本文目录一览：
- 1、萨摩耶云：模型数据升维，AI决策“破圈”
- 2、如何看待启元世界 AI 星际指挥官打败人族选手 TIME？
- 3、人工智能大模型是什么
- 4、AI赛道的新角力，决策智能打造未来“神经系统”
- 5、智己IM AD NOA上线 发布D.L.P.人工智能模型
- 6、2019年AI人工智能领域都发生了什么？
萨摩耶云：模型数据升维，AI决策“破圈”
本刊讯 人类对人工智能的想象和 探索 基于AI智能的决策模型和训练系统。，从未止步。
随着数据、算法、算力能力提升基于AI智能的决策模型和训练系统。，人工智能的应用场景深入到生活的方方面面。我们在搜索引擎上输入关键词后，网页会自动匹配相关搜索内容基于AI智能的决策模型和训练系统。；短视频App能根据我们的浏览习惯，推送相似的博主和场景基于AI智能的决策模型和训练系统。；对着智能手机等移动终端喊话，便能调用相关功能，实现人机交互。
以人工智能为代表的数字化产业快速向前推进，产业数字化转型也成为不可逆的趋势，各行各业都在寻求与自身商业模式相匹配的AI大脑。AI决策能力，正是AI大脑的内核，它决定了AI解决方案的效率和可执行性。
AI决策由模型性能决定，而模型性能的好坏，离不开人工智能三驾马车的拉动——数据、算法、算力。其中，数据在模型搭建过程中起基础性作用，一个模型的优劣，百分之八十取决于数据和样本的维度，正如巧妇难为无米之炊。
因此，数据提滚饥升对于模型优化有着基础性、全局性的作用，而数据与模型也是AI系统的重要组成部分。目前，AI模型开发及应用难点，主要在于数据应用和算法创新上，其中，后者更多体现的是建模方法的适当性。
数据应用维度不足。从AI决策的模型发展现状来看，当前很多模型仅仅是基于二维的数据组织形式来构建，没有考虑到数据在完整周期中的时间节点变化。最终容易导致模型的辨识度、准确度、稳定性失衡，AI决策效果大打折扣。
例如，在视频推荐和电商推荐场景中，如果模型仅是在用户账户、行为属性、社交记录、交易结果等标准数据集上构建和优化，没有纳入用户在决策过程中的重要时间节点下的行为表现，可能就会使模型效果过于拟合，不能够精准地预判用户喜好以及交易风险控制。
一般来讲，二维数据的维度主要表现为样本维度和特征维度。样本维度常常为用户ID信息或者是订单编号，特征维度则为用户人口属性、行为属性、外部资信等信息。二维数据模式下，用户在每个时间点只对应一条变量。
回到实际业务场景，用户在不同的时间节点会呈现不同的行为表现，尽管这些表现强度存在差异化，但最终会反馈到行为特征上。如果把不同时间节点的用户特征行为差异，尽可能纳入建模过程，那么原有的一对一二维数据就延展至一对多的时间序列形式，也就是说把数据应用升维到样本维度、时间维度、特征维度的三维数据组织形式。
三维数据不仅能降低数据集特征不足的影响，而且能最大程度挖掘数据价值，增加特征数量，提升模型准确性。尤其是在业务数据获取时，外部资信等数据往往会遇到接入不确定因素，而内部数据数量和类型有限，并且利用程度趋于饱和。
但对于模型开发而言，更高的精准度和辨识度，要求引入更多维度的数据，挖掘数据规律，生成更多衍生变量。一大拆返旦无法从数量维度获取更多变量，那么只能从质御神量角度下功夫，向深度挖掘变量内部信息，其中一对多的时间序列角度的升维就是深挖数据信息的方法之一。
其实，数据升维可用于AI模型优化的场景非常多，例如在股票、基金的智能投顾业务中，AI模型的数据应用加入时间维度，与样本维度和个股、个基一起构成三维样本，便能把节点变量考虑在内，更加精准预判未来走势。
要想通过高维时序数据实现模型优化，仅停留在数据层面远远不够，还需对算法提升。决定模型好坏的剩下20%，正是建模方法的选择，而与高维时序数据处理相匹配的算法通常为基于神经网络算法的深度学习。
以萨摩耶云为例，萨摩耶云基于深度学习框架， 探索 数据升维用于模型性能的提升，研发出适用于多行业和场景的AI解决方案，满足企业高效智能决策的需求。同时，这些端到端的云原生 科技 解决方案，以SaaS+aPaaS形式提供交付，通过双方系统对接实现信息实时交互，能为合作伙伴输出基于云的智能决策服务。
