今天細讀 MIT Technology Review 的 AI 2017 年預測，主要提到五點趨勢，摘錄如下：

增強式學習

2016 年是 Deep Reinforcement Learning 大放異彩的一年，從年初 AlphaGo 打敗李世石 (Lee Sedol) 到年底 Master 以全勝之姿擊敗各方好手，顯示人類在某些智能問題上，可藉由與機器合作達到更好的成果。許多研究單位釋出開源專案（Project Malmo, DeepMind Lab, Universe），以加速這方面研究進展。預期 2017 將會帶出更多令人興奮的研究結果。

生成對抗神經網路

2016 年底的 NIPS (Neural Information Processing Systems) 會議中，GAN (Generative Adversarial Networks)^[1] 受到研究者們大量關注。由 Ian Goodfellow 在 2014 年提出雙模型框架，藉由此框架可以產生非常真實的虛擬資料，被許多學者視為是通往非監督式學習的一線曙光。2017 將可預見更多此方向的研究發表。

中國 AI 企業崛起

中國公司不再只是拷貝西方企業，而轉向累積自身機器學習、深度學習的技術深度。最著名例子就是百度建立的百度大腦部門，邀請到 Stanford 教授 Andrew Ng 擔任首席科學家，另外騰訊、滴滴也正在建立 AI 部門，到頂尖會議挖角。民間各方熱錢正往中國新創企業注入，政府單位也預計注資 15B 進行人工智慧的研發，可以預見 2017 將會是中國 AI 新創產業蓬勃發展（或是泡沫？！）的一年。

自然語言

深度學習應用在語音辨識與影像辨識的突破，有希望在自然語言的分析產生帶來更進階的發展（parse and generate language）。

（CH：這段其實沒講什麼，對自然語言方面較少研究，不清楚所謂的進階結果是什麼，個人推測是 generative model）

削減過熱的 AI 現象

2016 NIPS 發生一件令人憤怒又好笑的事情，一間名為 RockAI^[2] 的人工智慧公司在某天召開晚宴，邀請許多頂尖實驗室與業界人士參加，提供豪華的餐點，由牛津大學 Dr. Anders Sandberg 教授給予 keynote 演說，先前沒人聽過這間 RockAI 公司，經過一晚，該公司估值竟達到 10M 以上，有五位 VC 接洽有意願進行投資。

^[3]

隔天才發現，這是一間假的 AI 公司，並沒有產品，也沒有所謂專利 Temporally Recurrent Optimal Learning，只是取其縮寫 TROLL，用來嘲諷 AI 熱潮，更多細節可見此篇。

這個事件凸顯現今過熱的 AI 現象（亂象），許多公司只要有提到 Deep Learning for X、Reinforcement Learning for X 就會有投資人捧著大把鈔票進行投資，泡泡越吹越大，估值也瘋狂飆升，這樣亂象的後果可能歷史重演，引發再一次的 AI 泡沫化。2017 預期會有一些小泡泡破滅，希望能適當削減過熱的 AI 現象，對於整個產業未嘗不是一件好事。

前陣子拜讀 Andrew Ng 於 Harvard Business Review 發表 Hiring Your First Chief AI Officer 一文，建議花些時間品味，在這新一波工業革命浪潮，需要的新思維。節錄重點如下：

1. 百年前，因電力誕生，改變無數產業；二十年前，網際網路誕生，帶來產業的革命；如今，歷史重演，AI (Deep Learning) 將扮演相同角色。

2. 過去為了處理複雜電力問題，每間公司會聘請領域專家，進行總體規劃。網路時代亦是，可看見許多公司設置 CIO 進行 IT 設施規劃。事實上，許多 S&P 前 500 大希望在更早階段就建設 IT，先行者現今都佔有網路優勢。

3. 對於那些正在產生巨大資料量的公司，建議現在開始佈局 AI，也就是深度學習，透過相關技術，巨量資料將可轉化成 Value。（CH：這正是透過數據建立 barrier 的機會）

