2020 年伴隨著很多前所未有的事，在坎坷的一年過去之后，我們將迎來怎樣的新時代？

吳恩達(dá)邀請了沈向洋、李飛飛等人工智能的頂級學(xué)者，讓大牛們對 2021 年的 AI 技術(shù)發(fā)展進(jìn)行了一次展望。在人才不斷流向業(yè)界、常規(guī)架構(gòu)算力進(jìn)入瓶頸期的今天，作為一名從業(yè)者應(yīng)該看到什么？他們是這樣說的……

吳恩達(dá)分享了自己對人工智能在接下來一年中發(fā)展的三個愿望：

縮短概念證明與生產(chǎn)之間的差距。盡管搭建好的模型很重要，但很多人現(xiàn)在也意識到，從數(shù)據(jù)管理到部署到跟蹤，要想付諸實(shí)踐，還需要做更多的工作。2021 年，我希望我們能更好地理解機(jī)器學(xué)習(xí)項(xiàng)目的完整周期，構(gòu)建支持相關(guān)工作的 MLOps 工具，以及系統(tǒng)地搭建、生產(chǎn)、維護(hù) AI 模型。

增強(qiáng) AI 社區(qū)的共享價值觀。在過去的十年中，Deeplearning.ai 在全球范圍內(nèi)的成員已經(jīng)從幾千人增長到了數(shù)百萬，我們成功的一部分原因源于對任何想加入我們的人張開雙臂。與此同時，這也會帶來一些誤解。因此，建立一套共同的價值觀比以往任何時候都更為重要。

確保我們的工作結(jié)果公平公正。人工智能領(lǐng)域的偏見和公平問題已經(jīng)引起了廣泛討論，在這些領(lǐng)域仍有許多困難和重要的工作要做，我們絕不能松懈。同時，人工智能對貧富差距的貢獻(xiàn)受到的關(guān)注也較少。許多高科技企業(yè)似乎都對應(yīng)了「贏家通吃」的那一套原則，這個世界是否正在成為財(cái)富集中于少數(shù)公司的樣子？我們?nèi)绾未_保公平分配？

我對 2021 年人工智能及各位在其中扮演的角色感到非常樂觀，期待我們共同解決這些具有挑戰(zhàn)性的問題！ 此外，來自 AI 社區(qū)的多名著名學(xué)者、企業(yè)家也分享了他們對于 2021 年的展望。 佐治亞理工學(xué)院 Ayanna Howard：訓(xùn)練有道德的 AI

佐治亞理工學(xué)院交互式計(jì)算主任 Ayanna Howard 作為 AI 工程師，我們擁有設(shè)計(jì)和搭建基于技術(shù)的解決方案的工具。但許多 AI 開發(fā)者不認(rèn)為解決潛在的負(fù)面影響也是自己的責(zé)任，因此我們也看到醫(yī)療服務(wù)、教育機(jī)會等方面的不平等現(xiàn)象。 在新的一年，我希望 AI 社區(qū)可以就如何構(gòu)建有道德的 AI 達(dá)成廣泛共識。

我們需要在基于其部署的背景來考慮我們的工作，并對可能造成的潛在危害負(fù)責(zé)，就像負(fù)責(zé)識別和修復(fù)代碼中的錯誤一樣。 這聽起來像一場巨變，但它可能很快發(fā)生。就像新冠大流行期間，很多公司都實(shí)施了以前他們認(rèn)為不可能的在家辦公制度。技術(shù)的一個特征是，當(dāng)頭部玩家改變時，其他人就會跟隨，以免失去競爭優(yōu)勢。只需要幾個領(lǐng)導(dǎo)者設(shè)定了新的方向，整個領(lǐng)域也會隨之變化。 斯坦福大學(xué)教授李飛飛：激活 AI 生態(tài)系統(tǒng)，扭轉(zhuǎn)頂級人才流向業(yè)界的趨勢

