来源：stateofai
编辑：大明、小芹、鹏飞、金磊
【新智元导读】
剑桥2019年度《AI全景报告》出炉，全方位总结过去一年来AI领域的研究成果与突破、人才形势、产业动态、政府政策，并作出未来预测。今年的报告额外关注中国，专门新设一章，介绍中国的AI技术、企业和应用的迅猛发展。
2019年即将过去一半，剑桥大学的两位研究人员近日推出了本年度的State AI 2019全景报告。
本报告基本沿袭去年的大体框架，从
产业、人才、政策、预测等
方面对过去一年来AI领域的技术的新进步、产业格局的新变化、政府政策的新特点等方面进行了总结，并作出关于未来的预测。
报告地址：
https://www.slideshare.net/StateofAIReport/state-of-ai-report-2019-151804430
值得一提的是，与去年不同的是，
2019年的报告为中国单列一章，介绍中国AI技术在日常消费、机器人、半导体等领域的进步。
本文重点对报告中的AI研究、AI人才以及中国三部分内容作出介绍。
强化学习开疆扩土：
在多项竞技性游戏中击败人类
目前已经被AI统治的游戏包括
《蒙特祖玛的复仇》、《星际争霸2》、《雷神之锤3》
，在DOTA2上游戏水平实现大幅进步。未来的游戏AI可能让人类更加遥不可及了。
未来，研究人员有望利用强化学习
训练单个机器人来完成多个复杂任务，
无需针对每个任务进行专门的再学习。
基于好奇心机制的探索：
在奖励稀疏或无奖励机制的条件下，智能体可以依赖“好奇心”解决问题。
面向在线计划学习动态模型：
模型可从图像中快速学习环境动态信息，准确预测数个时间段后的奖励。
研究成果逐步进入实际生产环境：
在众多机器学习框架和工具的支持下，Facebook发布的开源端对端平台Horizon，推进大规模生产环境下的系统优化，如信息联想、视频流质量、通知服务优化等。
生命科学中的新突破：AlphaFold精准预测蛋白质的折叠结构
NLP大丰收：
预训练语言模型大展身手
新的预训练模型不断涌现，各大数据集新纪录常看常新。
Google AI的BERT, 、Transformer，艾伦研究所的ELMo、OpenAI的Transformer、 Ruder和Howard的 ULMFiT、微软的MT-DNN等争奇斗艳。
神经机器翻译：无需双向文本
自然语言模型学会常识推理
对机器学习领域的数据隐私和保护越来越重视
医学领域大展身手,诊断堪比人类专家
诊断眼疾
使用两个阶段机器学习方法，AI模型给出了专家级的眼疾诊断和治疗参考建议
利用心电图检测心律不齐，达到人类医生水平
超过60万的X光片数据集已经被分享出来，但远远不够
-
用于成像诊断的深度学习模型可以很好地拟合数据集，但是它们难以推广到新的数据分布。尽管改进了这个新数据集的文档，但标签定义很浅
-
使用医生笔记中的NLP提取标签存在挑战：容易出错且容易受到影响。放射学报告中包含的信息不足，大多数标签类别的错误率为5-15％
-
大量重复扫描，其中70％的扫描来自30％的患者。这减少了数据集的有效大小及其多样性，影响训练模型的普适性
研究人员从听觉皮层的神经活动中重建语音
-
哥伦比亚大学的研究人员使用侵入性脑电图来测量5名接受癫痫治疗的患者在连续收听语音时的神经活动
-
反过来使研究人员能够通过大脑活动的声码器合成语音。通过声码器测试单个数字“口语”时，系统的准确度达到75％。与基线线性回归方法相比，深度方法将语音的可懂度提高了65％
-
该研究表明，大脑计算机界面有可能恢复瘫痪患者的沟通
使用蒙特卡罗树搜索神经网络通过训练1240万个反应来解决逆向合成
一个由三个NN（3N-MCTS）构建的系统：
这种方法比最先进的计算机辅助综合计划快得多。实际上，3N-MCTS解决了超过80％的分子测试集，每个目标分子的时间限制为5秒。
相比之下，一种称为最佳第一搜索的方法，其中通过神经网络学习函数可以解决40％的测试集。使用手动编码启发式功能设计的最佳首次搜索执行最差：它在5秒内解决了0％。
