今天已经有足够大的规模来证明需要专用的硬件。Facebook在一天里就做出数万亿次预测。谷歌也有足够的规模来证明自己制造专用硬件的合理性——从去年开始，谷歌一直在其云环境中使用自己的张量处理单元(TPU)。2019年将出现更多的专用硬件。在中国和美国，许多公司和创业企业一直致力于制造面向模型构建和推理的硬件来用于数据中心和边缘设备。
趋势五：人工智能解决方案将会继续基于混合模型虽然深度学习将继续引领许多有趣的研究，但大多数端到端的解决方案依然是混合系统。2019年，我们将开始更多地了解其他组件和方法的基本作用——包括基于模型的方法，如贝叶斯推理、树搜索、进化、知识图谱、仿真平台等。我们可能会开始看到令人兴奋的不基于神经网络的机器学习方法的发展。
趋势六：人工智能的成功将会刺激对新工具和流程的投资我们处在一个高度经验主义的机器学习时代。机器学习开发的工具需要认识到数据、实验和模型搜索、模型部署和监控的重要性。只看这个过程中的一个步骤：模型构建，企业就已经开始研究用于数据血缘、元数据管理和分析、计算资源高效利用、高效模型搜索和超参数调优的工具。在2019年，我们预计将会出现许多新工具，它们能够让开发和实际部署人工智能和机器学习产品和服务更加容易。
趋势七：机器欺骗仍将是一个严峻的挑战尽管已经存在了大量的“人造”新闻，我们仍然处于机器生成内容(人造图像、视频、语音和文本)的早期阶段。至少到目前为止，刑侦和取证技术已经能够找出伪造的视频和图像。但生成虚假内容的工具正在迅速发展，因此美国和其他地方的研究资助机构已经启动了一些项目，以确保侦测技术能够跟上它们的发展。
机器欺骗不仅局限于机器欺骗人类，机器欺骗机器(机器人)和人欺骗机器(水军和点击农场)可能同样难以处理。信息散布和点击农场将继续被用于欺骗内容和电商平台上的排名系统，而检测和对抗方法将不得不随着新形式的机器欺骗的出现而迅速发展。趋势八：可靠性和安全性将成为中心议题令人振奋的是，研究人员和实践人员对隐私、公平和道德问题产生了浓厚的兴趣，并积极参与其中。
但随着人工智能系统被部署到关键任务应用中（甚至包括涉及生死的场景，比如自动驾驶汽车或医疗保健等），自动化带来的效率提升必须伴随着对安全性和可靠性的测量以及确保。在线平台上机器欺骗的兴起，以及最近涉及自动驾驶汽车的事故，已经彻底让这个问题公开化。预计到2019年，安全问题将会得到更深入的讨论。趋势九：大量训练数据的民主化将带来比较公平的竞争环境因为我们所依赖的许多模型（包括深度学习和强化学习）都需要大量的数据，所以人工智能领域可预见的赢家一直是能够获得大量数据的大公司或国家。
文章TAG：自动化 超级 技术
