与AI对话 || 究竟是人类创造的帮手，还是未来的敌人？

盘点 AI 十年来取得的重要突破。

过去十年间，人工智能技术突飞猛进，最疯狂的科幻小说场景现在已经成为我们生活中不可或缺的一部分。十年前，人们在谈论 AI 的理论化和实验，但这些年来，AI 变得更加切实了，也变成了主流。无论是国际标准课程、平台、库、框架、硬件，一切都顺理成章。就算说这十年里取得的成绩奠定了未来的基础，也不为过。

这篇文章将盘点 AI 十年来取得的重要突破。

卷积

2012 年是深度学习历史上重要的一年。那一年，卷积神经网络（CNN）在著名的 ImageNet 挑战赛中大放异彩。由 Alex Krizhevsky 等人设计的卷积神经网络「Alexnet」以远超第二名的成绩夺冠，在 ImageNet 数据集上的视觉识别错误率为 15.3%，降低了一半。该神经网络对猫的检测准确度达到了 74.8%，在 YouTube 视频中检测人脸的准确率为 81.7%。

现在，手机和商场中的人脸识别应用都应该归功于 2012 年的这项工作，识别准确率的提升使研究者能够进行医学成像模型的部署，这些模型具备高置信度。

与 AI 对话

Vaswani 等人 2017 年发表的《Attention Is All You Need》带来了级联效应，使得机器能够以前所未有的方式去理解语言。得益于 Transformer 架构，AI 现在能够撰写假的新闻、推文，甚至可能引起政治动荡。继 Transformer 之后，谷歌又推出了 BERT 模型，将其用于关键字预测和 SEO 排名等。BERT 如今已经变成了自然语言处理领域的实际标准，诸如 Microsoft 和 NVIDIA 之类的公司开始堆积更多参数来追赶该模型。

NVIDIA 的 Megatron 具有 80 亿个参数，而 Microsoft 的 Turing NLG 模型具有 170 亿个参数。OpenAI 的 GPT 模型后来居上，1750 亿参数的 GPT-3 目前是历史记录的保持者。

GPT-3 也是 Transformer 的扩展，是目前最大的模型，它可以编码、写散文、生成商业创意，只有人类想不到，没有它做不到。

将人类一军

AI 早已在国际象棋中击败了人类。而更加复杂的人类游戏，如 Jeopardy! 游戏、围棋、德州扑克等，也没有挡住算法的脚步。人工智能近几年来最广为人知的事件就是 AlphaGo 在最复杂棋类游戏——「围棋」上击败了人类顶级选手。与此同时，在这个十年中，IBM 的 Watson 也在 Jeopardy! 决赛中击败了两位人类，最终 Watson 获得了 77147 美元奖金，而两位人类分别获得了 24000 和 21600 美元。

Facebook 和卡耐基梅隆大学共同开发的德扑 AI Pluribus 战胜了五名专家级人类玩家，实现了前辈 Libratus（冷扑大师）未能完成的任务，该研究还登上了 2019 年的《科学》杂志。2020 年 12 月，DeepMind 提出的 MuZero 让一种人工智能模型掌握多种游戏，包括将棋、国际象棋和围棋。

解码生命

每一个生物体的行为都可以在其蛋白质中寻踪溯源。蛋白质承载着秘密，破解蛋白质或许有助于击败新冠大流行。但蛋白质结构非常复杂，需要不断地运行模拟。DeepMind 尝试解决这一难题，其开发的深度学习算法「Alphafold」破解了出现五十年之久的蛋白质分子折叠问题。计算机视觉被证明可以帮助诊断，而解决蛋白质折叠问题甚至能够帮助研发人员开发新药。

AI：是艺术家，也是骗子

去年，在一则视频中，比利时首相谈论着解决经济和气候危机的紧急需求，后来人们发现这其实是 Deepfake 视频。在机器学习和 AI 对比利时首相声音和表达方式的操纵下，这则假视频让首相发表了一场关于全球变暖影响的演讲。

这些伪造内容的背后是精心设计的算法——生成对抗网络（GAN）。该算法在 2014 年提出，并得到广泛应用，甚至已经侵入了人类工作的最后一道壁垒：创作。这种网络可以生成从未存在的人脸、互换人脸，让一国总统胡言乱语。GAN 生成的一幅画甚至在佳士得拍卖会上以破纪录的价格——40 万美元成交了。GAN 的另一面是被用于恶意目的，以致于像 Adobe 这种公司不得不研究新技术来鉴别伪造内容。GAN 在下一个十年里仍将是被广泛讨论的对象。

