本文由IT桔子（微信 ID: itjuzi521）授權i黑馬發(fā)布。

人工智能在過去的10年當中取得了長足進步，無論是無人駕駛，還是語音識別、語音合成。在這樣的背景下，AI已經(jīng)成為一個越來越熱門的話題，并且已經(jīng)開始影響我們的日常生活。

以下是人工智能發(fā)展值得關注的六個領域，對電子產(chǎn)品和服務的未來將會產(chǎn)生巨大的影響。我將解釋它們是什么、為什么重要、如何被運用，以及列舉相關技術領域的公司。

01 強化學習Reinforcement Learning

強化學習是機器學習中的一個領域，強調(diào)如何基于環(huán)境而行動，以取得最大化的預期利益。其靈感來源于心理學中的行為主義理論，即有機體如何在環(huán)境給予的獎勵或懲罰的刺激下，逐步形成對刺激的預期，產(chǎn)生能獲得最大利益的習慣性行為。增強學習是機器學習中一個非?；钴S且有趣的領域，相比其他學習方法，強化學習更接近生物學習的本質(zhì)，因此有望獲得更高的智能，這一點在棋類游戲中已經(jīng)得到體現(xiàn)。

Google DeepMind 的AlphaGo就采用了強化學習，強化學習另一個典型的應用是幫助優(yōu)化Google數(shù)據(jù)中心降溫系統(tǒng)的能源效率，強化學習系統(tǒng)可以將原來降溫的能耗降低40%。使用強化學習技術一個重要優(yōu)勢是，訓練數(shù)據(jù)的積累的成本會很低。而監(jiān)督深度學習技術往往需要非常昂貴的訓練數(shù)據(jù)，并且是很難從實際生活中獲取。

應用：多個智能體（agents）共享同一個模型，各自進行學習；或者與環(huán)境中其他智能體交互和學習；學習三維環(huán)境導航，比如迷宮、自動駕駛的城市道路；在學習了一系列目標任務后對已觀察過的行為進一步增強重述。（學習駕駛或者在電子游戲中為NPC賦予類似人類玩家的行為）

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

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

02 生成模型Generative Models

判別模型（discriminative models）主要用于分類和回歸任務，生成模型主要用于在樣本訓練中學習概率分布。

應用：時序信息模擬；超分辨率圖像；2D圖像三維重建；基于小樣本的數(shù)據(jù)生成；單輸入多輸出系統(tǒng)；自然語言交互；半監(jiān)督學習；藝術風格轉(zhuǎn)換；音樂和聲音合成；圖像修復

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

03 記憶網(wǎng)絡Networks with memory

為了能讓AI系統(tǒng)具有真實世界一樣的多樣性環(huán)境，AI必須持續(xù)學習新任務并在未來記住如何處理它們。傳統(tǒng)的神經(jīng)網(wǎng)絡并不能記住這么多任務，這個缺點被稱為災變性遺忘（Catastrophic Forgetting）。這是由于當神經(jīng)網(wǎng)絡從解決A問題轉(zhuǎn)向解決B問題的過程中，神經(jīng)網(wǎng)絡會隨之變化。也有很多種強大的網(wǎng)絡結(jié)構賦予了神經(jīng)網(wǎng)路不同程度的記憶能力。包括長-短記憶網(wǎng)絡，能夠處理和預測時序；DeepMind的微分神經(jīng)計算機結(jié)合了神經(jīng)網(wǎng)絡和記憶系統(tǒng)的優(yōu)點，以便從復雜的數(shù)據(jù)結(jié)構中學習；同時還有彈性權重聯(lián)合算法，根據(jù)先前問題的重要性來減慢某些權重。

應用：對新環(huán)境有舉一反三能力的學習性智能體(agent)；機械臂控制、自動駕駛、時序預測（金融、視頻、物聯(lián)網(wǎng)）；自然語言理解和預測

