深入探討人工智能的實際應(yīng)用

導(dǎo)讀：本文通過案例分門別類地深入探討人工智能的實際應(yīng)用。案例甚多，此處所列舉的僅是九牛一毛。本該按行業(yè)或業(yè)務(wù)對這些案例進(jìn)行分類，但相反我選擇按在行業(yè)或業(yè)務(wù)中最可能應(yīng)用的順序來分類。

本文將使用“算法”一詞，以高度簡化的方式來描述單個算法、模型或者使用多種算法的軟件。在每個類別中，逐一討論數(shù)據(jù)輸入的類型、作為黑箱的算法以及輸出（為了簡便易行，即使真實算法不是黑箱也暫且把它當(dāng)成黑箱）。

因為這是高層次的概述，所以我鼓勵你深入研究感興趣的具體應(yīng)用，搞清楚它們究竟是如何應(yīng)用于行業(yè)或者業(yè)務(wù)活動的。目前也有很多資源可供使用，以學(xué)習(xí)所涉及的技術(shù)細(xì)節(jié)和具體算法。

01 預(yù)測分析

預(yù)測是預(yù)測分析或者預(yù)測建模的同義詞，這是根據(jù)有標(biāo)簽，以及有時甚至無標(biāo)簽的輸入數(shù)據(jù)來判斷輸出數(shù)據(jù)的過程。在機器學(xué)習(xí)和人工智能中，預(yù)測分析可以進(jìn)一步細(xì)分為回歸和分類。

下面將對使用有標(biāo)簽數(shù)據(jù)（有監(jiān)督）進(jìn)行預(yù)測的兩個子類進(jìn)行討論。

1. 回歸

圖1-1展示了在回歸方法中輸入有標(biāo)簽數(shù)據(jù)，經(jīng)預(yù)測模型處理，然后從連續(xù)數(shù)列中生成數(shù)值的過程（例如股市的閉市價）。

▲圖1-1：回歸

應(yīng)用包括客戶全周期的股票價值和凈利潤、收入及其增長預(yù)測、價格變動、信貸違約風(fēng)險以及股票交易計算。

2. 分類

分類指的是輸入有標(biāo)簽數(shù)據(jù)，經(jīng)過分類模型處理后，把輸入數(shù)據(jù)分成一類或多類的過程，如圖1-2所示。

▲圖1-2：分類

垃圾郵件過濾器是二元分類應(yīng)用的標(biāo)準(zhǔn)案例。電子郵件是經(jīng)分類模型處理后的輸入數(shù)據(jù)，輸出數(shù)據(jù)是確定了的垃圾郵件或者非垃圾郵件，非垃圾郵件專指那些不含垃圾內(nèi)容的好郵件。垃圾郵件會被送入垃圾箱，而非垃圾郵件則被送入收件箱。

假如引入第三個類別“不確定”，那么分類器現(xiàn)在就可以把輸入的郵件分成三類。因為超過了兩個類別，所以這是多元分類的例子。在該例子中，電子郵件的客戶端可能有“疑似垃圾郵件”的文件夾供用戶審查每封郵件，并以此訓(xùn)練分類器更好地區(qū)分垃圾與非垃圾郵件。

如果要把輸入數(shù)據(jù)分成三類或更多類，那么算法可以為輸入數(shù)據(jù)選擇單一類別或者計算輸入數(shù)據(jù)屬于每個類別的概率。在后一種情況下，可以采用概率最大的類別作為選擇的結(jié)果，或者采用所有類別的概率來按你自己定制的規(guī)則處理。

在這種情況下，假定一封剛收到的郵件被確定有85%的可能性是垃圾郵件，10%的可能性是非垃圾郵件，5%的可能性為不確定。因為是垃圾郵件的可能性最高，因此可以判定該郵件為垃圾郵件，或者以其他方式來使用計算出的概率。

最后，某些算法可以為同一輸入分配多個標(biāo)簽。這里有一個與圖像識別相關(guān)的例子，假設(shè)輸入的數(shù)據(jù)是紅蘋果的圖像，那么算法可以為該圖像分配紅色、蘋果和水果等多個不同的標(biāo)簽。該案例為圖像分配所有三個類別的做法是合適的。

