除了深度学习,你需要知道AI技术的23个方向 | 机器之心首份技术报告

简介: 在即将过去的 2017 年,深度学习技术蓬勃发展,AlphaZero 从「零」开始在多种棋类竞技上快速发展,DeepStack 与 Libratus 在德州扑克中击败人类高手,GAN 衍生出各种变体,语音合成从实验室走向产品,Vicarious 提出全新概率生成模型并击破人类的 CAPTCHA 验证码。

微信图片_20211129142946.jpg

在即将过去的 2017 年,深度学习技术蓬勃发展,AlphaZero 从「零」开始在多种棋类竞技上快速发展,DeepStack 与 Libratus 在德州扑克中击败人类高手,GAN 衍生出各种变体,语音合成从实验室走向产品,Vicarious 提出全新概率生成模型并击破人类的 CAPTCHA 验证码。这些令人振奋的进展将智能技术从实验室带到了产业及应用层面,「人工智能」及「深度学习」等概念也进入了大众视野并成为流行词汇。


作为国内首家系统性关注人工智能的科技媒体,机器之心在过去几年的报道工作中见证了深度学习引领的又一次人工智能浪潮以及大众关注的热情,与此同时我们也发现由于「AI Effect」的存在,有很多人忽略了深度学习之外的其它人工智能技术,对人工智能各种技术分类及基础概念、技术的历史进程和发展方向都缺乏成体系化的了解,导致对人工智能技术的整体发展趋势及「可用性」缺少宏观认识,并在试图采用人工智能技术进行产业革新时走了很多弯路。


因此,机器之心推出《人工智能技术趋势报告》,旨在帮助读者:


1)系统全面纵览人工智能(AI)的 23 个分支技术


2)明晰人工智能(AI)下各分支技术的历史发展路径,解读现有瓶颈及未来发展趋势。


3)分析人工智能(AI)下各分支技术在产业中的实际应用情况,评估其在「研究」、「工程」、「应用」、「社会影响」这四个阶段中所处位置,为计划使用人工智能技术的决策者提供决策参考。


4)为 AI 从业者提供技术趋势参考;产业方、初学者提供系统性的技术学习资料。



你将从报告中获得什么?


本报告所讨论的「人工智能」主要是指可以通过机器体现的智能,也叫做机器智能(Machine Intelligence)。在学术研究领域,指能够感知周围环境并采取行动以实现最优可能结果的智能体(intelligent agent)。一般而言,人工智能的长期目标是实现通用人工智能(AGI),这被看作是「强人工智能(strong AI)」。在处理交叉领域问题时,AGI 的表现会远远超过普通机器,并且可以同时处理多个任务。而弱人工智能(weak AI,也被称为「狭隘人工智能(narrow AI)」)无法解决之前未见过的问题,而且其能力仅局限在特定领域内。但是,人工智能专家和科学家现在对 AGI 的确切定义仍然含混不清。区别强人工智能和弱人工智能的常见方法是进行测试,比如 Coffee Test、图灵测试、机器人大学生测试和就业测试。


本报告所讨论的「技术(technology)」是一个范围广泛的概念,包含人工智能领域所使用的方法、算法和模型,我们将使用「技术」一词指代这三者。根据参考经典教材、书籍、论文、博客、视频和 MOOC(大型开放式网络课程)等材料,我们确定了 23 种不同的人工智能技术并将它们分成 4 大领域:


  • 解决问题(搜索)
  • 知识、推理和规划
  • 学习
  • 通信、感知和行为


微信图片_20211129142951.jpg


我们把上面列出的 23 种技术根据它们在人工智能领域内的基本机制、方法和应用相似度进行了分类。这些分类并不是互斥的。你可以将它们看作是人类具有的能力,每种能力都有不同的功能,共同协作才能实现更高级更复杂的目标。


技术发展阶段的分类方法有很多。现有的大多数方法都被称为「技术生命周期(Technology Life Cycles)」,其中也包括「衰落」阶段。但是,对于这份针对人工智能技术的特定研究报告而言,我们没有考虑「衰落」阶段。尽管我们认为一种特定技术的发展可能会在某个时候停滞,但其发展(在科学进步方面看)不会退步;对技术「衰退」的引证通常是在商业角度上考量的。根据我们对多个信息来源的评估和分析,我们确定了人工智能技术发展将会经历的四个周期:研究、工程、应用和社会影响。这里给出了每个阶段的详细定义,以作为未来详细分析的范式:


微信图片_20211129142954.jpg

注:实际上这里涵盖了很多技术的子类别,而我们将它们当作一个整体来确定它们的发展阶段。一旦有特定的迹象说明一种技术已经经过了一个特定的阶段,那么整个技术类别都将被置于该阶段——尽管对该技术可能还有一些持续性的研究、工程或应用工作。

微信图片_20211129142957.jpg


报告试读


微信图片_20211129143001.jpg


请点击放大阅读



多位大牛一致推荐


发布之前,我们特意邀请人工智能领域多位顶级专家进行了试读,并获得了他们的一致推荐。

微信图片_20211129143007.jpg

微信图片_20211129143010.jpg

微信图片_20211129143013.jpg微信图片_20211129143017.jpg微信图片_20211129143020.jpg微信图片_20211129143024.jpg


//

推荐语按姓氏拼音排序



我们需要你的参与


在这份报告的制作过程中,我们得到了数位一线研究者的协助,在此特别致谢。这份报告只是一个开始,在接下来的 2018 年机器之心将以这份报告为起点,推出更多的技术分析内容项目,并邀请感兴趣的读者加入我们,共同为行业带来更多优质内容。


