訓(xùn)技術(shù)正在搶救。重要的是要了解，通常由摩爾定律驅(qū)動(dòng)的成本節(jié)省和速度提高與下面討論的算法效率類型完全不同。盡管摩爾定律承諾每?jī)傻饺陮?a target="_blank">晶體管數(shù)量增加一倍，從而使處理能力提高一倍，但算法上的突破通常可以帶來即時(shí)效率，效率要高出幾個(gè)數(shù)量級(jí)。

輕量級(jí)神經(jīng)網(wǎng)絡(luò)的發(fā)展是一個(gè)有前途的領(lǐng)域，輕量級(jí)神經(jīng)網(wǎng)絡(luò)的確切含義是：更小，更快地訓(xùn)練網(wǎng)絡(luò)，該網(wǎng)絡(luò)可以達(dá)到與它們大得多的表親幾乎相同的精度，但是其大小和訓(xùn)練成本卻很小。由SparkCognition的首席科學(xué)家Bruce Porter博士領(lǐng)導(dǎo)的研究表明，盡管僅使用大型結(jié)構(gòu)所需的十分之一的計(jì)算能力，但在網(wǎng)絡(luò)安全應(yīng)用中，輕量級(jí)神經(jīng)網(wǎng)絡(luò)仍可以與常規(guī)的深層網(wǎng)絡(luò)相匹配。

稀疏學(xué)習(xí)是另一種新興技術(shù)，具有將深度網(wǎng)絡(luò)的訓(xùn)練速度提高3.5到12倍的潛力。另外，北卡羅萊納州立大學(xué)的研究人員表明，通過利用訓(xùn)練數(shù)據(jù)集中圖像子段的相似性，他們可以將網(wǎng)絡(luò)訓(xùn)練所需的時(shí)間和計(jì)算能力潛在地減少60%以上。所有這些都不會(huì)犧牲準(zhǔn)確性。

這絕不是致力于減少訓(xùn)練深度網(wǎng)絡(luò)的計(jì)算負(fù)擔(dān)的大量工作的完整清單。但是即使是這樣的一瞥，也表明在不久的將來可能會(huì)帶來更高效的方法，這些方法將使我們能夠與大型復(fù)雜網(wǎng)絡(luò)的決策能力相抗衡，而不會(huì)花費(fèi)相同的計(jì)算資源或降低準(zhǔn)確性。

責(zé)任編輯：lq