到底什么才是人工智能，怎樣統(tǒng)一大家的意見，形成共識，為它定性?這在最近已經成為了科技圈里的熱門話題。

　　一些人將 AI 看做是「認知計算」或者「機器智能」;而另外一些人將「AI」和「機器學習」給完全等同了起來。之所以會出現(xiàn)這么多的說法，主要是因為我們大家現(xiàn)在所說的「人工智能」，并不是某一個單純的技術，它事實上已經成為了很多學科交叉后的領域：從機器人到機器學習，無所不包。

　　而人工智能的目的，其實現(xiàn)在絕大多數(shù)人已經達成了共識：開發(fā)一種能夠執(zhí)行任務，具備某種認知功能的機器，而這種執(zhí)行任務的能力和認知功能，原本只屬于人類智能的范疇當中的。為了達到這種狀態(tài)，機器必須具備自我學習的能力。

　　在過去的十年時間里，AI 領域出現(xiàn)了何等驚人的進步，無論是無人自駕駛汽車的逐步成熟，還是語音識別技術的日趨完善。在這樣的大背景之下，人工智能已經跳脫出了 20 年前固有的形象，第一次在公司和消費者面前生動立體了起來：它是真的可以影響到我們每天生活的啊!

　　確實，現(xiàn)在各大媒體報刊都在用頭條講述人工智能領域出現(xiàn)的一舉一動，詳細闡述長期 AI 戰(zhàn)略，但就在這樣的火熱環(huán)境下，大眾仍然搞不清楚人工智能究竟是什么，同時，政府其實也在這方面表現(xiàn)的遲鈍一些，到底技術自動化對于整個社會有著怎樣的影響?

　　在這個前提下，本文向大家介紹人工智能領域下的六個細分領域，它們中任何一個現(xiàn)如今都是科研領域的大熱門。所以，跳脫出人工智能這個籠統(tǒng)的范疇，轉而研究這幾個細分具體化的領域，也許才是更加靠譜的討論方式。因為我們未來的數(shù)字產品和服務，都將被它們所左右。

　　在本文中，我會描述它們是什么，為什么重要，如今怎么來應用它們。最后，還會給出一個清單(當然不會是完全詳盡的)，上面列出來有關這些領域的科技公司。

　　1. 強化學習(Reinforcement learning)

　　人們在學習一項新技能的時候，往往會有一個試錯的過程，而 RL(強化學習)就是從這個模式中演化而來。在一個標準的 RL 設定中，軟件的任務是觀察在數(shù)字環(huán)境中當下所處的狀態(tài)，并根據(jù)已經定好了的最終要達到的效果，采取行動來不斷地接近這個目標。在這個不斷接近的過程中，軟件每執(zhí)行一個動作，它都能從這個數(shù)字環(huán)境中得出一個判斷：這個動作到底是推動了我向目標前進，還是阻礙了。

　⊥在這種不斷試探、確認、再試探的反復過程中，軟件逐步找到最優(yōu)策略和路徑。

　　該領域之所以會引起大家的注意，是 Google DeepMind 在 Atari games 這個項目上應用了這項技術。而目前這項技術在現(xiàn)實中應用的最大價值竟然是給 Google 的數(shù)據(jù)中心降溫!

　　數(shù)據(jù)中心中里眾多服務器、存儲設備、網(wǎng)絡設備等等在 24 小時的運行著，同時散發(fā)著巨大的熱量，采用常規(guī)的冷空調系統(tǒng)降溫，不僅使整個數(shù)據(jù)中心的能耗增大，成本也會相應提高一大塊。而 Google 在利用了 RL 技術可以使得降溫成本下降 40%。

　　在一個可以被模擬的數(shù)字環(huán)境(比如視頻游戲)中，應用 RL 工具的最大好處就是可以以很低的成本獲取到機器學習的數(shù)據(jù)。這跟「監(jiān)督式深度學習」(supervised deep learning)有著明顯區(qū)別，后者獲取數(shù)據(jù)的成本很高，在現(xiàn)實世界中應用的難度也較高。

　　應用：軟件在迷宮中找路，或者是給無人自駕駛技術在城市街道上行駛提供技術支持，還比如在視頻游戲中，讓 NPC 開始學習使用一些高度擬人化的行為。

　　處在這個領域里的公司：Google DeepMind, Prowler.io, Osaro, MicroPSI, Maluuba/Microsoft, NVIDIA, Mobileye, OpenAI.

