實時更新飛瑞敖最新動態，了解飛瑞敖
近年來，人工智能技術突飛猛進，人工智能驅動的系統也在顯著改善和提高我們的日常生活效率。這篇由人工智能和深度學習領域全球領先的活動機構RE?WORK發布的文章，原標題是AI Experts Predict 2021 Trends，作者是Nikita Johnson。不久前，該機構采訪了人工智能領域的12位專家，并將專家們對2021年行業發展趨勢的看法匯總在了這篇文章中。這是文章的上篇，主要介紹的是其中6位專家的見解。
對我們很多人而言，2020年并沒有完全如期而至。不過，我們已經揮別了2020年，迎來了2021年！
我們前不久采訪了一些人工智能專家，了解了他們對于2021年人工智能領域主要發展趨勢的看法。
這些專家主要來自加拿大的蒙特利爾學習算法研究所（MILA）、美國信息技術研究及分析公司高德納（Gartner）、Facebook、亞馬遜旗下人工智能研發部門Alexa AI、美國國家航空航天局（NASA），以及許可式郵件營銷服務商Mailchimp等組織和機構。
在經過有用戶參與的試驗后，雖然一些公司可能會推出家庭和工作之間點對點的無人駕駛通勤服務，但完全自動駕駛的汽車在2021年仍然是“準備好了”的狀態。
另外，全自動駕駛卡車將開始在高速公路上完成從海岸一端至海岸另一端的長距離行駛（整個過程可能需要借助人為的遠程監控），不過最后一公里的駕駛還是會由安全員直接操控。
基于Transformer的預訓練模型，比如GPT-3，會更加擅長假裝智能，這一點也會更加讓人不安，并且其假裝智能的程度，甚至會讓一些人認為其已經實現了智能。
2021年，我十分期待的有兩個方面的事物。一個是會變得更大的事物，一個是會變得更小的事物。預測未來的最佳辦法就是回首過去（也許可以在過去配置一個長短期記憶網絡LSTM）。
兩年之內，我們的預訓練模型就已經從440MB大小的BERT轉變成了350GB大小的GPT-3。我們已經能通過云端租用超級計算機，借助其285000個CPU核和10000個GPU（微軟為硅谷大亨聯合建立的人工智能非營利組織OpenAI開發的）的計算力。
我們已經實現了在你口袋里的iPhone A14芯片中安裝118億個晶體管。我們已經能夠在90秒內訓練ImageNet，而十年前，這一訓練過程還需要花費數月。
所以，我們可以預見，計算、模型和算法的力量會持續呈指數級別增長，進一步向眾人揭示人工智能的新奇魔力。
另一方面，我們現在可以實現BERT精準度，但在使用FastFormers的基礎上，CPU推理速度提高了233倍。如今，我們通過NVIDIA Maxine傳輸視頻通話，只需要較之前五百分之一的帶寬。我們將訓練AutoML模型的時間從GPU運算時長40000小時 (2018年的MNasNet)減少到了3.75小時（2019年的Single-Path NAS）！
單一地關注模型修剪和模型量化，并不是我們對模型的研究主題，而研究主題是實踐者已經寫好的高效三行代碼（TensorFlow模型優化工具箱）。
在2021年，關注小事物的樂趣會持續增長，讓使用邊緣智能設備的用戶獲得基于強大模型的神奇體驗。
我們將看到情緒感知人工智能的新用例，以在新冠疫情大流行期間促進在線協作和交流。
在新冠疫情期間，我們比以往更加依賴視頻會議。視頻會議將大家虛擬地連接起來，讓我們得以遠程工作、在家學習并展開社交生活。
然而，目前存在的一個較大問題是：這些技術上，情緒感知是盲區。當我們面對面交流時，我們能夠傳遞的信息不僅來自語言本身，我們還能用面部表情、語音語調以及肢體語言來表達自己。但這些技術的最初設計初衷，卻并不是來捕捉我們與周圍人互動時的細微差別的。
