人工智能技术现状
最近十年兴起的新一波的人工智能热潮，已经在工业，交通，教育，娱乐，生活甚至在军事等方面改变了人类社会。当前，人工智能的研究方兴未艾，这次人工智能的热潮主要得益于以下几个方面技术的发展，下面是学习啦小编为你整理的人工智能技术现状，供大家阅览!
人工智能发展技术现状
1.深度学习：作为本次人工智能革命的发动机，深度学习已经在诸多领域取得突破性进展，例如图像识别，语音识别，自然语言处理，还有最近全球瞩目的AlphaGo围棋程序。与传统机器学习模型相比，深度学习能从海量数据中自动提取高度抽象的特征，在很多特定任务上能达到甚至超越人类的表现。
2.强化学习：与监督学习和无监督学习一样，强化学习是第三种机器学习框架。它适用于人工智能对自身所处环境或要求执行的任务未知的情况，强调如何基于目前的环境而进行决策，逐步根据环境给予的奖惩反馈，调整自身的参数和决策策略以取得最大化的预期利益。从另一个角度看，这相当于生物进化和优胜劣汰。例如，AlphaGo通过与自身的无数次博弈进行强化学习提高下棋水平。
3.人工智能专用芯片：除了算法和模型，近年来计算硬件的发展也推动了人工智能高速发展。使用英伟达图像处理器(GPU)进行矩阵运算大大加快了深度神经网络的训练速度。随后，各种基于可编程逻辑门阵列(FPGA)的人工智能专用芯片层出不穷，英伟达也推出了专为人工智能应用设计的加速卡。人工智能专用芯片能在很低的功耗下达到传统CPU集群的计算能力，同时保持很小的体积，使得人工智能广泛应用于移动设备。
4.大规模机器学习：数据是训练人工智能系统的必要条件，如何快速地收集，存储与处理海量数据是人工智能发展的一个重要问题。数据库系统和大规模机器学习算法的研究也是当前的一大研究热点。
5.云计算技术：云计算大大降低了大规模机器学习的硬件成本。用户可以按其所需灵活租用高性能硬件，而不需要付出时间和金钱成本去调研，采购以及维护管理机器学习任务所需的硬件设备。这极大地方便了中小企业和创业者快速搭建自己的机器学习系统。同时，云计算平台往往会部署主流机器学习工具，让非机器学习领域研究者也可以快速入门。
当前，基于机器学习的人工智能取得了很多令人瞩目的成果。但目前机器学习的一个很多局限是需要大量标注好的数据来进行学习。展望人工智能的未来，我们该如何从技术方面更好的发展人工智能呢?
1.开源代码和共享数据：目前，人工智能之所以能在全球范围内快速发展，得益于高质量的开源代码，其中不乏有谷歌微软等知名公司的作品。有了开源代码，小型企业和研究机构可以在短时间内重现最先进的技术为己所用，并在此基础上做进一步提升，推进人工智能的发展。然而在当下，由于涉及到企业利益和用户隐私，企业共享数据并不常见，而高质量的标注数据恰恰是训练人工智能系统所必需的。
2.政府公开数据：过去数十年里，通过实现电子化政务，政府都累积了大量的数据，但大部分数据都只是沉淀起来却从没有被利用。这些数据对于分析特定领域乃至整个社会的运转，预测未来趋势都有极大的作用。因此，政府应该建立良好的开放数据机制，在保护居民隐私的前提下，将利于民生的数据公诸于众，并鼓励从中发掘有用的信息，利用人工智能技术促进社会发展。同时，政府也应该主动收集有用的数据以备未来所需，例如各地各行业的经济数据，交通和教育，医疗等数据。
3.特定领域的人工智能：人工智能技术在学术界取得重大进展的同时，也该走出实验室服务社会。一些传统领域，例如交通管理，医疗诊断和法律咨询，仍在使用传统的，基于固定策略结合人的经验的方法。如今，有了海量的历史数据和先进的人工智能技术，智能交通，智慧医疗和人工智能律师成为了可能。这将大大缓解由于医生和律师等专用人才缺乏所带来的压力，将人类从复杂繁琐的劳动中解放出来。
4.机器认知与推理：目前人工智能技术多数使用数值的方式来表示信息，而没有形成类似人类思维中的“概念”，更不能进行归纳，推理，知识迁移，因此只能在特定领域里完成特定任务。想要实现通用人工智能，必须赋予其综合多个领域的信息，进行认知与推理的能力。
5.无监督学习：互联网上有着取之不尽的海量数据，但绝大部分数据都是未标注的。相对于监督学习，无监督学习框架有希望能够充分利用这些数据，而不需要花费大量的人力物力去标注训练数据，这大大减少了训练机器学习模型的成本。另一方面，无监督学习更加接近人类的学习与认知方式：从混沌未知的世界中学习知识。
6.小样本学习：深度学习目前取得了巨大成功，但其局限性也很明显，即它需要大量的数据及计算资源去训练模型。从这方面上说，深度学习与人的学习能力还相差很远，例如小孩只需几张猫的图片就能学习准确地识别猫，而深度学习模型则需几百万张的图片。人驾驶汽车行驶了几千公里就是老司机了，而自动驾驶则需行驶几百万公里才能训练到令人满意的效果。小样本学习更接近人类的智能模型，小样本学习能力的发展能够将人工智能技术应用到更多更广泛的领域。小样本学习研究的一个重大突破是三名分别来自麻省理工学院、纽约大学和多伦多大学的研究者在2015年提出的Bayesian Program Learning方法，并利用它解决 “看一眼就会写字”问题。
7.模型的可解释性和稳定性：人工智能另外一个难题就是机器学习模型的可解释性和稳定性。目前大部分机器学习模型都是“黑盒”模型，很难让人理解。当模型出现失败，我们很难理解到底是哪里及为什么出错了，在医疗领域，无法解释的模型很难让病人及医生接受。而且模型稳定性也一直是个问题，例如给图片加些白噪音，深度学习模型会给出令人大跌眼镜的预测结果。要想人工智能普遍被接受并应用到人们生活当中去，必须以人们能够理解模型为前提。然后才会获得信任，促使其产业化，大规模生产。
8.多学科交叉研究：目前在一些特定领域上，人工智能系统取得了相当好的结果，但和人脑相比，没有任何一个人工智能系统能够具有像人脑一样的自适应性，鲁棒性等等。未来的人工智能发展需要多学科(例如脑科学，心理学，哲学，社会学，教育等) 交叉研究。
9.如何约束人工智能：随着人工智能进入人们的生活，各种对于人工智能的担心接踵而来。约束人工智能的行为，使之更好的服务人类而不被滥用和失控，不仅是伦理和政治问题，也是技术需要解决的问题。1942年，阿西莫夫在他的小说中提出著名的机器人三定律作为机器人的行为准则，然而技术上的实现还远未完善。
猜你喜欢：
3.人工智能发展现状
4.国内人工智能现状
5.人工智能现状
