除了深度學習，你需要知道AI技術的23個方向 | 機器之心首份技術報告-知識星球

在即將過去的 2017 年，深度學習技術蓬勃發展，AlphaZero 從「零」開始在多種棋類競技上快速發展，DeepStack 與 Libratus 在德州撲克中擊敗人類高手，GAN 衍生出各種變體，語音合成從實驗室走向產品，Vicarious 提出全新機率生成模型並擊破人類的 CAPTCHA 驗證碼。這些令人振奮的進展將智慧技術從實驗室帶到了產業及應用層面，「人工智慧」及「深度學習」等概念也進入了大眾視野併成為流行詞彙。

作為國內首家系統性關註人工智慧的科技媒體，機器之心在過去幾年的報道工作中見證了深度學習引領的又一次人工智慧浪潮以及大眾關註的熱情，與此同時我們也發現由於「AI Effect」的存在，有很多人忽略了深度學習之外的其它人工智慧技術，對人工智慧各種技術分類及基礎概念、技術的歷史行程和發展方向都缺乏成體系化的瞭解，導致對人工智慧技術的整體發展趨勢及「可用性」缺少宏觀認識，併在試圖採用人工智慧技術進行產業革新時走了很多彎路。

因此，機器之心推出《人工智慧技術趨勢報告》，旨在幫助讀者：

1）系統全面縱覽人工智慧（AI）的 23 個分支技術。

2）明晰人工智慧（AI）下各分支技術的歷史發展路徑，解讀現有瓶頸及未來發展趨勢。

3）分析人工智慧（AI）下各分支技術在產業中的實際應用情況，評估其在「研究」、「工程」、「應用」、「社會影響」這四個階段中所處位置，為計劃使用人工智慧技術的決策者提供決策參考。

4）為 AI 從業者提供技術趨勢參考；為產業方、初學者等提供系統性的技術學習資料。

你將從報告中獲得什麼？

本報告所討論的「人工智慧」主要是指可以透過機器體現的智慧，也叫做機器智慧（Machine Intelligence）。在學術研究領域，指能夠感知周圍環境並採取行動以實現最優可能結果的智慧體（intelligent agent）。一般而言，人工智慧的長期標的是實現通用人工智慧（AGI），這被看作是「強人工智慧（strong AI）」。在處理交叉領域問題時，AGI 的表現會遠遠超過普通機器，並且可以同時處理多個任務。而弱人工智慧（weak AI，也被稱為「狹隘人工智慧（narrow AI）」）無法解決之前未見過的問題，而且其能力僅侷限在特定領域內。但是，人工智慧專家和科學家現在對 AGI 的確切定義仍然含混不清。區別強人工智慧和弱人工智慧的常見方法是進行測試，比如 Coffee Test、圖靈測試、機器人大學生測試和就業測試。

本報告所討論的「技術（technology）」是一個範圍廣泛的概念，包含人工智慧領域所使用的方法、演演算法和模型，我們將使用「技術」一詞指代這三者。根據參考經典教材、書籍、論文、部落格、影片和 MOOC（大型開放式網路課程）等材料，我們確定了 23 種不同的人工智慧技術並將它們分成 4 大領域：

解決問題（搜尋）
知識、推理和規劃
學習
通訊、感知和行為

我們把上面列出的 23 種技術根據它們在人工智慧領域內的基本機制、方法和應用相似度進行了分類。這些分類並不是互斥的。你可以將它們看作是人類具有的能力，每種能力都有不同的功能，共同協作才能實現更高階更複雜的標的。

技術發展階段的分類方法有很多。現有的大多數方法都被稱為「技術生命週期（Technology Life Cycles）」，其中也包括「衰落」階段。但是，對於這份針對人工智慧技術的特定研究報告而言，我們沒有考慮「衰落」階段。儘管我們認為一種特定技術的發展可能會在某個時候停滯，但其發展（在科學進步方面看）不會退步；對技術「衰退」的引證通常是在商業角度上考量的。根據我們對多個資訊來源的評估和分析，我們確定了人工智慧技術發展將會經歷的四個週期：研究、工程、應用和社會影響。這裡給出了每個階段的詳細定義，以作為未來詳細分析的正規化：