人工智慧技術現狀

　　最近十年興起的新一波的人工智慧熱潮，已經在工業，交通，教育，娛樂，生活甚至在軍事等方面改變了人類社會。當前，人工智慧的研究方興未艾，這次人工智慧的熱潮主要得益於以下幾個方面技術的發展，下面是小編為你整理的，供大家閱覽!

　　人工智慧發展技術現狀

　　1.深度學習：作為本次人工智慧革命的發動機，深度學習已經在諸多領域取得突破性進展，例如影象識別，語音識別，自然語言處理，還有最近全球矚目的AlphaGo圍棋程式。與傳統機器學習模型相比，深度學習能從海量資料中自動提取高度抽象的特徵，在很多特定任務上能達到甚至超越人類的表現。

　　2.強化學習：與監督學習和無監督學習一樣，強化學習是第三種機器學習框架。它適用於人工智慧對自身所處環境或要求執行的任務未知的情況，強調如何基於目前的環境而進行決策，逐步根據環境給予的獎懲反饋，調整自身的引數和決策策略以取得最大化的預期利益。從另一個角度看，這相當於生物進化和優勝劣汰。例如，AlphaGo通過與自身的無數次博弈進行強化學習提高下棋水平。

　　3.人工智慧專用晶片：除了演算法和模型，近年來計算硬體的發展也推動了人工智慧高速發展。使用英偉達影象處理器GPU進行矩陣運算大大加快了深度神經網路的訓練速度。隨後，各種基於可程式設計邏輯閘陣列FPGA的人工智慧專用晶片層出不窮，英偉達也推出了專為人工智慧應用設計的加速卡。人工智慧專用晶片能在很低的功耗下達到傳統CPU叢集的計算能力，同時保持很小的體積，使得人工智慧廣泛應用於移動裝置。

　　4.大規模機器學習：資料是訓練人工智慧系統的必要條件，如何快速地收集，儲存與處理海量資料是人工智慧發展的一個重要問題。資料庫系統和大規模機器學習演算法的研究也是當前的一大研究熱點。

　　5.雲端計算技術：雲端計算大大降低了大規模機器學習的硬體成本。使用者可以按其所需靈活租用高效能硬體，而不需要付出時間和金錢成本去調研，採購以及維護管理機器學習任務所需的硬體裝置。這極大地方便了中小企業和創業者快速搭建自己的機器學習系統。同時，雲端計算平臺往往會部署主流機器學習工具，讓非機器學習領域研究者也可以快速入門。

　　當前，基於機器學習的人工智慧取得了很多令人矚目的成果。但目前機器學習的一個很多侷限是需要大量標註好的資料來進行學習。展望人工智慧的未來，我們該如何從技術方面更好的發展人工智慧呢?

　　1.開原始碼和共享資料：目前，人工智慧之所以能在全球範圍內快速發展，得益於高質量的開原始碼，其中不乏有谷歌微軟等知名公司的作品。有了開原始碼，小型企業和研究機構可以在短時間內重現最先進的技術為己所用，並在此基礎上做進一步提升，推進人工智慧的發展。然而在當下，由於涉及到企業利益和使用者隱私，企業共享資料並不常見，而高質量的標註資料恰恰是訓練人工智慧系統所必需的。

　　2.政府公開資料：過去數十年裡，通過實現電子化政務，政府都累積了大量的資料，但大部分資料都只是沉澱起來卻從沒有被利用。這些資料對於分析特定領域乃至整個社會的運轉，預測未來趨勢都有極大的作用。因此，政府應該建立良好的開放資料機制，在保護居民隱私的前提下，將利於民生的資料公諸於眾，並鼓勵從中發掘有用的資訊，利用人工智慧技術促進社會發展。同時，政府也應該主動收集有用的資料以備未來所需，例如各地各行業的經濟資料，交通和教育，醫療等資料。

　　3.特定領域的人工智慧：人工智慧技術在學術界取得重大進展的同時，也該走出實驗室服務社會。一些傳統領域，例如交通管理，醫療診斷和法律諮詢，仍在使用傳統的，基於固定策略結合人的經驗的方法。如今，有了海量的歷史資料和先進的人工智慧技術，智慧交通，智慧醫療和人工智慧律師成為了可能。這將大大緩解由於醫生和律師等專用人才缺乏所帶來的壓力，將人類從複雜繁瑣的勞動中解放出來。

　　4.機器認知與推理：目前人工智慧技術多數使用數值的方式來表示資訊，而沒有形成類似人類思維中的“概念”，更不能進行歸納，推理，知識遷移，因此只能在特定領域裡完成特定任務。想要實現通用人工智慧，必須賦予其綜合多個領域的資訊，進行認知與推理的能力。

　　5.無監督學習：網際網路上有著取之不盡的海量資料，但絕大部分資料都是未標註的。相對於監督學習，無監督學習框架有希望能夠充分利用這些資料，而不需要花費大量的人力物力去標註訓練資料，這大大減少了訓練機器學習模型的成本。另一方面，無監督學習更加接近人類的學習與認知方式：從混沌未知的世界中學習知識。

　　6.小樣本學習：深度學習目前取得了巨大成功，但其侷限性也很明顯，即它需要大量的資料及計算資源去訓練模型。從這方面上說，深度學習與人的學習能力還相差很遠，例如小孩只需幾張貓的圖片就能學習準確地識別貓，而深度學習模型則需幾百萬張的圖片。人駕駛汽車行駛了幾千公里就是老司機了，而自動駕駛則需行駛幾百萬公里才能訓練到令人滿意的效果。小樣本學習更接近人類的智慧模型，小樣本學習能力的發展能夠將人工智慧技術應用到更多更廣泛的領域。小樣本學習研究的一個重大突破是三名分別來自麻省理工學院、紐約大學和多倫多大學的研究者在2015年提出的Bayesian Program Learning方法，並利用它解決 “看一眼就會寫字”問題。

　　7.模型的可解釋性和穩定性：人工智慧另外一個難題就是機器學習模型的可解釋性和穩定性。目前大部分機器學習模型都是“黑盒”模型，很難讓人理解。當模型出現失敗，我們很難理解到底是哪裡及為什麼出錯了，在醫療領域，無法解釋的模型很難讓病人及醫生接受。而且模型穩定性也一直是個問題，例如給圖片加些白噪音，深度學習模型會給出令人大跌眼鏡的預測結果。要想人工智慧普遍被接受並應用到人們生活當中去，必須以人們能夠理解模型為前提。然後才會獲得信任，促使其產業化，大規模生產。

　　8.多學科交叉研究：目前在一些特定領域上，人工智慧系統取得了相當好的結果，但和人腦相比，沒有任何一個人工智慧系統能夠具有像人腦一樣的自適應性，魯棒性等等。未來的人工智慧發展需要多學科例如腦科學，心理學，哲學，社會學，教育等 交叉研究。

　　9.如何約束人工智慧：隨著人工智慧進入人們的生活，各種對於人工智慧的擔心接踵而來。約束人工智慧的行為，使之更好的服務人類而不被濫用和失控，不僅是倫理和政治問題，也是技術需要解決的問題。1942年，阿西莫夫在他的小說中提出著名的機器人三定律作為機器人的行為準則，然而技術上的實現還遠未完善。