共同优化超参数，最大化网络性能，同时最小化复杂性和大小
-
之前的AutoML工作使用RL单独优化超参数或网络架构。遗憾的是，RL系统要求用户事先为算法定义适当的搜索空间以用作起点，可以针对每个层优化的超参数的数量也是有限的
-
此外，计算非常繁重。为了生成最终的最佳网络，必须对数千个候选架构进行评估和训练，这需要大约100k GPU小时
-
另一种选择（Learning Evolutionary AI Framework：LEAF）是使用进化算法进行超参数和网络架构优化，最终产生更小，更有效的网络
-
例如，LEAF与手工制作的数据集特定网络（CheXNet）的性能相匹配，用于胸部X射线诊断分类，并且优于Google的AutoML
AutoML：使用真实的设备性能反馈设计资源受限的网络
基于CNN的自动化架构搜索的步伐正在加快：
Facebook与谷歌的竞争加剧
-
谷歌展示了一种基于RL的多目标方法（MnasNet），可以在Google Pixel平台上测量具有低实际推理延迟的高精度CNN模型。该系统在Pixel手机上达到74.0％的Top-1精度，延迟为76ms，比MobileNetV2快1.5倍
-
Facebook提出了一种可区分的神经架构搜索（DNAS）框架，该框架使用基于梯度的方法在分层搜索空间上优化CNN架构。FBNet-B实现了与MnasNet相同的Top-1精度，但延迟仅为23.1ms，搜索成本降低了420倍
GAN的最新技术水平在不断发展：从颗粒到GANgsta
较大的模型和大批量训练进一步提高了使用GAN生成的图像的质量
通过将面部与口语相匹配（左），电影只需设置一次，即可以不同语言生成相同的视频。
下一步是从头到脚生成整个身体，目前用于零售目的（右）
在图像和视频操作之后出现逼真的语音合成
模型输出10个不同类别（如汽车、摩托车、行人、交通锥等）的3D边界框，类特定属性（如汽车是否正在行驶或停车）并提供当前速度矢量。
AI人才：五大国雇佣了72% 专家，论文引用率只有中国增长
人才方面，以研究论文的产出衡量，
谷歌
是最具生产力的一个组织。上图为在人工智能顶会NeurIPS 2018上，谷歌发表的论文最多，其次是
MIT、斯坦福、CMU和加州大学伯克利分校
。
在NeurIPS、ICML或ICLR上发表论文的4000名研究人员中，
88%是男性
。
大型科技公司高级工程师的
年薪接近100万美元
。
另一方面，
数据标签
工作也有了巨大的增长，尤其是在中国。这类工作的最低工资可低至每小时10元人民币。
神经网络的先驱、Yann LeCun、Geoffrey Hinton和Yoshua Bengio获得了
图灵奖
，这是计算机科学的最高奖项。
欧洲发表的AI论文最多，但
在平均引文率这个指标上，只有中国是增长的
。
该领域论文的数量整体是增长的，不同地区论文的平均被引量表明，只有来自中国的论文变得更有影响力了。
美国作者发表的论文被引用的次数比全球平均水平高出83%
。
MIT在计算与人工智能领域新增10亿美元投资。在3.5亿美元捐赠的支持下，MIT新的计算学院将把MIT重新定位为向所有研究领域注入AI教育，提供了50个新的教职，使MIT在该领域的学术能力翻了一番。
大学里人工智能相关课程的注册人数也在增长，中国的增长尤其快。
与2012年相比，
清华大学和斯坦福大学的人工智能课程注册人数分别增加了近16倍和5倍。
但人工智能课程中教授和学生的性别多样性仍远未达到平等。平均而言，80%教AI的教授是男性，75%的学AI的本科生是男生。
这造成的一个结果是，在美国，申请AI方面职位的人中71%是男性。
Element.AI 2019年进行的一项AI人才调查显示：
同样是Element.AI，从AI人才流入和流出来看，加拿大、英国和瑞士都是“平台国家”，既吸引外国人才，又输出本土培养的人才。