在萨摩耶云首席科学家王明明看来，更高维度的时序数据建模意味着对现有的业务数据的重新理解、更多的数据信息、更复杂的数据组织方式、更高的机器性能要求、存储要求以及模型上线要求。以高维时序数据为基础，施以神经网络来训练，加工多维变量特征，最终建立并优化模型的AI决策能力。
具体来看，作为机器学习的重要分支，神经网络是从数据中学习表示的一种新的方法，强调从连续地层中进行学习。在神经网络算法驱动下，模型可在同一时间共同学习所有表示层，可能包含数十个甚至上百个连续层，而其基于AI智能的决策模型和训练系统。他机器学习方法往往仅仅学习一两层的数据表示。
神经网络在高维时序数据学习中，一方面通过渐进的、逐层式的方式形成越来越复杂的表示；另一方面，对渐进的表示共同进行学习，每一层的变化都需要同时考虑上下两层的需要。这意味着，循环神经网络引入状态变量时，能保存每个时刻的信息，并且与当前的输入共同决定此刻的输出。
从萨摩耶云的AI决策实践来看，萨摩耶云在模型搭建过程中，不仅考虑了以往的样本维度和特征维度，还把各时间节点的用户特征差异纳入考量，通过三维数据加工完善数据特征。在此基础上，萨摩耶云利用神经网络、深度学习，建立和训练模型，实现比常规模型更为高效的模型效果。
这对于提升模型的预判能力和精准度至关重要。就像阅读一段新闻，如果仅仅从每一个字、每一个词组来理解，很容易断章取义，无法真正明白新闻所指。但把新闻构成中的字词句连贯起来，并置于各个背景节点中，就可以理解新闻的准确意思。
当萨摩耶云把基于神经网络等技术的AI模型，应用于实际业务场景之中，能进一步放大数据价值，帮助企业增强预测分析能力，提升精准营销、销售管理、供应链协作、结果预测、风险控制的效率，进而实现从经验决策到智能决策，达到降本增效的效果。
实验数据也表明，用神经网络的时间序列来做变量衍生，可以产生较为显著的变量增益效果，衍生变量可以直接用于其他传统方式的建模环节，同时也可扩充内部的衍生变量空间。当原始特征的区分能力得到提升，模型的区分效果也得到增强，最终强化AI模型性能。
作为领先的独立云服务 科技 解决方案供应商，萨摩耶云立足场景需求，深耕AI决策智能赛道，不断升级大数据、算法、模型策略和产品设计，为数字经济和企业数字化转型提供技术支撑。在此过程中，萨摩耶云不仅强化了自身核心自主竞争力，而且着眼数字中国全景，源源不断释放 科技 赋能的价值。（山河）
如何看待启元世界 AI 星际指挥官打败人族选手 TIME？
启元“智能体训练云平台”发布现场
继AlphaGo之后基于AI智能的决策模型和训练系统。，AI在世界人机大战中再一次获胜。
6月21日，在启元世界举办基于AI智能的决策模型和训练系统。的国内首届《星际AI顶级职业选手挑战赛》中，启元“AI星际指挥官”以2:0的成绩战胜《星际争霸I/II》全国冠军黄慧明（TooDming）和黄金总决赛冠军、最强人族选手李培楠（Time）。
本次比赛是全国首次现场直播星际AI与人类顶级职业选手的对战。
与围棋相比，《星际争霸》属于不完全信息博弈，战争迷雾对AI的战略规划、布局、决策提出了更高的要求。而且在决策空间上，围棋只有361种，星际2大约有1026。因此，更具挑战性的《星际争霸》成为了AI与人类较量的下一个竞技场。
“星际指挥官”是什么基于AI智能的决策模型和训练系统。？
据了解，“星际指挥官”是由启元世界（北京）信息技术服务有限公司（以下简称：启元世界）围绕智能体训练云开展技术、研发型产品。
公开资料显示，启元世界成立于2017年，是一家认知决策智能技术研发公司，基于深度学习、强化学习、超大规模并行计算等技术，搭建了深度强化学习算法平台，以在线游戏为实验平台，快速验证智能体算法，致力于打造决策智能、构建平行世界、激发人类潜能。
2018年12月，启元世界完成知名投资机构Pre-A轮融资。目前，启元“智能体训练云伏肆平台”已在全国数十家商业组织和机构进行合作，其覆盖了数字娱乐、公共科技、机器人等行业。
