人工智能哪些领域公司值得关注？投资人告诉你6大方向

原标题：人工智能哪些领域公司值得关注？投资人告诉你六大方向

雷锋网按：有人将人工智能定义为“认知计算”或者是“机器智能”，有的人将 AI 与“机器学习”混为一谈。事实上，这些都是不准确的，因为人工智能不单单是指某一种技术。这是一个由多学科构成的广阔领域。众所周知， AI 的最终目标是创建能够执行任务并且具备认知功能的智慧体，否则它只是在人类智力范围内的机器。为了完成这个野望，机器必须学会自主学习，而不是由人类来对每一个系统进行编程。

令人兴奋的是，在过去 10 年中，人工智能领域已经取得了大的进步，从自动驾驶汽车到语音识别到机器翻译，AI 正在变得越来越好，也离我们越来越近。近日，知名风投 Playfair Capital 风险投资人 Nathan Benaich 在 medium 上发布文章《6 areas of AI and machine learning to watch closely》，讲述了他眼中人工智能发展势头比较火热的领域及其应用。雷锋网(公众号：雷锋网)编译。

1. 强化学习（RL）

强化学习是一种试错（trial-and-error）的学习范式。在一个典型的 RL 中，强化学习需要连续选择一些行为，而这些行为完成后会得到最大的收益。强化学习在没有任何标记，也不告诉算法应该怎么做的情况下，先尝试做出一些行为，得到一个结果，然后通过判断这个结果的正误对之前的行为进行反馈，再由这个反馈来调整之前的行为。通过不断的调整，算法能够学习到在什么样的情况下选择什么样的行为可以得到最好的结果。谷歌 DeepMind 就是用强化学习的方法在 Atari 游戏和围棋中取得了突破性进展。

应用范围：为自动驾驶汽车提供 3D 导航的城市街道图，在共享模型环境下实现多个代理的学习和互动，迷宫游戏，赋予非玩家视频游戏中的角色人类行为。

公司：DeepMind（谷歌），Prowler.io，Osaro，MicroPSI，Maluuba （微软），NVIDIA，Mobileye 等。

主要研究人员： Pieter Abbeel（OpenAI），David Silver，Nando de Freitas，Raia Hadsell（谷歌 DeepMind），Carl Rasmussen（剑桥），Rich Sutton （Alberta），John Shawe-Taylor（UCL）等等。

2. 生成模型

与判别模型不同的是，生成方法可以由数据学习联合概率密度分布，然后求出条件概率分布作为预测的模型，即生成模型。它的基本思想是首先建立样本的联合概率概率密度模型，然后再得到后验概率，再利用其进行分类。2014 年，蒙特利尔大学的 Ian Goodfellow 等学者发表了论文 《Generative Adversarial Nets》 ，即“生成对抗网络”，标志了 GANs 的诞生。这种生成对抗网络就是一种生成模型（Generative Model），它从训练库里获取很多训练样本，并学习这些训练案例生成的概率分布。GANs 的基本原理有 2 个模型，一个是生成器网络（Generator Network），它不断捕捉训练库里真实图片的概率分布，将输入的随机噪声（Random Noise） 转变成新的样本。另一个叫做判别器网络（Discriminator Network），它可以同时观察真实和假造的数据，判断这个数据到底是真的还是假的。这种模型是用大规模数据库训练出的， 具有比其他无监督学习模型更好的效果。

应用范围：用于真实数据的建模和生成，模拟预测时间序列的可能性，比如为强化学习制定计划，在图像，视频，音乐，自然语句等领域都有应用，比如预测图像的下一帧是什么。

公司：Twitter Cortex，Adobe， 苹果，Prisma， Jukedeck，Creative.ai，Gluru， Mapillary，Unbabel 等。

主要研究人员：Ian Goodfellow （OpenAI） ， 大神Yann LeCun 以及Soumith Chintala（Facebook AI Research），Shakir Mohamed 以及 Aron van den Oord（谷歌 DeepMind） 等等。

3. 记忆网络

记忆网络指的是带有内存的神经网络。为了使 AI 系统能够在多样化的现实社会中得到更好的推广，它们必须不断学习新的任务，并“记住”自己是如何执行任务的。然而，传统的神经网络并不能做到这些。原因是当它们在执行 B 任务时，网络中对于解决 A 任务的权重发生了改变。

不过，有几种强大的架构能够赋予神经网络不同程度的记忆，比如长短期记忆网络 LSTM，它能够处理和预测时间序列。还有 DeepMind 的新型机器学习算法“ 可微分神经计算机”DNC，它将“神经网络”计算系统与传统计算机存储器结合在一起，这样便于它浏览和理解复杂的数据。

应用范围：这种学习代理可以应用到多种环境中，比如机械臂控制物体，时间序列的预测（金融市场，物联网等）。

公司：Google DeepMind，NNaisense ，SwiftKey/微软等

主要研究人员： Alex Graves， Raia Hadsell，Koray Kavukcuoglu（Google DeepMind），Jrgen Schmidhuber （IDSAI），Geoffrey Hinton（Google Brain/Toronto）等等。