應(yīng)用包括信用風(fēng)險、貸款審批和客戶流失。分類可以與本文后續(xù)討論的識別應(yīng)用相結(jié)合。

02 個性化和推薦系統(tǒng)

推薦系統(tǒng)是依據(jù)現(xiàn)有信息進(jìn)行推薦的一種個性化形式，其結(jié)果與各個用戶甚為相關(guān)。其可以用來提高客戶轉(zhuǎn)化率、銷售率、滿意度和留存率。事實上，亞馬遜就是通過增加這些引擎把營業(yè)收入提高了35%, 75%的Netflix觀賞節(jié)目也來自于這樣的推薦。

推薦系統(tǒng)是一種特別的信息過濾系統(tǒng)。也可以通過用戶搜索、排名和評分的辦法來完成個性化。推薦系統(tǒng)根據(jù)諸如商品或者用戶等的輸入數(shù)據(jù)，經(jīng)過推薦模型或者引擎的處理來完成推薦（例如產(chǎn)品、文章、音樂、電影），如圖2所示。

▲圖2：推薦系統(tǒng)

值得一提的是與推薦系統(tǒng)相關(guān)的“冷啟動問題”。冷啟動是指智能應(yīng)用尚未擁有足夠的信息來為特定用戶或者群體做出高度個性化和關(guān)聯(lián)度的推薦。例如，用戶尚未產(chǎn)生關(guān)于它們的偏好、興趣或購買歷史的信息。

另一個例子是當(dāng)商品（例如衣服、產(chǎn)品、視頻、歌曲）剛剛面世的時候。有幾種技術(shù)有助于解決這個問題，但因篇幅所限就不深入討論了。

推薦系統(tǒng)應(yīng)用包括推薦產(chǎn)品、視頻、音樂、歌曲、書籍和電視節(jié)目（例如亞馬遜、Netflix、Spotify）。除了推薦以外，也包括個性化的內(nèi)容，包括新聞、報道、電郵和定向廣告（例如推特）。

其他的案例還包括個性化醫(yī)療計劃、個性化圖像和圖標(biāo)（例如YouTube、Netflix、Yelp）、葡萄酒推薦、個性化購物（例如完美的夾克衫搭配）、時尚穿搭（例如StitchFix）以及全套的自動化推薦。

03 計算機視覺

計算機視覺是一個廣闊的領(lǐng)域，它包括涉及諸如圖像和視頻之類視覺信息的模式識別（下一節(jié)將討論另外一種技術(shù)）。計算機視覺以照片、靜止的視頻圖像和一系列圖像（視頻）作為輸入，經(jīng)過模型的處理，產(chǎn)生輸出，如圖3所示。

▲圖3：計算機視覺

輸出可以是識別、檢測和發(fā)現(xiàn)某個目標(biāo)、特征或者活動。視覺相關(guān)的應(yīng)用隱含著一定程度的自動化，特別是自動化視覺，通常需要人在應(yīng)用中參與（例如檢查）。機器視覺一詞用來描述在工業(yè)應(yīng)用中的類似或者有一定重疊度的技術(shù)，諸如檢查、過程控制、測量和機器人。

計算機視覺有許多有趣而且強大的應(yīng)用，同時應(yīng)用場景也在快速增加。例如，可以在下述場景中使用計算機視覺：

視頻分析和內(nèi)容篩選

唇讀

指揮自動化機器（例如汽車和無人機）

視頻識別和描述

視頻字幕

識別像擁抱和握手之類的人際交互動作

機器人及其控制系統(tǒng)

人群密度估算

清點人數(shù)（例如排隊、基礎(chǔ)設(shè)施規(guī)劃、零售）

檢查與質(zhì)量控制

零售客戶步行路徑分析以及參與度分析

無人航空器（UAV）經(jīng)常被稱為無人機。通過應(yīng)用計算機視覺，無人機能夠執(zhí)行檢查（例如石油管道、無線信號塔）、完成建筑和區(qū)域搜索、幫助制作地圖和送貨。計算機視覺現(xiàn)在正廣泛應(yīng)用于公安、安保和監(jiān)控。當(dāng)然，這類應(yīng)用也要注意符合倫理道德，保護(hù)人們的利益。

