本文为您盘点了在2020年度中，人工智能领域取得的一些重大技术进展，名单按对人工智能领域的重要性排序，会是谁拔得头筹呢？

No.4

康奈尔大学提出无偏公平排序模型可缓解检索排名的马太效应问题

近年来，检索的公平性和基于反事实学习的检索和推荐模型已经成为信息检索领域重要的研究方向，相关的研究成果已经被广泛应用于点击数据纠偏、模型离线评价等，部分技术已经落地于阿里和华为等公司的推荐及搜索产品中。2020年7月，康奈尔大学 Thorsten Joachims 教授团队发表了公正无偏的排序学习模型FairCo，一举夺得了国际信息检索领域顶会SIGIR 2020最佳论文奖。该研讨分析了当前排序模型普遍存在的位置偏差、排序公正性以及物品曝光的马太效应问题等，根据反现实学习技术提出了具有公正性束缚的相关度无偏估计方法，并实现了排序性能的提高，受到了业界的广泛重视和好评。

No.3

Google与FaceBook团队分别提出全新无监督表征学习算法

2020年头，Google与Facebook分别提出SimCLR与MoCo两个算法，均能够在无标注数据上学习图像数据表征。两个算法背面的结构都是比照学习（contrastive learning）。比照学习的核心练习信号是图片的 “可区别性”。模型需要区别两个输入是来自于同一图片的不同视角，仍是来自完全不同的两张图片的输入。这个使命不需要人类标注，因而可以运用许多无标签数据进行练习。虽然Google和FaceBook的两个工作对许多练习的细节问题进行了不同的处理，但它们都表明，无监督学习模型可以接近甚至到达有监督模型的效果。

No.2

MIT仅用19个类脑神经元实现控制自动驾驶汽车

受秀丽隐杆线虫等小型动物脑的启发，来自MIT计算机科学与人工智能实验室（CSAIL）、维也纳工业大学、奥地利科技学院的团队仅用19个类脑神经元就实现了控制自动驾驶汽车，而常规的深度神经网络则需要数百万神经元。此外，这一神经网络能够模仿学习，具有扩展到仓库的自动化机器人等应用场景的潜力。这一研究成果已发表在2020年10月13日的《自然》杂志子刊《自然·机器智能》（Nature Machine Intelligence）上。

No.1

北京大学首次实现基于相变存储器的神经网络高速训练系统

2020年12月，智源学者、北京大学杨玉超团队提出并完成了一种根据相变存储器（PCM）电导随机性的神经网络高速训练体系，有效地缓解了人工神经网络练习过程中时刻、能量开支巨大并难以在片上完成的问题。该体系在误差直接回传算法（DFA）的基础上进行改进，使用PCM电导的随机性自然地发生传播误差的随机权重，有效降低了体系的硬件开支以及练习过程中的时间、能量消耗。该体系在大型卷积神经网络的训练过程中表现不俗，为人工神经网络在终端平台上的应用以及片上练习的完成供给了新的方向。