在过去的2018年，人工智能领域的大事件、新（xīn）发现和新进展层出不（bú）穷。

BERT重磅发（fā）布（bù），刷新了很多NLP的（de）任务的最好性能；GAN相（xiàng）关研究论文持续增（zēng）长，生成的（de）照片达（dá）到了以假乱真的程度；Deepfakes发展神速，让许多（duō）政（zhèng）客和明星供大众娱乐了一番；强化学习也在与人类的对战（zhàn）游戏中独领风骚......

硬（yìng）件方面（miàn），Nvidia一骑绝尘，Intel努（nǔ）力求变，定制硬件市场繁荣（róng）；

除此之外，自动驾驶、AI伦理等也是过（guò）去一年的讨论重点。

回顾2018展望2019，人工智能和机器学习将走向何（hé）方？

Medium的一位专（zhuān）栏作者为此撰（zhuàn）文概（gài）括（kuò）了过去（qù）一年中人工智能领域（yù）的（de）一些模式，并试图勾勒出其（qí）中（zhōng）的某（mǒu）些趋势。注意，这篇（piān）总结是以美国的发展为中心展开，以下是文章全（quán）文：

毫无疑问，算法话语（yǔ）权由深度（dù）神经网络（DNN）主导。

当（dāng）然，你可能会听说有人（rén）在这里或那里部署了一个“经典的（de）”机器学习模型(比如梯度提升树或多臂（bì）老虎机)，并声称这（zhè）是每个（gè）人唯一需要的（de）东西（xī）。有人宣（xuān）称，深度学习（xí）正（zhèng）处于（yú）垂死挣扎中。甚至连顶级的研（yán）究人员也在质疑一些深度神经网络（ DNN） 架构的效率和（hé）抗变换（huàn）性。

但是（shì），不管你喜欢与否，DNN无处不（bú）在: 自动驾驶汽（qì）车、自（zì）然（rán）语（yǔ）言系统、机器人——所（suǒ）有你能想到的皆是如此。

在自然语言处理、生成式（shì）对抗网络和深度增强学习中，DNN取得的飞跃尤为明显。

尽管在2018年之前，文（wén）本使用DNN（比如（rú）word2vec、GLOVE和基于LSTM的模型）已经取得了一些突破，但缺少一（yī）个关键的概念（niàn）元素：迁移学习。

也就是说，使用大量公（gōng）开可用（yòng）的（de）数据对模（mó）型进（jìn）行训练，然后根据你（nǐ）正在处理的特定数据（jù）集对其进行“微调”。在计算机（jī）视觉中，利用在著名的 ImageNet 数据集上发现的模式来解（jiě）决特定的问（wèn）题，通常是一种解决方案。

问题（tí）是，用于迁移学习的（de）技巧并不能很好地（dì）应（yīng）用于自然语言处理（lǐ）（NLP）问题（tí）。在某种（zhǒng）意（yì）义上，像 word2vec 这（zhè）样的预先训练的嵌入正（zhèng）在弥（mí）补（bǔ）这一点，但它们（men）只能应用于单个单词级别，无法捕捉到语言（yán）的高级结构。

然而，在2018年，这种情况发生了变化。 ELMo，情（qíng）境化嵌入成为提高 NLP 迁移学（xué）习的第一个重（chóng）要步（bù）骤。ULMFiT 甚至更进一步: 由于不（bú）满意嵌入式（shì）的语义捕捉（zhuō）能力（lì），作（zuò）者（zhě）找（zhǎo）到了一种（zhǒng）为整个（gè）模型进行迁移学习（xí）的方（fāng）法。

但最有趣的进步无疑是BERT的（de）引入。通过让（ràng）语言模型（xíng）从英（yīng）文维基（jī）百科（kē）的（de）全部文章中进行学习，这个团队能够（gòu）在（zài）11个 NLP 任务中取得最高水准的结果——这（zhè）是一个壮举（jǔ）！更妙的是，它开（kāi）源了。所以，你可以把这一突破应用到自己（jǐ）的研究问（wèn）题上。

CPU的速度不会再呈（chéng）现指数级的增长（zhǎng），但是生成（chéng）式对抗网络（GAN）的（de）学术论文（wén）数量肯定会继续增（zēng）长。GAN多年来一直是学术界的宠儿。然而（ér），其在现实生（shēng）活中（zhōng）的应用似（sì）乎（hū）很少（shǎo），而且这一（yī）点在2018年（nián）几（jǐ）乎没有改变（biàn）。但是（shì）GAN仍然有着惊人的潜力等待（dài）着我们去实（shí）现。