　　2. 生成式對抗網(wǎng)絡

　　跟那些用來分類、或者執(zhí)行「回歸任務」的可識別人工智能相比，歸納模型基于某個學習對象，可以自發(fā)生成一個高度類似的圖像。

　⊥比如說，給軟件看過一張人臉照片之后，它就能立刻生成一張類似的，機器合成的照片。這個技術的基礎其實是：「生成式對抗網(wǎng)絡」(generative adversarial networks) 在人工智能領域非�；鸨�，因為它給人們提供出來了一條直抵「非監(jiān)控式機器學習」的路徑。

　　生成式對抗網(wǎng)絡(Generative Adversarial Nets，GAN)在 2016 年所召開的 NIPS(神經信息處理系統(tǒng)大會)上大放異彩，成為神經網(wǎng)絡最受關注的技術之一，其實 GAN 的思想其實十分樸素：有一對模型，一個生成模型(G)生成假樣本，最好是六耳獼猴，直叫眾人真假難辨;一個判別模型(D)識別假樣本，最好是火眼金睛，敢讓贗品無所遁形。

　　那么 GAN 的訓練過程就變成了生成模型(G)和判別模型(D)之間的競爭過程——隨機從真實樣本和由生成模型(G)生成出的「假樣本」中取一個，讓判別模型(D)去判斷是否為真。把這個問題，轉化為了一個博弈的問題。利用納什均衡來得到最終的目標函數(shù)。

　　應用案例：在時間序列中模擬出未來(例如規(guī)劃未來的工作);通過 2D 圖片來恢復 3D 結構;在視頻中預測下一幀，在對話界面上開發(fā)出自然語言，將音樂和語音進行合成等等。

　　目前正在做這件事的公司：Twitter Cortex、Adobe、Apple、Prisma、Jukedeck、Creative.ai, Gluru*, Mapillary*, Unbabel.。

　　3. 具有記憶的網(wǎng)絡

　　這個世界是千姿百態(tài)的，為了在這樣一個復雜多變的世界里，像人類一樣的去歸納、總結、分類，它們必須能持續(xù)不斷地學習執(zhí)行新的任務，記住這些任務的執(zhí)行方式并不斷地應用到未來。

　　但是，傳統(tǒng)的神經網(wǎng)絡是沒有辦法做到這一切的。它們只有在「忘記」了某些信息之后，才能連續(xù)地執(zhí)行任務。這個短板有個專有名詞：「災難性遺忘」。原因在于，執(zhí)行 A 任務時，對于機器來說非常重要的「權重」，到了執(zhí)行 B 任務的時候就徹底變了。

　　但是，現(xiàn)在有一些非常強大的系統(tǒng)，能夠給予神經網(wǎng)絡不同程度的記憶能力。比如「長短期記憶網(wǎng)絡」(一個重復型神經網(wǎng)絡的衍生品)，能夠處理和預測時間序列;比如 DeepMind 的「可辨神經計算機」，它能將神經網(wǎng)絡和記憶系統(tǒng)給結合起來，從而自行地學習，并組織復雜的數(shù)據(jù)結構;比如「彈性權重整合算法」，它能夠跟當前任務跟前一個任務進行對比，按照不同的重要級別，放慢對某些權重的學習速度;比如「激進式神經網(wǎng)絡」，它能夠在「目標明確的任務」之間建立一些橫向聯(lián)系，從之前已經習得的任務中提拳驗，然后將這些經驗應用到新的任務當中。

　∵體的應用：某些可以歸納經驗，應用到新環(huán)境里的學習工具;機器人手臂控制系統(tǒng);無人自駕駛汽車;時間序列預測系統(tǒng)(比如金融市場交易工具、視頻、物聯(lián)網(wǎng)等);自然語言理解及聯(lián)想詞技術。

　　在該領域的公司: Google DeepMind, NNaisense (?), SwiftKey/Microsoft Research, Facebook AI Research.

