（文章來源：CDA數(shù)據(jù)分析師）

在競爭日益激烈的技術(shù)市場中，從高科技初創(chuàng)公司到全球跨國公司都將人工智能視為關(guān)鍵競爭優(yōu)勢。但是，人工智能行業(yè)發(fā)展如此之快，以至于很難跟蹤最新的研究突破和成就，甚至很難應(yīng)用科學(xué)成果來實(shí)現(xiàn)業(yè)務(wù)成果。在2020年為了幫助業(yè)務(wù)制定強(qiáng)大的AI策略，本文總結(jié)了不同研究領(lǐng)域的最新趨勢，包括自然語言處理，對話式AI，計(jì)算機(jī)視覺和強(qiáng)化學(xué)習(xí)。

在2018年，經(jīng)過預(yù)訓(xùn)練的語言模型突破了自然語言理解和生成的極限。這些也主導(dǎo)了去年自然語言處理的進(jìn)展。如果是NLP開發(fā)的新手，那么經(jīng)過預(yù)先訓(xùn)練的語言模型可以使NLP的實(shí)際應(yīng)用大大便捷，更快，更容易，因?yàn)樗鼈冊试S在一個大型數(shù)據(jù)集上進(jìn)行NLP模型的預(yù)先訓(xùn)練，然后快速對其進(jìn)行微調(diào)以適應(yīng)其他NLP任務(wù)。

來自頂級研究機(jī)構(gòu)和科技公司的團(tuán)隊(duì)探索了使最先進(jìn)的語言模型更加復(fù)雜的方法。計(jì)算能力的大幅度提高推動了許多改進(jìn)，但是許多研究小組還發(fā)現(xiàn)了更精巧的方法來減輕模型并保持高性能。

新的NLP范例是"預(yù)訓(xùn)練+微調(diào)"。在過去的兩年中，轉(zhuǎn)移學(xué)習(xí)主導(dǎo)了NLP研究。ULMFiT，CoVe，ELMo，OpenAI GPT，BERT，OpenAI GPT-2，XLNet，RoBERTa，ALBERT –這是最近介紹的重要的預(yù)訓(xùn)練語言模型的詳盡列表。盡管轉(zhuǎn)移學(xué)習(xí)無疑將NLP推向了新的高度，但由于要求大量的計(jì)算成本和龐大的帶注釋數(shù)據(jù)集所以它經(jīng)常會受到批評。

語言學(xué)和知識可能會提高NLP模型的性能。專家認(rèn)為，語言學(xué)可以通過改善數(shù)據(jù)驅(qū)動方法的可解釋性來促進(jìn)深度學(xué)習(xí)。利用上下文和人類知識可以進(jìn)一步提高NLP系統(tǒng)的性能。神經(jīng)機(jī)器翻譯展示了可見的進(jìn)步。同步機(jī)器翻譯已經(jīng)可以在現(xiàn)實(shí)世界中應(yīng)用。最近的研究旨在突破通過優(yōu)化神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，利用視覺上下文以及為無監(jiān)督和半監(jiān)督機(jī)器翻譯引入新穎的方法來進(jìn)一步提高翻譯質(zhì)量。

會話式AI已成為跨行業(yè)業(yè)務(wù)實(shí)踐的組成部分。越來越多的公司正在利用聊天機(jī)器人為客戶服務(wù)，為銷售和營銷帶來的優(yōu)勢。即使聊天機(jī)器人已成為領(lǐng)先企業(yè)的"必備"資產(chǎn)，但其性能仍然與人類相去甚遠(yuǎn)。來自主要研究機(jī)構(gòu)和技術(shù)領(lǐng)導(dǎo)者的研究人員已經(jīng)探索了提高對話系統(tǒng)性能的方法：對話系統(tǒng)正在改進(jìn)跟蹤對話的長期性。去年發(fā)表的許多研究論文的目標(biāo)是，通過更好地利用對話歷史和上下文，提高系統(tǒng)理解對話過程中引入的復(fù)雜關(guān)系的能力。

許多研究團(tuán)隊(duì)正在解決機(jī)器生成響應(yīng)的多樣性。當(dāng)前，現(xiàn)實(shí)世界中的聊天機(jī)器人通常會產(chǎn)生無聊且重復(fù)的響應(yīng)。去年，引入了幾篇優(yōu)秀的研究 論文，旨在產(chǎn)生多樣化而又相關(guān)的回應(yīng)。情感識別被視為開放域聊天機(jī)器人的重要功能。因此，研究人員正在研究將同理心納入對話系統(tǒng)的最佳方法。該研究領(lǐng)域的成就仍然很小，但是在情感識別方面的巨大進(jìn)步可以顯著提高社交機(jī)器人的性能和受歡迎程度，并且還可以增加聊天機(jī)器人在心理治療中的使用。

在過去的幾年中，計(jì)算機(jī)視覺（CV）系統(tǒng)通過在醫(yī)療保健，安全，運(yùn)輸，零售，銀行，農(nóng)業(yè)等領(lǐng)域的成功應(yīng)用，徹底改變了整個行業(yè)和業(yè)務(wù)功能。最近引入的體系結(jié)構(gòu)和方法（例如EfficientNet和SinGAN）進(jìn)一步提高了視覺系統(tǒng)的感知能力和生成能力。

3D目前是CV領(lǐng)域的領(lǐng)先研究領(lǐng)域之一。今年，我們看到了幾篇有趣的研究論文，旨在從2D投影重建3D世界。Google研究小組采用了一種新穎的方法來生成整個自然場景的深度圖。Facebook AI團(tuán)隊(duì)提出了一種有趣的點(diǎn)云3D對象檢測解決方案。

無監(jiān)督學(xué)習(xí)方法的普及正在增長。例如，斯坦福大學(xué)的一個研究小組介紹了一種有前途的局部聚合方法，可以在無監(jiān)督學(xué)習(xí)的情況下進(jìn)行對象檢測和識別。在另一篇出色的論文中，該論文獲得了ICCV 2019最佳論文獎的提名，該論文采用無監(jiān)督學(xué)習(xí)來計(jì)算3D形狀之間的對應(yīng)關(guān)系。

計(jì)算機(jī)視覺研究已與NLP成功結(jié)合。最新的研究進(jìn)展使自然語言中的兩個圖像之間具有強(qiáng)大的更改字幕，3D環(huán)境中的視覺語言導(dǎo)航以及學(xué)習(xí)分層視覺語言表示的能力，從而可以更好地檢索圖像字幕和視覺基礎(chǔ)。

強(qiáng)化學(xué)習(xí)（RL）對于業(yè)務(wù)應(yīng)用程序而言，其價值仍然比有監(jiān)督的學(xué)習(xí)甚至無監(jiān)督的學(xué)習(xí)低。它僅在可生成大量模擬數(shù)據(jù)的區(qū)域（例如機(jī)器人技術(shù)和游戲）中成功應(yīng)用。這是有關(guān)NLP，對話式AI，計(jì)算機(jī)視覺和強(qiáng)化學(xué)習(xí)等最受歡迎的子主題---新AI和機(jī)器學(xué)習(xí)研究趨勢的概述 ，其中很多都對對業(yè)務(wù)都、有影響。

預(yù)計(jì)2020年應(yīng)用人工智能領(lǐng)域?qū)⒂懈嗤黄?，這些突破將基于2019年在機(jī)器學(xué)習(xí)方面取得的顯著技術(shù)進(jìn)步。
（責(zé)任編輯：fqj）