目前（qián）出现了一种新（xīn）的方法，即逐步增加生成式对抗网络: 使（shǐ）生成器在整个（gè）训（xùn）练过程中逐步提（tí）高其输出（chū）的分辨（biàn）率。很多令人（rén）印象深刻（kè）的论（lùn）文（wén）都（dōu）使用了这种方法，其中（zhōng）有一篇采（cǎi）用了风（fēng）格转移技术来生成逼真的照（zhào）片。有多逼真（zhēn）？你来告（gào）诉我：

这些照（zhào）片中哪一张是真人？

这（zhè）个问题有（yǒu）陷阱：以上皆不是。

然而，GAN是如何工（gōng）作的，以及它为什（shí）么会起效呢？我们对此还（hái）缺（quē）乏深（shēn）入的了解（jiě），但是我（wǒ）们正在采取一些重（chóng）要的措施（shī）: 麻省理（lǐ）工（gōng）学院的一（yī）个（gè）团（tuán）队已经对这个问题进行了高（gāo）质（zhì）量（liàng）的研究。

另（lìng）一个有趣的（de）进展（zhǎn）是“对抗补丁“，从技术上（shàng）来说它并非是一个生成式对抗网络。 它同时（shí）使用（yòng）黑盒(基本上不考虑神（shén）经网络的内部（bù）状态)和（hé）白盒（hé）方法（fǎ）来制作一个（gè）“补丁”，可以骗过一个基于（yú） CNN的分类器。 从而得（dé）出一个重要的（de）结果：它引导我们（men）更好地了解深（shēn）度（dù）神经网（wǎng）络（luò）如何工作，以（yǐ）及我们距离获得人类级（jí）别的概（gài）念（niàn）认知还有多远（yuǎn）。

你能区分香（xiāng）蕉和烤面（miàn）包机吗？人工智能仍（réng）然不能。

自从（cóng）2016年 AlphaGo 击（jī）败李世石后，强化学习就（jiù）一直是公众关注的焦点。

在训练中，强化（huà）学习依赖于“奖励”信号，即（jí）对（duì）其（qí）在最后一次尝（cháng）试中（zhōng）表（biǎo）现的（de）评分。电脑游戏提供了一个与现实生活相反的自然（rán）环（huán）境，让这种（zhǒng）信号随时（shí）可用。因（yīn）此，RL研究的所有注意力都放在（zài）了教 AI玩（wán）雅（yǎ）达利游戏上。

谈到它们的新发明 DeepMind，AlphaStar又成了（le）新闻。这种新模（mó）式击败（bài）了星际争霸 II的顶级（jí）职业选（xuǎn）手之一。星际争霸比国（guó）际象棋和围棋复杂得多，与大多数棋类游（yóu）戏（xì）不同，星际争霸有巨大的动作（zuò）空间和（hé）隐藏（cáng）在玩家身上的重要（yào）信（xìn）息（xī）。这（zhè）次胜利（lì）对整个领域来说，都是一（yī）次非常重要的飞跃。

在RL这（zhè）个领域（yù），另一（yī）个（gè）重要角色OpenAI也没有（yǒu）闲着。让它们声名鹊起的是OpenAI Five，这个（gè）系统在2018年8月击（jī）败（bài）了Dota 2这个极其（qí）复杂（zá）的电子（zǐ）竞（jìng）技游戏中（zhōng）99.95%的（de）玩家。

尽管 OpenAI 已经对电脑游戏给予了很多关注，但是他们并没（méi）有忽（hū）视 RL 真正的潜在应用领域（yù）: 机器人。

在（zài）现实（shí）世界中，一（yī）个人能够给予机（jī）器人的反馈是（shì）非常稀少且（qiě）昂贵的：在你的 R2-D2（电影中的虚拟机器人）尝（cháng）试走出（chū）第一“步”时，你基本上需要（yào）一个人类保姆来（lái）照看它（tā）。你需要数以百（bǎi）万计的数据点。

为了弥合这（zhè）一差距，最新（xīn）的趋势是学（xué）会模拟一个环（huán）境，同时并行地运行大量场景以教授机器人基本技能，然（rán）后再转（zhuǎn）向现实世界（jiè）。OpenAI和Google都在研究（jiū）这（zhè）种方法。

