當今的AI

毫無疑問，當今最大的流行詞是人工智能或人工智能。包括Gartner，McKinsey和PWC在內的大多數著名研究組織都以驚人的統計數據和未來預測來榮耀AI的未來。這是PWC的報告（2018），其中預測到2030年，人工智能將為全球經濟貢獻15.7萬億美元。整體生產率和GDP將分別增長55％和14％。正如美國總統唐納德·J·特朗普（Donald J.Trump）所簽署的那樣，行政命令可以迅速證明人工智能在美國內部的重要性。

"我們可以一起使用世界上最具創新性的技術來使我們的政府更好地為美國人民服務。" Michael Kratsios美國首席技術官

我們在日常生活中有幾個例子，我們甚至沒有注意到就利用人工智能。其中包括Google地圖，Gmail中的智能回復（2018 +），facebook圖片標記（大約2015），youtube / NetFlix視頻推薦（2016+）等。還有一些驚人的新聞報道，概述了AI的重要性和影響力；就像這個（2019年）那樣，諾瓦克·德約科維奇（Novak Djokovic）在溫布爾登決賽中使用了AI，或者瀏覽此網站（于2019年推出），其中包含100％的假照片，這些人看起來像是100％真正地利用了深度神經網絡（深度學習）。這個清單不勝枚舉。

傳統AI（1950–2008年）

"人工智能"一詞是1956年在達特茅斯的一次歷史性會議上提出的。 在AI發展的初期，科學家和媒體大肆宣傳，圍繞AI突破的可能性提出了烏托邦式的主張。 一些科學家非常清楚地表明，在未來20年中，該機器將完成人類可能做的所有事情。

"機器將能夠完成男人可以做的任何工作。"

1965年—赫伯特·西蒙（Herbert A.Simon）

70 years history of AI by Awais Bajwa

從那時起，人工智能的發展經歷了許多起伏。 1973年，英國政府在調查后發表了一份名為Lighthill報告的報告，并沒收了許多主要的AI研究型大學的資金。 當時最著名的AI方法是專家系統和模糊邏輯，其中Prolog和Lisp是C / C中編程語言的首選。 專家系統的第一個重大突破發生在80年代，并且引入了第一個杰出的專家系統SID。 后來，在AI領域遇到了其他挫折，隨后是IBM的又一次突破，當時IBM的超級計算機Deep Blue在1997年在紐約市擊敗了世界冠軍Garry Kasparov。 ，IBM聲稱沒有在Deep Blue中使用AI，這引起了一些有趣的討論。

請注意，所有的突破都發生在最近的8-10年中。 作為深度學習/神經網絡的核心的反向傳播算法于1986年首次提出。問題是"為什么在過去的8-10年（即2009-2019年），當AI出現了70多年了？ "。

為了獲得答案，讓我們跳入當今的"現代AI"時代。

現代AI（2008）

“數據科學”一詞由Linkedin和Facebook的兩個數據團隊負責人于2008年初提出。 （DJ Patel和Jeff Hammerbacher）。計算機科學的這一新領域引入了利用統計，概率，線性代數和多元微積分的高級分析。 2012年下半年，真正的突破發生在人工智能上，當時在具有歷史意義的ImageNet競賽中，基于CNN的提交文件AlexNet超越了所有其他競爭對手，并且錯誤率比第二名低10.8％。那是現代AI的出現，并且被認為是AI世界新繁榮的觸發。獲勝的主要原因之一是利用圖形處理單元（GPU）訓練神經網絡體系結構。 2015年下半年，Facebook的AI負責人Yann LeCun與其他“ AI教父”一起努力推動深度學習及其可能性。如今，許多云供應商都在為“現代AI”提供基于云的GPU，而采用它們從來就不是一種選擇。 從CPU切換到GPU，GPU確實改變了游戲。

從CPU切換到GPU，GPU確實改變了游戲。 它徹底改變了技術，重新定義了計算能力和并行處理。 由于高級數學計算，人工智能需要高速計算能力。 特別是因為過去十年中生成的數據量呈指數級增長（來源）。

因此，全世界的AI研究呈指數增長，在撰寫本文時，AI研究論文的數量約為100 /天。

因此，我們對之前的問題有一個答案：

"為什么在過去的8-10年（即2009-2019年）中，人工智能已經存在了70多年？ "。

答：數據的增長迅猛，處理" GPU"的速度更快且成本更低，并且AI研究發展迅速。

source

未來的人工智能浪潮

Google非常友善，可以讓員工將20％的時間分配給他們的野心和有趣的項目。 2015年，Google搜索過濾器小組的成員Alexander Mordvintsev開發了一種神經網絡程序，將其作為一種愛好，用夢幻般的致幻外觀震驚了他的同事。這個項目被Google命名為Deep Dream。該項目是在訓練神經網絡并大規模使用激活功能時進行實驗的結果。但是，即使到了今天，人工智能的最大謎團之一是，我們對人工智能在內部做出決策的精確度或神經網絡如何以反向概率學習的認識尚無真正的了解。用外行人的話來說，人工智能的實際推理或對決策的偏見是一個謎，它被稱為“人工智能黑匣子”。

XAI

人工智能工作的新潮流之一是打破黑匣子，并獲得決策過程的邏輯解釋。 這個新概念現在稱為"可解釋的人工智能"或XAI。 一旦實現了XAI，AI社區將可以使用新一輪的AI。 可能會有更強大和更具彈性的AI框架，包括對AI流程和未來增長模式的可預測理解。

小數據

深度學習領域正在發生重大的AI突破，而在深度學習中，神經網絡非常渴望海量數據。 例如，要訓練模型來識別貓，則需要提供大約10萬只貓/非貓的圖像，以獲得近似等于人眼的貓的完美分類。 呈指數級增長的另一個研究領域是用更少的數據集快速學習并利用概率框架。 這個新概念稱為"小數據"。 研究領域是"如何用較少的數據訓練您的機器學習模型并獲得準確的預測。" 這在AI領域是巨大的機會，并且有望隨著未來的創新前景而爆炸。

未來AI研究的另外兩個領域是在"無監督學習"和"強化學習"領域取得重大進展。 在這里我們可以通過轉移學習來利用可用的知識，并通過一些增強學習（例如通過GAN網絡模型）來生成人工創建的采樣數據。

重要要點

從理論上講，傳統AI已有70年歷史，但在過去8-10年中（Moden AI）有了顯著發展。 這些現代AI的突破通過云上的"現收現付"模型推動了數據的指數增長，快速研究和廉價的計算能力。

未來的人工智能浪潮將打破"人工智能黑匣子"，并了解機器學習模型做出的決策和預測的原因。 未來AI浪潮的另一個主要領域是向有限的數據集或"小數據"學習。