近日，2021全球人工智能技術(shù)大會(huì)在杭州成功舉辦，在計(jì)算機(jī)視覺論壇上，騰訊優(yōu)圖實(shí)驗(yàn)室副總經(jīng)理黃飛躍正式宣布，騰訊優(yōu)圖聯(lián)合廈門大學(xué)人工智能研究院正式發(fā)布《2021十大人工智能趨勢》(以下簡稱趨勢報(bào)告)，該趨勢報(bào)告基于騰訊優(yōu)圖和廈門大學(xué)人工智能研究院長期對(duì)人工智能尤其是計(jì)算機(jī)視覺的研究洞察，提出3D視覺技術(shù)、數(shù)字內(nèi)容產(chǎn)業(yè)、AI深度學(xué)習(xí)算法、人工智能內(nèi)核芯片等方向的前沿預(yù)測。
騰訊優(yōu)圖實(shí)驗(yàn)室副總經(jīng)理 黃飛躍
趨勢報(bào)告指出，自動(dòng)機(jī)器學(xué)習(xí)的自動(dòng)化程度與可解釋性得到進(jìn)一步提升，AutoML整個(gè)體系架構(gòu)的日趨完善，將推動(dòng)新一代普適性AutoML平臺(tái)的建設(shè)，并實(shí)現(xiàn)機(jī)器學(xué)習(xí)的大眾化。過去幾年，深度學(xué)習(xí)所取得的巨大成功離不開大規(guī)模標(biāo)注的數(shù)據(jù)集，但隨著業(yè)務(wù)規(guī)模的不斷擴(kuò)大，數(shù)據(jù)標(biāo)注成本成為制約企業(yè)降本增效的主要因素之一，無監(jiān)督、弱監(jiān)督學(xué)習(xí)將成為企業(yè)降本增效的新利器。
大會(huì)上，黃飛躍表示，隨著算法和硬件能力的不斷升級(jí)，3D視覺智能技術(shù)將推動(dòng)商業(yè)發(fā)展和個(gè)人消費(fèi)升級(jí);深度學(xué)習(xí)邁向多模態(tài)融合，邊緣計(jì)算與人工智能加速融合，AI算法的公平性研究將推動(dòng)AI應(yīng)用走向普惠。
以下為《2021十大人工智能趨勢》詳細(xì)內(nèi)容：
01
自動(dòng)機(jī)器學(xué)習(xí)的自動(dòng)化程度
與可解釋性得到進(jìn)一步提升
自動(dòng)機(jī)器學(xué)習(xí)(AutoML)目前已經(jīng)在多個(gè)領(lǐng)域中初步實(shí)現(xiàn)對(duì)機(jī)器學(xué)習(xí)方法的自動(dòng)化設(shè)計(jì)過程，但其仍然存在自動(dòng)化程度不足，可解釋性不強(qiáng)的問題。
如神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索(NAS)在一些應(yīng)用領(lǐng)域中取得了可以與人類機(jī)器學(xué)習(xí)專家可比較的水平，然而現(xiàn)有的NAS方法實(shí)際需要基于人工設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)。此外，AutoML的自動(dòng)化過程往往被認(rèn)為是一種 “黑箱”，缺乏可解釋性。
今后自動(dòng)化程度及可解釋性仍然是AutoML研究的熱點(diǎn)問題，通過提高AutoML中的超參數(shù)選擇，特征表示與機(jī)器學(xué)習(xí)算法的確定和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索的自動(dòng)化程度及可解釋性，AutoML將實(shí)現(xiàn)對(duì)機(jī)器學(xué)習(xí)涉及的每個(gè)環(huán)節(jié)的真正的自動(dòng)化設(shè)計(jì)過程。AutoML整個(gè)體系架構(gòu)的日趨完善，將推動(dòng)新一代普適性AutoML平臺(tái)的建設(shè)，并實(shí)現(xiàn)機(jī)器學(xué)習(xí)的大眾化。
02
無監(jiān)督/弱監(jiān)督學(xué)習(xí)逐漸
成為企業(yè)降本增效新利器
在過去的幾年中，深度學(xué)習(xí)所取得的巨大成功離不開大規(guī)模標(biāo)注的數(shù)據(jù)集。大規(guī)模標(biāo)注的背后，是傳統(tǒng)的監(jiān)督學(xué)習(xí)對(duì)于每一個(gè)訓(xùn)練樣本完備標(biāo)簽的要求。