公司：Google DeepMind, NNaisense, SwiftKey/Microsoft Research

04 從更少的數(shù)據(jù)中學習、建造更小的模型

眾所周知，深度學習需要龐大的數(shù)據(jù)來進行訓練，比如ImageNet的視覺識別大賽，每支隊伍需要識別120萬張1000種類別的人工標注的圖像。如果沒有大規(guī)模的數(shù)據(jù)訓練，深度學習模型無法使用，也無法完成語音識別和機器翻譯這類的復雜任務。

在解決端到端的問題時，單一神經(jīng)網(wǎng)絡訓練所需的數(shù)據(jù)量只會越來越多，例如從音頻錄音中識別語音文本。

和使用多個不同神經(jīng)網(wǎng)絡處理不同人物的組合不同（音頻→發(fā)音→單詞→文本輸出）。

如果要讓AI解決一個數(shù)據(jù)有限、數(shù)據(jù)成本很高或者獲取十分耗時的任務時，能從小樣本中學習最優(yōu)解決方法的模型十分重要。用小量數(shù)據(jù)進行訓練有很多挑戰(zhàn)，一個替代的方法把之前機器學習模型知識轉(zhuǎn)移到新的模型上，這叫做轉(zhuǎn)移學習（transfer learning）。

應用：訓練淺層網(wǎng)絡來模擬在大規(guī)模數(shù)據(jù)集上訓練好的神經(jīng)網(wǎng)絡；與深度網(wǎng)絡模型表現(xiàn)相同、但參數(shù)更少的模型；機器翻譯。

公司：Geometric Intelligence/Uber, DeepScale.ai, Microsoft Research, Curious AI Company, Google, Bloomsbury AI

05 用于訓練和推理的硬件

AI發(fā)展的一個主要催化劑是將GPU用于訓練大規(guī)模神經(jīng)網(wǎng)絡。訓練神經(jīng)網(wǎng)絡需要大量的運算量，GPU用于訓練遠遠快于CPU。自從2012年首個使用GPU的深度神經(jīng)網(wǎng)絡AlexNet出現(xiàn)后，GPU 成為了訓練神經(jīng)網(wǎng)絡的首選。在2017年英偉達繼續(xù)領跑這一領域，而英特爾、高通、超微和谷歌緊隨其后。

GPU最初并不是為了機器學習而制作的，而是用于渲染電子游戲畫面。GPU計算精度很高，并且不會經(jīng)常遭遇內(nèi)存帶寬的限制和數(shù)據(jù)溢出的問題。有一批專為深度學習定制芯片的創(chuàng)業(yè)公司，Google又開發(fā)了針對高維機器學習應用的芯片。新型的芯片內(nèi)存寬帶更高、計算能力更強、能耗更低。提高AI系統(tǒng)運算能力為AI公司和用戶帶來的好處是：更快更高效的訓練模型→更好的用戶體驗→用戶更多使用產(chǎn)品→產(chǎn)生更多的數(shù)據(jù)→數(shù)據(jù)幫助優(yōu)化模型。因此，誰能夠更快、更高效的訓練和部署AI模型，就能擁有巨大的優(yōu)勢。

應用：快速訓練模型（尤其是圖片領域）、進行預測時的能源和數(shù)據(jù)效率、運行前沿AI系統(tǒng)（物聯(lián)網(wǎng)設備）、隨時可進行語音交互的物聯(lián)網(wǎng)設備、云基礎設施服務、自動駕駛汽車、無人機、機器人。

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

06 模擬環(huán)境

如前文所述，為AI系統(tǒng)生成訓練數(shù)據(jù)通常是一個挑戰(zhàn)。而且如果要能在現(xiàn)實世界應用，AI需要概括各種情況。因此，開發(fā)模擬真實世界物理和行為模型的數(shù)字環(huán)境需要能夠衡量和訓練AI通用能力的試驗環(huán)境。在模擬環(huán)境中進行訓練有助于我們更好的理解AI如何學習、如何改善自身，同時為我們提供了潛在的可以轉(zhuǎn)換為真實應用的模型。