人工智能目前有哪些突破_人工智能的现状作者：微软亚洲研究院链接：/question//answer/来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。人工智能在助力人类未来、实现可持续发展上的突破是目前最大的突破之一，微软人工智能在永久存储、降低能耗、保护生态、医学研究方面都取得了显著成果。环境可持续发展面向可持续发展的存储、网络和计算技术近年来，人类产生的数据量正在以指数级增长，而对于大多数行业来说，关键数据的.

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

在助力人类未来、实现可持续发展上的突破是目前最大的突破之一，微软人工智能在永久存储、降低能耗、保护生态、医学研究方面都取得了显著成果。

面向可持续发展的存储、网络和计算技术

近年来，人类产生的数据量正在以指数级增长，而对于大多数行业来说，关键数据的丢失更可能造成不可承受的损失。与此同时，目前人们依赖的网络和存储技术也耗费了大量的能源资源。

这一愿景促使微软在存储、网络和计算这三个关键领域上重新思考和发明全新的颠覆性技术。2019年，微软与华纳兄弟首次将电影《超人》存储在了一块能容纳 /question//answer/
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

当年Alpha Go Master击败最强的人类围棋选手之一李世石已经让人不可思议，感受到了人工智能强大的地方。后来出现了AlphaGo Zero，居然经过3天的训练，就击败了Master版本。

为什么AlphaGo Zero可以那么迅速地战胜Alpha Go Master，根本原因就是机器学习的伟大。因为Alpha Go Master是通过学习人类棋谱，来评估下一步的可能性。而AlphaGo Zero版本，除了围棋规则外，没有任何背景知识，并且只使用一个神经网络，它完全不依赖人类棋手的经验，随着训练的不断进行，网络对于胜率的下法概率的估算将越来越准确。

而这种机器学习的应用在近几年也逐步商业化，例如通过机器学习实现的需求预测。

需求预测是很多零售消费企业比较关心的场景，而这个场景最大的难度就在于预测的精准性。我们对一个事件进行预测一般是基于历史的情况进行推演出一个规律，通过这个规律来进行推演到未来。它的特点就是我的短期的预测的精度要远远高于长期的预测的精度，即，未来一周的预测要比未来三个月的精度要高。

而机器学习，首先将数据集划分为训练集和测试集，其次，对于训练集做特征筛选，提取有信息量的特征变量，而筛除掉无信息等干扰特征变量，再次，应用算法建立模型，最后，结合测试集对算法模型的输出参数进行优化。可以不断提高预测的精准性。

目前，在机器学习领域就有深度的研究，通过将现金的算法算力进行融合，在多家500强企业中落地了需求预测模型。有兴趣了解的朋友评论区讨论。

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

人工智能在中国的蓬勃发展令全球瞩目。

人工智能行业协会发布的《2019人工智能产业发展白皮书》指出，中国人工智能产业市场规模逐年攀升，2015年至2018年复合平均增长率为/question//answer/
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

人工智能领域近年来的突破比较少，但是组合创新还是挺多的。这里推荐一种比较新的深度学习方法：深度残差收缩网络。

深度残差收缩网络是ResNet的一个改进，其实是ResNet、注意力机制和软阈值化的集成。

在某种程度上，深度残差收缩网络的算法原理，可以解释为：通过注意力机制注意到不重要的特征，通过软阈值化将它们置为零；或者说，通过注意力机制注意到重要的特征，将它们保留下来，从而加强从强噪声信号中提取有用特征的能力。

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

AI子领域包括：机器学习（ML），自然语言处理（NLP），深度学习（DL），机器人流程自动化（RPA），回归等等。那么过去一年AI到底获得了那些突破呢？我们与21名专业人士聊完之后，汇总了一下他们的见解。

过去的一年里人工之智能取得了许多突破，特别是在深度学习方面。例如，AlphaGo Zero能够自学围棋、国际象棋，并且可在没有人工干预的情况下与人类进行游戏。Taco Tron 和百度的DeepVoice生成的语音几乎与人类语言完全相同。此外，计算机视觉、目标检测和图像分割也变得更加精准，甚至在医学诊断和生物学研究中可与人类媲美。但是，自然语言处理、聊天机器人以及文本摘要等技术都没达到预期目标。

人工智能已经存在很长时间了，新旧事物都在进步，重要的是不能低估公众意识的力量。当深蓝打败加里·卡斯帕罗夫时，情况就不同了。之前只在电影中看到人类被机器打败，而现在真实发生了，这很大程度改变了人们的看法。而我们还有很多应用程序通过人工智能提供商业价值。

