【新智元导读】2020年，GPT-3和AlphaFold 2两项基于Transformer的突破杀出重围，走进主流视野，人工智能以全新的方式深入我们的生活，2021年又将给我们带来什么新的突破呢？

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。

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.

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。

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。

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。

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。

参考链接：

https://venturebeat.com/2021/01/31/heres-where-ai-will-advance-in-2021/