機(jī)器學(xué)習(xí)已經(jīng)成為了當(dāng)今的熱門話題，但是從機(jī)器學(xué)習(xí)這個概念誕生到機(jī)器學(xué)習(xí)技術(shù)的普遍應(yīng)用經(jīng)過了漫長的過程。在機(jī)器學(xué)習(xí)發(fā)展的歷史長河中，眾多優(yōu)秀的學(xué)者為推動機(jī)器學(xué)習(xí)的發(fā)展做出了巨大的貢獻(xiàn)。

從 1642 年 Pascal 發(fā)明的手搖式計算機(jī)，到 1949 年 Donald Hebb 提出的赫布理論——解釋學(xué)習(xí)過程中大腦神經(jīng)元所發(fā)生的變化，都蘊含著機(jī)器學(xué)習(xí)思想的萌芽。事實上， 1950 年圖靈在關(guān)于圖靈測試的文章中就已提及機(jī)器學(xué)習(xí)的概念。到了 1952 年， IBM 的亞瑟·塞繆爾（Arthur Samuel， 被譽為“機(jī)器學(xué)習(xí)之父”）設(shè)計了一款可以學(xué)習(xí)的西洋跳棋程序。 塞繆爾和這個程序進(jìn)行多場對弈后發(fā)現(xiàn)，隨著時間的推移， 程序的棋藝變得越來越好。 塞繆爾用這個程序推翻了以往“機(jī)器無法超越人類，不能像人一樣寫代碼和學(xué)習(xí)”這一傳統(tǒng)認(rèn)識。并在 1956 年正式提出了“機(jī)器學(xué)習(xí)”這一概念。

本期的智能內(nèi)參，我們推薦清華人工智能研究院的研究報告《人工智能之機(jī)器學(xué)習(xí)》，從機(jī)器學(xué)習(xí)的發(fā)展史、技術(shù)特點、人才概況、行業(yè)應(yīng)用和未來趨勢五大維度剖析機(jī)器學(xué)習(xí)技術(shù)。如果想收藏本文的報告（人工智能之機(jī)器學(xué)習(xí)），可以在智東西（公眾號：zhidxcom）回復(fù)關(guān)鍵詞“nc427”獲取。

本期內(nèi)參來源：清華人工智能研究院

原標(biāo)題：

《人工智能之機(jī)器學(xué)習(xí) 》

作者：未注明

一、什么是機(jī)器學(xué)習(xí)？

對機(jī)器學(xué)習(xí)的認(rèn)識可以從多個方面進(jìn)行，有著“全球機(jī)器學(xué)習(xí)教父”之稱的 Tom Mitchell 則將機(jī)器學(xué)習(xí)定義為：對于某類任務(wù) T 和性能度量 P，如果計算機(jī)程序在 T 上以 P衡量的性能隨著經(jīng)驗 E 而自我完善，就稱這個計算機(jī)程序從經(jīng)驗 E 學(xué)習(xí)。

普遍認(rèn)為，機(jī)器學(xué)習(xí)（Machine Learning，常簡稱為 ML）的處理系統(tǒng)和算法是主要通過找出數(shù)據(jù)里隱藏的模式進(jìn)而做出預(yù)測的識別模式，它是人工智能（Artificial Intelligence，常簡稱為 AI）的一個重要子領(lǐng)域。

從機(jī)器學(xué)習(xí)發(fā)展的過程上來說，其發(fā)展的時間軸如下所示：

▲機(jī)器學(xué)習(xí)發(fā)展歷程

機(jī)器學(xué)習(xí)算法可以按照不同的標(biāo)準(zhǔn)來進(jìn)行分類。比如按函數(shù) f (x， θ)的不同， 機(jī)器學(xué)習(xí)算法可以分為線性模型和非線性模型；按照學(xué)習(xí)準(zhǔn)則的不同，機(jī)器學(xué)習(xí)算法也可以分為統(tǒng)計方法和非統(tǒng)計方法。但一般來說，我們會按照訓(xùn)練樣本提供的信息以及反饋方式的不同，將機(jī)器學(xué)習(xí)算法分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。

▲機(jī)器學(xué)習(xí)分類

1980 年機(jī)器學(xué)習(xí)作為一支獨立的力量登上了歷史舞臺。在這之后的 10 年里出現(xiàn)了一些重要的方法和理論，典型的代表是：分類與回歸樹（CART， 1984） 、 反向傳播算（1986）、卷積神經(jīng)網(wǎng)絡(luò)（1989）。 從 1990 到 2012 年，機(jī)器學(xué)習(xí)逐漸走向成熟和應(yīng)用，在這 20 多年里機(jī)器學(xué)習(xí)的理論和方法得到了完善和充實，可謂是百花齊放的年代。代表性的重要成果有：支持向量機(jī)（SVM， 1995） 、 AdaBoost 算法（1997）、 循環(huán)神經(jīng)網(wǎng)絡(luò)和 LSTM（1997）、 流形學(xué)習(xí)（2000）、 隨機(jī)森林（2001） 。 機(jī)器學(xué)習(xí)代表算法包括：

線性回歸；

分類與回歸樹（CART）；

隨機(jī)森林（Random Forest）；

邏輯回歸；

樸素貝葉斯（Naive Bayesian）；

k 最近鄰（kNN）；

AdaBoost；

K-均值算法（K-Means）；

支持向量機(jī)（SVM）；

人工神經(jīng)網(wǎng)絡(luò) ANN（Artificial Neural Network）；

1、 生成對抗網(wǎng)絡(luò)及對抗機(jī)器學(xué)習(xí)

生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks, GAN） 是用于無監(jiān)督學(xué)習(xí)的機(jī)器學(xué)習(xí)模型，由 Ian Goodfellow 等人在 2014 年提出， 由神經(jīng)網(wǎng)絡(luò)構(gòu)成判別器和生成器構(gòu)成，通過一種互相競爭的機(jī)制組成的一種學(xué)習(xí)框架， GAN 在深度學(xué)習(xí)領(lǐng)域掀起了一場革命。 傳統(tǒng)的生成模型最早要追溯到 80 年代的 RBM，以及后來逐漸使用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行包裝的AutoEncoder， 然后就是現(xiàn)在稱得上最火的生成模型 GAN。

▲GAN 發(fā)展脈絡(luò)

