利用神经网络加速AI的力量

使用图灵测试作为预选赛，人工智能(AI)被定义为一种软件解决方案，可以与人为领域的专家相提并论。当IBM的Watson系统与前Jeopardy冠军一起玩Jeopardy时，世界上很多地方都看到了AI的第一个真实例子。现在，深度学习使解决方案能够与医生相媲美地解释MRI图像，并与人类驾驶员相媲美地操作公共汽车(例如，拉斯维加斯自动驾驶班车)。

机器学习(ML)是AI的基本基础，它由用于构建AI解决方案的算法和数据集组成。为了创建可以通过图灵测试的真实AI系统，ML子集必须通过新数据集和算法的不断开发而不断得到改进。尽管ML工具箱中已有许多种不同的算法，但数十年来，由于具有大量标注的数据，深度学习和神经网络算法才在性能上取得了重大飞跃，直到最近(大约2014年)用于培训和低成本计算和存储的设备。

由于计算，存储和分布式计算基础架构的快速改进，机器学习已发展成为更复杂的结构化模型，例如深度学习(DL)，生成对抗网络(GAN)和强化学习(RL)–全部使用神经网络。监督神经网络是一种算法，可以在经过标记数据训练后，根据图像或模式识别来区分和做出判断。神经网络的概念已经存在了40多年了，但是在2014年左右，深度学习和神经网络开始扰乱不同的细分市场，使我们更接近通过图灵测试。得益于今天的数据收集功能和大量的数据，神经网络是成功执行ML的驱动趋势之一。

深度学习是指一组基于人工神经网络的ML模型，该模型模仿神经元和人脑神经网络的工作机制。流行的神经网络模型有两种：卷积神经网络(CNN)模型和递归神经网络(RNN)模型，该模型广泛用于与图像相关的各种应用中，例如自动驾驶，机器人，图像搜索等。它可以为大多数基于自然语言处理(NLP)的文本或语音应用程序提供支持，例如聊天机器人，虚拟家庭和办公室助手以及同声传译器。

生成对抗网络(GAN)是一种ML技术，由两个深度神经网络在零和游戏框架中相互竞争组成。GAN通常以无人监督的方式运行;因此，它可以帮助减少深度学习模型对标记训练数据量的依赖性。

NLP是另一个推动机器学习进步的算法趋势，特别是在虚拟家庭和办公室助手领域。与神经网络类似，NLP是基于算法的基于语音和单词的识别。随着越来越多的AI公司采用这些趋势并在其ML基础之上执行，它们将会成功。