机器之心：2020-2021全球AI技术发展趋势报告（92页）.pdf

《机器之心：2020-2021全球AI技术发展趋势报告（92页）.pdf》由会员分享，可在线阅读，更多相关《机器之心：2020-2021全球AI技术发展趋势报告（92页）.pdf（92页珍藏版）》请在三个皮匠报告上搜索。

1、卷积神经网络和循环神经网络赋能基础应用，图神经网络面向未来不管是从研究论文、专利、抑或资讯和舆情的角度分析，综合来看卷积神经网络和循环神经网络是两种应用广泛的深度神 经网络模型。当前机器学习领域两大基础应用是计算机视觉和自然语言处理。卷积神经网络在计算机视觉领域有着广泛的 应用 ; 循环神经网络适用于解决与序列信息相关的问题，在自然语言处理领域得到了广泛的应用。近年来，出现了专门用于处理图数据的神经网络结构，由此产生一个新的研究热点 - 图神经网络。作为一个新兴领域，图神经网络尽管在专利成果和资讯方面的绝对数量尚较少，但其论文研究在近两年取得了数量和质量上的快速提升，舆情方面也显示该领域受到越

2、来越多的关注。这些都体现了图神经网络技术巨大的研究潜力和发展前景。自动化机器学习需加大与应用结合力度在自动化机器学习领域，专家们的意见存在分歧。部分专家认为“该技术仍然处于理论体系建立的阶段”，部分认为“处于场景应用的转化阶段”， 也有专家认为“处于工程化验证广泛可行性的阶段”。部分受访专家指出该项技术存在算力不足导致求解速度过慢的问题，以及该领域缺少足够 多的实际应用案例，当前应用主要集中在计算机视觉任务上。但受访专家普遍看好自动化机器学习未来的发展，并且认为应该加大技术与应用结合的力度，充分提升自动化机器学习的效能，使其发挥更大作用。从产业上看，机器学习的应用需要大量的人工干预，这些人工干

3、预表现在:特征提取、模型选择、参数调节、部署等各个方面。 自动化机器学习试图将这些与特征、模型、优化、评价有关的重要步骤进行自动化的学习，使得机器学习模型无需人工干 预即可被应用。依托上述优势，自动化机器学习成为了近年仅此于强化学习的黑马，其在研究、专利、资讯和舆情的排名稳居前三，具备强大应用价值和广泛业界关注度。迁移学习与多任务学习是通往强人工智能的关键技术迁移学习能解决许多大规模线上应用中的数据稀疏和冷启动问题，且其泛化能力使得在 AI 算力、数据和硬件 等资源相对匮乏的领域内，更加容易实现“人工智能”并且具有较高的鲁棒性。综合而言，迁移学习在当今机器学习领域中占据了重要的位置， 也具备了

4、一定的技术转换率和媒体曝光度。尽管在专家意见中，普遍认为迁移学习在应用层面上还处于模糊摸索的阶段，应 用场景也不足，但其在其他分析项中的高热度表明了改技术的发展已经取得了一定的成果，对其进一步的探索研究有着很大 的潜在价值。与强化学习技术发展所处的阶段类似，迁移学习被专家认为“建立起了理论体系，也开始被尝试性地应用在一些场景中，或 整合入一些商用系统中”。同样，迁移学习的落地应用也处于初级阶段，具体表现为 :1. 现有应用往往只使用了简单的 迁移学习，更为广泛的终生学习还需要进一步探索 ;2. 迁移学习受到来自数据层面的限制，数据异质性影响学习的准确率 ;3. 何时迁移、何处迁移以及如何迁移这三个问题在实际应用中缺乏有效的的解答 ;4. 标准的应用场景缺失，且缺少足够多的实 际应用案例。综上，可以推断出迁移学习在应用层面上还处于模糊摸索的初级阶段，学界对该领域未来的发展趋势尚无清晰明确的判断，但部分受访学者提出“多域协同优化”是一个值得探索的方向。多任务学习主要是让机器模仿人类学习行为，将一个任务的知识迁移到另一个相关的任务上，其实现难度是比较大的。在 当前技术仍未有较大突破的情况下，多任务学习的研究还远达不到“理论构建完善且向应用转化”的阶段，但作为强人工智 能的重要技术之一，其关注度在逐年提高。