對抗機(jī)器學(xué)習(xí)是一個機(jī)器學(xué)習(xí)與計算機(jī)安全的交叉領(lǐng)域。對抗機(jī)器學(xué)習(xí)旨在給惡意環(huán)境下的機(jī)器學(xué)習(xí)技術(shù)提供安全保障。由于機(jī)器學(xué)習(xí)技術(shù)一般研究的是同一個或較為穩(wěn)定的數(shù)據(jù)分布，當(dāng)部署到現(xiàn)實中的時候，由于惡意用戶的存在，這種假設(shè)并不一定成立。比如研究人員發(fā)現(xiàn)，一些精心設(shè)計的對抗樣本（adversarial example） 可以使機(jī)器學(xué)習(xí)模型失敗輸出正確的結(jié)果。針對模型的攻擊問題，我們主要分為兩大類，就是從訓(xùn)練階段和推理（inference）階段來進(jìn)行討論。

訓(xùn)練階段的攻擊。 訓(xùn)練階段的惡意攻擊（Training in Adversarial Settings） ，主要的目的就是針對模型的參數(shù)進(jìn)行微小的擾動，從讓而模型的性能和預(yù)期產(chǎn)生偏差。這樣的行為主要是通過數(shù)據(jù)投毒來完成的。

推理階段的攻擊（Inference in Adversarial Settings）。當(dāng)訓(xùn)練完成一個模型之后，這個模型就可以看做一個 BOX，那么這個盒子中，對于我們?nèi)绻峭该鞯脑挘覀兙桶阉?dāng)成是“白盒”模型，如果這個盒子中，我們什么都看不了，我們就把它當(dāng)成“黑盒”模型。（我們在這個部分不討論灰盒模型）那么針對白盒和黑盒的進(jìn)攻手段自然是不同的，但是最終的目的都是希望能對模型的最終結(jié)果產(chǎn)生破壞，與預(yù)期脫離。其影響力以及攻擊的構(gòu)造粒度也是有所不同的。

2、自動機(jī)器學(xué)習(xí)

自動機(jī)器學(xué)習(xí)（AutoML）旨在通過讓一些通用步驟（如數(shù)據(jù)預(yù)處理、模型選擇和調(diào)整超參數(shù)） 自動化，來簡化機(jī)器學(xué)習(xí)中生成模型的過程。 AutoML 是指盡量不通過人來設(shè)定超參數(shù)，而是使用某種學(xué)習(xí)機(jī)制，來調(diào)節(jié)這些超參數(shù)。這些學(xué)習(xí)機(jī)制包括傳統(tǒng)的貝葉斯優(yōu)化，多臂老虎機(jī)（multi-armed bandit），進(jìn)化算法，還有比較新的強(qiáng)化學(xué)習(xí)。自動機(jī)器學(xué)習(xí)不光包括大家熟知的算法選擇，超參數(shù)優(yōu)化，和神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索，還覆蓋機(jī)器學(xué)習(xí)工作流的每一步。自動機(jī)器學(xué)習(xí)的用處就在于此，它幫助研究人員和從業(yè)者，自動構(gòu)建機(jī)器學(xué)習(xí)管道，將多個步驟及其對應(yīng)的多個選項集成為工作流，以期快速找到針對給定問題的高性能機(jī)器學(xué)習(xí)模型。 AutoML 的基本過程如下圖所示：虛框是配置空間，包括特征、超參數(shù)和架構(gòu)；左邊訓(xùn)練數(shù)據(jù)進(jìn)入，上面的優(yōu)化器和它相連，定義的測度發(fā)現(xiàn)最佳配置，最后出來的是模型；測試數(shù)據(jù)在模型中運行，實現(xiàn)預(yù)測的目的。

▲AutoML 基本過程

近日，在 ACM CHI 計算系統(tǒng)中人的因素會議上，麻省理工學(xué)院，香港科技大學(xué)和浙江大學(xué)的研究人員共同研發(fā)出一種工具，將 AutoML 方法的分析和控制權(quán)給到用戶手中。該工具名為 ATMSeer，它將 AutoML 系統(tǒng)、數(shù)據(jù)集和有關(guān)用戶任務(wù)的一些信息作為輸入，然后在用戶友好型的界面內(nèi)實現(xiàn)可視化搜索過程，界面中還能提供更多關(guān)于模型性能的信息。

▲ATMSeer 自動機(jī)器學(xué)習(xí)定制化工具的用戶友好型交互界面

上圖是 ATMSeer 生成的一個用戶友好界面，顯示有關(guān)所選模型性能的深入信息，以及可調(diào)整的算法和參數(shù)的選項。 對沒有 AutoML 經(jīng)驗的機(jī)器學(xué)習(xí)專家的案例研究表明，讓用戶掌握控制權(quán)確實有助于提高 AutoML 應(yīng)用的性能和效率。對生物學(xué)、金融等不同科學(xué)領(lǐng)域的 13 位研究生的研究也表明，確定用戶對 AutoML 的搜索的自定義關(guān)鍵有三點：搜索的算法數(shù)量、系統(tǒng)運行時間以及查找表現(xiàn)最好的模型。研究人員表示，這些信息可用來為用戶量身定制系統(tǒng)。

3、可解釋性機(jī)器學(xué)習(xí)

可解釋性是指人類能夠理解決策原因的程度。機(jī)器學(xué)習(xí)模型的可解釋性越高，人們就越容易理解為什么做出某些決定或預(yù)測。模型可解釋性指對模型內(nèi)部機(jī)制的理解以及對模型結(jié)果的理解。其重要性體現(xiàn)在：建模階段，輔助開發(fā)人員理解模型，進(jìn)行模型的對比選擇，必要時優(yōu)化調(diào)整模型；在投入運行階段，向業(yè)務(wù)方解釋模型的內(nèi)部機(jī)制，對模型結(jié)果進(jìn)行解釋。比如基金推薦模型，需要解釋：為何為這個用戶推薦某支基金。

