有哪些傳統(tǒng)數(shù)據(jù)科學技術(shù)被大眾媒體稱為人工智能（AI）

對于那些對AI感興趣但還沒有深入研究的傳統(tǒng)數(shù)據(jù)科學家，下面是對數(shù)據(jù)科學技術(shù)的簡要概述，這些數(shù)據(jù)科學技術(shù)在通俗報紙中被稱為人工智能（AI）。

Data Science Central與其他人已經(jīng)撰寫了相當多的關(guān)于構(gòu)成AI的各種類型的數(shù)據(jù)科學的文章。但是Bill Vorhies仍然聽到很多人詢問關(guān)于AI的問題，好像它就是單一的實體。他表示，不是這樣的。AI是一個數(shù)據(jù)科學技術(shù)的集合，在這一點上，開發(fā)甚至都沒有特別好地集成，或易于使用。然而，在這些領(lǐng)域中，他們?nèi)匀蝗〉昧撕艽蟮倪M步，并受到了大眾媒體的關(guān)注。

這篇文章并不是一個深入的研究，而是進行粗略的介紹，以便你了解這領(lǐng)域的研究進展和發(fā)展趨勢。如果你是一位傳統(tǒng)數(shù)據(jù)科學家，讀過一些文章，但仍然沒有把這些拼圖拼起來建立全面的認識，你可能會發(fā)現(xiàn)這是一種整合你當前的知識，甚至發(fā)現(xiàn)你想關(guān)注哪個目標并致力于此的方式。

AI只是數(shù)據(jù)科學部件的總和

構(gòu)成AI的數(shù)據(jù)科學“部件”分為以下幾類。這里有所重疊，但都是詳細的主題，你會在媒體上看到。

深度學習

這些都是獨立的學科（好吧，深度學習的類別實際上還包含一些其他）。AI只是這些部件的總和。它們只是由一大批創(chuàng)業(yè)公司和主要參與者創(chuàng)造的一些真正奇妙的應用非常松散地結(jié)合在一起。當它們一起工作時，例如Watson、或Echo/Alexa、或者在使用自駕車，那么它們應該可以超過組成它們的部分的總和，然而情況并非如此。如何集成這些不同技術(shù)仍然是最大的挑戰(zhàn)之一。

我們的AI必須做什么？

當向初學者解釋這一點時，我總是認為，從AI需要具備什么類似人類能力的擬人化描述開始的話，還是有所幫助的。

您可以立即開始看到，當今新興的AI許多商業(yè)應用，只有這些能力中的一部分。但我們期待的是，未來有更復雜的應用能具備幾乎所有這些能力。

今天出現(xiàn)的許多AI的商業(yè)應用程序只需要這些功能中的一部分。但是我們期待的更復雜的應用程序?qū)⑿枰獛缀跛羞@些功能。

將人類能力轉(zhuǎn)換為數(shù)據(jù)科學

這里確實有點凌亂。這些能力中的，每個不一定與其基礎(chǔ)數(shù)據(jù)科學一一對應。但是，要真正了解現(xiàn)今AI正在發(fā)生著什么，理解數(shù)據(jù)科學如何與這些要求相匹配是最重要的。作為一張圖解，它們的匹配或多或少像這樣的：

深度學習發(fā)生了什么？

您可能已經(jīng)注意到，我們的圖表中缺少“深度學習”。這是因為它是上面講到的遞歸神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡的匯總類別。人工神經(jīng)網(wǎng)絡（ANNs）是自80年代以來的最高水平，并且一直是用于解決標準分類和回歸問題的標準數(shù)據(jù)科學機器學習工具包的一部分。

最近發(fā)生的事情是，我們大量增加并行處理，使用GPU（圖形處理單元）而不是傳統(tǒng)的英特爾芯片，允許我們實驗的ANN有幾十個甚至超過一百個隱藏層的版本。這些隱藏層就是我們?yōu)槭裁磳⑦@些類型成為“深度”的原因，因此也成了“深度學習”的說法。添加隱藏層意味著乘法計算的復雜性，這就是為何我們不得不等待硬件趕上我們的雄心。

