在商业领域和政府的推动下，AI一直是科技的前沿和中心。但是在实验室里，他们还将有哪些新的突破?学术界和企业研究人员发现，未来一年AI将会发生新的趋势转变。PP云视频服务专家团队就普华永道官网最新发布的AI潮流技术前沿进行了详细深入的翻译。

　　最近，普华永道的分析师们从AI加速器研究团队中，追踪到一些值得分析师和行业领袖密切关注的2018年最潮AI技术。下面就让我们介绍一些这些重要的技术趋势分别是什么，以及为什么很重要。

1.深度学习理论：揭开神经网络的工作原理

　　技术趋势：模仿人类大脑的深度神经网络已经展示了他们从图像、音频和文本数据中“学习”的能力。然而，即使到目前为止，仍然有很多我们还不了解的关于深度学习的技术方法，包括神经网络如何学习，或者他们如何表现的更出色。这些情况开始悄悄发生变化了，这要归功于信息瓶颈原理(Information Bottleneck)应用于深度学习的新理论。实质上，它表明在初始拟合阶段后，深度神经网络将“忘记”并压缩噪声数据，即抛弃含有大量无意义信息的数据集，同时仍保留相关数据代表的信息。

　　重要性：准确理解深度学习理论有助于促进它未来深度的应用和发展。例如，它可以深入了解最佳网络设计和架构选择，同时为安全关键或监管应用提供更高的透明度。未来有机会看到更多的学习结果，从探索这一理论应用于其他类型的深度神经网络和深度神经网络设计中去。

　　2.胶囊网络：模拟大脑的视觉处理优势

　　技术趋势：胶囊网络是一种新型的深度神经网络，它以与大脑处理视觉信息完全相同的方式，这意味着它们可以基本完全对等。这与最广泛使用的神经网络之一“卷积神经网络”形成鲜明对比。卷积神经网络未能考虑简单和复杂对象之间的重要空间层次结构，导致错误分类和高错误率。

　　重要性：对于典型的识别任务，胶囊网络通过减少错误提供更高的准确性高达50%。他们也不需要太多的训练模型数据。未来可以看到胶囊网络在许多问题领域和深度神经网络架构中被广泛使用。

　　3.深入强化学习(DRL)：与环境交互以解决业务问题

　　技术趋势：深入强化学习是一种神经网络。通过观察，行动和激励与环境相互作用来学习。深度强化学习(DRL)已被用于学习策略游戏，例如Atari和Go--包括着名的AlphaGo项目，通过AI技术击败人类冠军。

　　重要性：DRL是所有学习技术中最通用的目的，因此它可用于大多数商业应用程序。与其他技术相比，它需要更少的数据来训练其模型。更值得注意的是，它可以通过模拟进行训练，从而无需完全标记数据。鉴于这些优势，预计未来一年将会有更多将DRL和基于代理的仿真相结合的业务应用。

　　4. 生成式对抗网络：配对神经网络来刺激学习并减轻处理负担

　　技术趋势：生成式对抗网络(GAN)是一种无监督的深度学习系统，实现为两个竞争神经网络。一个网络，即生成器，会创建与真实数据集完全相同的假数据。第二个网络，鉴别器，摄取真实和合成数据。随着时间的推移，生成式对抗网络会得到改进，机器的知识来源不再局限于人类，而是可以彼此之间相互交流相互学习。

　　重要性：GAN向更广泛的无监督任务开放了深入的学习，其中标记的数据不存在或获取成本太高。它们还减少了深度神经网络所需的负载，因为这两个网络分担了这个负担。预计未来会在更多的商业应用中看到GAN，例如网络探测。

　　5.精益数据分析：解决标签数据挑战

　　技术趋势：机器学习(尤其是深度学习)面临的最大挑战是可用大量标记数据来训练系统。两种广泛的技术可以帮助解决这个问题：一是综合新数据;二是将针对一个任务或领域训练的模型转移到另一个任务或领域。诸如转移学习：将从一个任务/领域学到的见解转移到另一个任务/领域;或单次学习：转移学习极端化，仅通过一个或没有相关示例发生学习的技术，使他们成为“精益数据”学习技术。同样，通过模拟或内插合成新数据有助于获取更多数据，从而扩大现有数据以改善学习。