機(jī)器學(xué)習(xí)流程步驟：收集數(shù)據(jù)、清洗數(shù)據(jù)、訓(xùn)練模型、基于驗證或測試錯誤或其他評價指標(biāo)選擇最好的模型。第一步，選擇比較小的錯誤率和比較高的準(zhǔn)確率的高精度的模型。第二步，面臨準(zhǔn)確率和模型復(fù)雜度之間的權(quán)衡，但一個模型越復(fù)雜就越難以解釋。一個簡單的線性回歸非常好解釋，因為它只考慮了自變量與因變量之間的線性相關(guān)關(guān)系，但是也正因為如此，它無法處理更復(fù)雜的關(guān)系，模型在測試集上的預(yù)測精度也更有可能比較低。而深度神經(jīng)網(wǎng)絡(luò)處于另一個極端，因為它們能夠在多個層次進(jìn)行抽象推斷，所以他們可以處理因變量與自變量之間非常復(fù)雜的關(guān)系，并且達(dá)到非常高的精度。但是這種復(fù)雜性也使模型成為黑箱，我們無法獲知所有產(chǎn)生模型預(yù)測結(jié)果的這些特征之間的關(guān)系，所以我們只能用準(zhǔn)確率、錯誤率這樣的評價標(biāo)準(zhǔn)來代替，來評估模型的可信性。事實上，每個分類問題的機(jī)器學(xué)習(xí)流程中都應(yīng)該包括模型理解和模型解釋。

4、 在線學(xué)習(xí)

傳統(tǒng)的機(jī)器學(xué)習(xí)算法是批量模式的，假設(shè)所有的訓(xùn)練數(shù)據(jù)預(yù)先給定，通過最小化定義在所有訓(xùn)練數(shù)據(jù)上的經(jīng)驗誤差得到分類器。這種學(xué)習(xí)方法在小規(guī)模規(guī)模上取得了巨大成功，但當(dāng)數(shù)據(jù)規(guī)模大時，其計算復(fù)雜度高、響應(yīng)慢，無法用于實時性要求高的應(yīng)用。與批量學(xué)習(xí)不同，在線學(xué)習(xí)假設(shè)訓(xùn)練數(shù)據(jù)持續(xù)到來，通常利用一個訓(xùn)練樣本更新當(dāng)前的模型，大大降低了學(xué)習(xí)算法的空間復(fù)雜度和時間復(fù)雜度，實時性強(qiáng)。在大數(shù)據(jù)時代，大數(shù)據(jù)高速增長的特點為機(jī)器學(xué)習(xí)帶來了嚴(yán)峻的挑戰(zhàn)，在線學(xué)習(xí)可以有效地解決該問題，引起了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。早期在線學(xué)習(xí)應(yīng)用于線性分類器產(chǎn)生了著名的感知器算法，當(dāng)數(shù)據(jù)線性可分時，感知器算法收斂并能夠找到最優(yōu)的分類面。經(jīng)過幾十年的發(fā)展，在線學(xué)習(xí)已經(jīng)形成了一套完備的理論，既可以學(xué)習(xí)線性函數(shù)，也可以學(xué)習(xí)非線性函數(shù)，既能夠用于數(shù)據(jù)可分的情況，也能夠處理數(shù)據(jù)不可分的情況。下面我們給出一個在線學(xué)習(xí)形式化的定義及其學(xué)習(xí)目標(biāo)。

根據(jù)學(xué)習(xí)器在學(xué)習(xí)過程中觀測信息的不同，在線學(xué)習(xí)還可以再進(jìn)一步分為： 完全信息下的在線學(xué)習(xí)和賭博機(jī)在線學(xué)習(xí)。前者假設(shè)學(xué)習(xí)器可以觀測到完整的損失函數(shù)，而后者假設(shè)學(xué)習(xí)器只能觀測到損失函數(shù)在當(dāng)前決策上的數(shù)值，即， 以在線分類為例，如果學(xué)習(xí)器可以觀測到訓(xùn)練樣本，該問題就屬于完全信息下的在線學(xué)習(xí)，因為基于訓(xùn)練樣本就可以定義完整的分類誤差函數(shù)；如果學(xué)習(xí)器只能觀測到分類誤差而看不到訓(xùn)練樣本，該問題就屬于賭博機(jī)在線學(xué)習(xí)。由于觀測信息的不同，針對這兩種設(shè)定的學(xué)習(xí)算法也存在較大差異，其應(yīng)用場景也不同。

5、 BERT

BERT 的全稱是 Bidirectional Encoder Representation from Transformers，即雙向 Transformer 的 Encoder。 可以說是近年來自殘差網(wǎng)絡(luò)最優(yōu)突破性的一項技術(shù)了。 BERT 主要特點以下幾點：

1） 使用了 Transformer 作為算法的主要框架， Trabsformer 能更徹底的捕捉語句中的雙向關(guān)系；

2） 使用了 Mask Language Model（MLM） [14]和 Next Sentence Prediction（NSP） 的多任務(wù)訓(xùn)練目標(biāo)；

3） 使用更強(qiáng)大的機(jī)器訓(xùn)練更大規(guī)模的數(shù)據(jù)，使 BERT 的結(jié)果達(dá)到了全新的高度，并且Google 開源了 BERT 模型，用戶可以直接使用 BERT 作為 Word2Vec 的轉(zhuǎn)換矩陣并高效的將其應(yīng)用到自己的任務(wù)中。

BERT 的本質(zhì)上是通過在海量的語料的基礎(chǔ)上運行自監(jiān)督學(xué)習(xí)方法為單詞學(xué)習(xí)一個好的特征表示，所謂自監(jiān)督學(xué)習(xí)是指在沒有人工標(biāo)注的數(shù)據(jù)上運行的監(jiān)督學(xué)習(xí)。在以后特定的NLP 任務(wù)中，我們可以直接使用 BERT 的特征表示作為該任務(wù)的詞嵌入特征。所以 BERT提供的是一個供其它任務(wù)遷移學(xué)習(xí)的模型，該模型可以根據(jù)任務(wù)微調(diào)或者固定之后作為特征提取器。BERT 的源碼和模型已經(jīng)在 Github 上開源，簡體中文和多語言模型也已開源。

BERT 的網(wǎng)絡(luò)架構(gòu)使用的是“Attention is all you need”中提出的多層 Transformer 結(jié)構(gòu)，其最大的特點是拋棄了傳統(tǒng)的 RNN 和 CNN，通過 Attention 機(jī)制將任意位置的兩個單詞的距離轉(zhuǎn)換成 1，有效的解決了 NLP 中棘手的長期依賴問題。 Transformer 的網(wǎng)絡(luò)架構(gòu)如下圖所示， Transformer 是一個 encoder-decoder 的結(jié)構(gòu)，由若干個編碼器和解碼器堆疊形成。 下圖的左側(cè)部分為編碼器，由 Multi-Head Attention 和一個全連接組成，用于將輸入語料轉(zhuǎn)化成特征向量。右側(cè)部分是解碼器，其輸入為編碼器的輸出以及已經(jīng)預(yù)測的結(jié)果，由 Masked Multi-Head Attention, Multi-Head Attention 以及一個全連接組成，用于輸出最后結(jié)果的條件概率。