隨著業(yè)務(wù)規(guī)模的不斷擴(kuò)大，越來越多的企業(yè)發(fā)現(xiàn)數(shù)據(jù)的標(biāo)注開始成為抬高交付成本、制約效果提升的主要因素之一。在此背景下，無監(jiān)督學(xué)習(xí)和弱監(jiān)督學(xué)習(xí)通過不使用標(biāo)簽或減少對(duì)標(biāo)簽數(shù)量、質(zhì)量的要求來迅速降低深度模型對(duì)于數(shù)據(jù)的標(biāo)注需求，使得原本無法利用的數(shù)據(jù)如今都可以加入到模型的訓(xùn)練中去，進(jìn)而由量變引發(fā)質(zhì)變。
在NLP領(lǐng)域，基于Transformer的無監(jiān)督訓(xùn)練模型已持續(xù)霸榜各種NLP任務(wù)數(shù)據(jù)集;在CV領(lǐng)域，最新的MPL方法也通過額外的無標(biāo)注數(shù)據(jù)集首次將ImageNet的Top-1分類準(zhǔn)確率提升到了90%+的水平?？梢灶A(yù)見的是，將有越來越多的人工智能企業(yè)會(huì)面臨從前期的迅速擴(kuò)張到穩(wěn)定期高效化運(yùn)作的新階段，而在這個(gè)過程中，無監(jiān)督/弱監(jiān)督學(xué)習(xí)無疑將成為他們過渡到這個(gè)階段的重要手段之一。
03
3D視覺技術(shù)助力產(chǎn)業(yè)
消費(fèi)升級(jí)，淡化虛實(shí)邊界
作為視覺AI領(lǐng)域多年熱點(diǎn)研究方向之一，3D視覺技術(shù)的核心任務(wù)是對(duì)三維空間、物體及環(huán)境進(jìn)行真實(shí)還原與重建。隨著相關(guān)算法與硬件計(jì)算能力的不斷升級(jí)， 3D視覺算法效果得到大幅提升，三維幾何重建更加精細(xì)，表面紋理重建更加清晰，帶來更加逼真的視覺觀感。
近年來，諸多3D視覺研究成果為低成本高質(zhì)量的3D內(nèi)容生成提供了良好技術(shù)支撐，基于3D虛擬形象的舞臺(tái)演出、直播帶貨、教育互動(dòng)等應(yīng)用層出不窮，成為AI內(nèi)容產(chǎn)業(yè)全新發(fā)展方向。以此為基礎(chǔ)，結(jié)合5G時(shí)代流量帶寬的全面升級(jí)，帶有交互功能的3D虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)、混合現(xiàn)實(shí)的3D視覺應(yīng)用將用戶體驗(yàn)向真實(shí)與虛擬的完美融合進(jìn)一步邁進(jìn)。
用戶會(huì)因?yàn)樘摂M偶像生動(dòng)自然的舞臺(tái)表演進(jìn)行打賞，會(huì)由于虛擬主播“賣力”地帶貨促銷而下單購買，而線上平臺(tái)則依靠3D視覺技術(shù)大大降低內(nèi)容制作和IP運(yùn)營成本，最終帶來社會(huì)商業(yè)發(fā)展模式與個(gè)人消費(fèi)習(xí)慣的顛覆與變革。展望未來，3D視覺技術(shù)將持續(xù)在包括游戲娛樂、影視制作、電商直播、醫(yī)療整形等眾多領(lǐng)域廣泛應(yīng)用，虛擬與現(xiàn)實(shí)的邊界將不斷淡化。
04
多模態(tài)融合加速AI認(rèn)知升維
深度學(xué)習(xí)在多個(gè)人工智能的細(xì)分領(lǐng)域(如視覺，自然語言處理等)已日趨成熟化和規(guī)?；?，然而要真正實(shí)現(xiàn)通用人工智能，必然要將這些細(xì)分領(lǐng)域各自所針對(duì)的信息模態(tài)整合利用，即多模態(tài)融合。
多模態(tài)融合的目標(biāo)是建立在圖像、文字、語音等的多模態(tài)信息識(shí)別的基礎(chǔ)上，實(shí)現(xiàn)不同模態(tài)信息的統(tǒng)一表征框架，從而起到1+1>2的作用。典型的場景之一是通過圖文語音聯(lián)合識(shí)別，實(shí)現(xiàn)對(duì)隱晦和暗示性，招嫖廣告，兒童不良表情包等圖文混合內(nèi)容識(shí)別，支持審核業(yè)務(wù)深度打擊不良內(nèi)容。除了圖文融合等跨域模態(tài)融合，同域內(nèi)的不同信息維度同樣可以融合，如隨著深度生成技術(shù)的發(fā)展，當(dāng)前的人臉識(shí)別除了傳統(tǒng)的RGB圖外，還需要融合深度圖、紅外圖等信息來更好的防御越來越多元化的人臉偽造攻擊，實(shí)現(xiàn)更強(qiáng)的人臉防御。
