深度学习主导人工智能时代将结束？万余篇论文梳理AI发展史

2019 年 1 月 29 日 德先生

来源丨澎湃新闻

从2012年斯坦福大学和谷歌的研究人员让计算机学会识别猫开始，深度学习将人工智能推向了公众的视野，也一直在人工智能领域占据着前沿地位。不论是正在改变医疗和安防行业的图像识别和人脸识别技术，还是语音识别和视频理解，这些人工智能的应用大多都要归功于深度学习。

然而，新技术的突然兴起是人工智能研究的一大特征，近期一份基于16625篇论文的分析报告指出，深度学习主导人工智能领域的趋势正在发生改变。

《麻省理工科技评论》最近在全球最大的科学论文开源数据库之一arXiv上收集了16625篇人工智能领域的论文。这些论文的发表时间跨度为25年，最早可追溯到1993年，最晚截止至2018年11月18日。根据论文的摘要和关键词，《麻省理工科技评论》分析了不同人工智能方法的发展趋势并指出：“深度学习的时代即将结束”。

1993年至2018年，arXiv网站上人工智能论文的数量变化

从手动编码转向机器学习

《麻省理工科技评论》的报告发现，在20世纪90年代末至21世纪初的这段时间里，人工智能学者的目光渐渐转向了机器学习。

所谓机器学习，指的是从已知数据中去学习数据中蕴含的规律或者判断规则。

1988年，IBM研究人员发布了一种语言翻译统计方法，将概率原理引入到当时规则驱动的人工智能领域，尝试解决法语和英语之间自动翻译的挑战。这种方法被视为是今天使用的机器学习的基础。

上述报告发现，在20世纪90年代末至21世纪初的人工智能论文中，“逻辑”、“规则”等与知识系统相关的词，数量开始下降，而“数据”、“网络”、“性能”等与机器学习相关的词汇出现的次数快速增长。

机器学习取代以知识为基础的推理

关键词频率的改变，机器学习相关词频率增加

《麻省理工科技评论》在报告中给出了这种变化的原因。知识系统需要人为编写规则才能使系统运行，需要极大的人力成本且效率低下，而不要求手动编码的机器学习正好成为“完美替代”。在机器学习中，编程机器会自动从一堆数据中提取规则。

Image Net挑战赛与神经网络

在20世纪90年代至21世纪初，神经网络、贝叶斯网络、进化算法、支持向量机等机器学习的各种方法之间存在着稳定的竞争。但报告发现，2012年的一次突破改变了这一状况，深度学习大大超越了其他方法，一举成为最受重视的机器学习领域。

在2012年一次全球范围的图像识别算法竞赛ILSVRC(也称为 Image Net挑战赛)中，多伦多大学教授、“深度学习之父”杰弗里·辛顿（Geoffrey Hinton）和同事们开发的一个多层神经网络 Alex Net取得了冠军。该多层神经网络以超过10个百分点的惊人幅度实现了图像识别的最佳准确度，大幅度超越了使用传统机器学习算法的第二名。

这次比赛的成果在人工智能学界引起了广泛的震动。从此，以多层神经网络为基础的深度学习被推广到多个应用领域，在语音识别、图像分析、视频理解等诸多领域取得成功。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

与此同时，一种监督学习下的深度学习模型——卷积神经网络也得到了快速的发展。《麻省理工科技评论》的报告发现了这个增长趋势。数据显示，神经网络相关论文在人工智能论文中所占的比例从2012年的3%一路上升至2018年的27%。