▲Transformer 的網(wǎng)絡(luò)架構(gòu)

6、卷積與圖卷積

兩個函數(shù)的卷積，本質(zhì)上就是先將一個函數(shù)翻轉(zhuǎn)，然后進(jìn)行滑動疊加。在連續(xù)情況下，疊加指的是對兩個函數(shù)的乘積求積分，在離散情況下就是加權(quán)求和，為簡單起見就統(tǒng)一稱為疊加。 教科書上一般定義函數(shù) f, g 的卷積 f * g(n)如下：

連續(xù)形式：

離散形式：

從計算的方式上對公式進(jìn)行的解釋為： 先對 g 函數(shù)進(jìn)行翻轉(zhuǎn)，相當(dāng)于在數(shù)軸上把 g函數(shù)從右邊褶到左邊去，也就是卷積的“卷”的由來。然后再把 g 函數(shù)平移到 n，在這個位置對兩個函數(shù)的對應(yīng)點相乘，然后相加，這個過程是卷積的“積”的過程。 整體看來是這么個過程：

翻轉(zhuǎn)→滑動→疊加→滑動→疊加→滑動→疊加

多次滑動得到的一系列疊加值，構(gòu)成了卷積函數(shù)。卷積的“卷”，指的的函數(shù)的翻轉(zhuǎn)，從 g(t)變成 g(-t)的這個過程；同時，“卷”還有滑動的意味在里面。如果把卷積翻譯為“褶積”，那么這個“褶”字就只有翻轉(zhuǎn)的含義了。卷積的“積”，指的是積分/加權(quán)求和。對卷積的意義的理解如下：

1） 從“積”的過程可以看到，我們得到的疊加值，是個全局的概念。以信號分析為例，卷積的結(jié)果是不僅跟當(dāng)前時刻輸入信號的響應(yīng)值有關(guān)，也跟過去所有時刻輸入信號的響應(yīng)都有關(guān)系，考慮了對過去的所有輸入的效果的累積。在圖像處理的中，卷積處理的結(jié)果，其實就是把每個像素周邊的，甚至是整個圖像的像素都考慮進(jìn)來，對當(dāng)前像素進(jìn)行某種加權(quán)處理。所以說，“積”是全局概念，或者說是一種“混合”，把兩個函數(shù)在時間或者空間上進(jìn)行混合。

2） 進(jìn)行“卷”（翻轉(zhuǎn)）的目的其實是施加一種約束，它指定了在“積”的時候以什么為參照。在信號分析的場景，它指定了在哪個特定時間點的前后進(jìn)行“積”，在空間分析的場景，它指定了在哪個位置的周邊進(jìn)行累積處理。

要理解圖卷積網(wǎng)絡(luò)的核心操作圖卷積，可以類比卷積在 CNN 的地位。如下圖所示，數(shù)字圖像是一個二維的離散信號，對數(shù)字圖像做卷積操作其實就是利用卷積核（卷積模板）在圖像上滑動，將圖像點上的像素灰度值與對應(yīng)的卷積核上的數(shù)值相乘，然后將所有相乘后的值相加作為卷積核中間像素對應(yīng)的圖像上像素的灰度值，并最終滑動完所有圖像的過程。

▲圖卷積示意圖

現(xiàn)實中更多重要的數(shù)據(jù)集都是用圖的形式存儲的，例如社交網(wǎng)絡(luò)信息、 知識圖譜、 蛋白質(zhì)網(wǎng)絡(luò)、 萬維網(wǎng)等等。這些圖網(wǎng)絡(luò)的形式并不像圖像，是排列整齊的矩陣形式，而是非結(jié)構(gòu)化的信息，那有沒有類似圖像領(lǐng)域的卷積一樣，有一個通用的范式來進(jìn)行圖特征的抽取呢？這就是圖卷積在圖卷積網(wǎng)絡(luò)中的意義。對于大多數(shù)圖模型，有一種類似通式的存在，這些模型統(tǒng)稱圖卷積網(wǎng)絡(luò)。因此可以說，圖卷積是處理非結(jié)構(gòu)化數(shù)據(jù)的大利器，隨著這方面研究的逐步深入，人類對知識領(lǐng)域的處理必將不再局限于結(jié)構(gòu)化數(shù)據(jù)，會有更多的目光轉(zhuǎn)向這一存在范圍更加廣泛，涵蓋意義更為豐富的知識領(lǐng)域。

二、 深度學(xué)習(xí)

深度學(xué)習(xí)是近 10 年機(jī)器學(xué)習(xí)領(lǐng)域發(fā)展最快的一個分支， 由于其重要性，三位教授（Geoffrey Hinton、 Yann Lecun、 Yoshua Bengio）因此同獲圖靈獎。深度學(xué)習(xí)模型的發(fā)展可以追溯到 1958 年的感知機(jī)（ Perceptron）。 1943 年神經(jīng)網(wǎng)絡(luò)就已經(jīng)出現(xiàn)雛形（源自NeuroScience）， 1958 年研究認(rèn)知的心理學(xué)家 Frank 發(fā)明了感知機(jī)，當(dāng)時掀起一股熱潮。后來 Marvin Minsky（人工智能大師）和 Seymour Papert 發(fā)現(xiàn)感知機(jī)的缺陷：不能處理異或回路等非線性問題，以及當(dāng)時存在計算能力不足以處理大型神經(jīng)網(wǎng)絡(luò)的問題。于是整個神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入停滯期。

最近 30 年來取得快速發(fā)展。總體來說，主要有 4 條發(fā)展脈絡(luò)：

▲深度學(xué)習(xí)模型最近若干年的重要進(jìn)展

1、 深度學(xué)習(xí)近期重要進(jìn)展

在過去幾年中，深度學(xué)習(xí)改變了整個人工智能的發(fā)展。深度學(xué)習(xí)技術(shù)已經(jīng)開始在醫(yī)療保健，金融，人力資源，零售，地震檢測和自動駕駛汽車等領(lǐng)域的應(yīng)用程序中出現(xiàn)。至于現(xiàn)有的成果表現(xiàn)也一直在穩(wěn)步提高。本小節(jié)將介紹深度學(xué)習(xí)近期的一些重要進(jìn)展。

