在2018年人工智能会有什么进展？下面是我们观察到的。

期待机器学习在方法、理解和教育方面会取得实质性的进展

如同在过去的几年里一样，新的深度学习架构和（分布式）训练算法将会继续在多个领域（包括计算机视觉、语言和文字等）带来令人兴奋的结果和应用。期待有一些企业会在边缘设备上进行的高效模型训练、推断和数据处理方面取得进步。同时，机器学习专家间的相互合作将带来有趣的突破。比如，这个来自结合了贝叶斯方法和深度学习的工作，以及神经进化和基于梯度的深度学习相结合的工作等。

然而和深度学习已经取得的成功相比，对于为什么它能工作得这么好的理解我们还依然欠缺。研究人员和行业从业者都已经在努力去应对这个挑战。我们预计在2018年会看到更多的人会加入这一行列，增强深度学习理论上的理解和推进普及教育工作。

在硬件方面的进步和更低的花费将会带来更好的数据收集和更快的深度学习

深度学习是计算密集型的。带来的结果就是，硬件上的很多进步都和深度学习的训练及推断（在服务器和边缘设备上）相关联。随着新的处理器、配套的软件框架和它们的相互结合、以及专门组装优化的系统的出现，这些将使企业能够加速深度学习的实验，从而能让它们从硬件公司、云服务提供商以及中国及西方的创业公司中脱颖而出。

但是，深度学习背后所依赖的数据依然需要被收集。很多商业人工智能系统都依赖于特殊的传感器，比如LIDAR（激光雷达）。随着创业公司生产出可替代的传感器以及新的收集和使用数据的方法（例如，来自边缘设备和传感器融合的大量低分辨率的数据），与数据相关的花费将会持续降低。

人工智能和深度学习的开发者工具将会继续进化

到目前为止，TensorFlow仍然是最受欢迎的深度学习库。但其他框架（如Caffe、PyTorch和BigDL）仍将会继续争取用户和使用案例。我们还预计新的深度学习工具将会出现，它们可以简化神经网络的体系结构和超参数调优、分布式训练以及模型的部署和管理。其他将取得进展的领域还包括：

• 模拟器（如数字双胞胎），它可以让开发人员加快人工智能系统的开发，它还有与之集成的强化学习库（作为RISE实验室的Ray的一部分，它的强化学习库就是一个很好的例子）。
• 开发工具，可被用于构建可处理多模式输入的人工智能应用程序。
• 针对非数据工程师或数据科学家的开发人员的工具。

我们会看到更多的自动化应用案例，特别是在企业中

随着越来越多的公司进入人工智能领域，他们将继续使用现有的工具和方法来发现可以（半）自动化的任务。一个自然的起点是那些需要高技能人员做的低技能的工作。其他应用包括使用语音和自然语言技术的自动化产品、工业自动化和机器人，以及医疗和医药业中的使用案例，如药物研发、医疗助理和基因组学。

人们也将越来越多地使用自动化来进行创造性的活动，如人工智能创作的音乐、图像和视觉艺术。这些产物也将开始出现在商业产品中。这一创新不仅局限于美国。随着中国政府加大对人工智能技术的支持，以及在中国能获取大型的数据集和海量用户，还有能激励早期推动者的竞争激烈的市场，这一切都使得中国的企业和创业公司能更好地推进和实现自动化。

人工智能社区将继续解决对于人工智能在隐私、伦理道德和责任方面的担忧

去年，我们预测对伦理道德和隐私问题的关注度将会增加。在2018年，我们预计这一趋势将持续下去。公平性、透明度和可解释性对于大多数商业人工智能系统都是必不可少的。 关于如何创建确保负责任的人工智能的工具（例如打击“假新闻”的工具）的讨论将会继续下去。

我们也会看到以安全为目标的进展。我们预计多学科研究人员间的合作所带来的可重现的算法会取得进展，特别是在需要误差估计的关键任务型人工智能系统里。随着《通用数据保护条例》（General Data Protection Regulation ，GDPR）于2017年5月25日正式施行，我们将看到企业（如苹果等公司）开发或改进保护隐私的机器学习产品。