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。
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， 還是語音辨識技術的日趨完善。
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。
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， 軟體每執行一個動作， 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，
就在這種不斷試探、確認、再試探的反復過程中， 軟體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 的資料中心降溫！
資料中心中裡眾多伺服器、存放裝置、網路設備等等在 24 小時的運行著， 同時散發著巨大的熱量， 採用常規的冷空調系統降溫， 不僅使整個資料中心的能耗增大， 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%。
在一個可以被類比的數位環境（比如視頻遊戲）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資料。 這跟「監督式深度學習」（supervised deep learning）有著明顯區別，
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援， 還比如在視頻遊戲中， 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. 生成式對抗網路跟那些用來分類、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物件， 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：「生成式對抗網路」（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（神經資訊處理系統大會）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，在對話介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.。
3. 具有記憶的網路這個世界是千姿百態的，為了在這樣一個複雜多變的世界裡，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，傳統的神經網路是沒有辦法做到這一切的。它們只有在「忘記」了某些資訊之後，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」（一個重複型神經網路的衍生品），能夠處理和預測時間序列；比如 DeepMind 的「可辨神經電腦」，它能將神經網路和記憶系統給結合起來，從而自行地學習，並組織複雜的資料結構；比如「彈性權重整合演算法」，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繫，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. 即便資料少，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資料，從而達到世界頂尖的表現水準的。就比如說之前有一個教機器識別圖像的研究專案，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，對資料量的要求就會直線上升，比如說「語音辨識」和「機器翻譯」，更複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路來分解這種複雜性，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。在面向小規模的資料組進行學習的時候，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 專案。
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體之所以 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，可以同時處理很多工。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，它們是專門為視頻遊戲來提供圖像支援處理的，而且它們往往在計算性能上面往往擁有高精准度，是以犧牲記憶體頻寬和資料輸送量而換來的。
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 也自己開設新的專案，專門為機器學習專案來量體裁衣開發新的硬體。這種全新的硬體所具有的特點是：存儲頻寬大，高計算密度，能耗相對較低。在這種硬體的基礎上，我們可以進行更加快速，更多高效的模型學習，更好的使用者體驗，使用者跟產品交互的次數也變多了，最終帶來更加豐富的資料量，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），依託物聯網設備來運行 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資料，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，通過開發一個數位化的環境，類比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臺。在這樣一個平臺上，我們會更加瞭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、遊戲開發、駕駛培訓系統、製造業。
目前在這個領域的公司： Improbable, Unity 3D, 微軟 ( 開發 Minecraft 的遊戲部門), Google DeepMind/暴雪, OpenAI, Comma.ai, Unreal Engine, Amazon Lumberyard
本文來源：Medium GAN）在 2016 年所召開的 NIPS（神經資訊處理系統大會）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，在對話介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.。
3. 具有記憶的網路這個世界是千姿百態的，為了在這樣一個複雜多變的世界裡，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，傳統的神經網路是沒有辦法做到這一切的。它們只有在「忘記」了某些資訊之後，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」（一個重複型神經網路的衍生品），能夠處理和預測時間序列；比如 DeepMind 的「可辨神經電腦」，它能將神經網路和記憶系統給結合起來，從而自行地學習，並組織複雜的資料結構；比如「彈性權重整合演算法」，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繫，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. 即便資料少，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資料，從而達到世界頂尖的表現水準的。就比如說之前有一個教機器識別圖像的研究專案，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，對資料量的要求就會直線上升，比如說「語音辨識」和「機器翻譯」，更複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路來分解這種複雜性，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。在面向小規模的資料組進行學習的時候，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 專案。
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體之所以 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，可以同時處理很多工。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，它們是專門為視頻遊戲來提供圖像支援處理的，而且它們往往在計算性能上面往往擁有高精准度，是以犧牲記憶體頻寬和資料輸送量而換來的。
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 也自己開設新的專案，專門為機器學習專案來量體裁衣開發新的硬體。這種全新的硬體所具有的特點是：存儲頻寬大，高計算密度，能耗相對較低。在這種硬體的基礎上，我們可以進行更加快速，更多高效的模型學習，更好的使用者體驗，使用者跟產品交互的次數也變多了，最終帶來更加豐富的資料量，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），依託物聯網設備來運行 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資料，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，通過開發一個數位化的環境，類比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臺。在這樣一個平臺上，我們會更加瞭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、遊戲開發、駕駛培訓系統、製造業。
目前在這個領域的公司： Improbable, Unity 3D, 微軟 ( 開發 Minecraft 的遊戲部門), Google DeepMind/暴雪, OpenAI, Comma.ai, Unreal Engine, Amazon Lumberyard
本文來源：Medium