2018年三大進(jìn)展：

BERT 模型。 BERT 的全稱是 Bidirectional Encoder Representation from Transformers，是基于深度雙向Transformer 的預(yù)訓(xùn)練模型，能用所有層的上下文語境訓(xùn)練深度雙向表征。自 Google 在 2018年公布 BERT 在 11 項 nlp 任務(wù)中的卓越表現(xiàn)后， BERT 就成為 NLP 領(lǐng)域大火的模型。

視頻到視頻合成（Video-to-Video Synthesis）。 我們通常習(xí)慣由圖形引擎創(chuàng)建的模擬器和視頻游戲進(jìn)行環(huán)境交互。雖然令人印象深刻，但經(jīng)典方法的成本很高，因為必須精心指定場景幾何、材料、照明和其他參數(shù)。一個很好的問題是：是否可以使用例如深度學(xué)習(xí)技術(shù)自動構(gòu)建這些環(huán)境。 NVIDIA 的研究人員解決了這個問題。他們的目標(biāo)是在源視頻和輸出視頻之間提供映射功能，精確描繪輸入內(nèi)容。作者將其建模為分布匹配問題，其目標(biāo)是使自動創(chuàng)建視頻的條件分布盡可能接近實際視頻的條件分布。為實現(xiàn)這一目標(biāo)，他們建立了一個基于生成對抗網(wǎng)絡(luò)（GAN）的模型。在 GAN 框架內(nèi)的關(guān)鍵思想是，生成器試圖產(chǎn)生真實的合成數(shù)據(jù)，使得鑒別器無法區(qū)分真實數(shù)據(jù)和合成數(shù)據(jù)。他們定義了一個時空學(xué)習(xí)目標(biāo)，旨在實現(xiàn)暫時連貫的視頻。

圖網(wǎng)絡(luò)（Graph Network）。DeepMind 聯(lián)合谷歌大腦、MIT 等機(jī)構(gòu) 27 位作者發(fā)表重磅論文“Relational inductive biases, deep learning, and graph networks”，提出“圖網(wǎng)絡(luò)”（Graph network），將端到端學(xué)習(xí)與歸納推理相結(jié)合，有望解決深度學(xué)習(xí)無法進(jìn)行關(guān)系推理的問題。 作者認(rèn)為組合泛化是人工智能實現(xiàn)與人類相似能力的首要任務(wù)，而結(jié)構(gòu)化表示和計算是實現(xiàn)這一目標(biāo)的關(guān)鍵，實現(xiàn)這個目標(biāo)的關(guān)鍵是結(jié)構(gòu)化的表示數(shù)據(jù)和計算。該論文討論了圖網(wǎng)絡(luò)如何支持關(guān)系推理和組合泛化，為更復(fù)雜的、可解釋的和靈活的推理模式奠定基礎(chǔ)。

2019年三大進(jìn)展：

XLNet 模型。 XLNet 是 CMU 與谷歌大腦提出的全新 NLP 模型，在 20 個任務(wù)上超過了 BERT 的表現(xiàn)，并在 18 個任務(wù)上取得了當(dāng)前最佳效果，包括機(jī)器問答、自然語言推斷、情感分析和文檔排序。

MoCo。何愷明在其工作“Momentum Contrast for Unsupervised Visual Representation Learning”中提出了動量對比度（MoCo）用于無監(jiān)督的視覺表示學(xué)習(xí)。 從作為字典查找的對比學(xué)習(xí)的角度來看，作者構(gòu)建了一個帶有隊列和移動平均編碼器的動態(tài)字典。這樣就可以實時構(gòu)建大型且一致的詞典，從而促進(jìn)對比性的無監(jiān)督學(xué)習(xí)。 MoCo 在 ImageNet 分類的通用線性協(xié)議下提供了競爭性的結(jié)果。更重要的是， MoCo 學(xué)習(xí)到的表示將轉(zhuǎn)移到下游任務(wù)。 MoCo 可以勝過在 PASCAL VOC， COCO 和其他數(shù)據(jù)集上進(jìn)行監(jiān)督的預(yù)訓(xùn)練對等任務(wù)中的檢測/細(xì)分任務(wù)，有時會大大超過它。這表明在許多視覺任務(wù)中，無監(jiān)督和有監(jiān)督的表征學(xué)習(xí)之間的鴻溝已被大大消除。

DL System 2。Yoshua Bengio在NeuIPS 2019上的報告“FROM SYSTEM 1 DEEP LEARNING TO SYSTEM2 DEEP LEARNING”討論了深度學(xué)習(xí)發(fā)展的方向，引起了廣泛關(guān)注， 清華大學(xué)的唐杰教授對其進(jìn)行了深度解讀。

三、人才 1、 學(xué)者情況概覽

學(xué)者地圖用于描述特定領(lǐng)域?qū)W者的分布情況，對于進(jìn)行學(xué)者調(diào)查、分析各地區(qū)競爭力現(xiàn)況尤為重要，下圖為機(jī)器學(xué)習(xí)領(lǐng)域全球?qū)W者分布情況：

▲機(jī)器學(xué)習(xí)領(lǐng)域全球?qū)W者分布

地圖根據(jù)學(xué)者當(dāng)前就職機(jī)構(gòu)地理位置進(jìn)行繪制，其中顏色越深表示學(xué)者越集中。 從該地圖可以看出，美國的人才數(shù)量遙遙領(lǐng)先且主要分布在其東西海岸；歐洲中西部也有較多的人才分布；亞洲的人才主要分布于我國東部及日韓地區(qū)；其他諸如非洲、南美洲等地區(qū)的學(xué)者非常稀少；機(jī)器學(xué)習(xí)領(lǐng)域的人才分布與各地區(qū)的科技、經(jīng)濟(jì)實力情況大體一致。此外，在性別比例方面，機(jī)器學(xué)習(xí)領(lǐng)域中男性學(xué)者占比 89.8%，女性學(xué)者占比 10.2%，男性學(xué)者占比遠(yuǎn)高于女性學(xué)者。

h-index 分布。 機(jī)器學(xué)習(xí)學(xué)者的 h-index 分布如下圖所示，大部分學(xué)者的 h-index 都在 30 以上，其中 hindex 小于 30 的人數(shù)最多，有 591 人， 占比 29.1%。

