人工智能領(lǐng)域發(fā)展迅速。距離2012年ImageNet競賽的深度學(xué)習的現(xiàn)代時代僅僅8年了。自那時以來，該領(lǐng)域的進步令人震驚。不僅如此，今后五年內(nèi)，人工智能領(lǐng)域?qū)⑴c今天大不相同。當前被認為是最先進的方法將已經(jīng)過時；剛剛出現(xiàn)或處于邊緣的方法或?qū)⒊蔀橹髁鳌?/p>

下一代人工智能將是什么樣子？哪種新穎的AI方法將釋放當前在技術(shù)和業(yè)務(wù)方面難以想象的可能性？AI中的三個新興領(lǐng)域，將在未來的幾年中重新定義社會。

1.無監(jiān)督學(xué)習

當今AI世界中最主要的范例是有監(jiān)督的學(xué)習。在監(jiān)督學(xué)習中，AI模型從數(shù)據(jù)集中學(xué)習人類根據(jù)預(yù)定義類別進行策劃和標記的過程。（術(shù)語“監(jiān)督學(xué)習”源于人類“監(jiān)督者”預(yù)先準備數(shù)據(jù)的事實。）

在過去的十年中，盡管從無人駕駛汽車到語音助手，有監(jiān)督的學(xué)習已經(jīng)推動了AI的顯著進步，但它仍然存在著嚴重的局限性。

手動標記成千上萬個數(shù)據(jù)點的過程可能非常昂貴且繁瑣。在機器學(xué)習模型提取數(shù)據(jù)之前，人們必須手動標記數(shù)據(jù)這一事實已成為AI的主要瓶頸。

在更深層次上，有監(jiān)督的學(xué)習代表了一種狹窄的，受限制的學(xué)習形式。受監(jiān)督的算法不僅無法探索和吸收給定數(shù)據(jù)集中的所有潛在信息，關(guān)系和含義，而且僅針對研究人員提前確定的概念和類別。相反，無監(jiān)督學(xué)習是一種AI方法，其中算法無需人工提供標簽或指導(dǎo)即可從數(shù)據(jù)中學(xué)習。

許多AI領(lǐng)導(dǎo)者將無監(jiān)督學(xué)習視為人工智能的下一個前沿領(lǐng)域。用AI傳奇人物Yann LeCun的話說：“下一場AI革命將不會受到監(jiān)督。” 加州大學(xué)伯克利分校的教授吉滕達·馬利克（Jitenda Malik）更加生動地說：“標簽是機器學(xué)習研究人員的鴉片?！?/p>

無監(jiān)督學(xué)習如何工作？

簡而言之，系統(tǒng)會根據(jù)世界的其他部分來了解世界的某些部分。通過觀察實體的行為，實體之間的模式以及實體之間的關(guān)系（例如，文本中的單詞或視頻中的人物），系統(tǒng)引導(dǎo)了對其環(huán)境的整體理解。一些研究人員用“從其他事物中預(yù)測所有事物”來概括這一點。

無監(jiān)督學(xué)習更緊密地反映了人類學(xué)習世界的方式：通過開放式探索和推理，不需要監(jiān)督學(xué)習的“訓(xùn)練輪”。它的基本優(yōu)點之一是，世界上總是會比未標記的數(shù)據(jù)多得多（并且前者更容易獲得）。

用LeCun的話來說，他喜歡密切相關(guān)的術(shù)語“自我監(jiān)督學(xué)習”：“在自我監(jiān)督學(xué)習中，一部分輸入被用作監(jiān)視信號，以預(yù)測輸入的其余部分?？梢酝ㄟ^自我監(jiān)督學(xué)習而不是［其他AI范式］來學(xué)習有關(guān)世界結(jié)構(gòu)的知識，因為數(shù)據(jù)是無限的，每個示例提供的反饋量很大?！?/p>

無監(jiān)督學(xué)習已經(jīng)在自然語言處理中產(chǎn)生了變革性的影響。NLP得益于一種新的無監(jiān)督的學(xué)習架構(gòu)，即Transformer，最近取得了令人難以置信的進步，該架構(gòu)始于Google大約三年前。