美國國家工程院院士、斯坦福大學(xué)教授、人工智能著名學(xué)者李飛飛 我希望 2021 年，美國政府能夠堅(jiān)定承諾支持 AI 創(chuàng)新。 美國之所以在科技領(lǐng)域一直處于領(lǐng)先地位，是因?yàn)槠鋭?chuàng)新生態(tài)系統(tǒng)充分利用了來自學(xué)界、政府和產(chǎn)業(yè)界的貢獻(xiàn)。但是，人工智能的出現(xiàn)使之向業(yè)界傾斜，這很大程度上是因?yàn)橛糜?AI 研發(fā)的三種最重要資源——算力、數(shù)據(jù)和人才，集中到了少數(shù)公司。

例如，根據(jù) AI21 Labs 論文《THE COST OF TRAINING NLP MODELS》中的數(shù)據(jù)，為了訓(xùn)練大規(guī)模語言模型 GPT-3，OpenAI 聯(lián)合微軟可能花費(fèi)了價值 500 萬至 1000 萬美元的資源。沒有一所美國大學(xué)可以進(jìn)行這種規(guī)模的計(jì)算。 大數(shù)據(jù)對推動人工智能的發(fā)展同樣至關(guān)重要。但如今，最豐富的數(shù)據(jù)庫卻掌握在大型公司的手中。缺乏足夠的算力和數(shù)據(jù)阻礙了學(xué)界研究者的科研，并加速了頂級 AI 人才從學(xué)界流向私有企業(yè)。

2020 年，美國政府為大學(xué)院校提供了一些新的支持，但這遠(yuǎn)遠(yuǎn)不夠。在我與哲學(xué)家 John Etchemendy 共同負(fù)責(zé)的斯坦福以人為本人工智能研究院（HAI），我們提出了一項(xiàng)國家研究云（National Research Cloud）計(jì)劃。該計(jì)劃將在未來十年每年投入 10 億至 100 億資金，為學(xué)界、政府和業(yè)界的合作注入新的活力。這項(xiàng)計(jì)劃將為學(xué)界研究者提供前沿研究所需的算力和數(shù)據(jù)，反過來也將吸引和留住新的教職人員和學(xué)生，有可能扭轉(zhuǎn)學(xué)界研究者流向業(yè)界的局面。

National Research Cloud 的進(jìn)展令人鼓舞，包括美國國家科學(xué)基金會和美國國立衛(wèi)生研究院在內(nèi)的多個機(jī)構(gòu)也發(fā)出了有關(guān)人工智能項(xiàng)目的呼吁，為相關(guān)提案提供支持。 AI 是一種工具，而且是一種功能強(qiáng)大的工具。但每個工具都是一把雙刃劍，其使用方式不可避免地反映出設(shè)計(jì)者、開發(fā)者和實(shí)施者的價值觀。確保 AI 安全、公平、保護(hù)個人隱私并造福全人類，仍然存在著許多挑戰(zhàn)。而激活 AI 研究生態(tài)系統(tǒng)是解決這些問題的重要部分。 Matthew Mattina：希望 TinyML 等微型 ML 技術(shù)和小型設(shè)備發(fā)揮更大作用

Arm 機(jī)器學(xué)習(xí)研究實(shí)驗(yàn)室的杰出工程師和高級總監(jiān) Matthew Mattina 以標(biāo)準(zhǔn) 2 號鉛筆的筆尖為例，想象一下在筆尖區(qū)域每秒執(zhí)行萬億次以上的乘法運(yùn)算。這項(xiàng)任務(wù)可以使用現(xiàn)在的 7nm 半導(dǎo)體技術(shù)來完成。在小型、低成本的電池供電設(shè)備上結(jié)合這種強(qiáng)大的計(jì)算能力和深度神經(jīng)網(wǎng)絡(luò)將有助于解決從 Covid-19 到阿爾茨海默病的種種挑戰(zhàn)。 AlphaGo、Alexa、GPT-3 和 AlphaFold 等杰出系統(tǒng)背后的神經(jīng)網(wǎng)絡(luò)需要這種計(jì)算能力才能充分發(fā)揮魔力。

