什么是其他類型的人工智能？

深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練

人工智能研究的另一個領(lǐng)域是進化計算。

它借用了達爾文的自然選擇理論。它看到遺傳算法在幾代人之間進行隨機變異和組合，試圖進化出一個給定問題的最佳解決方案。

這種方法甚至被用來幫助設(shè)計人工智能模型，有效地利用人工智能來幫助建立人工智能。這種使用進化算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法被稱為神經(jīng)進化。隨著智能系統(tǒng)的使用越來越普遍，特別是在對數(shù)據(jù)科學(xué)家的需求經(jīng)常超過供應(yīng)的情況下，它可以在幫助設(shè)計高效的人工智能方面發(fā)揮重要作用。Uber人工智能實驗室展示了這種技術(shù)，它發(fā)布了關(guān)于使用遺傳算法訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)以解決強化學(xué)習(xí)問題的論文。

最后，還有專家系統(tǒng)，即用規(guī)則對計算機進行編程，使其能夠根據(jù)大量的輸入做出一系列決定，使機器能夠模仿人類專家在特定領(lǐng)域的行為。這些基于知識的系統(tǒng)的一個例子可能是，例如，駕駛飛機的自動駕駛系統(tǒng)。

是什么推動了人工智能的復(fù)蘇？

如上所述，近年來人工智能研究的最大突破是在機器學(xué)習(xí)領(lǐng)域，特別是在深度學(xué)習(xí)領(lǐng)域。

這在一定程度上是由數(shù)據(jù)的容易獲得所推動的，但更多的是由并行計算能力的爆炸性增長所推動的，在此期間，使用圖形處理單元（GPU）的集群來訓(xùn)練機器學(xué)習(xí)系統(tǒng)變得更加普遍。

這些集群不僅為訓(xùn)練機器學(xué)習(xí)模型提供了更強大的系統(tǒng)，而且它們現(xiàn)在作為云服務(wù)在互聯(lián)網(wǎng)上廣泛提供。隨著時間的推移，主要的科技公司，如谷歌、微軟和特斯拉，已經(jīng)轉(zhuǎn)向使用專門的芯片，為運行和最近訓(xùn)練機器學(xué)習(xí)模型而定制。

這些定制芯片的一個例子是谷歌的張量處理單元（TPU），其最新版本加速了使用谷歌TensorFlow軟件庫建立的有用的機器學(xué)習(xí)模型從數(shù)據(jù)中推斷信息的速度，以及它們的訓(xùn)練速度。

這些芯片被用來訓(xùn)練DeepMind和谷歌大腦的模型，以及支撐谷歌翻譯和谷歌照片中的圖像識別的模型，以及允許公眾使用谷歌的TensorFlow研究云建立機器學(xué)習(xí)模型的服務(wù)。這些芯片的第三代在2018年5月的谷歌I/O大會上亮相，此后被打包成機器學(xué)習(xí)的強者，稱為pods，每秒可以進行超過十萬億次浮點運算（100 petaflops）。這些正在進行的TPU升級使谷歌能夠改善其建立在機器學(xué)習(xí)模型之上的服務(wù)，例如，將谷歌翻譯中使用的模型訓(xùn)練時間減少一半。

機器學(xué)習(xí)的要素是什么？

如前所述，機器學(xué)習(xí)是人工智能的一個子集，一般分為兩大類：有監(jiān)督的學(xué)習(xí)和無監(jiān)督的學(xué)習(xí)。

監(jiān)督下的學(xué)習(xí)

教導(dǎo)人工智能系統(tǒng)的一個常見技術(shù)是通過使用許多標(biāo)記的例子來訓(xùn)練它們。這些機器學(xué)習(xí)系統(tǒng)被灌輸了大量的數(shù)據(jù)，這些數(shù)據(jù)已經(jīng)被注釋過，以突出感興趣的特征。這些數(shù)據(jù)可能是標(biāo)明是否包含一只狗的照片，或者是帶有腳注的書面句子，以表明"低音"一詞是與音樂還是與魚有關(guān)。一旦經(jīng)過訓(xùn)練，系統(tǒng)就可以將這些標(biāo)簽應(yīng)用于新的數(shù)據(jù)，例如，應(yīng)用于剛剛上傳的照片中的一條狗。

這種通過實例教導(dǎo)機器的過程被稱為監(jiān)督學(xué)習(xí)。給這些例子貼標(biāo)簽通常是由通過亞馬遜Mechanical Turk等平臺雇用的在線工人進行的。

訓(xùn)練這些系統(tǒng)通常需要大量的數(shù)據(jù)，一些系統(tǒng)需要搜索數(shù)百萬個例子來學(xué)習(xí)如何有效地執(zhí)行一項任務(wù)--盡管在大數(shù)據(jù)和廣泛的數(shù)據(jù)挖掘時代，這越來越有可能。訓(xùn)練數(shù)據(jù)集是巨大的，而且規(guī)模越來越大--谷歌的開放圖像數(shù)據(jù)集有大約900萬張圖像，而其標(biāo)記的視頻庫YouTube-8M鏈接到700萬個標(biāo)記的視頻。ImageNet是早期的此類數(shù)據(jù)庫之一，擁有超過1400萬張分類圖像。它是由近5萬人（其中大部分人是通過亞馬遜Mechanical Turk招募的）在兩年內(nèi)匯編而成的，他們對近10億張候選圖片進行了檢查、分類和標(biāo)注。

