過(guò)新年賀新年，AI大咖來(lái)拜年！

近日，在deeplearning的最新特刊中，Yann Lecun、吳恩達(dá)、李開(kāi)復(fù)等人發(fā)表新年寄語(yǔ)，并談了自己對(duì)2020年AI發(fā)展的期望。

他們表示，隨著機(jī)器學(xué)習(xí)在眾多傳統(tǒng)產(chǎn)業(yè)中的落地，未來(lái)十年AI發(fā)展值得期待，但是如何在不造成傷害的情況下使用它，仍是領(lǐng)域內(nèi)從業(yè)者需要重點(diǎn)關(guān)注的問(wèn)題。

圖靈君對(duì)這些大咖的觀點(diǎn)進(jìn)行了編譯，以下是具體內(nèi)容：

吳恩達(dá)：保持學(xué)習(xí)、保持好奇

親愛(ài)的朋友們，

新年快樂(lè)！

每個(gè)冬季假期，我都會(huì)制定一個(gè)新的學(xué)習(xí)目標(biāo)。在探親期間，我讀了很多書(shū)。

大約十年前，我的假期閱讀主題是教育學(xué)-我仍然記得在機(jī)場(chǎng)拖著沉重的書(shū)箱-這對(duì)Coursera的成立很有幫助。去年，在女兒Nova出生之前，我讀了一堆關(guān)于兒童保育的書(shū)。

這個(gè)假期，我一直在閱讀表觀遺傳學(xué)和新興學(xué)科相關(guān)的書(shū)籍。

我還拜訪(fǎng)了我101歲的祖父。我告訴他我正在閱讀，他說(shuō)保持好奇心是長(zhǎng)壽的關(guān)鍵。

如果他是對(duì)的，那么我想你們中的許多人會(huì)在101歲以后仍然身體強(qiáng)??！

祝您在2020年與好奇心、學(xué)習(xí)以及愛(ài)心相伴。

Anima Anandkumar是Nvidia的機(jī)器學(xué)習(xí)研究總監(jiān)和Caltech的計(jì)算機(jī)科學(xué)教授。

在標(biāo)記數(shù)據(jù)的監(jiān)督式深度學(xué)習(xí)方面，我們?nèi)〉昧司薮蟮某晒Α，F(xiàn)在是時(shí)候探索其他學(xué)習(xí)方式了：對(duì)未標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練，終身學(xué)習(xí)，尤其是讓模型在將學(xué)習(xí)到的知識(shí)遷移到現(xiàn)實(shí)世界之前先探索一個(gè)模擬的環(huán)境。我希望在2020年能夠在這些領(lǐng)域進(jìn)行更多的研究。

高保真度仿真可以讓我們更有效地訓(xùn)練和測(cè)試算法，從而產(chǎn)生更健壯、更自適應(yīng)的網(wǎng)絡(luò)。模型在虛擬世界中獲得的經(jīng)驗(yàn)要比在現(xiàn)實(shí)世界中獲得的經(jīng)驗(yàn)多得多。我們可以模擬一些罕見(jiàn)的事件，這些事件會(huì)帶來(lái)嚴(yán)峻的挑戰(zhàn)，但很少有現(xiàn)實(shí)事實(shí)能夠代表這些事件。

例如，當(dāng)我們開(kāi)車(chē)時(shí)，很少發(fā)生事故。即使你驅(qū)車(chē)幾十萬(wàn)英里，你也不會(huì)看到所有的變化。如果我們僅僅根據(jù)真實(shí)世界的數(shù)據(jù)來(lái)訓(xùn)練自動(dòng)駕駛汽車(chē)，它們將不會(huì)學(xué)習(xí)如何管理導(dǎo)致事故的各種情況。

但是在模擬環(huán)境中，我們可以產(chǎn)生一個(gè)又一個(gè)的變化，給模型一個(gè)數(shù)據(jù)分布，來(lái)更好地反映現(xiàn)實(shí)世界的可能性，因此它可以學(xué)習(xí)如何保持安全的駕駛狀態(tài)。