計算機視覺還有最后一件事值得一提。通過看、聞、聽、觸和味五大感覺，人類能夠感知環(huán)境和周圍的世界。感官捕獲信息，然后傳遞到神經(jīng)系統(tǒng)進(jìn)行轉(zhuǎn)換，同時也決定應(yīng)該采取什么行動或者應(yīng)該做出什么樣的反應(yīng)。計算機視覺是對特定人工智能應(yīng)用視覺的一種類比。

04 模式識別

模式識別涉及輸入非結(jié)構(gòu)化數(shù)據(jù)，經(jīng)過模型處理，繼而檢測是否存在某種特定的模式（檢測），然后為識別出的模式分配一個類別（分類），或者發(fā)現(xiàn)所識別模式的主題（識別），如圖4-1所示。

▲圖4-1：模式識別

這些應(yīng)用的輸入可以包括圖像（包括視頻——一系列靜止的圖像）、音頻（例如講話、音樂和聲音）和文本。文本可以根據(jù)其特性進(jìn)一步細(xì)分為電子、手寫或者打?。ɡ缂?、支票、車牌號）。

以圖像為輸入的目的可能是檢測目標(biāo)、識別目標(biāo)、發(fā)現(xiàn)目標(biāo)，或者三者皆有。人臉識別就是一個好例子。訓(xùn)練模型來檢測圖像中的人臉，并對檢測到的目標(biāo)進(jìn)行分類，打上人的標(biāo)簽，這就是目標(biāo)檢測的例子，這里的目標(biāo)是未經(jīng)識別的人臉。

“檢測”用來指代所發(fā)現(xiàn)的不同于背景的目標(biāo)。其也包括對目標(biāo)位置的測量和圍繞被檢測目標(biāo)邊際框的具體測量。識別是指為檢測到的目標(biāo)分類或打標(biāo)簽的過程（在本案例中是人臉），識別會更進(jìn)一步，并為所識別的人臉分配一個身份。圖4-2呈現(xiàn)了一些圖像識別的案例。

▲圖4-2：圖像識別與檢測

諸如人臉識別這樣的生物特征識別技術(shù)可以用來為圖中的人自動打標(biāo)簽。生物特征識別的另外一種形式是根據(jù)指紋來識別。

其他的應(yīng)用包括：

讀出視頻和音頻中的文字

在圖像上打標(biāo)簽和分類

汽車保險中基于圖像來評估汽車受損程度

從視頻和音頻中提取信息

基于面部和聲音的情感識別

面部表情識別

音頻識別的應(yīng)用包括：

語音識別

將語音轉(zhuǎn)換為文本

分離并識別出講話者

基于聲音、實時客服和銷售電話的情感智能分析

伐木和森林砍伐聲音檢測

缺陷檢測（例如制造過程中的缺陷或零配件失效）

最后，手寫或打印的文本可以通過光學(xué)字符識別（OCR）和手寫字符識別轉(zhuǎn)換為電子文檔。文檔也可以轉(zhuǎn)換為語音，但這被認(rèn)為更可能是人工智能的生成性應(yīng)用，而不是識別性應(yīng)用。本文稍后會討論生成性應(yīng)用。

05 聚類和異常檢測

圖5中所示的聚類和異常檢測是兩種最常見的無監(jiān)督機器學(xué)習(xí)技術(shù)。它們也被認(rèn)為是模式識別技術(shù)。

▲圖5：聚類和異常檢測

這兩個過程都以無標(biāo)簽數(shù)據(jù)作為輸入，經(jīng)過相應(yīng)算法（聚類或異常檢測）的處理，在聚類的場景下完成分組，或者在異常檢測場景下確定是否屬于異常。我們首先討論聚類。

聚類把無標(biāo)簽數(shù)據(jù)中相似的數(shù)據(jù)聚合成組。具體的組數(shù)由完成聚類任務(wù)的人（通常是數(shù)據(jù)科學(xué)家）決定。并沒有絕對正確或者錯誤的組數(shù)，但對某一特定的應(yīng)用，通?？梢酝ㄟ^試錯來確定理想的組數(shù)。