從長遠來看，獲得巨大的標(biāo)簽數(shù)據(jù)集也可能證明不如獲得大量的計算能力重要。近年來，生成對抗網(wǎng)絡(luò)（GANs）已被用于機器學(xué)習(xí)系統(tǒng)，它只需要少量的標(biāo)記數(shù)據(jù)和大量的無標(biāo)記數(shù)據(jù)，顧名思義，這些數(shù)據(jù)需要較少的人工準(zhǔn)備。這種方法可以讓人們更多地使用半監(jiān)督學(xué)習(xí)，在這種情況下，系統(tǒng)可以學(xué)習(xí)如何使用比現(xiàn)在使用監(jiān)督學(xué)習(xí)訓(xùn)練系統(tǒng)所需的更少的標(biāo)記數(shù)據(jù)來執(zhí)行任務(wù)。

無監(jiān)督學(xué)習(xí)

相比之下，無監(jiān)督學(xué)習(xí)使用了一種不同的方法，算法試圖識別數(shù)據(jù)中的模式，尋找可以用來對數(shù)據(jù)進行分類的相似性。一個例子可能是將重量相似的水果或發(fā)動機尺寸相似的汽車聚在一起。該算法并不是事先設(shè)置好的，以挑選出特定類型的數(shù)據(jù)；它只是尋找其相似性可以分組的數(shù)據(jù)，例如，谷歌新聞將每天類似主題的故事分組。

強化學(xué)習(xí)

強化學(xué)習(xí)的一個粗略的比喻是，當(dāng)一只寵物玩了一個小把戲時，它就會獲得獎勵。在強化學(xué)習(xí)中，系統(tǒng)試圖根據(jù)其輸入數(shù)據(jù)最大化獎勵，基本上經(jīng)歷了一個試錯的過程，直到達到最佳結(jié)果。

強化學(xué)習(xí)的一個例子是谷歌DeepMind的深度Q網(wǎng)絡(luò)，它被用來在各種經(jīng)典視頻游戲中獲得最佳人類表現(xiàn)。該系統(tǒng)從每個游戲中獲取像素，并確定各種信息，如屏幕上物體之間的距離。

通過查看每場游戲中取得的分?jǐn)?shù)，該系統(tǒng)建立了一個模型，即在不同情況下哪個動作會使分?jǐn)?shù)最大化，例如，在視頻游戲《突圍》中，為了攔截球，球拍應(yīng)該移到哪里。這種方法也被用于機器人研究中，強化學(xué)習(xí)可以幫助教導(dǎo)自主機器人在真實世界環(huán)境中的最佳行為方式。

哪些是人工智能領(lǐng)域的領(lǐng)先公司？

隨著人工智能在現(xiàn)代軟件和服務(wù)中發(fā)揮著越來越重要的作用，每個主要的科技公司都在努力開發(fā)強大的機器學(xué)習(xí)技術(shù)，供內(nèi)部使用并通過云服務(wù)向公眾出售。

每家公司都經(jīng)常因在人工智能研究方面取得新突破而成為頭條新聞，盡管可能是谷歌及其DeepMind人工智能AlphaFold和AlphaGo系統(tǒng)對公眾對人工智能的認(rèn)識產(chǎn)生了最大的影響。

哪些人工智能服務(wù)是可用的？

所有主要的云平臺--亞馬遜網(wǎng)絡(luò)服務(wù)、微軟Azure和谷歌云平臺--都為訓(xùn)練和運行機器學(xué)習(xí)模型提供了GPU陣列，谷歌也正在準(zhǔn)備讓用戶使用其張量處理單元--其設(shè)計為訓(xùn)練和運行機器學(xué)習(xí)模型而優(yōu)化的定制芯片。

所有必要的相關(guān)基礎(chǔ)設(shè)施和服務(wù)都可以從三巨頭那里獲得，基于云的數(shù)據(jù)存儲，能夠容納訓(xùn)練機器學(xué)習(xí)模型所需的大量數(shù)據(jù)，轉(zhuǎn)換數(shù)據(jù)以準(zhǔn)備分析的服務(wù)，清晰顯示結(jié)果的可視化工具，以及簡化模型構(gòu)建的軟件。

這些云平臺甚至簡化了自定義機器學(xué)習(xí)模型的創(chuàng)建，谷歌提供了一項自動創(chuàng)建人工智能模型的服務(wù)，稱為Cloud AutoML。這種拖放式服務(wù)可以建立自定義的圖像識別模型，并要求用戶沒有機器學(xué)習(xí)的專業(yè)知識。

基于云的機器學(xué)習(xí)服務(wù)正在不斷發(fā)展。亞馬遜現(xiàn)在提供了大量的AWS產(chǎn)品，旨在簡化機器學(xué)習(xí)模型的訓(xùn)練過程，最近還推出了Amazon SageMaker Clarify，這個工具可以幫助企業(yè)消除訓(xùn)練數(shù)據(jù)中可能導(dǎo)致訓(xùn)練模型預(yù)測偏差的偏見和不平衡現(xiàn)象。

對于那些不想建立自己的機器學(xué)習(xí)模型，而是想消費人工智能驅(qū)動的按需服務(wù)，如語音、視覺和語言識別的公司來說，微軟Azure因其提供的服務(wù)廣度而脫穎而出，緊隨其后的是谷歌云平臺和AWS。同時，IB+M除了提供更普遍的按需服務(wù)外，還試圖銷售針對特定行業(yè)的人工智能服務(wù)，從醫(yī)療保健到零售，將這些服務(wù)集中在IBM Watson旗下，并投資20億美元收購了氣象頻道，以釋放數(shù)據(jù)寶庫，增強其人工智能服務(wù)。

許多與AI 相關(guān)的技術(shù)正在接近或已經(jīng)達到Gartner 炒作周期中的“期望過高的峰值”，而由強烈反對驅(qū)動的“幻滅低谷”正在等待中。