有人为你偷偷分析了16625篇AI论文，帮你确定了AI下一个十年的发展方向

今天你听到的关于人工智能的几乎所有事情都要归功于深度学习。这类算法的工作原理是使用统计数据来发现数据中的模式，事实证明，它在模仿人类技能(如我们的视觉和听觉能力)方面非常强大。在一个非常狭窄的范围内，它甚至可以模仿我们的推理能力。这些功能为谷歌的搜索、Facebook的新闻feed和Netflix的推荐引擎提供了强大的支持，并正在改变医疗和教育等行业。

然而，尽管深度学习让人工智能进入了公众的视线，但它只是人类探索复制自身智能历史上的一个小插曲。在不到10年的时间里，它一直处于这一努力的最前沿。当你放大这个领域的整个历史，会很容易意识到它可能很快就会消失。

为了探寻人工智能技术在近几十年的发展轨迹，《麻省理工技术评论》下载了截止到2018年11月18日发表在arXiv上的16625篇“人工智能”方向的论文摘要，并对这些年来提到的词汇进行了追踪。

通过《麻省理工技术评论》的分析，发现了三个主要的趋势：90年代末到21世纪初向机器学习的转变，2010年代初神经网络开始普及，以及过去几年强化学习的增长。

有几点需要注意。首先，arXiv的人工智能论文部分只能追溯到1993年，而“人工智能”一词可以追溯到20世纪50年代，因此该数据库只是该领域历史的最新篇章。其次，每年添加到数据库中的论文只是当时该领域正在进行的工作的一小部分。尽管如此，arXiv为收集一些更大的研究趋势和观察不同想法的推动和拉动提供了一个很好的资源。

机器学习的范式

《麻省理工技术评论》发现最大的转变是在21世纪初从基于知识的系统过渡。这些计算机程序基于这样一种思想，即可以使用规则对所有人类知识进行编码。取而代之的是，研究人员转向机器学习——包括深度学习在内的算法的父类别。

在排名前100的词汇中，与知识系统相关的词汇，如“逻辑”、“约束”、“规则”等词汇的跌幅最大。那些与机器学习相关的——如“数据”、“网络”和“性能”——增长最快。

这种巨大变化的原因相当简单。在20世纪80年代，基于知识的系统获得了广泛的关注，这要归功于围绕着那些试图在机器内部重建常识的雄心勃勃的项目而产生的兴奋情绪。但随着这些项目的展开，研究人员遇到了一个重大问题：系统要做有用的事情，需要对太多的规则进行编码。这推高了成本，大大减缓了正在进行的努力。

机器学习成为了这个问题的答案。这种方法不需要人们手动编码数十万条规则，而是让机器自动从一堆数据中提取这些规则。就这样，该领域抛弃了基于知识的系统，转而改进机器学习。

神经网络的繁荣

在新的机器学习范式下，向深度学习的转变并没有立即发生。相反，正如对关键术语的分析所显示的，研究人员测试了除神经网络(深度学习的核心机制)之外的各种方法。其他一些流行的技术包括贝叶斯网络、支持向量机和进化算法，它们都采用不同的方法来寻找数据中的模式。

在20世纪90年代和21世纪初，所有这些方法之间都存在着稳定的竞争。然后，在2012年，一个关键的突破导致了另一场巨变。在一年一度的ImageNet竞赛中，一位名叫Geoffrey Hinton的研究人员和他在多伦多大学的同事们，以超过10个百分点的惊人优势获得了图像识别的最佳准确率。

他使用的“深度学习”技术引发了一波新的研究浪潮——首先是在视觉领域内部，然后是在其他领域。随着越来越多的研究人员开始使用它来获得令人瞩目的成果，它的普及程度——以及神经网络的普及程度——呈爆炸式增长。

强化学习的兴起

《麻省理工技术评论》的分析显示，在深度学习兴起后的几年里，人工智能研究发生了第三次也是最后一次转变。

除了机器学习中的不同技术外，还有三种不同的类型：监督学习、非监督学习和强化学习。监督学习包括输入机器标记的数据，是最常用的，也是目前为止最实用的应用。然而，在过去的几年里，通过惩罚和奖励来模仿训练动物过程的强化学习在论文摘要中被提及的次数迅速增加。

这个想法并不新颖，但几十年来它并没有真正奏效。“受监督学习的人会取笑强化学习的人，”华盛顿大学计算机科学教授Domingos说。但是，就像深度学习一样，一个大事件令强化学习吸引力无数目光。

那一刻是在2015年10月，经过强化学习训练的DeepMind的AlphaGo在古老的围棋比赛中击败了世界冠军。这个事件对研究界的影响是立竿见影的。

下一个十年

我们的分析只提供了人工智能研究特征之间不同观点间竞争的最新快照。但它说明了复制智慧的追求是多么的反复无常。Domingos说:“关键是要认识到，没有人知道如何解决这个问题。”

在过去25年里使用的许多技术大约同时起源于20世纪50年代，随着每一个十年的挑战和成功，它们时而受到欢迎，时而被冷落。例如，神经网络在60年代达到顶峰，80年代通过深度学习在即将达到顶峰前又被抛弃了。

换句话说，每十年，基本上看到了不同的技术占上风：50年代末和60年代的神经网络;70年代的各种象征性方法;80年代的知识型系统; 90年代的贝叶斯网络;00年代的支持向量机;以及10年代的神经网络。

Domingos说，21世纪20年代也不例外，这意味着深度学习的时代可能很快就会结束。但对于接下来会发生什么，研究团体有不同的观点——是一种旧技术会重新获得青睐，还是该领域会创造一个全新的范式。