启元世界创始人袁泉向钛媒体表示，《星际争霸》无论从战斗、战役、战略经济等层面，都蕴含了人类感知、认知决策的训练环境，所以在公司成立的第一天他就确定以《星际争霸》为研究环境，并且坚信它是孕育下一代新人工智能体非常好的训练平台。
事实上，在此次比赛之前，自2018年在第38届ACM全球总决赛亮相并发布AI人机协作挑战赛以来，“星际指挥官”不断收获优异成绩：
2019年9月达到白金水平，3:0击败人类黄金级选手；2019年12月达到钻石级水平，并在人工智能顶级峰会NeurlPS上现场展示。
究竟“星际指挥官”与围棋有何不同，启元世界CTO龙海涛从博弈和决策空间的氏厅睁角度作出了解释，“从博弈的角度来看，围棋是一个完全信息的博弈，棋子之中黑子、白子都可以看到；而《星际争霸》则属于非完全信息博弈，像猜拳一样，人类选手需要不停地猜测对方在干什么，下一步动作是什么。”
龙海涛介绍，从决策空间来看，围棋是回合制，在19乘19的格子之中，每次决策在361个点进行选择动作；《星际争霸》则是有决策主体、决策目标，每分钟的决策次数在300-400次频率，整个空间加起来有10的26次方，这是每次AI作决策可能性的来源，而且要做两千、三千次决策，才有可能战胜顶级的人类选手，这是对AI训练的巨大考验。
启元世界也在从工程和算法两个层面各进行了深层次的优化，通过乘数效应的叠加最终实现了看似不可能的“奇迹”。
七步打造智能体训练云
袁泉透露，《星际争霸》仅仅是智能体训练云的一块“试验田”，启元世界的目标是通过智能体训练云平台帮助各行各业训练出自己的智能体，助力产业升级。
智能体训练云平台会提供方便的编程接口，供智能体开发人员调用高效的算法库、网络模型歼岁库及训练方法，快速开发构建自己的智能体。同时，平台还会根据训练任务进行弹性算力调度，匹配智能体的推演和训练速度，实现高效率的超大规模并行训练。
袁泉讲述了七步打造智能体训练云路径：
第一步，环境配置。构建智能体训练环境，无论是《星际争霸》、数字孪生环境、仿真环境等，让AI智能体在环境中不断探索、交互。
第二步，智能体设计。平台将提供编程接口，供开发人员调用底层数十个算法库、网络模型库以及智能体的训练方法，快速开发构建自己的智能体。
第三步，算力调度。主要是针对大规模协作的时候，比如某一个特定的任务到底需要分配多少CPU、GPU、大内存，甚至是万兆通信网络这些资源，能够更好地适应任务训练自己的智能体。
第四步，自我对抗学习。将配置好的智能体进行对抗学习和演练，就像“星际指挥官”一样，在对战场景下不断试错、学习和自我迭代，不断调整最优对策。
第五步，对抗样本。支持数百个实体单元的大规模并行对抗训练，可解决10的26次方复杂动作空间决策问题，达到甚至超过人类高手水平。
第六步，智能体模型。随着训练时间的增长包括平台提供稳定训练的特性，能够帮助大家发掘到最优的智能体策略。
第七步，评估部署。将最终训练好的智能体接入仿真推演环境，让智能体背后的AI系统进行各种环境应对策略决策。
按照袁泉的规划，启元世界将致力于把智能体带入每个行业、每个家庭、每个人，提升产业效能和生活体验，为公共科技、数字娱乐、电力能源、交通物流等行业提供基于平台产品的人工智能解决方案。
人工智能大模型是什么
指由人制造出来基于AI智能的决策模型和训练系统。的可以表现出智能基于AI智能的决策模型和训练系统。的机器。通常人工智能是指通过普通计算机程序来呈现人类智能基于AI智能的决策模型和训练系统。的技术。
该词也指出研究这样的智能系统是否能够圆判实现基于AI智能的决策模型和训练系统。，以及如何实现AI大模型是“人工智能预训练大模型”的简称，包含基于AI智能的决策模型和训练系统。了“预训练”和“大模型”两层含义，二者结合产生了一种新的人工智能模式，即模型在大规模数据集上完成了预训练后无需微调，或仅需要少量数据祥态的微调，就能直接支撑各类应用谨腔源。