4. 佈局 AI，從設立獨立部門開始，有二個好處：

   • 吸引 AI 人才，維持一定標準：比起在禮品部附設 AI，在獨立核心部門工作更讓人嚮往。
   • 跨部門合作：部門專家將可進入不同 BU 協助 AI 技術導入。

5. AI 部門需要對的人來領導，以下是作者在 Google, Stanford, Baidu經驗談：

   • 了解 AI 與資料工程：除了深度學習，在新 AI 時代，智慧由數據驅動，背後的大數據架構實務上相對重要。（CH：資料科學與資料工程的合作）
   • 跨領域合作：AI 本身非產品，需與其他部門合作才能產生價值，因此，跨部門合作能力是關鍵。
   • 內部創業精神：結合 AI 的產品可能前所未見，領導者必須以創業家思維思考問題。
   • 吸引 AI 人才：偉大的事需要集眾人之力完成，如何吸引並且留住好人才是領導者最重要的特質。

整理各家廠商的思維：

1. Intel的思維是從CPU角度出發，在CPU加入多處理核心，科學計算不需經過主機板到GPU
2. NVIDIA的思維是從GPU角度出發，科學計算專注在GPU上
3. Google的思維是從tensorflow角度出發，專門設計為tensorflow計算用的晶片
4. 百度深度學習採用NV晶片，不過這也合理，現況(2016)跑Deep Learning除了NV cuda還沒聽說有其他選擇
5. 未來可專注重點：Intel Xeon Phi系列與NV Tesla系列

英特爾為了追趕英偉達（NVIDIA）與谷歌在人工智慧晶片上的布局，決定在2017年公布代號Knights Mill的下一代Xeon Phi處理器家族，主攻深度學習與人工智慧應用市場。這晶片將採用10奈米製程製造，積極搶奪英偉達的市場。

英偉達發展深度學習應用已有多年時間。因此，現今百度在人工智慧與深度學習的晶片就是採用英偉達的技術。可是隨著英特爾即將投入人工智慧晶片，百度也現身在英特爾開發者論壇，並與英特爾進行合作。至於未來百度會用英偉達還是英特爾的深度學習與人工智慧晶片，就只能看情勢發展如何才做出定奪了！ 原來Xeon處理器家族是瞄準科學類應用，隨著新型號Xeon Phi將引入人工智慧運算任務的功能，將帶給深度學習正面的幫助。其實目前在語音識別、圖像識別，以及自動駕駛汽車等領域，深度學習技術正得到愈來愈多的應用。

以現今情況來看，英特爾當初讓Xeon處理器強攻數據中心伺服器，也獲得廣泛部署，甚至所有深度學習運算有關的任務也採用這一處理器。不過，隨著人工智慧的不斷前進，有些廠商也開始部署用於人工智慧任務的輔助處理器，而這些輔助處理器大多是來自於英偉達的繪圖處理器。

為了不讓英偉達的繪圖處理器成為未來人工智慧輔助處理器的核心，英特爾決定在標準Xeon處理器上增加更多處理核心來處理深度學習該有的一些指令級，因而Xeon Phi產品線就誕生了。

此外，Xeon Phi晶片能夠運行大部分數據分析軟體，同時無需用到可能導致分析速度放緩的外部處理器，這也是英特爾主打的關鍵優勢，畢竟，其搭配更多快閃記憶體，能夠比起繪圖處理器還要更高性能。

可是英偉達畢竟在深度學習應用已經開發很久，2016年4月5日，該公司公佈了最新款的專門用於人工智慧研究領域的Tesla P100圖形處理晶片，認為其最新晶元的處理速度仍會遠遠強於英特爾的技術，將為這款GPU的研發投入了20億美元。短時間之內，英特爾依舊會遇到挑戰，就如同英偉達在高階桌上型電腦依舊具備主導能力一樣。

這也是為什麼英特爾於2016年8月收購新創公司Nervana Systems。因為該公司專注於深度學習晶元和軟體，這對於Xeon Phi處理器有一定的幫助。

另外，谷歌也正在發展其人工智慧晶片Tensor Processing Unit，採用最適合谷歌深度學習的軟體TensorFlow。這也是英特爾未來必須面臨的挑戰。

原文來自科技產業資訊室 Source