到底什麼才是人工智能，怎樣統一大家的意見，形成共識，為它定性？這在最近已經成為了科技圈裡的熱門話題。
一些人將 AI 看做是「認知計算」或者「機器智能」；而另外一些人將「AI」和「機器學習」給完全等同了起來。之所以會出現這麼多的說法，主要是因為我們大家現在所說的「人工智能」，並不是某一個單純的技術，它事實上已經成為了很多學科交叉後的領域：從機器人到機器學習，無所不包。
而人工智能的目的，其實現在絕大多數人已經達成了共識：開發一種能夠執行任務，具備某種認知功能的機器，而這種執行任務的能力和認知功能，原本只屬於人類智能的範疇當中的。為了達到這種狀態，機器必須具備自我學習的能力。
在過去的十年時間裡，AI 領域出現了何等驚人的進步，無論是無人自駕駛汽車的逐步成熟，還是語音識別技術的日趨完善。在這樣的大背景之下，人工智能已經跳脫出了 20 年前固有的形象，第一次在公司和消費者面前生動立體了起來：它是真的可以影響到我們每天生活的啊！
確實，現在各大媒體報刊都在用頭條講述人工智能領域出現的一舉一動，詳細闡述長期 AI 戰略，但就在這樣的火熱環境下，大眾仍然搞不清楚人工智能究竟是什麼，同時，政府其實也在這方面表現的遲鈍一些，到底技術自動化對於整個社會有著怎樣的影響？
在這個前提下，本文向大家介紹人工智能領域下的六個細分領域，它們中任何一個現如今都是科研領域的大熱門。所以，跳脫出人工智能這個籠統的範疇，轉而研究這幾個細分具體化的領域，也許才是更加靠譜的討論方式。因為我們未來的數字產品和服務，都將被它們所左右。
在本文中，我會描述它們是什麼，為什麼重要，如今怎麼來應用它們。最後，還會給出一個清單（當然不會是完全詳盡的），上面列出來有關這些領域的科技公司。
1. 強化學習（Reinforcement learning）
人們在學習一項新技能的時候，往往會有一個試錯的過程，而 RL（強化學習）就是從這個模式中演化而來。在一個標準的 RL 設定中，軟件的任務是觀察在數字環境中當下所處的狀態，並根據已經定好了的最終要達到的效果，採取行動來不斷地接近這個目標。在這個不斷接近的過程中，軟件每執行一個動作，它都能從這個數字環境中得出一個判斷：這個動作到底是推動了我向目標前進，還是阻礙了。
就在這種不斷試探、確認、再試探的反覆過程中，軟件逐步找到最優策略和路徑。
該領域之所以會引起大家的注意，是 Google DeepMind 在 Atari games 這個項目上應用了這項技術。而目前這項技術在現實中應用的最大價值竟然是給 Google 的數據中心降溫！
數據中心中裡眾多服務器、存儲設備、網絡設備等等在 24 小時的運行著，同時散發著巨大的熱量，採用常規的冷空調系統降溫，不僅使整個數據中心的能耗增大，成本也會相應提高一大塊。而 Google 在利用了 RL 技術可以使得降溫成本下降 40%。
在一個可以被模擬的數字環境（比如視頻遊戲）中，應用 RL 工具的最大好處就是可以以很低的成本獲取到機器學習的數據。這跟「監督式深度學習」（supervised deep learning）有著明顯區別，後者獲取數據的成本很高，在現實世界中應用的難度也較高。
應用：軟件在迷宮中找路，或者是給無人自駕駛技術在城市街道上行駛提供技術支持，還比如在視頻遊戲中，讓 NPC 開始學習使用一些高度擬人化的行為。
處在這個領域裡的公司：Google DeepMind, Prowler.io, Osaro, MicroPSI, Maluuba/Microsoft, NVIDIA, Mobileye, OpenAI.
2. 生成式對抗網絡
跟那些用來分類、或者執行「迴歸任務」的可識別人工智能相比，歸納模型基於某個學習對象，可以自發生成一個高度類似的圖像。
就比如說，給軟件看過一張人臉照片之後，它就能立刻生成一張類似的，機器合成的照片。這個技術的基礎其實是：「生成式對抗網絡」（generative adversarial networks) 在人工智能領域非常火爆，因為它給人們提供出來了一條直抵「非監控式機器學習」的路徑。
生成式對抗網絡（Generative Adversarial Nets，GAN）在 2016 年所召開的 NIPS（神經信息處理系統大會）上大放異彩，成為神經網絡最受關注的技術之一，其實 GAN 的思想其實十分樸素：有一對模型，一個生成模型（G）生成假樣本，最好是六耳獼猴，直叫眾人真假難辨；一個判別模型（D）識別假樣本，最好是火眼金睛，敢讓贗品無所遁形。
那麼 GAN 的訓練過程就變成了生成模型（G）和判別模型（D）之間的競爭過程——隨機從真實樣本和由生成模型（G）生成出的「假樣本」中取一個，讓判別模型（D）去判斷是否為真。把這個問題，轉化為了一個博弈的問題。利用納什均衡來得到最終的目標函數。
應用案例：在時間序列中模擬出未來（例如規劃未來的工作）；通過 2D 圖片來恢復 3D 結構；在視頻中預測下一幀，在對話界面上開發出自然語言，將音樂和語音進行合成等等。
目前正在做這件事的公司：Twitter Cortex、Adobe、Apple、Prisma、Jukedeck、Creative.ai, Gluru*, Mapillary*, Unbabel.。
3. 具有記憶的網絡
這個世界是千姿百態的，為了在這樣一個複雜多變的世界裡，像人類一樣的去歸納、總結、分類，它們必須能持續不斷地學習執行新的任務，記住這些任務的執行方式並不斷地應用到未來。
但是，傳統的神經網絡是沒有辦法做到這一切的。它們只有在「忘記」了某些信息之後，才能連續地執行任務。這個短板有個專有名詞：「災難性遺忘」。原因在於，執行 A 任務時，對於機器來說非常重要的「權重」，到了執行 B 任務的時候就徹底變了。
但是，現在有一些非常強大的系統，能夠給予神經網絡不同程度的記憶能力。比如「長短期記憶網絡」（一個重複型神經網絡的衍生品），能夠處理和預測時間序列；比如 DeepMind 的「可辨神經計算機」，它能將神經網絡和記憶系統給結合起來，從而自行地學習，並組織複雜的數據結構；比如「彈性權重整合算法」，它能夠跟當前任務跟前一個任務進行對比，按照不同的重要級別，放慢對某些權重的學習速度；比如「激進式神經網絡」，它能夠在「目標明確的任務」之間建立一些橫向聯繫，從之前已經習得的任務中提取經驗，然後將這些經驗應用到新的任務當中。
具體的應用：某些可以歸納經驗，應用到新環境裡的學習工具；機器人手臂控制系統；無人自駕駛汽車；時間序列預測系統（比如金融市場交易工具、視頻、物聯網等）；自然語言理解及聯想詞技術。
在該領域的公司: Google DeepMind, NNaisense (?), SwiftKey/Microsoft Research, Facebook AI Research.