Deepfakes指一些伪造的（de）图像或视（shì）频，（通常（cháng））展示（shì）某个公众人物（wù）正在做（zuò）或（huò）说一些他们从未做过或说（shuō）过的（de）事情。在“目标”人（rén）物大（dà）量（liàng）镜（jìng）头的基础上训（xùn）练一个生成（chéng）式对抗网络，然后在（zài）其中（zhōng）生成包（bāo）含所（suǒ）需动作的新（xīn）媒体——deepfakes就是这样创建的。

2018年（nián）1月发布的名（míng）为FakeApp的桌面应用（yòng）程序，可以让所有拥有计算（suàn）机科（kē）学知（zhī）识的人和对此一无（wú）所知的人都（dōu）能创（chuàng）建（jiàn）deepfakes。虽然它制作的（de）视频很容易被人看出来是（shì）假的，但这项（xiàng）技（jì）术已经取（qǔ）得了长足的进步（bù）。

目前，我们拥有很多深度学习框架。这个领域是广阔的，这种多样（yàng）性表面上看是有意义的。但实际上（shàng），最近大（dà）多数人都在（zài）使用Tensorflow或PyTorch。如果你关心（xīn）可靠性、易于部（bù）署性和模（mó）型重载等SREs 通常关心的问题，那么（me）你可能（néng）会选择 Tensorflow。如（rú）果（guǒ）你（nǐ）正在写一篇研究（jiū）论文（wén），而且（qiě）不在（zài）谷歌工作，那（nà）么你很可能使用PyTorch。

今年，我们看到（dào）了更多（duō）的人工智能解决方案，它们被一个未获得（dé）斯（sī）坦福大（dà）学（xué）机器学习博士（shì）学位的软件工程师打包成一个供消费（fèi）的（de） API。Google Cloud和Azure都改进了（le）旧服务，并且增加了（le）新服务。AWS机器学习服务列表开始看起来（lái）十分令人生畏。

天啊（ā），AWS的服务很快就会（huì）多到需要两级目录层次结构来展示了。

尽管这种狂热现象已经冷（lěng）却（què）了一些，但还是有很多创业公司发出了挑战。每（měi）个人都承诺了模（mó）型训练（liàn）的速（sù）度、推（tuī）理过程中的易用性和（hé）惊人的模型性能。

只要输入你的信用卡（kǎ）信（xìn）息，上传（chuán）你的数据，给模型一些时间去训（xùn）练（liàn）或（huò）者微（wēi）调（diào），调用 REST (或者，给（gěi）更有前瞻性（xìng）的创业（yè）公司（sī）GraphQL)的（de） API，就（jiù）可以成为（wéi）人（rén）工智能（néng）方面的大师，甚至（zhì）不需要搞清楚（chǔ）“随机失活(dropout)”是什么。

有了这么多的（de）选择（zé），为（wéi）什么还有人会费心（xīn）自己建造模（mó）型和基础设施呢？实际上，现成的 MLaaS 产品在80% 的实用案例中表现得非常好。如果你希望剩下的20% 也能正常工作，那就没那么幸运（yùn）了: 你不仅不能真正地（dì）选择模（mó）型，甚至不能控制超参数。或者，如果你需要在（zài）云的舒适区之外的某个地方进行推（tuī）断——一般情（qíng）况下都做不到。这就是代价。

今（jīn）年推（tuī）出的两项特别有趣的（de）服务（wù）均由谷歌发布。

首先，Google Cloud AutoML是一套定制（zhì）的（de） NLP 和计算机视觉（jiào）模（mó）型培训产（chǎn）品。 这是（shì）什么意思？汽车设（shè）计师通过自动微（wēi）调（diào）几（jǐ）个预（yù）先训练的模型，并选择其中（zhōng）最好（hǎo）的那个，从而解决了模（mó）型（xíng）定制问题。这意味（wèi）着（zhe）你（nǐ）很可（kě）能不（bú）需要自己去定制模型。

当然（rán），如果你想做（zuò）一些真正新鲜或不同的东西（xī），那么（me）这个服务并不适合（hé）你。但是，谷（gǔ）歌在大量专有数据的基础（chǔ）上预（yù）先训练其模型，这是一个附带的好处。想（xiǎng）想所有关（guān）于猫（māo）的照片，它们一定比（bǐ） Imagenet 更具（jù）推（tuī）广性！

