人工智能最有前景的六大领域
来源:新媒体中心 | 作者:Mr.Pan | 发布时间: 2020-03-04 | 2103 次浏览 | 分享到:
目前来说,有许多关于人工智能公认定义的争论。有些人认为人工智能就是“认知计算”或是“机器智能”,而另一些人则把它与“机器学习”的概念混淆了。然而人工智能并不是特指某种技术,它实际上是一个由多门学科组成的广阔领域,包括机器人学和机器学习等。人工智能的终极目标是让机器替代人类去完成需要认知能力的任务。为了实现这一目标,机器必须自动学习掌握能力,而不仅仅是执行程序员编写的命令。



  目前来说,有许多关于人工智能公认定义的争论。有些人认为人工智能就是“认知计算”或是“机器智能”,而另一些人则把它与“机器学”的概念混淆了。然而人工智能并不是特指某种技术,它实际上是一个由多门学科组成的广阔领域,包括机器人学和机器学。人工智能的终极目标是让机器替代人类去完成需要认知能力的任务。为了实现这一目标,机器必须自动学掌握能力,而不仅仅是执行程序员编写的命令。

人工智能在过去的十年里取得令人叹为观止的进步,例如自动驾驶汽车、语音识别和语音合成。在此背景之下,人工智能这一话题越来越多地出现在同事和家人的闲谈之间,人工智能技术已经渗透到他们生活的角角落落。与此同时,流行媒体几乎每天也在报道人工智能和技术巨头们,介绍他们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。本文一一列举六个方向,解释它们的重要性,目前的应用场景,并列举出正在使用的公司和研究机构。

  1.强化学习

强化学是一种通过实验和错误来学的方法,它受人类学新技能的过程启发。在典型的强化学案例中,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最大化。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最佳策略和探索新策略两方面,以期实现最终的目标。

GoogleDeep Mind团队在Atari游戏和围棋对抗中都运用强化学习的技术。在真实场景中,强化学有被用来提高Google数据中心的能源利用率。强化学**技术为这套冷却系统节省约40%的能耗。强化学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

   2.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 Good fellow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一种新思路。GAN结构用到两个神经网络: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。
  应用:仿真时间序列的特征(例如,在强化学习中规划任务)超分辨率图像;从二维图像复原三维结构小规模标注数据集的泛化;预测视频的下一帧生成自然语言的对话内容艺术风格迁移语音和音乐的合成

   3.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;Deep Mind团队的微神经计算机,它结合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。

  应用:训练能够适应新环境的代理者机器人手臂控制任务;自动驾驶车辆;时间序列预测(如金融市场、视频预测)理解自然语言和预测下文。

   4.微数据学习微模型

一直以来深度学习模型都是需要堆积大量的训练数据才能达到最佳的效果。,某只参加Image Net挑战赛的团队使用120万张分布于1000个类别的人工标注图像训练模型。离开大规模的训练数据,深度学习模型就不会收敛到最优值,也无法在语音识别、机器翻译等复杂的任务上取得好效果。数据量需求的增长往往发生在用单个神经网络模型处理端到端的情况下,比如输入原始的语音片段,要求输出转换后的文字内容。这个过程与多个网络协同工作各处理一步中间结果不同

新闻公告 News/Notice             +more​​​
联系我们  Contact us             +more​​​

电话:0571-88326148

邮箱:zdrgzn@126.com

网址:www.zhidaai.com

微信公众号:SPX20180510

地址:杭州市江干区金沙大道201号绿城财通中心