需重点关注的人工智能六大领域

在人工智能领域的长期战略。一些投资者和企业家渴望了解如何从这个新领域挖掘价值，大多数人还是绞尽脑汁思考究竟人工智能会改变什么。此外，各国政府也正在努力应对自动化给社会带来的影响(如奥巴马总统的离职演讲)。

其中，人工智能的六大领域在未来可能对数字产品和数字服务产生重要的影响。作者一一列举了这六个方向，解释了它们的重要性，目前的应用场景，并列举出正在使用的公司和研究机构。

强化学习

强化学习是一种通过实验和错误来学习的方法，它受人类学习新技能的过程启发。在典型的强化学习案例中，代理者通过观察当前所处的状态，进而采取行动使得长期奖励的结果***化。每执行一次动作，代理者都会收到来自环境的反馈信息，因此它能判断这次动作带来的效果是积极的还是消极的。在这个过程中，代理者需要平衡根据经验寻找***策略和探索新策略两方面，以期实现最终的目标。

Google的DeepMind团队在Atari游戏和围棋对抗中都运用了强化学习的技术。在真实场景中，强化学习有被用来提高Google数据中心的能源利用率。强化学习技术为这套冷却系统节省了约40%的能耗。强化学习有一个非常重要的优势，它的代理者能以低廉的代价模拟生成大量的训练数据。相比有监督的深度学习任务，这个优势非常明显，节省了一大笔人工标注数据的费用。

应用：包括城市道路的自动驾驶;三维环境的导航;多个代理者在同样的环境中交互和学习等。

生成模型

不同于用来完成分类和回归任务的判别模型，生成模型从训练样本中学到一个概率分布。通过从高维的分布中采样，生成模型输出与训练样本类似的新样本。这也意味着，若生成模型的训练数据是脸部的图像集，那么训练后得到的模型也能输出类似于脸的合成图片。细节内容可以参考Ian Goodfellow的文章。他提出的生成对抗模型(GAN)的结构当下在学术界非常的火热，因为它给无监督学习提供了一种新思路。GAN结构用到了两个神经网络：一个是生成器，它负责将随机输入的噪声数据合成为新的内容(比如合成图片)，另一个是判别器，负责学习真实的图片并判断生成器生成的内容是否以假乱真。对抗训练可以被认为是一类游戏，生成器必须反复学习用随机噪音数据合成有意义的内容，直到判别器无法区分合成内容的真伪。这套框架正在被扩展应用到许多数据模式和任务中。

记忆网络

为了让人工智能系统像人类一样能够适应各式各样的环境，它们必须持续不断地掌握新技能，并且记住如何在未来的场景中应用这些技能。传统的神经网络很难掌握一系列的学习任务。这项缺点被科学家们称作是灾难性遗忘。其中的难点在于当一个神经网络针对A任务完成训练之后，若是再训练它解决B任务，则网络模型的权重值不再适用于任务A。

目前，有一些网络结构能够让模型具备不同程度的记忆能力。其中包括长短期记忆网络(一种递归神经网络)可以处理和预测时间序列;DeepMind团队的微神经计算机，它结合了神经网络和记忆系统，以便于从复杂的数据结构中学习;渐进式神经网络，它学习各个独立模型之间的侧向关联，从这些已有的网络模型中提取有用的特征，用来完成新的任务。

微数据学习微模型

（编辑：泉州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!