机器学习跌下神坛?一些技术趋势正在消失

标签: | 发表时间:2018-08-26 08:36 | 作者:
出处:https://mp.weixin.qq.com

未来,在路边等待 Uber 或 Lyft 来载你或将成为过去式,届时,我们要做的可能就是走到直升机降落场,叫上一辆无人机。这种未来的“空中飞的”不仅将减少交通堵塞,而且省去了人类驾驶员。

说到打飞的,事实上无人机技术还远未成熟到可以为我们提供民主化交通服务的地步。其中第一个挑战便来自于人类对自动化技术的掌握。Gartner 预计,这门技术在 10 年之后才会成熟。美国高速公路安全保险协会最近的一份报告显示(http://www.iihs.org/iihs/news/desktopnews/evaluating-autonomy-iihs-examines-driver-assistance-features-in-road-track-tests), 目前的 Level 2 无人车助手还不具备安全驾驶的能力,而且在未来相当长一段时间不会有重大进展。


不仅是无人机,医疗设备、物流、食品配送等领域也一样。倒是一些公司正在积极研究如何不用人类驾驶员将包裹配送到边远地区,有可能在未来十多年里实现。

完全自动化的飞行器比地面上的无人车更容易实现,因为空中管制较多,环境也没有地面那么复杂。但还是会面临其他问题,如直升机升降场建在哪里,怎样避免交通事故等。无人机名列 Gartner 2018 技术炒作周期 17 个新兴技术趋势之一,这个周期呈现了未来几十年将具有高度竞争性优势的技术。

今年,Gartner 将这 17 个技术分为 5 个大趋势:民主化人工智能(AI)、数字化生态系统、自动化生物黑客、透明的沉浸式体验和无处不在的基础设施。

“技术 leader 时刻面临着技术的更新迭代,这些变化将会对你的工作产生重要影响,此调查报告显示的技术趋势可能将对打破企业原有商业产生巨大影响,因此,执行团队应该密切注意这些变化。”Gartner 调研副总裁 Mike Walker 说道。


趋势 1:民主化人工智能

由于云计算、开源和“制造商”社区,AI 将成为最具破坏性的技术之一,应用会更加广泛。早期采用者从该技术的不断发展中受益,但最显著的变化将是其对大众的可用性。这些技术还培养了一大批开发人员、数据科学家和 AI 架构师,他们将会创建基于 AI 的新解决方案。

例如,能够与人类一起工作、提供客房服务或在仓库工作的智能机器人将会让组织辅助、替换或重新部署人类工作者,让人类有时间可以进行更多有价值的工作。此类别中还包括 Level 4 自动驾驶和 Level5 自动驾驶,它在今年的 Hype Cycle 中取代了“自动驾驶汽车”。

Level 4 无人车是指在大多数(但不是所有)条件和位置,可以在没有人类交互的情况下,在一定地理区域内操作的自动驾驶车辆。这一级别的自动驾驶汽车可能会在未来十年内上市。Level 5 车辆在所有情况和条件下都可以自主运行,并控制所有任务。没有方向盘、刹车或踏板,这些汽车可能成为家庭的另一个生活空间,将产生深远的社会影响。

阅读更多:CIO 的 AI 指南(https://www.gartner.com/smarterwithgartner/the-cios-guide-to-artificial-intelligence/)

趋势 2:数字化生态系统

新兴技术总是需要新的技术基础和更具活力的生态系统的支持。这些生态系统需要新的业务战略,并转向基于平台的业务模式。

“从独立的技术基础设施向生态系统支持平台的转变,为构成人与技术之间桥梁的全新商业模式的形成奠定了基础,”Walker 说道。

例如,区块链可能会成为数据安全领域游戏规则的改变者,因为它有可能提高集中式系统的弹性、可靠性、透明度和信任度。在此技术趋势下,代表真实物体的虚拟表示数字孪生(digital twins)也是其中一个技术。这一技术在运维领域已经开始得到采用,Gartner 预估未来五年之内,数以万计的事物将拥有数字孪生。

