吳紹順

摘要：人工智能不是特定的技術(shù)，而是由許多學(xué)科組成的廣闊領(lǐng)域，其中包括機器學(xué)習技術(shù)、人機學(xué)習技術(shù)等，而人工智能的最終目標是使機器代替人類來執(zhí)行需要完成的任務(wù)。為了實現(xiàn)這個目標，機器需要自動學(xué)習掌握一定的知識技能而非單一地執(zhí)行程序員編寫的命令，本文介紹了人工智能的幾大關(guān)鍵技術(shù)及其應(yīng)用場景，以望向未來的研究人員提供一定的參考。

關(guān)鍵詞：人工智能;強化學(xué)習;記憶網(wǎng)絡(luò)

中圖分類號：TP18;TP393.0文獻標識碼：A文章編號：1672-9129（2020）14-0031-01

隨著科學(xué)技術(shù)的發(fā)展，人工智能在各個領(lǐng)域都取得了長足的進步，在自動駕駛汽車，語音識別和語音合成等領(lǐng)域也表現(xiàn)日益優(yōu)異，在這種情況下，人工智能技術(shù)已經(jīng)滲透到人們生活的各個角落，其中，人工智能的四個領(lǐng)域可能對未來的數(shù)字產(chǎn)品和服務(wù)產(chǎn)生重要影響，本文列出了這四個方向，解釋了它們的含義，并介紹了它們當前的應(yīng)用場景。

1強化學(xué)習

強化學(xué)習是一種通過反復(fù)試驗試錯來學(xué)習的方法，這種典型的強化學(xué)習方法是受到人類學(xué)習過程的啟發(fā)而得到的，該方法是觀察當前狀態(tài)，通過反饋并采取相應(yīng)的行動以取得最佳的效果。代理者執(zhí)行的每個操作都會從環(huán)境中獲取反饋信息，因此我們可以判斷該操作是對過程的正面還是負面影響，代理者需要平衡并探索出最佳策略以實現(xiàn)最終目標。

強化學(xué)習的應(yīng)用包括自動駕駛、導(dǎo)航系統(tǒng)、沉浸式交互和學(xué)習等場景。

2生成模型

生成模型意味著，如果訓(xùn)練數(shù)據(jù)模型是面部圖像的集合，則訓(xùn)練模型還可以生成類似于面部的合成圖像。目前，提出了一個學(xué)術(shù)界非常熱衷的對抗模型的構(gòu)建，因為它提供了兩個神經(jīng)網(wǎng)絡(luò)的新方法，一個是生成器，負責將輸入的噪聲數(shù)據(jù)合成為新內(nèi)容，另一個是判別器，它負責學(xué)習真實圖片并判斷生成器合成的新內(nèi)容是否可以代替真實內(nèi)容，生成器必須一次又一次地學(xué)習以從噪聲數(shù)據(jù)中收集有用的內(nèi)容，直到成器合成的新內(nèi)容可以代替真實內(nèi)容。

生成模型可以描述為用于生成屬于概率模型的數(shù)據(jù)的模型，利用該模型，我們可以生成不在訓(xùn)練數(shù)據(jù)集中的新數(shù)據(jù)，例如，我們有很多馬的圖片。我們可以通過生成模型并從中了解馬的外觀來學(xué)習這些馬的圖像。通過生成模型，我們可以創(chuàng)建看起來很真實的馬的圖像，但是該圖像不是訓(xùn)練圖像。

生成模型數(shù)據(jù)集沒有類似于判別模型的標簽，通過標簽信息。生成模型可以根據(jù)標簽生成圖像的相應(yīng)類別，生成模型就像無監(jiān)督學(xué)習，而判別模型就是監(jiān)督學(xué)習。

3記憶網(wǎng)絡(luò)

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)很難適應(yīng)各種場景，它的主要困難在于當為任務(wù)a訓(xùn)練神經(jīng)網(wǎng)絡(luò)完成時，為解決任務(wù)B而再次訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，此時網(wǎng)絡(luò)模型的權(quán)重值不再適用于任務(wù)a，此時需要重新訓(xùn)練網(wǎng)絡(luò)模型來獲得適用a的權(quán)重值，這樣會消耗大量的時間和成本。

當前，模型可以具有一些不同程度的存儲記憶，包括長記憶網(wǎng)絡(luò)和短記憶網(wǎng)絡(luò)，而漸進式神經(jīng)網(wǎng)絡(luò)可以學(xué)習不同的獨立模型之間的橫向關(guān)系以獲得它們之間的橫向相關(guān)性，并從這些現(xiàn)有的網(wǎng)絡(luò)模型中提取有用的功能來完成新任務(wù)。

