如果要選擇一本 2017 年最紅、提到頻率最高的書，那一定是《人類大歷史》。
在這本書中，尤瓦爾‧哈拉瑞 說：
人類將把工作和決策權交給機器和演算法完成，大部分人將淪為無用階級。只有少數精英才能真正享受這些新技術的成果，用智慧設計完成進化、編輯自己的基因，最終與機器融為一體，統治全人類。
這樣的描述對大多數人來說肯定是恐怖的，但更恐怖的是成功預測了 2017 年科技領域的走向。過去的一年，人工智慧基於前兩年的沉澱，愈加火熱──演算法突破、算力增強，在醫療、金融、教育等傳統行業開疆拓土，讓每個行業都開始探尋應用人工智慧的機會，讓智慧機器承擔更多人類的工作。雖然現在機器的能力還比較粗淺，沒有完全讓尤瓦爾‧赫拉利「得逞」，但毫無疑問，AI 正走在這條路上。
2018 年來了，人工智慧還繼續火熱嗎？有很多調查機構、媒體、商業領袖、科技專家都給了一些答案，以下整理了一些觀點，從技術、應用、人才 3 個方面歸納總結，讓你讀懂未來。
技術：雲端 AI 競賽、機器學習自動化
毫無疑問，這場火熱的技術革命，本質上來自對技術主義的崇尚，新年到來，人們對 AI 技術本身的發展，也普遍顯得樂觀。
KDnuggets 最近向大數據、人工智慧、機器學習領域一些頂級專家發問，Curai 聯合創始人／CTO，曾任職 Quora 技術總監和 Netflix 研究／技術主管的 Xavier Amatriin 認為，AI 最激烈的戰場是在雲端，大小玩家都在各自雲端加緊部署 AI，典型的例子如亞馬遜最近推出構建和部署 ML 模型的 Sagemaker，Nvidia 推出訓練深度學習模型的 GPU 雲端。來自華盛頓大學計算機科學與工程系的教授 Pedro Domingos 也表達同樣的意思，他認為 Google、亞馬遜、微軟和 IBM 之間的雲端 AI 競賽將愈演愈烈。
雲端 AI 競賽之外，受關注的是機器學習。
一方面，對大多數難以解釋的機器學習模型來說，2018 年或許有機會讓我們看得更清楚，尤其隨著深度學習模型在醫療、法律、金融方面的應用，也必然要求其原理夠透明。諾丁漢特倫特大學科學與技術學院的高級講師 Georgina Cosma 認為，模型提出的預測必須值得我們信賴，特別是這些預測結果會被人類用來做決定的時候。在另外一篇預測文章，來自梅奧醫學中心放射科的顧問 Bradley J. Erickson 博士也認為，新技術會幫助研究者減少對深度學習成為「黑盒子」的擔心，讓我們更了解深度學習內部。
另一方面，BWDISRUPT 近日發表的一篇預測文章則認為，「2018 年最大和最重要的趨勢就是機器學習將從手工操作轉變為系統化和自動化」。同時，深度學習將繼續成為 2018 年最重要的機器學習技術。到目前為止，它在圖像和影片分析、自然語言處理方面取得最大的成功，但隨著技術商品化，將在越來越多應用領域取得進展。
此外，在機器學習內部，還有一個令人驚喜的趨勢是中心學習（mata-learning）的發展，Google 研究科學家，加拿大高級研究機構機器學習和大腦計畫副主任 Hugo Larochelle 認為，中心學習是總稱，能解決如何從若干例子發現學習演算法的問題，研究者開始使用深度時間卷積網路、圖形神經網路進行一些元學習研究，未來該方法將被更多用於主動學習、冷啟動項目推薦、少數分布預測、強化學習、分層 RL、模仿學習等。
應用：醫療、虛擬助手、自動駕駛
富比士的預測更偏向宏觀和應用層面，認為 2018 年，人工智慧和機器學習依然會霸占頭條，而機器人則會霸占更多人類的工作。2017 年，很多巨頭和創業公司在 AI 嘗到甜頭，因此將會投入更多，同時也會吸引更多企業「染指」AI，當然這將帶來很多未經驗證的技術和應用，導致風險上升。
具體應用領域，富比士認為，「人工智慧正在以病人無法察覺的方式進入醫療領域」，比如機器視覺應用在醫學影像、電子病歷等，同時會看到康復機器人開始出現在病患家中，幫助病人康復。
此外，富比士還認為，人與機器的互動將全面轉向語音，在自然語言生成和自然語言處理演算法不斷進步下，機器更能理解人類意圖，並用人類可理解的方式交談。Nvidia 高階研究科學家 Alejandro Troccoli 也表示，人工智慧個人助理將變得更智慧，更了解「主人」，能知道廚房有什麼東西，習慣週幾做飯，甚至回家前就下單備好食材。
