导读：很多朋友问到关于人工智能领域发生什么的相关问题，本文首席CTO笔记就来为大家做个详细解答，供大家参考，希望对大家有所帮助！一起来看看吧！
2019年AI人工智能领域都发生了什么？
作者 | David Foster
译者 | Sambodhi
2019 年无疑是忙碌的一年。人工智能的进步和新闻频频登上头条新闻，让我们的生活充满了敬畏和自豪的时刻，但一些其他时刻充却斥着一种恼人的想法，那就是这项技术让人们发现，我们的社会并没有准备好迎接人工智能的普及。
2019 年，究竟是人工智能进步的一年，还是幻灭的一年呢？随着研究人员攻城略地，迅速攻克以前难以企及的基准，今天，我们可不可以这样认为，这个领域已经正在步入稳步发展的轨道呢？
在 ADSP（Applied Data Science Partners，意即“应用数据科学合作伙伴”）网站上，我们想后退一步，把 2019 年的人工智能界发生的事件整理好，以让公众能够有个全新的视角。在聚光灯下，重要的是要将一项工作最初吸引人们的兴趣，与它的实际重要性，以及它对该领域产生的影响区分开来。为此，本文将展开人工智能故事的平行线索，并试图分离出它们的意义。多亏了我们出色的内容作家 Elena Nisioti，她将这些故事讲得如此精彩！
让我们坐下来，一起回顾 2019 年的人工智能领域的方方面面。
处在文艺复兴时期的领域
如果让我们用一句话来描述 2019 年的人工智能现状，那很可能是：“强化学习（Reinforcement Learning ）回归，看起来将永存”。
到目前为止，我们中的大多数人可能已经熟悉了 监督式学习（Supervised Learning）：有些人收集了大量的 训练数据，将它们馈送到 机器学习算法 中，然后得到一个 模型，这个模型可以为我们进行 预测 和 分类。我们中的一些人甚至可能有这样的印象：即，人工智能就是监督式学习的同义词。然而，监督式学习只不过是我们今天拥有的 众多类型的机器学习 中的一种罢了。
在强化学习（Reinforcement Learning，RL）中，智能体用 试错 的方法，通过与环境进行交互来学习，这种环境会给它们的 行为 提供 奖励回报。当涉及到多个智能体时，它们被称为 多智能体强化学习系统（Multi-agent Reinforcement Learning System）。
这个领域已经存在几十年，从概念上来讲，它听起来比监督式学习更像是一种合理的创造智能的学习机制。然而，直到 2015 年，DeepMind 才获得了人们的关注，当时 DeepMind 使用深度 Q 学习（Deep Q-learning）创建了 Atari（雅达利） 游戏的智能体，这是一种结合了经典强化学习算法和深度神经网络的算法。2018 年，OpenAI 也通过 解决 Montezuma’s Revenge（一款被认为难度特别高的 Atari 游戏），从而在这一领域确立了自己的地位。
在过去的几个月里，事态升级了：
这些工作重新唤起了学术界对强化学习的信念，在过去，人们曾经认为强化学习效率低下，过于简单，无法解决复杂的问题，甚至连游戏的问题也不能解决。
今年，另一个大受欢迎的应用是 自然语言处理（Natural Language Processing，NLP）。尽管研究人员在这一领域工作了几十年，但近些年的自然语言处理系统生成的文本听起来还是不够自然。自 2018 年底以来，人们的注意力已经从过去的词嵌入转移到 预训练语言模型，这是自然语言处理从计算机视觉中借鉴来的一种技术。这些模型的训练是以非监督的方式进行的，这使得现代系统能够从互联网上的大量文本中进行学习。因此，这些模型变得“博闻强识”，并发展出了理解上下文的能力。然后，可以通过监督式学习进一步提高它们在特定任务上的表现。这种通过在不同任务上训练机器学习模型来改进模型的做法，属于 迁移学习（transfer learning）的范畴，被认为具有巨大的潜力。
自去年 Google BERT、ELMo 和 ulmfit 等系统在 2018 年底推出以来，自然语言处理一直风头正茂，但今年的聚光灯被 OpenAI 的 GPT-2 给“夺走了”，它的表现引发了人们对 自然语言处理系统的道德使用的大讨论。
实践走向成熟
今年，人们也见证了最近一些深度学习技术走向成熟。应用监督式学习，特别是 计算机视觉 技术，已经催生了现实生活中成功的产品和系统。
