除了深度学习你还应该关注这6大AI领域

除了深度自学，你还应当注目这6大AI领域提炼出一个能被广泛拒绝接受的适合于人工智能（AI）的定义早已沦为最近多次的话题之争。一些人把AI新的张贴上“理解计算出来”或者“机器智能”的标签，而有的则不恰当地将AI和“机器学习”混为一谈。

这部分是因为AI不是一种技术。实质上它是包括了从机器人到机器学习等许多学科的一个普遍领域。我们大多数人断言，AI的终极目标是研发出能继续执行以往归属于人类智能范畴的任务以及理解功能的机器。

为了构建这一点，机器必需能自动自学这些能力而不是对每一台机器展开末端到端的显式编程。从无人车到语音辨识与制备，过去10年AI领域获得的进展之多令人惊叹。在此背景下，AI早已沦为更加多公司与家庭的辩论话题，他们指出AI作为一项技术仍然必须20年的时间才能来临，而是指出这个东西现在早已在影响着自己的生活。

的确，热门媒体完全每天都会报导AI，而技术巨头都在接二连三地阐释自己根本性的长年AI战略。尽管若干投资者和既有企业渴求解读如何在这个新世界中捕猎价值，但绝大部分还在捉破脑袋想要搞清楚这一切究竟意味著什么。与此同时，政府正在与社会自动化的潜在影响不作斗争（参看奥巴马的道别演讲）。考虑到AI不会影响到整个经济，这场对话的参与者代表了研发或用于AI系统的各种意图，有所不同的解读水平以及有所不同经验程度。

某种程度地，一场有关AI的辩论，还包括问题，以及据此取得的结论和建议等，这些东西应当以数据和事实而不是猜测为基础，这一点是至关重要的。公开发表的研究、技术新闻公告、推断性的评论以及思想实验把结果的潜在影响可怕地外推觉得是过于更容易了（有时候是过于令人兴奋了！）。以下是AI在对未来数字化产品和服务潜在影响能力方面特别是在值得注意的6个领域。

我将叙述它们分别是什么，为什么最重要，目前是如何应用于的，同时还将获取研制成功这些技术的公司和研究者的表格（但意味著不是详细的）。1、增强自学（RL）增强自学是一种通过试错法自学的范式，其启发源于人类自学新任务的方式。

在典型的增强自学原作里面，一个代理会分担在数字化环境中仔细观察其当前状态的任务，并采行能让自己被原作的总计长年奖励最大化的动作。作为每次动作的结果，代理从环境接管对系统，这样它就可以告诉动作是增进还是阻碍了自己的进展。一个RL代理因此必需在对环境展开探寻以寻找积累奖励的优化策略与探寻构建所要达到目标的最佳策略之间作出权衡。

这种办法因为GoogleDeepMind在玩Atari和棋士（Alphago）游戏中的展现出而显得风行。RL在现实世界的一个例子是Google数据中心在优化加热器效率当中的应用于。Google的RL系统获得了将加热器成本减少40％的效果。

在可仿真的环境（比如视频游戏）中使用RL代理的一个最重要的天然优势是训练数据是可以分解的且成本极低。这与有监督的深度自学构成了鲜明对比，后者往往必须便宜且在现实世界中很难取得的训练数据。

应用于：多个代理以联合的模型在环境中以自己的实例展开自学，或者通过在完全相同环境下展开对话和互相自学，自学在像迷宫或者城市街道那样的3D环境下为无人车展开导航系统，运用逆向增强自学通过自学某个人物的目标来总结仔细观察到的不道德（比如自学驾驶员或者彰显非玩家视频游戏角色以类似于人类的不道德）。主要研究人员：PieterAbbeel（OpenAI），DavidSilver，NandodeFreitas，RaiaHadsell，MarcBellemare（GoogleDeepMind），CarlRasmussen（剑桥大学），RichSutton（Alberta），JohnShawe－Taylor（伦敦大学学院）等。公司：GoogleDeepMind，Prowler．io，Osaro，MicroPSI，Maluuba／微软公司，NVIDIA，Mobileye。

本文来源：hg皇冠手机登录-www.banishedshirts.com