雷鋒網(wǎng)按：有人將人工智能定義為“認知計算”或者是“機器智能”，有的人將 AI 與“機器學習”混為一談。事實上，這些都是不準確的，因為人工智能不單單是指某一種技術。這是一個由多學科構成的廣闊領域。眾所周知， AI 的最終目標是創(chuàng)建能夠執(zhí)行任務并且具備認知功能的智慧體，否則它只是在人類智力范圍內(nèi)的機器。為了完成這個野望，機器必須學會自主學習，而不是由人類來對每一個系統(tǒng)進行編程。

令人興奮的是，在過去 10 年中，人工智能領域已經(jīng)取得了大的進步，從自動駕駛汽車到語音識別到機器翻譯，AI 正在變得越來越好，也離我們越來越近。近日，知名風投 Playfair Capital 風險投資人 Nathan Benaich 在 medium 上發(fā)布文章《6 areas of AI and machine learning to watch closely》，講述了他眼中人工智能發(fā)展勢頭比較火熱的領域及其應用。雷鋒網(wǎng)編譯。

1. 強化學習（RL）

強化學習是一種試錯（trial-and-error）的學習范式。在一個典型的 RL 中，強化學習需要連續(xù)選擇一些行為，而這些行為完成后會得到最大的收益。強化學習在沒有任何標記，也不告訴算法應該怎么做的情況下，先嘗試做出一些行為，得到一個結果，然后通過判斷這個結果的正誤對之前的行為進行反饋，再由這個反饋來調(diào)整之前的行為。通過不斷的調(diào)整，算法能夠?qū)W習到在什么樣的情況下選擇什么樣的行為可以得到最好的結果。谷歌 DeepMind 就是用強化學習的方法在 Atari 游戲和圍棋中取得了突破性進展。

應用范圍：為自動駕駛汽車提供 3D 導航的城市街道圖，在共享模型環(huán)境下實現(xiàn)多個代理的學習和互動，迷宮游戲，賦予非玩家視頻游戲中的角色人類行為。

公司：DeepMind（谷歌），Prowler.io，Osaro，MicroPSI，Maluuba （微軟），NVIDIA，Mobileye 等。

主要研究人員： Pieter Abbeel（OpenAI），David Silver，Nando de Freitas，Raia Hadsell（谷歌 DeepMind），Carl Rasmussen（劍橋），Rich Sutton （Alberta），John Shawe-Taylor（UCL）等等。

2. 生成模型

與判別模型不同的是，生成方法可以由數(shù)據(jù)學習聯(lián)合概率密度分布，然后求出條件概率分布作為預測的模型，即生成模型。它的基本思想是首先建立樣本的聯(lián)合概率概率密度模型，然后再得到后驗概率，再利用其進行分類。2014 年，蒙特利爾大學的 Ian Goodfellow 等學者發(fā)表了論文 《Generative Adversarial Nets》 ，即“生成對抗網(wǎng)絡”，標志了 GANs 的誕生。這種生成對抗網(wǎng)絡就是一種生成模型（Generative Model），它從訓練庫里獲取很多訓練樣本，并學習這些訓練案例生成的概率分布。GANs 的基本原理有 2 個模型，一個是生成器網(wǎng)絡（Generator Network），它不斷捕捉訓練庫里真實圖片的概率分布，將輸入的隨機噪聲（Random Noise） 轉(zhuǎn)變成新的樣本。另一個叫做判別器網(wǎng)絡（Discriminator Network），它可以同時觀察真實和假造的數(shù)據(jù)，判斷這個數(shù)據(jù)到底是真的還是假的。這種模型是用大規(guī)模數(shù)據(jù)庫訓練出的， 具有比其他無監(jiān)督學習模型更好的效果。

應用范圍：用于真實數(shù)據(jù)的建模和生成，模擬預測時間序列的可能性，比如為強化學習制定計劃，在圖像，視頻，音樂，自然語句等領域都有應用，比如預測圖像的下一幀是什么。

公司：Twitter Cortex，Adobe， 蘋果，Prisma， Jukedeck，Creative.ai，Gluru， Mapillary，Unbabel 等。

主要研究人員：Ian Goodfellow （OpenAI） ， 大神Yann LeCun 以及Soumith Chintala（Facebook AI Research），Shakir Mohamed  以及  A?ron van den Oord（谷歌 DeepMind） 等等。 

3. 記憶網(wǎng)絡

記憶網(wǎng)絡指的是帶有內(nèi)存的神經(jīng)網(wǎng)絡。為了使 AI 系統(tǒng)能夠在多樣化的現(xiàn)實社會中得到更好的推廣，它們必須不斷學習新的任務，并“記住”自己是如何執(zhí)行任務的。然而，傳統(tǒng)的神經(jīng)網(wǎng)絡并不能做到這些。原因是當它們在執(zhí)行 B 任務時，網(wǎng)絡中對于解決 A 任務的權重發(fā)生了改變。

不過，有幾種強大的架構能夠賦予神經(jīng)網(wǎng)絡不同程度的記憶，比如長短期記憶網(wǎng)絡 LSTM，它能夠處理和預測時間序列。還有 DeepMind 的新型機器學習算法“ 可微分神經(jīng)計算機”DNC，它將“神經(jīng)網(wǎng)絡”計算系統(tǒng)與傳統(tǒng)計算機存儲器結合在一起，這樣便于它瀏覽和理解復雜的數(shù)據(jù)。