例如浪潮信息于去年9月推出的2457亿参数的大模型“源1.0”，一个模型就能提供聊天、对话、知识问答、写作等各类应用。
AI赛道的新角力，决策智能打造未来“神经系统”
冬奥落幕基于AI智能的决策模型和训练系统。，但AI浪潮仍在翻涌，央视超仿真两会主播“AI王冠”接棒上岗，让AI应用再次惊艳世界。这些表象基于AI智能的决策模型和训练系统。的背后，正是当下AI、云计算、虚拟现实、5G等技术飞速发展的缩影。创新永无终点，对人工智能而言，它正从“感知智能”走向“决策智能”高阶阶段，以前所未有的广度和深度渗透入各行各业，掀起产业智能化新浪潮。而作为决策智能赛道的重要推动力量，AI决策领军企业萨摩耶云又将如何推动决策智能擦出新的火花？
AI不断碰出新火花
如果说几年前的人工智能带来的是“令人惊诧的变革和冲击”，那么现在无论是在国外还是在国内，人工智能就像冬奥会开幕式上伴随着孩子们的脚步而实时绽放的雪花一样，处处落地开花。
根据艾瑞咨询发布的《2021年中国人工智能产业研究报告》显示，AI技术在各行业领域的增量式技术改进、系统性前瞻性研发等重要产业改造环节提供价值，已广泛渗透进经济生产活动主要环节。作为智能化转型的核心生产力，人工智能技术所带来的创新增量价值引人瞩目，正从AI技术与各行业典型应用场景融合赋能阶段向效率化、工业化生产的成熟阶段演进。
当下，人工智能技术已走出实验室，在企业设计、生产、管理、营销、销售多个环节中渗透且成熟度不断提升。同时，随着新技术模型出现、各行业应用场景价值打磨与海量数据积累下的产品效果提升，人工智能应用已从消费、互联网等泛C端领域，向制造、能源、电乎举力等传统行业辐射，不断碰撞出新的火花。
十四五规划指出要瞄准人工智能、量子信息等前沿领域，实施一批具核册有前瞻性、战略性的国家重大 科技 项目。以AI为代表的新“IT”赋能实体经济、革新生产组织形式，实现全产业链、全场景的数字化，成中国经济转型的新引擎。
顶层设计为AI勾勒出基于AI智能的决策模型和训练系统。了宏大发展前景，但是政府搭台企业唱戏，唯有 科技 企业让人工智能“落地”和“应用”才能推动技术进一步的发展，反哺经济增长。如何满足“落地”和“应用”？
首先，真实可见的实际应用案例；其次，能规模化推广的对应产品；另外，可用统计数据岁氏碧证明的应用成效。简而言之，能有看得见、摸得着、起得基于AI智能的决策模型和训练系统。了作用且被人类大规模使用的产品出现才能称得上是让AI真正发挥了作用。
这当中，以数据驱动的决策智能让AI技术与落地场景彼此相遇融合，为人工智能的发展，提供了确定性的道路。
重塑核心竞争力 的关键抓手
数字经济时代，数据成为发展的重要资产，如何用好数据，发挥数据价值成为当下企业乃至国家构建竞争力的新需求。在瞬息万变的市场环境中，以数据驱动决策智能已是未来发展的必然趋势，智能化的决策将是重塑核心竞争力的关键抓手。
首先，智能决策方式能够激活企业沉淀数据，提升决策的精准性和前瞻性。现阶段由数据、算法、技术和场景驱动智能决策已经实现了决策和行动的快速处理，并且具备不停迭代和优化的能力。在传统行业，企业业务场景除规则之外还部分依赖于员工经验和实践积累，从而作出前瞻性的决策。
其次，智能决策能够在企业管理中提供更深刻的业务洞察力。智能决策并不意味着所有决策都是完全自动的，否则人类的自主性将无法体现，更多集中在战术和运营级别来提供智能、快速和精确的决策策略。
此外，智能决策在提升决策的质量和效率，降低人工操作失误率层面展现出先进性。人类面对海量信息仅靠人脑的自然智力是远不够的，机器在计算机处理信息、沟通信息、并行计算和线性计算方面的速度都快于人类，而智能决策能从庞大、复杂、无序个体数据中发现更为本质的规律，并从亿级结果中推演出最优的决策方案。
可以说AI决策的出现，能精准帮助千行百业用数据和技术为企业创造价值，从而形成全链路的智能决策解决方案，而不再是“拍脑袋”并付出高昂试错成本。随着新基建重要组成部分的数据算法等在众多商业场景中不断应用落地，基于AI技术使用模型和算法做出的智能决策，充分展示出要比人工经验决策更精准，商业决策正在从基于主观经验的决策向基于科学的数据智能实时决策演进。
