在2018年，人工智能领域经历了一系列关键进展，多位专家参与了深入探讨。这些进展包括深度学习的突破、迁移学习的应用、机器学习局限性的探索、自然语言处理的革新等。专家们指出，深度学习已取得初步成果，并逐渐从传统的监督学习转向半监督学习、领域适应、主动学习和生成模型等更具挑战性的问题。 未来预测聚焦于连接虚拟与现实世界的AI技术，以及模拟与实际数据间的学习转化，这将对机器人技术、自动驾驶、医学成像和地震预测等领域产生深远影响。强化学习以深度学习形式的复苏也被视为一大亮点。 实践者Andriy Burkov强调，尽管TensorFlow在学术界遭遇挑战，但AI领域的创新依旧活跃。他特别提到了深度伪造技术的冲击，以及强化学习的兴起。他预测，2019年，AI营销自动化、移动设备实时语音生成、自动驾驶出租车的商业化以及公众对机器学习兴趣的增长将成为主要趋势。 专家Pedro Domingos则呼吁公众对AI持有更为理性乐观的态度，认为2019年是回归常识的一年。Ajit Jaokar指出，自动化机器学习和强化学习将在2019年取得显著进展，尤其是物联网数据科学领域，协作机器人（cobots）将展现出自主能力和理解情感的能力。 Nikita Johnson观察到开源工具的普及降低了AI开发门槛，促进了组织间的协作。同时，专注于“AI for Good”的公司数量增加，反映出社会对企业承担更高社会责任的期待。 Zachary Chase Lipton提出，虽然深度学习在公共话语中占据主导，但实际进展更多体现在调整而非革命性突破。他认为，未来AI研究将更加注重解决代表性学习和因果推理之间的差距。 Matthew Mayo总结称，2018年AI领域关注点在于迁移学习的广泛应用，特别是自然语言处理领域，以及对包含和多样性的讨论。强化学习和半监督学习成为研究新焦点。 Brandon Rohrer报告了数据科学教育的显著增长，包括在线课程和学术项目的发展。他预测，数据科学教育将更加规范化，证书认证将成为入门路径。 Elena Sharova指出，GDPR实施提高了数据使用公平性和透明度，但对法律解释带来挑战。她强调了技术力量背后的道德责任，以及AI在不同行业的影响。 Rachel Thomas关注迁移学习在NLP的成功以及AI滥用问题的公开讨论。她预期，2019年NLP将继续发展，AI在监视、煽动暴力和政治操纵等方面的风险也将持续存在。 Daniel Tunkelang强调了自然语言处理领域嵌入词复杂性的提升，包括ELMo和BERT的引入。他指出，尽管AI在某些任务上表现出色，但仍与人类表现存在显著差距。 综上所述，2018年AI领域展现了多个维度的创新与挑战，专家们对未来趋势进行了多角度的预测，共同描绘了AI技术在社会、商业和伦理层面的发展蓝图。