阅读更多:CIO 的区块链指南(https://www.gartner.com/smarterwithgartner/the-cios-guide-to-blockchain/)

趋势 3:自动化生物黑客

2018 年只是一个“跨人类”时代的开始,黑客生物学和“扩展”人类的普及和可用性将会增加。从简单的诊断到神经植入,这门技术将引起关于道德人性和法律、社会等问题。这种技术将分为四类:技术增强、营养基因组学、实验生物学和磨床生物骇客。

例如,生物芯片甚至可以在患者出现症状之前,检测到大至癌症、小到天花等疾病的可能性。这些芯片由表面的一系列分子传感器制成,可以分析生物元素和化学物质。今年,“生物技术”也是技术炒作周期上的“新客”,即人工培养和生物培育的肌肉。虽然仍处于实验室开发阶段,但这项技术最终可以让皮肤和组织在机器人外部生长,并对压力敏感。

趋势 4:透明的沉浸式体验

智能工作站(https://www.gartner.com/smarterwithgartner/top-10-technologies-driving-the-digital-workplace/) 等技术越来越以人为中心,模糊了人、企业和事物之间的界限,扩展并实现了更智能的生活、工作和生活体验。在智能工作站中,电子白板可以更好地捕获会议记录,传感器可以根据员工位置提供个性化信息,办公用品也可以直接与 IT 平台交互。

在家居方面,互相连接的家庭可以连接设备、传感器、工具和平台。越来越智能的系统可以让人们有更加情境化和个性化的体验。

趋势 5:无处不在的基础设施

总的来说,基础设施将不再是战略业务目标的关键。日益普及的云计算和无处不在、随时可用的基础架构环境改变了基础架构的格局。这些技术将是新业务模式的未来。

例如,具有复杂的量子比特和算法系统的量子计算比传统计算机运行速度有指数级的增长。在未来,该技术将对优化、机器学习、加密、分析和图像分析产生巨大影响。虽然通用量子计算机可能永远不会实现,但该技术在狭义领域中将具有巨大的潜力。

这一趋势中的第二项新技术是神经形态硬件。这是一种受神经生物学架构启发而发明的半导体器件,可以为深度神经网络提供极高的性能,减少功耗的同时可以提供比传统方法更高的性能。

那些消失的新兴技术趋势

然而,事实上,并非榜单中所有的新兴技术都可以在翻越“技术炒作周期”的顶峰后成功存活下来。

根据 Gartner 的技术炒作周期,一项成功的新技术必须首先登上过高期望的峰值期(Peak of Inflated Expectations),然后再跌入绝望的谷底,或者 Gartner 所谓的泡沫化的底谷期(Trough of Disillusionment)。甩掉身上的泥垢,重新站起来,沿着稳步爬升的光明期(Slope of Enlightenment)向上爬,然后再次到达阳光普照的实质生产的高原期 (Plateau of Productivity)。只有这样,新兴技术才能最终放下背包,打开保温瓶,当之无愧地享用美味的午餐。

去年的 Gartner 技术炒作周期报告中出现的九项新兴技术已经消失了。

其中有一些非常有份量。去年 7 月,机器学习距离趋势峰值还有两年的时间,但今年它已经消失了。正如其他很多趋势一样,它的堂兄深度学习也摇摇欲坠。

这里可能有人会产生疑问:机器学习为什么会从技术趋势中消失呢?

对于这个问题,或许微软机器学习研究员 John Langford 的一番话可以给我们一些参考:“只注重实践的研究者有时候会犯一些很愚蠢的错误,比如,分不清训练集和测试集或者采用错误的方法去解决问题。只注重理论的人也许理解优秀算法的结构,但不能有效运用,或者不能从很多可能的方法中选出合适的那个。运用方程解决问题和证明方程是两种完全不同的能力,这在机器学习中尤其的正确,在机器学习领域,证明方程有效经常并不意味着可以用它来解决问题。”

在实践应用中,由于机器学习的炒作和教育方式大都是围绕着研究领域而不是应用领域展开,企业的机器学习团队往往把时间花费在研究领域,而不是业务应用中,因此未能成功获得预期价值,逐渐对机器学习的热情减退。