艾瑞咨询也在决策智能报告中指出，决策智能使用机器等技术，对数据进行治理，挖掘和利用数据背后信息，让机器具备自主分析、预测、选择等功能，其能提供更加实时、高效的决策效率，从而解决了核心决策管理问题，占据AI未来发展C位。银行、保险公司、证券公司以及基金展开了决策智能产品的引入之路，以克服营销获客难、反交易欺诈与非法集资等业务痛点。
决策智能打造 未来“神经系统”
风起于清萍之末，浪成于微澜之间，数字化转型已经进入深水区。对于企业而言，如果不紧跟步伐做出转型，那么面临的就不是是否能赚钱的问题，而是生与死的问题。可以肯定的是，在数字新基建时代，数字化能力对于企业来说将成为最基本战略能力，而智能决策技术和商业场景的深度融合，才可让梦想照进现实，帮助企业画出二次增长曲线。
目前，越来越多的企业渴望通过引入AI决策，以直观发现、分析、预警数据中所隐藏的问题，及时应对业务中的风险，发现增长点。作为AI决策技术和资源关键支撑的AI平台是众多AI解决方案使能的核心载体，可以提供云化算力支持、数据治理一体化工具、通用模型开发能力，甚至可提供面向诸多应用场景的标准化AI模型，推动实现高效率、低成本、规模化AI创新与赋能。
但是，骨感的现实是许多企业普遍缺乏智能应用研发与部署的支撑能力，带来了AI算法模型研发门槛高、作坊式的部署工具难以在实际生产环境中落地等问题。AI标杆企业们锚定这一市场痛点，通过扎实的平台试图让AI落地摆脱碎片化落地的状态，从而在各个行业赛道里进行广泛布局，在人员需求更低的同时，可以获得更多的创新技术成果，并且能够把这些创新性的技术成果快速进行商业化。
图：2021年中国人工智能产业研究报告
被艾瑞咨询在《2021年中国人工智能产业研究报告》中评为优秀案例的萨摩耶云，其正在做的事情就是基于人工智能和客户业务场景的协同创新，成为数字化升级的赋能者、价值的创造者和转型的供给者，引领着中国AI决策迈向更高阶。
萨摩耶云开箱即用、自主定制、成本经济的模型训练开发平台，不仅让云计算以可伸缩的方式为数据、模型提供算力与存储空间，同时叠加了模型开发、训练、投放能力，将决策智能覆盖至全场景和全产业链，用技术赋能百业完成新旧动能转换的战略布局。
在核心技术层面，萨摩耶云构筑了强大的竞争壁垒，以一整套端到端的云原生架构体系，打通算力、平台和算法之间的连接与协同，大幅降低人工智能生产要素成本。在技术应用层面，凭借萨摩耶云强大的智能算法，企业可以构建针对不同业务场景的预测、决策模型。在智能决策层面，借助AI和大数据技术优化决策过程，采取相应行动并根据效果，形成决策反馈闭环。
利用智能决策核心技术为企业构建整套决策神经系统，萨摩耶云希望能够影响整个行业乃至更大范围的商业决策，通过将场景作为关键驱动力，其智能决策解决方案落地覆盖物流、智能制造、仓储、跨境电商、供应链等领域，解决一系列业务场景中的决策优化难题，为各领域层级的决策者获得更高阶知识和洞察力，提高决策的科学性。
“观天之化，推演万事之类”。正如汉•陆贾《新语•明诫》所揭示的哲理，自然万物并非亘古不变，需善于观察分析，以普遍规律来推演趋势变化。当今，数字化转型趋势已席卷世界，每个企业都应把握趋势建立自己的智能决策“神经系统”。
萨摩耶云AI决策，正在帮助千行百业打造未来“神经系统”。
智己IM AD NOA上线 发布D.L.P.人工智能模型
【EV视界报道】日前基于AI智能的决策模型和训练系统。，EV视界从官方渠道获悉基于AI智能的决策模型和训练系统。，智己汽车携手智能驾驶算法公司Momenta，于苏州举办IM AD DAY，迎来IM AD智能驾驶辅助系统里程碑式重大更新，智己汽车将数据驱动的规划算法应用于量产项目，正式发布D.L.P.人工智能模型。
