加入雷锋网，分享AI时代的信息红利，与智能未来同行。听说牛人都点了这里。
雷锋网按：本文作者 Carlos E. Perez ，他来自机器学习技术公司 Intuition Machine，主要研究深度学习类型、方法论、以及行业战略。 发布于 Medium 的这篇文章主要对 2017 年深度学习的十大趋势做出了预测，雷锋网编译，未经许可不得转载。
作为一名人工智能领域里的圈内人士，上次写科技预测要追溯到 6 年前了，当时我写了一篇“2011 软件开发趋势及预测”的文章，文中对行业做了十点预测，其中六个预测准确，分别是 Javascript VM、 NoSQL、大数据分析、私有云、反向桌面服务、Scala；四个略有偏差，分别是企业应用商店，语义索引、企业级OA授权、前瞻性代理。现在，我打算再来预测一下深度学习行业。
不过，这次预测和以往的不太一样，我不打算进行企业级应用预测，而是把重点放在了趋势研究和预测。毫无疑问，深度学习将会驱动越来越多的企业采用人工智能技术，对于那些“老土”的企业，未来很可能会被淘汰。好了，废话不多说，现在就来介绍一下我对 2017 年深度学习领域的预测和趋势分析吧！
一、 硬件将会以摩尔定律的两倍速度发展
如果你了解英伟达和英特尔这两家公司的硬件发展速度，就不会对摩尔定律的速度提升一倍感到意外了。在深度学习领域里，英伟达将会占据绝对统治地位，因为他们已经构建了最丰富的生态系统。没有人会傻到跳去选择其他不成熟的深度学习生态系统，预计到 2017 年中旬，英特尔 Xeon Phi 才有可能在性能上赶超英伟达，不过距离投放市场依然有距离。
另一方面，虽然英特尔 FPGA 解决方案可能会受到云技术提供商的青睐，但更多的是处于经济实惠的角度。如果想要减少成本，那么功耗是必须要改变一个要素，到明年中旬，英特尔的 Nervana 芯片预计可以达到 30 万亿次的浮点运算能力——这是我依照推测的估算，因为现在英伟达已经开发出了具备 20 万亿次浮点运算能力的处理芯片，我不相信英特尔会“憋”到 2018 年才放大招。此外，英特尔现在手头上唯一的大王牌可能是他们的 3D XPoint 技术，该技术可以改善整个硬件堆栈，但是在核心加速能力上相比于 AMD 使用的 HBM2 显存似乎略有欠缺。
亚马逊公司也宣布推出了基于现场可编程门阵列（FPGA）的云计算架构，它基于赛灵思公司 UltraScale+ 技术，并提供了 6800 个数字信号处理器和 64 GB 内存，这种配置的确非常强大，但是由于受到 I/O 束缚，可能也无法与 AMD 的 HBM 显存的性能想必你。虽然相比于英伟达、英特尔和 AMD 这样的厂商，亚马逊公司提供了更低的内存带宽解决方案，但是对于开发人员而言，可能会考虑下是否需要投入更多复杂开发流程（比如硬件描述语言 VHDL、Verlog等）
我所了解的最新消息是，AMD 已经发布全新一代Vega架构产品，但它不是消费级显卡，而是一款高性能计算加速卡“Radeon Instinct”，主要用于机器学习和深度学习，而且专门为了和英伟达旗下的硬件产品竞争。有消息称，这款产品预计会在明年年初正式上市，不过在 AMD 能够提供配套的软件解决方案之前，不要期待太多英伟达用户会“转投”到 AMD 的怀抱。
二、卷积神经网络（CNN）将占主导地位
对于深度学习系统而言，卷积神经网络将会成为标配，就像面包离不开黄油一样。递归神经网络和长短记忆型递归神经网络周期性的配置，以及嵌入到内存节点都会逐渐被越来越少使用，因为他们和基于卷积神经网络技术的解决方案相比没有任何竞争力。就像现在人们编程时，没有人会使用 GOTO 语句一样，我认为，递归神经网络（RNN）和长短记忆型递归神经网络（LSTM）的“下场”也一样。
可区分的记忆网络也将会变得越来越常见。这是一个自然选择的结果（或是架构），内存将会从核心节点上提取出来，在计算机制内只是作为一个单独的组成部分驻留。我们已经看到了模块化的长短记忆型递归神经网络从内存中分离（比如增强现实递归神经网络）。
三、设计师将会越来越依赖于“元学习”
