近期熱門的話題， 人們開始重新討論這一基本定義----什么是人工智能（AI）。有些人將 AI 重新命名為「認知計算」或「機器智能」，而其他人則錯誤地將 AI 與「機器學(xué)習」概念進行交換。在某種程度上，這是因為 AI 不是一種技術(shù)。它實際上是一個由許多學(xué)科組成的廣泛領(lǐng)域，從機器人學(xué)到機器學(xué)習。我們大多數(shù)人都認為，人工智能的終極目標是為了建造能夠完成任務(wù)和認知功能的機器，否則這些機器只能在人類的智能范圍內(nèi)從事相關(guān)工作。為了實現(xiàn)這一目標，機器必須能夠自主學(xué)習這些能力，而不是讓每個功能都被端到端地明確編程。

人工智能領(lǐng)域在過去十年中取得了巨大進步，從自動駕駛汽車到語音識別及合成，這一點令人驚訝。在這種背景下，人工智能已經(jīng)成為越來越多公司和家庭的話題，他們不再將人工智能視為一種需要 20 年時間開發(fā)的技術(shù)，而是影響他們今天生活的東西。事實上，流行的新聞報道幾乎每天都會報道 AI 和技術(shù)巨頭，闡述他們重要的長期人工智能策略。雖然一些投資者和老牌企業(yè)都渴望了解如何在這個新世界中攫取價值，但大多數(shù)人仍在摸索著想出這一切意味著什么。與此同時，各國政府正在努力應(yīng)對自動化在社會中的影響。

鑒于 AI 將影響整個經(jīng)濟，而這些討論中的參與者代表了社會上觀點的整體分布、理解水平以及構(gòu)建或使用 AI 系統(tǒng)的經(jīng)驗程度。因此，對人工智能的討論至關(guān)重要—包括由此產(chǎn)生的問題、結(jié)論和建議—必須以數(shù)據(jù)和現(xiàn)實為基礎(chǔ)，而不是猜想，這點至關(guān)重要。畢竟各種民間大V從公布的研究、科技新聞公告、投機評論和思想實驗中大肆推斷其中的含義，這太容易了（有時令人興奮?。?。

尤其值得注意人工智能的六個領(lǐng)域在影響數(shù)字產(chǎn)品和服務(wù)的未來方面產(chǎn)生的作用。我將會闡述它們分別是什么、為什么它們很重要、它們今天如何被使用，并列出了從事這些技術(shù)的公司和研究人員的清單（并非詳盡無遺）。

1、強化學(xué)習（RL）

RL 是一種通過試錯來學(xué)習的范例，這種反復(fù)試錯受到人類學(xué)習新任務(wù)的方式啟發(fā)。在典型的 RL 設(shè)置中，智能體的任務(wù)是在數(shù)字環(huán)境中觀察其當前狀態(tài)并采取最大化其已設(shè)置的長期獎勵的累積的動作。 該智能體接收來自環(huán)境的每個動作結(jié)果的反饋，以便它知道該動作是否促進或阻礙其進展。因此，RL 的 智能體必須平衡對其環(huán)境的探索，以找到獲得獎勵的最佳策略，并利用其發(fā)現(xiàn)的最佳策略來實現(xiàn)預(yù)期目標。這種方法在 Google DeepMind 的 Atari 游戲和 Go 中（https://www.youtube.com/watch?v=Ih8EfvOzBOY）非常流行。RL 在現(xiàn)實世界中工作的一個例子是優(yōu)化能源效率以冷卻 Google 數(shù)據(jù)中心。在此項目中，RL 使得該系統(tǒng)的冷卻成本降低了 40％。在可以模擬的環(huán)境（例如視頻游戲）中使用 RL 智能體的一個重要的原生優(yōu)勢是訓(xùn)練數(shù)據(jù)可以以非常低的成本生成。這與監(jiān)督式的深度學(xué)習任務(wù)形成鮮明對比，后者通常需要昂貴且難以從現(xiàn)實世界中獲取的訓(xùn)練數(shù)據(jù)。