最近，模擬幫助強(qiáng)化學(xué)習(xí)取得了令人印象深刻的結(jié)果，強(qiáng)化學(xué)習(xí)是非常耗費(fèi)數(shù)據(jù)的。

但是，當(dāng)研究人員可能只有少量真實(shí)世界的數(shù)據(jù)時(shí)，它在監(jiān)督學(xué)習(xí)中也很有用。例如，地震是罕見(jiàn)的并且難以測(cè)量。

但是，加州理工學(xué)院地震實(shí)驗(yàn)室的研究人員使用一個(gè)簡(jiǎn)單的物理模型來(lái)創(chuàng)建代表這些事件的綜合數(shù)據(jù)。在合成數(shù)據(jù)上進(jìn)行訓(xùn)練后，他們的深度學(xué)習(xí)模型達(dá)到了預(yù)測(cè)真實(shí)地震屬性的最先進(jìn)水平。

在Nvidia，我們開(kāi)發(fā)了強(qiáng)大的仿真平臺(tái)，如自動(dòng)駕駛汽車(chē)的驅(qū)動(dòng)星座和機(jī)器人的Isaac。這些開(kāi)放的、可擴(kuò)展的環(huán)境使模型能夠在逼真的虛擬世界中工作，并具有高度精確的物理特性。

我希望更多的人工智能科學(xué)家能夠認(rèn)識(shí)到在模擬環(huán)境中訓(xùn)練的價(jià)值，以及監(jiān)督學(xué)習(xí)之外的其他技術(shù)。這將使2020年成為人工智能取得巨大進(jìn)步的一年。

Oren Etzioni是Allen AI學(xué)院的首席執(zhí)行官，華盛頓大學(xué)的計(jì)算機(jī)科學(xué)教授以及Madrona Venture Group的合伙人。

在2020年，我希望人工智能社區(qū)能夠以切實(shí)、直接地惠及弱勢(shì)群體的方式解決公平問(wèn)題。

我們花了很多時(shí)間討論我們算法中的公平和透明度，這是非常重要的工作。但是，開(kāi)發(fā)具有實(shí)際影響的軟件工具是關(guān)鍵所在。旨在改善人們生活的人工智能系統(tǒng)可能有助于解決一些社會(huì)主要挑戰(zhàn)。

想象一下坐在輪椅上使用智能手機(jī)導(dǎo)航應(yīng)用程序是什么感覺(jué)——如果在路上遇到樓梯呢？即使是最好的導(dǎo)航應(yīng)用程序，如果用戶(hù)不能定制路線(xiàn)以避免不可逾越的障礙，也會(huì)帶來(lái)很大的挑戰(zhàn)和風(fēng)險(xiǎn)。

技術(shù)的存在是為了支持行動(dòng)不便的人，包括AccessMap，這是華盛頓大學(xué)塔斯卡爾可及技術(shù)中心的一個(gè)項(xiàng)目。但我們可以做得更多。值得慶幸的是，我們生活在一個(gè)觸手可及的時(shí)代。

無(wú)障礙通道、教育、無(wú)家可歸、人口販賣(mài)——人工智能可以對(duì)這些和其他領(lǐng)域的人們的生活質(zhì)量產(chǎn)生重大的積極影響。到目前為止，我們只觸及了皮毛。讓我們?cè)谛碌囊荒昀锷钊胪诰颉?br>

切爾西·芬恩（Chelsea Finn）是斯坦福大學(xué)計(jì)算機(jī)科學(xué)與電氣工程系的助理教授。

人工智能社區(qū)中的許多人都專(zhuān)注于取得華而不實(shí)的成果，比如創(chuàng)建一個(gè)可以在圍棋或危險(xiǎn)游戲中獲勝的智能體。這種工作的復(fù)雜性令人印象深刻。

