在經(jīng)歷了前幾年的高歌猛進之后，許多人工智能相關技術在 2019 年開始放慢腳步?；跀?shù)據(jù)分析的結(jié)果，機器之心總結(jié)出了近 5 年來累計趨勢指數(shù)總排名前十的 AI 技術（圖一），2018、2019 年兩年里各自趨勢指數(shù)增長最快的 AI 技術（圖二、圖三），以及 2017~2019 三年間綜合對比增幅最大的 AI 技術（圖四）

　　圖一：趨勢指數(shù)（SI）Top10 技術為語音識別、卷積神經(jīng)網(wǎng)絡、云計算、GPU、深度學習、推薦系統(tǒng)、機器翻譯、定位、大規(guī)模預訓練模型。

　　圖二：2018 年趨勢指數(shù)（SI）增長最迅速的技術 Top 5技術為區(qū)塊鏈、聯(lián)邦學習、多任務學習、圖神經(jīng)網(wǎng)絡。

　　圖三：2019 年趨勢指數(shù)（SI）增長最迅速的技術 Top 5 技術為擴展現(xiàn)實、工業(yè)物聯(lián)網(wǎng)、人體關鍵點檢測、三維推理、移動機器人；

　　圖四：2017~2019 年趨勢指數(shù)（SI）增長最迅速的技術 Top 5 技術為語音識別、文本分類、數(shù)據(jù)挖掘、物體識別、 GPU 技術。

　　綜合參考文獻、報告以及專家意見的定性分析，輔以大量數(shù)據(jù)的定量分析，以下分享五個相關的研究趨勢發(fā)現(xiàn)。

　　趨勢一：強化學習和無監(jiān)督學習是未來 AI 技術突破的主要著力點

　　在最新的 NeurIPS 2020 上，強化學習領域（Reinforcement Learning）以及其目前的主要應用領域 「游戲博弈（Game）」 是除機器學習、神經(jīng)網(wǎng)絡外討論度最高的技術主題。

　　圖 1-3-1-3 NeurIPS 論文相關技術主題

　　圖 1-3-3-2 NeurIPS 2020 收錄論文機器學習子領域主題分布

　　對比無監(jiān)督學習以及與之相關的半監(jiān)督學習，其相關專利數(shù)量在近年有所下滑，但研究論文整體呈現(xiàn)快速增長趨勢。

　　圖 7-3-6 無監(jiān)督學習 vs. 半監(jiān)督學習論文數(shù)量走勢

　　圖 7-3-6 無監(jiān)督學習 vs. 半監(jiān)督學習專利數(shù)量走勢

　　圖 7-4-1-5 無監(jiān)督學習對比半監(jiān)督學習（整體資訊）

　　在機器學習領域的近年累計趨勢指數(shù)排行中，無監(jiān)督學習與半監(jiān)督學習分列二、三位。

　　圖 7-5-1 機器學習 Synced Indicator（累加）

　　在語言和視覺技術這兩個人工智能感知層應用落地最成熟的技術領域，無監(jiān)督學習都是被提及頻率最高的技術發(fā)展趨勢。2018 年的圖靈獎的共同獲得者 Geoffrey Hinton、Yann LeCun 以及 Yoshua Bengio 近年的研究重點也均是無監(jiān)督學習相關的。而強化學習近年來雖在研究上一直有新的突破，但應用上多局限于游戲、自動駕駛等模擬環(huán)境，整體呈現(xiàn)出理論超前于應用的狀態(tài)，未來會在具體應用上有更多實踐乃至突破。

　　趨勢二：圖神經(jīng)網(wǎng)絡、圖深度學習、大規(guī)模圖計算平臺將有很大發(fā)展空間

　　近年來，受社交網(wǎng)絡、知識圖譜以及神經(jīng)科學中圖形的重要性所驅(qū)動，將深度學習模型應用在不規(guī)則圖結(jié)構的數(shù)據(jù)上逐漸成為了一種新興趨勢。這些基于圖的神經(jīng)網(wǎng)絡目前已經(jīng)在分類、嵌入、問答等多種不同的目標 應用中取得最佳表現(xiàn)效果。

　　對比機器學習領域下的主流神經(jīng)網(wǎng)絡結(jié)構，雖然圖神經(jīng)網(wǎng)絡在目前的研究占比并不是很重，但可以看到在 2018 年后有一個較為陡峭的上升趨勢，是近年來較值得關注的新領域。