應用范圍：這種學習代理可以應用到多種環(huán)境中，比如機械臂控制物體，時間序列的預測（金融市場，物聯(lián)網(wǎng)等）。

公司：Google DeepMind，NNaisense ，SwiftKey/微軟等

主要研究人員： Alex Graves， Raia Hadsell，Koray Kavukcuoglu（Google DeepMind），Jürgen Schmidhuber （IDSAI），Geoffrey Hinton（Google Brain/Toronto）等等。

4. 針對小數(shù)據(jù)集的學習，構建更小的模型

大家都知道，基于大量數(shù)據(jù)集可以構建出色表現(xiàn)的深度學習模型，比如著名的 ImageNet，作為最早的圖片數(shù)據(jù)集，它目前已有超過 1400 萬張被分類的圖片。如果沒有大數(shù)據(jù)集，深度學習模型可能就難以有良好的表現(xiàn)，在諸如機器翻譯和語音識別上也難執(zhí)行復雜任務。這種數(shù)據(jù)需求在使用單個神經(jīng)網(wǎng)絡處理端到端問題時會增長，即把語音的原始音頻記錄作為“輸入→輸出”語音的文本轉(zhuǎn)錄。如果想要 AI 系統(tǒng)用來解決更多具有挑戰(zhàn)性，敏感或耗時的任務，那么開發(fā)出能夠從較小的數(shù)據(jù)集學習的模型非常重要。在對小數(shù)據(jù)集進行培訓時，也存在一些挑戰(zhàn)，比如處理異常值以及培訓和測試之間數(shù)據(jù)分布的差異。此外，還有一種方法是通過遷移學習來完成。

應用范圍：通過模擬基于大數(shù)據(jù)集的深層神經(jīng)網(wǎng)絡的表現(xiàn)，訓練淺層網(wǎng)絡具備同等性能，使用較少的參數(shù)，但卻有深度神經(jīng)網(wǎng)絡同等性能的模型架構（如 SqueezeNet），機器翻譯等。

公司：Geometric Intelligence/Uber，DeepScale.ai，微軟研究院， Curious AI 公司，Google，Bloomsbury AI

主要研究人員：Zoubin Ghahramani （劍橋），Yoshua Bengio（蒙特利爾大學）， Josh Tenenbaum（麻省理工學院），Brendan Lake （紐約大學），Oriol Vinyals（Google DeepMind） ， Sebastian Riedel （UCL） 等。

5. 用于推理和訓練的硬件

人工智能的發(fā)展依仗多項技術的推薦，而我們常說的 GPU 就是促進 AI 進步的主要催化劑之一。與 CPU 不同，GPU 提供了一個大規(guī)模并行架構，可以同時處理多個任務?？紤]到神經(jīng)網(wǎng)絡必須處理大量（通常是高維的） 數(shù)據(jù)，在 GPU 上的訓練比 CPU 快得多。這就是為什么 GPU 最近很受各個科技大佬追捧的原因，其中包括眾人熟知的 NVIDIA 、英特爾、高通、AMD 以及谷歌。

然而，GPU 并不是專門用于培訓或者推理的，它們在創(chuàng)建之始是為了渲染視頻游戲中的圖形。GPU 具有超高的計算精度，但這也帶來了存儲器帶寬和數(shù)據(jù)吞吐量問題。這為包括谷歌在內(nèi)的一些大公司開辟了競競爭環(huán)境，專門為高維機器學習應用設計和生產(chǎn)的芯片順勢而生。通過設計出新的芯片可以改善內(nèi)存帶寬等問題，或許也能具備更高的計算密度，效率和性能。人工智能系統(tǒng)給其所有者提供了更快速有效的模型，從而形成“更快，更有效的模型培訓→更好的用戶體驗→更多用戶參與產(chǎn)品→創(chuàng)建更大的數(shù)據(jù)集→通過優(yōu)化提高模型性能”這樣的良性循環(huán)。

應用范圍：快速訓練模型（尤其是在圖像上），物聯(lián)網(wǎng)，云領域的 IaaS，自動駕駛汽車，無人機，機器人等。

公司：Graphcore， Cerebras，Isocline Engineering，Google ( TPU )，NVIDIA ( DGX-1 )，Nervana Systems (Intel)，Movidius ( Intel )， Scortex 等。

6.仿真環(huán)境

為人工智能生成訓練數(shù)據(jù)通常具有挑戰(zhàn)性，但是為了讓這項技術可以運用在現(xiàn)實世界中，必須要將它在多樣化環(huán)境中進行普及。而如果在仿真環(huán)境中訓練機器學習，隨后就能把知識遷移到真實環(huán)境中。這無疑會幫助我們理解 AI 系統(tǒng)是怎么學習的，以及怎樣才能提升 AI 系統(tǒng)，還會大大加速機器人的學習速度。仿真環(huán)境下的訓練能幫助人們將這些模型運用到現(xiàn)實環(huán)境中。

應用范圍：學習駕駛，制造業(yè)，工業(yè)設計，游戲開發(fā)，智能城市等。

公司：Improbable，Unity 3D，微軟，Google DeepMind/Blizzard，OpenAI，Comma.ai，Unreal Engine，Amazon Lumberyard 等。

主要研究人員： Andrea Vedaldi （牛津大學）等。

Via medium，雷鋒網(wǎng)編譯

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。