這些系統(tǒng)通常運(yùn)行在數(shù)據(jù)中心服務(wù)器、GPU 和大規(guī)模電源上，但很快它們將可以在耗電量比節(jié)日燈串上單個 LED 燈泡還要少的設(shè)備上運(yùn)行。 一種叫作 TinyML 的機(jī)器學(xué)習(xí)技術(shù)正將這些大型的、側(cè)重?cái)?shù)學(xué)的神經(jīng)網(wǎng)絡(luò)應(yīng)用在傳感器、可穿戴設(shè)備和手機(jī)上。神經(jīng)網(wǎng)絡(luò)嚴(yán)重依賴乘法，而新興硬件使用低精度數(shù)字（8 位或更少）來執(zhí)行乘法運(yùn)算。

與通常的 32 位單精度浮點(diǎn)乘法器相比，芯片設(shè)計(jì)者可以在更小的面積和功率范圍內(nèi)構(gòu)建更多的乘法器。研究表明，在很多現(xiàn)實(shí)案例中，在神經(jīng)網(wǎng)絡(luò)中使用低精度數(shù)字幾乎不會對準(zhǔn)確率產(chǎn)生影響。這種方法可以在最需要的地方提供超高效的神經(jīng)網(wǎng)絡(luò)推斷。 舉例而言，在應(yīng)對 Covid-19 大流行的過程中，檢測和確認(rèn)感染者成為主要障礙。

最近的研究表明，基于數(shù)千個「強(qiáng)制咳嗽」音頻片段訓(xùn)練的神經(jīng)網(wǎng)絡(luò)集合或許能夠檢測出咳嗽者是否感染 Covid-19，即使他 / 她并沒有出現(xiàn)癥狀。該案例中使用的神經(jīng)網(wǎng)絡(luò)具有非常高的計(jì)算成本，需要每秒數(shù)萬億次的乘法運(yùn)算。而 TinyML 可以運(yùn)行此類咳嗽分析神經(jīng)網(wǎng)絡(luò)。 對于即將來臨的 2021 年，我希望由小型設(shè)備上運(yùn)行的大規(guī)模神經(jīng)網(wǎng)絡(luò)賦能的復(fù)雜醫(yī)療應(yīng)用可以開創(chuàng)一個新的個性化醫(yī)療時代，從而改善數(shù)十億人的生活。 沈向洋博士：期待 AI 幫助人類進(jìn)行藝術(shù)創(chuàng)作

美國工程院外籍院士、小冰公司董事長、清華大學(xué)雙聘教授沈向洋 2021 年，我希望 AI 社區(qū)創(chuàng)造更多工具，幫助人類解放創(chuàng)造力。AI 將幫助全球各地的人們以其獨(dú)特的方式溝通、表達(dá)情緒。 我們已經(jīng)創(chuàng)造出擅長邏輯任務(wù)的機(jī)器，它們能執(zhí)行大規(guī)模計(jì)算，且速度遠(yuǎn)超人類。這一成就在近期月球探測任務(wù)中得到了極大體現(xiàn)。在日常生活中，我們使用 Microsoft Word 和 Excel 等工具來提升生產(chǎn)效率。但是，在另一些任務(wù)中人類仍占絕對優(yōu)勢，尤其是藝術(shù)領(lǐng)域。

人類左腦負(fù)責(zé)邏輯，右腦負(fù)責(zé)創(chuàng)造性和想象力，二者相互補(bǔ)充。創(chuàng)造性的右腦為許多日常互動點(diǎn)燃火花，我們使用語言來彼此交流，表達(dá)抽象的概念和情緒。我們同樣用藝術(shù)的手法表達(dá)自己，創(chuàng)造出音樂、畫作、舞蹈和設(shè)計(jì)。 AI 領(lǐng)域的近期進(jìn)展，尤其是生成對抗網(wǎng)絡(luò)和語言模型（如 GPT-3）等深度學(xué)習(xí)技術(shù)，使得從頭開始合成逼真圖像和合理文本成為可能。小冰聊天機(jī)器人已經(jīng)在作詩、繪畫和音樂方面展現(xiàn)出了類似人類的性能。例如小冰幫助微信用戶寫詩，一周內(nèi)作詩數(shù)量超過中國歷史上所有的詩作！