人工智能不再被视为仅存在于科幻小说中了。大多数科技公司已经了解人工智能对企业的益处。这使得该技术在过去几个月里取得了快速发展，具有了更好的收益能力，以及机器实时改进其学习过程的能力也得到了提高。

在过去的一年里，我们将重点放在了构建真正的会话型AI上。目前的各种助手不具有处理更复杂和有价值的任务的能力，要想实现则需要人工智能技术。它能够基于知识进行推理，通过上下文和个性化理解不完整或模糊的语言，人工智能利用并超越了模式匹配，从而实现真正的动态对话。就像人类还会通过手势、凝视和以及其他因素进行交流，我们也开始在系统中连接其他服务以及虚拟助手。这就是为什么我们推出了cognitive arbitrator，它通过一个跨越汽车、智能家居和物联网（IoT）生态系统的单一接口，无缝地连接和集成了不同的虚拟助理、第三方服务和内容，以完成复杂的任务并增强用户体验。因此我们能够最大限度的为用户提供独特的和具有个体差异性地体验，同时实现了各助手之间各种服务的交互性。这对物联网生态系统中的每个个体都是双赢的，特别是购买使用产品和服务的人。

AI和ML已经走出实验室，转向更主流的应用程序了。人工智能正进入新的章程，而且才刚刚开始。六年前数据科学家的头衔还不存在，如今已经变得非常专业化，数据科学家和开发人员实现了使用人工智能更快更好地完成任务。

从2000年到2003年，所有的贸易公司都逐步采用了算法交易。在过去的几年里，由于应用程序需求的增加，机器学习获得了快速发展。在一些需要创造性的情境中，人工智能正在取代人类，因为机器可以根据新的信号来源和大量数据自行做出决定。

从技术上讲，过去一年里，由于开发人员开始利用处理能力加速应用程序的发展，使得基于GPU的服务器变得司空见惯。像谷歌的TPU这样的专业处理器开始出现，而它的竞争对手云服务提供商正在合作开发一个开源的深度学习库。此外，也从大数据和点工具（如Hadoop和Spark）开始稳步过渡到使用人工智能和神经网络的更广泛的数据分析类。ML通过使用大型不同的数据集，以及将算法智能应用到分析中来缩小这些方法之间的差距。而学习算法的自学能力还处于初级状态，人工智能在我们的生活中的地位日益增加，产品和服务推荐引擎和图像处理系统得到了显著改善，人工智能产生了许多新职业。该领域的创新步伐正在迅速加快。

AI和ML的概念是云计算的关键要素，但这只有在用户掌握数据的情况下才行得通。通过ML实现的自动化程序提高了企业员工的工作效率，而且随着员工对人工智能工具越来越熟悉，这种自动化程度还会越来越高。此外，简化数据集成的工作正在兴起，尤其是企业希望能够从数据中获取更多有用信息，对预测分析的日益关注使企业能够将实时数据转化为行动指南。

人工智能并不是新鲜事物，但它的复兴是由于能够处理所需数据以及数据速度和类型。信息是大量且杂乱的，需要使用人工智能从中获取有用信息与数据。但问题是，他们无法完全掌控周围的数据。

人工智能在过去一年里发生了戏剧性的演变，主要原因有两个：1）所有的企业都在迅速进行数字化转型。2）新业务和操作数据集的引入速度，以及它们提升了对人工智能自动化业务和操作活动的需求。人工智能的需求已经从“最好具备”发展到“必须拥有”。决策者认识到实施人工智能才能使业务取得更大成功，所以人工智能现在是每个公司首席信息官和首席财务官议程上的一个关键项目。

各种大肆的宣传传递了一个内容，那就是人工智能的趋势还会继续。机器学习的民主化在于普通工程师就能使用它。跟一年前相比，现在软件工程师可以更简单的做出有趣的ML。由于有更低成本的硬件、可用的数据、迁移学习的技术，使你不必成为超级专业博士，就可以成为了解自己的数据，控制数据的主题专家，从而将所学内容实现商业化价值。

拐点：之前人们逐渐意识到生产问题的严重性，例如数据科学家的短缺问题。为了解决这个问题，现在有大量的在线教育，以及大学开设了数据科学课程。所以实现了全民数据科学家，而且有了自动化ML的趋势：机器自动辅助算法做出选择。

他们在没有云计算的技能集，也没有数据科学家的情况下。多年来一直研究如何在边缘设备上实现更智能的计算。通过语义智能ML，可以使边缘设备变得更加智能。我们能让这些边缘设备系统做一些记忆任务吗？当然可以，这需要更多样化的设备部署，以及将实例化数字角色和应用程序融合到组分模型中。从而使语义更加丰富。