隨著人工智能認(rèn)知能力的提升，多模態(tài)融合也將會(huì)從圖文等實(shí)質(zhì)性模態(tài)，逐漸拓展到如物理關(guān)系，邏輯推斷，因果分析等知識(shí)性模態(tài)，從感知智能邁向認(rèn)知智能。
05
人工智能推動(dòng)數(shù)字內(nèi)容
生成向新范式演進(jìn)
隨著數(shù)字文化產(chǎn)業(yè)的蓬勃發(fā)展，尤其是二次元文化滲透出圈，數(shù)字內(nèi)容產(chǎn)業(yè)面臨新一輪的需求升級(jí)，伴隨著5G商業(yè)化進(jìn)程的不斷加深，多元化、精品化的優(yōu)質(zhì)數(shù)字內(nèi)容將面臨更快的消費(fèi)節(jié)奏，與此同時(shí)，供給側(cè)仍存在巨大的產(chǎn)能缺口，數(shù)字內(nèi)容產(chǎn)業(yè)正處于勞動(dòng)密集型向科技密集型的轉(zhuǎn)型階段。
AI與數(shù)字內(nèi)容產(chǎn)業(yè)的深度耦合，將有希望為行業(yè)釋放更大的科技勢能，以GPT-3、DALL-E為代表的AI技術(shù)，已在文本、語音、圖像、視頻等內(nèi)容生成中取得了令人驚艷的結(jié)果，然而在精確性、泛化性、合理性方面仍然面臨挑戰(zhàn)，目前的前沿研究一方面探索從模型結(jié)構(gòu)(自動(dòng)化搜索等)，訓(xùn)練形式(無監(jiān)督對(duì)比學(xué)習(xí)等)等方面提升精度效果;另一方面引入知識(shí)圖譜領(lǐng)域知識(shí)，向機(jī)器介紹常識(shí)和其他特定領(lǐng)域的知識(shí)進(jìn)而提升常識(shí)推理效果。
伴隨著技術(shù)的持續(xù)升級(jí)演進(jìn)，我們預(yù)見AI將逐步在數(shù)字內(nèi)容生成領(lǐng)域釋放引擎級(jí)的影響力，在內(nèi)容、平臺(tái)、技術(shù)多方合力引導(dǎo)下，構(gòu)筑數(shù)字內(nèi)容生成新范式。
06
邊緣計(jì)算與人工智能加速融合
近年來，隨著深度學(xué)習(xí)算法的迅猛發(fā)展，計(jì)算機(jī)視覺、自然語言處理、搜索推薦廣告等各種領(lǐng)域的任務(wù)性能得到不斷刷新。同時(shí)，隨著邊緣智能設(shè)備的廣泛普及和硬件改進(jìn)，基于深度學(xué)習(xí)的人工智能技術(shù)在邊緣端應(yīng)用落地成為了可能。
然而，在邊緣端上部署深度學(xué)習(xí)模型具有很大的難度。其主要挑戰(zhàn)表現(xiàn)在，邊緣端等智能設(shè)備在計(jì)算、存儲(chǔ)、功耗等方面有很大的限制。因此，邊緣端模型必須滿足低計(jì)算復(fù)雜度、小模型尺寸、低模型功耗等要求。
未來將趨向硬件友好型的剪枝加速。根據(jù)邊緣硬件的CPU類型來設(shè)計(jì)特定的網(wǎng)絡(luò)稀疏化模式，適配不同硬件的模型壓縮與優(yōu)化加速技術(shù)是未來研究熱點(diǎn)趨勢。其次，基于自動(dòng)化的1-bit量化方法有上百倍的理論性能提升，因此也是未來研究熱點(diǎn)趨勢。
07
人工智能內(nèi)核芯片向
類腦神經(jīng)計(jì)算方向演進(jìn)
人工智能內(nèi)核芯片已經(jīng)成為人工智能時(shí)代的關(guān)鍵技術(shù)之一，在某些領(lǐng)域中的具體任務(wù)上人工智能內(nèi)核芯片能夠?qū)崿F(xiàn)超越人腦的表現(xiàn)，但針對(duì)人工智能內(nèi)核芯片的研究依然落后于人工智能的發(fā)展，人工智能內(nèi)核芯片無法同時(shí)滿足多種人工智能算法的加速要求，并且面對(duì)各種新型人工智能技術(shù)不斷涌現(xiàn)的局面，人工智能內(nèi)核芯片與人腦相比其自我學(xué)習(xí)能力與可擴(kuò)展性存在明顯不足。