开源文化逐渐成熟

图源：MIT Tech Review

2015 年，TensorFlow 开源。一年后，Facebook AI 又开源了基于 Python 的深度学习框架 PyTorch。今天，TensorFlow 和 PyTorch 已经成为使用最广泛的框架。通过不断的版本更新，谷歌和 Facebook 为机器学习社区带来了极大便利。自定义库、软件包、框架和工具的爆发式增长，使得更多人进入了 AI 领域，也为 AI 研究带来了更多人才。

开源是近几年的一个主要特性。开源工具和越来越多的可用资源（如 arxiv 或 Coursera）促进了 AI 变革。另一个催化剂是流行的竞赛平台——Kaggle。Kaggle 和 GitHub 滋养了一批高质量 AI 开发者。

更多学习，更少规则

Schmidhuber 教授上世纪 90 年代初提出的元学习概念，最近才逐渐得到关注。元学习指在有限训练示例的基础上，使机器学习模型学习新技能并适应不断变化的环境。通过操纵超参数对特定任务优化机器学习模型需要大量用户输入的话，过程会较为繁琐，而使用元学习后，这一负担将得到极大缓解，因为元学习将优化部分自动化了。自动优化带来了一个新的行业 MLaaS（机器学习即服务）。

未来方向

关于一些专家预测以下领域或许将发挥主要作用：

• 可复现性
• 差分隐私
• 几何深度学习
• 神经形态计算
• 强化学习

为了，帮助同学们更好地乘上人工智能地科研快车，指南针学院邀请到了双一流高校博士、研究院研究员——Michael博士，与大家用一晚上地时间进行深入探讨~

课程介绍

在课程中，我们将从一个最简单的案例——“水果分类”出发，为大家介绍常见AI算法的原理和使用场景；并根据算法的不同特点梳理AI发展过程中产生的三种思想流派（符号主义、联结主义、进化主义）。

在对AI具备基本认识的基础上，进一步我们将结合文献解析如何把AI技术应用于传统工科研究，并通过项目实战展示宏观流程和部分技术细节。最后结合社会需求和讲师自身经验，为有志于从事交叉领域的同学提供发展建议。

讲师介绍

Michael，双一流高校博士（传统工科方向），目前在研究院从事工业物联网产品研发，熟悉各种机器学习算法的原理和适用场景、擅长Python编程和各类机器学习库的使用、有“传统工科+机器学习”交叉领域文章发表经验。

课程安排

上课时间：1月18日，晚19：30

第一部分 背景知识：1. AI简介；2. 传统工科与AI的结合场景

第二部分 文献解读：1. AI助力材料设计；2. AI助力优化控制；3. AI助力故障诊断

第三部分 项目实战：1. 利用“爬虫”获取分子筛结构数据库；2. 搭建人工神经网络；3. 训练神经网络并进行分子筛晶系

第四部分 选择赛道：1. 复合型人才的社会需求；2. 如何“点亮”技能树

课程剪影

多层感知机结构示意图

卷积神经网络工作原理示意图

加速催化剂设计的AI系统示意图

上课安排

上课时间：

1月18日，晚19：30

参与方式：

B站直播讲座

UP主：

指南针学院

直播地址：

http://live.bilibili.com/21727250

关注B站UP主“指南针学院”，复制上方直播地址，即可在上课时间观看公开课讲座。

听课0门槛

添加小枫师妹进课程交流群优先进行课程答疑

已在课程群的无需重复进群哦

适宜听课人群

研究物理、化学、有机、无机、高分子、半导体、金属材料、非金属材料、复合材料、纳米材料、催化、电池、生物、生化、药物、医学、冶金、能源、食品、环境、资源等理工科方向的人群。

---

错过直播课程叫苦不迭？

放心，回放获取方式这就给您安排上！

指南针学院接下来的公开课回放视频

   统一更改到schooin网校获取啦！！

在网校中看回放~

1.无需下载，有网就能看

2.无需回复关键词，打开网校就能看

3.无需额外保存，全天候随时随地永久保留

更多往期课程详情，扫码进入店铺看一看

---

动动小手加星标，浏览文章不迷路！不用每天花费时间刷信息流也可以随时看到自己喜欢的内容啦！

往期推荐
万事屋告示牌
招聘话题小编

⭐我们希望你

擅长写各类硕博热点话题，内容有趣，有料，有思想

⭐简历投递

1. 投递邮箱：[e-mail]2.扫描左侧海报中的二维码，添加负责人微信
关注我们

点了“在看”的小哥哥小姐姐

今年发IF>10一作