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。
