【】剑桥2019年度《AI全景报告》出炉，全方位总结过去一年来AI领域的研究成果与突破、人才形势、产业动态、政府政策，并作出未来预测。今年的报告额外关注中国，专门新设一章，介绍中国的AI技术、企业和应用的迅猛发展。
2019年即将过去一半，剑桥大学的两位研究人员近日推出了本年度的State AI 2019全景报告。
本报告基本沿袭去年的大体框架，从产业、人才、政策、预测等方面对过去一年来AI领域的技术的新进步、产业格局的新变化、政府政策的新特点等方面进行了总结，并作出关于未来的预测。
值得一提的是，与去年不同的是，2019年的报告为中国单列一章，介绍中国AI技术在日常消费、机器人、半导体等领域的进步。
AI研究与技术突破：游戏、NLP、医疗全面开花
强化学习开疆扩土：在多项竞技性游戏中击败人类
目前已经被AI统治的游戏包括《蒙特祖玛的复仇》、《星际争霸2》、《雷神之锤3》，在DOTA2上游戏水平实现大幅进步。未来的游戏AI可能让人类更加遥不可及了。
未来，研究人员有望利用强化学习训练单个机器人来完成多个复杂任务，无需针对每个任务进行专门的再学习。
基于好奇心机制的探索：在奖励稀疏或无奖励机制的条件下，智能体可以依赖“好奇心”解决问题。
面向在线计划学习动态模型：模型可从图像中快速学习环境动态信息，准确预测数个时间段后的奖励。
研究成果逐步进入实际生产环境：在众多机器学习框架和工具的支持下，Facebook发布的开源端对端平台Horizon，推进大规模生产环境下的系统优化，如信息联想、视频流质量、通知服务优化等。
生命科学中的新突破：AlphaFold精准预测蛋白质的折叠结构
NLP大丰收：预训练语言模型大展身手
新的预训练模型不断涌现，各大数据集新纪录常看常新。Google AI的BERT, 、Transformer，艾伦研究所的ELMo、OpenAI的Transformer、 Ruder和Howard的 ULMFiT、微软的MT-DNN等争奇斗艳。
神经机器翻译：无需双向文本
自然语言模型学会常识推理
对机器学习领域的数据隐私和保护越来越重视
医学领域大展身手,诊断堪比人类专家
诊断眼疾
使用两个阶段机器学习方法，AI模型给出了专家级的眼疾诊断和治疗参考建议
利用心电图检测心律不齐，达到人类医生水平
超过60万的X光片数据集已经被分享出来，但远远不够
用于成像诊断的深度学习模型可以很好地拟合数据集，但是它们难以推广到新的数据分布。尽管改进了这个新数据集的文档，但标签定义很浅
使用医生笔记中的NLP提取标签存在挑战：容易出错且容易受到影响。放射学报告中包含的信息不足，大多数标签类别的错误率为5-15%
大量重复扫描，其中70%的扫描来自30%的患者。这减少了数据集的有效大小及其多样性，影响训练模型的普适性
研究人员从听觉皮层的神经活动中重建语音
哥伦比亚大学的研究人员使用侵入性脑电图来测量5名接受癫痫治疗的患者在连续收听语音时的神经活动
反过来使研究人员能够通过大脑活动的声码器合成语音。通过声码器测试单个数字“口语”时，系统的准确度达到75%。与基线线性回归方法相比，深度方法将语音的可懂度提高了65%
该研究表明，大脑计算机界面有可能恢复瘫痪患者的沟通
使用蒙特卡罗树搜索神经网络通过训练1240万个反应来解决逆向合成
一个由三个NN(3N-MCTS)构建的系统：
通过提出有限数量的自动提取转换来指导向有希望的方向搜索
预测拟议的反应是否实际可行
估计位置值并迭代
这种方法比最先进的计算机辅助综合计划快得多。实际上，3N-MCTS解决了超过80%的分子测试集，每个目标分子的时间限制为5秒。
相比之下，一种称为最佳第一搜索的方法，其中通过神经网络学习函数可以解决40%的测试集。使用手动编码启发式功能设计的最佳首次搜索执行最差：它在5秒内解决了0%。
推荐阅读：