智己高速高架NOA领航辅助功能官宣上线，将于4月底开启面向智己L7车型的OTA推送，首批开放城市为沪、苏、杭、嘉、湖，年内推至全国基于AI智能的决策模型和训练系统。；智己LS7车型预计6月份推送，年内推至全国。未来，智己城市NOA领航辅助以及替代高精地图的数据驱动道路环境感知模型，预计将于2023年年内开启公测。
AI时代的到来，加速了人工智能在智能驾驶领域的落地速度。感知智能和认知智能是人工智能应用的两大重点。过去几年间，行业头部智能驾驶算法玩家在感知智能技术路线方面逐步趋同，基于BEV和Occupancy Network架构的滑信孝感知算法成为主流技术路线。从接管数据来看，决策规划问题即认知智能导致的接管率是由感知问题即感知智能导致的接管率的十倍。智己汽车认为坦颂在持续提升感知智能的同时，认知智能已经成为智能驾驶技术演进的瓶颈，挑战巨大。
溯源至2014年，上汽前瞻工程团队已着手智能驾驶领域的相关研究，在规控与执行器协同处理方面建立得了丰厚技术积累。2017年成立上汽人工智能实验室，开启在深度学习领域的全面布局。2021年，智己汽车率先信稿在智能驾驶行业垂直领域使用多传感器多任务的Transformer模型和时序BEV机制实现OneModel落地量产，在感知智能领域树立领先地位。今天，业内首个基于数据驱动的D.L.P.人工智能模型的发布，则意味着智己汽车正式从感知智能迈向认知智能。
智己和Momenta从第一性原理出发，基于领先的D.L.P.人工智能模型，采集大量人类驾驶数据进行训练。通过构建具备亿级数据量产能力的决策规划数据-模型产线，在车端采用Transformer架构，高效理解场景和他车行为，显著提高复杂环境变化的预判能力，进而提前规划智能驾驶行为，避免不舒适体感的产生，让智己IM AD实现更像人的跟车间距、线性起步响应、无顿挫舒适感等优质体验，大幅降低接管里程，总体类人性相比规则算法获得阶越性提升，打造行业第一梯队的智驾体验。
顶级车控由智己汽车打造。背靠上汽集团雄厚的整车研发能力，以及智己汽车对全明星驾控、数字化底盘的深入理解，IM AD在横纵向速度控制、自动变道、自动泊车等场景下拥有丝般顺滑的体验，带给你如专职老司机般开车的高级质感。顶级算法则由上汽领投的全球头部智能驾驶算法玩家Momenta加持，顶级车控+顶级算法强强联合，既发挥Momenta在算法端的强大优势，同时也能完美结合智己汽车在车控端的技术底蕴。
同时，结合正在开发中的基于Occupancy网络模型的DDOD ( Data Driven Object Detection)模型和可替代高精地图的DDLD ( Data Driven Landmark Detection)，未来将形成感知智能和认知智能的双维大幅提升。智己汽车认为基于网络模型的不断迭代，百公里接管率会以两年为周期提升十倍，实现更高级的智能驾驶。
写在最后
智己汽车×Momenta双方技术合作的重大突破，更是智己汽车补齐全模型化的最重要拼图。作为行业首家将数据驱动的决策规划应用到量产的车企，智己汽车已成功跻身智能驾驶头部玩家行列，或许未来将引领智能驾驶迈入全新时代。
【本文来自易车号作者EV视界，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】
2019年AI人工智能领域都发生了什么？
作者 | David Foster
译者 | Sambodhi
2019 年无疑是忙碌的一年。人工智能的进步和新闻频频登上头条新闻基于AI智能的决策模型和训练系统。，让我们的生活充满了敬畏和自豪的时刻，但一些其他时刻充却斥着一种恼人的想法，那就是这项技术让人们发现，我们的社会拆卖并没有准备好迎接人工智能的普及。
2019 年，究竟是人工智能进步的一年，还是幻灭的一年呢基于AI智能的决策模型和训练系统。？随着研究人员攻城略地，迅速攻克以前难以企及的基准，今天，我们可不可以这样认为，这个领域已经正在步入稳步发展的轨道呢？
