关于AI，2017年的12个期待

1、从人机大战到机机大战

从 AlphaGo 到 Master ，Google DeepMind引领着全球的 AI 浪潮，其先后战胜了全世界各大棋王，取得了令人难以忘记的颠覆性胜利。虽然面对这个结果，人类还未放弃，而且依然还有不少专家为人类棋手支招，试图偷上几场胜利，但在围棋领域，机器的智慧已经超越人类是不争的事实。笔者在国外的朋友也告诉我说：DeepMind团队目前已经比较满意Master的表现，很可能在不久的未来不再对其投入过多的人力和资源进行更新优化。

按照先前的约定，2017上半年柯洁还会和AlphaGo(或许现在应该叫Master了)来上一战，但还有多少人期待最终的战果呢？与其再看一场波澜不惊的机器虐人大战，何不来场还有点悬念的机机大战呢？事实上，这场机机大战很可能上演，而且对手可能离我们还不远。具体是谁虽未有定论，我们不妨借镖局当时发起的关于“Master是谁”的投票结果来大胆猜测一下吧。

2、AI原材料数据交易市场的破处？

去年继续有像FeiFei Li、Alex Smola这样的知名学者加入工业界，一方面是由于开的薪水的确不错，一方面则是由于工业界 大数据 的吸引力。按照当前AI work的机制来说，可谓“得数据者得天下”。所以我们会经常看到创业公司一方面四处找人才，一方面是四处找数据。事实上，一些不太在明处的数据交易已经在快速跟上，但目前的数据交易还是非常简单粗暴，数据有多大价值、如何定价、如何合法、如何保证隐私等诸多问题都没有解决（或许可以参考计算广告领域的数据购买的一些机制）。2017年，非常期待AI数据交易市场能有好的进展。

3、AI开源大格局明朗

2016年是各种AI软件集中爆发的一年，甚至引起了圈内大咖的某些担忧，如网上爆出来的余凯老师的声明。截止目前，笔者认为AI开源趋势基本清晰，被大公司选择的那几款的大软件已经站好了队，2017的开源格局会进一步明朗。后来的开源者会更多集中在子方向的精耕细作，想再做出类似TF这样的大软件的机会不能说没有，但后来者的机会很小。

4、AI研究实验平台的发展

2017我会前所未有地期待更加接地气的研究实验平台的进展。这里的接地气不是指一定要靠近实用，而是希望有更适合科学研究的能公开、公平、公正的实验平台。希望在新的平台下，研究者实验的代价进一步降低，把做实验很多繁琐的预处理步骤的效率提升，把实验结果的客观性做到最大。另一方面，学术界也真的急需统一实验平台的支持。不少实验室现在做实验的成本很高，比仿说要搞 深度学习 吧，你得买几块GPU吧，买完后你还得搭环境吧，然后你还得搞点大数据吧，诸如此类的事情会把实验的成本推的很高。很期待产学研能深度合作，搞一个这样的平台出来，解放研究者。

5、GAN继续红火

生成对抗网络(Generative Adversarial Networks，GAN)被认为是近年来最令人amazing的突破，其在学习机制上的创新意义是异常巨大的，可以说是一场革命。但目前GAN还有诸多问题，很多人看了GAN的科普材料，不知道有几人认认真真读了GoodFellow的原始tutorial？笔者春节期间用了两天时间精读了一把，但完后的感觉是：不读不知道，一读吓一跳。GAN的坑很大，非常大，除了做法是已知外，基本剩下的都是未知了。GAN的应用肯定会继续推进，我们也不用担心其show出来的效果。但圈内人更加期待的是GAN为什么能work，就是不知道也行，你能告诉我怎么训练能保证它work也可以，我想这方面的研究2017年不会少。

6、 小数据学习 会有进步

深度学习+大数据俨然是当前AI的标配，但像我这样的有志之士（嘿嘿，假装一下大牛感觉还不错）一直在呼吁AI研究要回到更接近人本真智能的方式上来，小数据学习就是人类学习的一个重要方式。去年已经有文章在小数据学习上做了一些尝试，但还有很长的路要走。笔者认为，小数据学习要成功，一种目前比较靠谱途径是借助大数据学习的红利。简单来说，就是要用大数据辅助小数据学习，大家熟悉的无监督、半监督、迁移学习等等本质上都是这种思路。但这还不够，因为这些模式无法利用差异比较大的数据，一种理想的方式会是数据变成领域知识，领域知识变成通用知识，然后用通用知识+领域知识来辅助小数据的学习。

7、深度学习在NLP上的进一步突破

在前两年，人们谈论深度学习时还经常说只在语音、图像上有效果，在文本上还有待突破。这一突破很多学者认为至少在机器翻译领域已经发生：科学研究上看NLP相关的主流会议和期刊上，深度学习的占比持续走高；而实际应用中则以Google翻译上线基于深度学习的全新版本线上系统（对应论文Google`s Neural Machine Translation System：Bridging the Gap between Human and Machine Translation）为重大突破标志。但NLP领域其他子方向上深度学习还未取得如此瞩目的进展，一方面有学者理性分析深度学习应用于文本数据的一些根本问题，一方面还有更多积极的尝试在发生。相信随着两派持续对文本场景的更深理解，更适合NLP的神经网络会呼之欲出，让我们保持期待。