加入方式:公众号回复关键词开放项目」,即可获得相关说明。


购买须知


  1. 报告语言:中文。
  2. 购买方式:点击阅读原文,即可购买。
  3. 如何阅读:购买报告后,点击机器之心公众号菜单栏「内容商店」进入阅读。
  4. 报告为虚拟内容服务,一经订阅成功概不退款,敬请理解。
  5. 如有其他疑问,请添加机器之心小助手Ⅱ:syncedai2。


相关文章
|
8天前
|
人工智能 自然语言处理 机器人
文档智能与RAG技术如何提升AI大模型的业务理解能力
随着人工智能的发展,AI大模型在自然语言处理中的应用日益广泛。文档智能和检索增强生成(RAG)技术的兴起,为模型更好地理解和适应特定业务场景提供了新方案。文档智能通过自动化提取和分析非结构化文档中的信息,提高工作效率和准确性。RAG结合检索机制和生成模型,利用外部知识库提高生成内容的相关性和准确性。两者的结合进一步增强了AI大模型的业务理解能力,助力企业数字化转型。
41 3
|
6天前
|
人工智能 文字识别 运维
AI多模态的5大核心关键技术,让高端制造实现智能化管理
结合大模型应用场景,通过AI技术解析高端制造业的复杂设备与文档数据,自动化地将大型零件、机械图纸、操作手册等文档结构化。核心技术包括版面识别、表格抽取、要素抽取和文档抽取,实现信息的系统化管理和高效查询,大幅提升设备维护和生产管理的效率。
|
9天前
|
机器学习/深度学习 人工智能 自然语言处理
人工智能与深度学习:探索未来技术的无限可能
在21世纪,人工智能(AI)和深度学习已经成为推动科技进步的重要力量。本文将深入探讨这两种技术的基本概念、发展历程以及它们如何共同塑造未来的科技景观。我们将分析人工智能的最新趋势,包括自然语言处理、计算机视觉和强化学习,并讨论这些技术在现实世界中的应用。此外,我们还将探讨深度学习的工作原理,包括神经网络、卷积神经网络(CNN)和循环神经网络(RNN),并分析这些模型如何帮助解决复杂的问题。通过本文,读者将对人工智能和深度学习有更深入的了解,并能够预见这些技术将如何继续影响我们的世界。
38 7
|
8天前
|
机器学习/深度学习 算法 自动驾驶
深度学习中的图像识别技术
【10月更文挑战第37天】本文将深入探讨深度学习在图像识别领域的应用,通过解析神经网络模型的构建、训练和优化过程,揭示深度学习如何赋能计算机视觉。文章还将展示代码示例,帮助读者理解并实现自己的图像识别项目。
|
9天前
|
机器学习/深度学习 人工智能 自动驾驶
深度学习中的图像识别技术及其应用
【10月更文挑战第36天】在当今科技飞速发展的时代,深度学习已成为人工智能领域的一颗璀璨明珠。本文将深入探讨深度学习在图像识别方面的技术原理和应用实例,旨在为读者提供一个全面而深入的了解。我们将从基础理论出发,逐步揭示深度学习如何革新了我们对图像数据的处理和理解方式。
|
11天前
|
人工智能 自然语言处理 算法
企业内训|AI/大模型/智能体的测评/评估技术-某电信运营商互联网研发中心
本课程是TsingtaoAI专为某电信运营商的互联网研发中心的AI算法工程师设计,已于近日在广州对客户团队完成交付。课程聚焦AI算法工程师在AI、大模型和智能体的测评/评估技术中的关键能力建设,深入探讨如何基于当前先进的AI、大模型与智能体技术,构建符合实际场景需求的科学测评体系。课程内容涵盖大模型及智能体的基础理论、测评集构建、评分标准、自动化与人工测评方法,以及特定垂直场景下的测评实战等方面。
57 4
|
11天前
|
机器学习/深度学习 算法 TensorFlow
深度学习中的图像识别技术
【10月更文挑战第34天】本文将探讨深度学习在图像识别领域的应用,并介绍如何利用Python和TensorFlow库实现一个简单的图像分类模型。我们将从基本原理出发,逐步讲解数据准备、模型构建、训练过程以及结果评估等关键步骤。通过本文的学习,读者可以了解到深度学习在图像识别中的强大能力,并掌握如何使用现代工具和技术来解决实际问题。
28 2
|
11天前
|
机器学习/深度学习 人工智能 算法
基于AI的性能优化技术研究
基于AI的性能优化技术研究
|
10天前
|
机器学习/深度学习 人工智能 测试技术
深度学习在图像识别中的应用与挑战
本文探讨了深度学习技术,尤其是卷积神经网络(CNN)在图像识别任务中的最新进展和面临的主要挑战。通过分析不同的网络架构、训练技巧以及优化策略,文章旨在提供一个全面的概览,帮助研究人员和实践者更好地理解和应用这些技术。
42 9
|
6天前
|
机器学习/深度学习 人工智能 算法
深度学习在图像识别中的应用与挑战
本文探讨了深度学习技术在图像识别领域的应用,重点分析了卷积神经网络(CNN)的工作原理及其在处理图像数据方面的优势。通过案例研究,展示了深度学习如何提高图像识别的准确性和效率。同时,文章也讨论了当前面临的主要挑战,包括数据不足、过拟合问题以及计算资源的需求,并提出了相应的解决策略。