（文章來源：CDA數據分析師）

2019年無疑是忙碌的一年。人工智能的進步和新聞頻頻登上頭條新聞，讓我們的生活充滿了敬畏和自豪的時刻，但一些其他時刻充卻斥著一種惱人的想法，那就是這項技術讓人們發現，我們的社會并沒有準備好迎接人工智能的普及。2019年，究竟是人工智能進步的一年，還是幻滅的一年呢？隨著研究人員攻城略地，迅速攻克以前難以企及的基準，今天，我們可不可以這樣認為，這個領域已經正在步入穩步發展的軌道呢？

在 ADSP（Applied Data Science Partners，意即“應用數據科學合作伙伴”）網站上，我們想后退一步，把 2019 年的人工智能界發生的事件整理好，以讓公眾能夠有個全新的視角。在聚光燈下，重要的是要將一項工作最初吸引人們的興趣，與它的實際重要性，以及它對該領域產生的影響區分開來。為此，本文將展開人工智能故事的平行線索，并試圖分離出它們的意義。多虧了我們出色的內容作家 Elena Nisioti，她將這些故事講得如此精彩！

如果讓我們用一句話來描述 2019 年的人工智能現狀，那很可能是：“強化學習（Reinforcement Learning ）回歸，看起來將永存”。

到目前為止，我們中的大多數人可能已經熟悉了 監督式學習（Supervised Learning）：有些人收集了大量的 訓練數據，將它們饋送到 機器學習算法 中，然后得到一個 模型，這個模型可以為我們進行 預測 和 分類。我們中的一些人甚至可能有這樣的印象：即，人工智能就是監督式學習的同義詞。然而，監督式學習只不過是我們今天擁有的 眾多類型的機器學習 中的一種罷了。

在強化學習（Reinforcement Learning，RL）中，智能體用 試錯 的方法，通過與環境進行交互來學習，這種環境會給它們的 行為 提供 獎勵回報。當涉及到多個智能體時，它們被稱為 多智能體強化學習系統（Multi-agent Reinforcement Learning System）。

這個領域已經存在幾十年，從概念上來講，它聽起來比監督式學習更像是一種合理的創造智能的學習機制。然而，直到 2015 年，DeepMind 才獲得了人們的關注，當時 DeepMind 使用深度 Q 學習（Deep Q-learning）創建了 Atari（雅達利） 游戲的智能體，這是一種結合了經典強化學習算法和深度神經網絡的算法。2018 年，OpenAI 也通過 解決 Montezuma’s Revenge（一款被認為難度特別高的 Atari 游戲），從而在這一領域確立了自己的地位。

自去年 Google BERT、ELMo 和 ulmfit 等系統在 2018 年底推出以來，自然語言處理一直風頭正茂，但今年的聚光燈被 OpenAI 的 GPT-2 給“奪走了”，它的表現引發了人們對 自然語言處理系統的道德使用的大討論。今年，人們也見證了最近一些深度學習技術走向成熟。應用監督式學習，特別是 計算機視覺 技術，已經催生了現實生活中成功的產品和系統。

生成對抗網絡（Generative Adversarial Networks，GAN）是一對神經網絡，其中，生成器網絡試圖通過學習生成模仿訓練數據的圖像來欺騙判別器網絡，現在已經達到了近乎完美的水平。對人工智能來說，創造虛假但又逼真的人物和物體的圖像，已經不再是前沿領域了。從 2014 年生成對抗網絡的引入 到 2019 年 NVDIA 開源的 StyleGAN，一圖勝千言，我們用下面的圖片來說明，這可能是理解該領域進展情況的最佳方式：

2019 年，人工智能創造的藝術品甚至脫離了過去幾年的假設性討論，成為了今天博物館裝置和拍賣 的一部分。計算機視覺還被應用于一些具有重大商業和社會意義的領域，包括自動駕駛車輛和醫學。但是，人工智能算法在這些領域中的應用自然是緩慢的，因為它們直接與人類生活直接互動。至少到目前為止，這些系統還 不是完全自主的，它們的目的，在于支持和 增強 人類操作員的能力。

研究團隊正與醫院密切合作，開發用于疾病早期預測的人工智能系統，并整理大量的健康數據檔案，其中一個值得注意的例子，是 DeepMind Health 和 UCLH 之間正在進行的合作。然而，這些工作中的大部分仍處于試驗階段，迄今為止，唯一獲得 FDA 批準的人工智能系統是 SubtlePet，這是一款使用深度學習增強醫學圖像的軟件。

（責任編輯：fqj）