人工智能前沿
元学习
元学习是目前机器学习领域一个热门的研究方向，它解决的是学习如何学习的问题。
传统的机器学习研究模式是：获取特定任务的大型数据集，然后用这个数据集从头开始训练模型。很明显，这和人类利用以往经验，仅仅通过少量样本就迅速完成学习的情况相差甚远。因为人类学习了「如何学习」。
元学习（Meta-Learning）描述了设计和训练深度神经网络相关的更高级别组件的抽象过程。
元学习被用在了哪些地方？
元学习通常被用在：
- 优化超参数和神经网络
- 探索好的网络结构
- 小样本图像识别和快速强化学习等。
图神经网络
历史脉络
1.图神经网络的概念最早在2005年提出。2009年Franco博士在其论文中定义了图神经网络的理论基础。
2.最早的GNN主要解决的还是如分子结构分类等严格意义上的图论问题。但实际上欧式空间(比如像图像 Image)或者是序列(比如像文本 Text)，许多常见场景也都可以转换成图(Graph)，然后就能使用图神经网络技术来建模。
3.2013年，在图信号处理(Graph Signal Processing)的基础上，Bruna在文献中首次提出图上的基于频域(Spectral-domain)和基于空域(Spatial-domain)的卷积神经网络。
4.其后至今，学界提出了很多基于空域的图卷积方式，也有不少学者试图通过统一的框架将前人的工作统一起来。
5.2014年，在word2vec的启发下，Perozzi等人提出了DeepWalk，开启了深度学习时代图表示学习的大门。就在几乎一样的时间，Bordes等人提出了大名鼎鼎的TransE，为知识图谱的分布式表示(Represent Learning for Knowledge Graph)奠定了基础。
图神经网络的应用
GNN 被应用在众多的领域，具体将分为结构化场景、非结构化场景以及其他三个类别。
- 在结构化场景中，GNN 被广泛应用在社交网络、推荐系统、物理系统、化学分子预测、知识图谱等领域。
- 在非结构领域，主要应用于其数据结构为非图结构的场景，如图片、文本等。
- 在其他领域应用：图生成模型、使用 GNN 来解决组合优化问题的场景。
我国存在的不足
我国人工智能产业的创新能力并没有传说中的那样强，事实是，产业发展过度依赖开源代码和现有数学模型，真正属于中国自己的东西并不多。
既然代码是开源的，拿来用就好，为什么还有可能被“卡脖子”？开源代码是可以拿过来使用，但专业性、针对性不够，效果往往不能满足具体任务的实际要求。以图像识别为例，用开源代码开发出的AI即使可以准确识别人脸，但在对医学影像的识别上却难以达到临床要求。
用开源代码“调教”出的AI顶多是个“常人”，而要帮助AI成长为“细分领域专家”，需以数学为基础的原始核心模型、代码和框架创新。