人工智能發(fā)展領(lǐng)域有哪些

人工智能發(fā)展領(lǐng)域有哪些

企服解答

人工智能的發(fā)展領(lǐng)域有：1、強(qiáng)化學(xué)習(xí)；2、生成模型；3、記憶網(wǎng)絡(luò)；4、微數(shù)據(jù)學(xué)習(xí)微模型；5、學(xué)習(xí)/推理硬件；6、仿真環(huán)境；7、人工智能技術(shù)進(jìn)入大規(guī)模商用階段；8、智慧服務(wù)。

1、強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)是一種通過實(shí)驗(yàn)和錯誤來學(xué)習(xí)的方法，它受人類學(xué)習(xí)新技能的過程啟發(fā)。在典型的強(qiáng)化學(xué)習(xí)案例中，代理者通過觀察當(dāng)前所處的狀態(tài)，進(jìn)而采取行動使得長期獎勵的結(jié)果最大化。每執(zhí)行一次動作，代理者都會收到來自環(huán)境的反饋信息，因此它能判斷這次動作帶來的效果是積極的還是消極的。在這個過程中，代理者需要平衡根據(jù)經(jīng)驗(yàn)尋找最佳策略和探索新策略兩方面，以期實(shí)現(xiàn)最終的目標(biāo)。

2、生成模型

不同于用來完成分類和回歸任務(wù)的判別模型，生成模型從訓(xùn)練樣本中學(xué)到一個概率分布。通過從高維的分布中采樣，生成模型輸出與訓(xùn)練樣本類似的新樣本。這也意味著，若生成模型的訓(xùn)練數(shù)據(jù)是臉部的圖像集，那么訓(xùn)練后得到的模型也能輸出類似于臉的合成圖片。細(xì)節(jié)內(nèi)容可以參考Ian Goodfellow的文章。他提出的生成對抗模型(GAN)的結(jié)構(gòu)當(dāng)下在學(xué)術(shù)界非常的火熱，因?yàn)樗o無監(jiān)督學(xué)**提供了一種新思路。GAN結(jié)構(gòu)用到了兩個神經(jīng)網(wǎng)絡(luò)：一個是生成器，它負(fù)責(zé)將隨機(jī)輸入的噪聲數(shù)據(jù)合成為新的內(nèi)容(比如合成圖片)，另一個是判別器，負(fù)責(zé)學(xué)**真實(shí)的圖片并判斷生成器生成的內(nèi)容是否以假亂真。對抗訓(xùn)練可以被認(rèn)為是一類游戲，生成器必須反復(fù)學(xué)**用隨機(jī)噪音數(shù)據(jù)合成有意義的內(nèi)容，直到判別器無法區(qū)分合成內(nèi)容的真?zhèn)巍＿@套框架正在被擴(kuò)展應(yīng)用到許多數(shù)據(jù)模式和任務(wù)中。

3、記憶網(wǎng)絡(luò)

為了讓人工智能系統(tǒng)像人類一樣能夠適應(yīng)各式各樣的環(huán)境，它們必須持續(xù)不斷地掌握新技能，并且記住如何在未來的場景中應(yīng)用這些技能。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)很難掌握一系列的學(xué)**任務(wù)。這項(xiàng)缺點(diǎn)被科學(xué)家們稱作是災(zāi)難性遺忘。其中的難點(diǎn)在于當(dāng)一個神經(jīng)網(wǎng)絡(luò)針對A任務(wù)完成訓(xùn)練之后，若是再訓(xùn)練它解決B任務(wù)，則網(wǎng)絡(luò)模型的權(quán)重值不再適用于任務(wù)A。