因為數(shù)據(jù)沒有標(biāo)簽，所以聚類者必須為每組指定某種含義或標(biāo)簽以便清楚地描述（例如運動狂）。然后用模型把新數(shù)據(jù)分配給某個組，從而假定該組的標(biāo)簽或描述?？梢园堰@個過程想象成某種形式的預(yù)測分類，也就是為每個新數(shù)據(jù)點分配一個類（通過分組標(biāo)簽）。

把新數(shù)據(jù)點（例如客戶）分配給集群（細(xì)分市場），會為我們提供一種可以精準(zhǔn)定位、個性化以及策略性定位產(chǎn)品的更好方法，并可以用合適的方式來對每個細(xì)分市場的客戶進(jìn)行營銷。

聚類應(yīng)用包括細(xì)分和聚焦市場與客戶、三維醫(yī)療影像分析、按照購物習(xí)慣分類產(chǎn)品以及社交媒體分析?。

異常檢測是用來檢測異常數(shù)據(jù)（高度不尋常、偏離常規(guī)或畸形）模式的一種技術(shù)。異常檢測應(yīng)用包括基于音頻的缺陷和裂紋檢測、網(wǎng)絡(luò)安全、質(zhì)量控制（例如制造缺陷檢測）以及計算機與網(wǎng)絡(luò)系統(tǒng)健康（例如NASA的缺陷和錯誤檢測）。

在網(wǎng)絡(luò)安全的異常檢測應(yīng)用方面，常見的威脅包括惡意軟件、勒索軟件、計算機病毒、系統(tǒng)和內(nèi)存攻擊、拒絕服務(wù)（DoS）攻擊、網(wǎng)絡(luò)釣魚、不需要的程序執(zhí)行、憑據(jù)盜竊、數(shù)據(jù)傳輸和盜竊等。毋庸諱言，這方面的異常檢測場景層出不窮。

06 自然語言

自然語言是人工智能發(fā)展與應(yīng)用中非常有趣且令人激動的領(lǐng)域，通常分成三個子領(lǐng)域：自然語言處理（NLP）、自然語言生成（NLG）和自然語言理解（NLU）。讓我們分別進(jìn)行討論。

1. NLP

自然語言處理（NLP）輸入文本、語音或手寫形式的語言，經(jīng)過NLP算法處理后，輸出結(jié)構(gòu)化的數(shù)據(jù)，如圖6-1所示?，F(xiàn)在有很多潛在的NLP場景和輸出。

▲圖6-1：NLP

值得一提的是，有時NLP也被認(rèn)為是NLG和NLU的超集，因此人工智能自然語言應(yīng)用在總體上可以被認(rèn)為是NLP的一種形式。也有人認(rèn)為它是自然語言應(yīng)用的特定集合，我們正在討論的就是其中的一部分。

與NLP相關(guān)的具體任務(wù)和技術(shù)包括：

量化和目標(biāo)文本分析

語音識別（語音轉(zhuǎn)換為文本）

話題模型（例如話題以及文檔中討論的主題）

文本分類（例如電視劇《權(quán)利的游戲》）

情感分析（例如正面、負(fù)面、中性）

主體檢測（例如人、地點）

命名識別（例如大峽谷、邁爾斯·戴維斯）

語義相似性分析（例如不同詞和文本之間在總體上意思的相似性）

為部分語音打標(biāo)簽（例如名詞、動詞）

機器翻譯（例如英文到法文的翻譯）

一個具體的NLP應(yīng)用涉及公司會議錄音、文本轉(zhuǎn)換，然后提供會議總結(jié)，其中包括圍繞不同話題的分析和會議表現(xiàn)（https://www.chorus.ai）。

另外一個應(yīng)用采用NLP來對招聘面試進(jìn)行分析，并根據(jù)性別中立性、語調(diào)、措辭等因素給出整體評分。它還為提高評分和整體工作描述提供優(yōu)化建議。