我们当然也会看到对深度学习和黑盒技术的厌倦。在研究方面，似乎发生了很大的一个转变，即开始转向创建不太透明且数据量少的算法。我们如何在不使用大数据的情况下，仅用真实数据就得出结论呢？有些系统数据量非常大，而有些不是，我们如何利用统计学和其它数据技术推导出有意义的解？

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

这个问题下的回答质量让人难受。作为在实验室搬过砖、在公司欣赏过大佬做落地、但自己什么都不会的本科刚毕业的小白，我来抛砖引玉一下。如果以下内容有任何错误，请毫不犹豫地喷我，我一定会改正。

个人认为近十年来ai领域最大的突破依然是深度学习的广泛应用及其惊人的效果。所以说nvidia爸爸牛逼，nvidia爸爸造出了炼丹炉，带动了一大波炼丹项目。

我稍微有点了解的领域是计算机视觉（cv，以前的方向）、自然语言处理（nlp，目前的方向）、数据挖掘（道听途说）。

• 传统cv技术已经非常成熟，包括图像识别、物体检测、物体分割，一些更小的任务包括人脸识别、行人重识别（re-id）等等。以上方法基本都基于深度学习和CNN网络。许多cv技术已经落地、大家能够实际用到了，比如一些实名认证系统用到人脸识别，商场也经常看到re-id的演示（就是那种一个大屏幕把不同的人框出来）。一些创业公司也基本是基于cv的，因为cv技术最成熟。
• 然而，凡是都有一个然而。听我做cv科研的同学说，cv科研的下一步路很不好走，视频、3D等都是硬骨头，难啃。当然这是一家之言，不一定准确，但私以为cv的下一个技术爆发可能还有比较远的距离。
• 自然语言处理的落地可谓是非常不行。经常听人吐槽“自然语言处理太难了”，很多任务基线贼低，尤其是生成类任务就垃圾得很。在落地方面，个人觉得只有机器翻译做到成功落地了（google translation个人体验很好），然后搜索引擎也经常用到nlp技术辅助（比如在搜索引擎内直接搜索问题、搜索引擎推荐一个答案的应用，通常包括nlp技术），其他落地都不太令人满意。
• 从技术研发方面，个人觉得nlp处在井喷时期。其核心就是因为Transformer这一技术的出现，以及基于Transformer的预训练模型（如BERT，GPT土豪系列）。很多分类任务都被刷榜了，生成类任务也在快速发展中；当然这些方法距离落地还有一定距离。个人认为目前的nlp有点类似几年前的cv。
• 数据挖掘：我只道听途说过，所以了解不多。目前推荐系统和knowledge graph应该落地比较广泛了。学术界的推荐系统也有各种魔改式应用，如推荐系统+文本、推荐系统+语音之类的。图神经网络（graph neural network）这两年在学术界很火，落地效果我不太了解。

system之类的算是很好的科研方向，而且存在一定壁垒、没那么容易被取代。（因为要求学过cs课程，我这种ee半路转行ai的就做不了，哭哭）但是至少在目前，个人觉得这些方向还没有什么类似CNN或推荐系统这样跨时代的、革命性的、能够变革绝大多数落地产品的突破。如果看到有人吹ai吹得太狠了，请记住下图：

（机器学习和AI的区别：

用Python写的大概是机器学习，

用PPT写的大概是AI。）

就目前来看，人工智能在医疗健康领域的应用，还处于简单融合的初级阶段。

同时，“人工智能＋医疗”的普及，还面临着行业标准的建立、监管体系的完备、社会观念的更新等一系列问题。

要想全面落地，还有许多壁垒。比如，在医疗领域，“数据孤岛”一直存在。

将人工智能技术应用于医疗行业，数据处理是关键。在技术层面，目前人工智能技术的应用大多体现在对影像资料和数据的分析上。

而人工智能如何通过与病人的直接接触和互动交流来实现精准诊断和治疗，依然是一道技术难题。

其次，尽管一直在探索，但目前并未形成较为成熟的人工智能医疗盈利模式。当前中国公立医院的特性是非营利性机构，医疗是个信息极度不对称的领域，人工智能医疗方面盈利模式的核心在于解决不对称的两端的痛点，这是一个复杂的难题。同时民营医院多数自身经营不错，如何说服民营医院进行合作也是一个挑战。

作者：不解风情的老妖怪
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。