▲機(jī)器學(xué)習(xí)領(lǐng)域?qū)W者 h-index 分布

▲機(jī)器學(xué)習(xí)領(lǐng)域中國學(xué)者分布

我國專家學(xué)者在機(jī)器學(xué)習(xí)領(lǐng)域的分布如上圖所示。通過上圖我們可以發(fā)現(xiàn)，京津地區(qū)在本領(lǐng)域的人才數(shù)量最多，其次是長三角和珠三角地區(qū)，相比之下，內(nèi)陸地區(qū)的人才較為匱乏，這種分布與區(qū)位因素和經(jīng)濟(jì)水平情況不無關(guān)系。同時，通過觀察中國周邊國家的學(xué)者數(shù)量情況，特別是與日韓、東南亞等亞洲國家相比，中國在機(jī)器學(xué)習(xí)領(lǐng)域?qū)W者數(shù)量較多。

中國與其他國家在機(jī)器學(xué)習(xí)的合作情況可以根據(jù) AMiner 數(shù)據(jù)平臺分析得到，通過統(tǒng)計論文中作者的單位信息，將作者映射到各個國家中，進(jìn)而統(tǒng)計中國與各國之間合作論文的數(shù)量，并按照合作論文發(fā)表數(shù)量從高到低進(jìn)行了排序，如下表所示。

▲機(jī)器學(xué)習(xí)領(lǐng)域中國與各國合作論文情況

從上表數(shù)據(jù)可以看出，中美合作的論文數(shù)、引用數(shù)、平均引用數(shù)、學(xué)者數(shù)遙遙領(lǐng)先，表明中美間在機(jī)器學(xué)習(xí)領(lǐng)域合作之密切；從地域角度看，中國與歐洲的合作非常廣泛，前 10名合作關(guān)系里中歐合作共占 4 席；中國與印度合作的論文數(shù)雖然不是最多，但是平均引用數(shù)依然位列第二，說明在合作質(zhì)量上中印合作也達(dá)到了較高的水平。

四、 行業(yè)應(yīng)用1、 金融行業(yè)應(yīng)用

欺詐檢測。 使用機(jī)器學(xué)習(xí)進(jìn)行欺詐檢測時，先收集歷史數(shù)據(jù)并將數(shù)據(jù)分割成三個不同的部分，然后用訓(xùn)練集對機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，以預(yù)測欺詐概率。最后建立模型，預(yù)測數(shù)據(jù)集中的欺詐或異常情況。與傳統(tǒng)檢測相比，這種欺詐檢測方法所用的時間更少。由于目前機(jī)器學(xué)習(xí)的應(yīng)用量還很小，仍然處于成長期，所以它會在幾年內(nèi)進(jìn)一步發(fā)展，從而檢測出復(fù)雜的欺詐行為。

股票市場預(yù)測。 當(dāng)今，股票市場儼然已成為大家關(guān)注的熱點， 但是，如果不了解股票運作方式和當(dāng)前趨勢，要想擊敗市場則非常困難。隨著機(jī)器學(xué)習(xí)的使用，股票預(yù)測變得相當(dāng)簡單。這些機(jī)器學(xué)習(xí)算法會利用公司的歷史數(shù)據(jù)，如資產(chǎn)負(fù)債表、損益表等，對它們進(jìn)行分析，并找出關(guān)系到公司未來發(fā)展的有意義的跡象。

財資部（Treasury） /客戶關(guān)系管理（CRM） /現(xiàn)貨交易（Spot Transactions）。 客戶關(guān)系管理（CRM）在小額銀行業(yè)務(wù)中占有十分突出的地位，但在銀行內(nèi)部的財資空間卻沒什么作用。因為財資部有自己的產(chǎn)品群，如外匯、期權(quán)、掉期交易（Swaps）、遠(yuǎn)期交易（Forwards）以及更為重要的現(xiàn)貨交易（Spots）。線上交易需要結(jié)合這些產(chǎn)品的復(fù)雜程度、客戶風(fēng)險、市場與經(jīng)濟(jì)行為以及信用記錄信息，這對銀行來說幾乎是一個遙遠(yuǎn)的夢想。

聊天機(jī)器人/私人財務(wù)助理。 聊天機(jī)器人可以擔(dān)當(dāng)財務(wù)顧問，成為個人財務(wù)指南， 可以跟蹤開支，提供從財產(chǎn)投資到新車消費方面的建議。財務(wù)機(jī)器人還可以把復(fù)雜的金融術(shù)語轉(zhuǎn)換成通俗易懂的語言，更易于溝通。一家名為 Kasisto 的公司的聊天機(jī)器人就能處理各種客戶請求，如客戶通知、轉(zhuǎn)賬、支票存款、查詢、常見問題解答與搜索、內(nèi)容分發(fā)渠道、客戶支持、優(yōu)惠提醒等。

2、自動駕駛

將汽車內(nèi)外傳感器的數(shù)據(jù)進(jìn)行融合，借此評估駕駛員情況、進(jìn)行駕駛場景分類，都要用到機(jī)器學(xué)習(xí)。 自動駕駛汽車的設(shè)計制造面臨著諸多挑戰(zhàn)，如今，各大公司已經(jīng)廣泛采用機(jī)器學(xué)習(xí)尋找相應(yīng)的解決方案。汽車中的 ECU（電子控制單元）已經(jīng)整合了傳感器數(shù)據(jù)處理，如何充分利用機(jī)器學(xué)習(xí)完成新的任務(wù)，變得至關(guān)重要。潛在的應(yīng)用包括將汽車內(nèi)外傳感器的數(shù)據(jù)進(jìn)行融合，借此評估駕駛員情況、進(jìn)行駕駛場景分類。這些傳感器包括像激光雷達(dá)，雷達(dá)，攝像頭或者是物聯(lián)網(wǎng)。

車載信息娛樂系統(tǒng)所運行的應(yīng)用，能從傳感器數(shù)據(jù)融合系統(tǒng)中獲取數(shù)據(jù)。舉個例子，如果系統(tǒng)察覺駕駛員發(fā)生狀況，有能力把車開到醫(yī)院。基于機(jī)器學(xué)習(xí)的應(yīng)用，還包括對駕駛員的語言和手勢識別以及語言翻譯。相關(guān)的算法被分類為非監(jiān)督和監(jiān)督算法。它們兩者的區(qū)別在于學(xué)習(xí)的方式。