其他的應(yīng)用還包括：

基于情感的新聞聚合

情感驅(qū)動的社會媒體調(diào)查以及品牌監(jiān)控

基于消息板的父母疫苗關(guān)注分析

電影評論和產(chǎn)品評論的情感分析

動物聲音轉(zhuǎn)換

現(xiàn)在有許多云服務(wù)提供商通過NLP服務(wù)和API接口來提供這方面的一些功能。

2. NLG

NLG以結(jié)構(gòu)化數(shù)據(jù)的形式來輸入語言，經(jīng)過NLG算法處理，產(chǎn)生對應(yīng)語言作為輸出，如圖6-2所示。這種語言輸出可以是文本或者文本轉(zhuǎn)換為語音的形式。結(jié)構(gòu)化輸入數(shù)據(jù)的案例可以是比賽中運動員情況的統(tǒng)計數(shù)據(jù)、廣告效果數(shù)據(jù)或者公司的財務(wù)數(shù)據(jù)。

▲圖6-2：NLG

應(yīng)用包括：

根據(jù)句子和文檔自動產(chǎn)生文本概述

https://arxiv.org/abs/1602.06023

https://arxiv.org/abs/1603.07252

簡要回顧（例如新聞和體育）

關(guān)于圖片的故事

業(yè)務(wù)分析報告概要

招聘人員參與醫(yī)院研究

自然語言形式的患者醫(yī)院賬單

夢幻足球選秀總結(jié)和每周比賽回顧

房產(chǎn)描述和房地產(chǎn)市場報告

與公司收入報告相關(guān)的新聞發(fā)布

安德烈·卡帕西創(chuàng)建的模型可以自動產(chǎn)生維基百科文章、嬰兒姓名、數(shù)學(xué)論文、計算機代碼和莎士比亞的模型。其他的應(yīng)用包括生成手寫文本甚至創(chuàng)作笑話。

3. NLU

最后，NLU以語言為輸入（文本、語音或手寫），經(jīng)過NLU算法的處理，產(chǎn)生可以被理解的語言作為輸出，如圖6-3所示。所產(chǎn)生的可理解語言可以用來采取行動、生成響應(yīng)、回答問題、進(jìn)行對話等。

▲圖6-3：NLU

“理解”一詞可以非常深奧且具有哲學(xué)性質(zhì)，并會涉及領(lǐng)悟的概念，注意到這一點非常重要。理解所指的能力，往往不僅是領(lǐng)悟信息（與死記硬背相反），而且是把理解的信息與現(xiàn)存知識整合，并以此作為不斷增長的知識基礎(chǔ)。

缺乏與人類相似的語言理解和領(lǐng)悟是今天基于自然語言的人工智能應(yīng)用的一大缺憾，其根源在于讓機器獲取與人類相似的語言理解能力難于上青天。還記得前面關(guān)于人工智能現(xiàn)狀和人工智能難題的討論嗎？這就是一個明證。

在不進(jìn)行全面哲學(xué)討論的情況下，讓我們僅用術(shù)語“理解”來表示算法（重申，大大簡化）能夠?qū)斎胝Z言做更多的工作，而不僅是解析并執(zhí)行簡單的任務(wù)，如文本分析。NLU要解決的問題顯然比NLP和NLG（普通人工智能問題）難得多，而且NLU是實現(xiàn)通用人工智能（AGI）的主要基本組成。

目前的NLU日臻完善，已經(jīng)有了包括個人虛擬助理、聊天機器人、客戶成功（支持與服務(wù)）代理、銷售代理等在內(nèi)的應(yīng)用。這些應(yīng)用通常包括某些形式的手寫內(nèi)容或語音對話，經(jīng)常圍繞著信息搜集、問題解答或者某些協(xié)助性工具。

個人助理的具體應(yīng)用案例包括諸如亞馬遜的Alexa、蘋果的Siri、谷歌的Assistant以及Nuance的Nina。聊天機器人的應(yīng)用案例包括潤滑油專家、工作面試、學(xué)生貸款顧問和商業(yè)保險專家。這是人工智能研究非?；钴S和有潛在發(fā)展空間的領(lǐng)域，絕對值得關(guān)注。

07 時間序列和基于序列的數(shù)據(jù)

多數(shù)情況下，數(shù)據(jù)都是按照序列采集的，因此數(shù)據(jù)的序列極為重要而且由特定索引所確定。

最為常見的數(shù)據(jù)序列索引是時間，按時間排序的數(shù)據(jù)被稱為時間序列數(shù)據(jù)。每天交易時段股票的價格波動、DNA序列、物聯(lián)網(wǎng)傳感器數(shù)據(jù)，以及諸如風(fēng)向等科學(xué)現(xiàn)象，都是時間序列的好例子。