　　4. 即便數(shù)據(jù)少，也能學習;并且打造更為小巧的模型

　　一般來說，在大家的理解中，深度學習都是要求海量的學習數(shù)據(jù)，從而達到世界頂尖的表現(xiàn)水平的。就比如說之前有一個教機器識別圖像的研究項目，光是學習材料就包括了 120 萬張圖片，手動一個個的標注，歸納到了 1000 個物體類別里。

　　深度學習從某種意義上來說就必須這么做。而且對越是復雜的任務，對數(shù)據(jù)量的要求就會直線上升，比如說「語音識別」和「機器翻譯」，更復雜的任務是把一段語音輸入進去，一段文本輸出出來。

　　但目前，研究人員為了降低這其中的復雜程度，決定使用多個神經網(wǎng)絡來分解這種復雜性，每一個生成的結果都成為了下一個系統(tǒng)的學習材料。就比如說語音輸入后，轉化成為音素、音素再轉化成為字詞、字詞再轉化成為指令。

　　如果我們真的想讓人工智能系統(tǒng)解決復雜的任務，它們往往特別具有挑戰(zhàn)性，成本很高，耗時很長，那么開發(fā)多個學習模型，從更少的例子中去得到最優(yōu)的解決方案，這一個思路就顯得尤其重要了。在面向小規(guī)模的數(shù)據(jù)組進行學習的時候，也是存在挑戰(zhàn)的，比如「過度擬合問題」，「在處理離群值上」也會很困難。

　　應用：機器翻譯、SqueezeNet 項目。

　　目前在該領域從事開發(fā)工作的公司：Geometric Intelligence/Uber, DeepScale.ai, Microsoft Research, Curious AI Company, Google, Bloomsbury AI.

　　5.專門為人工智能而設計的硬件

　　之所以 AI 技術現(xiàn)在出現(xiàn)了這么驚人的爆發(fā)，其中一個原因是圖形處理單元(GPU)功能上的延展。不同于中央處理器，GPU 提供了多重平行結構，可以同時處理很多任務。在 GPU 上進行機器學習要明顯比在 CPU 上快很多。

　　自從 2012 年 AlexNet 一戰(zhàn)成名以后，如果說機器學習是一場淘金熱的話，那么 GPU 就成為了淘金的鏟子。NVIDIA 一直以來引領這股風潮，帶領我們走進了 2017 年，在這方面它的實力遙遙領先于 Intel、Qualcomm、AMD、 以及 Google 公司。

　　但是，GPU 畢竟不是專門為機器學習、推理來開發(fā)的一款產品，它們是專門為視頻游戲來提供圖像支持處理的，而且它們往往在計算性能上面往往擁有高精準度，是以犧牲內存帶寬和數(shù)據(jù)吞吐量而換來的。

　　所以，正是基于這樣的考慮，現(xiàn)在很多人開始創(chuàng)辦初創(chuàng)公司，還有一些大公司，比如 Google 也自己開設新的項目，專門為機器學習項目來量體裁衣開發(fā)新的硬件。這種全新的硬件所具有的特點是：存儲帶寬大，高計算密度，能耗相對較低。在這種硬件的基礎上，我們可以進行更加快速，更多高效的模型學習，更好的用戶體驗，用戶跟產品交互的次數(shù)也變多了，最終帶來更加豐富的數(shù)據(jù)量，通過優(yōu)化再提升模型的表現(xiàn)，以此來循環(huán)往復進行機器學習。

　　應用：快速學習模型(尤其是在圖像上面)，依托物聯(lián)網(wǎng)設備來運行 AI 系統(tǒng)，永遠處于「傾聽」狀態(tài)之中的物聯(lián)網(wǎng)設備，以云基礎設施作為服務，無人自駕駛汽車，無人機和機器人。

　　目前在這個領域的公司： Graphcore, Cerebras, Isocline Engineering, Google (TPU), NVIDIA (DGX-1), Nervana Systems (Intel), Movidius (Intel), Scortex

　　6. 模擬環(huán)境

　　之前我們就討論過，為人工智能系統(tǒng)來生成學習數(shù)據(jù)，這項工作充滿了挑戰(zhàn)性。更重要的是，人工智能得出的結論必須能夠跟我們的現(xiàn)實生活，應用情景息息相關。于是，在這樣的考量之下，通過開發(fā)一個數(shù)字化的環(huán)境，模擬現(xiàn)實世界的物理機制和行為，這將給我們在評估和訓練人工智能上面提供一個非常理想的平臺。在這樣一個平臺上，我們會更加了解人工智能學習的方式，提升它們的途徑，同樣也能給我們帶來真正能夠可以轉化成為現(xiàn)實應用的訓練模型。

   投稿郵箱：chuanbeiol@163.com   詳情請訪問川北在線：http://m.sanmuled.cn/