人工智能是前沿和中心，商界和政府領導人正在思考正確的舉措。但是在實驗室里發生了什么呢？在實驗室里，學術和企業研究人員的發現將為未來一年乃至更長的時間設定人工智能的發展方向。我們自己的研究團隊來自普華永道的AI加速器，專注于領先的發展，無論是技術人員還是商業領袖都應該密切關注。這是他們是什么，為什么他們重要。這里也可以看到我們在商業上的頂級人工智能趨勢。

1.深度學習理論：揭開神經網絡工作原理的神秘面紗

它是什么：模仿人腦的深層神經網絡已經證明了他們從圖像、音頻和文本數據中“學習”的能力。然而，即使在使用了十多年后，仍有許多我們還不知道的事情深度學習，包括神經網絡是如何學習的，以及它們為什么表現得如此好。這可能正在改變，多虧了新理論這將信息瓶頸的原理應用于深度學習。本質上，它表明，在初始擬合階段之后，深度神經網絡將“忘記”并壓縮噪聲數據-即包含大量附加無意義信息的數據集-同時仍保留有關數據所代表的信息。

為何重要：準確地理解深度學習是如何使它得到更大的發展和使用的。例如，它可以提供對最佳網絡設計和體系結構選擇的洞察，同時為安全關鍵或監管應用程序提供更高的透明度。期望通過對這一理論的探索，能夠看到更多的結果，并將其應用于其他類型的深層神經網絡和深層神經網絡的設計。

2.膠囊網絡：模仿大腦的視覺加工能力

它是什么： 膠囊網絡一種新型的深度神經網絡，其處理視覺信息的方式與大腦相似，這意味著它們可以保持層次關系。這與卷積神經網絡形成鮮明對比，卷積神經網絡是應用最廣泛的神經網絡之一，它沒有考慮到簡單對象和復雜對象之間的重要空間層次結構，導致分類錯誤和錯誤率高。

為何重要：對于典型的識別任務，膠囊網絡通過將誤差減少50%，保證了更高的準確性。他們也不需要太多的數據來訓練模型。期望看到膠囊網絡在許多問題領域和深層神經網絡體系結構中的廣泛應用。

3.深層強化學習：與環境互動解決業務問題

它是什么：一種通過觀察、行動和獎勵與環境相互作用來學習的神經網絡。深層強化學習（DRL）已經被用來學習游戲策略，比如Atari和Go-包括著名的AlphaGo程序，它擊敗了人類冠軍。

為何重要：DRL是所有學習技術中最通用的，因此它可以應用于大多數商業應用中。它需要比其他技術更少的數據來訓練它的模型。更值得注意的是，它可以通過模擬來訓練，這樣就完全不需要有標簽的數據了。鑒于這些優點，期望看到更多的業務應用程序DRL與基于Agent的仿真相結合在未來的一年里。

4.生成對抗性網絡：配對神經網絡促進學習和減輕處理負荷

它是什么： A 生成對抗性網絡GaN（GaN）是一種無監督的深度學習系統，它是作為兩個相互競爭的神經網絡來實現的。一個網絡，即生成器，創建了與真實數據集完全相同的假數據。第二個網絡，即鑒別器，接收真實和綜合的數據。隨著時間的推移，每個網絡都在改進，使這對網絡能夠學習給定數據集的整個分布。

為何重要：GANS為更大范圍的無監督任務打開了深度學習的大門，在這些任務中，標簽數據并不存在，或者獲取起來太昂貴。它們還減少了深層神經網絡所需的負載，因為這兩個網絡分擔了負擔。預計會有更多的商業應用程序，如網絡檢測，聘用甘斯。

