從2012年算起，人工智能的再次爆發(fā)已經(jīng)進(jìn)入了第九個(gè)年頭，人們對(duì)“人工智能是什么”也從最初的懵懂、憧憬、恐懼，逐漸走向深度的認(rèn)識(shí)。在2018年人們還在討論人工智能什么時(shí)候會(huì)再次進(jìn)入寒冬，但到了2019年人們對(duì)“寒冬”之說(shuō)已經(jīng)不再感冒，而是普遍在追尋“如何讓人工智能可理解”或者“AI所引發(fā)的隱私、安全、倫理問(wèn)題”。

2020年，人工智能依舊在蓬勃發(fā)展，并在各行各業(yè)產(chǎn)生了深刻的影響。2020年還剩下10個(gè)月的時(shí)間，讓我們?nèi)ヮA(yù)期，人工智能會(huì)有哪些重要的趨勢(shì)呢? CB insights曾就此問(wèn)題做了一個(gè)判斷，并給出人工智能的九個(gè)重要研究和應(yīng)用趨勢(shì)。AI 科技評(píng)論在一定程度上認(rèn)同這些判斷，針對(duì)這 9 個(gè)趨勢(shì)，我們將做以下分析。

一、Deepfake將改變商業(yè)模式

CB insights認(rèn)為商業(yè)性質(zhì)的Deepfake可能會(huì)興起，死去的名人將會(huì)“復(fù)活”，零售業(yè)以及營(yíng)銷(xiāo)的方式也會(huì)得到改變。

前些日子，Deepfake技術(shù)現(xiàn)身印度選舉，被候選人用于競(jìng)選拉票的宣傳材料。雖然此候選人最終以慘敗收?qǐng)?，但這意味著Deepfake點(diǎn)燃的AI換臉之火有逐漸升溫的跡象。

雖然此技術(shù)出現(xiàn)在政治視頻以及色情視頻中會(huì)帶來(lái)負(fù)面的影響，但是對(duì)于媒體、電影公司來(lái)說(shuō)卻是千載難逢的機(jī)會(huì)。例如好萊塢的一些電影公司正在想方設(shè)法“數(shù)字復(fù)活”五十年代中的電影人物。

在商業(yè)層面，Deepfake將會(huì)變的更加個(gè)性化，提升電子商務(wù)體驗(yàn)和虛擬在線試用;廣告投放也會(huì)朝著超定向方向發(fā)展，例如按照需求合成視頻，并配備相應(yīng)的方言;創(chuàng)意流程也會(huì)變得自動(dòng)化，例如“補(bǔ)拍”電影續(xù)集。

從技術(shù)層面上講，Deepfake技術(shù)也在突飛猛進(jìn)。就在近期，北京大學(xué)聯(lián)合微軟研究院分別提出了FaceShifter和Face X-Ray，前者是一種高保真度、可識(shí)別遮擋的換臉工具，后者則是能夠檢測(cè)偽造人臉圖像的工具。 其中經(jīng)過(guò)訓(xùn)練的FaceShifter可以無(wú)需任何手動(dòng)注釋，以自我監(jiān)督的方式恢復(fù)異常區(qū)域，自適應(yīng)地集成身份和人臉合成屬性。

而Face X-Ray不光能判斷是否是合成圖片，還能指出哪個(gè)地方是合成的，即兼?zhèn)渥R(shí)別+解釋兩種功能。

這兩個(gè)技術(shù)號(hào)稱 AI換臉界的“利矛”和“堅(jiān)盾”，在業(yè)界取得了領(lǐng)先的結(jié)果，另外值得注意的是其所需的數(shù)據(jù)比以前的方法少得多。

所以在Deepfake問(wèn)題上，2020 年的發(fā)展趨勢(shì)主要包括：

1. Deepfake在一攻一防的斗爭(zhēng)中逐漸進(jìn)步，小數(shù)據(jù)、無(wú)監(jiān)督的訓(xùn)練方法將成為模型的主流，傳統(tǒng)耗時(shí)耗力的計(jì)算機(jī)生成圖像技術(shù)也將逐漸被取而代之。
2. Deepfake將改變商業(yè)模式，廣告營(yíng)銷(xiāo)將會(huì)變得更加個(gè)性化，電影創(chuàng)作不再局限于真實(shí)拍攝。