但我們很容易忘記另一個(gè)重要的智力軸:泛化能力，即處理各種任務(wù)或在各種情況下進(jìn)行操作的能力。在2020年，我希望看到在建立泛化模型方面取得進(jìn)展。

我的工作包括使用強(qiáng)化學(xué)習(xí)來(lái)訓(xùn)練機(jī)器人，讓它們思考自己的行為將如何影響環(huán)境。例如，我想訓(xùn)練一個(gè)機(jī)器人用各種各樣的物體來(lái)完成各種各樣的任務(wù)，比如把東西裝進(jìn)盒子里或者把垃圾掃進(jìn)簸箕里。使用RL很難做到這一點(diǎn)。

在監(jiān)督學(xué)習(xí)中，在ImageNet的1400萬(wàn)張圖片上訓(xùn)練一個(gè)圖像識(shí)別器往往會(huì)產(chǎn)生一定程度的泛化。在強(qiáng)化學(xué)習(xí)中，模型通過(guò)與虛擬環(huán)境交互并在此過(guò)程中收集數(shù)據(jù)進(jìn)行學(xué)習(xí)。為了構(gòu)建我們?cè)贗mageNet上訓(xùn)練的模型中常見(jiàn)的一般技能水平，我們需要為每個(gè)新模型收集一個(gè)ImageNet大小的數(shù)據(jù)集。這是不實(shí)際的。

如果我們想要通過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練的系統(tǒng)進(jìn)行泛化，我們需要設(shè)計(jì)可以從離線(xiàn)數(shù)據(jù)集學(xué)習(xí)的智能體。我們需要這些預(yù)先存在的數(shù)據(jù)集隨著時(shí)間的推移而增長(zhǎng)，以反映世界的變化，就像ImageNet從最初的100萬(wàn)張圖像發(fā)展起來(lái)一樣。

這正在開(kāi)始發(fā)生。例如，機(jī)器人可以通過(guò)學(xué)習(xí)自己的交互數(shù)據(jù)集以及由人類(lèi)指導(dǎo)機(jī)器人手臂的演示來(lái)找出如何使用新對(duì)象作為工具。我們正在研究如何利用其他機(jī)構(gòu)的數(shù)據(jù)。例如，我們收集了來(lái)自四個(gè)機(jī)構(gòu)的七個(gè)不同機(jī)器人平臺(tái)的機(jī)器人與對(duì)象交互的數(shù)據(jù)集。

看到臨界質(zhì)量在強(qiáng)化學(xué)習(xí)中泛化的發(fā)展是令人興奮的。如果我們能掌握這些挑戰(zhàn)，我們的機(jī)器人將更接近于在現(xiàn)實(shí)世界中的智能行為，而不是在實(shí)驗(yàn)室里做看起來(lái)智能的事情。

Yann LeCun是Facebook副總裁兼首席AI科學(xué)家，也是紐約大學(xué)計(jì)算機(jī)科學(xué)教授。

為什么許多人在20個(gè)小時(shí)的練習(xí)中就能學(xué)會(huì)相當(dāng)安全地駕駛汽車(chē)，而目前的模仿學(xué)習(xí)算法需要數(shù)十萬(wàn)小時(shí)，強(qiáng)化學(xué)習(xí)算法需要數(shù)百萬(wàn)小時(shí)?很明顯我們遺漏了一些重要的東西。

看起來(lái)人類(lèi)學(xué)習(xí)效率高是因?yàn)槲覀冊(cè)诖竽X中建立了一個(gè)世界模型。人類(lèi)嬰兒幾乎不能與世界交流，但在生命的最初幾個(gè)月里，他們通過(guò)觀察吸收了大量的背景知識(shí)。很明顯，大腦的很大一部分用于理解世界的結(jié)構(gòu)和預(yù)測(cè)我們無(wú)法直接觀察到的事物，因?yàn)樗鼈冊(cè)谖磥?lái)或以其他方式隱藏著。