当我开始自己的深度学习之旅时，曾想过优化算法，特别是想去改进那些二阶优化算法。可如今，几乎可以断定的说，机器学习已经可以学习为你优化算法了。如果现在还有人尝试使用一个更好版本的随机梯度下降（SGD）算法的话，基本上可以不用自己写代码了。随机梯度下降算法可以通过机器学习来变得更好，而且可以解决某个特定问题。元学习会根据自身所处领域，适应性地优化学习。与此相关的是，替代算法的反向传播将开始出现在实践中。我的预测是，明年随机梯度下降算法可能要寿终正寝了。
四、强化学习只会变得更有创意
对现实的观察永远是不完美的，当随机梯度下降算法不再适用之后，也同样会带来大量问题。未来，实际部署任何深度学习系统的时候，都需要一定形式的强化学习，这可能会成为一个必不可少的流程。除此之外，我们会看到强制学习将会越来越多地用于深度学习训练之中。举个例子，元学习将会得到强制学习的支持，事实上，我们已经看到了强制学习被用于寻找不同类型的神经网络结构。
五、对抗和协作学习将会成为主流
在过去，我们拥有的是单一深度学习系统，它只有单一解析目标的功能。而在未来，我希望看到两个或是多个神经网络合作（或竞争），最终找到一个最优的解决方案。在此，我推荐一篇论文——《Game Theory reveals the future of Deep Learning》。2017 年，将会有更多人研究如何管理非平衡状态的语境。实际上，现在我们已经看到了一些相关研究，比如研究人员正在使用生成式对抗网络(GAN)尝试寻找处理非平衡状态的方法。
六、预测学习或无监督学习？可能进步不大
“预测学习”（predictive learning）是人工智能大咖 Yann LeCun 提出的一个最新热门词，基本上已经取代了之前我们常见的人工智能术语“无监督学习”。当然啦，现在我们还不清楚这个最新术语是否能够被更广泛地应用，虽然这问题很难在 2017 年就获得答案，但我可以断言“预测学习”不会取得太大进步。我现在的感觉是，这个技术过于复杂，因此存在很多概念上的断链，人们也不知道它究竟是如何工作的。
如果你读过我之前发表的文章《深度学习智能的五大能力》，可能会觉得预测学习完全是一种让人无法感知到的技术能力，它就像是宇宙中的暗物质似的，虽然我们都知道它的存在，但就是不知道该如何观察到它。
七、迁移学习会导致产业化
吴恩达认为这很重要，我也持同样的观点。雷锋网了解到，吴恩达曾拿百度 NLP 团队的研究成果举例，认为如果同时学习多个语言对之间的翻译，效果会比同时学习一个语言对的效果好。
八、越来越多的应用程序将会把深度学习作为组件
实际上，今年我们就已经看到这一趋势了，比如在大规模搜索算法中就被用于函数评估组件。谷歌的“阿法狗”在走棋估值和策略评估之中就采用了深度学习技术，Gmail 的自动回复系统也采用了机器学习技术和定向搜索服务结合在一起。明年，相比于全新的端到端训练深度学习系统，我更希望能看到更多混合算法出现。端到端深度学习是一个很有前景的研究领域，但就目前应用层面来看，混合系统似乎更有效率。
九、设计模式会被更多地采纳
深度学习只是众多需要概念架构的复杂领域中的一个，虽然它涉及到高等数学，也有大量文字叙述和模糊的概念（这些概念也难以通过正规、严谨的方法来获取），但我们必须承认，一些深度学习设计模型已经在某些复杂的行业领域里，比如软件开发得到了很好的使用。我预测，会有更多行业从业者能够接受深度学习和设计模式。
十、工程将比理论更受重视
当研究人员尝试探索研究方法时，自身的背景和他们所使用的数学工具可能会带来一些“偏见”，导致最终生成的结果不够客观，但是深度学习系统和无监督学习系统可能不会遇到这些问题。就目前来说，没有证据表明传统的分析工具对揭开深度学习如何工作有什么帮助，相同的问题也出现在其他领域里，比如物理学对于动态系统如何工作也困惑了好几十年，同样的状况也出现在动态学习系统里。
不过，虽然对很多基本原理缺乏深刻理解，但这并不妨碍我们去尝试更多、更高级的应用工程。深度学习就像是生物科技或是基因工程，我们已经创造出了模拟学习的机器，但是我们还不知道它是如何工作的，然而这并不妨碍我们进行创新。
最后想说的是，我会在明年这个时候来看看自己的预测结果如何，所以祝我好运吧！
VIA medium
