近段時光，有很多關于人工智能公認界說的爭辯。有些人以為人工智能就是“認知盤算”或是“機械智能”，而另外一些人則把它與“機械進修”的概念混雜了。但是，人工智能其實不是特指某種技巧，它現實上是一個由多門學科構成的遼闊范疇，包含機械人學和機械進修等。人工智能的最終目的是讓機械替換人類去完成須要認知才能的義務。為了完成這一目的，機械必需主動進修控制才能，而不只僅是履行法式員編寫的敕令。

　　人工智能遠景可期 六年夜范疇亟需親密存眷

　　人工智能在曩昔的十年里獲得了使人蔚為大觀的提高，例如主動駕駛汽車、語音辨認和語音分解。在此配景之下，人工智能這一話題愈來愈多地涌現在同事和家人的閑談之間，人工智能技巧曾經滲入滲出到他們生涯的角角落落。與此同時，風行媒體簡直天天也在報導人工智能和技巧巨子們，引見他們在人工智能范疇的歷久計謀。一些投資者和企業家盼望懂得若何從這個新范疇發掘價值，年夜多半人照樣挖空心思思慮畢竟人工智能會轉變甚么。另外，列國當局也正在盡力應對主動化給社會帶來的影響（如奧巴馬總統的去職演講）。

　　個中，人工智能的六年夜范疇在將來能夠對數字產物和數字辦事發生主要的影響。作者逐個羅列了這六個偏向，說明了它們的主要性，今朝的運用場景，并羅列出正在應用的公司和研討機構。

　　強化進修

　　強化進修是一種經由過程試驗和毛病來進修的辦法，它受人類進修新技巧的進程啟示。在典范的強化進修案例中，署理者經由過程不雅察以后所處的狀況，進而采用行為使得歷久嘉獎的成果最年夜化。每履行一次舉措，署理者都邑收到來自情況的反應信息，是以它能斷定此次舉措帶來的后果是積極的照樣消極的。在這個進程中，署理者須要均衡依據經歷尋覓最好戰略和摸索新戰略兩方面，以期完成終究的目的。

　　Google的DeepMind團隊在Atari游戲和圍棋反抗中都應用了強化進修的技巧。在真實場景中，強化進修有被用來進步Google數據中間的動力應用率。強化進修技巧為這套冷卻體系節儉了約40%的能耗。強化進修有一個異常主要的優勢，它的署理者能以昂貴的價值模仿生成年夜量的練習數據。比擬有監視的深度進修義務，這個優勢異常顯著，節儉了一年夜筆人工標注數據的費用。

　　運用：包含城市途徑的主動駕駛；三維情況的導航；多個署理者在異樣的情況中交互和進修等

　　重要研討人員： Pieter abbeel （OpenAI）， David Silver, Nando de Freitas, Raia Hadsell （Google DeepMind）， Carl Rasmussen （Cambridge）， Rich Sutton （Alberta）， John Shawe-Taylor （UCL） 等

　　技巧公司代表： Google DeepMind, Prowler.io, Osaro, MicroPSI, Maluuba/Microsoft, NVIDIA, Mobileye等

　　生成模子

　　分歧于用來完成份類和回歸義務的辨別模子，生成模子從練習樣本中學到一個幾率散布。經由過程從高維的散布中采樣，生成模子輸入與練習樣本相似的新樣本。這也意味著，若生成模子的練習數據是面部的圖象集，那末練習后獲得的模子也能輸入相似于臉的分解圖片。細節內容可以參考Ian Goodfellow的文章。他提出的生成反抗模子（GAN）的構造當下在學術界異常的熾熱，由于它給無監視進修供給了一種新思緒。GAN構造用到了兩個神經收集：一個是生成器，它擔任將隨機輸出的噪聲數據分解為新的內容（好比分解圖片），另外一個是辨別器，擔任進修真實的圖片并斷定生成器生成的內容能否以假亂真。反抗練習可以被以為是一類游戲，生成器必需重復進修用隨機樂音數據分解成心義的內容，直到辨別器沒法辨別分解內容的真偽。這套框架正在被擴大運用到很多數據形式和義務中。

　　運用：仿真時光序列的特點（例如，在強化進修中計劃義務）；超分辯率圖象；從二維圖象回復復興三維構造；小范圍標注數據集的泛化；猜測視頻的下一幀；生成天然說話的對話內容；藝術作風遷徙；語音和音樂的分解

　　技巧公司代表： Twitter Cortex, Adobe, Apple, Prisma, Jukedeck, Creative.ai, Gluru, Mapillary, Unbabel

　　重要研討人員： Ian Goodfellow （OpenAI）， Yann LeCun 和 Soumith Chintala （Facebook 人工智能研討院）， Shakir Mohamed 和 A?ron van den Oord （Google DeepMind）等等

　　記憶收集

　　為了讓人工智能體系像人類一樣可以或許順應林林總總的情況，它們必需連續賡續地控制新技巧，而且記住若何在將來的場景中運用這些技巧。傳統的神經收集很難控制一系列的進修義務。這項缺陷被迷信家們稱作是災害性遺忘。個中的難點在于當一個神經收集針對A義務完成練習以后，若是再練習它處理B義務，則收集模子的權重值不再實用于義務A。

　　今朝，有一些收集構造可以或許讓模子具有分歧水平的記憶才能。個中包含長短時間記憶收集（一種遞歸神經收集）可以處置和猜測時光序列；DeepMind團隊的微神經盤算機，它聯合了神經收集和記憶體系，以便于從龐雜的數據構造中進修；漸進式神經收集，它進修各個自力模子之間的側向聯系關系，從這些已有的收集模子中提取有效的特點，用來完成新的義務。

　　運用：練習可以或許順應新情況的署理者；機械人手臂掌握義務；主動駕駛車輛；時光序列猜測（如金融市場、視頻猜測）；懂得天然說話和猜測下文。

　　技巧公司代表： Google DeepMind, NNaisense, SwiftKey/Microsoft Research.