這表明人工智能的發(fā)展方向是我所說(shuō)的自我監(jiān)督學(xué)習(xí)。它類(lèi)似于監(jiān)督學(xué)習(xí)，但我們沒(méi)有訓(xùn)練系統(tǒng)將數(shù)據(jù)樣本映射到分類(lèi)，而是掩蓋一些樣本，讓機(jī)器預(yù)測(cè)缺失的部分。例如，我們可以屏蔽視頻的一些幀，并訓(xùn)練機(jī)器根據(jù)剩下的幀來(lái)填充空白。

這種方法最近在自然語(yǔ)言理解方面非常成功。像BERT、RoBERTa、XLNet和XLM這樣的模型都是以一種自我監(jiān)督的方式訓(xùn)練的，以預(yù)測(cè)文本中缺失的單詞。這些系統(tǒng)在所有主要的自然語(yǔ)言基準(zhǔn)測(cè)試中都有記錄。

我希望在2020年，自我監(jiān)督方法能夠?qū)W習(xí)視頻和圖像的功能。像視頻這樣的高維連續(xù)數(shù)據(jù)會(huì)發(fā)生類(lèi)似的革命嗎？

一個(gè)關(guān)鍵的挑戰(zhàn)是應(yīng)對(duì)不確定性。像BERT這樣的模型不能分辨句子中缺失的單詞是“貓”還是“狗”，但它們可以生成一個(gè)概率分布向量。對(duì)于圖像或視頻幀，我們沒(méi)有一個(gè)好的概率分布模型。但是最近的研究離我們很近，我們可能很快就會(huì)找到它。

突然之間，我們就可以用很少的訓(xùn)練樣本在視頻中得到很好的性能預(yù)測(cè)，這在以前是不可能的。這將使明年成為人工智能非常激動(dòng)人心的一年。

李開(kāi)復(fù)是Saivation Ventures董事長(zhǎng)兼首席執(zhí)行官。

人工智能已經(jīng)從發(fā)現(xiàn)時(shí)代轉(zhuǎn)移到了實(shí)現(xiàn)時(shí)代。在我們主要在中國(guó)的投資組合中，我們看到了在銀行，金融，運(yùn)輸，物流，超級(jí)市場(chǎng)，飯店，倉(cāng)庫(kù)，工廠(chǎng)，學(xué)校和藥物發(fā)現(xiàn)中使用人工智能和自動(dòng)化技術(shù)的蓬勃發(fā)展的應(yīng)用程序。

但是，從整體經(jīng)濟(jì)的角度來(lái)看，只有一小部分企業(yè)開(kāi)始使用AI。有巨大的增長(zhǎng)空間。

我相信，在人類(lèi)技術(shù)進(jìn)步的歷史上，人工智能將與電力同等重要。在未來(lái)的一兩年中，人工智能將滲透到我們的個(gè)人和企業(yè)生活中，從而提供更高的效率和更智能的體驗(yàn)?，F(xiàn)在是企業(yè)，機(jī)構(gòu)和政府充分擁抱人工智能并推動(dòng)社會(huì)前進(jìn)的時(shí)候了。

我最感興趣的是人工智能對(duì)醫(yī)療和教育的影響。這兩個(gè)部門(mén)已經(jīng)為人工智能的顛覆做好了準(zhǔn)備，可以永久部署人工智能。

我們投資了一家利用人工智能和大數(shù)據(jù)優(yōu)化供應(yīng)鏈的公司，減少了中國(guó)農(nóng)村超過(guò)1.5億人的藥物短缺。我們還資助那些結(jié)合深度學(xué)習(xí)和生成化學(xué)的藥物發(fā)現(xiàn)公司，將藥物發(fā)現(xiàn)時(shí)間縮短三到四倍。

