本文是转载文章，原文：《Here’s where AI will advance in 2021》

内容是Google翻译的结果，虽然有些问题，但不影响整体理解。

人工智能继续快速发展。即使在不乏引人注目的新闻的2020年，人工智能的进步也多次引起了主流关注。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。以下是我们对2021年特别乐观的AI领域中的一些领域。

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都基于称为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证明了Transformer的非凡能力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，变形金刚脱离了按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以根据文本描述生成图像。变压器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

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年显示出将轨迹推得更陡的潜力。正如SolarWinds漏洞所突显的那样，公司正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。

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Internet的区域中打开新应用程序。

总结

人工智能技术在实际领域中继续激增，而Transformer结构和GNN的进步很可能会刺激那些尚未轻易适应现有AI技术和算法的领域中的进步。我们在这里重点介绍了今年似乎有待改进的几个方面，但是随着今年的到来，无疑会有惊喜。俗话说，对未来尤其是对未来的预测很难，但对还是错，2021年对于AI领域来说似乎是令人兴奋的一年。