2018年ML/AI领域最重要的进展是什么？

这一年都有哪些重要进展呢？2018年即将过去，一些大牛也给出了自己的看法。

刚刚，前Quora技术VP、AI领域技术专家Xavier Amatriain在Quora上回答了一个相关的问题：2018年ML/AI领域最重要的进展是什么？

他在答案中给出了4个方面：

答案发布之后，便引发了大量围观，Quora上点赞近400，Yann LeCun也在Twitter上转发推荐。

当然，答案不仅仅只有这4句话，Amatriain也都给出了解释。

炒作降温

2017年，是AI炒作无所不在的一年。最突出的，就是马斯克和扎克伯格等各方大佬就AI对于人类是福是祸进行了隔空论战。这些论战为AI赚足了注意力。

Amatriain表示，与2017年相比，我们好像冷静下来了。一个主要的原因可能是这些大佬们忙于处理其他事情了。

比如Facebook深陷数据与隐私旋涡，麻烦事情不断。马斯克也历经特斯拉生产地狱，度过了艰难的一年。

与此同时，虽然很多人都认为自动驾驶以及类似的技术正在向前发展，但就目前事故不断的情况，所谓的“明天”，还有很远。

更关注具体问题

相对于AI是福是祸的讨论，2018年对AI的关注也开始变得愈加务实了。

首先是公平性。2018年，对公平性的讨论，并不仅仅限于发表一些论文或者言论。谷歌还上线了相应的课程。

谷歌推出针对AI歧视的新课程！60分钟的ML公平自学训练模块 | 资源

其次是可解释性和因果关系。因果关系之所以重新成为了人们关注的焦点，主要是因为图灵奖得主、贝叶斯网络之父Judea Pearl出版了《The Book of Why》一书，在Twitter上引发了关于因果关系的大讨论。

而且，ACM Recsys上获得最佳论文奖的论文，也探讨了如何在嵌入中包含因果关系的问题。

讨论也不仅仅限于学界，大众媒体《大西洋月刊》也发表文章指出，这是对现有人工智能方法的“挑战”。

虽然因果关系引发了不少的讨论，但也有许多学者认为，从某种程度上来说， 因果关系其实分散了人们对理论的关注，应该关注更加具体的问题，比如模型的可解释性。

其中最具代表性的，就是华盛顿大学Marco Tulio Ribeiro等人发表的论文，这篇论文是对著名的LIME（一种解释任何机器学习分类器的预测的技术）模型的跟进。

论文链接：

https://homes.cs.washington.edu/~marcotcr/aaai18.pdf

深度学习在NLP领域大放异彩

2018年，深度学习依旧受到了质疑。CMU学者Simon DeDeo在Twitter上猛烈炮轰Google Brain团队，称这技术（机器学习）现在所做的事情，跟1990年没什么差别，顶多就是规模更大，但并没有给我们带来比20年前更深刻的见解。

“Google只认钱！机器学习20年没进步”，CMU学者开炮

Amatriain说，深度学习等技术并没有止步不前，还有很多领域没有运用相关的技术。具体来说，深度学习在计算机视觉之外的领域取得了前所未有的成功。

最为突出的就是NLP领域。谷歌的Smart Compose（Gmail中智能预测拼写神经网络）和Duplex对话系统（会打电话的AI），可以说是2018年最令人印象深刻的两个AI应用了。

NLP领域的进展，也不仅仅只体现在应用上。在语言模型上也有了很大的进步。最大的功臣是Fast.ai的UMLFit，推广了相关的概念与想法。

然后是其他的方法，比如艾伦研究所的ELMo、OpenAI的Transformers、谷歌最近的BERT等等，都取得了非常好的效果。

它们提供了即用型的预训练和通用模型，可以针对特定任务微调。因此，这些模型的出现，也被描述为“NLP的Imagenet时刻”。

除了这些之外，还有其他一些进步，比如Facebook的多语言嵌入。而且，我们也看到了这些方法被整合到通用的NLP框架中的速度变得非常快了，比如AllenNLP或Zalando的FLAIR。

关于NLP领域的总结，还有一篇文章，推荐给你阅读：

围绕着数据改进，深度学习领域仍然有非常有趣的进展。

比如说，对于深度学习非常关键的数据扩充（data augmentation）在今年有了新的进展。谷歌发布了auto-augment，一种深度强化学习方法，可以自动扩充训练数据。

一个更加极端想法是用合成数据训练深度学习模型，许多人都认为这是AI未来发展的关键。英伟达在《Training Deep Learning with Synthetic Data》论文中提出了一些新的想法。

论文链接：

https://arxiv.org/abs/1804.06516

在《Learning from the Experts》一文中，展示了如何使用专家系统合成数据。

论文链接：

https://arxiv.org/abs/1804.08033

最后，还有一种方法是“weak supervision”，可以减少对大量手工标注数据的需求。Snorkel是一个非常有趣的项目，想要提供了一个通用的框架，来推进这种方法。

项目地址：

https://blog.acolyer.org/2018/08/22/snorkel-rapid-training-data-creation-with-weak-supervision/amp/?__twitter_impression=true

Amatriain说，就AI领域更为基础的突破，今年并没有看到太多。

但他不同意Hinton的看法，即认为缺乏创新是因为这个领域年轻人太多，资深的人太少。

在他看来，缺乏突破的主要原因是，现有的方法仍旧有许多地方可以应用，因此很少有人去冒险近尝试不切实际的想法。尤其是当前大多数研究都是由大公司资助的，让这一特点更加突出了。

不过，还是有一些人在尝试，代表性的论文有两篇。

论文链接：

https://arxiv.org/pdf/1803.01271.pdf

虽然这篇论文是高度实验性的，并且使用的是已知的方法，但它打开了新方法的大门。因为它证明了现有的最佳方法，并不是最好的。

论文链接：

https://arxiv.org/abs/1806.07366

这篇论问是最近NeurIPS最佳论文获得者，它挑战了深度学习中的一些基本内容，包括层本身的概念。