幾乎每個新的一天都會在人工智能領(lǐng)域帶來令人振奮的消息。但是這些新聞推動了哪些更大的方向趨勢？除了公告和宣傳之外，AI真的在發(fā)展嗎？

在本文中，我不想將重點放在遙遠，模糊的關(guān)于AI的希望和愿望上，而是集中在不那么遙遠的未來中的一些具體發(fā)展。下文概述的趨勢已經(jīng)開始以現(xiàn)實世界的研究和應用形式出現(xiàn)。這些工作領(lǐng)域代表了一些主題，我相信這些主題將在AI關(guān)鍵開發(fā)的未來時間表中記錄為有意義的突破。

AI社區(qū)早就知道，我們最成功的方法（例如深度學習）在數(shù)學和計算上都很復雜。將這些方法與當前技術(shù)一起使用會消耗大量的處理資源和高成本。反過來，這限制了可以在何處以及如何自由地應用這些技術(shù)。但是，較便宜的培訓技術(shù)正在搶救。重要的是要了解，通常由摩爾定律驅(qū)動的成本節(jié)省和速度提高與下面討論的算法效率類型完全不同。盡管摩爾定律承諾每兩到三年將晶體管數(shù)量增加一倍，從而使處理能力提高一倍，但算法上的突破通?？梢詭砑磿r效率，效率要高出幾個數(shù)量級。

輕量級神經(jīng)網(wǎng)絡的發(fā)展是一個有前途的領(lǐng)域，輕量級神經(jīng)網(wǎng)絡的確切含義是：更小，更快地訓練網(wǎng)絡，該網(wǎng)絡可以達到與它們大得多的表親幾乎相同的精度，但是其大小和訓練成本卻很小。由SparkCognition的首席科學家Bruce Porter博士領(lǐng)導的研究表明，盡管僅使用大型結(jié)構(gòu)所需的十分之一的計算能力，但在網(wǎng)絡安全應用中，輕量級神經(jīng)網(wǎng)絡仍可以與常規(guī)的深層網(wǎng)絡相匹配。

稀疏學習是另一種新興技術(shù)，具有將深度網(wǎng)絡的訓練速度提高3.5到12倍的潛力。另外，北卡羅萊納州立大學的研究人員表明，通過利用訓練數(shù)據(jù)集中圖像子段的相似性，他們可以將網(wǎng)絡訓練所需的時間和計算能力潛在地減少60%以上。所有這些都不會犧牲準確性。

這絕不是致力于減少訓練深度網(wǎng)絡的計算負擔的大量工作的完整清單。但是即使是這樣的一瞥，也表明在不久的將來可能會帶來更高效的方法，這些方法將使我們能夠與大型復雜網(wǎng)絡的決策能力相抗衡，而不會花費相同的計算資源或降低準確性。

責任編輯：lq