二、黑客的革命：利用 AI 來(lái)攻擊 AI

傳統(tǒng)黑客主要是通過(guò)發(fā)現(xiàn)系統(tǒng)漏洞從而進(jìn)行系統(tǒng)侵入。但進(jìn)入人工智能時(shí)代后，黑客、白客之間的攻防戰(zhàn)爭(zhēng)也發(fā)生巨大的變化。

隨著人工智能的崛起，AI漸漸被用于自動(dòng)檢測(cè)和打擊惡意軟件，可以學(xué)習(xí)發(fā)現(xiàn)可疑行為，并在可能影響任何系統(tǒng)之前阻止網(wǎng)絡(luò)攻擊，同時(shí)使得人類避免一些不必要的工作量。

但是攻擊一方也可以使用相同的技術(shù)來(lái)增強(qiáng)他們的攻擊方法，特別是犯罪分子將之武器化，這些惡意軟件甚至可以逃避最好的網(wǎng)絡(luò)安全防御并感染計(jì)算機(jī)網(wǎng)絡(luò)，甚至可以僅在攝像機(jī)檢測(cè)到目標(biāo)的人臉時(shí)發(fā)動(dòng)攻擊。

這意味著在2020年，未來(lái)的黑客可能在兩個(gè)方面發(fā)力：

1. 欺騙規(guī)模上升到系統(tǒng)級(jí)別;
2. 利用AI發(fā)起更為復(fù)雜的攻擊。

例如在2019年，Skylight Cyber的研究人員找到了一種方法可以發(fā)現(xiàn)AI模型中的固有偏見(jiàn)，利用這種偏見(jiàn)可以創(chuàng)建出“后門(mén)”，使得惡意軟甲繞過(guò) AI 防火墻，騙過(guò)殺毒軟件。

這也就是說(shuō)，如果能夠理解AI模型的工作原理，基于其特定功能設(shè)計(jì)攻擊武器，就能夠愚弄系統(tǒng)。 隨著Skylight Cyber這種AI公司越來(lái)越多，消費(fèi)者和企業(yè)保護(hù)的級(jí)別固然會(huì)上升，但是針對(duì)AI特有弱點(diǎn)的新一批黑客和軟件也會(huì)隨著出現(xiàn)。

另一方面，黑客也可能會(huì)從數(shù)據(jù)的角度來(lái)愚弄AI，即破壞AI算法的訓(xùn)練數(shù)據(jù)，使得AI產(chǎn)生偏見(jiàn)，影響其對(duì)網(wǎng)絡(luò)中正常行為和惡意行為的區(qū)分。

利用語(yǔ)音合成的犯罪案件 當(dāng)網(wǎng)絡(luò)安全研究員越來(lái)越多的使用AI防御攻擊時(shí)，AI本身也會(huì)被用來(lái)制造更加復(fù)雜，更有針對(duì)性的網(wǎng)絡(luò)攻擊。例如Deepfake生成的語(yǔ)音和合成的語(yǔ)音越來(lái)越逼真。

在歐洲，已經(jīng)發(fā)生了一些黑客利用AI模仿公司CEO給員工打電話然后讓其轉(zhuǎn)賬的案件。 雖然在現(xiàn)實(shí)世界中利用AI來(lái)攻擊的犯罪案件尚未有報(bào)道，但是早在2018年，IBM就開(kāi)發(fā)了一種名為Deeplocker的深度學(xué)習(xí)驅(qū)動(dòng)的惡意軟件，可以繞過(guò)網(wǎng)絡(luò)安全保護(hù)來(lái)進(jìn)行攻擊。

該軟件被描述為“一種由AI驅(qū)動(dòng)的具有高度針對(duì)性和規(guī)避性攻擊工具的新型惡意軟件”，目的是了解現(xiàn)有的AI模型是如何與惡意軟件技術(shù)相結(jié)合，從而創(chuàng)造出一種新的攻擊類型。 此技術(shù)將黑盒AI的傳統(tǒng)弱點(diǎn)變成了一種優(yōu)勢(shì)，在目標(biāo)物未出現(xiàn)之前，可以隱藏在普通的應(yīng)用軟件中，感染掉上百萬(wàn)的系統(tǒng)也不會(huì)被察覺(jué)。