麻省總醫院與布列根和婦女醫院臨床數據科學執行主任 Mark Mivhalski 認為，2018 年是人工智慧從演算法走向產品的一年，概念將變成真實存在的解決方案，並能為醫生所用。俄亥俄州立大學 Wexler 醫學中心的放射學博士 Luciano Prevedello 則認為，從 2018 年開始，人工智慧將開始融入臨床系統，成為醫療常規系統。
此外，Orange Silicon Valley 首席執行長 Georges Nahon 預測，得益於生物辨識技術，未來生物辨識技術將取代信用卡、駕照和條碼，改變安全驗證的方式，並徹底改變零售業。
自動駕駛方面，百度先前宣布將在 2018 年達成無人車量產，該量產車為百度與金龍客車合作的無人駕駛巴士，進而將中國無人車量產的時間線提前了兩年。此外，通用等傳統車廠也將陸續量產無人車。
人才：巨大缺口、跨界流動
工作被人工智慧取代的「恐慌」中，其實無法掩蓋科技行業人工智慧人才的大量缺口，即便薪水已高到令人咋舌。根據騰訊和 BOSS 直聘發表的《全球人工智能人才白皮書》顯示，全球 AI 人才約 30 萬，以 1：2 的比例分散在學術界和產業界，而市場需求為百萬。
根據《好奇心日報》採訪 Michael Page（中國）區域總監陳慧潔的報導，AI 領域的薪酬屬於金字塔頂端 1% 水準，同時還外加股權激勵及全球入職的自由度。
AI 的發展，一方面取代某些工作，另一方面也製造了很多工作，但非常明顯，他們不是同一類人。人才的稀缺及高薪刺激，將吸引其他專業的人才跨界流動，例如數學、物理、神經科學的畢業生，或許都能在 AI 企業找到合適的工作。
整體來看，各大媒體、調查機構、專業人士對 2018 年都充滿樂觀，但也有些人指出，在人工智慧發展同時，數據安全、生物特徵安全卻極少被提及，在熱鬧中被掩蓋。關於數據的立法、道德是急需探討的問題，或許也應該在新的一年，讓大眾重視這點。
Reference: https://technews.tw/2018/01/04/2018-ai-goes-to/
圖、2018年十大人工智慧趨勢及議題
人工智慧（AI；Artificial Intelligence）成為企業及各國家爭奪的技術，願意投入時間、資金和精力推進AI技術。根據麥肯錫(McKinsey)公司最近的一份報告，谷歌的母公司Alphabet在開發AI技術方面投入了大約300億美元。去年(2017)百度投入AI研發200億美元。
根據Entrepreneur Network報導2018年十大AI趨勢及議題，如下：
- AI將成為一個政治話題 (AI will become a political talking point)
雖然AI可能有助於創造就業機會，但也會導致一些工作流失。例如，高盛(Goldman Sachs)預計自動駕駛汽車將導致每月有2.5萬名卡車司機將失去工作。還有，大型倉儲業可能僅幾十人就可以操作，因此目前美國倉庫工作的100萬採購員和包裝工人將面臨許多人失業。
川普政府的政治話題，將由2016年大選期間之全球化和移民問題作為美國失業原因，但在2018年中期選舉中，敘述可能與自動化和人工智慧有關，因為更多工人階級的美國人須面臨努力適應未來工作的新挑戰。
- 物流將變得越來越高效率 (Logistics will become increasingly efficient)
未來的倉庫的樣貌將改變，不專為容納包裝工人而設計，而為能夠24小時工作並且不需要照明的高性能機器人而設計。就像現在亞馬遜(Amazon)以7.75億美元收購機器人公司Kiva Systems而建構的物流倉庫系統，使用人工智慧和先進機器人技術的組合，為大型零售商提供前所未有的物流解決方案。
- 主流汽車製造商將推出自動駕駛車 (Mainstream auto manufacturers will launch self-driving cars)
特斯拉(Tesla)是第一批推出自動駕駛車的汽車製造商。為了跟上特斯拉的腳步，奧迪(Audi)等傳統汽車製造商準備在2018年發布自己的自動駕駛車。奧迪A8將採用自動駕駛技術，無需駕駛員輸入即可安全運輸人類。凱迪拉克(Cadillac)和沃爾沃(Volvo)也在開發先進的自動駕駛技術，這在2018年將會越來越顯見。
- DARPA將會開發先進的機器人戰士 (DARPA will develop advanced robo-warriors in plain sight)