第二（èr），AI Hub 和 TensorFlow Hub。在（zài）这两（liǎng）者出现之前，重复使用某人的模（mó）型确（què）实是件苦差事。基于（yú） GitHub 的随机代码很少能（néng）用，通常记录得（dé）很（hěn）差，而且一般来说（shuō），处（chù）理起来（lái）并不愉（yú）快。还有预先（xiān）训练的（de）迁移学习权重……这（zhè）么（me）说吧，你甚至（zhì）不想尝试把它们用于（yú）工作中。

这正是（shì）TF Hub想要解（jiě）决的问题: 它是一个可靠的、有组（zǔ）织的（de）模型存储库，你可以对其进行微（wēi）调（diào）或构建。只要加（jiā）入几行代码——TF Hub 客户（hù）端就可以从（cóng）谷（gǔ）歌（gē）的服务器上获（huò）取代码和（hé）相应（yīng）的（de）权重——然后，哇哦，它就可以正常（cháng）工作了！

Ai Hub 更进一步：它允许你共享整个ML管道（dào），而（ér）不仅（jǐn）仅是模型（xíng）！它仍然处于（yú） alpha 测试阶段，但如果你明白我的意（yì）思的话（huà），它已经比一个连最新（xīn）的文件也（yě）是“3年前才修改”的（de）随机存（cún）储库要好得多。

Nvidia（英伟达（dá））

如果（guǒ）你在2018年认（rèn）真研（yán）究（jiū）过（guò）ML，尤其（qí）是DNN，那么你就曾用过一个（gè）（或多个）GPU。因此，GPU的领头（tóu）羊在这一年里都非常（cháng）忙碌。

随（suí）着（zhe）加密狂潮的（de）冷却和随后（hòu）的股价（jià）暴跌（diē），Nvidia发布了基于图灵架构的全新（xīn）一代消费级卡（kǎ）。新卡仅（jǐn）使用了2017年发（fā）布的基于Volta芯片的专业卡，且包含了被称为Tensor Cores的新的高速矩（jǔ）阵（zhèn）乘（chéng）法（fǎ）硬件。矩（jǔ）阵乘法是DNN运行方式的核心（xīn），因此加快这些运算（suàn）将（jiāng）大大提高（gāo）新GPU上神（shén）经（jīng）网络训练（liàn）的速度。

对于（yú）那些对（duì）“小”和（hé）“慢”的游戏GPU不满意（yì）的人来说，Nvidia更（gèng）新了他们的（de）“超级计（jì）算（suàn）平台”。 DGX-2具有多（duō）达16块（kuài）Tesla V，用于FP16操（cāo）作的（de）480 TFLOP（480万亿（yì）次浮点（diǎn）运算），真可谓是（shì）一款（kuǎn）“怪物”盒（hé）子。而其价格也更（gèng）新了，高达40万美元。

此外，自（zì）动硬件（jiàn）也（yě）得到了更（gèng）新（xīn）。Jetson AGX Xavier是Nvidia希望能为下一代自动驾（jià）驶汽车提供动力的一个模块。八核CPU、视觉加速器（qì）以及深度学习加速器（qì），这些都是（shì）日益增长（zhǎng）的自动驾驶行业所需的。

在一个有趣的开（kāi）发项目（mù）中，Nvidia为他们（men）的游（yóu）戏卡推出（chū）了基于DNN的一种功能：深度学（xué）习超（chāo）级（jí）取样（Deep Learning Super Sampling）。其（qí）想法是去替换抗锯齿，目（mù）前主要（yào）通过先渲染分辨（biàn）率（lǜ）高于（yú）所需（例（lì）如4倍）的图片然后（hòu）再将其缩放到本机监视器分辨率（lǜ）来完成。

现在，Nvidia允许开发人员在发布游戏之（zhī）前以（yǐ）极高（gāo）的质量（liàng）去训练图（tú）像转换模型。然后，使用预（yù）先训（xùn）练的模型将游戏发送给最终用户（hù）。在游戏过（guò）程中，图形（xíng）通过（guò）该模（mó）型来运作以（yǐ）提高图像质（zhì）量，而不会（huì）产生旧式（shì）抗锯（jù）齿（chǐ）的成本。