應(yīng)用程序：多個智能體在他們自己的環(huán)境實例中學(xué)習共享模型，或者通過在同一環(huán)境中相互交互和學(xué)習，學(xué)習在迷宮或城市街道等 3D 環(huán)境中進行自動駕駛，通過學(xué)習任務(wù)目標（例如學(xué)習駕駛或賦予非玩家視頻游戲角色以類似人的行為）反向強化學(xué)習以概括觀察到的行為。頂尖專業(yè)：Pieter Abbeel（OpenAI），David Silver，Nando de Freitas，Raia Hadsell，Marc Bellemare（谷歌 DeepMind），Carl Rasmussen（劍橋），Rich Sutton（阿爾伯塔大學(xué)），John Shawe-Taylor（UCL）等。代表公司：Google DeepMind，Prowler.io，Osaro，MicroPSI，Maluuba / Microsoft，NVIDIA，Mobileye，OpenAI。

2、生成模型

與用于分類或回歸任務(wù)的判別模型不同，生成模型學(xué)習訓(xùn)練樣本的概率分布。通過從這種高維分布中抽樣，生成模型輸出與訓(xùn)練數(shù)據(jù)類似的新例子。這意味著，例如，在面部的真實圖像上訓(xùn)練的生成模型可以輸出相似面部的新合成圖像。有關(guān)這些模型如何工作的更多詳細信息，請參閱 Ian Goodfellow 的 NIPS 2016 指導(dǎo)手冊（https://arxiv.org/abs/1701.00160）。他引入的架構(gòu)，生成對抗網(wǎng)絡(luò)（GAN），現(xiàn)在在研究領(lǐng)域特別熱門，因為它們?yōu)闊o監(jiān)督學(xué)習提供了一條道路。對于 GAN，有兩個神經(jīng)網(wǎng)絡(luò)：一個生成器，它將隨機噪聲作為輸入，負責合成內(nèi)容（例如一個圖像），一個鑒別器，它了解了真實圖像的樣子，并負責識別生成器生成的圖像是真實的還是偽造的。對抗訓(xùn)練可以被認為是一種游戲，其中生成器必須迭代地學(xué)習如何從噪聲創(chuàng)建圖像，使得鑒別器不再能夠?qū)⑸傻膱D像與真實的圖像區(qū)分開。該框架正在擴展到許多數(shù)據(jù)模式和任務(wù)。

應(yīng)用范圍：模擬時間序列的可能未來（例如，用于強化學(xué)習中的規(guī)劃任務(wù)）；超分辨率圖像；從 2D 圖像重建 3D 結(jié)構(gòu)； 從小標記數(shù)據(jù)集推廣；一個輸入可以產(chǎn)生多個正確輸出的任務(wù)（例如，預(yù)測視頻 0 中的下一幀；在會話界面中運用自然語言處理（例如機器人）；加密；當不是所有標簽都可用時運用半監(jiān)督學(xué)習；藝術(shù)風格轉(zhuǎn)移；合成音樂和聲音；圖像修復(fù)。代表公司：Twitter Cortex，Adobe，Apple，Prisma，Jukedeck*，Creative.ai，Gluru*，Mapillary*，Unbabel。頂尖專家：Ian Goodfellow (OpenAI)，Yann LeCun and Soumith Chintala (Facebook AI Research)，Shakir Mohamed and A?ron van den Oord (Google DeepMind)，Alyosha Efros (Berkeley) and manyothers。

3、記憶網(wǎng)絡(luò)

為了讓 AI 系統(tǒng)像我們一樣在不同的環(huán)境中都能得到適用，他們必須能夠不斷學(xué)習新任務(wù)并記住如何在未來完成所有任務(wù)。然而，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)通常不能進行這種連續(xù)的任務(wù)學(xué)習。這個缺點被稱為災(zāi)難性遺忘。之所以出現(xiàn)這種情況，是因為當網(wǎng)絡(luò)隨后經(jīng)過訓(xùn)練以解決任務(wù) B 時，網(wǎng)絡(luò)中對于任務(wù) A 來說很重要的權(quán)重會發(fā)生變化。