在教育領(lǐng)域，我們看到公司開(kāi)發(fā)人工智能解決方案，以改善英語(yǔ)發(fā)音、等級(jí)考試和家庭作業(yè)，并使數(shù)學(xué)學(xué)習(xí)個(gè)性化和游戲化。這將使教師從日常工作中解放出來(lái)，并使他們有時(shí)間與未來(lái)的幾代學(xué)生建立更鼓舞人心、更有刺激性的聯(lián)系。

我希望在2020年和未來(lái)幾年看到更多聰明的企業(yè)家和企業(yè)開(kāi)始使用人工智能。

David Patterson是加州大學(xué)伯克利分校的計(jì)算機(jī)科學(xué)教授。

投入數(shù)十億美元開(kāi)發(fā)新型人工智能硬件的努力將在2020年初見(jiàn)成效。

谷歌的張量處理單元在2017年引發(fā)了一場(chǎng)金融雪崩。去年，阿里巴巴、Cerebras、Graphcore、Habana和Intel等公司都推出了專(zhuān)門(mén)的人工智能處理器，還有許多其他公司也在研發(fā)中。

這些新芯片將慢慢地進(jìn)入研究實(shí)驗(yàn)室和數(shù)據(jù)中心。我希望AI社區(qū)能夠接受其中最好的部分，推動(dòng)這個(gè)領(lǐng)域朝著更好的模型和更有價(jià)值的應(yīng)用發(fā)展。

機(jī)器學(xué)習(xí)工程師如何知道一種新發(fā)明的替代方案是否比傳統(tǒng)的cpu - gpu組合性能更好?

計(jì)算機(jī)體系結(jié)構(gòu)是按曲線(xiàn)而不是按絕對(duì)比例分級(jí)的。為了考慮不同的計(jì)算機(jī)大小，我們根據(jù)價(jià)格、功率或芯片數(shù)量來(lái)規(guī)范性能。競(jìng)爭(zhēng)對(duì)手選擇一套有代表性的方案作為基準(zhǔn)。在許多這樣的項(xiàng)目中，平均分?jǐn)?shù)比任何一個(gè)單獨(dú)的項(xiàng)目更有可能反映出真實(shí)的表現(xiàn)。

MLPerf是最近由來(lái)自50多家公司和9所大學(xué)的代表創(chuàng)建的機(jī)器學(xué)習(xí)基準(zhǔn)。它包括用于測(cè)試推理和訓(xùn)練的程序、數(shù)據(jù)集和基本規(guī)則，并指定諸如精度目標(biāo)和有效超參數(shù)值等重要細(xì)節(jié)。

新版本每三個(gè)月出現(xiàn)一次(交替推理和訓(xùn)練)，以跟上機(jī)器學(xué)習(xí)的快速發(fā)展。

并不是每個(gè)產(chǎn)品都能獲得公平的比較，所以一些營(yíng)銷(xiāo)部門(mén)可能會(huì)回避MLPerf，說(shuō)一些版本的“我們的客戶(hù)不關(guān)心MLPerf中的程序”。但不要被愚弄。首先，MLPerf歡迎新程序，因此如果給定的工作負(fù)載不在MLPerf中，可以添加它。第二，競(jìng)爭(zhēng)者檢查MLPerf結(jié)果的公平性，以確保進(jìn)行蘋(píng)果與蘋(píng)果的比較。

Richard Socher是Salesforce的首席科學(xué)家。

在互聯(lián)網(wǎng)時(shí)代，無(wú)知是一種選擇。實(shí)際上，只要在搜索框中輸入幾個(gè)字，就可以獲得人類(lèi)所有的知識(shí)。

但是處理大量的事實(shí)、觀點(diǎn)和觀點(diǎn)仍然是一個(gè)挑戰(zhàn)。在你閱讀一份冗長(zhǎng)的文檔之前，很難知道你會(huì)找到什么信息，而且很難知道某個(gè)特定的陳述是否正確。