時間序列分析和建?？捎糜趯W(xué)習(xí)、判斷和預(yù)測基于時間的事件，包括趨勢、季節(jié)變動、循環(huán)和噪聲。

對某些特定應(yīng)用，字母和單詞的序列也是有效的序列數(shù)據(jù)，這些序列被打上不同的標(biāo)簽，諸如n-grams、skip-grams、句子、段落，甚至語言本身，其中語言是以語音、文字或者電子的方式來表達(dá)的。另外，音頻和視頻也是序列數(shù)據(jù)。

應(yīng)用包括：

預(yù)測（回歸與分類）

異常檢測

預(yù)測貨幣的未來兌換率

健康趨勢的實時追蹤

市場預(yù)測

天氣預(yù)報

基于序列的推薦

情感分析

DNA測序

文本生成

序列到序列的預(yù)測（如機器翻譯）

08 信息搜索、提取、排序和評分

許多強大的人工智能應(yīng)用都圍繞著信息的搜索、提取和排序（評分）。這特別適用于非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)，例如文本文檔、網(wǎng)頁、圖像和視頻。

可以使用這類數(shù)據(jù)（有時候輔以結(jié)構(gòu)化數(shù)據(jù)）來提取信息、提供搜索或優(yōu)化處理推薦，以及按照相關(guān)性、重要性或優(yōu)先級來對條目進(jìn)行排序或評分。這組技術(shù)大多都與個性化有關(guān)，因為搜索結(jié)果和其他條目可以按照針對某個用戶或群體的相關(guān)性的大小排列或排序。

目前，有許多搜索任務(wù)都是通過鍵盤輸入或者語音提供給諸如谷歌這樣的搜索引擎，該引擎使用谷歌獨有的人工智能搜索算法。電子商務(wù)應(yīng)用也使用他們自己的引擎來搜索產(chǎn)品，搜索過程可以由文本、聲音（語音）及視覺輸入驅(qū)動。

文本搜索包括谷歌搜索、微軟的Bing，以及分布式、透明和社區(qū)驅(qū)動的搜索。

基于聲音和圖像的搜索應(yīng)用包括：

衣服和時裝搜索

歌曲和藝術(shù)家搜索

Pinterest鏡頭搜索

圖像和視頻搜索

字體搜索

視頻搜索基于圖像內(nèi)容進(jìn)行搜索。早就有購物應(yīng)用采取這種方式。用戶把拍攝的照片提交給視頻搜索引擎。接著用照片產(chǎn)生相似性搜索結(jié)果，諸如衣服。有些圖像引擎也能以視覺方式展示相似的其他產(chǎn)品和推薦。

除了分類技術(shù)以外，還有排序和評分技術(shù)，包括下述這些應(yīng)用：

銷售線索評分

信息與文檔檢索（例如網(wǎng)頁搜索）

機器翻譯

致病基因搜索與發(fā)現(xiàn)

測定蛋白質(zhì)的順序結(jié)構(gòu)

09 強化學(xué)習(xí)

強化學(xué)習(xí)（RL）與這里迄今描述過的人工智能技術(shù)迥然不同（簡單回想一下前面提到的人類學(xué)習(xí)的方法）?；镜南敕ㄊ怯幸粋€代理在虛擬環(huán)境中行動以獲得積極的回報。每個動作都會引起環(huán)境狀態(tài)的變化，而且每個動作都由稱為策略的模型來決定。策略嘗試確定在給定狀態(tài)下要采取的最佳操作。

如果暫時不理解請別擔(dān)心；我會舉個例子，希望能解釋得更清楚。圖9很形象地展示了強化學(xué)習(xí)。

▲圖9：強化學(xué)習(xí)

你可以考慮以游戲《吃豆女士》（Ms. Pac-Man，為何不是Ms. Pac-Woman?）為例。吃豆女士的目標(biāo)是吃掉屏幕上所有的點，但是更大的目標(biāo)是從可能吃掉的點中獲得最多的分?jǐn)?shù)。為什么得分最多才是真正的目標(biāo)？或者說為什么要玩這個游戲？

