什麼是人工智慧？前景最被看好的人工智慧六大類型！
首圖來源：pixabay
到底什麼才是人工智慧，怎樣統一大家的意見，形成共識，為它定性？這在最近已經成為了科技圈裡的熱門話題。
一些人將 AI 看做是「認知計算」或者「機器智慧」；而另外一些人將「AI」和「機器學習」給完全等同了起來。之所以會出現這麼多的說法，主要是因為我們大家現在所說的「人工智慧」，並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後的領域：從機器人到機器學習，無所不包。
而人工智慧的目的，其實現在絕大多數人已經達成了共識：開發一種能夠執行任務，具備某種認知功能的機器，而這種執行任務的能力和認知功能，原本只屬於人類智慧的範疇當中的。為了達到這種狀態，機器必須具備自我學習的能力。
在過去的十年時間裡，AI 領域出現了何等驚人的進步，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，人工智慧已經跳脫出了 20 年前固有的形像，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，現在各大媒體報刊都在用頭條講述人工智慧領域出現的一舉一動，詳細闡述長期 AI 戰略，但就在這樣的火熱環境下，大眾仍然搞不清楚人工智慧究竟是什麼，同時，政府其實也在這方面表現的遲鈍一些，到底技術自動化對於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慧領域下的六個細分領域，它們中任何一個現如今都是科研領域的大熱門。所以，跳脫出人工智慧這個籠統的範疇，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，我會描述它們是什麼，為什麼重要，如今怎麼來應用它們。最後，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，軟體的任務是觀察在數字環境中當下所處的狀態，並根據已經定好了的最終要達到的效果，採取行動來不斷地接近這個目標。在這個不斷接近的過程中，軟件每執行一個動作，它都能從這個數字環境中得出一個判斷：這個動作到底是推動了我向目標前進，還是阻礙了。
就在這種不斷試探、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實中應用的最大價值竟然是給 Google 的數據中心降溫！
數據中心中裡眾多服務器、儲存設備、網路設備等等在 24 小時的運行著，同時散發著巨大的熱量，采用常規的冷空調系統降溫，不僅使整個數據中心的能耗增大，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字環境（比如影片游戲）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據。這跟「監督式深度學習」（supervised deep learning）有著明顯區別，後者獲取數據的成本很高，在現實世界中應用的難度也較高。
應用：軟體在迷宮中找路，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，還比如在影片游戲中，讓 NPC 開始學習使用一些高度擬人化的行為。
處在這個領域裡的公司：Google DeepMind, Prowler.io, Osaro, MicroPSI, Maluuba/Microsoft, NVIDIA, Mobileye, OpenAI.
2. 生成式對抗網絡
跟那些用來分類、或者執行「回歸任務」的可識別人工智慧相比，歸納模型基於某個學習對像，可以自發生成一個高度類似的圖像。
就比如說，給軟體看過一張人臉照片之後，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：「生成式對抗網絡」（generative adversarial networks) 在人工智慧領域非常火爆，因為它給人們提供出來了一條直抵「非監控式機器學習」的路徑。
生成式對抗網路（Generative Adversarial Nets，GAN）在 2016 年所召開的 NIPS（神經信息處理系統大會）上大放異彩，成為神經網路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。
那麼 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。
應用案例：在時間序列中模擬出未來（例如規劃未來的工作）；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.。