自動(dòng)摘要可以很好地解決這些問(wèn)題。這是自然語(yǔ)言處理中最重要但卻最難解決的任務(wù)之一。到2020年，總結(jié)將邁出重要的一步，改進(jìn)將改變我們消費(fèi)信息的方式。

Salesforce的研究團(tuán)隊(duì)最近仔細(xì)研究了這個(gè)領(lǐng)域，并發(fā)表了一篇評(píng)估當(dāng)前方法優(yōu)缺點(diǎn)的論文。我們發(fā)現(xiàn)用于訓(xùn)練摘要器的數(shù)據(jù)集存在嚴(yán)重缺陷。用來(lái)衡量他們表現(xiàn)的標(biāo)準(zhǔn)存在嚴(yán)重缺陷。因此，得到的模型存在嚴(yán)重缺陷。

我們正致力于解決這些問(wèn)題。例如，研究人員使用胭脂評(píng)分(ROUGE score)來(lái)評(píng)估摘要性能，胭脂評(píng)分衡量源文檔、自動(dòng)摘要和人工編寫(xiě)的摘要之間的單詞重疊情況。

事實(shí)證明，基于神經(jīng)網(wǎng)絡(luò)的摘要器可能會(huì)出錯(cuò)，但仍然可以獲得較高的胭脂分?jǐn)?shù)。例如，一個(gè)模型可以混淆罪犯和受害者的名字。ROUGE度量的是這些名稱(chēng)同時(shí)出現(xiàn)在生成的和人工生成的摘要中，而沒(méi)有考慮到錯(cuò)誤。

我們引入了一個(gè)模型，該模型可以方便地檢查源文檔和摘要之間的事實(shí)一致性。我們還提出了一個(gè)度量來(lái)評(píng)估摘要的事實(shí)一致性。除了胭脂之外，根據(jù)這個(gè)指標(biāo)對(duì)摘要進(jìn)行排序?qū)⒂兄谘芯咳藛T開(kāi)發(fā)更好的模型，并將加速其他領(lǐng)域的進(jìn)展，例如在整個(gè)長(zhǎng)摘要中保持邏輯一致性。

這種發(fā)展給了我信心，2020年將是總結(jié)的好時(shí)機(jī)，也是NLP的好時(shí)機(jī)。我期待在未來(lái)一年里看到的進(jìn)步，不僅將幫助人們應(yīng)對(duì)源源不斷的新信息，也將幫助人們擁抱人工智能的巨大潛力，讓世界變得更美好。

Dawn Song是Oasis Labs的首席執(zhí)行官兼聯(lián)合創(chuàng)始人，也是加州大學(xué)伯克利分校的計(jì)算機(jī)科學(xué)和電氣工程教授。

數(shù)據(jù)集對(duì)人工智能和機(jī)器學(xué)習(xí)至關(guān)重要，它們正成為經(jīng)濟(jì)的關(guān)鍵驅(qū)動(dòng)力。敏感數(shù)據(jù)的收集正在迅速增加，幾乎涵蓋了人們生活的方方面面。以目前的形式，這種數(shù)據(jù)收集將個(gè)人和企業(yè)置于風(fēng)險(xiǎn)之中。我希望2020年是我們?yōu)樨?fù)責(zé)任的數(shù)據(jù)經(jīng)濟(jì)奠定基礎(chǔ)的一年。

今天，用戶(hù)幾乎無(wú)法控制他們生成的數(shù)據(jù)如何被使用。所有類(lèi)型的數(shù)據(jù)被共享和出售，包括細(xì)粒度的位置、醫(yī)療處方、基因序列和DMV注冊(cè)。這種行為往往會(huì)危及個(gè)人隱私，有時(shí)甚至?xí)＜皣?guó)家安全。隨著人們?cè)絹?lái)越意識(shí)到這些問(wèn)題，他們對(duì)所使用的服務(wù)失去了信任。

