2021年人工智能的三大热门领域

2021年人工智能将继续快速发展，虽然通用AI依然遥远，但是AI进入生活改变生活的脚步却在加快，尤其是OpenAI的GPT-3，展示了我们可能很快会看到AI渗透到日常生活的新颖而令人惊讶的方式。如此迅速的进展使得对AI的未来进行预测变得有些困难，但是某些领域似乎已经取得了突破。以下是2021年特别值得关注的三大AI领域：

Transformer

2020年最大的AI成就中有两项悄悄地共享了相同的底层AI结构。OpenAI的GPT-3和DeepMind的AlphaFold都是基于Transformer的序列处理模型。尽管Transformer的结构自2017年以来就已经存在，但GPT-3和Alphafold展示了Transformer的非凡能力，它比上一代序列模型更深入，更快速地学习，并且能够很好地处理自然语言处理之外的问题。

与先前的序列建模结构（例如递归神经网络和LSTM）不同，变形金刚偏离了顺序处理数据的范式。他们使用称为注意力的机制一次处理整个输入序列，以了解输入的哪些部分与其他部分相关。这使Transformers可以轻松地关联输入序列的遥远部分，这是递归模型难以克服的任务。它还允许并行进行培训的重要部分，从而更好地利用近年来已可用的大规模并行硬件，并大大减少了培训时间。毫无疑问，研究人员将在2021年寻找新的地方来应用这种有前途的结构，并且有充分的理由期待取得积极的结果。实际上，OpenAI在2021年已经修改了GPT-3，以根据文字描述生成图像。Transformer看起来已经准备好统治2021年。

图神经网络

许多领域的数据自然都具有图表结构：计算机网络，社交网络，分子/蛋白质和运输路线只是其中的几个例子。图神经网络（GNN）允许将深度学习应用到图结构化数据，我们希望GNN在将来成为越来越重要的AI方法。更具体地说，我们预计到2021年，一些关键领域的方法学进步将推动GNN的广泛采用。

动态图是第一个重要的领域。迄今为止，大多数GNN研究都假设一个静态的，不变的图，但上述情况必然会随着时间而发生变化：例如，在社交网络中，成员加入（新节点）而友谊改变（不同边缘）。在2020年，我们看到了一些将时间演化图建模为一系列快照的努力，但是2021年将扩展这一新生的研究方向，重点是将动态图建模为连续时间序列的方法。除了通常的拓扑结构之外，这种连续建模还应使GNN能够发现图中的时间结构并从中学习。

消息传递范式的改进将是另一个使人前进的进步。消息传递是实现图神经网络的一种常用方法，它是通过沿连接邻居的边缘“传递”信息来聚集有关节点的信息的一种方法。尽管很直观，但是消息传递却难以捕获需要信息在图形上长距离传播的效果。明年，我们希望突破性突破这一范式，例如通过迭代学习哪些信息传播路径最相关，甚至学习关系数据集上的全新因果图。

应用领域：网络安全、自然语言处理与边缘计算

去年的许多头条新闻都强调了AI在实际应用中的新兴进展，并且2021年有望利用这些进展。尤其是，依赖自然语言理解的应用程序可能会随着对GPT-3 API的访问变得更加可用而取得进步。该API允许用户访问GPT-3的功能，而无需他们训练自己的AI，这本来就很昂贵。在Microsoft购买GPT-3许可证后，我们可能还会看到该技术也出现在Microsoft产品中。

在2021年，其他应用领域也可能会从AI技术中受益匪浅，人工智能和机器学习（ML）逐渐进入了网络安全领域，但2021年显示出加速发展的潜力。正如SolarWinds漏洞所突显的那样，公司已面临来自网络犯罪分子和国家行为者的迫在眉睫的威胁，以及不断发展的恶意软件和勒索软件配置的威胁。在2021年，我们预计将积极推动先进的行为分析AI来增强网络防御系统。人工智能和行为分析对于帮助识别新威胁（包括早期威胁的变体）至关重要。

参考阅读：2030年人工智能网络安全市场产值将高达1018亿美元

我们还预计，到2021年，默认将在边缘设备上运行机器学习模型的应用程序将会增加。随着处理能力和量化技术的进步，诸如谷歌的Coral等具有板载张量处理单元（TPU）的设备必将越来越普及。Edge AI消除了将数据发送到云进行推理的需求，节省了带宽并减少了执行时间，这两者在医疗保健等领域都至关重要。边缘计算还可以在其他需要隐私，安全，低延迟的区域以及世界上无法访问高速互联网的场景中打开新的应用领域。