這個(gè) AI 模型只有在識(shí)別出特定的標(biāo)準(zhǔn)時(shí)，才會(huì)“解鎖”并開(kāi)始攻擊。 當(dāng)然，除了AI型的黑客，使用量子計(jì)算資源的量子黑客、利用大數(shù)據(jù)進(jìn)行分析的大數(shù)據(jù)黑客等也將逐漸浮出水面。 所以在技術(shù)層面，2020 年黑客發(fā)展趨勢(shì)主要包括：

1. AI本身也會(huì)被用來(lái)制造更加復(fù)雜，更有針對(duì)性的網(wǎng)絡(luò)攻擊。
2. 由于AI的黑盒性質(zhì)，網(wǎng)絡(luò)攻擊將會(huì)變得更加隱蔽和猛烈。

三、AI 技術(shù)日益普及化和平民化，AutoML將大顯身手

AutoML 作為一套自動(dòng)化設(shè)計(jì)和訓(xùn)練神經(jīng)網(wǎng)絡(luò)的工具，能夠降低企業(yè)的進(jìn)入門(mén)檻，使得技術(shù)更加“平民化”。 從數(shù)千個(gè)特定任務(wù)中設(shè)計(jì)或搜索正確的神經(jīng)網(wǎng)絡(luò)框架整個(gè)過(guò)程非常耗時(shí)，尤其是在為更加復(fù)雜的場(chǎng)景(例如自動(dòng)駕駛，需要兼具速度和準(zhǔn)確率)設(shè)計(jì)AI 架構(gòu)時(shí)，就更非易事。

對(duì)此，神經(jīng)架構(gòu)搜索(NAS)應(yīng)運(yùn)而生，可自動(dòng)化為給定任務(wù)找到最佳 AI 設(shè)計(jì)的過(guò)程。2017年，谷歌正式將其命名為“AutoML”。谷歌在當(dāng)時(shí)便指出，AutoML 將啟發(fā)新型神經(jīng)網(wǎng)絡(luò)的誕生，并且還能夠讓非專家也能夠根據(jù)他們的特殊需求創(chuàng)建相應(yīng)的神經(jīng)網(wǎng)絡(luò)。

自此之后，AutoML 的應(yīng)用越發(fā)廣泛，在數(shù)據(jù)準(zhǔn)備、訓(xùn)練、模型搜索、特征工程等 AI 設(shè)計(jì)中都發(fā)揮著巨大的作用，極大地推動(dòng)了 AI 技術(shù)的普及化。

總體而言，AutoML 主要具備兩個(gè)主要優(yōu)勢(shì)：

1. 可緩解人才短缺問(wèn)題：目前 AI 專家還是處于非常短缺的狀態(tài)，而AutoML 則會(huì)極大地降低非專家以及企業(yè)的技術(shù)使用門(mén)檻，從而推動(dòng) AI 技術(shù)的普及和推廣。
2. 可節(jié)省成本和降低復(fù)雜性：即便對(duì)于專家而言，設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)都是一個(gè)費(fèi)時(shí)費(fèi)力的過(guò)程。AutoML 在降低計(jì)算和試錯(cuò)成本的同時(shí)，開(kāi)發(fā)的解決方案也更勝一籌。

隨著 AI 技術(shù)越發(fā)普及化和平民化，AutoML將繼續(xù)大顯身手。 而在未來(lái)的研究方向上，主要可以從算法方向和理論方向著手：

1. 在AutoML算法上，未來(lái)的工作如果能在效率提升、泛化性、全流程的優(yōu)化、面對(duì)開(kāi)放世界、安全性和可解釋性這 5 個(gè)方向上取得突破，將會(huì)有較大的價(jià)值。
2. 在AutoML理論研究上，目前相關(guān)的研究還較少，對(duì)自動(dòng)機(jī)器學(xué)習(xí)的泛化能力及適用性也不是很清楚。因而，一方面要回答目前自動(dòng)機(jī)器學(xué)習(xí)算法的適用性和泛化能力，另一方面也要回答哪些問(wèn)題類存在通用的機(jī)器學(xué)習(xí)算法上和更廣泛?jiǎn)栴}空間上的自動(dòng)機(jī)器學(xué)習(xí)算法的可行性。