繪畫、音樂、詩或舞蹈等藝術(shù)領(lǐng)域的頂尖人士必須經(jīng)過多年的訓(xùn)練。有句話說，要想成為某個領(lǐng)域的專家，需要經(jīng)過一萬小時的錘煉。類似小冰的工具可以大幅降低時間投入，使每個人都能獲得更復(fù)雜、更有創(chuàng)造力和想象力的表達(dá)方式。 我期望，2021 年能看到更多 AI 創(chuàng)造工具，幫助人們表達(dá)自己的藝術(shù)想法和靈感。AI 已經(jīng)證明它能夠幫助提升生產(chǎn)效率，那么現(xiàn)在讓我們期待 AI 幫助人類解放創(chuàng)造力吧。 OpenAI 聯(lián)合創(chuàng)始人 Ilya Sutskever：期待語言和視覺的融合

OpenAI 聯(lián)合創(chuàng)始人、首席科學(xué)家Ilya Sutskever

過去一年，通用模型首次產(chǎn)生了經(jīng)濟(jì)價值。GPT-3 的出世表明大型語言模型具備令人驚嘆的語言能力，并且能夠執(zhí)行大量有用的任務(wù)。我期望接下來誕生的模型能夠更強(qiáng)，2021 年的最佳模型或?qū)⒆?2020 年的最佳模型相形遜色，同時也將解鎖今天難以想象的許多應(yīng)用。 2021 年，語言模型將開始了解視覺世界。文本本身可以表達(dá)關(guān)于世界的大量信息，但它并不完備，因?yàn)槲覀円采钤谝曈X世界中。下一代 AI 模型將能夠編輯文本輸入并生成圖像，我們也希望它們能夠借由其見過的圖像而更好地理解文本。

聯(lián)合處理文本和圖像的能力將使模型變得更聰明。人類接觸的不僅是閱讀到的內(nèi)容，還有看到和聽到的內(nèi)容。如果模型可以處理類似的數(shù)據(jù)，那么它們就能以類似人類的方式學(xué)習(xí)概念。這個靈感尚未得到證實(shí)，我希望 2021 年能夠看到這方面的進(jìn)展。 模型更加聰明的同時，我們也要保證其安全性。GPT-3 能夠處理多項(xiàng)任務(wù)，但它并不像我們認(rèn)為的那樣可靠。我們希望給模型一項(xiàng)任務(wù)后，模型能夠返回?zé)o需更改或確認(rèn)的輸出。

在 OpenAI，我們提出了一種新方法：基于人類反饋的強(qiáng)化學(xué)習(xí)。該方法允許人類裁判利用強(qiáng)化信號用我們想要的方式指導(dǎo)模型的行為，這樣我們就可以強(qiáng)化期望的行為，抑制不想要的行為。 GPT-3 等系統(tǒng)被動地吸收信息。它們吸收數(shù)據(jù)并內(nèi)化其相關(guān)性，當(dāng)訓(xùn)練數(shù)據(jù)集包含我們不希望模型模仿的行為樣本時，這是個大問題。而使用基于人類反饋的強(qiáng)化學(xué)習(xí)后，我們可以讓語言模型展示出多種行為，人類裁判就這一行為是否符合期望給出反饋。

我們發(fā)現(xiàn) GPT-3 語言模型能夠快速從這些反饋中學(xué)習(xí)，這樣我們就可以利用相對少的人類交互快速精確地調(diào)整模型行為。 讓語言模型處理文本和圖像這兩種數(shù)據(jù)模態(tài)，并通過與人類的交互進(jìn)行訓(xùn)練后，我們看到了一條路徑，使模型變得更強(qiáng)大、更值得信任，因而對更多人具備更大用途。這條路徑將在 2021 年提供更多令人振奮的發(fā)展前景。 本文來自 Deep Learning AI 創(chuàng)辦人、Landing AI 首席執(zhí)行官吳恩達(dá)（Andrew Ng）主編的人工智能周訊《The Batch》（微信公眾號 @deeplearningaichina） 。

責(zé)任編輯：xj

原文標(biāo)題：吳恩達(dá)、李飛飛、沈向洋：2021年的人工智能會是這個樣子

文章出處：【微信公眾號：新機(jī)器視覺】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。