在自動駕駛汽車上，機(jī)器學(xué)習(xí)算法的一個主要任務(wù)是持續(xù)渲染周圍的環(huán)境，以及預(yù)測可能發(fā)生的變化。這些任務(wù)可以分為四個子任務(wù)： 目標(biāo)檢測、 目標(biāo)識別或分類、 目標(biāo)定位、 運動預(yù)測。

機(jī)器學(xué)習(xí)算法可以簡單地分為 4 類：決策矩陣算法、聚類算法、模式識別算法和回歸算法。可以利用一類機(jī)器學(xué)習(xí)算法來完成兩個以上的子任務(wù)。例如，回歸算法能夠用于物體定位和目標(biāo)識別或者是運動預(yù)測。

▲自動駕駛目標(biāo)識別、運動預(yù)測

3、 健康和醫(yī)療

為了更好地了解人工智能和機(jī)器學(xué)習(xí)正如何改變醫(yī)療保健行業(yè)， 我們通過一些具體案例，并且這些案例可以有力證明這些前沿技術(shù)的實用價值。

判斷發(fā)展中國家的結(jié)核病情況。識別圖像中的模式（Pattern）是現(xiàn)有人工智能系統(tǒng)中最強(qiáng)有力的一點，研究人員現(xiàn)在正在訓(xùn)練人工智能檢查胸部 x 光片， 識別結(jié)核病。這項技術(shù)可以為缺乏放射學(xué)家的結(jié)核病流行地區(qū)帶來有效的篩查和評估手段。

一種治療退伍軍人創(chuàng)傷后應(yīng)激障礙（PTSD） 的人工智能。退伍軍人創(chuàng)傷后成長計劃與 IBM Watson 合作使用人工智能和分析技術(shù)，以確保更多患有創(chuàng)傷后應(yīng)激障礙的退伍軍人能夠完成心理治療。使用這些技術(shù)，他們的完成率從不到 10%上升到 73%。根據(jù)退伍軍人事務(wù)部的統(tǒng)計， 80%的患有創(chuàng)傷后應(yīng)激障礙的退伍軍人在確診后一年內(nèi)完成治療計劃，然后康復(fù)。在 300 萬阿富汗和伊拉克戰(zhàn)爭老兵中，大約五分之一患有創(chuàng)傷后應(yīng)激障礙。

檢測腦出血。以色列醫(yī)療技術(shù)公司 MedyMatch 和 IBM Watson Health 正在使用人工智能，通過檢測顱內(nèi)出血，幫助醫(yī)院急診室的醫(yī)生更有效地治療中風(fēng)和頭部外傷患者。 AI 系統(tǒng)使用臨床洞察力（clinical insight）、深度學(xué)習(xí)、患者數(shù)據(jù)和機(jī)器視覺來自動標(biāo)記潛在的腦出血，以供醫(yī)生檢查。

優(yōu)化管理工作流程并消除等待時間。行政和助理工作是 AI 起作用的主要領(lǐng)域。埃森哲表示，語音到文本轉(zhuǎn)錄等省時的工作流功能有可能替代為醫(yī)療專業(yè)人員訂購測試和處方以及在圖表中寫筆記等任務(wù)–任何涉及非患者護(hù)理的任務(wù)。這相當(dāng)于節(jié)省了 17%的醫(yī)生工作時間和 51%的注冊護(hù)士工作時間。

檢測阿爾茨海默病。現(xiàn)在，人工智能機(jī)器人只需要不到一分鐘的時間，就可以根據(jù)語音模式和聲音來診斷阿爾茨海默氏病，準(zhǔn)確率達(dá)到 82%，而且這種準(zhǔn)確率還在不斷提高。人工智能系統(tǒng)可以處理單詞之間的停頓長度、處理代詞優(yōu)于專有名詞的任何偏好、處理過于簡單的描述以及語音頻率和幅度的變化。所有這些因素對于人類聽眾來說都很難高精度地記錄和檢測，但人工智能系統(tǒng)卻能夠進(jìn)行客觀和可量化的分析。

癌癥診斷。用于檢測和診斷癌癥的傳統(tǒng)方法包括計算機(jī)斷層掃描（CT） 、磁共振成像（MRI） 、超聲和 X 射線。不幸的是，許多癌癥無法通過這些技術(shù)得到足夠準(zhǔn)確的診斷，從而可靠地挽救生命。微陣列基因圖譜的分析是一種替代方法，但這項技術(shù)需要計算很多小時，除非這項技術(shù)可以使用 AI 替換。現(xiàn)在已經(jīng)被證明，斯坦福大學(xué)的人工智能診斷算法與由 21 名經(jīng)委員會認(rèn)證的皮膚科醫(yī)生的團(tuán)隊一樣有效地從圖像中檢測潛在的皮膚癌。 Startup Enlitic 正在使用深度學(xué)習(xí)來檢測 CT 圖像中的肺癌結(jié)節(jié)，其算法比作為一個團(tuán)隊工作的專家胸科醫(yī)生的準(zhǔn)確率高 50%。

機(jī)器人輔助手術(shù)。在價值潛力方面，機(jī)器人輔助手術(shù)是人工智能輔助方向的佼佼者。 AI-enabled 機(jī)器人技術(shù)可以通過集成實時操作矩陣、來自實際手術(shù)醫(yī)生的數(shù)據(jù)以及來自手術(shù)前病歷的信息來提高和指導(dǎo)手術(shù)器械的精度。事實上，埃森哲報告說，人工智能機(jī)器人技術(shù)帶來的進(jìn)步縮短了 21%的停留時間。

4、 零售業(yè)

IDC 副總裁 Ivano Ortis 最近分享了他的觀點“人工智能將把分析帶到一個新的水平，并將成為零售創(chuàng)新的基礎(chǔ)，這已經(jīng)得到了全球半數(shù)零售商的認(rèn)可。人工智能可以實現(xiàn)規(guī)模化、自動化和前所未有的精度，當(dāng)適用于超細(xì)微客戶細(xì)分和上下文交互的時候，可推動客戶體驗”。

鑒于人工智能和機(jī)器學(xué)習(xí)的能力，很容易看到人工智能和機(jī)器學(xué)習(xí)是如何成為零售商強(qiáng)大的工具。現(xiàn)在，計算機(jī)可以讀取、傾聽和了解數(shù)據(jù)，從數(shù)據(jù)中進(jìn)行學(xué)習(xí)，立即且準(zhǔn)確地推薦下一個最佳動作，而不需要明確的編程。這對那些希望能夠準(zhǔn)確預(yù)測需求、預(yù)期客戶行為、優(yōu)化和個性化客戶體驗的零售商來說是一個福音。