至少有27種不同類型的ANN，但最重要的是卷積神經(jīng)網(wǎng)絡（CNN）和遞歸神經(jīng)網(wǎng)絡（RNN），沒有它們，圖像識別和自然語言處理將是不可能的任務。

數(shù)據(jù)科學的簡要討論

要公正對待這些基礎(chǔ)數(shù)據(jù)科學技術(shù)，就需要閱讀多篇文章。在本文中，我們將給你最簡略描述，以及一些能查看更為完整信息的鏈接。

卷積神經(jīng)網(wǎng)絡（CNN）：CNN是所有類型的圖像和視頻識別、面部識別、圖像標記的核心，并可在幫助自動駕駛在行人中識別停車標志。它們非常復雜，難以訓練，而你不需要指定具體的功能（像貓有毛皮、尾巴、四條腿等那樣），你需要在一個CNN上按字面意思展示數(shù)百萬貓科的示例就可以成功。海量的訓練數(shù)據(jù)是一個巨大的障礙。

遞歸神經(jīng)網(wǎng)絡(遞歸)： RNN是自然語言處理（NLP）的中心，也是游戲和類似的邏輯問題的中心。與CNN不同，它們將信息處理為時間序列，其中每個隨后的數(shù)據(jù)片段在某種程度上依賴于之前的片段。它可能不明顯，但語言屬于此類別，因為下一個字符或下一個字在邏輯上與前一個字符相關(guān)。RNN可以工作在字符、字或甚至長段級別，這使得它們能夠完美提供可預期的長篇回答您的客戶服務問題。RNN處理文本問題的理解以及形成復雜的響應，包括翻譯成外語。計算機能夠贏得國際象棋和圍棋，RNN功不可沒。

生成式對抗神經(jīng)網(wǎng)絡（GANN）： CNN和RNN都受到同樣問題的困惑，即需要龐大的、繁重的數(shù)據(jù)量以便訓練，要么識別停車標志（圖像），要么了解如何回答您關(guān)于如何打開該帳戶（語音和文本）的問題。GANN能夠保證顯著減少訓練數(shù)據(jù)并提高精度。他們通過互相較量。這里有一個好故事，關(guān)于訓練卷積神經(jīng)網(wǎng)來識別假法國印象派的藝術(shù)贗品。簡而言之，一個CNN被真正的法國印象派畫作來訓練，所以它應該認識真品。其他對抗性CNN，稱為生成式對抗神經(jīng)網(wǎng)絡，實際上被賦予創(chuàng)造印象派繪畫贗品的任務。

CNN通過將像素值轉(zhuǎn)換為復雜的數(shù)值向量來執(zhí)行圖像識別的任務。如果你向后運行它們，那就是從隨機數(shù)值向量開始，它們可以創(chuàng)建一個圖像。在這種情況下，NN生成贗品創(chuàng)造圖像，試圖欺騙嘗試學習如何檢測贗品的CNN。他們互相較量，直到生成器（贗品制造者）產(chǎn)生的圖像如此完美，以至于CNN無法將它們從原件和已經(jīng)扳平的兩個對抗網(wǎng)絡區(qū)分出來。同時，設計用于確定來自贗品的原件的CNN已經(jīng)在檢測贗品方面進行了極好的培訓，而沒有對數(shù)百萬偽造的法國印象派大師進行訓練這一不切實際的要求?？傊?，它們就是從其所在的環(huán)境中學習。

問答機（QAM）： QAM，是我們?yōu)橄馡BM的Watson之類起的一個相當不起眼的名字。這些都是海量知識庫，經(jīng)過訓練，可以在其知識庫中找到獨特關(guān)聯(lián)，并為它們以前從未見過的復雜問題提供答案。當普通搜索返回您潛在答案的列表時，QAM必須返回單一的最佳答案。

