2017年AI发挥作用最大的六个领域

近段时间，人们似乎又开始争论起那些已经被大众接受的定义中，到底哪些才称得上是真正的人工智能。其中一些人将AI的概念重塑成“认知计算”或“机器智能”，甚至还有一些人错误地将AI等同于机器学习。这些误解一部分原因源自AI并不是具体哪一门技术，事实上它是多门学科的综合体，从到机器学习都属于其中。我们基本一致认同的AI的最终目标，是让机器具有完成任务和感知学习的能力，从而很大程度地把人解放出来。要想最终实现这一点，机器必须学会自主学习，而不是让人一个个端到端编程去实现。

AI再过去10年里所取得的进步是令人惊喜的，无论是无人驾驶，还是语音识别和合成。基于这样的大环境，AI开始在越来越多的公司甚至家庭里被热议，因为这已经不是对20年之后事情的畅想，AI已经开始影响了日常生活。确实，主流媒体每天都在报道着AI的新突破，科技巨头也纷纷对外传递着他们的AI发展战略。当一些投资人和孵化器正努力尝试如何在这片崭新的世界里抓住更多价值时，大多数人仍在绞尽脑汁地想AI到底是什么，与此同时，政府也在朝着社会的方向努力前进。

以下是AI尤其会发挥作用的六个领域，影响着电子产品和服务的未来。我们将分别阐述：它们是什么、为什么重要、如何被运用，以及不完全列举一些相关技术领域的公司和研究从业者。

1．增强学习

增强学习关注的是智能体（agent）如何在环境中采取一系列行为，从而获得最大的累积回报。这种从环境状态到动作的映射的学习，我们把这个映射称为策略。通过试错（trial－and－error）的方法，一个智能体应该知道在什么状态下应该采取什么行为，从而发现最优行为策略。

随着Google DeepMind AlphaGo的大热，增强学习受到了广泛关注。而在实际生活中，增强学习一个很典型的应用就是帮助优化Google数据中心降温系统的能源有效率，一个增强学习系统可以将原来降温的能量消耗降低40％。使用增强学习技术刺激周围环境的一个重要的天然优势是，训练数据的价值会不断积累，且获取成本会很低。这就和有监督深度学习形成了鲜明的对比，这种技术往往需要非常昂贵训练数据，并且是很难从实际生活中获取到的。

应用方向：多个智能体（agents）在同一个共享模型下各自学习自己的环境；或者与环境中其他智能体交互和学习；学习迷宫、自动驾驶的城市道路等三维环境导航；在学习了一系列目标任务后反过来再对已观察过的行为进一步增强重述。

公司： Google DeepMind， Prowler．io， Osaro， MicroPSI， Maluuba／Microsoft， NVIDIA， Mobileye．

主要研究人员： Pieter Abbeel （OpenAI）， David Silver， Nando de Freitas， Raia Hadsell （Google DeepMind）， Carl Rasmussen （Cambridge）， Rich Sutton （Alberta）， John Shawe－Taylor （UCL） 等。

2．生成模型

和判别模型（discriminative models）不同，生成模型主要用于在训练样本上学习触概率分布，而前者的主要任务是分类和回归。通过从高维分布采样、生成模型可以产生出与训练数据相似的样本。这意味着当利用生成模型去训练人脸样本时，它可以输出与训练数据类似的合成图像。

关于这项工作的详细介绍可以参阅NIPS2016大会上Ian Goodfellow主讲的精彩教程。他介绍了一种称为生成对抗络的新型结构，主要包含两个部分：生成器，用于将输入的噪声综合为一定的内容（例如图像），而另一部分称为判决器，会学习真正的图像是什么样子的，并判断生成器产生的图像是不是真实的图像。对抗训练就像游戏一样，生成器必须不断学习如何从噪声中生成判别器无法识别真伪的图像。这种学习架构已经被广泛应用于各行各业的数据学习中。

应用方向：时序信息模拟；图像超分辨；2D图像三维重建；基于小样本的数据生成；单输入多输出系统；自然语言交互；半监督学习；艺术风格转换；音乐和声音合成；图像修复；

公司： Twitter Cortex， Adobe， Apple， Prisma， Jukedeck＊， Creative．ai， Gluru＊， Mapillary＊， Unbabel．

主要研究人员： Ian Goodfellow （OpenAI）， Yann LeCun and Soumith Chintala （Facebook AI Research）， Shakir Mohamed and A？ron van den Oord （Google DeepMind）等。

．记忆络

为了能让AI具有向我们一样在丰富多样的真实世界中具有适应性，AI必须连续不断地学习处理新的任务并记住它们，以便在将来面对同样的情境时得以应用。但传统的神经络却记不住这么多任务，这个缺点被称为灾变性失忆（Catastrophic Forgetting）现象。这是由于神经络中的每一个权重对于解决问题十分重要。从解决A问题转向解决B问题的过程中，神经络便会随之变化。

本文由入驻维科号的作者撰写，观点仅代表作者本人，不代表OFweek立场。如有侵权或其他问题，请联系举报。

腰背疼痛是什么原因女

老年人抽搐原因

维生素D3青岛双鲸