什麼是人工智慧?前景最被看好的人工智慧六大類型!

3. 具有記憶的網路
這個世界是千姿百態的,為了在這樣一個復雜多變的世界裡,像人類一樣的去歸納、總結、分類,它們必須能持續不斷地學習執行新的任務,記住這些任務的執行方式並不斷地應用到未來。
但是,傳統的神經網絡是沒有辦法做到這一切的。它們只有在「忘記」了某些信息之後,才能連續地執行任務。這個短板有個專有名詞:「災難性遺忘」。原因在於,執行 A 任務時,對於機器來說非常重要的「權重」,到了執行 B 任務的時候就徹底變了。
但是,現在有一些非常強大的系統,能夠給予神經網路不同程度的記憶能力。比如「長短期記憶網路」(一個重復型神經網路的衍生品),能夠處理和預測時間序列;比如 DeepMind 的「可辨神經計算機」,它能將神經網路和記憶系統給結合起來,從而自行地學習,並組織復雜的數據結構;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「激進式神經網路」,它能夠在「目標明確的任務」之間建立一些橫向聯系,從之前已經習得的任務中提取經驗,然後將這些經驗應用到新的任務當中。
具體的應用:某些可以歸納經驗,應用到新環境裡的學習工具;機器人手臂控制系統;無人自駕駛汽車;時間序列預測系統(比如金融市場交易工具、視頻、物聯網等);自然語言理解及聯想詞技術。
在該領域的公司: Google DeepMind, NNaisense (?), SwiftKey/Microsoft Research, Facebook AI Research.
4. 即便數據少,也能學習;並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據,從而達到世界頂尖的表現水平的。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 個物體類別裡。
深度學習從某種意義上來說就必須這麼做。而且對越是複雜的任務,對數據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複雜程度,決定使用多個神經網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的學習材料。就比如說語音輸入後,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慧系統解決複雜的任務,它們往往特別具有挑戰性,成本很高,耗時很長,那麼開發多個學習模型,從更少的例子中去得到最優的解決方案,這一個思路就顯得尤其重要了。在面向小規模的數據組進行學習的時候,也是存在挑戰的,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.專門為人工智慧而設計的硬件
之所以 AI 技術現在出現了這麼驚人的爆發,其中一個原因是圖形處理單元(GPU)功能上的延展。不同於中央處理器,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 一戰成名以後,如果說機器學習是一場淘金熱的話,那麼 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於 Intel、Qualcomm、AMD、 以及 Google 公司。
但是,GPU 畢竟不是專門為機器學習、推理來開發的一款產品,它們是專門為影片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,是以犧牲內存頻寬和數據吞吐量而換來的。
所以,正是基於這樣的考慮,現在很多人開始創辦初創公司,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新的硬件。這種全新的硬件所具有的特點是:存儲頻寬大,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也變多了,最終帶來更加豐富的數據量,通過優化再提升模型的表現,以此來循環往復進行機器學習。
應用:快速學習模型(尤其是在圖像上面),依托物聯網設備來運行 AI 系統,永遠處於「傾聽」狀態之中的物聯網設備,以雲基礎設施作為服務,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. 模擬環境
之前我們就討論過,為人工智慧系統來生成學習數據,這項工作充滿了挑戰性。更重要的是,人工智慧得出的結論必須能夠跟我們的現實生活,應用情景息息相關。於是,在這樣的考量之下,通過開發一個數字化的環境,模擬現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慧上面提供一個非常理想的平台。在這樣一個平台上,我們會更加了解人工智慧學習的方式,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實應用的訓練模型。
應用:智慧城市、工業設計、游戲開發、駕駛培訓系統、制造業。
目前在這個領域的公司: Improbable, Unity 3D, 微軟 ( 開發 Minecraft 的游戲部門), Google DeepMind/暴雪, OpenAI, Comma.ai, Unreal Engine, Amazon Lumberyard
文章來源:TECH2IPO,原文來源 Medium ,創見/TECH2IPO 花滿樓編譯,未經同意請勿轉載。