人工智能领域简报（第44期）——【Hinton、吴恩达回望2017】AI有很多进展，但缺乏关键性突破

2017年，人工智能越来越多地走入公众生活对话的中心。科技界的一些大佬仍然呼吁我们要继续关注并警惕超级智能机器人接管世界的可能性；另一些人则表示这种恐惧是夸大其词。目前看，更多的人工智能从业者同意后者，因为当前的AI远远称不上智能，更不用说超级智能。

美国智库New America Foundation成员、科技网站AXIOS编辑Steve LeVine面向AI社区做了调查，询问如下问题：2017年，人工智能领域最重要的事件是什么？以下就是他们的答案。

我认为2017年AI在许多方面取得了很大的进展，但并没有令人瞩目的突破，比如2014年使用神经网络进行机器翻译和2016年的AlphaGo。

在我看来，最令人印象深刻的进展如下：

• 神经网络架构搜索：使用神经网络让神经网络设计变得自动化的技术，而且已经开始取得成效。

• 使用注意力（Attention）进行机器翻译，避免循环或卷积的操作。

• 下国际象棋的AlphaZero：AlpahZero很快就学会了用人类下棋的方式下国际象棋，而且胜过了最强的国际象棋引擎。

Attention is all you need：谷歌提出的Transformer架构，不用CNN也不用RNN，是第一个完全依赖自注意力的转导模型。在8颗GPU上训练3.5天，机器翻译单模型BLEU得分创下41.0的记录，泛化性能也很好。

AlphaGo展示了计算和数据的力量。但是，CMU的扑克AI Libratus则进行了更多的创新。从技术角度来看，Libratus是一个令人惊喜的结果。

2017年，人工智能领域最重要的事情要数Libratus AI胜过四名顶级职业扑克玩家。无限手德州扑克代表着一种新的游戏，在这里AI必须考虑到对手可能在故意误导自己。如今社会对真实或虚假的信息审查越来越严格，我们也看到新一代的、对原始事实（raw facts）更加怀疑的AI出现，这真是太神奇了。

今年我最高兴见到的最大趋势，是大家对可解释性AI的强大兴趣。

今年，ICML开展了首个可解释性tutorial，以及两个相关的研讨会。在2017年的NIPS会议上，除了一个研讨会（symposium）和两个workshop外，还有一些关于可解释性的oral报告。这个趋势也将持续到明年——CVPR 2018计划举行关于可解释性的tutorial，FATML会议也是如此。

今年，斯坦福大学一个研究团队的工作令我印象非常深刻，他们开发了首个AI放射科医师，用机器学习模型检测心率失常，效果比心电图（ECG）更好，同时系统还能更好地辅助人类医生。我认为随着技术的发展，人工智能的医学应用将会非常广泛并且令人惊讶。

吴恩达领导的斯坦福小组研发的AI心率检测仪，用机器学习模型检测心率，效果胜过ECG

我会选择两个关于如何负责任地部署AI的工作。这两者都帮助我们解决AI这个强大技术很容易被忽视的缺点。

首先是微软研究院Kate Crawford的在NIPS的演讲，介绍了机器学习算法如何出错，加强并扩大了现有的偏见。

第二是剑桥大学Adrian Weller撰写的关于建立算法系统的论文，这些算法系统体现了我们对公平的直觉认知。我们必须注意Kate和Adrian所指出的不利因素，这样才能促进世人对AI的接受和认可。

2017年，我认为人工智能领域最重要的事情，是2017年12月17日（星期天），我在国家橄榄球联赛期间看到的一则广告。这个广告说，美国职业橄榄球大联盟（NFL）现在使用机器学习来为球迷提供信息。广告的结尾显示，NFL成为AWS客户，在AWS上托管它的机器学习业务，对球员统计数据进行实时统计和分析。

这件事的意义在于，关于机器学习和人工智能的炒作如今甚嚣尘上，连NFL都预计他们跟ML沾边会对NFL球迷产生影响。

今年我们见到了一系列令人痛心的事件，让我们对边缘化有了更多认知。以谷歌数据科学家Kristian Lum遭遇机器学习同僚性骚扰为代表，发生了许多值得我们警醒的事件，AI领域多样性问题应该得到重视。

技术行业中的性骚扰和性别歧视对AI中具有灾难性的后果，不仅是排外性设计本身，这样的设计还很容易让人类最糟糕的偏见被放大和延续。

我们所有人都有义务优先把包容作为创新的主要原则，特别是在有这种潜力带来巨大利益的领域。2018年，在AI试图解决的所有重大挑战中，包容性应该是第一位的。

也许2017年最重要的主题是在本月初的NIPS会议上。在众多令人印象深刻的技术发展中，伦理问题也是一个核心主题，它提醒大家，人工智能的成功取决于信任、透明和平等的核心价值观。