Author：Imtiaz Adam - Artificial Intelligence Expert
到 2025 年，人工智能 (AI) 將通過(guò)高效處理當(dāng)今的一些復(fù)雜任務(wù)來(lái)顯著改善我們的日常生活。
領(lǐng)先的人工智能研究人員 Geoff Hinton 表示，很難預(yù)測(cè)人工智能將在五年后帶來(lái)什么進(jìn)步，并指出指數(shù)級(jí)的進(jìn)步使得不確定性太大。
因此，本文將考慮我們?cè)诓煌?jīng)濟(jì)部門(mén)的發(fā)展過(guò)程中將面臨的機(jī)遇和挑戰(zhàn)。因此，它并非詳盡無(wú)遺。
到 2025 年將是為 5G 和所有經(jīng)濟(jì)部門(mén)的組織推出必要的基礎(chǔ)設(shè)施，轉(zhuǎn)變?yōu)閿?shù)據(jù)驅(qū)動(dòng)的組織的時(shí)期；
到 2020 年代后期，5G 將在主要經(jīng)濟(jì)體中大量推廣，覆蓋范圍將擴(kuò)展到大城市之外，并通過(guò)人工智能和機(jī)器人技術(shù)進(jìn)入農(nóng)村地區(qū)，從而影響農(nóng)業(yè)；
隨著 5G 的普及和全息技術(shù)的頻繁使用，增強(qiáng)現(xiàn)實(shí)和虛擬現(xiàn)實(shí) (AR/VR) 技術(shù)將獲得關(guān)注；
隨著深度學(xué)習(xí)，特別是深度強(qiáng)化學(xué)習(xí)在整個(gè)經(jīng)濟(jì)領(lǐng)域取得重大進(jìn)展，人工智能將成為所有組織和經(jīng)濟(jì)各個(gè)部門(mén)的核心；
正如 Moven 的首席執(zhí)行官兼 Augmented 的作者 Brett King 指出的那樣：“……社會(huì)將受到技術(shù)的影響，這些技術(shù)將在未來(lái) 20 年比過(guò)去 250 年更能改變世界?！边@是本文的中心主題。
MIT CSAIL 的一個(gè)部分闡述了我們未來(lái)旅程的路徑；
這是一個(gè)系列的一部分，將簡(jiǎn)要介紹通用人工智能 (AGI)，因?yàn)樵诒鞠盗械牡?3 部分中將概述獲得 AGI 的挑戰(zhàn)，以及量子計(jì)算和有關(guān)醫(yī)療保健的更多細(xì)節(jié)；
一小部分將討論人類(lèi)通過(guò)與腦機(jī)接口 (BCI) 相關(guān)的 AI 增強(qiáng)自己的能力；
需要對(duì)世界各地的教育系統(tǒng)進(jìn)行重大培訓(xùn)和改革，以便在我們過(guò)渡到新的數(shù)據(jù)驅(qū)動(dòng)型經(jīng)濟(jì)時(shí)最大化收益。
人工智能的簡(jiǎn)短回顧
人工智能
人工智能涉及開(kāi)發(fā)計(jì)算系統(tǒng)的領(lǐng)域，這些系統(tǒng)能夠執(zhí)行人類(lèi)非常擅長(zhǎng)的任務(wù)，例如識(shí)別物體、識(shí)別和理解語(yǔ)音以及在受限環(huán)境中進(jìn)行決策。人工智能的一些經(jīng)典方法包括（非詳盡列表）搜索算法，如寬度優(yōu)先、深度優(yōu)先、迭代深化搜索、A* 算法，以及邏輯領(lǐng)域，包括謂詞演算和命題演算。還開(kāi)發(fā)了局部搜索方法，例如模擬退火、爬山、波束搜索和遺傳算法。
機(jī)器學(xué)習(xí)
機(jī)器學(xué)習(xí)被定義為應(yīng)用統(tǒng)計(jì)方法使計(jì)算機(jī)系統(tǒng)能夠從數(shù)據(jù)中學(xué)習(xí)以實(shí)現(xiàn)最終目標(biāo)的人工智能領(lǐng)域。該術(shù)語(yǔ)由 Arthur Samuel 于 1959 年引入。 技術(shù)示例的非詳盡列表包括線性回歸、邏輯回歸、K-均值、k-最近鄰 (kNN)、樸素貝葉斯、支持向量機(jī) (SVM)、決策樹(shù), 隨機(jī)森林, XG Boost, Light Gradient Boosting Machine (LightGBM), CatBoost。
深度學(xué)習(xí)