首先，得分越多，能得到的自由生命就越長，自由生命越長就能玩得越久，就可以繼續(xù)積累更多的分?jǐn)?shù)。其次，如果能完成比賽或者創(chuàng)造世界紀(jì)錄，就能獲得正式的“吹牛權(quán)”，誰不希望呢？

在這種情況下，得分是獎勵，吃豆女士是代理，環(huán)境是屏幕，參與其中的人（玩家）是通過操縱游戲控制桿決定采取行動的策略。

當(dāng)然環(huán)境是有狀態(tài)的。有一個普通的不易察覺的情況，那就是在吃豆女士吃屏幕上的點和水果時，必須躲開追趕她的幽靈，還有一個不可戰(zhàn)勝的情況，那就是當(dāng)吃豆女士吃了無敵藥丸（我不知道它到底叫什么）后，她就可以吃掉幽靈從而得到很多額外的分。

決定無敵與非無敵的是環(huán)境狀態(tài)的變化，也是代理人在環(huán)境中能力的變化。

值得一提的是，在人們玩《吃豆女士》游戲的過程中，有時會受完成屏幕目標(biāo)的驅(qū)使，盡可能打通更多關(guān)卡而不是得最多分。在這種情況下，人們只會使用無敵狀態(tài)來加速，吃盡可能多的不受阻礙的點，可能不會通過吃幽靈來得到最多分。

假設(shè)你有強化學(xué)習(xí)應(yīng)用，目標(biāo)是得最多分。在這種情況下，應(yīng)用將嘗試學(xué)習(xí)如何做到這一點，也就是吃盡可能多的幽靈和水果。

還有一件事要提，得分是一種積極的回報。碰到幽靈喪命是一種消極的回報。隨著時間的推移，強化應(yīng)用應(yīng)該嘗試最大化得分和最小化生命損失。盡管這個例子是在游戲場景中構(gòu)建的，但是我們可以通過許多其他的方式來使用強化學(xué)習(xí)。

應(yīng)用包括：

擊敗圍棋世界冠軍

找到神經(jīng)網(wǎng)絡(luò)的最佳配置

機器人技術(shù)

優(yōu)化藥物劑量

優(yōu)化交通信號控制

優(yōu)化化學(xué)反應(yīng)

自動駕駛

10 混合、自動化與其他

實際應(yīng)用的最后一節(jié)指出了一些應(yīng)用，因為涉及多種組合技術(shù)，或者不適合已經(jīng)討論過的任何類別，所以將它們歸類為混合或雜項。

應(yīng)用案例包括：

自動駕駛汽車和車隊以及自動駕駛航天飛機

實時飛行路線預(yù)測和空中交通優(yōu)化

無人駕駛賽車

倉庫物流和揀配自動化

狗和類人機器人

機器人類人的巧手

珊瑚礁監(jiān)測水母機器人

醫(yī)院病患護(hù)理工作自動化

疾病暴發(fā)預(yù)測

減少冷卻費用

天氣預(yù)報

自動化會議協(xié)調(diào)

預(yù)測維護(hù)

與物聯(lián)網(wǎng)相關(guān)的智能系統(tǒng)

人工智能開發(fā)的另一個真正有趣的領(lǐng)域是生成性應(yīng)用，基本上指能從特定類型輸入為給定應(yīng)用生成某些東西的人工智能。包括下面這些例子：

根據(jù)文本生成圖像

生成圖像和圖像區(qū)域描述

生成星系和火山的圖像

根據(jù)草圖生成圖像

根據(jù)歌曲的特點生成音樂

生成多樣化的聲音和語音

合成唱歌

根據(jù)設(shè)計模型生成軟件代碼

根據(jù)文本生成視頻

其他的應(yīng)用包括風(fēng)格轉(zhuǎn)換（例如普通圖像轉(zhuǎn)換，使梵高或畢加索風(fēng)格的“藝術(shù)”再現(xiàn)）。還有一種被稱為超分辨率成像技術(shù)，通過生成缺失的三維圖像數(shù)據(jù)，將二維圖像轉(zhuǎn)換為三維圖像。最后，圖像自動著色是另一個有趣的人工智能應(yīng)用。

責(zé)任編輯：YYX