在 ADSP（Applied Data Science Partners，意即“应用数据科学合作伙伴”）网站上，我们想后退一步，把 2019 年的人工智能界发生的事件整理好，以让公众能够有个全新的视角。在聚光灯下，重要的是要将一项工作最初吸引人们的兴趣，与它的实际重要性，以及它对旅亮逗该领域产生的影响区分开来。为此，本文将展开人工智能故事的平行线索，并试图分离出它们的意义。多亏了我们出色的内容作家 Elena Nisioti，她将这些故事讲得如此精彩基于AI智能的决策模型和训练系统。！
让我们坐下来，一起回顾 2019 年的人工智能领域的方方面面。
处在文艺复兴时期的领域
如果让我们用一句话来描述 2019 年的人工智能现状，那很可能是：“强化学习（Reinforcement Learning ）回归，看起来将永存”。
到目前为止，我们中的大多数人可能已经熟悉了 监督式学习（Supervised Learning）：有些人收集了大量的 训练数据，将它们馈送到 机器学习算法 中，然后得到一个 模型，这个模型可以为我们进行 预测 和 分类。我们中的一些人甚至可能有这样的印象：即，人工智能就是监督式学习的同义词。然而，监督式学习只不过是我们今天拥有的 众多类型的机器学习 中的一种罢了。
在强化学习（Reinforcement Learning，RL）中，智能体用 试错 的方法，通过与环境进行交互来学习，这种环境会给它们的 行为 提供 奖励回报。当涉及到多个智能体时，它们被称为 多智能体强化学习系统（Multi-agent Reinforcement Learning System）。
这个领域已经存在几十年，从概念上来讲，它听起来比监督式学习更像是一种合理的创造智能的学习机制。然而，直到 2015 年，DeepMind 才获得了人们的关注，当时 DeepMind 使用深度 Q 学习（Deep Q-learning）创建了 Atari（雅达利） 游戏的智能体，这是一种结合了经典强化学习算法和深度神经网络的算法。2018 年，OpenAI 也通过 解决 Montezuma’s Revenge（一款被认为难度特别高的 Atari 游戏），从而在这一领域确立了自己的地位。
在过去的几个月里，事态升级了：
这些工作重新唤起了学术界对强化学习的信念，在过去，人们曾经认为强化学习效率低下，过于简单，无法解决复杂的问题，甚至连游戏的问题也不能解决。
今年，另一个大受欢迎的应用是 自然语言处理（Natural Language Processing，NLP）。尽管研究人员在这一领域工作了几十年，但近些年的自然语言处理系统生成的文本听起来还是不够自然。自 2018 年底以来，人们的注意力已经从过去的词嵌入转移到 预训练语言模型，这是自然语言处理从计算机视觉中借鉴来的一种技术。这些模型的训练是以非监督的方式进行的，这使得现代系统能够从互联网上的大量文本中进行学习。因此，这些模型变得“博闻强识”，并发展出了理解上下文的能力。然后，可以通过监督式学习进一步提高它们在键旁特定任务上的表现。这种通过在不同任务上训练机器学习模型来改进模型的做法，属于 迁移学习（transfer learning）的范畴，被认为具有巨大的潜力。
自去年 Google BERT、ELMo 和 ulmfit 等系统在 2018 年底推出以来，自然语言处理一直风头正茂，但今年的聚光灯被 OpenAI 的 GPT-2 给“夺走了”，它的表现引发了人们对 自然语言处理系统的道德使用的大讨论。
实践走向成熟
今年，人们也见证了最近一些深度学习技术走向成熟。应用监督式学习，特别是 计算机视觉 技术，已经催生了现实生活中成功的产品和系统。
生成对抗网络（Generative Adversarial Networks，GAN）是一对神经网络，其中，生成器网络试图通过学习生成模仿训练数据的图像来欺骗判别器网络，现在已经达到了近乎完美的水平。对人工智能来说，创造虚假但又逼真的人物和物体的图像，已经不再是前沿领域了。从 2014 年生成对抗网络的引入 到 2019 年 NVDIA 开源的 StyleGAN，一图胜千言，我们用下面的图片来说明，这可能是理解该领域进展情况的最佳方式：