深度學(xué)習(xí)是指具有多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)領(lǐng)域。這種神經(jīng)網(wǎng)絡(luò)通常被稱(chēng)為深度神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是受生物學(xué)啟發(fā)的網(wǎng)絡(luò)，它以分層方式從數(shù)據(jù)中提取抽象特征。將在未來(lái)十年發(fā)揮作用的關(guān)鍵技術(shù)包括生成對(duì)抗網(wǎng)絡(luò) (GAN)、循環(huán)神經(jīng)網(wǎng)絡(luò)，包括長(zhǎng)短期記憶網(wǎng)絡(luò) (LSTM)、自注意力(self-attention)（NLP 和可能的時(shí)間序列）和膠囊網(wǎng)絡(luò)（一個(gè)正在進(jìn)行的研究領(lǐng)域）。本系列的后續(xù)部分將更詳細(xì)地討論深度強(qiáng)化學(xué)習(xí)。
進(jìn)化遺傳算法和神經(jīng)進(jìn)化領(lǐng)域也將在本系列的未來(lái)部分進(jìn)行更詳細(xì)的考慮。聯(lián)邦學(xué)習(xí)和差異化隱私的作用也將在以后的文章中考慮。
出于本文的目的，我將考慮人工智能涵蓋機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。
狹義人工智能：機(jī)器被設(shè)計(jì)為執(zhí)行單個(gè)任務(wù)并且機(jī)器非常擅長(zhǎng)執(zhí)行該特定任務(wù)的人工智能領(lǐng)域。然而，一旦機(jī)器經(jīng)過(guò)訓(xùn)練，它就不會(huì)泛化到看不見(jiàn)的領(lǐng)域。這就是我們今天擁有的人工智能形式，例如谷歌翻譯。
通用人工智能 (AGI)：一種人工智能形式，可以完成人類(lèi)可以完成的任何智力任務(wù)。它更有意識(shí)，做出的決定類(lèi)似于人類(lèi)做出決定的方式。 AGI 在這一刻仍然是一個(gè)愿望，對(duì)它的到來(lái)有各種預(yù)測(cè)。它可能會(huì)在未來(lái) 20 年左右出現(xiàn)，但它面臨著與硬件、當(dāng)今強(qiáng)大機(jī)器所需的能源消耗以及解決災(zāi)難性記憶損失相關(guān)的挑戰(zhàn)，即使是當(dāng)今最先進(jìn)的深度學(xué)習(xí)算法也可能會(huì)受到影響。
超級(jí)智能：是一種在所有領(lǐng)域都超過(guò)人類(lèi)表現(xiàn)的智能形式（由 Nick Bostrom 定義）。這指的是一般智慧、解決問(wèn)題和創(chuàng)造力等方面。
有關(guān) AI 和機(jī)器學(xué)習(xí)類(lèi)型的更多詳細(xì)信息，請(qǐng)參閱 KDnuggets的文章： Machine Learning and Deep Learning （來(lái)源：
https://www.bbntimes.com/companies/understanding-artificial-intelligence-machine-learning-and-deep-learning）
人工智能將成為所有組織的核心
麥肯錫出版了一份名為“人工智能前沿的筆記：深度學(xué)習(xí)的應(yīng)用和價(jià)值（'Notes from the AI frontier: Applications and value of Deep Learning，
https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-applications-and-value-of-deep-learning）”的詳細(xì)而有用的出版物，觀察到“我們整理和分析了 19 個(gè)行業(yè)和 9 個(gè)業(yè)務(wù)職能的 400 多個(gè)用例。他們提供了對(duì)特定領(lǐng)域的洞察力深度神經(jīng)網(wǎng)絡(luò)可能創(chuàng)造最大價(jià)值的領(lǐng)域，這些神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)分析相比可以產(chǎn)生的增量提升（圖 2），以及必須滿足的大量數(shù)據(jù)需求——在數(shù)量、種類(lèi)和速度方面——以實(shí)現(xiàn)這一潛力?！丙溈襄a還明確表示，他們的用例庫(kù)雖然廣泛，但并非詳盡無(wú)遺，并且可能會(huì)導(dǎo)致對(duì)特定行業(yè)潛力的高估或低估，而麥肯錫將繼續(xù)對(duì)其進(jìn)行完善和補(bǔ)充。