美國國防部高級研究計劃局（DARPA）開創了多項技術突破，影響了我們的日常生活。包括：開發互聯網及全球定位系統技術等。目前，DARPA正在與波士頓動力公司(Boston Dynamics)合作開發了一系列名為「災難救援」機器人Atlas，既可用於國防軍事，也可用於救災行動。
- 機器學習將有助於人類知識學習 (Machine learning will aid knowledge workers)
擔心AI會讓人類失去工作，但AI技術也將幫助勞動者，特別是知識學習。例如：AI工具Gong、Chorus及Jog這類機器人就可以記錄銷售代表和電話並回答客戶的疑問。Mint Solar營運副總裁Carrie Christensen解釋說：這項機器學習算法技術可以幫助面對客戶的服務人員更有效地回答問題。預計2018年以後AI將幫助白領工作者。
- 新聞內容生產將利用AI 產生(Content will be created using AI)
美國廣播公司CBS及Hearst已經在使用AI技術來撰寫新聞內容。例如，Wibbitz提供軟體即服務（SaaS）平台，允許發布者透過AI視頻製作將書面內容幾分鐘內轉化為引人注目的視頻內容。還有，美聯社（the Associated Press）使用一款由Automated Insights創建名為Wordsmith的工具，它透過數據分析將自然語言轉換成新聞報導。預計在2018年，還會有更多的媒體公司使用自然語言轉換和視頻生成技術。
- 點對點(Peer-to-peer)網路提高透明度 (Peer-to-peer networks will create transparency)
機器學習是人工智慧的一種形式，例如Facebook已經使用數據建模來幫助機器選擇下一步該幹什麼，做出明智的選擇。隨著點對點對等網路的興起，就像加密貨幣一樣，即使一些小型組織也能夠透過利用先進的AI技術，加強個人電腦的集體運算力量。
雖然Google控制將近80％的搜索市場，但很少有人完全理解Google如何確定向特定消費者展示的內容。Presearch公司利用點對點網路和人工智慧為搜索引擎世界帶來透明度。Presearch計劃使用加密貨幣來激勵參與者為他們提供個人電腦的運算能力。作為回報，該公司承諾建立一個更加透明的搜索引擎平台。該新創公司已經籌集了500萬美元的資金，而且他們和其他組織可能會使用AI和點對點網路來挑戰大型組織。
- 消費者將習慣於與技術交流 (Consumers will become accustomed to talking with technology)
亞馬遜智慧喇叭已售出逾2000萬台，還有谷歌家庭Google Home和蘋果HomePod，人類將習慣透過語音指令與AI技術進行交流。預計2018年，隨著智慧助理融入電腦、智慧型手機甚至電視機，消費者將更加習慣使用基於語音的界面。
- 對數據科學家的需求將超過對工程師的需求 (Demand for data scientists will surpass demand for engineers)
IBM預測，至2020年市場對數據科學家的需求將會達到270萬人。機器學習AI使用機率來確定問題的正確答案或決策。隨著更多的數據提供給機器學習平台，就更能做出接近準確的預報。
- AI將有助於戰勝重大疾病 (AI will fight challenging diseases)
藉由點對點網路技術時代，透過收集、分析人類的分子數據，有助於解決醫療及健康的議題。例如：Nano Vision公司。藉由區塊鏈和AI該兩項技術，用戶透過特殊的Nano加密貨幣參與計劃而獲得獎勵，並利用機器學習技術進行辨識和分析疾病，僅需小部分時間和成本就可達成新藥物治療。(1466字；圖1)
參考資料：
10 Artificial Intelligence Trends to Watch in 2018. Entrepreneur Network, 2018/1/18.
Artificial Intelligence Trends To Watch In 2018, McKensey, June, 2017.
Reference: http://iknow.stpi.narl.org.tw/Post/Read.aspx?PostID=14219
留言列表