生成对抗网络（Generative Adversarial Networks，GAN）是一对神经网络，其中，生成器网络试图通过学习生成模仿训练数据的图像来欺骗判别器网络，现在已经达到了近乎完美的水平。对人工智能来说，创造虚假但又逼真的人物和物体的图像，已经不再是前沿领域了。从 2014 年生成对抗网络的引入 到 2019 年 NVDIA 开源的 StyleGAN，一图胜千言，我们用下面的图片来说明，这可能是理解该领域进展情况的最佳方式：
2019 年，人工智能创造的艺术品甚至脱离了过去几年的假设性讨论，成为了今天 博物馆装置和拍卖 的一部分。
计算机视觉还被应用于一些具有重大商业和社会意义的领域，包括自动驾驶车辆和医学。但是，人工智能算法在这些领域中的应用自然是缓慢的，因为它们直接与人类生活直接互动。至少到目前为止，这些系统还 不是完全自主的，它们的目的，在于支持和 增强 人类操作员的能力。
研究团队正与医院密切合作，开发用于疾病早期预测的人工智能系统，并整理大量的健康数据档案，其中一个值得注意的例子，是 DeepMind Health 和 UCLH 之间正在进行的合作。然而，这些工作中的大部分仍处于试验阶段，迄今为止，唯一获得 FDA 批准的人工智能系统是 SubtlePet，这是一款使用深度学习增强医学图像的软件。
沉睡的巨人
AutoML 是机器学习的子领域之一，自 20 世纪 90 年代以来就一直存在，在 2016 年引起了人们的极大兴趣，但不知何故从未登上头条新闻，至少不像其他人工智能趋势那样。也许这是因为它并不那么花哨的性质：AutoML 的目的是通过自动化决策来使机器学习的实践更有效，而今天数据科学家是通过手动、蛮力调优做出的决策。
在过去三年中，我们对这一领域的理解已经发生了变化，今天，大多数大公司都提供了 AutoML 工具，包括 Google Cloud AutoML、Microsoft Azure、Amazon Web Service 和 DataRobot 等。今年，随着 学习进化人工智能框架（Learning Evolutionary AI Framework，LEAF）成为最先进的人工智能技术，人们的兴趣转向了“进化”（Evolutionary）方法。然而，AutoML 还没有达到可以让一个完全自动化的人工智能系统比人工智能专家团队执行更好的成熟水平。
对人工智能的担忧
尽管取得了压倒性的成功，但今年人工智能领域也给我们带来了一些令人沮丧的故事。其中主要问题之一是 机器学习模型中的偏见，这一问题直到 2018 年才显现出来，当时 Amazon 发现他们的 自动招聘系统中存在性别偏见，而美国法院广泛使用的判决工具 COMPAS 也被发现存在性别和种族的偏见。
今年案件的数量有所增加，这可能表明，公众和机构对用于自动化决策的现有人工智能系统越来越怀疑。以下是图景的一小部分：
今年 10 月份，某医院的算法被发现对黑种人患者存有偏见。 去年 10 月，某人权组织指责用于发放英国签证的人工智能系统存在种族偏见。 今年 11 月，Apple 的信用评分系统被客户指责存有性别偏见。
偏见是一个特别令人担忧的问题，因为它位于监督式深度学习的核心中：当有偏见的数据被用于训练，且预测模型无法 解释 时，我们不能真正判断出是否存有偏见。迄今为止，学术界的反应一直是致力于开发技术，以了解深度模型决策背后的原因，但专家警告称，如果我们采用正确的实践方法，那么许多问题都可以迎刃而解。Google Cloud Model Cards 是最近的一次尝试，旨在使组织社区走向开源模式，同时明确描述其性质和局限性。
今年另一个让人担忧的发现是，当一项技术变得越复杂时，它被滥用的可能性就越大。Deepfake就是生成对抗网络的阴暗面，深度学习算法被用来在纯粹虚构的场景中创建涉及真实人物的图片或视频。人们不难看出，这项技术如何被用于传播虚假新闻，从政治宣传到欺凌。这个问题单靠科学家是无法解决的，历史已经证明，科学家并不善于预测他们的发现对现实生活的影响，更不用说控制它们了，这需要社会各界进行广泛的对话。
今天的人工智能有多强大？
如今，要量化人工智能的价值真的很困难。但有一点是可以肯定的：人工智能已经脱离了科幻小说和前卫计算机科学的领域，现在，人工智能已成为社会不可分割的一部分，人们对人工智能进行了大量的投资。
今年早些时候，三名主要的深度学习研究人员获得了图灵奖，这是对人工智能作为计算机科学的一个领域的认可，而人们对此期待已久。
人工智能在哪些领域应用？
人工智能在交通出行领域、家庭家居领域、公共安全领域、手机及互联网娱乐领域以及医疗健康领域都为人们带来了便利。
1、交通出行领域：
共享单车、共享电车、共享汽车方便了出行，让出行成本降低。智能辅助驾驶系统帮助人们安全驾驶，安全出行。
2、家庭家居领域：