另一方面,机器学习算法难以复现,也是阻碍研究者的原因之一。

去年,边缘计算在艰难地爬坡——但今年它也已经消失了。人工增强、增强数据发现也是如此。

还记得无人机吗?它们已经崩溃了。

但有一些趋势却很难说。Gartner 会用新术语取代旧术语,例如,自动驾驶汽车已经消失,但却出现了自动驾驶 Level 4,虽然这项技术越来越接近现实,但要真正实现至少需要等到 10 年之后。会话用户界面消失了,会话 AI 平台神奇地取而代之,但是略微往下掉了一些。

数字孪生(Digital Twin)是少数几个出现上升的技术之一。现在正在达到峰顶。物联网平台现在处于危险区域:正在从峰顶向低谷下滑。


(2017年Gartner技术炒作周期)


(2018年Gartner技术炒作周期)

处在稳步爬升的光明期的技术很少,去年只有 VR 处在这个位置。而今年,实质生产的高原期完全是空的。灰尘和风滚草扫过这片被诅咒的平原:这里没有生命迹象。

我们感到很惊讶。Gartner 该如何对此作出解释?所有那些新兴的趋势都去哪儿了?它们经历过高原了吗,还是就这么过去了?

值得一提的是,今年的新晋者是:“民主化人工智能(Democratised AI)”、区块链、DIY 生物黑客(包括“磨床黑客”)、透明的沉浸式空间(“Smart Dust”并没有完全死亡,还有诱人的“4D 打印”)和“无所不在的基础设施”,其中包括 5G 和深度神经 ASIC。

Gartner 表示,后两者“预计要么将在未来两到五年内达到高原”,要么永远不可能。

后   记

Gartner 技术炒作周期因为太过偏离现实而饱受批评。正如风险投资家 Michael Mullany 所说的那样,很多技术只是死了。其他技术在没有经历这一过程的情况下依然迅速被大规模采用,比如 DVD。

比较 2017 年和 2018 年的 Gartner 技术炒作周期,有一个问题是显而易见的:新兴趋势是单向的。它们显然只能往一个方向移动,或者它们要么保持原地不动,要么神奇地消失。它们不能倒退或重新出现,像是一个胖子试图从游泳池的深处走出来。我们建议 Gartner 对此给出一个有效的解决方案。

原文链接:

https://www.gartner.com/smarterwithgartner/5-trends-emerge-in-gartner-hype-cycle-for-emerging-technologies-2018/

https://www.theregister.co.uk/2018/08/20/gartners_great_vanishing_every_2017_emerging_tech_trend_has_disappeared/

相关 [机器学习 技术 趋势] 推荐:

机器学习跌下神坛?一些技术趋势正在消失

- -
未来,在路边等待 Uber 或 Lyft 来载你或将成为过去式,届时,我们要做的可能就是走到直升机降落场,叫上一辆无人机. 这种未来的“空中飞的”不仅将减少交通堵塞,而且省去了人类驾驶员. 说到打飞的,事实上无人机技术还远未成熟到可以为我们提供民主化交通服务的地步. 其中第一个挑战便来自于人类对自动化技术的掌握.

[译] 理解机器学习技术

- - IT瘾-dev
第1讲 理解机器学习技术. 学完本模块的内容,读者将能够:. 讨论机器学习的技术和商业应用. 学完本讲的内容,读者将能够:. 解释各类机器学习方法和算法. “机器学习领域的突破,其价值10倍于微软. 你是否曾经为计算机能够下象棋或者机器人能够完成复杂任务而感到惊奇. 一旦你理解了机器如何学习和适应各种问题、提供合适的解决方案时,这些看上去很复杂的问题实际上相当简单.

机器学习实践系列之5 - 目标跟踪 - 跟随技术的脚步-linolzhang的专栏 - CSDN博客

- -
目标跟踪(Object Tracking),很多专业人士都不陌生,它是计算机视觉里面 用于视频分析的一个很大的分类,就像目标检测一样,是视频分析算法的底层支撑.        目标跟踪的算法有很多,像 Mean-Shift、光流法、粒子滤波、卡尔曼滤波等 传统方法,也有 TLD、CT、Struct、KCF 等掺杂了某些 “外力”,不那么纯粹的方法.