我們也許可以借助人工智能，來在虛擬環境中保留我們人性的那一面。具體而言，能夠根據面部表情和聲音理解人類細微情緒和復雜認知狀態的情緒感知人工智能軟件，可以解決疫情期間已經出現的一些技術短板，我們會看到各大公司將其運用于新的用例，比如：
視頻會議和虛擬活動——情緒感知人工智能能夠提供對人們在虛擬活動或者會議中的情感解讀。它能為線上發言者提供真實的觀眾反饋，讓參與者有一種共同的體驗，同時能幫助公司在這段緊張時期了解集體的參與度。
線上學習——情緒感知人工智能能夠提供學生對線上教育材料和教學的參與反饋。當學生迷惑、緊張或者乏味時，系統就會發出信號。這在疫情期間尤為重要，畢竟有很多學生在網上學習時，都得了“Zoom疲勞癥”。
遠程醫療——隨著遠程就診逐漸替代面對面診斷，情緒感知人工智能能夠在患者和醫療提供者之間建立起更有意義的討論和信任。此外，對患者情緒健康的數據驅動分析也提供了一種心理健康的量化測評方法，而不是讓患者用簡單的1至10分來自我評估。
降噪得分與退火蘭格文采樣（DSM-ALS）和擴散去噪的變種將開始打破模型生成的記錄；它們將擊敗目前最頂尖的生成式對抗網絡（GANs）。
我們還將看到生成式模型的新指標，因為現在的指標IS（inception score）和FID（Frechet Inception Distance score）將會使值接近完美，但仍未實現真實感圖形。
無代碼的人工智能平臺、產品和初創企業開始激增：在過去幾年里，人們創建了很多強大的深度學習和人工智能工具，比如PyTorch和Tensorflow。工程師們現在準備在現有工具之上構建無代碼的人工智能平臺和產品層，用戶只需要簡單地提供其數據，并且通過配置或者用戶界面列出或選擇模型。
我們不僅可以訓練和服務模型，而且還可以通過REST API暴露給應用程序。
Got-It AI開發的無代碼、自我發掘、自我訓練以及自我管理的平臺，就在朝著大眾化對話式人工智能的方向發展。微軟前不久推出的一款名叫“Lobe”的應用程序，可以讓所有人都能訓練人工智能模型，其也是在朝著大眾化對話式人工智能的方向發展。
人工智能促進可持續發展：我們正在經歷一個大流行病（包括非典病毒、H1N1病毒和新冠病毒）變得更加普遍的階段，氣候變化也造成了大量森林火災和物種滅絕，洪水和干旱等問題也變得越來越普遍。
我們將看到，越來越多的初創企業，以及由大公司或組織資助的計劃，它們利用人工智能來實現可持續發展。我們已經看到了一些綠色科技初創公司，比如斯洛伐克的可再生能源公司Fuergy和加拿大乘車共享平臺Facedrive，我們還可能會看到，人工智能初創公司利用預測模型來應對氣候變化、大流行的預測和緩解，以及城市交通問題等等。
我的預測（以及我真誠的希望）是，倫理、安全以及包容會成為在人工智能領域工作的每一個人日常工作中遵循的原則。更重要的是，我預測一些像差別隱私這樣的概念將更加主流，并且會很好地融入到日常實踐中。
隨著新的組織開始意識到利用人工智能完成工作的價值，我還預測，在應用人工智能的傳統領域之外的地方，也將開始出現大量的能力建設工作。
隨著人工智能工具變得更加易于使用，公民數據科學家的概念會獲得更多的關注，人工智能技術也將會作為一種新穎的方式，用于解決那些對人類社會具有重要意義的問題。
最后，像信息污染這樣的問題將會加劇，我相信這會開創一個知識建設的時代，各組織和團體會努力提高人們的認識，使大眾具備更好地駕馭環境的技能。