　　圖 7-3-5 機器學習七大架構論文數(shù)量走勢（未包含 CNN）

　　與此同時，圖神經(jīng)網(wǎng)絡從 2017 年起，技術到應用的轉(zhuǎn)化率呈加速發(fā)展階段，在 2019 年機器學習領域整體專利數(shù)據(jù)源較少的情況下反而逆勢上漲。

　　圖 7-3-5 機器學習七大架構專利數(shù)量走勢（未包含 CNN）

　　相比傳統(tǒng)的文本、語音、圖像數(shù)據(jù)格式，圖結(jié)構將端到端學習與歸納推理相結(jié)合，是一種泛用性更強且更能代表現(xiàn)實世界真實情況的數(shù)據(jù)表示方式，有望解決深度學習無法處理的因果推理、可解釋性等一系列瓶頸問題

　　趨勢三：深度學習的可解釋性與 AI 安全問題越發(fā)受重視

　　黑盒問題是自深度學習誕生起便一直伴隨其中的主要問題與瓶頸之一，盡管深度學習技術的發(fā)展日新月異，在準確率等技 術指標上取得了驚人的成就，但是對于模型的可解釋性方面提升仍然不大。這極大地影響了相關技術在一些對模型結(jié)果的可信度和可解釋性有著高要求行業(yè)的應用（比如金融和醫(yī)學行業(yè)）。與此同時，伴隨著 AI 技術的不斷發(fā)展，用戶對于技術的關注度越來越高，其所帶來的各項問題也隨之越來越受到大眾關注。

　　研究方面，AI 安全相關的論文近年從萌芽開始穩(wěn)步增長，專利方面，在逐年增長的基礎上 2018 年~ 2019 年里還有一次較大增速的提升。

　　圖 10-3-2 強人工智能相關技術走勢（左：論文數(shù)量，右：專利數(shù)量）

　　新聞方面，2018 年之前 AI 安全的新聞討論度接近于 0，但出現(xiàn)后是領域內(nèi)增速最快的技術分類。

　　圖 10-4-1-2 強人工智能相關技術新聞走勢

　　趨勢四：移動和物聯(lián)網(wǎng)設備開始承擔更多的智能計算任務

　　隨著移動智能手機和物聯(lián)網(wǎng)設備的計算能力越來越強，移動網(wǎng)絡 5G 等配套基礎設施的逐步成熟，移動物聯(lián)網(wǎng)設備開始承擔越來越多機器學習相關的訓練和推理計算。

　　從相關領域的論文發(fā)表數(shù)量來看，分布式計算是目前的主要技術，然而其近年的相關論文發(fā)表數(shù)量卻有下降趨勢。而與之相關的邊緣計算和近年興起的無服務器計算則增速明顯。

　　圖 8-3-3 云計算論文數(shù)量分布

　　圖 8-3-3 論文走勢

　　圖 8-3-3 云計算專利數(shù)量走勢

　　一方面，云計算發(fā)展依舊迅猛，并逐漸向邊緣計算發(fā)展，助力物聯(lián)網(wǎng)智能化； 另一方面，AI 芯片也逐漸走向云端、邊緣端以及物聯(lián)網(wǎng)設備終端，有實力的科技公司將 AI 算力打包成服務，既合理利用了自身多余的算力資 源，又降低了不具備相關科研實力的中小企業(yè)可以以更低的成本使用到足夠的資源，完成自身的 AI 開發(fā)與部署需求，這與 近年來媒體討論度頗高的無服務計算有著一致的思想理念。

　　趨勢五：自動駕駛與機器人技術任重而道遠

　　從我們基于媒體資訊挖掘的整體數(shù)據(jù)可以看出，自動駕駛技術雖然整體上仍然處于上升趨勢，但是其最近 3 年的總體熱度相對其他 AI 技術而言卻是逐年下降的。無論是技術上還是社會影響上，無人駕駛領域的泡沫開始逐漸散去，其研發(fā)開始轉(zhuǎn)入了一個相對沉靜的緩慢發(fā)展期。

　　機器人技術方面，無人機是該技術領域近年來較為成熟的一大應用，其近年的相關論文數(shù)量占據(jù)了該領域的六成以上，并保持了一個較高的增長趨勢。智能機器人、服務機器人在專利方面總體都呈現(xiàn)上漲趨勢，可以看到整個行業(yè)正在從完全側(cè)重關注工業(yè)機器人向更貼近大眾生活的服務型機器人方向轉(zhuǎn)化。

　　圖 6-3-4 移動機器人論文數(shù)量走勢（左）與專利數(shù)量走勢（右）

　　圖 6-3-5 人機交互、機器人流程自動化數(shù)量走勢（上）與專利數(shù)量走勢（下）