2017年人工智能五大预测
据麻省理工《技术评论》网站报道，人工智能和机器学习领域在2016年取得了巨大进步，并有望在2017年取得更为丰硕的成果，包括以下值得期待的五大看点。
1
正向强化
阿尔法围棋（AlphaGo）历史性地击败了顶尖人类围棋高手李世石（Lee Sedol），这不仅是人工智能领域的标志性事件，对“深度强化学习”技术而言更是意义非凡。
动物可以学习特定行为是如何产生积极结果或消极结果的，这种学习方法正是强化学习的灵感来源。例如，借助这种方法，计算机可以通过不断试错，找出在迷宫中导航的方法，然后将积极结果（离开迷宫）与带来这一结果的行动关联起来。这样一来，计算机可以在没有指令，甚至没有明确示例的情况下学习。这一理念已存在了几十年了，但将其与大型（或深度）神经网络结合就能够解决真正复杂的问题（例如围棋）。通过不断试验，分析之前的棋局，阿尔法围棋自己找到了如何成为专家级围棋选手的方法。
希望强化学习能够在许多现实世界场景中证明有用。最近发布的多个模拟环境应该能够扩大计算机通过这种方式可获取的技能范围，从而推动必要算法的发展。
2017年，我们有望见证强化学习用于自动驾驶和工业机器人等问题。谷歌已宣称使用深度强化学习提高了其数据中心的效率。但是，这种方法还处于试验阶段，仍然需要花费大量时间进行模拟，因此，看到它被有效利用会是一件有趣的事情。
2
对抗式神经网络
2016年12月，顶级人工智能学术会议“神经信息处理系统会议”（Neural Information Processing Systems，NIPS）在西班牙巴塞罗纳举办。会上，名为生成式对抗网络（generative adversarial networks，GAN）的新机器学习技术引起了热议。
生成式对抗网络这个概念由非营利性人工智能研究公司OpenAI的研究科学家伊恩·古德费洛（Ian Goodfellow）提出，指由两个网络构成的系统：一个网络在通过对训练集进行学习后生成新数据，另一个网络则区分实际数据和虚假数据。两个网络合作，可生成非常真实的综合数据。该方法可用于生成电子游戏场景、恢复像素化的视频片段，或改变计算机设计风格。
机器学习领域的世界顶尖专家约书亚·本吉奥(Yoshua Bengio)在会议上指出，该方法尤其令人兴奋，因为它为计算机提供了进行未标记数据学习的强大方法。许多人认为，未标记数据是让计算机在未来几年内变得更加智能的关键所在。
3
中国的崛起
2017年也将是中国在人工智能领域崭露头角的一年。中国的高科技行业不再照搬西方公司的技术，而是将人工智能和机器学习视为未来的主要创新领域。
中国的领先搜索公司百度成立人工智能实验室已经有一段时间了，其在语音识别和自然语言处理等技术以及优化广告业务方面获得了回报。其他公司则正在迎头赶上。腾讯（其“微信”取得了巨大成功）也在2016年成立了人工智能实验室，并在神经信息处理系统会议上大力招募相关人才。2016年收购优步（Uber）中国地区业务的滴滴也在建立自己的实验室，据说正在自行研发无人驾驶汽车。
中国投资者正将大量资金投向人工智能领域的初创公司，中国政府也表达了希望看到本国人工智能行业蓬勃发展的意愿，并承诺到2018年要投入约150亿美元。
4
语言学习
如果要问人工智能研究人员的下一个主要目标是什么，很多人一定会提到语言。在语音识别和图像识别领域取得重大突破的技术有望帮助计算机更有效地解析和生成语言。
这是人工智能领域的长期目标，计算机使用语言和我们进行交流互动的前景令人向往。更好的语言理解能力可让机器变得更加有用。但考虑到语言的复杂程度、微妙特性和强大能力，这方面的挑战也不容小觑。
尽管人们暂时还不能和智能手机进行深入而有意义的交流，但我们正取得一些令人印象深刻的进展，因此可以期待这一领域在2017年取得更多进步。
5
反对炒作
2016年，人工智能领域不仅取得了实实在在的进步，推出了令人振奋的新应用，对人工智能的炒作也达到了新的高度。尽管很多人相信当前发展的技术能够带来潜在价值，但让人无法忽视的是，围绕人工智能展开的宣传正在变得有些失控。
一些人工智能研究人员显然被激怒了。在神经信息处理系统会议期间，他们为名为Rocket AI的假人工智能初创公司举行了发布会，强调在现实的人工智能研究中日益增长的浮躁氛围和弄虚作假的手段。尽管这个骗局不太具有说服力，但仍然不失为引起关注的有趣方法。
一个实际问题是，如果没有重大突破，炒作不可避免地会引发失望情绪，让估值过高的初创公司倒闭，并导致大量资金蒸发。在2017年，可能会有一些对人工智能炒作机器的反击，但这也不一定就是坏事。
优质内容筛选与推荐>>1、JavaScript：ECMAScript 引用类型
2、SSH项目中文乱码解决
3、python 中numpy中函数hstack用法和作用
4、WINFORM UserControl鼠标出入更换背景
5、人工智能-常用python模块