四、聯(lián)邦學(xué)習(xí)將帶來(lái)新的數(shù)據(jù)共享范式

聯(lián)邦學(xué)習(xí)的概念最初是由Blaise等人于2017年在Google AI Blog上發(fā)表的一篇博文中首次提出。

自提出至今，相關(guān)研究甚囂塵上。 聯(lián)邦學(xué)習(xí)之所以能夠在如此短的時(shí)間里迅速由一個(gè)構(gòu)想變?yōu)橐婚T(mén)學(xué)科，主要原因在于聯(lián)邦學(xué)習(xí)技術(shù)作為一種學(xué)習(xí)范式，能夠在確保用戶數(shù)據(jù)隱私的同時(shí)解決“數(shù)據(jù)孤島”問(wèn)題。

無(wú)需數(shù)據(jù)收集，即可改進(jìn)AI模型 相對(duì)于傳統(tǒng)的AI模型，聯(lián)邦學(xué)習(xí)更像針對(duì)當(dāng)前人工智能發(fā)展所面臨的困境的新范式，例如：

1. 在聯(lián)邦學(xué)習(xí)的框架下，各參與者地位對(duì)等，能夠?qū)崿F(xiàn)公平合作;
2. 數(shù)據(jù)保留在本地，避免數(shù)據(jù)泄露，滿足用戶隱私保護(hù)和數(shù)據(jù)安全的需求;
3. 能夠保證參與各方在保持獨(dú)立性的情況下，進(jìn)行信息與模型參數(shù)的加密交換，并同時(shí)獲得成長(zhǎng);
4. 建模效果與傳統(tǒng)深度學(xué)習(xí)算法建模效果相差不大;
5. 聯(lián)邦學(xué)習(xí)是一個(gè)閉環(huán)的學(xué)習(xí)機(jī)制，模型效果取決于數(shù)據(jù)提供方的貢獻(xiàn)。 以上優(yōu)點(diǎn)顯然給解決數(shù)據(jù)隱私和安全問(wèn)題提供了一種新的路徑，而在具體應(yīng)用層面，英偉達(dá)的醫(yī)療硬件和軟件框架Clara已經(jīng)能夠支持聯(lián)邦學(xué)習(xí)，當(dāng)前已經(jīng)有美國(guó)放射學(xué)院、MGH、BWH臨床數(shù)據(jù)科學(xué)中心以及UCLA Health 在平臺(tái)上訓(xùn)練相關(guān)算法。

所以，在技術(shù)上，確實(shí)可以保證合法的進(jìn)行聯(lián)邦學(xué)習(xí)，并且是有效果的。因此聯(lián)邦學(xué)習(xí)像一個(gè)操作系統(tǒng)，它的特點(diǎn)是多方合作，只有多方都認(rèn)可才能發(fā)揮其威力。 所以接下來(lái)，聯(lián)邦學(xué)習(xí)在2020年會(huì)繼續(xù)成為一種火熱的研究趨勢(shì)：

1. 不僅在醫(yī)療領(lǐng)域，金融領(lǐng)域，工業(yè)界也會(huì)加大力度布局聯(lián)邦學(xué)習(xí)，接下來(lái)跨領(lǐng)域合作、跨國(guó)合作將成為常態(tài)。
2. 數(shù)據(jù)隱私問(wèn)題、小數(shù)據(jù)問(wèn)題得到緩解，跨設(shè)備模型訓(xùn)練成為解決方案。

五、機(jī)器學(xué)習(xí)加碼智慧城市構(gòu)建

智慧城市最重要的是利用各種信息技術(shù)或創(chuàng)新概念，將城市的系統(tǒng)和服務(wù)打通、集成，以提升資源運(yùn)用的效率。

從技術(shù)發(fā)展的視角，智慧城市建設(shè)要求通過(guò)以「移動(dòng)技術(shù)」為代表的物聯(lián)網(wǎng)、云計(jì)算等新一代信息技術(shù)應(yīng)用實(shí)現(xiàn)全面感知、泛在互聯(lián)、普適計(jì)算與融合應(yīng)用。