5.精益和增強數據學習：解決標簽數據挑戰

它是什么：機器學習（尤其是深入學習）的最大挑戰是提供大量的標記數據來訓練系統。兩種廣泛的技術可以幫助解決這一問題：（1）合成新的數據；（2）將為一個任務或領域訓練的模型轉移到另一個任務或領域。技術，如轉移學習（將所學到的洞察力從一個任務/領域轉移到另一個任務/領域）或一次嘗試學習（將學習轉移到極致，只有一個或沒有相關的例子進行學習）-使他們“精益的數據”學習技術。同樣，通過模擬或插值合成新數據有助于獲得更多的數據，從而增強現有數據以改進學習。

為何重要：使用這些技術，我們可以解決各種各樣的問題，特別是那些歷史數據較少的問題。期望看到更多的精益數據和擴展數據，以及應用于廣泛業務問題的不同類型的學習。

6.概率編程：簡化模型開發的語言

它是什么：一種更容易使開發人員設計概率模型并自動“解決”這些模型的高級編程語言。概率規劃語言使重用模型庫、支持交互建模和形式驗證成為可能，并為在通用模型類中培育通用、高效推理提供了必要的抽象層。

為何重要：概率編程語言能夠適應業務領域中常見的不確定和不完全信息。我們將看到這些語言得到更廣泛的采用，并期望它們也能應用于深入學習。

7.混合學習模型：模型不確定性的組合方法

它是什么：不同類型的深層神經網絡，如GANS或DRL，在性能上有很大的發展前景，并在不同類型的數據中得到了廣泛的應用。然而，深度學習模式并不是模型不確定性貝葉斯方法，或者說概率方法。混合學習模型將這兩種方法結合起來，以充分利用每一種方法的優勢。混合模型的一些例子有：貝葉斯深度學習、貝葉斯Gans和貝葉斯條件Gans.

為何重要：混合學習模型使得將業務問題的多樣性擴展到包含不確定性的深度學習成為可能。這可以幫助我們實現更好的性能和模型的可解釋性，這反過來又可以鼓勵更廣泛的采用。期待看到更多深度學習方法獲得貝葉斯等價，而概率編程語言的組合開始合并深入學習。

8.自動機器學習（AutoML）：無需編程的模型創建

它是什么：開發機器學習模型需要耗費時間和專家驅動的工作流程，包括數據準備、特征選擇、模式或技術選擇、訓練、調音。AutoML目的是使用許多不同的統計和深入學習技術來實現這個工作流的自動化。

為何重要：AutoML是人工智能工具民主化的一部分，它使企業用戶能夠在沒有深入編程背景的情況下開發機器學習模型。它還將加快數據科學家創建模型所需的時間。期望看到更多商業AutoML包和AutoML在大型機器學習平臺中的集成。

9.數字雙胞胎：超越工業應用的虛擬副本

它是什么：數字雙胞胎是一種虛擬模型，用于促進對身體或心理系統的詳細分析和監測。數字孿生概念起源于工業世界用于分析和監測風車、農場或工業系統等事物的地方。現在，利用基于agent的建模（用于模擬自治agent的動作和交互的計算模型）和系統動力學（一種計算機輔助策略分析和設計方法），數字雙胞胎正在應用于非物質對象和過程，包括預測顧客行為。

為何重要：數字雙胞胎有助于促進物聯網（物聯網）的發展和廣泛應用，為預測診斷和維護物聯網系統提供了一種途徑。展望未來，我們將看到在物理系統和消費者選擇模型中更多地使用數字雙胞胎。

10.可解釋人工智能：理解黑匣子

它是什么：今天，有許多機器學習算法在使用，在各種不同的應用程序中使用這種意義，思考和行動。然而，這些算法中有許多被認為是“黑匣子”，對它們如何達到結果幾乎沒有提供任何見解。可解釋AI是一種發展機器學習技術的運動，它能在保持預測精度的同時產生更可解釋的模型。

為何重要：可解釋、可證明和透明的人工智能對于建立對該技術的信任至關重要，并將鼓勵更廣泛地采用機器學習技術。企業在開始廣泛部署人工智能之前，將采用可解釋的人工智能作為一項要求或最佳做法，而政府今后可能會將可解釋的人工智能作為一項監管要求。