　　重要研討人員： Alex Graves, Raia Hadsell, Koray Kavukcuoglu （Google DeepMind）， Jürgen Schmidhuber （IDSAI）， Geoffrey Hinton （Google Brain/Toronto）

　　微數據進修微模子

　　一向以來深度進修模子都是須要聚積年夜量的練習數據能力到達最好的后果。好比，某只加入ImageNet挑釁賽的團隊應用了120萬張散布于1000個種別的人工標注圖象練習模子。分開年夜范圍的練習數據，深度進修模子就不會收斂到最優值，也沒法在語音辨認、機械翻譯等龐雜的義務上獲得好后果。數據量需求的增加常常產生在用單個神經收集模子處置端到真個情形下，好比輸出原始的語音片斷，請求輸入轉換后的文字內容。這個進程與多個收集協同任務遍地理一步中央成果分歧（好比，原始語音輸出→音素→詞→文本輸入）。假如我們想用人工智能體系處理練習數據稀缺的義務時，愿望模子練習用到的樣本越少越好。當練習數據集較小時，過擬合、異常值攪擾、練習集和測試集散布紛歧致等成績都邑接二連三。另外一種辦法是將在其它義務上練習好的模子遷徙到新的義務中，這類辦法被稱為是遷徙進修。

　　一個相干的成績是用更少的模子參數樹立更小的深進修架構，而模子的后果卻堅持最好。這類技巧的優勢在于更高效的散布式練習進程，由于練習進程中須要傳輸的參數削減了，而且可以或許便利地將模子安排在內存年夜小受限制的嵌入式硬件上。

　　運用：練習淺層模子來模仿在年夜范圍的已標注練習數據集上練習獲得的深度收集模子；構建后果相當但參數更少的模子構造（如SqueezeNet）；機械翻譯

　　技巧公司代表： Geometric Intelligence/Uber, DeepScale.ai, Microsoft Research, Curious AI Company, Google, Bloomsbury AI

　　重要研討人員： Zoubin Ghahramani （Cambridge）， Yoshua Bengio （Montreal）， Josh Tenenbaum （MIT）， Brendan Lake （NYU）， Oriol Vinyals （Google DeepMind）， Sebastian Riedel （UCL）

　　進修/推理硬件

　　增進人工智能成長的催化劑之一就是圖形處置器（GPU）的進級，分歧于CPU的次序履行形式，GPU支撐年夜范圍的并行架構，可以同時處置多個義務。鑒于神經收集必需用年夜范圍（且高維度）數據集練習，GPU的效力遠高于CPU。這就是為何自從2012年第一個GPU練習的神經收集模子——AlexNet頒布以后，GPU曾經成為名不虛傳的淘金鐵鍬。NVIDIA在2017年持續領跑行業，搶先于Intel、Qualcomm、AMD和后起之秀Google。

　　但是，GPU并不是專為模子練習或猜測而設計，它本來是用于視頻游戲的圖象襯著。GPU具有高精度盤算的才能，卻遭受內存帶寬和數據吞吐量的成績。這為Google之類的年夜公司和很多小型創業公司開拓了新范疇，它們為高維機械進修義務設計和制作處置芯片。芯片設計的改良點包含更年夜的內存帶寬，圖盤算取代了向量盤算（GPU）和矢量盤算（CPU），更高的盤算密度，更低的動力消費。這些改良使人覺得高興，由于終究又反哺到應用者的身上：更快和更有用的模子練習→更好的用戶體驗→用戶更多的應用產物→搜集更年夜的數據集→經由過程優化模子進步產物的機能。是以，那些練習和安排模子更快的體系占領明顯的優勢。

　　運用：模子的疾速練習；低能耗猜測運算；連續性監聽物聯網裝備；云辦事架構；主動駕駛車輛；機械人

　　技巧公司代表： Graphcore, Cerebras, Isocline Engineering, Google （TPU）， NVIDIA （DGX-1）， Nervana Systems （Intel）， Movidius （Intel）， Scortex

　　仿真情況

　　正如之條件到，為人工智能體系預備練習數據很具有挑釁性。并且，若要將人工智能體系運用到現實生涯中，它必需具有實用性。是以，開辟數字情況來模仿真實的物理世界和行動將為我們供給測試人工智能體系順應性的機遇。這些情況給人工智能體系出現原始像素，然后依據設定的目的而采用某些行為。在這些模仿情況中的練習可以贊助我們懂得人工智能體系的進修道理，若何改良體系，也為我們供給了可以運用于真實情況的模子。

　　運用：模仿駕駛；工業設計；游戲開辟；聰明城市

　　技巧公司代表： Improbable, Unity 3D, Microsoft （Minecraft）， Google DeepMind/Blizzard, OpenAI, Comma.ai, Unreal Engine, Amazon Lumberyard

　　重要研討人員： Andrea Vedaldi （Oxford）