2019 年，人工智能创造的艺术品甚至脱离了过去几年的假设性讨论，成为了今天 博物馆装置和拍卖 的一部分。
计算机视觉还被应用于一些具有重大商业和社会意义的领域，包括自动驾驶车辆和医学。但是，人工智能算法在这些领域中的应用自然是缓慢的，因为它们直接与人类生活直接互动。至少到目前为止，这些系统还 不是完全自主的，它们的目的，在于支持和 增强 人类操作员的能力。
研究团队正与医院密切合作，开发用于疾病早期预测的人工智能系统，并整理大量的健康数据档案，其中一个值得注意的例子，是 DeepMind Health 和 UCLH 之间正在进行的合作。然而，这些工作中的大部分仍处于试验阶段，迄今为止，唯一获得 FDA 批准的人工智能系统是 SubtlePet，这是一款使用深度学习增强医学图像的软件。
沉睡的巨人
AutoML 是机器学习的子领域之一，自 20 世纪 90 年代以来就一直存在，在 2016 年引起了人们的极大兴趣，但不知何故从未登上头条新闻，至少不像其他人工智能趋势那样。也许这是因为它并不那么花哨的性质：AutoML 的目的是通过自动化决策来使机器学习的实践更有效，而今天数据科学家是通过手动、蛮力调优做出的决策。
在过去三年中，我们对这一领域的理解已经发生了变化，今天，大多数大公司都提供了 AutoML 工具，包括 Google Cloud AutoML、Microsoft Azure、Amazon Web Service 和 DataRobot 等。今年，随着 学习进化人工智能框架（Learning Evolutionary AI Framework，LEAF）成为最先进的人工智能技术，人们的兴趣转向了“进化”（Evolutionary）方法。然而，AutoML 还没有达到可以让一个完全自动化的人工智能系统比人工智能专家团队执行更好的成熟水平。
对人工智能的担忧
尽管取得了压倒性的成功，但今年人工智能领域也给我们带来了一些令人沮丧的故事。其中主要问题之一是 机器学习模型中的偏见，这一问题直到 2018 年才显现出来，当时 Amazon 发现他们的 自动招聘系统中存在性别偏见，而美国法院广泛使用的判决工具 COMPAS 也被发现存在性别和种族的偏见。
今年案件的数量有所增加，这可能表明，公众和机构对用于自动化决策的现有人工智能系统越来越怀疑。以下是图景的一小部分：
今年 10 月份，某医院的算法被发现对黑种人患者存有偏见。 去年 10 月，某人权组织指责用于发放英国签证的人工智能系统存在种族偏见。 今年 11 月，Apple 的信用评分系统被客户指责存有性别偏见。
偏见是一个特别令人担忧的问题，因为它位于监督式深度学习的核心中：当有偏见的数据被用于训练，且预测模型无法 解释 时，我们不能真正判断出是否存有偏见。迄今为止，学术界的反应一直是致力于开发技术，以了解深度模型决策背后的原因，但专家警告称，如果我们采用正确的实践方法，那么许多问题都可以迎刃而解。Google Cloud Model Cards 是最近的一次尝试，旨在使组织社区走向开源模式，同时明确描述其性质和局限性。
今年另一个让人担忧的发现是，当一项技术变得越复杂时，它被滥用的可能性就越大。Deepfake就是生成对抗网络的阴暗面，深度学习算法被用来在纯粹虚构的场景中创建涉及真实人物的图片或视频。人们不难看出，这项技术如何被用于传播虚假新闻，从政治宣传到欺凌。这个问题单靠科学家是无法解决的，历史已经证明，科学家并不善于预测他们的发现对现实生活的影响，更不用说控制它们了，这需要社会各界进行广泛的对话。
今天的人工智能有多强大？
如今，要量化人工智能的价值真的很困难。但有一点是可以肯定的：人工智能已经脱离了科幻小说和前卫计算机科学的领域，现在，人工智能已成为社会不可分割的一部分，人们对人工智能进行了大量的投资。
今年早些时候，三名主要的深度学习研究人员获得了图灵奖，这是对人工智能作为计算机科学的一个领域的认可，而人们对此期待已久。