Intel英特尔

英特尔（ěr）在2018年绝对不是人工（gōng）智能（néng）硬件领域的（de）开拓（tuò）者，但（dàn）似乎他们希（xī）望改变这一（yī）点。

令人惊讶的是，英特尔的大多数动作都发生在软件领（lǐng）域（yù）。英特尔（ěr）正在（zài）努力使（shǐ）其现有和即将推出的硬（yìng）件更加适合开发人（rén）员。考虑到（dào）这一点，他们（men）发布了一对（既令人惊讶又有（yǒu）竞争力（lì）的（de））工具包（bāo）：OpenVINO和nGraph。

他们（men）更新了自己（jǐ）的（de）神经（jīng）计算棒（bàng）：一个小型USB设备（bèi），可以加速（sù）任何带USB端口的DNN，甚至是Raspberry Pi。

有关英（yīng）特（tè）尔（ěr）独立GPU的传闻变得越来越错综复杂（zá）。虽（suī）然这一传闻（wén）持（chí）续流传，但新设备对DNN训练的适用性仍（réng）有待观察（chá）。绝对适用于深度学习（xí）的是传闻中的（de）专业（yè）深度学习（xí）卡，它们的代号为Spring Hill和（hé）Spring Crest。而（ér）后者基于（yú）初创公司（sī）Nervana（英特（tè）尔几（jǐ）年前已将其收购）的技术。

寻常（和不常（cháng）见（jiàn））的定制（zhì）硬件（jiàn）

谷（gǔ）歌（gē）推出了他（tā）们（men）的第三代（dài）TPU：基于ASIC的DNN专用加速器，具有惊人（rén）的128Gb HMB内存。256个（gè）这样的设（shè）备组装成（chéng）一个具（jù）有超过每（měi）秒100千兆次性（xìng）能的集合体。谷（gǔ）歌今年（nián）不再仅凭这些设（shè）备来挑逗世界的其他玩家（jiā）了，而是通过Google Cloud向公众（zhòng）提供TPU。

在类似的、但主要针对推理（lǐ）应用程序的项目中，亚（yà）马逊已经部署了AWS Inferentia：一种更便宜、更有效（xiào）的在生产中运（yùn）行模（mó）型的方（fāng）式。

谷（gǔ）歌还（hái）宣布了Edge TPU项目：这个芯片（piàn）很（hěn）小（xiǎo）：10个芯片加起来才（cái）有一美分硬（yìng）币的大小。与此（cǐ）同时（shí），它能（néng）做到在实（shí）时视频上运行DNN，并且几乎不消耗任何能量，这就足够了。

一个有趣（qù）的潜在新玩（wán）家是Graphcore。这家（jiā）英国公司已经筹集了3.1亿美元，并在2018年推出了（le）他们的第一款（kuǎn）产品GC2芯片。根据基（jī）准测（cè）试，GC2在进行推理时碾压了顶级Nvidia服务器GPU卡，同（tóng）时消耗（hào）的功率（lǜ）显着（zhe）降低（dī）。

亚马（mǎ）逊推出了（le）一款小型（xíng）自动驾驶（shǐ）汽车DeepRacer，以及（jí）一个赛（sài）车（chē）联盟。这（zhè）完（wán）全出（chū）人意料，但也（yě）有点像他们（men）之前（qián）推出DeepLens时的情（qíng）况。这款400美元的汽车（chē）配备了Atom处理器，400万像（xiàng）素摄像头，wifi，几个USB端口，以（yǐ）及可（kě）运行数小（xiǎo）时（shí）的（de）充足电量。

自动（dòng）驾驶模型可以使（shǐ）用完全在云端的3D模拟环境进行训练（liàn），然后直接部署到这（zhè）款车上（shàng）。如果你（nǐ）一直梦想着建造自己的自动驾驶汽车（chē），那么亚马（mǎ）逊的这（zhè）款车就（jiù）能让（ràng）你如愿，而（ér）不必（bì）再去（qù）自己创立受到VC支持的公司了。

既然算法、基础设施和硬件等让AI变得有用（yòng）的因素都（dōu）比以往任（rèn）何时候要更好，企（qǐ）业（yè）于是意识到开始应用（yòng）AI的最（zuì）大绊脚石（shí）在于其实际（jì）性层面：你如何将（jiāng）AI从想法阶段落实到有（yǒu）效、安全又可靠的生产系统中？

