传统AI与现代AI有什么不同

当今的AI

毫无疑问，当今最大的流行词是人工智能或人工智能。包括Gartner，McKinsey和PWC在内的大多数著名研究组织都以惊人的统计数据和未来预测来荣耀AI的未来。这是PWC的报告（2018），其中预测到2030年，人工智能将为全球经济贡献15.7万亿美元。整体生产率和GDP将分别增长55％和14％。正如美国总统唐纳德·J·特朗普（Donald J.Trump）所签署的那样，行政命令可以迅速证明人工智能在美国内部的重要性。

"我们可以一起使用世界上最具创新性的技术来使我们的政府更好地为美国人民服务。" Michael Kratsios美国首席技术官

我们在日常生活中有几个例子，我们甚至没有注意到就利用人工智能。其中包括Google地图，Gmail中的智能回复（2018 +），facebook图片标记（大约2015），youtube / NetFlix视频推荐（2016+）等。还有一些惊人的新闻报道，概述了AI的重要性和影响力；就像这个（2019年）那样，诺瓦克·德约科维奇（Novak Djokovic）在温布尔登决赛中使用了AI，或者浏览此网站（于2019年推出），其中包含100％的假照片，这些人看起来像是100％真正地利用了深度神经网络（深度学习）。这个清单不胜枚举。

传统AI（1950–2008年）

"人工智能"一词是1956年在达特茅斯的一次历史性会议上提出的。 在AI发展的初期，科学家和媒体大肆宣传，围绕AI突破的可能性提出了乌托邦式的主张。 一些科学家非常清楚地表明，在未来20年中，该机器将完成人类可能做的所有事情。

"机器将能够完成男人可以做的任何工作。"

1965年—赫伯特·西蒙（Herbert A.Simon）

70 years history of AI by Awais Bajwa

从那时起，人工智能的发展经历了许多起伏。 1973年，英国政府在调查后发表了一份名为Lighthill报告的报告，并没收了许多主要的AI研究型大学的资金。 当时最著名的AI方法是专家系统和模糊逻辑，其中Prolog和Lisp是C / C中编程语言的首选。 专家系统的第一个重大突破发生在80年代，并且引入了第一个杰出的专家系统SID。 后来，在AI领域遇到了其他挫折，随后是IBM的又一次突破，当时IBM的超级计算机Deep Blue在1997年在纽约市击败了世界冠军Garry Kasparov。 ，IBM声称没有在Deep Blue中使用AI，这引起了一些有趣的讨论。

请注意，所有的突破都发生在最近的8-10年中。 作为深度学习/神经网络的核心的反向传播算法于1986年首次提出。问题是"为什么在过去的8-10年（即2009-2019年），当AI出现了70多年了？ "。

为了获得答案，让我们跳入当今的"现代AI"时代。

现代AI（2008）

“数据科学”一词由Linkedin和Facebook的两个数据团队负责人于2008年初提出。 （DJ Patel和Jeff Hammerbacher）。计算机科学的这一新领域引入了利用统计，概率，线性代数和多元微积分的高级分析。 2012年下半年，真正的突破发生在人工智能上，当时在具有历史意义的ImageNet竞赛中，基于CNN的提交文件AlexNet超越了所有其他竞争对手，并且错误率比第二名低10.8％。那是现代AI的出现，并且被认为是AI世界新繁荣的触发。获胜的主要原因之一是利用图形处理单元（GPU）训练神经网络体系结构。 2015年下半年，Facebook的AI负责人Yann LeCun与其他“ AI教父”一起努力推动深度学习及其可能性。如今，许多云供应商都在为“现代AI”提供基于云的GPU，而采用它们从来就不是一种选择。 从CPU切换到GPU，GPU确实改变了游戏。

从CPU切换到GPU，GPU确实改变了游戏。 它彻底改变了技术，重新定义了计算能力和并行处理。 由于高级数学计算，人工智能需要高速计算能力。 特别是因为过去十年中生成的数据量呈指数级增长（来源）。

因此，全世界的AI研究呈指数增长，在撰写本文时，AI研究论文的数量约为100 /天。

因此，我们对之前的问题有一个答案：

"为什么在过去的8-10年（即2009-2019年）中，人工智能已经存在了70多年？ "。

答：数据的增长迅猛，处理" GPU"的速度更快且成本更低，并且AI研究发展迅速。

source

未来的人工智能浪潮

Google非常友善，可以让员工将20％的时间分配给他们的野心和有趣的项目。 2015年，Google搜索过滤器小组的成员Alexander Mordvintsev开发了一种神经网络程序，将其作为一种爱好，用梦幻般的致幻外观震惊了他的同事。这个项目被Google命名为Deep Dream。该项目是在训练神经网络并大规模使用激活功能时进行实验的结果。但是，即使到了今天，人工智能的最大谜团之一是，我们对人工智能在内部做出决策的精确度或神经网络如何以反向概率学习的认识尚无真正的了解。用外行人的话来说，人工智能的实际推理或对决策的偏见是一个谜，它被称为“人工智能黑匣子”。

XAI

人工智能工作的新潮流之一是打破黑匣子，并获得决策过程的逻辑解释。 这个新概念现在称为"可解释的人工智能"或XAI。 一旦实现了XAI，AI社区将可以使用新一轮的AI。 可能会有更强大和更具弹性的AI框架，包括对AI流程和未来增长模式的可预测理解。

小数据

深度学习领域正在发生重大的AI突破，而在深度学习中，神经网络非常渴望海量数据。 例如，要训练模型来识别猫，则需要提供大约10万只猫/非猫的图像，以获得近似等于人眼的猫的完美分类。 呈指数级增长的另一个研究领域是用更少的数据集快速学习并利用概率框架。 这个新概念称为"小数据"。 研究领域是"如何用较少的数据训练您的机器学习模型并获得准确的预测。" 这在AI领域是巨大的机会，并且有望随着未来的创新前景而爆炸。

未来AI研究的另外两个领域是在"无监督学习"和"强化学习"领域取得重大进展。 在这里我们可以通过转移学习来利用可用的知识，并通过一些增强学习（例如通过GAN网络模型）来生成人工创建的采样数据。

重要要点

从理论上讲，传统AI已有70年历史，但在过去8-10年中（Moden AI）有了显着发展。 这些现代AI的突破通过云上的"现收现付"模型推动了数据的指数增长，快速研究和廉价的计算能力。

未来的人工智能浪潮将打破"人工智能黑匣子"，并了解机器学习模型做出的决策和预测的原因。 未来AI浪潮的另一个主要领域是向有限的数据集或"小数据"学习。