然而，有幾種強大的架構(gòu)可以賦予神經(jīng)網(wǎng)絡(luò)不同程度的記憶性。這些包括能夠處理和預(yù)測時間序列的長短期記憶網(wǎng)絡(luò)（遞歸神經(jīng)網(wǎng)絡(luò)的一種變體），DeepMind 的可微分神經(jīng)計算機，它結(jié)合了神經(jīng)網(wǎng)絡(luò)和記憶系統(tǒng)，以便自己學(xué)習和導(dǎo)航復(fù)雜的數(shù)據(jù)結(jié)構(gòu)，彈性權(quán)重合并算法，根據(jù)它們對先前看到的任務(wù)的重要程度，減慢對某些權(quán)重的學(xué)習，以及學(xué)習特定任務(wù)的模型之間的橫向連接的漸進式神經(jīng)網(wǎng)絡(luò)，以從先前學(xué)習的網(wǎng)絡(luò)中為新任務(wù)提取有用的特征。

應(yīng)用范圍：可以推廣到新環(huán)境的學(xué)習智能體；機器人手臂控制系統(tǒng)；自動駕駛汽車；時間序列預(yù)測（例如金融市場、視頻、物聯(lián)網(wǎng)）； 自然語言處理和下一步預(yù)測。代表公司：Google DeepMind，NNaisense，SwiftKey/Microsoft Research，F(xiàn)acebook AI Research。頂尖專家：Alex Graves，Raia Hadsell，Koray Kavukcuoglu（Google DeepMind），Jürgen Schmidhuber（IDSIA），Geoffrey Hinton（Google Brain/Toronto），James Weston，Sumit Chopra，Antoine Bordes（FAIR）。

4、從較少數(shù)據(jù)學(xué)習并構(gòu)建更小的模型

深度學(xué)習模型值得注意的是需要大量的訓(xùn)練數(shù)據(jù)才能達到最先進的性能。例如，ImageNet 大規(guī)模視覺識別挑戰(zhàn)賽中，每支隊伍需要挑戰(zhàn)他們的圖像識別模型，包含 120 萬個手工標記 1000 個對象類別的訓(xùn)練圖像。如果沒有大規(guī)模的訓(xùn)練數(shù)據(jù)，深度學(xué)習模型將無法收斂于其最佳設(shè)置，并且在語音識別或機器翻譯等復(fù)雜任務(wù)上表現(xiàn)不佳。只有當單個神經(jīng)網(wǎng)絡(luò)用于端到端解決問題時，此數(shù)據(jù)要求才會增長；也就是說，將語音的原始錄音作為輸入并輸出語音的文本轉(zhuǎn)錄。這與使用多個網(wǎng)絡(luò)形成對比，每個網(wǎng)絡(luò)各自提供中間表示（例如，原始語音音頻輸入→音位→單詞→文本轉(zhuǎn)錄輸出；或來自直接映射到轉(zhuǎn)向命令的相機的原始圖像）。如果我們希望 AI 系統(tǒng)能夠解決訓(xùn)練數(shù)據(jù)特別具有挑戰(zhàn)性、成本高、敏感或耗時的任務(wù)，那么開發(fā)能夠從較少的樣本（即一次或零次學(xué)習）學(xué)習最佳解決方案的模型非常重要。在對小型數(shù)據(jù)集進行培訓(xùn)時，難點包括過度擬合，處理異常值的困難，訓(xùn)練和測試之間數(shù)據(jù)分布的差異。另一種方法是通過使用統(tǒng)稱為遷移學(xué)習的過程來遷移從先前任務(wù)獲得的機器學(xué)習模型的知識來改進新任務(wù)的學(xué)習。

一個相關(guān)的問題是使用類似數(shù)量或明顯更少的參數(shù)構(gòu)建具有最先進性能的較小的深度學(xué)習架構(gòu)。優(yōu)點包括更高效的分布式培訓(xùn)，因為數(shù)據(jù)需要在服務(wù)器之間進行通信，將新模型從云端導(dǎo)出到外圍設(shè)備的帶寬更少，以及部署到內(nèi)存有限的硬件的可行性得到提高。

應(yīng)用范圍：通過學(xué)習模擬最初訓(xùn)練大型標記訓(xùn)練數(shù)據(jù)的深層網(wǎng)絡(luò)的性能來訓(xùn)練淺層網(wǎng)絡(luò)；具有較少參數(shù)但與深度模型具有相同性能的架構(gòu)（例如?SqueezeNet）；機器翻譯。代表企業(yè)： Geometric Intelligence/Uber，DeepScale.ai，Microsoft Research，Curious AI Company，Google，Bloomsbury AI。頂尖專家： Zoubin Ghahramani（Cambridge），Yoshua Bengio（Montreal），Josh Tenenbaum（MIT），Brendan Lake（NYU），Oriol Vinyals（Google DeepMind），Sebastian Riedel（UCL）。