技术行业的宏观趋势

- - IT瘾-startup
我们每半年发布一次 技术雷达:它是所有我们认为横跨业界当下和将来的相关重要技术的快照. 我们从世界各地召集了约20位最有资历的技术人来编写技术雷达,这也是一个用全球视角对比趋势和方向的绝佳机会. 我们在技术雷达上总结出了主要的潮流,但这其中的奥妙足以再专门写一篇长文章. 在此,我们将关注于技术雷达中未能覆盖到的一些宏观趋势.

2013年的技术趋势 — ThoughtWorks技术雷达阅读笔记

- - I am Hu Kai
边界正在变的更加模糊,传统上办公室是工作发生的地方,我们需要内部网络来登陆邮件系统,访问公司的知识库,利用电话会议系统和处于世界各地的同事交流. 随着移动设备的普及,网络速度的提升以及越来越多的内部系统被迁移到同时提供外部访问的云平台上,工作正在从办公室扩展到生活的每一处,在出租车上,我们用手机阅读和回复邮件;在机场,我们使用Goto Meeting来和各地的同事举行电话会议;在客户现场,我们用手机访问Jive.

将搜索引擎的机器学习技术用于风控,氪信希望指数级提高金融模型的训练效率

- - 36氪
氪信的创始人朱明杰之前是搜索引擎的数据工程师,现在他把技术应用在了金融风控上,近期获得了真格基金700万人民币的天使投资. 氪信的产品包括非或然引擎(下文简称“引擎”)和XCloud两部分,“引擎”是一套数据模型处理系统,解决的是不同场景下的风控模型校正问题. 以物流行业为例,通过输入企业ERP数据、位置信息数据等场景内数据,以机器学习的技术调整各数据维度的权重,从而建立针对场景的风控模型.

机器学习五步走

- - 我爱机器学习
经常会有人问“我该如何在机器学习方面更进一步,我不知道我接下来要学什么了. 一般我都会给出继续钻研教科书的答案. 每当这时候我都会收到一种大惑不解的表情. 但是进步确实就是持续的练习,保持较强的求知欲,并尽你可能的完成具有挑战性的工作. 因为他是为数不多的几种可以让你真真让你获取坚实知识的媒介. 是的,你可以选择选一门课,注册MOOC,参加一些讨论班.

机器学习之路

- - 我爱机器学习
自从答应简二毛博士将自己的机器学习历程和心得分享给大家至今,转眼间半年已经过去了,感谢简博士分享和开源精神的鼓舞,这也正是本系列关于机器学习介绍博客的动力来源. 之前有些网友,师弟们问我,学习机器学习怎么入手,从看什么书开始. 如果你只愿意看一本书,那么推荐Bishop的PRML,全名Pattern Recognition and Machine Learning. 这本书是机器学习的圣经之作,尤其对于贝叶斯方法,介绍非常完善.

机器学习算法Boosting

- - 标点符
机器学习通常会被分为2大类:监督学习和非监督学习. 在监督学习中,训练数据由输入和期望的输出组成,然后对非训练数据进行预测输出,也就是找出输入x与输出y之间的函数关系F:y = F(x). 根据输出的精确特性又可以分为分类和回归. 分类和回归的区别在于输出变量的类型. 定量输出称为回归,或者说是连续变量预测.

来自 Sinofsky 的 CES 2013 报告:技术产品趋势和神秘技术

- - LiveSino 中文版
微软前 Windows 部门总裁 Steven Sinofsky 在他新开设的博客 Learning by Shipping( 介绍)中谈到了他的 CES 2013 展会参观报告,其中他谈到了他在现场观察到的一些趋势,和值得关注的产品和技术,甚至他还暗示了一款神秘技术. CES 2013 上升趋势:移动化、清晰和简约的设计语言、更好的制作质量、服务整合、社交整合、扩大的摩尔定律适用范围、联机生活.