2016年我们一同见证了AI领域众多的突破性进展。以图像识别方向上取得的成绩为例,未来我们可以期待计算机能比放射科医师更快速地理解X射线、MRI和CT的扫描图片,为癌症的诊断减少时间。

当然,这只是深度学习技术的发展如果影响人类生活的一个例子。深度学习还能够帮助我们通过消费方式预测能源来源以及重塑人类的交通方式等等。2017年,深度学习的发展又将会是怎么样的呢?我们采访了6位来自产业界和学术界的一线科学家,让我们来听听他们都是怎么说的。DurkKingma,OpenAI研究科学家2017年,我们会看到更多深度学习在不同领域应用的爆发。

与此同时,深度学习的理论也会有所突破,鲁棒性和样本效率都会得到提升。从图像到语音识别,许许多多不同的基于深度学习的新应用将会出现。未来3年,基于不同目的所开发的AI硬件将使得计算速度越来越快。无监督学习支持下视频数据处理应用也将陆续出现,而整合了强化学习和监督学习之后,我们离通用人工智能的距离也将越来越近。

不过,DNN、反向传播、SGD仍将是主要的技术。NeilLawrence,Sheffield大学机器学习和计算生物系教授很多事情都将如我们所期待的那样发展。深度学习的方法将会更智能地被部署在超大规模的数据集上。DeepLearning这个词其实正和神经网络划上等号。

对于小型的数据集来说,我认为在模型在利用(modelrepurposing)上将会有一些很有意思的方向出现。比如说对pre-trained的深度学习模型的再次利用。如何将这些做到最好是围绕在我们身边的有趣问题。在2016年,一个很重大的变化就是TensorFlow被广泛地使用。

再加上像Torch和MXNet等类似的框架的出现,深度学习开始走出科学这个专属的领域而更多的成为工程上的实践。与此同时,GAN在2016年也获得了大量的关注。不过当大量的数据缺失的时间,GAN如何还能发挥功效还是大家需要一同来解决的问题。在医疗领域,数据的缺失是很常见的现象。

当然,也有一些领域是虽然数据量非常少,应用神经网络也能得到很好效果的。对于医疗领域来说,学习中间的可解释性和可说明性也是需要大家一起来解决的。虽然我们已经开始深究机器是如何进行推理的,但我认为去了解深度学习专家们是如何对他们的结果进行解释的也同样重要。我们需要更深地了解专业、直觉和解释之间复杂的关联。

RolandMemisevic,创业公司TwentyBillionNeurons首席科学家深度学习自2012年以来就取得了不可思议的进展,其中最受人瞩目的是图像和语音识别。我期待2017年工业界开始全面进军视频领域,从而代替基于图像的视觉表示,更深层、细颗粒地去理解这个世界。有别于图像,视频可以给神经网络一个三维立体的世界,包含一个个独立物体,以及重力、材料类型和物体恒存性(objectpermanence)等物理学概念。未来3年,对世界运转机制更透彻的理解将会逐渐影响到其他领域,比如对自然语言处理来说,对语言学概念的深入理解将会带来更好的自然语言和对话系统的体验。