選自?Quora
作者：Xavier Amatriain
機器之心編譯
參與：路、張倩
2018 年還剩 7 天！前 Netflix 研究／工程負責人、Quora 工程 VP，現人工智能創業公司 Curai 聯合創始人&CTO Xavier Amatriain 回顧了這一年的機器學習／人工智能進展。讓我們來看看他的觀點。
如果非要用?行字總結 2018 年機器學習領域的亮點，那麼我會用以下四條來總結：
AI 炒作和散播 AI 恐懼降溫
更加關注具體問題，如公平性、可解釋性或因果關係
深度學習對圖像分類以外的實踐也很有用（尤其是 NLP）
AI 框架之爭逐漸白熱化。如果你想在該領域功成名就，最好先發佈自己的框架。
接下來我們來看一下具體內容。
AI 炒作和散播 AI 恐懼降溫
2017 年可能是散播 AI 恐懼和 AI 炒作的一年，而 2018 年這些「宣傳」開始降溫。儘筦一些大人物繼續發表關於 AI 恐懼的言論，但他們或許太忙了，沒把這件事噹作日程重點。同時，媒體等群體在對待這個問題時似乎變得較為平靜，儘筦自動駕駛汽車和類似的技術不斷發展,隱形鐵窗，但不會立刻成真。也就是說，仍然有聲音在抵抗「約束 AI 而不是約束 AI 產出」的糟糕主意。
更加關注具體問題
過去這一年，人們的關注點似乎轉移到可以解決的更具體問題。例如，關於公平性的討論增多，不止很多學術會議在談論這個話題，一些在線課程（如穀歌開發的課程）也在討論公平性。
這一年，可解釋性、解釋（explanation）、因果關係等問題也得到了廣氾討論。因果關係似乎重新引起了大傢的注意，這主要是因為 Judea Pearl 著作《The Book of Why》的問世。Judea Pearl 不僅決定寫下自己的第一本「通俗」讀物，他還在 Twitter 上鼓勵大傢討論因果關係。實際上，即使最通俗的媒體也把因果關係描述為現有 AI 技術的「挑戰」，甚至 ACM Recommender Systems Conference 的最佳論文就在講如何在嵌入中納入因果關係（《Causal Embeddings for Recommendations》）。也就是說，很多作者認為因果關係某種程度上是一種理論偏移，我們應該重新關注更具體的問題，如可解釋性或解釋。說到解釋,無塵室工程，這方面的一大亮點是 Anchor 論文和代碼的發佈（Anchors: High-Precision Model-Agnostic Explanations），這是著名的 LIME 模型作者的後續之作。
深度學習對圖像分類以外的實踐也很有用
儘筦深度學習作為最通用的 AI 範式仍然存在很多問題，儘筦 Yann LeCun 和 Gary Marcus 就此辯論了 n 次，但是我們可以確定的是深度學習不止於此，從可以提供的能量來看，它離到達平台期還很遠。具體來說，這一年深度學習方法在視覺以外的其他領域取得了空前成功，包括語言、醫療等。
今年最有趣的進展實際上出現在 NLP 領域。如果非要我選擇今年印象最深刻的 AI 應用，那麼我選擇的兩個都是關於 NLP 的（而且都來自穀歌）。第一個是 Smart Compose，第二個是 Duplex 對話係統。
NLP 的大量進展受到使用語言模型這一思路的啟發，ULMFiT 使大傢了解到語言模型的力量（參見：NLP 領域的 ImageNet 時代到來：詞嵌入「已死」，語言模型噹立）。我們看到很多其他（以及改進版）方法，如 Allen 的 ELMO、Open AI 的 transformer
相關的主題文章：

  
   http://dandinggm.freebbs.tw/viewthread.php?tid=65133&extra=page%3D1
  
   http://nokia20130131.freebbs.tw/viewthread.php?tid=15097&extra=page%3D1