而 IoT 和機(jī)器學(xué)習(xí)的興起顯然為其提供了支持，例如使用機(jī)器學(xué)習(xí)來(lái)為通勤行為建模，并關(guān)注影響通勤方式選擇的因素等;使用機(jī)器學(xué)習(xí)分析傳感器數(shù)據(jù)減少溫室氣體排放和更智能的資源管理。

當(dāng)然智慧城市涉及領(lǐng)域之廣，絕不是一家企業(yè)能夠掌握，即使是萬(wàn)億美元的 Al 巨頭Alphabet也只有通過(guò)聯(lián)手政府，才能在眾多城市創(chuàng)造新的街區(qū)，規(guī)劃房地產(chǎn)、公共能源設(shè)施、交通等布局。

例如，去年第二季度，Alphabet 旗下子公司 Sidewalk Labs 發(fā)布了一份 1500 頁(yè)的方案，其中詳述了如何通過(guò)與政府和其他企業(yè)的合作，以 13 億美元在多倫多打造一個(gè)智慧城市的項(xiàng)目。

項(xiàng)目的重點(diǎn)和亮點(diǎn)就集中在 AI 在政府和城市規(guī)劃的應(yīng)用上。 總而言之，在2020年，智發(fā)展慧的城市發(fā)展會(huì)在協(xié)作和技術(shù)兩方面開(kāi)花：

1. 在合作層面必須得到政府青睞，政府的加入將弱化企業(yè)不成比例的前期創(chuàng)新成本
2. 在技術(shù)層面必須優(yōu)化端到端的解決方案，擁有機(jī)器學(xué)習(xí)的城市開(kāi)發(fā)工具、自動(dòng)駕駛汽車(chē)技術(shù)以及建筑能源管理的AI企業(yè)將會(huì)極具競(jìng)爭(zhēng)力。

六、用AI 技術(shù)應(yīng)對(duì) AI 訓(xùn)練的巨大消耗

計(jì)算密集型的 AI 技術(shù)，不僅需要更加智能和可持續(xù)化的解決方案，還應(yīng)該有助于應(yīng)對(duì)全球日益上升的能源需求。

AI 領(lǐng)域的進(jìn)展往往都是自上而下的，比如說(shuō)由科技巨頭開(kāi)發(fā)出某些 AI 工具，然后開(kāi)源給其他人，造成這一現(xiàn)象的原因之一便是 AI 研究的計(jì)算密集性。

據(jù)統(tǒng)計(jì)表明，谷歌在2018 年的BigGAN實(shí)驗(yàn)中用來(lái)創(chuàng)建狗、蝴蝶和漢堡的超現(xiàn)實(shí)圖像所消耗的電量“相當(dāng)于每個(gè)美國(guó)家庭在近6個(gè)月的時(shí)間里所用的總電量”。如此的耗電量著實(shí)令人震驚!

隨著AI 能源消耗的持續(xù)走高趨勢(shì)，節(jié)約能源將會(huì)是 AI 在 2020 年乃至未來(lái)的重要研究課題。用 AI 技術(shù)節(jié)約能源主要可從以下三個(gè)方面著手：

1. 硬件公司將會(huì)聚焦于為機(jī)器學(xué)習(xí)研究提供“超低功耗”的設(shè)備，與此同時(shí)能源效用會(huì)成為邊緣計(jì)算的主要考量點(diǎn)。
2. 將 AI 應(yīng)用于公用事業(yè)規(guī)模的能源生產(chǎn)：更多的云計(jì)算巨頭將轉(zhuǎn)向使用可持續(xù)發(fā)展的能源，并利用 AI 技術(shù)來(lái)增加可再生能源產(chǎn)出以及精簡(jiǎn)數(shù)據(jù)中心的運(yùn)營(yíng)。
3. 精簡(jiǎn)發(fā)電和油氣等業(yè)務(wù)：人工智能能夠預(yù)測(cè)可再生能源產(chǎn)出、自動(dòng)化電網(wǎng)管理、幫助油井精確鉆探，以及為智能家居和商業(yè)建筑提供可持續(xù)能源管理解決方案。

