InfoQ|AI 领域的某些进步其实就是炒作，研究了 50 篇论文后，他发现( 二 )
其他主要算法的进步似乎也经受住了时间的考验 。 1997年 ， 一种被称为长短时记忆（LSTM）的架构在语言翻译方面取得了重大突破 。 在经过适当的训练后 ， LSTM的性能可以与20年后开发的更先进的架构相媲美 。 另一个机器学习的突破出现在2014年的生成对抗网络（GAN）中 ， 举例来说 ， 它可以将网络以生成-判别循环的方式进行配对 ， 以提高它们生成图像的能力 。 据2018年的一篇论文报道 ， 只要计算能力足够 ， 原始的GAN方法就可以与后续几年的方法相媲美 。
Kolter说 ， 与调整现有算法相比 ， 研究人员更愿意去创造一种新的算法 ， 并对其进行调整 ， 直到达到最先进的水平 。 他指出 ， 调整现有算法可能显得不那么新颖 ， 使得“发表论文的难度大大增加” 。
Guttag说 ， 算法的发明者不希望与他人的算法进行彻底的性能比较 ， 结果却发现他们的突破性进展并不是他们所认为的那样 。 “比较太仔细是有风险的 。 ”同时 ， 那也是一项艰苦的工作：人工智能研究人员使用不同的数据集、调优方法、性能指标和基线 。 “完全的横向对比是不现实的 。 ”
一些夸大性能的说法可以归因于该领域的爆炸性增长 ， 该领域的论文数量超过了有经验的审稿人 。 Blalock说 ， “这似乎是成长的烦恼” 。 他敦促审稿人 ， 要坚持与基准进行更好地比较 ， 并表示 ， 更好的工具将有所帮助 。 今年早些时候 ， Blalock的合著者、麻省理工学院研究员JoseGonzalezOrtiz发布了一款名为ShrinkBench的软件 ， 它可以让人们更轻松地比较剪枝算法 。
研究人员指出 ， 即使新方法在本质上并不比旧方法更好 ， 但他们所实现的调整也可以应用到之前的算法上 。 每隔一段时间 ， 就会有一个新的算法出现 。 “这几乎就像一个风险投资组合 ， ”Blalock说 ， “其中一些业务并没有真正发挥作用 ， 但有些却非常成功 。 ”
参考阅读：
https://www.sciencemag.org/news/2020/05/eye-catching-advances-some-ai-fields-are-not-real
点个在看少个bug
推荐阅读
- 祥祥不背锅|需舍弃某些配置，Redmi王腾表示：内部正在评估小屏手机
- 那些年向前冲|“分手快乐”？宝马&奔驰目前暂停自动驾驶领域研发合作
- InfoQ|用爱发电是不可能的，B站
- 笔记本天空|中国站起来了，这个领域
- 深度链|找到自己的蓝海，电商的风口已过！马云猜测未来受欢迎的两大领域
- 中国指挥与控制学会|对未来人机融合智能领域的思考
- 松鼠热点|共赢未来丨儒商大会济南高新区签约5大项目 涉及人工智能等领域，选择济南
- 中国青年网|百度牵头“工业智能实验室”入选工业互联网产业联盟实验室首批名单，互联网领域独苗
- 新闻科技快报|实力践行新基建！慧策通过CMMI5全球软件领域最高级别认证！
- 猎云网|工业生产领域视频结构化服务商“咏圣达”获数百万元天使轮融资