2017年是人工智能技術全面開火、勇猛精進的一年，也是對未來全球科技和經濟影響深遠的一年。
無論人工智能圈子內外的從業者，都開始正視這個可能會很快改變所有人命運的熱門技術。關注、學習、思考、實踐人工智能技術及其相關應用，將是所有IT人未來多年將要面對的最重要的課題和命題。以下IT經理網根據WildML的報告，將2017年“萬物并作”的人工智能和機器學習領域的重大進度節點和資源工具梳理如下：
完全不依賴人類知識經驗的AlphaGo Zero擊敗人類，這比2016年AlphaGo擊敗李世石更加讓人震驚
AlphaGo Zero的算法技術基于這篇已經發布的論文——《深度學習與樹搜索的快思與慢思》，當時間來到2017年底，AlphaGo Zero的通用算法版本AlphaZero問世，這個算法突破了圍棋領域的局限，砍瓜切菜般拿下了國際象棋、將棋等人類棋盤游戲的至尊寶座。至此，AlphaZero一統所有棋盤游戲江湖，成為水平遠超人類的“棋神”。
AlphaGo Zero完成對AlphaGo Master的超越，以及避開人類經驗干擾后產生的大量創新招法（參見谷歌發布的AlphaGo Zero圍棋教學工具）已經完全突破了人類數千年總結的基本圍棋規律和哲理，這意味著當面對極為復雜的計算難題（例如圍棋、生物醫藥、環境、交通、軟件開發等）時，人類的“寶貴”經驗和大數據最終有可能成為一種“負資產”，或者用專業一點的術語說，是“臟數據”、對抗性樣本，反而會阻礙機器突破人類智慧的天花板。
當人工智能開發的軟件bug更少，效率更高、疾病誤診率更低、股票交易成績更好、藥品研發成本更低時，我們大量的知識工人可能面對一個可怕的未來，不是駕馭人工智能，而是被人工智能徹底淘汰。
其實不僅僅是AlphaGo，2017年還有很多人工智能算法也取得了令人矚目的成就，首先是捷克科技大學、阿爾伯塔大學、查爾斯大學等聯合研發的DeepStack首次擊敗了人類職業撲克選手，隨后卡梅隆大學研發的人工智能算法Libratus（Science論文），在不完全信息的無限制一對一德州撲克比賽中擊敗了人類頂尖選手。
2018年，人工智能技術有望在多人游戲，例如撲克和星際爭霸中戰勝人類，DeepMind已經發布了針對星際爭霸2的人工智能技術研究環境，OpenAI則演示了在一對一的Dota 2游戲中戰勝人類的算法，并且計劃不久的未來在5v5的多人對戰游戲中也取得勝利。
進化式算法（Evolution Algorithms）東山再起
Photo：Wired
對于監督式學習來說，使用反向傳播算法的漸進式方法效果向來不錯，未來短時間也不可能有太大變化。但是在增強學習中，進化策略（Evolution Strategies）卻有東山再起的趨勢。因為數據往往不是獨立分布，或者錯誤信號較為稀疏，或者還有較大探索空間，算法通常不需要漸進式方法也能取得顯著進步。另外，進化式算法可以線性擴展到數千臺服務器來支持超快并行培訓，計算不依賴昂貴的GPU，大量的廉價CPU就可以。
今年早些時候，OpenAI展示了進化策略能夠取得與Deep Q-Learning這樣的標準增強學習算法相當的成績，時至年底，Uber的一個團隊發表了一篇博客以及五篇研究論文，展示了Genetic算法的創新研究成果，一個極簡化的Genetic算法，不借助任何漸進信息，可以學會較為復雜的Atari游戲，在Frostbite（凍傷）這個游戲中，Genetic算法打出了10500分，而一些頂尖人類玩家的得分不到1000。
技術流變：WaveNets、卷積神經網絡（CNNs）與注意機制（Attention Mechanisms）
谷歌公司的Tacotron 2文本到語音系統生成的極為自然的機器聲音樣本讓人印象深刻，該算法基于自回歸模型——WaveNet，在過去一年中，該模型也在谷歌助理中使用并在高保真語音合成方面取得顯著進步。此前WaveNet在機器翻譯也得到應用并大大加快了培訓速度，提高了回歸架構的效率。
在機器學習這個子領域，放棄昂貴且需要較長培訓時間的回歸架構已經成為大勢所趨，在Attention is all you Need一文中，研究者完全放棄了回歸和卷積架構，使用一個更佳復雜的注意機制（Attention Mechanisms），能以低的多的成本，取得極為出色的機器翻譯成績。
深度學習框架群雄并起
圖片：wired
回顧2017年的人工智能市場，深度學習框架絕對是主角，Facebook推出的重量級框架PyTorch擅長處理動態圖譜架構，類似Chainer，贏得了自然語言處理專家們的喜愛，因為他們經常需要處理動態回歸架構，谷歌的靜態圖譜框架Tensorflow在這方面有些捉襟見肘。
但是，TensorFlow依然是2017年的框架之王，二月份谷歌發布了穩定的Tensorflow1.0版本，目前其版本已經迭代到1.4.1，除了主體框架外，谷歌還發布了一系列Tensorflow的伴侶程序庫，包括面向動態計算機圖形的Tensorflow Fold、面向數據輸入管線的Tensorflow Transform，以及DeepMind的高級Sonnet庫。值得注意的是，Tensorfow團隊還發布了一個eager execution執行模式，可以以類似PyTorch的方式處理動態計算機圖形。
除了Google和Facebook兩大巨頭外，很多公司也跳上了機器學習框架的花車：
蘋果發布了CoreML移動機器學習庫
Uber團隊發布了Pyro，一個深度概率編程語言
亞馬遜發布了Gluon，一個MXNet高級API。
Uber公布了內部機器學習基礎設施平臺“米開朗基羅”的技術細節。
除了通用深度學習框架，還涌現了大量增強學習框架，例如：
OpenAI Roboschool一個機器人模擬的開源框架
OpenAI Baselines 一組高質量的增強學習算法實現用例
Tensorflow Agents 包含了為使用Tensorflow訓練RL代理優化的基礎架構
Unity ML Agents 可供研究者和開發者使用Unity 編輯器開發游戲和模擬器，然后用增強學習訓練。
Nervana Coach 頂級增強學習算法的實驗平臺
Facebook’s ELF Facebook的游戲研發平臺
DeepMind Pycolab 一個可定制化的gridworld游戲引擎
Geek.ai MAgent一個支持多代理的增強學習研究平臺
為了進一步推廣深度學習，還出現了一些面向web的深度學習框架，例如谷歌的Deeplearn.js以及MIL WebDNN。但百花齊放也有未老先衰的，例如此前非常流行的框架Theano就停更了。
深度學習與增強學習資源匯總
隨著深度學習和增強學習的流行，相關的演講、培訓和課程資源越來越豐富，以下是部分精華資源傳送：
京公網安備 11010502049343號