5、用于訓(xùn)練和預(yù)測的硬件

人工智能進步的主要催化劑是重新利用圖形處理單元（GPU）來訓(xùn)練大型神經(jīng)網(wǎng)絡(luò)模型。與以順序方式計算的中央處理單元（CPU）不同，GPU 提供可以同時處理多個任務(wù)的大規(guī)模并行架構(gòu)。鑒于神經(jīng)網(wǎng)絡(luò)必須處理大量（通常是高維數(shù)據(jù)），GPU 上的訓(xùn)練要比使用 CPU 快得多。這就是為什么自 2012 年 AlexNet 發(fā)布以來 GPU 已經(jīng)真正成為淘金熱的原因 - 這是 GPU 上實現(xiàn)的第一個神經(jīng)網(wǎng)絡(luò)。在 2017 年 NVIDIA 繼續(xù)領(lǐng)先于英特爾，高通，AMD 以及谷歌。

但是，GPU 不是專門用于訓(xùn)練或預(yù)測的；它們是為了呈現(xiàn)視頻游戲的圖形而創(chuàng)建的。 GPU具有高計算精度，但并不總是需要，并且存在內(nèi)存帶寬和數(shù)據(jù)吞吐量問題。這為像 Google 這樣的大公司的新一代初創(chuàng)項目開辟了公平的競爭環(huán)境，專門為高維機器學(xué)習應(yīng)用設(shè)計和生產(chǎn)芯片。新芯片設(shè)計承諾的改進包括更大的內(nèi)存帶寬，圖形而非矢量（GPU）或標量（CPU）計算，更高的計算密度，效率和耗能性能。這是令人興奮的，因為 AI 系統(tǒng)為其所有者和用戶提供了明顯的加速回報：更快，更高效的模型培訓(xùn)→更好的用戶體驗→用戶更多地參與產(chǎn)品→創(chuàng)建更大的數(shù)據(jù)集→通過優(yōu)化提高模型性能。因此，能夠更快地訓(xùn)練并部署計算和能量效率的 AI 模型的人會占據(jù)顯著的優(yōu)勢。

應(yīng)用范圍：加快模型訓(xùn)練（特別是圖表）；預(yù)測能源和數(shù)據(jù)效率；在外圍運行 AI 系統(tǒng)（物聯(lián)網(wǎng)設(shè)備）；實時活動的 IoT 設(shè)備；云基礎(chǔ)服務(wù)； 自動駕駛汽車，無人機和機器人。代表企業(yè)： Graphcore，Cerebras，Isocline Engineering，Google（TPU），NVIDIA（DGX-1），Nervana Systems（Intel），Movidius（Intel），Scortex。

6、仿真環(huán)境

如前所述，為 AI 系統(tǒng)生成訓(xùn)練數(shù)據(jù)通常具有挑戰(zhàn)性。 更重要的是，如果 AI 在現(xiàn)實世界中對我們有用，那么它必須可以推廣到很多情況。 因此，開發(fā)模擬現(xiàn)實世界的物理和行為的數(shù)字環(huán)境將為我們提供測試和訓(xùn)練 AI 的一般智能的測試平臺。 這些環(huán)境向 AI 呈現(xiàn)初始情況，然后 AI 采取行動以解決他們已設(shè)置（或?qū)W習）的目標。 在這些模擬環(huán)境中進行訓(xùn)練可以幫助我們了解 AI 系統(tǒng)如何學(xué)習，如何改進它們，同時也為我們提供可能轉(zhuǎn)移到實際應(yīng)用程序的模型。

應(yīng)用范圍：駕駛技能學(xué)習；制造業(yè)；工業(yè)設(shè)計；游戲開發(fā)；智慧城市。代表企業(yè)： Improbable，Unity 3D， Microsoft（Minecraft），Google DeepMind/Blizzard，OpenAI，Comma.ai，Unreal Engine，Amazon Lumberyard。

專家：Andrea Vedaldi（Oxford）。