如今人工智慧處於什麼階段？
卷積神經網路（cnns）具有分層結構，通過（訓練過的）卷積濾波器將影象取樣到乙個低解析度的對映中，該對映表示每個點上卷積運算的值。從影象中來看，它是從高分辨畫素到特徵（邊緣、圓形、……），再到粗糙特徵（臉上的鼻子、眼睛、嘴唇……），然後再到能夠識別影象內容的完整連線層。cnns很酷的一點是，其卷積濾波器是隨機初始化的，當你訓練網路時，你實際是在訓練卷積濾波器。幾十年來，計算機視覺研究人員一直在手工製作類似的濾波器，但無法像cnns那樣的精準結果。此外，cnn的輸出可以是2d圖而不是單個值，從而為我們提供影象分割。cnns還可以用於許多其他型別的1d、2d甚至3d資料。
在我們的迷宮事例中，先允許**穿過迷宮，選擇乙個方向，使用已有的概率策略，當它達到死胡同時，懲罰它選擇的路徑（降低每個單元移動該方向的概率）。如果找到了出口，我們則增加每個單元移動方向的概率作為獎勵。隨著時間的推移，**通過學習，找到了最快方式。強化學習的這種變化就是alphagoai和atari電子遊戲ai的核心。
最後值得關注的是gans（生成對抗網路），它更多的是一門技術而不是架構。目前它與cnns一起用於製作影象鑑別器和發生器。鑑別器是經過訓練以識別影象的cnn，生成器是乙個反向網路，它採用隨機種子生成影象。鑑別器評估發生器的輸出並向發生器傳送關於如何改進的訊號，發生器依次向鑑別器傳送訊號以提高其準確性，在零和博弈遊戲（zero-sumgame）中反覆往返，直到兩者收斂到最佳質量。這是一種向神經系統提供自我強化反饋的方法。
當然，所有這些方法以及其他方法都有豐富的變化和組合，但是一旦你嘗試將它們用於特定問題之外的問題時，這些技術有時不會有效。對於實際問題，即使你可以擴充套件和重新設計網路拓撲並對其進行調整，它們有時也表現不加。往往我們只是沒有足夠的資料來訓練它們，以使得它們在部署中更加精準。
現在想象一下，你有多個cnn/rnn網路提供輸出，乙個深度強化學習引擎對輸入狀態做出決策，然後驅動生成網路產生輸出。其實是很多特定的dl技術組合在一起來完成一組任務。你可以說這是「魔鬼式」的瘋狂調參。它會奏效嗎？我不知道，如此一來，它將耗費大量資金和時間才開始工作，並且不確定它是否能夠很好的訓練，甚至在現實條件下進行訓練。
我個人觀點是，我們目前的dl技術各自代表乙個子集，用來簡化大腦網路和神經系統的工作。雖然我們稱之為「神經」，但實際上並不是，它們都是專門用於特定的任務。
事實上，大多訓練dl或者人工智慧的人都沒有意識到，如今深度學習中的「神經網路」和「神經元」只是更大、更豐富的合成神經元、神經網路和方法。我們今天在dl中使用的大多數人分層我網路和cnn屬於前饋神經網路的較小一部分，只是簡單地對每個節點處進行加權輸入求和，應用簡單的傳遞函式，將結果傳遞給下一層。
這並不是大腦處理工作的方式，甚至rnn和強化學習也沒有給我們真正的人工智慧，只是將非常大和複雜函式的引數擬合到大量資料，並使用統計資料找到模式並做出決定。
人工智慧、大資料、雲計算和物聯網的未來發展值得重視，均為前沿產業，多智時代專注於人工智慧和大資料的入門和科譜，在此為你推薦幾篇優質好文：
1.人工智慧時代，ai人才都有哪些特徵？
2.大資料攜手人工智慧，高校人才培養面臨新挑戰
3.人工智慧，機器學習和深度學習之間，主要有什麼差異
4.大資料人工智慧領域，如何從菜鳥晉級為大神
多智時代-人工智慧和大資料學習入門**|人工智慧、大資料、物聯網、雲計算的學習交流**
Forecast的人工智慧
forecast智慧型專案管理軟體 人工智慧 英語 artificial intelligence,ai 亦稱機器智慧型，是指由人工製造出來的系統所表現出來的智慧型。通常人工智慧是指通過普通電腦實現的智慧型。人工智慧的研究可以分為幾個技術問題。其分支領域主要集中在解決具體問題，其中之一是，如何使用各...
人工智慧發展的要素是什麼，人工智慧市場的人才現狀
中國已成為全球人工智慧的發展中心之一，但面臨著巨大的人才缺口，隨著越來越多的高科技公司開設機械人或者人工智慧業務分部，人工智慧或機器學習類專業人才正在變得炙手可熱，人才 也是水漲船高。甚至在矽谷，剛畢業的人工智慧領域博士能拿到超過百萬美元的年薪。目前國內人工智慧相關技術崗位，主流年薪也在30 60萬...
人工智慧簡史 人工智慧簡史
人工智慧簡史 在人工智慧的早期，計算機科學家試圖在計算機中重建人類思維的各個方面。這就是科幻 中的智力型別，即或多或少像我們一樣思考的機器。毫無疑問，這種型別的智慧型稱為可理解性。具有可理解性的計算機可用於探索我們如何推理，學習，判斷，感知和執行腦力活動。可懂度的早期研究集中於在計算機中對現實世界和...