如果您正在阅读本文，那么您已经被人工智能（AI）技术所包围，这也超出了您的想象。通常，当人们听说AI时，他们会将其等同于机器学习和深度学习，但它们只是AI研究里众多主题中的两个。 这两个算是当今AI世界中最火的两个，但是还有许多其他主题因为其应用和未来潜力而在AI界引起了人们极大的关注。 本文将讨论AI研究中的一些热门主题，这些主题都是相互联系，并都属于人工智能的范畴。
机器学习
机器学习（ML）关注点是能够开发其性能随着经验而提高的系统。 在过去的十年中，人工智能的进步很容易归因于机器学习的进步。 机器学习非常流行，已经成为AI的代名词。 研究人员现在集中精力将最先进的机器算法扩展到大型数据集。
深度学习
深度学习（DL）是机器学习的一个子集，它是神经网络的重塑（一种受大脑中生物神经元启发的模型）。 机器学习一直是AI中许多应用的推动者，比如物体识别，语音识别，语言翻译，玩计算机游戏及自动驾驶。
强化学习
强化学习（RL）又称增强学习，是从动物学习、参数扰动自适应控制等理论发展而来。它由一个智能代理构成，如果代理的某个行为策略导致环境正的奖赏(强化信号)，那么代理以后产生这个行为策略的趋势便会加强。智能代理的目标是在每个离散状态发现最优策略以使期望的折扣奖赏和最大。 2017年，Google的AlphaGo计算机程序使用RL在Go游戏中击败了世界冠军。
机器人技术
从技术上讲，机器人技术是其自身的一个独立分支，但与AI确实有些重叠。 AI技术使机器人在动态环境导航成为可能。 您如何确保自动驾驶汽车从A点驶向B点过程中以最短的时间行驶，又不会伤害到自己和他人，深度学习和强化学习的进步可能对此有帮助。
计算机视觉
如果想让机器独立思考，我们就需要教他们看世界。 斯坦福大学AI实验室主任李飞飞就在研究此领域的计算机视觉（CV）。 比较讽刺的是，计算机擅长复杂的计算，例如找出小于100的数字里能被10整除的数字，但在识别和区分物体的简单任务中却举步维艰。 深度学习的最新研究，在视觉识别的某些应用场景中已经胜过了人类。
自然语言处理
自然语言处理（NLP）与能够识别并理解人类语言的系统有关。 它包括语音识别，自然语言理解，生成和翻译等领域。 随着多种语言的全球化，自然语言处理系统将成为真正的变革者。 当前的NLP研究包括开发可以与人类动态交互的聊天机器人。
推荐系统
从阅读，购买，到与谁约会，推荐系统（RS）随处可见，并已经完全取代了烦人的推销员。 像Netflix和Amazon这样的公司非常依赖推荐系统。 它会根据用户的过去偏好，对同类产品的偏好来提出有效的建议。
算法博弈论与机制设计
算法博弈论从经济学和社会科学的角度来设计具有多个主体的系统，让这些主体如何在基于激励的环境中做出选择。 这个系统可以让智能代理与自私的人类一起，在有限的资源环境中一起竞争。
物联网
物联网（IoT）是一个概念，是指日常使用的物理设备通过连接到Internet进行数据交换及相互通信。 收集的数据可以进行计算处理，使设备更智能。
神经形态计算
随着基于神经网络的深度学习的兴起，研究人员一直在开发可以直接实现神经网络架构的硬件芯片。 这些芯片旨在硬件级别上模拟大脑。在普通芯片中，深度学习数据需要在中央处理器和内存之间相互传输，这种方式性能低下。 在神经网络芯片中，数据会被处理并存储在芯片中，需要的时候随时读取，大大提高处理与传输的性能。
本文转载自： 雪兽软件