应用AI或应用机器学习（xí）（ML），也称为决策智（zhì）能，是为（wéi）现实世界问题创建AI解决方案的（de）科学。虽（suī）然过去我们把重（chóng）点（diǎn）放（fàng）在算法（fǎ）背后的科（kē）学（xué）上，但未（wèi）来我们应该对该领（lǐng）域（yù）的端到端应用给予（yǔ）更（gèng）加平等的关（guān）注。

人工智（zhì）能（néng）在促进就业方面（miàn）功（gōng）大于过

“人工智（zhì）能会（huì）拿走我们所有的工作（zuò）”是媒体一（yī）直反（fǎn）复宣扬（yáng）的主题，也是蓝领和白领共同的恐惧（jù）。而且从表面上看（kàn），这似（sì）乎是一个合理的预测。但到目前（qián）为止，情（qíng）况恰恰（qià）相反。例如（rú），很（hěn）多人都通过（guò）创（chuàng）建标签数据集的工作拿到了薪酬。

像LevelApp这样的应用程序可（kě）以（yǐ）让难民只需用手机标记自己的（de）数据（jù）就可以赚（zuàn）到钱。Harmon则更进（jìn）一（yī）步：他们甚至为难民营中的（de）移民（mín）提供设备，以便（biàn）这些人可以做出贡献并以（yǐ）此（cǐ）谋（móu）生。

除了（le）数据（jù）标签之外，整个行业都是通过新的AI技（jì）术创建的（de）。我们（men）能够做（zuò）到（dào）几年前无法想象的事情，比如（rú）自动驾（jià）驶（shǐ）汽车或新药研发（fā）。

更（gèng）多与ML相关的计算将在（zài）边缘领域（yù）进行

Pipeline的后期阶段通（tōng）常通过降采样或其他方（fāng）式（shì）降低信号（hào）的保真度。另（lìng）一方面，随着AI模型变得越来越复杂，它们在数据更多（duō）的（de）情况下表现得更好。将AI组（zǔ）件移近数（shù）据、靠近边缘，是否会（huì）有意（yì）义吗（ma）？

举一个（gè）简（jiǎn）单的例子（zǐ）：想象一个高分辨（biàn）率的摄像机，可（kě）以（yǐ）每秒30千兆次（cì）的速度生成（chéng）高质量的视频。处理该视频的计算机视（shì）觉（jiào）模型在服（fú）务（wù）器上运行。摄像机将（jiāng）视频流（liú）式传输到服务器，但上行带宽（kuān）有限，因此视频会（huì）缩小并被高（gāo）度压缩。为何不将视觉模型移动到（dào）相机并使用（yòng）原始视频流呢？

与此同时（shí），多个障碍总是存在，它们主要是：边缘设备（bèi）上（shàng）可用（yòng）的计算能力的数（shù）量和管理（lǐ）的（de）复杂性（例如将更新的（de）模型推向边缘）。专用硬件（如Google的（de）Edge TPU、Apple的神经引擎等）、更高效的模型和优化软件的出现，让计算的局限（xiàn）性逐（zhú）渐消失。通过改进ML框架和工具，管理复杂性（xìng）问题不断得（dé）到解（jiě）决。

整合AI基础架构（gòu）空间

前（qián）几年人（rén）工智能基础设施相关活动层出不穷：盛大的公告、巨额的多轮融资和厚重的承诺。2018年（nián），这个（gè）领域似乎降温了。虽然仍然有（yǒu）很多新的（de）进步，但大部分（fèn）贡献（xiàn）都是由（yóu）现（xiàn）有大（dà）型（xíng）玩家做出（chū）的。

一个可能的解释也许是我们对AI系统的理想基础设施的（de）理解还不够成熟。由（yóu）于问题很复杂，需要长期、持久、专注而且财力雄厚的努力，才能产生可行的解决（jué）方案——这是初创公司和小公（gōng）司所不擅长的。如（rú）果一家初创公司“解决”了AI的问（wèn）题（tí），那绝（jué）对会让人惊奇不已。

另一方面，ML基础设施工程师却很少见。对于大（dà）公（gōng）司来说，一个仅有几（jǐ）名员（yuán）工、挣扎求生的创业公司（sī）显然（rán）是很有价值的并购目标。这（zhè）个行业（yè）中至（zhì）少（shǎo）有几个玩家（jiā）是为（wéi）了胜利在不断奋斗的，它们同时建立了内部和外部工具。例如（rú），对于（yú）AWS和Google Cloud而言（yán），AI基础（chǔ）设施服务是一个主要（yào）卖点。

