如果您正在閱讀本文，那么您已經被人工智能（AI）技術所包圍，這也超出了您的想象。通常，當人們聽說AI時，他們會將其等同于機器學習和深度學習，但它們只是AI研究里眾多主題中的兩個。 這兩個算是當今AI世界中最火的兩個，但是還有許多其他主題因為其應用和未來潛力而在AI界引起了人們極大的關注。 本文將討論AI研究中的一些熱門主題，這些主題都是相互聯系，并都屬于人工智能的范疇。

機器學習

機器學習（ML）關注點是能夠開發其性能隨著經驗而提高的系統。 在過去的十年中，人工智能的進步很容易歸因于機器學習的進步。 機器學習非常流行，已經成為AI的代名詞。 研究人員現在集中精力將最先進的機器算法擴展到大型數據集。

深度學習

深度學習（DL）是機器學習的一個子集，它是神經網絡的重塑（一種受大腦中生物神經元啟發的模型）。 機器學習一直是AI中許多應用的推動者，比如物體識別，語音識別，語言翻譯，玩計算機游戲及自動駕駛。

強化學習

強化學習（RL）又稱增強學習，是從動物學習、參數擾動自適應控制等理論發展而來。它由一個智能代理構成，如果代理的某個行為策略導致環境正的獎賞（強化信號），那么代理以后產生這個行為策略的趨勢便會加強。智能代理的目標是在每個離散狀態發現最優策略以使期望的折扣獎賞和最大。 2017年，Google的AlphaGo計算機程序使用RL在Go游戲中擊敗了世界冠軍。

機器人技術

從技術上講，機器人技術是其自身的一個獨立分支，但與AI確實有些重疊。 AI技術使機器人在動態環境導航成為可能。 您如何確保自動駕駛汽車從A點駛向B點過程中以最短的時間行駛，又不會傷害到自己和他人，深度學習和強化學習的進步可能對此有幫助。

計算機視覺

如果想讓機器獨立思考，我們就需要教他們看世界。 斯坦福大學AI實驗室主任李飛飛就在研究此領域的計算機視覺（CV）。 比較諷刺的是，計算機擅長復雜的計算，例如找出小于100的數字里能被10整除的數字，但在識別和區分物體的簡單任務中卻舉步維艱。 深度學習的最新研究，在視覺識別的某些應用場景中已經勝過了人類。

自然語言處理

自然語言處理（NLP）與能夠識別并理解人類語言的系統有關。 它包括語音識別，自然語言理解，生成和翻譯等領域。 隨著多種語言的全球化，自然語言處理系統將成為真正的變革者。 當前的NLP研究包括開發可以與人類動態交互的聊天機器人。

推薦系統

從閱讀，購買，到與誰約會，推薦系統（RS）隨處可見，并已經完全取代了煩人的推銷員。 像Netflix和Amazon這樣的公司非常依賴推薦系統。 它會根據用戶的過去偏好，對同類產品的偏好來提出有效的建議。

算法博弈論與機制設計

算法博弈論從經濟學和社會科學的角度來設計具有多個主體的系統，讓這些主體如何在基于激勵的環境中做出選擇。 這個系統可以讓智能代理與自私的人類一起，在有限的資源環境中一起競爭。

物聯網

物聯網（IoT）是一個概念，是指日常使用的物理設備通過連接到Internet進行數據交換及相互通信。 收集的數據可以進行計算處理，使設備更智能。

神經形態計算

隨著基于神經網絡的深度學習的興起，研究人員一直在開發可以直接實現神經網絡架構的硬件芯片。 這些芯片旨在硬件級別上模擬大腦。在普通芯片中，深度學習數據需要在中央處理器和內存之間相互傳輸，這種方式性能低下。 在神經網絡芯片中，數據會被處理并存儲在芯片中，需要的時候隨時讀取，大大提高處理與傳輸的性能。
責任編輯：YYX