2020年AI发展趋势概要
2020年悄无声息的来了，新年伊始，我们正好可以回顾过去，展望未来。
在这篇文章中，我想从技术和非技术两个方面深入探讨一下AI的趋势。我想讨论像AutoML这样的新趋势，正逐渐的渗透到各行业和用户中。
2019年的简要回顾：
在2019年，英特尔，高通和NVIDIA等大型芯片生产商相继发布了专为执行AI应用程序设计的芯片，主要应用于计算机视觉，自然语言处理以及语音识别。
Google发布了TensorFlow 2.0，该版本扩展了对Node.js上TensorFlow的支持，与iOS整合，并最终将其高级API正式更改为Keras，使其可以作用于移动端且优先用于PWA。
此外，BERT模型升级为DistilBERT或FastBert，现在的计算机视觉算法已经可以以很不错的准确度执行大部分任务。
DeepMind, OpenAI等业内领头羊进一步扩展了强化学习的边界，这一技术开始首次应用于现实生活中。
最后，Keras的创始人François Chollet发表了一篇新论文，提出了基准AI模型的新方法论。
2020年我们的期待
自动化机器学习（AutoML）：
由于能够执行ETL任务，进行数据预处理，数据转换，AutoML很可能在2020年更加流行。
AutoML技术能够涵盖整个机器学习流程，像auto-sklearn这样的包可以自动进行模型选择，参数优化及评分等。许多云服务商都为他们的服务提供了自动化方案：Amazon Forecast可以自动选择最适合数据的算法，Google的Cloud AutoML也能实现类似的功能。
尽管看上去这些服务主要是面向那些不怎么精通AI的用户的，它们依旧为高级用户提供了很好的机会。AutoML可以作为一个基准，人们可以以此为标准来衡量用不同技术开发的不同模型是否是有意义的。
‘AI’的逝去：
你能想象现在还会有公司给自己这样打广告吗？“现在我们使用计算机！”，“可以联网使用！”，“我们可以使用传真！”
大概不会有了。我记得今年年初还有不少广告语宣传智能手机和它们的AI增强摄像头。这样的宣传也将要结束了。各种应用程序，车辆，家用电器都已具备一些由AI实现的功能。我们也逐渐习惯这些功能带来的便利。AI作为一个流行词的热度会逐渐地淡去，而AI的功能在我们的生活中则会越来越普遍。
联合机器学习：
2017年Google引入了分布式学习的概念，使模型完全或部分地使用分散数据进行训练。
想想看，你在你的机器上训练好了基准模型，然后将模型发给最终用户。他们拥有的数据访问权限（在手机，电脑或平板上），使他们可以用数据来调整优化并个性化自己的模型。
让我们考虑一个涉及处理一些高度敏感数据的模型：提供模型的公司可以访问一些专为他们准备的清理过的数据。一旦该基准模型满足某些要求，就可以发给客户来完成最终的训练，而无需将用户数据分享给任何外部参与者。
前面提到，TensorFlow 2.0支持其它平台，如iOS，Node.js等，其目的之一就是试图创造一个企业能够对模型进行创建，传送，训练和优化的多平台工具。此外，像Docker，Kubernetes这样的平台提供了扩展和协调部署相对复杂环境的可能性，使得联合机器学习成为可能。
云服务垄断的终结：
2019年云计算变得越来越流行，许多人从“我们绝对不会与他们共享我们的数据”，转变为“好吧，也许我们可以尝试一下“。
云供应商的规模，数量，客户和提供的产品都在增加，市场正在开始从寡头垄断转向完全竞争的市场。这意味着云供应商逐渐失去了成为价格制定者的能力。 云供应商之间已经可能开始分配资源，2020年将会是多云市场。人们不会再只关注云供应商的定价计划，也会注重他们提供服务的方式：这家供应商是想让我使用更多还是更少的资源？ 我能任意在云中储存所有内容还是具有不同的数据分配方案？
AI的可解释性，可读性，责任与道德：
2019年我们对XAI，或可解释AI进行了一系列艰苦的尝试，旨在增强算法的可解释性和可重复性。这个趋势与机器（或深度）学习通常应用于不同企业和不同领域是相背离的。
模型不再是（也不再应该是）黑匣子，它们的结果所造成的决定都应该是可解释的。
这种趋势带来了新的需求，新的技术需要能够理解可解释性和人类可读性的边界，并能够回答这样的问题：“这符合我们的任务和价值观吗？”
此外，经常运用机器学习技术并可能排除或区分某些用户公司必须专注于他们模型决策的法律和道德责任。
结语：
列举了这些发展趋势的要点后，可以总结以下这几点：
• AI正在朝嵌入式发展：针对特殊任务，各种小型组件被设计出来。
• AI的交互性在增强：多平台支持，标准化和可重复性。
• François Chollet的基准AI方法对于机器智能来说可能会成为下一个图灵测试。他论文里的第三章详细介绍了它的结构框架。
