石家庄苹果XR机子换屏_人工智能十年回顾：CNN、AlphaGo…它们曾这样改变世界

在过去的十年中，石家庄苹果XR机子换屏人工智能技术得到了突飞猛进的发展，最疯狂的科幻小说场景如今已成为我们生活中不可或缺的一部分。十年前，人们一直在谈论AI的理论化和实验，但是这些年来，AI变得更加实用并成为主流。无论是国际标准课程，平台，库，框架还是硬件，一切都是合乎逻辑的。毫不夸张地说，过去十年所取得的成就为未来奠定了基础。

卷积

2012年是深度学习历史上重要的一年。那年，卷积神经网络(CNN)在著名的ImageNet挑战赛中大放异彩。 Alex Krizhevsky和其他人设计的卷积神经网络“ Alexnet”以远远超过第二名的成绩赢得了冠军。 ImageNet数据集上的视觉识别错误率为15.3%，降低了一半。神经网络对猫的检测精度达到74.8%，YouTube视频中人脸的检测精度为81.7%。

现在，应将手机和购物中心中的面部识别应用程序归功于2012年的这项工作。识别精度的提高使研究人员能够部署具有高度信心的医学成像模型。

与AI对话

Vaswani等人于2017年出版的“注意力就是您所需要的”。带来级联效果，使机器以前所未有的方式理解语言。得益于Transformer架构，人工智能现在可以编写假新闻，推文，甚至可能引起政治动荡。推出Transformer之后，Google推出了BERT模型，并将其用于关键字预测和SEO排名。 BERT现在已成为自然语言处理领域的事实上的标准，并且Microsoft和NVIDIA等公司已开始积累更多的参数以赶上该模型。

NVIDIA的Megatron具有80亿个参数，而Microsoft的Turing NLG模型具有170亿个参数。 OpenAI的GPT模型后来出现了，目前有历史记录的有1750亿个参数GPT-3。

GPT-3也是Transformer的扩展是当前最大的模型。它可以编码，撰写论文并产生商业想法。只有人类无法想到。

凝聚人类

人工智能已经在国际象棋中击败了人类。石家庄苹果XR机子换屏还有更复杂的人类游戏，例如《危险》! Go，Texas Hold'em等游戏尚未阻止该算法。近年来，最著名的人工智能事件是AlphaGo在最复杂的棋盘游戏“ Go”中击败了顶级人类玩家。同时，在这十年中，IBM的沃森(Watson)在危险中也击败了两个人!最后。最终，沃森获得了77,147美元的奖金，两个人分别获得了24,000美元和21,600美元。

由Facebook和卡耐基梅隆大学联合开发的德国扑克AI Pluribus击败了五位人类专家玩家，并完成了前任Libratus(冷扑克大师)未能完成的任务。这项研究还在2019年《科学》杂志上发表。 2020年12月，DeepMind的MuZero允许人工智能模型掌握各种游戏，包括将棋，象棋和围棋。

解码生活

每个生物的行为都可以追溯到其蛋白质的来源。蛋白质带有秘密，破解蛋白质可能有助于克服新的冠状大流行。但是蛋白质的结构非常复杂，需要连续进行模拟。 DeepMind试图解决此问题。它开发的深度学习算法“ Alphafold”解决了已经存在了五十年的蛋白质分子折叠问题。计算机视觉已被证明可以帮助诊断，解决蛋白质折叠问题甚至可以帮助开发人员开发新药。

AI：艺术家和骗子

去年，比利时总理在录像中谈到了解决经济和气候危机的迫切需要。后来，人们发现这实际上是Deepfake视频。在比利时总理的声音和表情上机器学习和AI的操纵下，这段虚假视频使总理就全球变暖的影响发表了演讲。

这些伪造内容的背后是经过精心设计的算法-生成对抗网络(GAN)。该算法于2014年提出并得到广泛应用。它甚至入侵了进入人类工作的最后障碍：创造。这种网络可以产生从未存在的面孔，交换面孔，并使一国总统胡说八道。 GAN创作的一幅画甚至在佳士得拍卖会上以创纪录的40万美元的价格售出。 GAN的另一面是它被用于恶意目的，因此Adobe等公司必须研究新技术以识别伪造内容。 GAN将在未来十年继续成为广泛讨论的主题。

秘密武器-硅

神经网络的概念诞生了半个世纪，如今流行的反向传播方法也已经出现了30年。但是，我们仍然缺乏运行这些计算的硬件。在过去的十年中，我们目睹了十几家研究专用机器学习芯片的公司。多年来，芯片技术得到了极大的发展，我们可以在掌上型设备上执行数百万次操作。这些芯片用于数据中心，用户可以在其中观看自己喜欢的Netflix电影，使用智能手机等。接下来，为边缘设备定制的AI芯片包含数十亿美元的商机。

苹果等公司已经开发了定制的机器学习芯片(例如A14 Bionic)来提供智能服务。甚至依靠Nvidia和Intel的AWS也在慢慢进入芯片行业。随着芯片越来越小，这种趋势只会变得更加明显：例如，使用NVIDIA Jetson AGX Xavier开发人员套件，您可以轻松地创建和部署端到端AI机器人应用程序，以用于制造，零售，智慧城市等等一下Google的Coral工具包可以将机器学习带到边缘设备。安全，实时的输出是当前的主题。

开源文化逐渐成熟

2015年，TensorFlow开源。一年后，Facebook AI开源了基于Python的深度学习框架PyTorch。如今，TensorFlow和PyTorch已成为使用最广泛的框架。通过持续的版本更新，Google和Facebook为机器学习社区带来了极大的便利。自定义库，软件包，框架和工具的爆炸性增长将更多的人带入了AI领域，并为AI研究带来了更多的人才。

开源是近年来的主要功能。开源工具和越来越多的可用资源消息来源(例如arxiv或Coursera)促进了AI革命。另一个催化剂是受欢迎的竞争平台Kaggle。 Kaggle和GitHub养育了一批高素质的AI开发人员。

学习更多，规则更少

Schmidhuber教授在1990年代初提出的元学习概念直到最近才逐渐受到关注。元学习是指基于有限的训练示例，使机器学习模型学习新技能并适应不断变化的环境。如果需要大量用户输入以通过操纵超参数来优化特定任务的机器学习模型，则该过程将更加麻烦。使用元学习后，由于元学习可以使优化部分自动化，因此可以大大减轻这种负担。自动优化带来了新的行业MLaaS(机器学习即服务)。

未来方向

一些专家预测，以下领域可能起主要作用：

可再现性差异隐私几何深度学习神经形态计算强化学习

尽管AI进入了许多我们从未想过的领域，石家庄苹果XR机子换屏但仍需要将其应用到更流行的应用程序中，例如自动驾驶汽车。但是，挑战更多地在于数学层面：存在可以做出准确决策的算法，并且存在可以处理这些算法的处理器，但是何时将它们部署到应用程序仍是未知的。无论是医疗汽车还是无人驾驶汽车，人工智能仍然需要继续发展，只有建立透明性和可再现性后，人工智能才能实现。