综上可以（yǐ）预测，未来在（zài）这（zhè）个领域会出现一（yī）个整合多个玩（wán）家的垄断者。

更多定制硬（yìng）件

至少对（duì）于（yú）CPU而言，摩尔（ěr）定律（lǜ）已经（jīng）失效了，并且这一事实已经存在（zài）很多年了。GPU很快就会遭受类似的命运（yùn）。虽然我们的模（mó）型变得越（yuè）来越高效（xiào），但为了解决一些更高级（jí）的问题，我们需要用到更多（duō）的计（jì）算能力。这（zhè）可以通过分布式（shì）训练来解决（jué），但它自（zì）身也有（yǒu）局限。

此外，如果你想在（zài）资（zī）源受限的设备上（shàng）运行一些（xiē）较大的模型，分布式训练会变得毫无用处（chù）。进入自定义AI加速（sù）器。根据你想要的或可以实现的自定义方式，可以节省一（yī）个数（shù）量级的功耗、成本或潜在消耗。

在某种程度上，即使是Nvidia的Tensor Cores也（yě）已经投身于（yú）这一（yī）趋势。如果没有（yǒu）通用硬（yìng）件的话，我们会看到更（gèng）多的案例。

减（jiǎn）少对训练数据的依赖

标记数据通常很昂贵，或（huò）者（zhě）不（bú）可用，也（yě）可能二者兼（jiān）有（yǒu）。这一规则几乎（hū）没有（yǒu）例外。开放的高质量数据（jù）集，如MNIST、ImageNet、COCO、Netflix奖（jiǎng）和IMDB评论，都是令人难以置信的创新源泉。但是（shì）许多问题并没有可供使用的相应数（shù）据集。研究（jiū）人员不可能自己（jǐ）去建立数据（jù）集，而（ér）可提供赞助或发（fā）布数据集的（de）大公（gōng）司却并不着（zhe）急：他们正（zhèng）在构建庞大（dà）的数据集，但（dàn）不让外人靠近。

那么，一个（gè）小型独立实体，如创业公司或大学研究小组，如何为那些困难的问题提供有（yǒu）趣的（de）解决方案呢？构建对监督信（xìn）号依赖（lài）性越（yuè）来（lái）越（yuè）小（xiǎo），但（dàn）对未标记和非结构化数（shù）据（廉价（jià）传感器的互联和增多使（shǐ）得这（zhè）类数据变得很丰富（fù））依赖性越（yuè）来越大的系（xì）统就可以实现这一点。这在一定（dìng）程（chéng）度上解释了人们（men）对GAN、转移（yí）和（hé）强化（huà）学（xué）习的兴趣激增的（de）原因：所有这些技术（shù）都需要较少（或根本不需（xū）要）对训练数据集的投资。

所以（yǐ）这（zhè）一切仅仅是个泡沫？

这一行业已进入热门人工智能“盛（shèng）夏”的第（dì）七年（nián）。这段时间内（nèi），大量的研（yán）究项目、学术资助、风险投资、媒体（tǐ）关（guān）注和代码行（háng）都涌入了这个领域。

但人们有（yǒu）理（lǐ）由指出，人工智能所做（zuò）出的大部分承诺（nuò）仍（réng）然还未兑现：他们最近优步打车的行程依然是人（rén）类驾驶员（yuán）在开车；目前依（yī）然没有（yǒu）出现（xiàn）早上能做煎蛋（dàn）的（de）实用机器人（rén）。我甚至不得不自己绑鞋带，真是（shì）可悲至极！

然而，无数研究生和软件工程师的努力并非徒劳。似乎每家（jiā）大公司都已经（jīng）十（shí）分依赖人（rén）工智能，或者在未来（lái）实施此类计划。AI的艺术大行其道。自动驾驶（shǐ）汽车虽然尚未出现，但它们很快就（jiù）会诞生（shēng）了。

2018年，美国在人工（gōng）智能（néng）领（lǐng）域发展（zhǎn）迅速，中国也不（bú）遑（huáng）多（duō）让。这个趋势从近期百度和（hé）BOSS直聘联合发布的《2018年中国（guó）人（rén）工智能ABC人才发展报告》中就可窥一斑。