4. 即便數據少，也能學習；並且打造更為小巧的模型
一般來說，在大家的理解中，深度學習都是要求海量的學習數據，從而達到世界頂尖的表現水平的。就比如說之前有一個教機器識別圖像的研究項目，光是學習材料就包括了 120 萬張圖片，手動一個個的標註，歸納到了 1000 個物體類別裡。
深度學習從某種意義上來說就必須這麼做。而且對越是複雜的任務，對數據量的要求就會直線上升，比如說「語音識別」和「機器翻譯」，更復雜的任務是把一段語音輸入進去，一段文本輸出出來。
但目前，研究人員為了降低這其中的複雜程度，決定使用多個神經網絡來分解這種複雜性，每一個生成的結果都成為了下一個系統的學習材料。就比如說語音輸入後，轉化成為音素、音素再轉化成為字詞、字詞再轉化成為指令。
如果我們真的想讓人工智能系統解決複雜的任務，它們往往特別具有挑戰性，成本很高，耗時很長，那麼開發多個學習模型，從更少的例子中去得到最優的解決方案，這一個思路就顯得尤其重要了。在面向小規模的數據組進行學習的時候，也是存在挑戰的，比如「過度擬合問題」，「在處理離群值上」也會很困難。
應用：機器翻譯、SqueezeNet 項目。
目前在該領域從事開發工作的公司：Geometric Intelligence/Uber, DeepScale.ai, Microsoft Research, Curious AI Company, Google, Bloomsbury AI.
5.專門為人工智能而設計的硬件
之所以 AI 技術現在出現了這麼驚人的爆發，其中一個原因是圖形處理單元（GPU）功能上的延展。不同於中央處理器，GPU 提供了多重平行結構，可以同時處理很多任務。在 GPU 上進行機器學習要明顯比在 CPU 上快很多。
自從 2012 年 AlexNet 一戰成名以後，如果說機器學習是一場淘金熱的話，那麼 GPU 就成為了淘金的鏟子。NVIDIA 一直以來引領這股風潮，帶領我們走進了 2017 年，在這方面它的實力遙遙領先於 Intel、Qualcomm、AMD、 以及 Google 公司。
但是，GPU 畢竟不是專門為機器學習、推理來開發的一款產品，它們是專門為視頻遊戲來提供圖像支持處理的，而且它們往往在計算性能上面往往擁有高精準度，是以犧牲內存帶寬和數據吞吐量而換來的。
所以，正是基於這樣的考慮，現在很多人開始創辦初創公司，還有一些大公司，比如 Google 也自己開設新的項目，專門為機器學習項目來量體裁衣開發新的硬件。這種全新的硬件所具有的特點是：存儲帶寬大，高計算密度，能耗相對較低。在這種硬件的基礎上，我們可以進行更加快速，更多高效的模型學習，更好的用戶體驗，用戶跟產品交互的次數也變多了，最終帶來更加豐富的數據量，通過優化再提升模型的表現，以此來循環往復進行機器學習。
應用：快速學習模型（尤其是在圖像上面），依託物聯網設備來運行 AI 系統，永遠處於「傾聽」狀態之中的物聯網設備，以雲基礎設施作為服務，無人自駕駛汽車，無人機和機器人。
目前在這個領域的公司： Graphcore, Cerebras, Isocline Engineering, Google (TPU), NVIDIA (DGX-1), Nervana Systems (Intel), Movidius (Intel), Scortex
6. 模擬環境
之前我們就討論過，為人工智能系統來生成學習數據，這項工作充滿了挑戰性。更重要的是，人工智能得出的結論必須能夠跟我們的現實生活，應用情景息息相關。於是，在這樣的考量之下，通過開發一個數字化的環境，模擬現實世界的物理機制和行為，這將給我們在評估和訓練人工智能上面提供一個非常理想的平臺。在這樣一個平臺上，我們會更加了解人工智能學習的方式，提升它們的途徑，同樣也能給我們帶來真正能夠可以轉化成為現實應用的訓練模型。
應用：智能城市、工業設計、遊戲開發、駕駛培訓系統、製造業。
目前在這個領域的公司： Improbable, Unity 3D, 微軟 ( 開發 Minecraft 的遊戲部門), Google DeepMind/暴雪, OpenAI, Comma.ai, Unreal Engine, Amazon Lumberyard