這是一個NLP和復雜搜索的混搭，其中QAM構(gòu)建關(guān)于問題的可能含義的多個假設，并且基于加權(quán)證據(jù)算法返回最佳響應。

QAM需要人類加載大量關(guān)于需要研究的主題的數(shù)據(jù)，并且人類必須訓練并維護知識庫。然而，一旦建立完成，它們已被證明是在癌癥檢測（與CNNs結(jié)合）領(lǐng)域的專家、醫(yī)學診斷、發(fā)現(xiàn)材料和化學品的獨特組合，甚至教高中學生如何編程?？傊瑹o論有大量的知識需要專家解釋，QAM可以是大腦或至少是我們AI的關(guān)聯(lián)記憶。

強化學習系統(tǒng)(RLS)

RLS是一種訓練系統(tǒng)以識別對其環(huán)境直接響應的最佳結(jié)果的方法。這里沒有單一的算法，而是一組定制應用程序。 RNN可以用作RLS中的一種類型的“代理”。RLS是自駕車和類似設備的核心技術(shù)，不需要語言界面。本質(zhì)上，這是機器可以從中學習并記住在特定情況下采取的最佳行動的方法。當你的自駕車決定黃燈亮起時停車，而不是通過，一個RLS被用來創(chuàng)造學習的行為。

機器人

機器人領(lǐng)域?qū)τ贏I是重要的，因為它是AI數(shù)據(jù)科學在現(xiàn)實世界中顯現(xiàn)的主要方式。大多數(shù)機器人是簡單和非常復雜的工程。機器人技術(shù)背后的AI主要是強化學習。

脈沖神經(jīng)網(wǎng)絡（又名神經(jīng)擬態(tài)計算）Spiking Neural Nets (aka Neuromorphic Computing)

通常，我們第二代AI主要是基于硬件進步，使我們能夠使用算法，如在以前根本不可行的神經(jīng)網(wǎng)絡。但所有這一切都在迅速發(fā)展，我們正處于進入第三代AI的前沿。

第三代AI將基于脈沖神經(jīng)網(wǎng)絡，也稱為神經(jīng)擬態(tài)計算，因為它試圖更密切地模仿人類大腦實際工作的方式。改變的核心是圍繞這樣的事實：腦神經(jīng)元不經(jīng)常彼此通信，而是在信號的峰值。挑戰(zhàn)是找出一個消息在這個電子脈沖應該如何編碼。

到目前為止，研究尚處于中期階段。我只知道它在商業(yè)應用的兩個實例。可能有更多的秘密應用仍然不為人知。很多投資和科研工作者涌入這一新世界。它還需要一種全新類型的芯片，這將意味著另一場硬件革命。

當這一天來臨時，我們有如下的期望：

跟上AI的發(fā)展

跟隨這些技術(shù)和這兩個趨勢來與AI俱進：

自然語言處理

圖像識別

強化學習

問答機

對抗性訓練

機器人

觀看：這是定格畫面和視頻圖像的識別。

聽?。和ㄟ^文本或口頭語言接收輸入。

說話：以相同的語言或甚至外語有意義地響應我們的輸入。

像人類一樣做出決定：提供建議或新知識。

學習：根據(jù)其環(huán)境中的更改來改變其行為。

移動：以及操作物理對象。

它們可以從一個來源學習，并應用到另一個。它們可以對其所在的環(huán)境進行概括。

它們可以記住。他們可以記住。任務一旦學會，可以回憶并能應用于其他數(shù)據(jù)。

它們更節(jié)能，開辟了一條小型化的道路。

它們從自己的環(huán)境中學習，沒有監(jiān)督，只有很少的例子或觀察。這些使它們能夠進行快速學習。

AI的商業(yè)化，目前由于它（第二代）的存在，使得一切實際上幾乎和專業(yè)一樣快速，而且大量初創(chuàng)公司涌入這一市場。有可能會像美國在20世紀20年代的電氣化一樣普遍。