幾乎每個新的一天都會在人工智能領域帶來令人振奮的消息。但是這些新聞推動了哪些更大的方向趨勢？除了公告和宣傳之外，AI真的在發展嗎？

在本文中，我不想將重點放在遙遠，模糊的關于AI的希望和愿望上，而是集中在不那么遙遠的未來中的一些具體發展。下文概述的趨勢已經開始以現實世界的研究和應用形式出現。這些工作領域代表了一些主題，我相信這些主題將在AI關鍵開發的未來時間表中記錄為有意義的突破。

AI社區早就知道，我們最成功的方法（例如深度學習）在數學和計算上都很復雜。將這些方法與當前技術一起使用會消耗大量的處理資源和高成本。反過來，這限制了可以在何處以及如何自由地應用這些技術。但是，較便宜的培訓技術正在搶救。重要的是要了解，通常由摩爾定律驅動的成本節省和速度提高與下面討論的算法效率類型完全不同。盡管摩爾定律承諾每兩到三年將晶體管數量增加一倍，從而使處理能力提高一倍，但算法上的突破通?？梢詭砑磿r效率，效率要高出幾個數量級。

輕量級神經網絡的發展是一個有前途的領域，輕量級神經網絡的確切含義是：更小，更快地訓練網絡，該網絡可以達到與它們大得多的表親幾乎相同的精度，但是其大小和訓練成本卻很小。由SparkCognition的首席科學家Bruce Porter博士領導的研究表明，盡管僅使用大型結構所需的十分之一的計算能力，但在網絡安全應用中，輕量級神經網絡仍可以與常規的深層網絡相匹配。

稀疏學習是另一種新興技術，具有將深度網絡的訓練速度提高3.5到12倍的潛力。另外，北卡羅萊納州立大學的研究人員表明，通過利用訓練數據集中圖像子段的相似性，他們可以將網絡訓練所需的時間和計算能力潛在地減少60%以上。所有這些都不會犧牲準確性。

這絕不是致力于減少訓練深度網絡的計算負擔的大量工作的完整清單。但是即使是這樣的一瞥，也表明在不久的將來可能會帶來更高效的方法，這些方法將使我們能夠與大型復雜網絡的決策能力相抗衡，而不會花費相同的計算資源或降低準確性。

責任編輯：lq