4微數(shù)據(jù)學(xué)習微模型

長期以來，深度學(xué)習模型需要收集大量的訓(xùn)練數(shù)據(jù)才能獲得最佳的訓(xùn)練效果。無法使用單一神經(jīng)網(wǎng)絡(luò)模型來處理諸如原始語音段的輸入和轉(zhuǎn)換后的文本內(nèi)容的輸出，此過程與具有不同中間網(wǎng)絡(luò)的多個網(wǎng)絡(luò)共同作用，如果我們要使用人工智能系統(tǒng)來解決培訓(xùn)數(shù)據(jù)稀缺的問題，那么我們希望樣本用于模型開發(fā)會更好，如果訓(xùn)練數(shù)據(jù)集較小，則會出現(xiàn)過度擬合，異常值混亂，訓(xùn)練集和測試集分布不一致的情況。

一個與之相關(guān)的問題是，在模型的效果保持最佳狀態(tài)的同時，構(gòu)建具有較少模型參數(shù)的較小的深度學(xué)習體系結(jié)構(gòu)，該技術(shù)的優(yōu)勢是更高效的分布式訓(xùn)練過程，因為減少了訓(xùn)練過程中需要傳遞的參數(shù)以便模型可以輕松地部署在內(nèi)存有限的嵌入式硬件上。

微數(shù)據(jù)學(xué)習微模型的應(yīng)用包括：訓(xùn)練平面模型，以模擬在大幅面標記訓(xùn)練數(shù)據(jù)集上形成的深度網(wǎng)絡(luò)模型、建立具有相同效果但參數(shù)較少的模型結(jié)構(gòu)等。

5遷移學(xué)習

當擁有充足的數(shù)據(jù)資源和計算資源時，通常使用傳統(tǒng)的深度學(xué)習，當不具備此類條件時，可以采用遷移學(xué)習。訓(xùn)練成本是實際應(yīng)用中需要考慮的重要因素，即所依賴的計算資源和耗費的訓(xùn)練時間，成本較低的算法往往更能滿足實際的需要。通常情況下，很少會有研究者從頭開始訓(xùn)練整個深度網(wǎng)絡(luò)，一方面是受限于數(shù)據(jù)量不足的問題，另一方面是受限于時間成本和計算資源的問題，對于一個實驗性極強的研究領(lǐng)域而言，花費數(shù)天乃至數(shù)周的時間和大量精力去訓(xùn)練一個結(jié)果未知且復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)通常是不可取的。

只有當從第一個任務(wù)中學(xué)習到的模型特征易于推廣時，遷移學(xué)習才能在深度學(xué)習中發(fā)揮作用。如今，深度學(xué)習在包括自然語言、圖像分類等各種各樣的任務(wù)中表現(xiàn)突出。然而，盡管深度學(xué)習具有如此高的性能，但在一些特定的情形下，使用經(jīng)典的機器學(xué)習算法要優(yōu)于大型深度網(wǎng)絡(luò)算法。目前深度學(xué)習在人工智能領(lǐng)域有著優(yōu)秀表現(xiàn)，但選擇卷積神經(jīng)網(wǎng)絡(luò)也面臨著各種難題。首先，所有的卷積神經(jīng)網(wǎng)絡(luò)都需要大量的數(shù)據(jù)集，而大量數(shù)據(jù)集的計算則需要非常高的計算資源，當在數(shù)據(jù)樣本較少和計算資源有限的情形下，選擇一種少量數(shù)據(jù)集下依舊表現(xiàn)優(yōu)秀的卷積神經(jīng)網(wǎng)絡(luò)，就成為了研究的關(guān)鍵點。

6總結(jié)

人工智能已經(jīng)廣泛滲透到人們生活的各個領(lǐng)域，如何從這個新領(lǐng)域挖掘價值是科研工作者們所需要思考的問題，針對不同場景合理有效的利用人工智能技術(shù)為人們的生活帶來便捷，促進社會的發(fā)展，人需要研究者們作出更大的努力。

參考文獻：

[1]人工智能與計算智能在物聯(lián)網(wǎng)方面的應(yīng)用探究[J]. 毛銳.信息與電腦（理論版）. 2019（14）

[2]基于人工智能技術(shù)的大數(shù)據(jù)分析方法研究進展[J]. 王萬良，張兆娟，高楠，趙燕偉.計算機集成制造系統(tǒng). 2019（03）

[3]人工智能產(chǎn)業(yè)發(fā)展的風險及對策研究[J]. 王小輝.通訊世界. 2017（23）