将近段时间，人们或许又开始争辩起那些早已被大众拒绝接受的定义中，究竟哪些才算是是确实的人工智能。其中一些人将AI的概念重塑成“理解计算出来”或“机器智能”，甚至还有一些人错误地将AI等同于机器学习。

这些误会一部分原因源于AI并不是明确哪一门技术，事实上它是多门学科的综合体，从机器人到机器学习都归属于其中。我们大致相同尊重的AI的最终目标，是让机器具备已完成任务和感官自学的能力，从而相当大程度地把人解放出来。

要想要最后构建这一点，机器必需学会自律自学，而不是让人一个个末端到末端编程去构建。AI再行过去10年里所获得的变革是令人惊艳的，无论是无人驾驶，还是语音辨识和制备。基于这样的大环境，AI开始在更加多的公司甚至家庭里被热议，因为这早已不是对20年之后事情的飨宴，AI早已开始影响了日常生活。

显然，主流媒体每天都在报导着AI的新突破，科技巨头也争相对外传送着他们的AI发展战略。当一些投资人和孵化器于是以希望尝试如何在这片崭新的世界里逃跑更加多价值时，大多数人仍在绞尽脑汁地想AI究竟是什么，与此同时，政府也在朝着社会自动化的方向希望行进。以下是AI特别是在不会发挥作用的六个领域，影响着电子产品和服务的未来。

我们将分别阐释：它们是什么、为什么最重要、如何被运用，以及不几乎列出一些涉及技术领域的公司和研究从业者。1．强化自学强化自学注目的是智能体（agent）如何在环境中采行一系列不道德，从而取得仅次于的积累报酬。这种从环境状态到动作的同构的自学，我们把这个同构称作策略。

通过试错（trial－and－error）的方法，一个智能体应当告诉在什么状态下应当采行什么不道德，从而找到拟合不道德策略。随着Google DeepMind AlphaGo的大热，强化自学受到了普遍注目。而在实际生活中，强化自学一个很典型的应用于就是协助优化Google数据中心降温系统的能源有效率，一个强化自学系统可以将原本降温的能量消耗减少40％。

用于强化自学技术性刺激周围环境的一个最重要的天然优势是，训练数据的价值不会大大累积，且提供成本不会很低。这就和有监督深度自学构成了独特的对比，这种技术往往必须十分便宜训练数据，并且是很难从实际生活中提供到的。应用于方向：多个智能体（agents）在同一个分享模型下各自自学自己的环境；或者与环境中其他智能体交互和自学；自学迷宫、自动驾驶的城市道路等三维环境导航系统；在自学了一系列目标任务后反过来再对已仔细观察过的不道德更进一步强化重述。公司： Google DeepMind， Prowler．io， Osaro， MicroPSI， Maluuba／Microsoft， NVIDIA， Mobileye．主要研究人员： Pieter Abbeel （OpenAI）， David Silver， Nando de Freitas， Raia Hadsell （Google DeepMind）， Carl Rasmussen （Cambridge）， Rich Sutton （Alberta）， John Shawe－Taylor （UCL） 等。

2．分解模型和判断模型（discriminative models）有所不同，分解模型主要用作在训练样本上自学控概率分布，而前者的主要任务是分类和重返。通过从高维产于取样、分解模型可以产生出与训练数据相近的样本。这意味著当利用分解模型去训练人脸样本时，它可以输入与训练数据类似于的制备图像。

关于这项工作的详尽讲解可以参看NIPS2016大会上Ian Goodfellow讲学的精彩教程。他讲解了一种称作分解对付网络的新型结构，主要包括两个部分：生成器，用作将输出的噪声综合为一定的内容（例如图像），而另一部分称作裁决器，不会自学确实的图像是什么样子的，并辨别生成器产生的图像是不是现实的图像。对付训练就像游戏一样，生成器必需大大自学如何从噪声中分解判断器无法辨识真实性的图像。这种自学架构早已被普遍应用于各行各业的数据自学中。

应用于方向：时序信息仿真；图像超强辨别；2D图像三维重建；基于小样本的数据分解；单输出多输入系统；自然语言交互；半监督自学；艺术风格切换；音乐和声音制备；图像修缮；公司： Twitter Cortex， Adobe， Apple， Prisma， Jukedeck＊， Creative．ai， Gluru＊， Mapillary＊， Unbabel．主要研究人员： Ian Goodfellow （OpenAI）， Yann LeCun and Soumith Chintala （Facebook AI Research）， Shakir Mohamed and A？ron van den Oord （Google DeepMind）等。3．记忆网络为了能让AI具备向我们一样在非常丰富多样的真实世界中具备适应性，AI必需连续不断地自学处置新的任务并忘记它们，以便在将来面临某种程度的情境时以求应用于。但传统的神经网络却记不住这么多任务，这个缺点被称作灾变性醒来（Catastrophic Forgetting）现象。

这是由于神经网络中的每一个权重对于解决问题十分最重要。从解决问题A问题改向解决问题B问题的过程中，神经网络之后不会随之变化。

本文来源：ayx·爱游戏-www.qiaoliba.com