雖然麥肯錫的研究提供了全面而有用的概述，但我相信深度學(xué)習(xí)的影響將比麥肯錫預(yù)測(cè)的要大，因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò) (CNN) 等技術(shù)將對(duì)醫(yī)療保健等領(lǐng)域產(chǎn)生重大影響。僅舉幾個(gè)例子，如保險(xiǎn)行業(yè)具有零售行業(yè)的自動(dòng)化視覺(jué)搜索，以及無(wú)需在收銀員處付款直到店內(nèi)使用 Amazon Go 和在銀行業(yè)務(wù)中使用 KYC 進(jìn)行身份驗(yàn)。
此外，一些用于成功訓(xùn)練具有較小數(shù)據(jù)集的深度神經(jīng)網(wǎng)絡(luò)的技術(shù)預(yù)計(jì)將在未來(lái)十年內(nèi)投入生產(chǎn)，從而使深度學(xué)習(xí)能夠在整個(gè)經(jīng)濟(jì)中進(jìn)一步擴(kuò)展。這在下面提供的一些新技術(shù)的簡(jiǎn)短回顧部分中進(jìn)行了處理。
我相信在 2019 年至 2029 年期間，值得重新審視 Andrew Ng 的評(píng)論，他說(shuō)：
“我們需要一個(gè)適用于 AI 的金鳳花姑娘規(guī)則（恰到好處）：”
“太樂(lè)觀了：深度學(xué)習(xí)為我們提供了一條通往 AGI 的清晰道路！”
“太悲觀了：深度學(xué)習(xí)有局限性，所以人工智能冬天來(lái)了！”
“恰到好處：深度學(xué)習(xí)不能做所有事情，但會(huì)改善無(wú)數(shù)人的生活并創(chuàng)造巨大的經(jīng)濟(jì)增長(zhǎng)?！?/p>
正如Jason Brownlee在《Deep Learning & Artificial Neural Networks（
https://machinelearningmastery.com/what-is-deep-learning/）》中引用Andrew Ng的工作所述，“隨著我們構(gòu)建更大的神經(jīng)網(wǎng)絡(luò)并使用越來(lái)越多的數(shù)據(jù)來(lái)訓(xùn)練它們，它們的性能將繼續(xù)提高?！边@與其他性能趨于穩(wěn)定的機(jī)器學(xué)習(xí)技術(shù)通常是不同的?！?/p>
Source for image above Andrew Ng
如前所述，正在進(jìn)行大量研究以允許深度學(xué)習(xí)也成功地訓(xùn)練和擴(kuò)展較小的數(shù)據(jù)集。
允許深度神經(jīng)網(wǎng)絡(luò)準(zhǔn)確訓(xùn)練較小數(shù)據(jù)的新技術(shù)將投入生產(chǎn)
較早的文章“更智能的 AI 和深度學(xué)習(xí)（Smarter AI & Deep Learning，
https://www.linkedin.com/pulse/smarter-ai-deep-learning-imtiaz-adam/）”中提供了一個(gè)示例，該文章考慮了簡(jiǎn)化和改進(jìn)深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的潛力。它考慮了 MIT CSAIL 的 Jonathan Frankle Michael Carbin 發(fā)表的 The Lottery Ticket Hypothesis:Finding Sparse, Trainable Neural Networks 以及 Adam Conner-Simons 在更智能的神經(jīng)網(wǎng)絡(luò)訓(xùn)練中提供的有見(jiàn)地的總結(jié)。
文章指出，麻省理工學(xué)院 CSAIL 項(xiàng)目表明，神經(jīng)網(wǎng)絡(luò)包含小 10 倍的“子網(wǎng)絡(luò)”，它們可以同樣好地學(xué)習(xí)——而且通常更快。
如今，我們生活中幾乎所有基于人工智能的產(chǎn)品都依賴(lài)于自動(dòng)學(xué)習(xí)處理標(biāo)記數(shù)據(jù)的“深度神經(jīng)網(wǎng)絡(luò)”。
