人工智能和机器学习值得关注的6个方向和代表公司 ?

本篇文章2482字，读完约6分钟

所有能着陆的都是nb，所有不能着陆的都是sb。

这篇文章是由我黑马授权的奥兰治出版的。

无论是无人驾驶、语音识别还是语音合成，人工智能在过去的10年里都取得了巨大的进步。在这种背景下，人工智能已经成为一个越来越热门的话题，并开始影响我们的日常生活。

以下是人工智能发展中值得关注的六个领域，它们将对电子产品和服务的未来产生重大影响。我将解释它们是什么，它们为什么重要，它们是如何使用的，并列出相关技术领域的公司。

01强化学习

强化学习是机器学习的一个领域，它强调如何根据环境采取行动，以获得最大的预期收益。它的灵感来自心理学中的行为主义理论，即生物体如何逐渐形成对刺激的期望，并产生习惯性行为，在环境给予的奖励或惩罚的刺激下获得最大的利益。强化学习是机器学习中一个非常活跃和有趣的领域。与其他学习方法相比，强化学习更接近生物学习的本质，因此有望获得更高的智能，这在棋盘游戏中得到了体现。

谷歌深度思维的阿尔法戈使用强化学习。强化学习的另一个典型应用是帮助优化谷歌数据中心冷却系统的能效。强化学习系统可将原始冷却能耗降低40%。使用强化学习技术的一个重要优势是训练数据积累的成本将非常低。监督式深度学习技术通常需要非常昂贵的训练数据，这在现实生活中很难获得。

应用:多个代理共享同一个模型，并分别学习；或者与环境中的其他代理进行交互和学习；学习三维环境导航，如迷宫和自动驾驶城市道路；在学习了一系列目标和任务之后，观察到的行为被进一步强化和重述。(学习驾驶或给予npc类似于视频游戏中人类玩家的行为)

公司:谷歌深度思维、潜行者、奥萨罗、微星、马鲁巴/微软、英伟达、移动眼

主要研究人员:彼得·阿比埃尔(OpenAI)、大卫·西尔弗、南多·德·弗雷塔斯、莱亚·哈德塞尔(Google DeepMind)、卡尔·拉斯穆森(剑桥)、里奇·萨顿(亚伯达)、约翰·肖-泰勒(UCL)等

02生成模型生成模型

判别模型主要用于分类和返回任务，生成模型主要用于样本训练中的概率分布学习。

应用:时间序列信息模拟；超分辨率图像；2d图像的3d重建；基于小样本的数据生成:单输入多输出系统；自然语言互动；半监督学习；艺术风格的转变；音乐和声音合成；图像恢复

公司:Twitter cortex，adobe，apple，prisma，jukedeck *，creative.ai，gluru，apple，unbabel

03带内存的内存网络

为了使人工智能系统具有与现实世界相同的多样性环境，人工智能必须不断学习新的任务，并记住将来如何处理它们。传统的神经网络不能记住这么多任务，这被称为灾难性遗忘。这是因为当神经网络从解决A问题转向解决B问题时，神经网络会相应地改变。还有许多强大的网络结构赋予神经网络不同程度的记忆能力。包括能够处理和预测时间序列的长短记忆网络；Deepmind的微分神经计算机结合了神经网络和记忆系统的优点，以便从复杂的数据结构中学习；同时，有一个弹性权重联合算法，它根据以前问题的重要性来降低一些权重。

应用:学习代理)；能够从他人那里推断出新的环境；机械臂控制、自动驾驶、时间序列预测(金融、视频、物联网)；自然语言理解和预测

公司:谷歌深度思维、nnaisense、swiftkey/微软研究

从更少的数据中学习，建立更小的模型

众所周知，深度学习需要大量的训练数据。例如，在imagenet的视觉识别竞赛中，每个团队需要识别1000个类别的120万个手动标记的图像。没有大规模的数据训练，就无法使用深度学习模型，也无法完成语音识别和机器翻译等复杂任务。

当解决端到端问题时，单个神经网络训练所需的数据量只会增加，例如从录音中识别语音文本。

这不同于使用多个不同的神经网络来处理不同字符的组合(音频发音单词文本输出)。

如果人工智能要解决数据有限、数据成本高或采集耗时的任务，从小样本中学习最佳解决方案模型是非常重要的。使用少量数据进行培训会面临许多挑战。另一种方法是将以前机器学习模型的知识转移到新模型，这种方法称为转移学习。

应用:训练浅层网络模拟在大规模数据集上训练的神经网络；与深层网络模型性能相同但参数较少的模型；机器翻译。

公司:几何智能/优步、深度尺度人工智能、微软研究、好奇人工智能公司、谷歌、布鲁姆斯伯里人工智能

用于训练和推理的硬件

人工智能发展的主要催化剂之一是使用gpu来训练大规模的神经网络。训练神经网络需要大量的计算，并且在训练中gpu比cpu快得多。自从2012年第一个使用gpu的深度神经网络alexnet出现以来，gpu已经成为训练神经网络的首选。2017年，英伟达在这一领域继续领先，紧随其后的是英特尔、高通、超微和谷歌。

Gpu最初不是为机器学习而制造的，而是用来渲染视频游戏的。Gpu计算精度高，不会经常遇到内存带宽和数据溢出的问题。有许多初创公司为深度学习定制芯片，谷歌也为高维机器学习应用开发了芯片。新的芯片存储器具有更高的带宽、更强的计算能力和更低的能耗。提高人工智能系统的计算能力给人工智能公司和用户带来好处:更快、更有效的模型训练、更好的用户体验、更多的产品使用和更多的数据帮助优化模型。因此，谁能更快更有效地训练和部署人工智能模型，谁就有很大的优势。

应用:快速训练模型(特别是在图像领域)、预测中的能量和数据效率、运行前沿人工智能系统(物联网设备)、随时具有语音交互的物联网设备、云基础设施服务、自动驾驶车辆、无人驾驶飞行器和机器人。

公司:图形核心、大脑、等线工程、谷歌(TPU)、英伟达(dgx-1)、神经系统(英特尔)、移动设备(英特尔)、大脑皮层

06模拟环境

如前所述，为人工智能系统生成训练数据通常是一个挑战。此外，如果要在现实世界中应用，人工智能需要总结各种情况。因此，开发一个模拟现实世界物理和行为模型的数字环境需要一个能够测量和训练人工智能一般能力的实验环境。模拟环境中的训练帮助我们更好地理解人工智能是如何学习和提高自身的，同时也为我们提供了一个可以转化为实际应用的潜在模型。

来源：搜狐微门户