1.深度监督学习。算法主要是用神经网络的结构加上一个学习算法，然后用机器自动地去学习，它通过在大数据里自动地去寻找规律和多节多层的特征，这就是所谓的深度卷积神经网络。比如机器对一千种物体的识别就超过了人类的识别能力，而且还成了主流的方法，不论是做视觉、语音识别和文本处理的，还是做自然语言处理、自动驾驶、机器人、大数据分析的，都在利用这个新兴的人工智能方法来进行处理。
靠大数据驱动的卷积神经网已成为人脸识别的主流方法，而且是数据越多，效果就越好。虽然人脸识别的能力超过了人，但人脸识别也只是弱人工智能，因为它只是在某个点上超过了人的能力，假如给它足够完备的大数据，它就可以超过人。
总之，以完备大数据的卷积神经网络为主要标志的人工智能的加速发展，已经成为重塑人类社会的基石，其典型特点是需要深度学习的方法，加上大数据、计算平台，就是人工智能芯片所支撑的具有很强计算能力的大平台，它的特点就是需要一个带标签的完备大数据，但由于太过于理想化，在实际应用中往往就不可能实现。
2.强化学习。除了监督学习以外，还有强化学习，这是一个巨大的进步。强化学习的进步又是什么东西呢？比如下围棋，输了就受到惩罚，再也走不了；赢了之后就奖励自己，还能够继续走下去。反复地通过这种训练来进行学习，就叫强化学习。
强化学习最早来源于心理学，就是通过奖励与惩罚，向成功与失败学习，虽然已研究了30多年，但现在又焕发了生机。以前的上课跟同学们讲这些内容没人感兴趣，但现在是同学在讲强化学习，原因就是Alpha（阿尔法）。2016年的3月发生的AlphaGo（阿尔法狗）战胜了李世石这么一个标志性的事件，它让大家大吃一惊，这个事件大大地推动了人工智能的影响力。因为AlphaGo的这个事件，人们才发现原来机器的水平可以有这么高，其方法就是强化学习，加上深度卷积神经网和一个所谓的蒙特·卡罗方法结合起来就成了。这三种东西除了深度卷积神经网络外，其他的两种都是很老的东西，把它结合起来之后，就取得了以AlphaGo为代表的里程碑式的胜利。在这里面就用了强化学习，用了大数据驱动，可以把人类的棋谱从一个韩国的围棋服务器上面，找出人类差不多3000万个棋局，然后做上标签。下围棋就是找个路径，其决策相当于一棵树，一棵很巨大的树，它的路径起点就是开局。在棋盘上,不是有19×19的格吗，总共形成了361个交叉点，开始在交叉点上什么都没有，没有黑子，没有白子，就是空的，人们把这个交叉点叫作根节点，就是树的根节点。至于输赢，一旦下完了一盘，赢了或者输了的情况，就叫叶子节点。从根节点到叶子节点的路径寻找，就是整个下棋的过程。
机器的监督学习是向人类学习，把人类顶级的三段选手到九段选手的围棋棋谱拿来学，学完了之后机器就自己开始学，自己跟自己下棋，赢了奖励自己，输了就惩罚自己，通过不断地精进，水平越来越高。
后面的发展就更厉害了，人们发现一个AlphaGo叫Zero（也就是0）的，这是2017年之后发生的非常轰动的事件，因为它不再向人学习了。从零开始，我们把它叫作无师自通的AlphaGo，没有利用人的任何历史棋谱，仅仅是输入规则就知道怎么去下棋。围棋的赢或者输，不需要人这个师傅了，它完全靠自学就可以成才。这个版本的AlphaGo，学三天就超过了李世石的版本，学了二十天就超过了柯洁的版本，学了四十天后就超过了所有的版本，这自然就很厉害。机器具有的这个创造能力，是因为它看到了很多的棋局，最后的发现是人类从来没见过的、觉得走不通的棋局。
此外，人们还首先看到了算法的进展，这个进展就是深度强化学习，是卷积神经网络，而且它是完全监督的；第二是强化学习，现在不需要监督和完全的无监督，从零开始可以自学；第三是人们要不断探索，探索就是去研究具有举一反三的能力，尽管现在还没有成功的例子。
3.认知智能的探索。如果一个人看到两架飞机的照片，就把所有的飞机全认识了，说明具有了举一反三的能力，这种能力就是认知智能。2011年2月，IBM运用这个能力构建了一个比较进步的自动问答系统，然后利用这个自动问答系统参加了在美国的叫作《危险边缘》的一个智力竞答电视节目，它战胜了连续三届的人类冠军。当然，完成这个竞答是很难的，难在主持人的提问都是口语化的，而且提问里面还有很多的双关语、反语、暗语，甚至反话。对于这些根据上下文联系的独特语言，人是能够听出来的，但是机器的理解就很难。在这一块上的突破，使机器能够听懂人的双关语，听得懂暗语，甚至听得懂没有严谨语法规则的口语，这是非常了不起的。机器听懂了这些以后，人类就没有什么优势了，因为机器去找答案比人要快得多。就像搜索引擎，百度也好，谷歌也好，搜索知识问题太简单了。后来，这个技术发展了一个所谓的Watson（采用认知计算系统的商业人工智能），主要是做医疗或者金融的，IBM称其为认知商业。做医疗的时候它能够做什么呢？把它跟深度学习结合起来，收购了很多创意公司深度学习，比如说诊断肺部，对肺癌进行早期诊断，包括乳腺癌。现在的机器对很多癌症的诊断能够达到国际顶级医生的水平，就是通过学习。机器在医疗上的进步，会给社会带来巨大的改变，可以使医生在整个看病过程中花不了几分钟的时间，就能很快地把处方开好。在诊断过程中，先用机器进行化验，医生再根据化验结果开处方，用的时间很短，一天接待一二百人的患者，其中很多的过程由机器替代，做了大量的辅助工作，这样就可以大大地缓解医院的沉重负担。(www.xing528.com)
4.走向通用人工智能。通用人工智能也叫强人工智能。如果说现在的人工智能叫弱人工智能，它在某一个点上，或者是在某一个特定的问题、特定的场景上，有足够完备的大数据支撑就能达到人的水平，也只能干一件事情，如下围棋或者下象棋，在这个过程中它就做不了其他的事情。如果人工智能既能够下棋，还能够认识某个人，能看到人的行为表情，听懂人说的话，做情感分析，甚至还有意识、思维，如果它具有了这些所有的能力，我们就可以认为人工智能的发展走到了强人工智能，达到了人工智能的极点。
通用人工智能是怎么发展的呢？一般来说是基于连接主义的深度神经网络，通过与行为主义的强化学习，与符号主义的有机结合，在新的起点上进行举一反三，发展为认知智能。认知智能在前沿的探索，使人工智能具有了记忆能力。
人工智能在跌宕起伏的发展过程中，它的内涵已经发生了变化，成为机器学习、统计分析的代名词，早已远离了一开始智能的初衷，通用人工智能为解决高度复杂的医学难题、推动科学研究，以及更好地预测人类的行为铺平道路。
学习与反思：
1.“深度学习”概念的内涵是什么？它与“监督学习”“无监督学习”“强化学习”是什么关系？有何区别？
2.什么是卷积神经网络，它是如何被运用在人工智能领域的？
3.说说你对国内芯片行业的了解。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