將無監(jiān)督學(xué)習應(yīng)用于AI的其他領(lǐng)域的努力仍處于早期階段，但是正在取得快速進展。舉個例子，一家名為Helm.ai的初創(chuàng)公司正在尋求利用無監(jiān)督學(xué)習來超越自動駕駛汽車行業(yè)的領(lǐng)導(dǎo)者。

許多研究人員將無監(jiān)督學(xué)習視為開發(fā)人類級AI的關(guān)鍵。LeCun認為，掌握無監(jiān)督學(xué)習是“未來幾年ML和AI面臨的最大挑戰(zhàn)?！?/p>

2.聯(lián)合學(xué)習

數(shù)字時代的主要挑戰(zhàn)之一是數(shù)據(jù)隱私。由于數(shù)據(jù)是現(xiàn)代人工智能的命脈，因此數(shù)據(jù)隱私問題在AI的發(fā)展軌跡中扮演著重要的角色（并且通常是限制性的）。

保持隱私的人工智能（使AI模型能夠從數(shù)據(jù)集中學(xué)習而不損害其隱私的方法）正變得日益重要。保持隱私的AI的最有前途的方法也許是聯(lián)合學(xué)習。

聯(lián)邦學(xué)習的概念最早由Google的研究人員于2017年初提出。在過去的一年中，對聯(lián)邦學(xué)習的興趣激增：到2020年的前六個月，發(fā)表了1，000多篇關(guān)于聯(lián)邦學(xué)習的研究論文，而只有180篇在所有2018年。

如今，構(gòu)建機器學(xué)習模型的標準方法是將所有訓(xùn)練數(shù)據(jù)收集到一個地方（通常在云中），然后在數(shù)據(jù)上訓(xùn)練模型。但是，這種方法對于世界上的許多數(shù)據(jù)都不可行，由于隱私和安全原因，這些數(shù)據(jù)無法移至中央數(shù)據(jù)存儲庫。這使其成為傳統(tǒng)AI技術(shù)的禁區(qū)。

聯(lián)合學(xué)習通過顛覆傳統(tǒng)的AI方法解決了這個問題。

聯(lián)合學(xué)習并不需要一個統(tǒng)一的數(shù)據(jù)集來訓(xùn)練模型，而是將數(shù)據(jù)保留在原處，并分布在邊緣的眾多設(shè)備和服務(wù)器上。取而代之的是，將模型的許多版本發(fā)送到一個帶有訓(xùn)練數(shù)據(jù)的設(shè)備，每個模型都在每個數(shù)據(jù)子集上進行本地訓(xùn)練。然后將生成的模型參數(shù)（而不是訓(xùn)練數(shù)據(jù)本身）發(fā)送回云。當所有這些“微型模型”匯總在一起時，結(jié)果便是一個整體模型，其功能就像是一次在整個數(shù)據(jù)集上進行訓(xùn)練一樣。

最初的聯(lián)合學(xué)習用例是針對分布在數(shù)十億移動設(shè)備上的個人數(shù)據(jù)訓(xùn)練AI模型。正如這些研究人員總結(jié)的那樣：“現(xiàn)代移動設(shè)備可以訪問大量適用于機器學(xué)習模型的數(shù)據(jù)。。.。但是，這些豐富的數(shù)據(jù)通常對隱私敏感，數(shù)量龐大或兩者兼而有之，因此可能無法登錄到數(shù)據(jù)中心……我們提倡一種替代方案，將培訓(xùn)數(shù)據(jù)保留在移動設(shè)備上，并通過匯總本地計算的更新來學(xué)習共享模型。”

最近，醫(yī)療保健已成為聯(lián)邦學(xué)習應(yīng)用中特別有前途的領(lǐng)域。

不難理解原因。一方面，醫(yī)療保健中有大量有價值的AI用例。另一方面，醫(yī)療保健數(shù)據(jù)，尤其是患者的個人可識別信息，非常敏感。像HIPAA這樣的法規(guī)叢書限制了它的使用和移動。聯(lián)合學(xué)習可以使研究人員能夠開發(fā)挽救生命的醫(yī)療保健AI工具，而無需從源頭轉(zhuǎn)移敏感的健康記錄或使它們暴露于隱私泄露中。