與此同時(shí)，企業(yè)和研究人員在利用數(shù)據(jù)方面面臨諸多挑戰(zhàn)。首先，大規(guī)模數(shù)據(jù)泄露繼續(xù)困擾著企業(yè)。其次，隨著歐洲的《通用數(shù)據(jù)保護(hù)條例》、加州的《消費(fèi)者隱私法》以及類(lèi)似的法律的出臺(tái)，企業(yè)遵守隱私法規(guī)變得越來(lái)越困難，成本也越來(lái)越高。第三，有價(jià)值的數(shù)據(jù)被筒倉(cāng)化，阻礙了技術(shù)進(jìn)步。例如，機(jī)器學(xué)習(xí)機(jī)構(gòu)之間更容易地使用醫(yī)療數(shù)據(jù)可能會(huì)改善每個(gè)人的醫(yī)療保健。

將這個(gè)破碎的系統(tǒng)轉(zhuǎn)變?yōu)樨?fù)責(zé)任的數(shù)據(jù)經(jīng)濟(jì)需要?jiǎng)?chuàng)建新的技術(shù)、法規(guī)和業(yè)務(wù)模型。它們的目標(biāo)應(yīng)該是通過(guò)安全計(jì)算、審計(jì)能力和維護(hù)數(shù)據(jù)隱私的機(jī)器學(xué)習(xí)，為數(shù)據(jù)所有者(個(gè)人和企業(yè))提供可靠的保護(hù)和控制。安全計(jì)算可以通過(guò)安全硬件(如Intel SGX和Keystone Enclave)和加密技術(shù)來(lái)提供。這些計(jì)算可以通過(guò)將加密的存儲(chǔ)和計(jì)算綁定到一個(gè)分布式賬本上進(jìn)行審核。

機(jī)器學(xué)習(xí)方面仍面臨更大的挑戰(zhàn)。到2020年，我們可以擴(kuò)展目前在差異私有數(shù)據(jù)分析和機(jī)器學(xué)習(xí)方面的努力，構(gòu)建可伸縮的系統(tǒng)，用于實(shí)際部署大型異構(gòu)數(shù)據(jù)集。對(duì)于某些用例，進(jìn)一步研究和部署聯(lián)合學(xué)習(xí)也很重要。最后，在從有限且有噪聲的數(shù)據(jù)中進(jìn)行健壯學(xué)習(xí)方面的進(jìn)步，可能有助于在不損害隱私的情況下實(shí)現(xiàn)ML用例的長(zhǎng)尾。

我們正在Oasis實(shí)驗(yàn)室構(gòu)建這一愿景的一部分，但還有更多的工作要做。我希望今年，技術(shù)專(zhuān)家、企業(yè)、監(jiān)管機(jī)構(gòu)和人工智能社區(qū)將與我們一起為一個(gè)真正負(fù)責(zé)任的數(shù)據(jù)經(jīng)濟(jì)奠定基礎(chǔ)。

周志華，南京大學(xué)計(jì)算機(jī)科學(xué)與人工智能教授。

我對(duì)2020年有三個(gè)希望：

• 希望能夠出現(xiàn)深度神經(jīng)網(wǎng)絡(luò)以外的高級(jí)機(jī)器學(xué)習(xí)技術(shù)。神經(jīng)網(wǎng)絡(luò)已經(jīng)被許多研究人員，工程師和從業(yè)人員研究并應(yīng)用了很長(zhǎng)時(shí)間。其他機(jī)器學(xué)習(xí)技術(shù)為技術(shù)創(chuàng)新提供了相對(duì)未開(kāi)發(fā)的空間。

• 希望AI可以涉足更多領(lǐng)域，為人們的日常生活帶來(lái)更多積極的變化。

• 希望對(duì)AI研究人員，工程師和從業(yè)人員為防止AI技術(shù)的錯(cuò)誤開(kāi)發(fā)或?yàn)E用而必須采取的措施進(jìn)行更多的思考和討論。