七 、解決小數(shù)據(jù)問(wèn)題勢(shì)在必行

如果沒(méi)有足夠的數(shù)據(jù)來(lái)訓(xùn)練“數(shù)據(jù)饑渴”的深度學(xué)習(xí)算法，有兩種解決方法：生成合成數(shù)據(jù)，或者開(kāi)發(fā)能從小數(shù)據(jù)中學(xué)習(xí)的AI 模型。 生成合成數(shù)據(jù)的方法在自動(dòng)駕駛領(lǐng)域應(yīng)用得比較多，即在模擬環(huán)境中合成暴風(fēng)雪、異常行人行為等現(xiàn)實(shí)世界中難以獲得的圖像數(shù)據(jù)。

開(kāi)發(fā)能從小數(shù)據(jù)中學(xué)習(xí)的AI 模型方法，具體方法如常用于計(jì)算機(jī)視覺(jué)任務(wù)的遷移學(xué)習(xí)，即先在擁有大量標(biāo)準(zhǔn)數(shù)據(jù)的任務(wù)上訓(xùn)練 AI 算法，再將算法學(xué)到的知識(shí)遷移到另一個(gè)數(shù)據(jù)很少的任務(wù)上。 雖然遷移學(xué)習(xí)在計(jì)算機(jī)視覺(jué)任務(wù)上起到了很大的作用，但是在NLP 任務(wù)上，由于普遍缺乏標(biāo)注數(shù)據(jù)，該方法目前還無(wú)法起到很好的效果。

而另一種方法——自監(jiān)督預(yù)訓(xùn)練，則能較好地應(yīng)對(duì)NLP 領(lǐng)域的特殊性。 谷歌的 BERT 就是自監(jiān)督預(yù)訓(xùn)練一個(gè)很好的案例，讓 AI 語(yǔ)言模型不僅能夠根據(jù)前面的詞預(yù)測(cè)詞，而且還預(yù)測(cè)后面的詞，即能夠?qū)崿F(xiàn)對(duì)上下文的雙向理解。

Yann LeCun領(lǐng)導(dǎo)的Facebook 人工智能部門(mén)便一直在從事自監(jiān)督方面的研究。一個(gè)案例是，對(duì)語(yǔ)言模型進(jìn)行預(yù)訓(xùn)練，然后對(duì)模型進(jìn)行微調(diào)來(lái)應(yīng)用于識(shí)別仇恨言論。

在解決小數(shù)據(jù)問(wèn)題上，2020 年的發(fā)展趨勢(shì)主要包括：

1. 隨著自監(jiān)督技術(shù)的發(fā)展，NLP 領(lǐng)域會(huì)再度成為萬(wàn)眾矚目的焦點(diǎn)。下游的NLP 應(yīng)用如聊天機(jī)器人、機(jī)器翻譯以及類人寫(xiě)作等，將會(huì)茁壯成長(zhǎng)。
2. 大型科技公司依舊會(huì)領(lǐng)銜技術(shù)的發(fā)展。開(kāi)發(fā)預(yù)訓(xùn)練語(yǔ)言模型也是計(jì)算密集的，因而在小數(shù)據(jù)的 AI 模型開(kāi)發(fā)上，也將遵循“自下而上”的規(guī)律，即由科技巨頭公司將開(kāi)發(fā)成果開(kāi)源給下游應(yīng)用的研究者使用。
3. 生成真實(shí)假數(shù)據(jù)的合成數(shù)據(jù)方法和工具將會(huì)為那些不像巨頭公司一樣有海量數(shù)據(jù)的小公司，提供更加公平的競(jìng)爭(zhēng)環(huán)境。

八、量子機(jī)器學(xué)習(xí)

結(jié)合經(jīng)典機(jī)器學(xué)習(xí)算法和量子 AI 的混合模型，不久后將得到實(shí)際應(yīng)用。 量子機(jī)器學(xué)習(xí)借鑒了傳統(tǒng)機(jī)器學(xué)習(xí)的原理，不過(guò)算法在量子處理器上運(yùn)行，不僅在速度上要遠(yuǎn)快于一般的神經(jīng)網(wǎng)絡(luò)，還能克服阻礙了當(dāng)前在海量數(shù)據(jù)上做AI 研究的硬件限制。

無(wú)論是科技巨頭還是量子初創(chuàng)公司都正在研究這種混合方法，即其中一部分任務(wù)由運(yùn)行在普通計(jì)算機(jī)上的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)完成，另一部分任務(wù)則由量子神經(jīng)網(wǎng)絡(luò)(QNN)進(jìn)行增強(qiáng)。

