2020年并不缺重磅新闻，但人工智能依然够杀出重围，走进主流视野。
尤其是GPT-3，它展示了人工智能即将以全新的方式深入我们的日常生活。
这些进步赋予了未来很多可能，预测未来变得并不容易，但伴随着技术应用的成熟，另一些领域的突破也是可预见的。
以下是2021年人工智能有望取得突破的几个方面。
GPT-3和AlphaFold背后的Transformer
2020年最大的两项人工智能成就悄无声息地共享着相同的基本结构。OpenAI 的 GPT-3和 DeepMind 的 AlphaFold 都是基于Transformer.
尽管 Transformer 自2017年以来就已经存在，但 GPT-3和 Alphafold 展示了 Transformer 的非凡能力，它比上一代序列模型学习得更深入、更快，并且在自然语言处理（NLP）之外的问题上也表现出色。
与循环神经网络（RNN）和 长短期记忆网络（LSTMs）等之前的序列模型结构不同。
Transformer能够一次处理整个输入序列，并且引入「注意力」机制来了解输入的哪些部分与其他部分相关。
这样，Transformer就能够轻松解决「长期记忆」的问题，这是循环模型一直在努力解决的问题。
另外，Transformer还允许并行训练，能够更好地利用近年来出现的大规模并行处理器，大大减少了训练时间。
毫无疑问，2021年研究人员将为Transformer寻找新的用武之地，对Transformer将要带来突破也充满信心。
2021年，OpenAI 已经修改了 GPT-3，发布了DALL-E，使其完成从文本描述生成图像。Transformer已经准备好要在2021年大展拳脚了。
2021年，图神经网络（GNN）发展的两大看点
许多领域的数据自然而然地适用于图形结构，比如计算机网络、社交网络、分子/蛋白质和运输路线等。
图神经网络(GNNs)使深度学习应用于图形结构化数据，我们期望 GNN在未来发挥更大的作用。
2021年，我们预计在几个关键领域的方法进步将推动更广泛地应用GNN.
「动态图」是第一个重要的领域。尽管迄今为止大多数 GNN 研究都假定了一个静态图，但这些情况会慢慢发生变化: 例如，在社交网络中，新成员的加入会产生新的节点 ，关系也会发生变化。
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做法，2021年这个新生的研究方向将会扩展，侧重于将动态图表建模为连续时间序列的方法。
这样的连续建模，除了通常的拓扑结构外，还应该使 GNN 能够发现和学习图中的时态结构。
对「消息传递范式」的改进将是另一大可操作的进展。消息传递是实现图神经网络的一种常用方法，它是通过沿着连接邻居的边「传递」信息来聚集节点信息的一种方法。
虽然直观，消息传递难以捕捉到需要信息在图上长距离传播的效果。
2021年，我们期待突破这一范式，例如通过迭代学习哪些信息传播路径是最相关的，甚至学习一个全新的关系数据集的因果图。
2021年的AI应用
去年许多头条新闻都强调了AI在实际应用中的新进展，2021年这些进展有望投入市场。
值得说明的是，由于GPT-3的API将更加可行，依赖于自然语言理解的应用程序也会越来越多。API允许用户访问GPT-3的功能，并且无需耗费精力训练自己的AI。
Microsoft已经获得了GPT-3独家使用授权，这项技术也许会出现在Microsoft的产品中。
在2021年，其他应用领域也将从AI技术中获益。AI和机器学习虽然已经进入了网络安全领域，但2021年将会爆发更大的潜力。
正如太阳风黑客事件所揭露的那样，一些公司已经面临网络犯罪分子和先进的恶意勒索软件的威胁。
而AI和行为分析对于帮助识别新威胁甚至早期威胁至关重要。所以在2021年，希望能够推动最新的行为来分析AI，增强网络防御系统。
2021年，我们还期待有更多默认在边缘设备上运行机器学习模型的应用程序。
像谷歌的 Coral这样具有TPU的设备，随着处理能力和量化技术的进步，也能够推广普及。
图为Carol加速器模块，带有Google Edge TPU的新型多芯片模块。
Edge AI则消除了把数据发送到云上参照的需求，既节省了带宽又减少了执行时间，这两点对医疗保健等领域都至关重要。
边缘计算的应用程序还可以在一些需要隐私、安全和低延迟的区域，甚至世界上无法访问高速Internet的区域中打开。
未来难测，未来可期
随着AI技术在实际领域的运用越来越广泛，Transformer和GNN的进步也会促使它们在现有的AI技术和算法更进一步。以上只是重点介绍了几个有望在今年取得进展的领域，不过相信伴随进展的还会有更多的惊喜。
未来难测，但无论对错，2021年对于AI都将是令人兴奋的一年。
