portant;">2021 年，「人工智能奇迹」不再只是故事！
portant;">岁末将至，IEEE Spectrum 总结了 2021 年 10 篇最受读者欢迎的 AI 文章，按时间排名，其中一些文章来自 2021 年 10 月的 AI 特刊「The Great AI Reckoning」。
portant;">1. 深度学习的收益递减，只因训练成本太高
portant;">MIT 的 Neil Thompson 团队凭借一篇关于训练深度学习系统的计算和能源成本的文章占据了榜首。
portant;">在这篇文章中，研究人员分析了图像分类器的改进过程，结果发现，现在要想将图像识别的错误率减半，需要 500 倍的计算资源。
portant;">文章表示，「面对飞涨的成本，研究人员要么想出更有效的方法来解决这些问题，要么放弃对这些问题的研究，让图像分类器的性能停滞不前。」不过，这篇文章最后也提出了一些关于未来方向一些有前途的观点。
portant;">https://spectrum.ieee.org/deep-learning-computational-cost
portant;">2. 了解 2021 年的AI动向，看这 15 张图表就够了
portant;">每年，「人工智能指数都会将大量数据放入有关人工智能的对话中。2021 年，该指数展示了学术界和工业界的全球视角，凸显AI劳动力多样性的问题和AI应用的道德挑战。此文将 222 页的报告浓缩成 15 个图表，涵盖工作、投资等领域。
portant;">https://spectrum.ieee.org/the-state-of-ai-in-15-graphs
portant;">3. DeepMind 在「重新发明」机器人
portant;">近几年，AI领域一些最令人印象深刻的突破背后都有DeepMind的身影。比如蛋白质折叠方面的突破性工作，以及在围棋上击败人类专业棋手的 AlphaGo。因此，当 DeepMind 表示准备尝试构建多才多艺、高适应性的机器人时，毫无意外地引发了人们的广泛关注。
portant;">https://spectrum.ieee.org/how-deepmind-is-reinventing-the-robot
portant;">4. AI 简史：动荡的过去和不确定的未来
portant;">这篇文章讲述了AI领域从 1956 年至今的故事，同时也为其他文章提供了线索。如果想了解AI是如何从纯概念发展至今的，读一读此文再合适不过。
portant;">本文梳理了过去执着于「专家系统」的符号主义者与发明神经网络的「连接主义者」之间的大争论，并提出了「混合神经符号系统」诞生的可能性。
portant;">https://spectrum.ieee.org/history-of-ai
portant;">5. 吴恩达眼中的「AI热潮」
portant;">此文是 AI 先驱人物吴恩达在 Zoom 采访问答环节中的节录。吴恩达深入参与了 Google Brain 和百度的早期 AI 工作，现在领导一家名为 Landing AI 的公司。
portant;">文中，吴恩达谈到了斯坦福大学开发的AI系统，该系统通过胸部 X 光片发现肺炎，效果甚至优于放射科医生。但目前，距离将AI系统应用到实际临床，还有很长的路要走。
portant;">https://spectrum.ieee.org/andrew-ng-xrays-the-ai-hype
portant;">6. OpenAI 的 GPT-3 会说话了，但可能不那么好听......
portant;">当 OpenAI 在 2020 年推出语言生成系统 GPT-3 时，AI社区的第一反应是敬畏。只要给出最少的提示，GPT-3 就可生成关于任何主题和任何风格的流畅、连贯的文本。
portant;">但GPT-3也有另一面。GPT-3接受了来自互联网的大量文本的训练，了解在网络世界的普遍的人类偏见，可能产生了一个可怕的习惯：学会了阴阳怪气和骂人。
portant;">这就产生了一个问题，如果有企业希望将GPT-3用于客户服务、在线辅导、心理健康咨询等领域，要如何防止它不小心对着客户阴阳怪气呢？
portant;">https://spectrum.ieee.org/open-ais-powerful-text-generating-tool-is-ready-for-business
portant;">7. AI成功复制蜻蜓大脑
portant;">蜻蜓大脑与导弹防御有什么关系？问问桑迪亚国家实验室的 Frances Chance，他研究了蜻蜓如何有效地利用约 100 万个神经元，以非凡的精度捕捉空中猎物。
portant;">Chance的研究与构建规模和复杂性不断增加的神经网络的研究实验室形成了有趣的对比。
portant;">她表示：「我们的目标是，通过利用蜻蜓神经系统的速度、简单性和效率，设计能够更快地执行这些功能的计算机，而功耗仅为传统计算机系统的一小部分。」
portant;">https://spectrum.ieee.org/fast-efficient-neural-networks-copy-dragonfly-brains
portant;">8. 除非能复制人类大脑，否则深度学习还不够「深」
portant;">杰夫·霍金斯发明了掌上电脑，开创了智能手机时代。现在，他正在研究人脑中智能的基础，并希望开创通用人工智能（AGI）的新时代。
portant;">与霍金斯的这个访谈提及了他最有争议的一些想法。霍金斯坚信，超级智能 AI 不会对人类构成生存威胁，意识问题，并不是真正困难的问题。
portant;">https://spectrum.ieee.org/deep-learning-isnt-deep-enough-unless-it-copies-from-the-brain
portant;">9. AI算法，让杂货店「动起来」
portant;">了解为我们的生活提供便利的技术总是一件趣事。
portant;">杂货店购物和送货公司 Instacart 的工程师 Sharath Rao 和 Lily Zhang 表示，该公司的AI基础设施可以预测「近 40000 家杂货店的产品，涵盖数十亿个不同数据点」是否缺货，同时还提出关于换货的建议，预测有多少购物者，并对订单和送货路线进行高效分组。
portant;">https://spectrum.ieee.org/the-algorithms-that-make-instacart-roll
portant;">10. AI绕不过去的七大弱点
portant;">AI在不断取得突破的同时，也在遭受着数不清的失败。
portant;">本文列举了AI模型陷于失败的七个例子，揭示了AI目前存在的绕不过去的弱点。科学家们讨论了处理其中一些问题的可能方法；但也有一些AI的局限性在目前是无法解释的，或者说从哲学上讲，可能完全没有任何结论性的解决方案。
portant;">https://spectrum.ieee.org/ai-failures
2022 年，是否会成为AI科学家们攻克棘手问题的一年？AI的算法偏差会解决吗？灾难性遗忘问题会被攻克吗？在不破坏地球能源的情况下，能找到提高AI性能的方法吗？