例如谷歌 AI 團(tuán)隊(duì)自2013年開(kāi)始就在嘗試為量子計(jì)算機(jī)開(kāi)發(fā)算法，而最近的目標(biāo)則是在現(xiàn)有的量子設(shè)備上開(kāi)發(fā)混合的量子—經(jīng)典機(jī)器學(xué)習(xí)技術(shù)。

他們堅(jiān)信，雖然目前關(guān)于量子神經(jīng)網(wǎng)絡(luò)的研究還是理論上的，但是在不遠(yuǎn)的將來(lái)，理論上的架構(gòu)將在量子計(jì)算機(jī)上得到實(shí)現(xiàn)和驗(yàn)證。 2020 年，在量子機(jī)器學(xué)習(xí)方面可以嘗試的方向是：

1. 針對(duì)量子計(jì)算和 AI 這兩種世上最強(qiáng)大的計(jì)算范式，最開(kāi)始可以嘗試與經(jīng)典計(jì)算機(jī)協(xié)作的方法來(lái)解決現(xiàn)實(shí)問(wèn)題;
2. 量子云計(jì)算將會(huì)成為云計(jì)算戰(zhàn)場(chǎng)的前線，亞馬遜、谷歌、IBM 和微軟等玩家將會(huì)加大對(duì)量子云計(jì)算的投入，與此同時(shí)，量子計(jì)算將會(huì)與傳統(tǒng) GPU和CPU 協(xié)作增加云計(jì)算的附加值。

九、借鑒 NLP 概念理解生命

實(shí)際上，自然語(yǔ)言處理和基因組都是由序列數(shù)據(jù)所構(gòu)成的，AI 算法在自然語(yǔ)言處理領(lǐng)域得心應(yīng)手，也將會(huì)在基因領(lǐng)域博大顯身手。

在自然語(yǔ)言處理的自監(jiān)督學(xué)習(xí)中，AI 算法能夠預(yù)測(cè)句子中缺失的詞，正如句子是多個(gè)詞的序列，蛋白質(zhì)也是特定順序的氨基酸序列。Facebook AI 研究院和紐約大學(xué)的研究者就曾將同樣的自監(jiān)督學(xué)習(xí)原理也應(yīng)用到蛋白質(zhì)序列的數(shù)據(jù)上。

不同于 NLP 中使用自監(jiān)督學(xué)習(xí)來(lái)預(yù)測(cè)缺失詞，在蛋白質(zhì)序列數(shù)據(jù)上，AI 要預(yù)測(cè)的是缺失或者隱藏的氨基酸。

而最近最受關(guān)注的一項(xiàng)進(jìn)展便是DeepMind 在基因組方面取得的進(jìn)展，他們開(kāi)發(fā)出了名叫Alphafold 的算法，能夠理解基因組中最復(fù)雜的難點(diǎn)之一——蛋白質(zhì)折疊，并最終確定蛋白質(zhì)的 3D 架構(gòu)。

而Alphafold 其實(shí)就借用了自然語(yǔ)言處理的概念來(lái)預(yù)測(cè)氨基酸之間的距離和角度。 在借鑒 NLP 的概念來(lái)理解生命體方面，未來(lái)可嘗試的方向有：

• 更好地設(shè)計(jì)藥物：現(xiàn)在有一些藥物以蛋白質(zhì)為靶點(diǎn)，然而蛋白質(zhì)會(huì)隨著環(huán)境的不同發(fā)生動(dòng)態(tài)變化，因此理解蛋白質(zhì)結(jié)構(gòu)以及折疊方式，將能更好地開(kāi)發(fā)此類藥物。
• AI 算法有助于對(duì)蛋白質(zhì)建模以及理解其架構(gòu)，而無(wú)需深入了解域內(nèi)知識(shí)。
• 在醫(yī)療和材料科學(xué)領(lǐng)域針對(duì)特定功能開(kāi)發(fā)和優(yōu)化新的蛋白質(zhì)設(shè)計(jì)，將成為可能。

參考：https://www.cbinsights.com/research/report/ai-trends-2020/

本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請(qǐng)至雷鋒網(wǎng)官網(wǎng)申請(qǐng)授權(quán)。