智能互联家居在现在生活中应用广泛，它能够帮助人们对生活环境进行智能调控，对房屋进行安全监测、危险预警等，减少了煤气泄露、房屋被盗的风险。一句话打开音乐，一句话打开空调，一句话让生活变得很简单。
3、公共安全领域：
人脸、指纹、虹膜等生物特征的识别和大数据的结合，再进行实时监测，人工智能的应用能够加强公安系统的管理和安全预测。由大数据和人工智能构建起来的智慧城市工程，对城市公共安全领域。
4、手机及互联网娱乐领域：
人们接触最多的人工智能领域的应用来自于手机及互联网。手机的语音助手、实时翻译功能、图片文字智能识别提取、听歌识曲、刷脸解锁、拍照优化、相册分类、影像处理、AR特效、VR游戏等等，都不同程度的应用到了人工智能技术。
想了解更多有关人工智能的详情，推荐咨询达内教育。达内教育独创TTS8.0教学系统，达内OMO教学模式，全新升级，线上线下交互学习，满足学生多样化学习需求；同时，拥有经验丰富的讲师进行课程的讲授，对标企业人才标准，制定专业学习计划，囊括主流热点技术，运用理论知识+学习思维+实战操作，打造完整学习闭环；更有企业双选会，让学生就业更顺利。感兴趣的话点击此处，免费学习一下
人工智能领域主要取得了哪些成果
人工智能领域的成果有：人机对弈、模式识别、自动工程、知识工程。
人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
人工智能的实现：
人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法（ENGINEERING APPROACH），它已在一些领域内作出了成果，如文字识别、电脑下棋等。
另一种是模拟法（MODELING
APPROACH），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法（GENERIC
ALGORITHM，简称GA）和人工神经网络（ARTIFICIAL NEURAL NETWORK，简称ANN）均属后一类型。
以上内容参考：百度百科—人工智能
人工智能有哪些应用领域
人工智能在交通出行领域、家庭家居领域、公共安全领域、手机及互联网娱乐领域以及医疗健康领域都为人们带来了便利。
1、交通出行领域：
共享单车、共享电车、共享汽车方便了出行，让出行成本降低。智能辅助驾驶系统帮助人们安全驾驶，安全出行。
2、家庭家居领域：
智能互联家居在现在生活中应用广泛，它能够帮助人们对生活环境进行智能调控，对房屋进行安全监测、危险预警等，减少了煤气泄露、房屋被盗的风险。一句话打开音乐，一句话打开空调，一句话让生活变得很简单。
3、公共安全领域：
人脸、指纹、虹膜等生物特征的识别和大数据的结合，再进行实时监测，人工智能的应用能够加强公安系统的管理和安全预测。由大数据和人工智能构建起来的智慧城市工程，对城市公共安全领域。
4、手机及互联网娱乐领域：
人们接触最多的人工智能领域的应用来自于手机及互联网。手机的语音助手、实时翻译功能、图片文字智能识别提取、听歌识曲、刷脸解锁、拍照优化、相册分类、影像处理、AR特效、VR游戏等等，都不同程度的应用到了人工智能技术。
想了解更多有关人工智能的详情，推荐咨询达内教育。达内教育独创TTS8.0教学系统，达内OMO教学模式，全新升级，线上线下交互学习，满足学生多样化学习需求；同时，拥有经验丰富的讲师进行课程的讲授，对标企业人才标准，制定专业学习计划，囊括主流热点技术，运用理论知识+学习思维+实战操作，打造完整学习闭环；更有企业双选会，让学生就业更顺利。感兴趣的话点击此处，免费学习一下
人工智能的应用领域有哪些？
应用领域
机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。
值得一提的是，机器翻译是人工智能的重要分支和最先应用领域。不过就已有的机译成就来看，机译系统的译文质量离终极目标仍相差甚远；而机译质量是机译系统成败的关键。中国数学家、语言学家周海中教授曾在论文《机器翻译五十年》中指出：要提高机译的质量，首先要解决的是语言本身问题而不是程序设计问题；单靠若干程序来做机译系统，肯定是无法提高机译质量的；另外在人类尚未明了大脑是如何进行语言的模糊识别和逻辑判断的情况下，机译要想达到“信、达、雅”的程度是不可能的。智能家居之后，人工智能成为家电业的新风口，而长虹正成为将这一浪潮掀起的首个家电巨头。长虹发布两款CHiQ智能电视新品，主打手机遥控器、带走看、随时看、分类看功能
结语：以上就是首席CTO笔记为大家整理的关于人工智能领域发生什么的全部内容了，感谢您花时间阅读本站内容，希望对您有所帮助，更多关于人工智能领域发生什么的相关内容别忘了在本站进行查找喔。