回顾过去十年，人工智能领域取得了显著的突破。
在过去的十年里，人工智能技术迅猛发展，曾经只存在于科幻小说中的场景，现如今已成为日常生活的一部分。十年前，人们还在讨论 AI 的理论和实验，而现在，人工智能已变得更加实际和主流。国际标准课程、平台、库、框架及硬件的发展都在这一过程中逐渐成形。可以说，这十年的成就为未来的进步奠定了坚实的基础。
本文将回顾人工智能在过去十年中所取得的重要成就。
卷积神经网络的崛起
2012 年是深度学习历史上一个关键的年份。卷积神经网络（CNN）在著名的 ImageNet 挑战赛上表现出色，由 Alex Krizhevsky 等人设计的 AlexNet 以远超第二名的成绩夺得冠军，其在 ImageNet 数据集上的视觉识别错误率降至 15.3%，几乎减半。该神经网络在猫的检测中准确率达到 74.8%，而在 YouTube 视频中的人脸识别准确率为 81.7%。
如今，手机和商场中的人脸识别功能都得益于这一开创性工作，识别率的提高使得研究人员能够部署高置信度的医学成像模型。
语言理解的突破
2017 年，Vaswani 等人发表的《Attention Is All You Need》引发了机器理解语言的新革命。得益于 Transformer 架构，人工智能可以以前所未有的方式撰写新闻、社交媒体内容甚至引发政治波动。继 Transformer 之后，谷歌推出了 BERT 模型，广泛应用于关键字预测和搜索引擎优化。如今，BERT 已成为自然语言处理领域的标准，许多公司，如 Microsoft 和 NVIDIA，开始增加模型的参数以追赶这一水平。
NVIDIA 的 Megatron 拥有 80 亿个参数，而 Microsoft 的 Turing NLG 则具备 170 亿个参数。随后，OpenAI 的 GPT 模型更是以 1750 亿参数刷新了记录。
GPT-3 是对 Transformer 架构的扩展，作为目前最大的模型，它能够进行编码、撰写散文、生成商业创意，几乎无所不能。
超越人类的挑战
人工智能早已在国际象棋中战胜人类，而更复杂的游戏如 Jeopardy!、围棋和德州扑克也未能阻挡算法的进步。近年来，AlphaGo 击败顶级围棋选手的事件广为人知。此外，IBM 的 Watson 在 Jeopardy! 决赛中胜过两位人类选手，赢得了 77147 美元奖金，而两位人类选手分别获得 24000 和 21600 美元。
Facebook 和卡耐基梅隆大学联合开发的德州扑克 AI Pluribus 战胜了五位专家级人类玩家，完成了前辈 Libertas 未能实现的成就，此研究登上了 2019 年的《科学》杂志。2020 年 12 月，DeepMind 提出的 MuZero 模型则展示了在多种游戏中学习的能力，包括将棋、国际象棋和围棋。
解码生命的奥秘
每个生物的行为都可以追溯到其蛋白质，破解蛋白质结构有助于应对新冠大流行。然而，蛋白质结构的复杂性需要大量的模拟。DeepMind 开发的深度学习算法 AlphaFold 成功解决了困扰科学界五十年的蛋白质折叠问题。计算机视觉技术的应用也显示出在医学诊断中的潜力，而解决蛋白质折叠问题有望助力新药的开发。
AI：艺术家的双面性
去年，一段视频中，比利时首相谈论解决经济和气候危机的紧迫性，后来被揭发为 DeepFake 视频。通过对比利时首相的声音和表情进行操控，这段伪造视频让首相发表了一场关于全球变暖的演讲。
这一切背后是精密的算法——生成对抗网络（GAN），自2014年提出以来，广泛应用，甚至渗透到创作领域。GAN 可以生成从未存在的人脸，甚至让政治人物发表荒唐言论。由 GAN 生成的一幅画作在佳士得拍卖会上以创纪录的 40 万美元成交。同时，GAN 的恶意用法引发了如 Adobe 等公司研究新技术来识别伪造内容，预计在未来十年内，GAN 仍将是讨论的焦点。
硅的秘密武器
神经网络的概念已有半个世纪，而当前流行的反向传播方法也有三十年历史。然而，能够支持这些计算的硬件仍然不足。过去十年中，我们见证了多家公司致力于研究专门的机器学习芯片，芯片技术的飞速进步使得我们能够在小型设备上进行亿次运算。这些芯片在数据中心的应用使用户能够享受 Netflix 等服务。未来，专为边缘设备设计的 AI 芯片将带来数十亿美元的商机。
苹果等公司已经开发了定制的机器学习芯片（如 A14 Bionic），以提供智能服务。即使是依赖 NVIDIA 和英特尔的 AWS 也在逐步进入芯片市场。随着芯片体积不断缩小，这一趋势将愈加明显。例如，使用 NVIDIA Jetson AGX Xavier 开发套件，开发者可以轻松创建和部署 AI 机器人应用，涵盖制造、零售和智能城市等领域。谷歌的 Coral 工具包则将机器学习引入边缘设备，确保安全和实时输出成为当前的焦点。
开源文化的发展
2015 年，TensorFlow 开源。次年，Facebook AI 又开源了基于 Python 的深度学习框架 PyTorch。如今，TensorFlow 和 PyTorch 已成为最常用的框架。通过不断的版本更新，谷歌和 Facebook 为机器学习社区提供了极大的便利。自定义库、软件包、框架和工具的激增，使得更多人能够参与到 AI 领域，并为研究带来了新的人才。
开源已成为近年来的主要特征。开源工具和越来越多的可用资源（如 arXiv 或 Coursera）助推了 AI 的变革。流行的竞赛平台 Kaggle 也成为了高质量 AI 开发者的重要培养基地。
学习新方式的变革
元学习的概念由 Schmidhuber 教授在上世纪 90 年代初提出，近年来逐渐受到关注。元学习意味着在有限的训练示例基础上，机器学习模型能够学习新技能并适应不断变化的环境。以往对超参数的手动调整需要大量用户输入，而元学习的引入则极大地简化了这一过程，实现了部分自动化，催生了机器学习即服务（MLaaS）的新行业。
未来的展望
一些专家预测以下领域可能会成为未来发展的重点：
可复现性、差分隐私、几何深度学习、神经形态计算、强化学习。
尽管人工智能已渗透到许多未曾想象的领域，但在自动驾驶汽车等更常见的应用中仍需继续探索。面临的挑战更多地体现在数学层面：虽然已有算法能够做出准确决策，且相应的处理器也已存在，但何时能将其实际应用仍然不确定。无论是在医疗还是自动驾驶领域，人工智能仍需不断进步，而这只有在实现透明度和可复现性时才能实现。