零售商正在通過機(jī)器學(xué)習(xí)結(jié)合物聯(lián)網(wǎng)技術(shù)來預(yù)測需求，優(yōu)化商店業(yè)務(wù)并減輕員工負(fù)擔(dān)。

基于店內(nèi)攝像頭檢測提供個性化的廣告，承擔(dān)店員部分的半手動的、通過在平板電腦或者觸屏終端設(shè)備查看客戶的消費記錄。

零售商可以監(jiān)控排隊結(jié)賬的等候時間，以了解個別店面的流量和商店銷售效率，然后進(jìn)行分類和調(diào)整店面布局來實現(xiàn)購物籃、滿意度和銷售的最大化。

系統(tǒng)現(xiàn)在可以通過把計劃調(diào)整為按需活動，來識別和預(yù)測客戶行為，改善員工生產(chǎn)效率。

攝像頭系統(tǒng)可以在店內(nèi)員工之前檢測易腐產(chǎn)品的新鮮狀態(tài)。

實體店正在實現(xiàn)很多操作任務(wù)的自動化，例如設(shè)置貨架定價，確定產(chǎn)品分類和混合，優(yōu)化促銷等。

店內(nèi)應(yīng)用可以顯示客戶在特定通道停留了多長時間，根據(jù)個人消費記錄和偏好數(shù)據(jù)，提供有針對性的優(yōu)惠和建議（通過他/她的移動設(shè)備） 。

機(jī)器學(xué)習(xí)可以幫助減輕推動利用可用數(shù)據(jù)所需的分析任務(wù)。當(dāng)部署了一個全公司范圍的、實施的分析平臺時，這將成為所有公司職能優(yōu)化決策所依賴的事實來源。

5、 制造業(yè)

與自動駕駛汽車一樣，隨著物聯(lián)網(wǎng)的發(fā)展，制造業(yè)企業(yè)可以從安置在生產(chǎn)線各環(huán)節(jié)的傳感器收集大量的生產(chǎn)數(shù)據(jù)。

然而，這些數(shù)據(jù)并沒有被充分利用。隨著從復(fù)雜系統(tǒng)收集到眾多參數(shù)的數(shù)據(jù)，數(shù)據(jù)分析變成了一項艱巨的任務(wù)。機(jī)器學(xué)習(xí)在制造業(yè)中的最大應(yīng)用將是異常檢測。

據(jù)統(tǒng)計，到 2030 年，全球的淡水需求預(yù)計將超過供應(yīng)近 40%。為協(xié)助各企業(yè)實現(xiàn)凈零水循環(huán)使用的目標(biāo)，美國水處理公司 Ecolab（藝康集團(tuán)）正通過包括 Azure 和 Dynamics CRM online 在內(nèi)的微軟云平臺幫助全球企業(yè)實現(xiàn)可持續(xù)運營。

與全球各地數(shù)以千計傳感器相連的云平臺能收集實時用水?dāng)?shù)據(jù)，并通過機(jī)器學(xué)習(xí)和商業(yè)智能分析全球各地的生產(chǎn)用水運營解決方案，不僅提高效率，還能降低水、能源消耗及運營成本。

盡管在這個領(lǐng)域之前已經(jīng)進(jìn)行過一些分析嘗試，未來將會有更多機(jī)器學(xué)習(xí)通過監(jiān)督學(xué)習(xí)和建模來預(yù)測風(fēng)險和失敗。

此外， 機(jī)器學(xué)習(xí)也將推動工業(yè)自動化的實現(xiàn)，通過觀察生產(chǎn)線和數(shù)據(jù)流來學(xué)習(xí)，并能夠精確優(yōu)化生產(chǎn)過程，降低生產(chǎn)成本，加快生產(chǎn)周期，從而節(jié)省人工分析數(shù)據(jù)的時間成本和資金成本。

五、 趨勢

技術(shù)趨勢分析描述了技術(shù)的出現(xiàn)、變遷和消亡的全過程，可以幫助研究人員理解領(lǐng)域的研究歷史和現(xiàn)狀，快速識別研究的前沿?zé)狳c問題。 圖中每條色帶表示一個話題，其寬度表示該術(shù)語在當(dāng)年的熱度，與當(dāng)年該話題的論文數(shù)量呈正相關(guān)， 每一年份中按照其熱度由高到低進(jìn)行排序。 通過技術(shù)趨勢分析可以發(fā)現(xiàn)當(dāng)前該領(lǐng)域的熱點研究話題 Top10 是： Neural Network、 Machine Learning、 Deep Neural Networks、 Deep Learning、Support Vector Machine、 Reinforcement Learning、 Feature Selection、 Deci Tree、 Data Mining、Artificial Neural Network。

▲機(jī)器學(xué)習(xí)技術(shù)趨勢

根據(jù)技術(shù)趨勢分析我們可以發(fā)現(xiàn)， 該領(lǐng)域當(dāng)前最熱門的話題是 Neural Network，從全局熱度來看， Neural Network 一直保持著較高的話題熱度， 2002-2006 年期間保持著最高的熱度并于 2018 年重登榜首。

智東西認(rèn)為， 機(jī)器學(xué)習(xí)的處理系統(tǒng)和算法是主要通過找出數(shù)據(jù)里隱藏的模式進(jìn)而做出預(yù)測的識別模式，是人工智能的一個重要子領(lǐng)域。雖然機(jī)器學(xué)習(xí)只是人工智能的一個子集，但近些年機(jī)器學(xué)習(xí)技術(shù)的火爆，機(jī)器學(xué)習(xí)依然成為人工智能的代名詞。 在過去幾年中，包括深度學(xué)習(xí)在內(nèi)的機(jī)器學(xué)習(xí)改變了整個人工智能的發(fā)展，在金融、自動駕駛、醫(yī)療、零售和制造業(yè)等行業(yè)已經(jīng)開始產(chǎn)生了重要影響，按照現(xiàn)在的趨勢，幾年后以機(jī)器學(xué)習(xí)為代表的人工智能技術(shù)就將給人類社會帶來一場廣泛而深刻的變革。

權(quán)威數(shù)據(jù)·專業(yè)解讀 讀懂智能行業(yè)必看的報告在智東西回復(fù)“智能內(nèi)參”查看全部報告