人工智能发展领域有哪些
人工智能发展领域有哪些
企服解答
人工智能的发展领域有：1、强化学习；2、生成模型；3、记忆网络；4、微数据学习微模型；5、学习/推理硬件；6、仿真环境；7、人工智能技术进入大规模商用阶段；8、智慧服务。
1、强化学习
强化学习是一种通过实验和错误来学习的方法，它受人类学习新技能的过程启发。在典型的强化学习案例中，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。
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 Goodfellow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**提供了一种新思路。GAN结构用到了两个神经网络：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**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**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。
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**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。
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。比如，某只参加ImageNet挑战赛的团队使用了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(比如，原始语音输入→音素→词→文本输出)。如果我们想用人工智能系统解决训练数据稀缺的任务时，希望模型训练用到的样本越少越好。当训练数据集较小时，过拟合、异常值干扰、训练集和测试集分布不一致等问题都会接踵而至。另一种方法是将在其它任务上训练好的模型迁移到新的任务中，这种方法被称为是迁移学习。
5、学习/推理硬件
促进人工智能发展的催化剂之一就是图形处理器(GPU)的升级，不同于CPU的顺序执行模式，GPU支持大规模的并行架构，可以同时处理多个任务。鉴于神经网络必须用大规模(且高维度)数据集训练，GPU的效率远高于CPU。这就是为什么自从2012年第一个GPU训练的神经网络模型——AlexNet公布之后，GPU已经成为名副其实的淘金铁锹。NVIDIA在2017年继续领跑行业，领先于Intel、Qualcomm、AMD和后起之秀Google
6、仿真环境
正如之前提到，为人工智能系统准备训练数据很具有挑战性。而且，若要将人工智能系统应用到实际生活中，它必须具有适用性。因此，开发数字环境来模拟真实的物理世界和行为将为我们提供测试人工智能系统适应性的机会。这些环境给人工智能系统呈现原始像素，然后根据设定的目标而采取某些行动。在这些模拟环境中的训练可以帮助我们了解人工智能系统的学习原理，如何改进系统，也为我们提供了可以应用于真实环境的模型。
7、人工智能技术进入大规模商用阶段
中国通信巨头华为已经发布了自主研发的人工智能芯片并将其应用在旗下智能手机产品中，苹果公司推出的iPhone X也采用了人工智能技术实现面部识别等功能。三星最新发布的语音助手Bixby则从软件层面对长期以来停留于“你问我答”模式的语音助手做出升级。人工智能借由智能手机已经与人们的生活越来越近。
8、智慧服务
过去几年我们看到俄罗斯的人工智能机器人尤金首次通过了著名的图灵测试，又见证了谷歌的AlphaGo和Master接连战胜人类围棋冠军，尽管这些史无前例的事件隐约让我们知道人工智能技术已经发展到了一个很高的水平，但因为太过浓厚的“炫技”色彩也让公众对人工智能技术产生很多质疑。
事实上大多数人在谈到人工智能时，首先想到的问题便是：“它究竟能够做什么？”“它到底能够用在什么地方？”“它能够给人类解决哪些问题？”在人工智能技术的应用方面，中国的互联网企业似乎表现地更加实用主义一些。将主要精力投向人工智能领域的百度几乎把人工智能技术应用到了旗下所有产品和服务中，雄心勃勃展开NASA计划的阿里巴巴也致力于将技术推向“普惠”。
相关信息
- “智能+”，更应重视安全挑战
36氪2019年3月25日讯，人工智能技术和应用飞速发展，在推动经济社会创新发展的同时，也带来安全、伦理、法律法规等方面的风险挑战。随着数据越来越多被收集，应用场景增加，用户个人信息泄露的风险也随之提升。人工智能的研究和应用要有伦理和法律界限，即应以人类的根本利益和责任为原则。刚刚结束的全国两会上，“拓展‘智能+’”首次被写入今年的《政府工作报告》，作为未来的重要基础性技术，人工智能已连续三年出现在《政府工作报告》中。可以预见，随着人工智能、大数据的深入应用，生产生活的数字化转型是大势所趋。人们在拥抱人工智能、迈向数字社会的同时，也需要正视人工智能等新技术应用在安全、伦理、法律法规、社会治理等方面的挑战。只有未雨绸缪，研判和防范潜在风险，才能安享“智能+”的时代红利。
- 36氪研究 | “AI+金融”行业研究报告
36氪2018年9月6日讯，“15年内，人工智能和自动化将具备取代40%-50%岗位的技术能力”，李开复的这一预言不禁引起人们对人工智能应用前景和个人职业规划的重新思考。你的工作会被人工智能取代吗？这样的焦虑在我们刚刚使用语音助手聊天的时候或许还是杞人忧天，但在AlphaGo先后打败人类顶级围棋选手的今天，却已经成为一件不得不面对的事情，金融业尤其明显。
- MIT斯隆管理评论：AI发展最迅速的地方竟然是非技术领域
36氪2018年10月16日讯，全世界公认的人工智能的创新中心有两个，一个是中国东海岸，另一个是美国西海岸 。这两个地方一直在进行激烈的科学竞争。但非常有趣的是，人工智能发展最迅速的地方竟然是非技术领域。因为，不同于硅谷，在中国的一些沿海城市，传统企业赋能人工智能，为人工智能的发展释放了价值。对于非科技行业，中国企业赋能人工智能的方式与其他地区不同。在中国“十三五”计划的推动下，在大量数据的支持下，公司企业正在积极投资人工智能，并调整其业务模式，从而适应人工智能驱动下的新模式。然而，由于缺乏技术能力，人工智能在中国的应用正面临着一些挑战，主要是商业模式的创新遇到了瓶颈。另外，中国企业当前关注的焦点是人工智能能在多大程度上降低劳动力成本，这主要是因为，中国人口红利消失，人力劳动成本变得越来越贵。
拓展阅读
为避免政府过度“插手”，美国白宫提出十条AI监管规范，公众、灵活性、技术风险等成关键词_详细解读_最新资讯_热点事件_36氪 (36kr.com)
让人工智能与产业紧密融合_详细解读_最新资讯_热点事件_36氪 (36kr.com)
中国AI算力占全球三成：IDC 最新报告解读，算力仍是AI发展最强推力_详细解读_最新资讯_热点事件_36氪 (36kr.com)
