美國《福布斯》雙周刊網站3月15日刊登文章，題為《2021年的人工智能：你可能期待（也可能不期待）的五大趨勢》。全文摘編如下：

人工智能創新繼續快速發展，幾乎所有行業都出現了爆炸式增長。那么，過去一年里我們收獲了什么？我們可以對2021年的人工智能發展有何期待？人工智能發展已經出現了五大趨勢。預計這些趨勢將在2021年變得更加突出。

機器學習運維

機器學習運維已持續一段時間。它指的是機器在生產環境中的學習實踐。但2020年的新冠疫情讓人們重新認識到監控和管理機器在生產環境中的學習情況的必要性。操作流程、庫存管理、交通模式都發生了巨大的變化，導致很多人工智能出現出人意料的行為。這在機器學習運維的世界中被稱為“漂移”，即輸入數據與人工智能的受訓目標不符時發生的情況。雖然早前在生產環境中設置機器學習模型的公司都知道，機器在生產環境中學習面臨“漂移”等諸多挑戰，但新冠疫情帶來的變化使大家對機器學習運維的必要性有了更全面的認識。

低代碼和無代碼

自動化機器學習已存在一段時間。自動化機器學習歷來注重算法選擇，以及為特定數據集找到機器學習或深度學習的最佳解決方案。去年，低代碼和無代碼技術的應用實現全面增長，從普通應用到面向企業的人工智能垂直解決方案無所不包。雖然有了自動化機器學習，無需深入掌握數據知識，就能建立高質量的人工智能模型，但在現在的低代碼和無代碼平臺的幫助下，無需深入學習編程知識，就能建立整套生產級人工智能應用。

預訓練語言高級模型

在過去幾年里，自然語言處理領域取得了長足的進步，其中最偉大的或許要屬“變換器和注意力”機制，其常見應用之一是“基于變換器的雙向編碼器表征”（BERT）。這些模型極其強大，給語言翻譯、理解、概括等帶來了革命性的變化。不過，訓練這些模型費用高，耗時長。好消息是，預訓練模型能夠催生出新一代高效的、極易構建的人工智能服務。可通過應用程序編程接口訪問的高級模型的一個經典例子是GPT-3。從編寫代碼到創作詩歌，諸多使用案例已證明了GPT-3的強大。

合成內容生成

自然語言處理并不是唯一見證大量算法創新的人工智能領域。生成式對抗網絡同樣見證了創新，并在藝術創造和圖像造假方面展現了非凡成就。類似于自然語言處理領域的變換器，訓練和調試生成式對抗網絡的過程也很復雜，因為它們需要大量的訓練組合。然而，創新大大減少了創建生成式對抗網絡所需的數據規模。

面向青少年的人工智能

隨著低代碼工具的普及，人工智能系統構建者日益低齡化。現在，一名小學生或中學生都有可能構建自己的人工智能，用于完成從文字處理到圖像分類的各種任務?，F在，美國高中已開始教授人工智能課程，初中似乎打算效法。例如，在硅谷2020年的“新思科學博覽會”上，31%的獲獎軟件項目在創新過程中使用了人工智能。更令人印象深刻的是，在這些人工智能中，有27%是由6至8年級學生構建的。比如，其中一名獲獎者是8年級學生阿妮卡·帕利亞波圖。這名學生構建了一個卷積神經網絡，能通過掃描眼部來檢測糖尿病性視網膜病變。

[[388962]]

美國中學生阿妮卡·帕利亞波圖構建了一個卷積神經網絡。（美國科學與大眾協會網站）

[[388963]]

美國中學生阿妮卡·帕利亞波圖構建了一個卷積神經網絡，能通過掃描眼部來檢測糖尿病性視網膜病變。（美國科學與大眾協會網站）