“不過(guò)，對(duì)于大多數(shù)組織和個(gè)人來(lái)說(shuō)，深度學(xué)習(xí)很難進(jìn)入。要學(xué)習(xí)好，神經(jīng)網(wǎng)絡(luò)通常必須非常大，并且需要大量數(shù)據(jù)集。這個(gè)訓(xùn)練過(guò)程通常需要多天的訓(xùn)練和昂貴的圖形處理單元 (GPU) ) - 有時(shí)甚至是定制設(shè)計(jì)的硬件。”
但是，如果它們實(shí)際上根本不必那么大怎么辦？
在一篇新論文中，麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室 (CSAIL) 的研究人員表明，神經(jīng)網(wǎng)絡(luò)包含的子網(wǎng)絡(luò)最多可縮小 10 倍，但能夠通過(guò)訓(xùn)練做出同樣準(zhǔn)確的預(yù)測(cè)——有時(shí)可以學(xué)會(huì)這樣做甚至比原版還快。
Will Knight 在 MIT Technology Review 上的一篇文章報(bào)道說(shuō)，“兩種相互競(jìng)爭(zhēng)的 AI 方法結(jié)合起來(lái)，讓機(jī)器像孩子一樣了解世界”。該文章與題為 The Neuro-Symbolic Learner: Interpreting Scenes, Words, and Sentences form Natural Supervision 的論文相關(guān)，是 MIT CSAIL、MIT Brain Computer Science、MIT-IBM Watson AI Lab 和 Google DeepMind 的聯(lián)合論文。
《技術(shù)評(píng)論》中的 Will Knight 觀察到：
“更實(shí)際的是，它還可以開(kāi)啟人工智能的新應(yīng)用，因?yàn)樾录夹g(shù)需要的訓(xùn)練數(shù)據(jù)要少得多。例如，機(jī)器人系統(tǒng)最終可以即時(shí)學(xué)習(xí)，而不是花費(fèi)大量時(shí)間為它們所處的每個(gè)獨(dú)特環(huán)境進(jìn)行訓(xùn)練。 ”
“這真的令人興奮，因?yàn)樗鼘⒆屛覀償[脫對(duì)大量標(biāo)記數(shù)據(jù)的依賴(lài)，”領(lǐng)導(dǎo) MIT-IBM Watson AI 實(shí)驗(yàn)室的科學(xué)家 David Cox 說(shuō)。
也許 Capsule Networks 也將投入生產(chǎn)。
此外，這將是深度強(qiáng)化學(xué)習(xí)將對(duì)機(jī)器人和其他自主系統(tǒng)等領(lǐng)域產(chǎn)生重大影響的時(shí)期。例如，Seth Adler 撰寫(xiě)了“強(qiáng)化學(xué)習(xí)快速指南”并提供了對(duì)制造業(yè)影響的示例，其中日本制造商Fanuc “機(jī)器人使用深度強(qiáng)化學(xué)習(xí)從一個(gè)盒子中挑選一個(gè)設(shè)備并將其放入一個(gè)容器中。是否無(wú)論成功或失敗，它都會(huì)記住對(duì)象并獲得知識(shí)并訓(xùn)練自己以極快的速度和精確度完成這項(xiàng)工作?！蔽磥?lái)十年，此類(lèi)技術(shù)將在制造業(yè)中變得普遍，并且 GAN 和深度強(qiáng)化學(xué)習(xí)將更頻繁地應(yīng)用于運(yùn)輸（自動(dòng)駕駛汽車(chē)）和制藥行業(yè)（藥物發(fā)現(xiàn)）。
數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)職能將直接向 CEO 匯報(bào)
在倫敦 CogX 期間，我參加了麥肯錫公司 Quantum Black (@quantumblack) 的一次演講，其中指出機(jī)器學(xué)習(xí)/數(shù)據(jù)科學(xué)負(fù)責(zé)人在企業(yè)中的角色正在從統(tǒng)計(jì)和編碼之外演變?yōu)橐粋€(gè)數(shù)據(jù)科學(xué)負(fù)責(zé)人將負(fù)責(zé)做出與業(yè)務(wù)相關(guān)的判斷，在 2020 年代期間，人工智能和數(shù)據(jù)科學(xué)職能將直接歸組織首席執(zhí)行官。