4、微數(shù)據(jù)學(xué)習(xí)微模型

一直以來深度學(xué)習(xí)模型都是需要堆積大量的訓(xùn)練數(shù)據(jù)才能達(dá)到最佳的效果。比如，某只參加ImageNet挑戰(zhàn)賽的團(tuán)隊(duì)使用了120萬張分布于1000個類別的人工標(biāo)注圖像訓(xùn)練模型。離開大規(guī)模的訓(xùn)練數(shù)據(jù)，深度學(xué)習(xí)模型就不會收斂到最優(yōu)值，也無法在語音識別、機(jī)器翻譯等復(fù)雜的任務(wù)上取得好效果。數(shù)據(jù)量需求的增長往往發(fā)生在用單個神經(jīng)網(wǎng)絡(luò)模型處理端到端的情況下，比如輸入原始的語音片段，要求輸出轉(zhuǎn)換后的文字內(nèi)容。這個過程與多個網(wǎng)絡(luò)協(xié)同工作各處理一步中間結(jié)果不同(比如，原始語音輸入→音素→詞→文本輸出)。如果我們想用人工智能系統(tǒng)解決訓(xùn)練數(shù)據(jù)稀缺的任務(wù)時，希望模型訓(xùn)練用到的樣本越少越好。當(dāng)訓(xùn)練數(shù)據(jù)集較小時，過擬合、異常值干擾、訓(xùn)練集和測試集分布不一致等問題都會接踵而至。另一種方法是將在其它任務(wù)上訓(xùn)練好的模型遷移到新的任務(wù)中，這種方法被稱為是遷移學(xué)習(xí)。

5、學(xué)習(xí)/推理硬件

促進(jìn)人工智能發(fā)展的催化劑之一就是圖形處理器(GPU)的升級，不同于CPU的順序執(zhí)行模式，GPU支持大規(guī)模的并行架構(gòu)，可以同時處理多個任務(wù)。鑒于神經(jīng)網(wǎng)絡(luò)必須用大規(guī)模(且高維度)數(shù)據(jù)集訓(xùn)練，GPU的效率遠(yuǎn)高于CPU。這就是為什么自從2012年第一個GPU訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型——AlexNet公布之后，GPU已經(jīng)成為名副其實(shí)的淘金鐵鍬。NVIDIA在2017年繼續(xù)領(lǐng)跑行業(yè)，領(lǐng)先于Intel、Qualcomm、AMD和后起之秀Google

6、仿真環(huán)境

正如之前提到，為人工智能系統(tǒng)準(zhǔn)備訓(xùn)練數(shù)據(jù)很具有挑戰(zhàn)性。而且，若要將人工智能系統(tǒng)應(yīng)用到實(shí)際生活中，它必須具有適用性。因此，開發(fā)數(shù)字環(huán)境來模擬真實(shí)的物理世界和行為將為我們提供測試人工智能系統(tǒng)適應(yīng)性的機(jī)會。這些環(huán)境給人工智能系統(tǒng)呈現(xiàn)原始像素，然后根據(jù)設(shè)定的目標(biāo)而采取某些行動。在這些模擬環(huán)境中的訓(xùn)練可以幫助我們了解人工智能系統(tǒng)的學(xué)習(xí)原理，如何改進(jìn)系統(tǒng)，也為我們提供了可以應(yīng)用于真實(shí)環(huán)境的模型。

7、人工智能技術(shù)進(jìn)入大規(guī)模商用階段

中國通信巨頭華為已經(jīng)發(fā)布了自主研發(fā)的人工智能芯片并將其應(yīng)用在旗下智能手機(jī)產(chǎn)品中，蘋果公司推出的iPhone X也采用了人工智能技術(shù)實(shí)現(xiàn)面部識別等功能。三星最新發(fā)布的語音助手Bixby則從軟件層面對長期以來停留于“你問我答”模式的語音助手做出升級。人工智能借由智能手機(jī)已經(jīng)與人們的生活越來越近。

8、智慧服務(wù)

過去幾年我們看到俄羅斯的人工智能機(jī)器人尤金首次通過了著名的圖靈測試，又見證了谷歌的AlphaGo和Master接連戰(zhàn)勝人類圍棋冠軍，盡管這些史無前例的事件隱約讓我們知道人工智能技術(shù)已經(jīng)發(fā)展到了一個很高的水平，但因?yàn)樘^濃厚的“炫技”色彩也讓公眾對人工智能技術(shù)產(chǎn)生很多質(zhì)疑。

事實(shí)上大多數(shù)人在談到人工智能時，首先想到的問題便是：“它究竟能夠做什么？”“它到底能夠用在什么地方？”“它能夠給人類解決哪些問題？”在人工智能技術(shù)的應(yīng)用方面，中國的互聯(lián)網(wǎng)企業(yè)似乎表現(xiàn)地更加實(shí)用主義一些。將主要精力投向人工智能領(lǐng)域的百度幾乎把人工智能技術(shù)應(yīng)用到了旗下所有產(chǎn)品和服務(wù)中，雄心勃勃展開NASA計(jì)劃的阿里巴巴也致力于將技術(shù)推向“普惠”。