雖然機器學習和深度學習都是人工智能學中構成的要素，但是“深度學習”被人們賦予了家族中的“聰明之星”的稱號，改進了長期以來的預測準確性標準。在今年人工智能和深度學習將會如何發展，又會發生什么有趣的事情。

隨著我們的日常生活與各種各樣的技術越來越緊密地交織在一起，有時候，似乎未來已經到來。然而，技術仍在不斷發展，人工智能（AI）已經占據了這一領域的中心地位。在許多前進力量的支持下，人工智能繼續激發公眾對未來的想象。亞馬遜的Alexa、Netflix的推薦系統以及SnapChat濾鏡等的創新，進一步推動了這一信念，這些都是人工智能進入個性化領域的優秀范例。

最常見的人工智能構成部分，以及人工智能家族中的“聰明之星”，都是“深度學習”。深度學習是一種數據學習的模式，近年來改進了長期以來的預測準確性標準。除了傳統的預測建模之外，它還在語音識別和計算機視覺領域有突出貢獻。然而，隨著我們迎接新年的到來，事情將變得更加有趣。讓我們來看看2018年的深度學習（以及更廣泛的人工智能）的情況。

卷積神經網絡（幾乎）無處不在

卷積神經網絡是一種復雜的學習模型，它的優點是需要對數據進行最少的預處理或“清理”。主要被應用于“解決”視覺圖像分類和處理，目前開始應用于更多的案例。

其理念是，視覺世界是合成的，因此圖像可以被分解成最基本的特征。例如，一個風景的圖像由各種各樣的物體組成;這些物體由輪廓和線條組成，而這些線條又由像素組成。Covnets能夠識別這些成分，并創建分層的抽象世界概念，使各種識別任務變得更容易。

目前，Facebook的照片標簽和面部識別功能都使用了Covnets。在2018年，我們可以預計，Covnets將更廣泛的應用于自動駕駛領域，特斯拉的ModelX已經在使用Covnets來實現自動駕駛的相關功能。更近的，像Quere.ai這樣的公司正在使用Covnets，并且在醫學成像的診斷方面取得了顯著的成功。預計公司將開始為這些高度精確的學習模式尋找不同的應用。

人工智能將加強數據安全

雖然機器學習和深度學習模型具有前所未有的預測精度，但有些目前仍容易受到質疑。例如，在受監督的機器學習中，模型學習標記數據的某些特征，訓練和測試數據被假定來自相同的數據分布。如果數據在這個假設中失真，那么模型的預測精度就會受到很大的影響。以垃圾郵件過濾為例——如果將隨機文本和圖像添加到消息中，消息可能會繞過垃圾郵件檢測系統。這就是為什么你的收件箱里塞滿了垃圾郵件，盡管有一個系統可以阻止它。

安全部門巨頭McAfee公司認為，將數字安全考慮在內，2018年勒索軟件和其他數字威脅（比如對全球社會造成恐慌的“WannaCry”）越來越多地利用機器學習和深度學習技術。具體來說，這些模型將威脅到檢測模型，從檢測模型的防御反應中學習，并利用發現的漏洞來破壞檢測模型，其速度比防御者修補漏洞的速度更快。

為了抵御這些技術，McAfee公司的工程師們一直在研究對抗機器學習，并組建一個先進的防御研究團隊來為這些漏洞創建解決方案。要真正抵御這種攻擊，唯一的辦法是建立一種更為普遍的學習模式，甚至能找出最微小的異常。在這方面，一些有趣的研究正在進行中。

結論

在過去的兩三年里，人工智能和深度學習在公共領域出現了爆炸式的增長，推出了一些令人興奮的產品。在2018年和未來幾年，它們將越來越多地出現在我們的日常互動中，尤其是在移動應用領域。

隨著移動硬件地快速發展，它將能夠支持復雜的深度學習任務。例如，蘋果的iOS11支持CoreML，這是一款面向iOS開發者的機器學習工具包。未來，開發者將可以部署支持文本預測和圖像識別的應用（比如SnapChat），不需要任何機器學習的知識。很顯然，人工智能和深度學習的未來充滿活力和前景。我們看到這種變化和進步的速度有多快，只有時間能給予我們答案。因此，隨著新的一年的展開，讓我們拭目以待，看看這一細分領域的表現吧。