未來人工智能內(nèi)核芯片將在結(jié)構(gòu)上更接近人腦的神經(jīng)構(gòu)造，獲得類神經(jīng)計(jì)算的能力，通過不斷整合最新的人工智能技術(shù)，定制型人工智能內(nèi)核芯片將逐漸演變?yōu)橥ㄓ眯腿斯ぶ悄軆?nèi)核芯片，在提高自我學(xué)習(xí)能力的同時(shí)，實(shí)現(xiàn)對(duì)不同人工智能技術(shù)在不同任務(wù)上的加速計(jì)算，從而推動(dòng)人工智能內(nèi)核芯片實(shí)現(xiàn)真正的落地。
08
算法公平性研究推動(dòng)
AI應(yīng)用走向普惠無偏見
由于數(shù)據(jù)偏差、算法本身缺陷、甚至是人為偏見的存在，現(xiàn)有AI算法普遍存在對(duì)于某些特定人群效果不公平的"歧視性現(xiàn)象"。隨著AI算法在社會(huì)各行業(yè)的廣泛落地應(yīng)用，作為輔助人們決策的重要工具，算法的公平性問題正受到越來越多的關(guān)注。
過去的幾年業(yè)界已在逐步探索一些針對(duì)性的解決方案，包括構(gòu)建更公正的數(shù)據(jù)集、算法訓(xùn)練中引入公平性約束損失、提高機(jī)器學(xué)習(xí)算法的可解釋性等。
但就整體而言，當(dāng)前公平性研究在精度和公平性的平衡、不同場景的泛化性有效性等問題上正處于方興未艾的階段。隨著歐盟發(fā)布《人工智能白皮書》、《人工智能倫理:問題和倡議》，中國發(fā)布《協(xié)同落實(shí)人工智能治理原則的行動(dòng)建議》，人工智能的治理正成為一個(gè)愈加熱門的議題，而算法的公平性正是人工智能治理的關(guān)鍵問題。
我們預(yù)見算法公平性的研究將持續(xù)深化，在人臉識(shí)別等最廣泛的AI應(yīng)用領(lǐng)域取得突破，為不同人群帶來更加普惠無偏見的效果。
09
隱私保護(hù)AI落地實(shí)用
幫助算法可持續(xù)進(jìn)化
人工智能和機(jī)器學(xué)習(xí)算法的廣泛應(yīng)用，在為人們提供便利的同時(shí)，也帶來了極大的隱私泄露風(fēng)險(xiǎn)。這種隱私泄露包括用戶數(shù)據(jù)在授權(quán)范圍以外被處理共享、機(jī)器學(xué)習(xí)算法訓(xùn)練后存在數(shù)據(jù)記憶等現(xiàn)象。
AI算法開發(fā)中的數(shù)據(jù)隱私保護(hù)問題受到的關(guān)注以及監(jiān)管日益增長，美國于2020年生效《加利福利亞消費(fèi)者隱私法案》，中國于2020年公布《個(gè)人信息保護(hù)法(草案)》。針對(duì)機(jī)器學(xué)習(xí)中上述隱私保護(hù)問題，研究工作近年來逐步深入走向成熟，發(fā)展出了數(shù)據(jù)匿名化、聯(lián)邦學(xué)習(xí)、差分隱私等一系列方法。
我們預(yù)見能夠保護(hù)用戶數(shù)據(jù)隱私的更加靈活高效的AI學(xué)習(xí)方法將在金融、醫(yī)療、社交等場景實(shí)用化落地，消減用戶的隱私擔(dān)憂，幫助AI算法在場景中可持續(xù)地進(jìn)化。
10
人工智能技術(shù)向安全智能方向邁進(jìn)
隨著人工智能技術(shù)在各行各業(yè)的廣泛應(yīng)用，濫用或惡意破壞人工智能系統(tǒng)將會(huì)給社會(huì)帶來巨大的負(fù)面影響。近年來算法后門攻擊、對(duì)抗樣本攻擊、模型竊取攻擊等針對(duì)人工智能算法的攻擊技術(shù)持續(xù)發(fā)展，通過篡改構(gòu)造特殊數(shù)據(jù)誘騙人工智能應(yīng)用產(chǎn)生不可信的錯(cuò)誤結(jié)果，帶來了更大的算法安全風(fēng)險(xiǎn)，因此保障人工智能應(yīng)用安全可靠的需求日漸迫切。
未來人工智能技術(shù)將向著安全智能方向持續(xù)演化，一方面從算法的可解釋性入手提升模型的魯棒性，另一方面化被動(dòng)為主動(dòng)，通過主動(dòng)安全檢測機(jī)制對(duì)各類攻擊進(jìn)行偵測與攔截，最終實(shí)現(xiàn)人工智能可用性與可信性雙軌并重的現(xiàn)實(shí)需求，推動(dòng)人工智能技術(shù)在更廣泛領(lǐng)域的安全落地。
來源：騰訊優(yōu)圖AI開放平臺(tái)
（轉(zhuǎn)載）