涌現(xiàn)出許多初創(chuàng)公司，致力于醫(yī)療保健中的聯(lián)合學(xué)習。最有名的是總部位于巴黎的Owkin；早期階段的參與者包括Lynx.MD，F(xiàn)errum Health和Secure AI Labs。

除了醫(yī)療保健，聯(lián)邦學(xué)習有一天可能會在任何涉及敏感數(shù)據(jù)的AI應(yīng)用程序的開發(fā)中發(fā)揮中心作用：從金融服務(wù)到自動駕駛汽車，從政府用例到各種消費產(chǎn)品。與差分隱私和同態(tài)加密之類的其他隱私保護技術(shù)搭配使用，聯(lián)合學(xué)習可以提供釋放AI巨大潛力的關(guān)鍵，同時減輕數(shù)據(jù)隱私這一棘手的挑戰(zhàn)。

今天全球范圍內(nèi)頒布的數(shù)據(jù)隱私立法浪潮（從GDPR和CCPA開始，許多類似的法律即將出臺）只會加速對這些隱私保護技術(shù)的需求。期望聯(lián)邦學(xué)習在未來幾年中將成為AI技術(shù)堆棧的重要組成部分。

3.變形金剛

我們已經(jīng)進入了自然語言處理的黃金時代。

OpenAI發(fā)行的GPT-3是有史以來功能最強大的語言模型，今年夏天吸引了技術(shù)界。它為NLP設(shè)定了新的標準：它可以編寫令人印象深刻的詩歌，生成有效的代碼，撰寫周到的業(yè)務(wù)備忘錄，撰寫有關(guān)自身的文章等等。

GPT-3只是一系列類似架構(gòu)的NLP模型（Google的BERT，OpenAI的GPT-2，F(xiàn)acebook的RoBERTa等）中最新的（也是最大的），它們正在重新定義NLP的功能。

推動語言AI革命的關(guān)鍵技術(shù)突破是Transformer。

在2017年具有里程碑意義的研究論文中介紹了變壓器。以前，最新的NLP方法都基于遞歸神經(jīng)網(wǎng)絡(luò)（例如LSTM）。根據(jù)定義，遞歸神經(jīng)網(wǎng)絡(luò)按順序顯示數(shù)據(jù)-即一次顯示一個單詞。

變形金剛的一項偉大創(chuàng)新是使語言處理并行化：在給定文本主體中的所有標記都是同時而不是按順序分析的。為了支持這種并行化，變形金剛嚴重依賴于稱為注意力的AI機制。注意使模型能夠考慮單詞之間的關(guān)系，而不論它們之間有多遠，并確定段落中的哪些單詞和短語對于“注意”最為重要。

為什么并行化如此有價值？因為它使Transformers的計算效率大大高于RNN，這意味著可以在更大的數(shù)據(jù)集上對它們進行訓(xùn)練。GPT-3訓(xùn)練了大約5，000億個單詞，由1，750億個參數(shù)組成，這使現(xiàn)有的RNN顯得微不足道。

迄今為止，由于GPT-3等型號的成功應(yīng)用，變壓器幾乎只與NLP相關(guān)聯(lián)。但是就在本月，發(fā)布了一篇突破性的新論文，該論文成功地將Transformers應(yīng)用于計算機視覺。許多AI研究人員認為，這項工作可以預(yù)示計算機視覺的新時代。

盡管像Google和Facebook這樣的領(lǐng)先AI公司已經(jīng)開始將基于Transformer的模型投入生產(chǎn)，但大多數(shù)組織仍處于將該技術(shù)產(chǎn)品化和商業(yè)化的初期階段。OpenAI已宣布計劃通過API將GPT-3進行商業(yè)訪問，這可能會為在其上構(gòu)建應(yīng)用程序的整個初創(chuàng)企業(yè)生態(tài)系統(tǒng)注入種子。

從自然語言開始，期望Transformers在未來的幾年中將成為整個新一代AI功能的基礎(chǔ)。過去十年來人工智能領(lǐng)域令人興奮，但事實證明，這僅僅是未來十年的前奏。
責任編輯:tzh