人工智能深度学习未来应该如何发展的详细概述.doc

《人工智能深度学习未来应该如何发展的详细概述.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、人工智能深度学习未来应该如何发展的详细概述　　多年来，深度学习一直处于所谓的人工智能革命的最前沿，许多人相信深度学习将带领我们进入通用AI时代。然而，从12，13年甚嚣尘上，到如今的尘埃落地，浪潮一再的退去。面对疲软的风口，养肥的猪，人工智能将何去何从？　　AIWinterIsWellOnItsWay　　多年来，深度学习一直处于所谓的人工智能革命的最前沿，许多人相信深度学习将带领我们进入通用AI时代。在2014，2015，2016年，很多事件每每推动人们对Ai的理解边界。例如AlphaGo等。特斯拉等公司甚至宣称：全自动驾驶汽车正在路上。　　但是现在，2018年中

2、期，事情开始发生变化。从表面上看，NIPS会议仍然很火，关于AI的新闻也很多，ElonMask仍然看好自动驾驶汽车，而GoogleCEO不断重申AndrewNg的口号，即AI比电力作出了更大的贡献。但是这些言论已经开始出现裂纹。裂纹最明显的地方是自动驾驶-人工智能深度学习未来应该如何发展的详细概述　　多年来，深度学习一直处于所谓的人工智能革命的最前沿，许多人相信深度学习将带领我们进入通用AI时代。然而，从12，13年甚嚣尘上，到如今的尘埃落地，浪潮一再的退去。面对疲软的风口，养肥的猪，人工智能将何去何从？　　AIWinterIsWellOnItsWay　　多年来，

3、深度学习一直处于所谓的人工智能革命的最前沿，许多人相信深度学习将带领我们进入通用AI时代。在2014，2015，2016年，很多事件每每推动人们对Ai的理解边界。例如AlphaGo等。特斯拉等公司甚至宣称：全自动驾驶汽车正在路上。　　但是现在，2018年中期，事情开始发生变化。从表面上看，NIPS会议仍然很火，关于AI的新闻也很多，ElonMask仍然看好自动驾驶汽车，而GoogleCEO不断重申AndrewNg的口号，即AI比电力作出了更大的贡献。但是这些言论已经开始出现裂纹。裂纹最明显的地方是自动驾驶-这种现实世界中的实际应用。　　深度学习尘埃落定　　当Ima

4、geNet有了很好的解决方案（注意这并不意味着视觉问题得到已经解决【1】），该领域的许多杰出研究人员（甚至包括一直保持低调的GeoffHinton）都在积极地接受采访，在社交媒体上发布内容（例如YannLecun，吴恩达，李飞飞等）。他们的话，可以总结为：世界正处在一场巨大的AI革命中。然而，好几年已经过去了，这些人的Twitter信息变得不那么活跃了，比如AndrewNg：　　2013年-每天0.413推文　　2014年-每天0.605条推文　　2015-每天0.320条推文　　2016-每天0.802推文　　2017-每天0.668推文　　2018-每天0.2

5、63推文（至5月24日）　　也许这是因为Andrew的某些夸张言论，在当下会被进行更详细的审查，如下面的推文【2】所示：　　　　不可否认，深度学习的热度已经大大下降，赞美深度学习作为AI终极算法的推文少得多了，而且论文正在变得不那么“革命”，现在大家换了个词，叫：进化。　　自从AlphaZero以来，DeepMind已经许久没有产出令人惊叹的东西了。OpenAI更是相当的低调，他们最近一次出现在媒体的报道上，是他们做了一个自动打Dota2【3】的机器人[我一开始以为，这是跟AlphaGo一样的伟大，然后后来证明，并不是]。　　从某些文章来看【4】，貌似Google

6、实际上并不知道如何处理Deepmind，因为他们的结果显然不如原先预期的那么实际......至于杰出的研究人员，他们一般都为了funding在各种政府机构间游走，YannLecun甚至【5】从Facebook的AI首席科学家的位置上下台了。　　像这种从富有的大公司向政府资助的研究机构的逐渐转变表明，这些公司对这类研究的兴趣（我认为是谷歌和Facebook）实际上正在慢慢消失。这些都是早期迹象，没有人大声的宣扬，但这些行动就像肢体语言，也能传达某种意思。　　大规模深度学习（实际并没有）　　深度学习的一个重要口号是它可以轻松的扩展。我们在2012年拥有60M参数的Al

7、exNet，现在我们已经有至少1000倍的数量的模型了吗？好吧，我们可能会这样做，但问题是-这些东西有1000x的能力提升吗？100倍的能力？openAI的研究派上用场：　　　　因此，就视觉应用而言，我们看到VGG和Resnets在计算资源应用的一个数量级上饱和（就参数数量而言实际上较少）。Xception是谷歌Inception架构的一种变体，实际上它在ImageNet上的表现只是略微优于其他模型，因为AlexNet基本上解决了ImageNet。　　因此，在比AlexNet计算量提高100倍的情况下，我们在视觉方面已经有了近乎饱和的体系结构，换句话说，图像分类的

8、精确已经提