（文章來源：CDA數(shù)據(jù)分析師）

在競爭日益激烈的技術(shù)市場中，從高科技初創(chuàng)公司到全球跨國公司都將人工智能視為關(guān)鍵競爭優(yōu)勢。但是，人工智能行業(yè)發(fā)展如此之快，以至于很難跟蹤最新的研究突破和成就，甚至很難應(yīng)用科學成果來實現(xiàn)業(yè)務(wù)成果。在2020年為了幫助業(yè)務(wù)制定強大的AI策略，本文總結(jié)了不同研究領(lǐng)域的最新趨勢，包括自然語言處理，對話式AI，計算機視覺和強化學習。

在2018年，經(jīng)過預(yù)訓練的語言模型突破了自然語言理解和生成的極限。這些也主導(dǎo)了去年自然語言處理的進展。如果是NLP開發(fā)的新手，那么經(jīng)過預(yù)先訓練的語言模型可以使NLP的實際應(yīng)用大大便捷，更快，更容易，因為它們允許在一個大型數(shù)據(jù)集上進行NLP模型的預(yù)先訓練，然后快速對其進行微調(diào)以適應(yīng)其他NLP任務(wù)。

來自頂級研究機構(gòu)和科技公司的團隊探索了使最先進的語言模型更加復(fù)雜的方法。計算能力的大幅度提高推動了許多改進，但是許多研究小組還發(fā)現(xiàn)了更精巧的方法來減輕模型并保持高性能。

新的NLP范例是"預(yù)訓練+微調(diào)"。在過去的兩年中，轉(zhuǎn)移學習主導(dǎo)了NLP研究。ULMFiT，CoVe，ELMo，OpenAI GPT，BERT，OpenAI GPT-2，XLNet，RoBERTa，ALBERT –這是最近介紹的重要的預(yù)訓練語言模型的詳盡列表。盡管轉(zhuǎn)移學習無疑將NLP推向了新的高度，但由于要求大量的計算成本和龐大的帶注釋數(shù)據(jù)集所以它經(jīng)常會受到批評。

語言學和知識可能會提高NLP模型的性能。專家認為，語言學可以通過改善數(shù)據(jù)驅(qū)動方法的可解釋性來促進深度學習。利用上下文和人類知識可以進一步提高NLP系統(tǒng)的性能。神經(jīng)機器翻譯展示了可見的進步。同步機器翻譯已經(jīng)可以在現(xiàn)實世界中應(yīng)用。最近的研究旨在突破通過優(yōu)化神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，利用視覺上下文以及為無監(jiān)督和半監(jiān)督機器翻譯引入新穎的方法來進一步提高翻譯質(zhì)量。

會話式AI已成為跨行業(yè)業(yè)務(wù)實踐的組成部分。越來越多的公司正在利用聊天機器人為客戶服務(wù)，為銷售和營銷帶來的優(yōu)勢。即使聊天機器人已成為領(lǐng)先企業(yè)的"必備"資產(chǎn)，但其性能仍然與人類相去甚遠。來自主要研究機構(gòu)和技術(shù)領(lǐng)導(dǎo)者的研究人員已經(jīng)探索了提高對話系統(tǒng)性能的方法：對話系統(tǒng)正在改進跟蹤對話的長期性。去年發(fā)表的許多研究論文的目標是，通過更好地利用對話歷史和上下文，提高系統(tǒng)理解對話過程中引入的復(fù)雜關(guān)系的能力。

許多研究團隊正在解決機器生成響應(yīng)的多樣性。當前，現(xiàn)實世界中的聊天機器人通常會產(chǎn)生無聊且重復(fù)的響應(yīng)。去年，引入了幾篇優(yōu)秀的研究 論文，旨在產(chǎn)生多樣化而又相關(guān)的回應(yīng)。情感識別被視為開放域聊天機器人的重要功能。因此，研究人員正在研究將同理心納入對話系統(tǒng)的最佳方法。該研究領(lǐng)域的成就仍然很小，但是在情感識別方面的巨大進步可以顯著提高社交機器人的性能和受歡迎程度，并且還可以增加聊天機器人在心理治療中的使用。

在過去的幾年中，計算機視覺（CV）系統(tǒng)通過在醫(yī)療保健，安全，運輸，零售，銀行，農(nóng)業(yè)等領(lǐng)域的成功應(yīng)用，徹底改變了整個行業(yè)和業(yè)務(wù)功能。最近引入的體系結(jié)構(gòu)和方法（例如EfficientNet和SinGAN）進一步提高了視覺系統(tǒng)的感知能力和生成能力。

3D目前是CV領(lǐng)域的領(lǐng)先研究領(lǐng)域之一。今年，我們看到了幾篇有趣的研究論文，旨在從2D投影重建3D世界。Google研究小組采用了一種新穎的方法來生成整個自然場景的深度圖。Facebook AI團隊提出了一種有趣的點云3D對象檢測解決方案。

無監(jiān)督學習方法的普及正在增長。例如，斯坦福大學的一個研究小組介紹了一種有前途的局部聚合方法，可以在無監(jiān)督學習的情況下進行對象檢測和識別。在另一篇出色的論文中，該論文獲得了ICCV 2019最佳論文獎的提名，該論文采用無監(jiān)督學習來計算3D形狀之間的對應(yīng)關(guān)系。

計算機視覺研究已與NLP成功結(jié)合。最新的研究進展使自然語言中的兩個圖像之間具有強大的更改字幕，3D環(huán)境中的視覺語言導(dǎo)航以及學習分層視覺語言表示的能力，從而可以更好地檢索圖像字幕和視覺基礎(chǔ)。

強化學習（RL）對于業(yè)務(wù)應(yīng)用程序而言，其價值仍然比有監(jiān)督的學習甚至無監(jiān)督的學習低。它僅在可生成大量模擬數(shù)據(jù)的區(qū)域（例如機器人技術(shù)和游戲）中成功應(yīng)用。這是有關(guān)NLP，對話式AI，計算機視覺和強化學習等最受歡迎的子主題---新AI和機器學習研究趨勢的概述 ，其中很多都對對業(yè)務(wù)都、有影響。

預(yù)計2020年應(yīng)用人工智能領(lǐng)域?qū)⒂懈嗤黄疲@些突破將基于2019年在機器學習方面取得的顯著技術(shù)進步。
（責任編輯：fqj）