8、AI产品创新

AI技术在持续进步，AI产品上大的变化却稍显滞后。全球视角上，大家都看好的医疗，去年其实没有太惊喜的AI应用问世，反倒是英美科技人员研发出来的 人工智能 法官（使用AI技术预测审判结果）令人耳目一新。而传统的自动驾驶、下棋、知识竞赛、 机器人 、问答之类的应用更多也只是停留在demo阶段，离人们预期的真实产品还有一段距离。

中国视角上，近一年国内比较红火的是共享单车，但严格意义上来讲，这和AI其实没太大关系，更多是上一个浪潮移动互联网下的产品创新。综合国内外，人工智能应用并没有人们预期的进展那么快，这其中有很多问题，比如技术问题、政策法规问题等等。这里着重提一个产品上的问题：基于固有的产品形态直接套用AI技术，可能会出现兼容问题。AI产业需要更多懂AI、也懂产品的同学来一起努力，把人们对AI的美好憧憬变成真正能落地的产品。

9、媒体主义AI何去何从

微博上看到有人发明“媒体主义AI”这个词，个人甚是喜欢。媒体眼里的AI，其实就是大众眼里的AI，而所谓圈内人眼里的AI，此时反而相对小众了。从朋友圈里各大专家对AI媒体的评价里能听到好声音的不多，但这并不代表AI媒体就真的做得很差。对一个科技媒体是否有价值的评判标准可能还是更多地看市场，特别是资本市场对其的评价。资本市场投不投你，就看你有没有价值，这是真金白银的点评，cost很大，更有参考意义。

个人层面，我平常也看AI媒体获取信息，甚至还在某大号的选题会里偶尔纠正个翻译。个人感觉媒体人做AI报道有他们自身的优势，知道什么大众会喜欢，什么容易引起共鸣，怎么样组织文章普通读者能看得更有意思。这类媒体对AI的宣传和普及是几篇专业论文难以比拟的。但媒体人也有自己的缺点，一篇报道专业层面的价值和作用是他们不擅长的，所以你会发现太多的报道比较雷同，深度也不够。至于现在大家一直诟病的国内科技报道多是翻译国外的，这可不能怪媒体人了，国内这方面的内容确实太少。在这里也呼吁大家别光埋头憋英语论文，可以多写点中文的文章啊，特别是给“我爱计算机”和“新智元”这样的良心媒体。

10、AI泡沫会破么

回答这个问题，要先搞明白什么是泡沫。关于泡沫论，近两年我观测了一些现象，发现泡沫论大多是这个领域的技术人员最先抛出来的。看待这个现象有两个方面：1）技术人员懂行，一般也比较理性，所以比较客观；2）技术人员懂得太窄，不了解市场，所以比较主观。其实，一个方向是否有泡沫，泡沫有多大往往不是技术人员能说了算的，更应该从市场供求这个基本点出发分析。远了不敢讲，我目前认为2017年应该还好，大家可以老老实实继续干活了。

另外一点特别想说下。一个新方向的起步刚开始需要大量资源去破冰，如果不能描绘出一个大蓝图，就争取不到足够的资源去支撑其发展。而任何事情要想做成，有很多资源的投入是其成功的一个必要条件。在某种层度上，新科技就像拍电影，一定要源于生活，又高于生活，没有泡沫，就没有泡影，没有泡影，又怎么影射出高于生活的美呢？

11、国内AI是否已和美帝看齐？

这个问题真的不好讲，不是我这一般人能说得明白的。不过，既然大家都看重数据，不妨看看开复老师微博上分享的那个资料。具体我就不贴了，材料的数据大概是说目前我国在AI领域的科研成果不差于美帝，似乎还有点领先。但这个事情吧，隐藏了两个问题：科研成果的价值不好判断，即使是发表在同一期刊上的两篇文章价值也不好说；而且一个科研成果的价值不能用当前价值，更客观应该是过些年回头来看其价值。不管怎样，这些都只是表面，我们不妨回到事情成功的要素来看。AI要想成功，市场大小、人才储备、政策法规、市场成熟度等是要齐头并进的。我不能回答国内AI是否已和美帝看齐，但我想这次我们没有在起跑线上落后太多。

12、如何赶上AI浪潮

有些人担心自己资源不多，没法投入太多精力在AI方面，但又很担心错过这波浪潮，后面追赶的成本会更大。对于这个担忧，首先你要明确AI是否真的对你的业务会产生巨大的积极影响，是否是你业务成败的关键？如果答案是yes，那么就努力去做AI，注意AI是要做的，不是看的、学的，赶紧做起来就比别人领先了一点。

当前AI相关的资源开源是大趋势，基于开源的软件做些上面的应用是性价比最高的AI解决方案。但如果AI相关的人员其他资源不到位，也可以直接使用各大巨头提供的云上的AI服务。但条件再好一些的企业，还是特别建议成立自己的AI团队的，这样可以做到有的放矢，应用AI技术的效率也会提升很多。至于那些觉得AI对自己业务没多大影响的朋友，也建议你关注AI的动向，说不定哪天对AI的需求就冒出来了呢。