到 2025 年，智能自動(dòng)化將經(jīng)歷巨大的增長(zhǎng)
畢馬威的一份報(bào)告預(yù)測(cè)，涵蓋人工智能和機(jī)器人過(guò)程自動(dòng)化 (RPA) 技術(shù)的智能增強(qiáng)業(yè)務(wù)支出將從 2018 年的 124 億美元增加到 2025 年的 2320 億美元。
到 2030 年，人工智能將推動(dòng)全球經(jīng)濟(jì)增長(zhǎng)。
普華永道預(yù)測(cè)，到 2030 年，人工智能對(duì)全球經(jīng)濟(jì)的潛在貢獻(xiàn)將達(dá)到 15.7萬(wàn)億美元，到 2030 年，人工智能對(duì)當(dāng)?shù)亟?jīng)濟(jì)的 GDP 貢獻(xiàn)高達(dá) 26%。
AI 無(wú)處不在
在邊緣處理 AI 工作負(fù)載的一個(gè)主要優(yōu)勢(shì)是，相對(duì)于等待來(lái)自遠(yuǎn)程基于云的服務(wù)器的查詢(xún)響應(yīng)，延遲大大減少。因此，未來(lái)的攝像機(jī)、機(jī)器人和計(jì)算機(jī)將能夠做出改進(jìn)和更明智的判斷，而不是不斷地查詢(xún)遠(yuǎn)程云服務(wù)器并在做出決定之前等待。例如，自動(dòng)駕駛汽車(chē)需要實(shí)時(shí)決定是左轉(zhuǎn)還是右轉(zhuǎn)，而不是等待服務(wù)器做出響應(yīng)。此外，使用計(jì)算機(jī)視覺(jué)的無(wú)人機(jī)將通過(guò)在設(shè)備上使用人工智能來(lái)調(diào)整自己的飛行路徑來(lái)提高可靠性。
Jason Compton 在一篇題為“邊緣人工智能及其范式改變效應(yīng)（Edge AI And Its Paradigm-Changing Effects）”的文章中指出，隨著傳感器在智慧城市中的廣泛應(yīng)用，邊緣計(jì)算的增長(zhǎng)在其中他觀察到“設(shè)備上的人工智能可以通過(guò)使用嵌入式傳感器來(lái)改善第一響應(yīng)者的通知時(shí)間“在路燈等城市基礎(chǔ)設(shè)施中，評(píng)估背景噪音并確定是否存在緊急情況。人工智能還可以讓交通攝像頭通過(guò)車(chē)牌的光學(xué)識(shí)別以及圖案和顏色匹配來(lái)立即識(shí)別車(chē)輛?！?/p>
這將為急救人員在到達(dá)現(xiàn)場(chǎng)之前了解情況節(jié)省寶貴的時(shí)間。此外，在邊緣采用 AI 將能夠立即識(shí)別制造設(shè)施中業(yè)務(wù)流程的中斷，從而向工廠中的人員提出有關(guān)導(dǎo)致問(wèn)題的原因（例如組件故障）以及如何產(chǎn)生的建議以最好的方式對(duì)事件做出反應(yīng)，以將損失降到最低，并在最快的時(shí)間內(nèi)恢復(fù)正常運(yùn)營(yíng)。
在此期間，深度強(qiáng)化學(xué)習(xí)將頻繁部署到我們周?chē)娜粘；顒?dòng)中。例如Zhu等人 “無(wú)人機(jī)輔助車(chē)輛網(wǎng)絡(luò)的深度強(qiáng)化學(xué)習(xí)（'Deep Reinforcement Learning for Unmanned Aerial Vehicle-Assisted Vehicular Networks”，
https://arxiv.org/pdf/1906.05015.pdf）提出部署無(wú)人機(jī)（UAV）以補(bǔ)充未來(lái)智慧城市的 5G 通信基礎(chǔ)設(shè)施。熱點(diǎn)容易出現(xiàn)在道路交叉口，車(chē)輛之間的有效通信具有挑戰(zhàn)性。無(wú)人機(jī)可以作為中繼器，具有價(jià)格低廉、部署方便、視距鏈接、機(jī)動(dòng)靈活等優(yōu)點(diǎn)。
Source for Figure above: Zhu et al. 'Deep Reinforcement Learning for Unmanned Aerial Vehicle-Assisted Vehicular Networks'
……
未完待續(xù)
聯(lián)系客服