　　重要性：使用这些技术，我们可以解决更多种问题，尤其是那些历史数据较少的问题。预计会看到精益数据分析更多用于工业大数据，以及适用于广泛业务问题的不同类型数据学习。

　　6.概率编程：简化模型开发的语言

　　技术趋势：一种高级编程语言，更容易让开发人员设计概率模型，然后自动“解决”这些模型。概率编程语言可以重用模型库，支持交互式建模和形式验证，并提供必要的抽象层以促进通用模型类中的通用高效推理。

　　重要性：概率编程语言能够适应业务领域中常见的不确定和不完整的信息。我们将看到商业领域会更广泛地采用这些语言，比如产品决策;除此之外，它们也能够应用于数据深度学习。

　　7.混合学习模型：结合模型不确定性的方法

　　技术趋势：不同类型的深度神经网络，如GAN或DRL，在性能和广泛应用于不同类型的数据方面显示出巨大的前景。然而，深度学习模型不能模拟不确定性，贝叶斯方法或概率方法。混合学习模式结合了这两种方法来充分利用每种方法的优势。混合模型的一些例子是贝叶斯深度学习，贝叶斯GAN和贝叶斯条件GAN。

　　重要性：混合学习模式可以扩展各种业务问题，包括深度学习和不确定性。这可以帮助我们实现更好的模型性能和可解释性，从而可以鼓励医疗方面采取更广泛的应用。期望看到更深层的学习方法获得贝叶斯等价物，而概率编程语言的组合开始融入深度学习。

8.自动机器学习(AutoML)：无需编程即可创建模型

　　技术趋势：开发机器学习模型需要耗时且由专家驱动的工作流程，其中包括数据准备，特性选择，模型或技术选择，培训和调优。 AutoML旨在使用大量不同的统计和深度学习技术来自动化此工作流程。

　　重要性：AutoML是AI工具民主化的一部分，使商业用户可以在没有深厚编程背景的情况下开发机器学习模型。它还将加快数据科学家创建模型的时间。期待在更大的机器学习平台中看到更多的商业AutoML包和AutoML集成。

　　9.数字化双胞胎：超越工业应用的虚拟复制品

　　技术趋势：数字化双胞胎是一个虚拟模型，用于促进身体或心理系统的详细分析和监测。数字化双胞胎的概念起源于工业界，广泛用于风车农场或工业系统的分析和监测。现在，使用基于代理的建模(用于模拟自治代理的行为和交互的计算模型)和系统动力学(计算机辅助的政策分析和设计方法)，数字化双胞胎正在应用于非物理对象和过程，包括预测客户行为。

　　重要性：数字双胞胎可以促进物联网(IoT)的发展和更广泛的应用，为预测性诊断和维护物联网系统提供了一种方法。未来更多应用于物理系统和消费者选择建模。

　　10.可解释的AI：了解黑盒子

　　技术趋势：今天，有许多机器学习算法正在使用，它们在各种不同的应用中感知，思考和行动。然而，这些算法中的很多被认为是“黑盒子”，对于如何达成结果几乎没有任何洞见。可解释的AI是开发机器学习技术的一种运动，它可以产生更多可解释的模型，同时保持预测的准确性。

　　重要性：可解释、证明和透明的AI对于建立对技术的信任至关重要，并将鼓励更广泛地采用机器学习技术。企业在启动人工智能广泛部署之前将采用可解释的AI作为需求或最佳实践，而政府可能会在未来将可解释的AI作为监管要求。

　　后记：PP云凭借PPTV 十多年媒体技术和服务经验，在AI领域已经有些重大突破，以上10种技术中，深度学习、精益数据分析等技术都已经很好的在业务中有成熟运用和发展。同时，PP云将AI前沿技术充分融合融入到流媒体技术、P2P、CDN 分发、海量存储、安全策略等，成为专注视频云服务行业首屈一指的一站式SaaS 服务平台。在未来，将支持更多云上企业，实现全场景视频云服务业务发展。