各位老铁们好，相信很多人对讨论人工智能的未来方向都不是特别的了解，因此呢，今天就来为大家分享下关于讨论人工智能的未来方向以及讨论人工智能的未来方向是什么的问题知识，还望可以帮助大家，解决大家的一些困惑，下面一起来看看吧！
本文目录
人工智能主要发展方向是那些业务？
小编觉得从人工智能的应用出发，就可以了解人工智能的具体业务。
自动驾驶通过人工智能处理视觉图像声音以及雷达探测到的信息进行自动驾驶，目前自动驾驶的分级分为5各级别，L1依靠汽车雷达实行探测与前车的实时距离自动控制加减速，从而保持与前车的安全距离。L2配备了车道偏离系统同时可以实现自动变道。L3道路环境的观察者由人变更为系统，系统已经完全能够识别出直线、弯道、红绿灯、限速路牌，路上行走奔跑的人猫狗等等各种环境。L4情况下人只需要在极端天气下进行决策。L5情况下人只要在里面就行了。
AI投资贝莱德集团正是全球最大的资产管理公司，对于公司的主动型基金业务，进行了重新安排，首先做的就是辞退一些主动型基金经理，取而代之的就是引入量化投资，人工智能和量化投资又简直是天作之合，未来主动投资和量化投资的竞争谁赢谁输还尘埃未定。
AI医疗人工智能在医疗领域的应用也相当丰富，从应用场景来看，主要分成了虚拟助理、医学影像、药物挖掘、营养学等四大方面。通过类似SIRI的人工智能助手，减少了我们就医的成本，也减少了医生的负担；人工智能在医学影像的应用可以大大减少对于这类专业医生的需求，同时也提升了影片识别的精度；人工智能可以提升医药的研发进程；最后也能带给我们更加精准合理的营养学建议。
当然这仅仅是一部分目前的应用，未来人工智能的应用场景会更广
人工智能的发展方向
我认为人工智能发展方向是拟人化
未来人工智能会更先进，到时我们人类的需求也会更高，比如也许将来会出现机器人保姆，机器人工人，但是同时，如果人工智能拥有了感情，意识，也会是一件非常可怕的事情
人工智能的下一个发展方向是什么？
可以参考YannLeCun在IJCAI2018上的演讲。今年的人工智能顶会IJCAI2018在瑞典首都斯德哥尔摩举办。期间，Facebook首席人工智能科学家、纽约大学教授YannLeCun在会上发表了近一个小时，以《LearningWorldModels:theNextSteptowardsAI》为主题的演讲，引起了人们的广泛关注。本文将对LeCun的演讲进行简要介绍。
完整演讲视频：https://www.facebook.com/ijcaiecai18/videos/2184672041673770/
YannLeCun开场介绍说，当前几乎所有的机器学习从业者在实践中使用的都是监督式学习：向机器展示大量的样本，然后告诉机器正确的答案与内部参数，然后就能做图像识别之类的任务。而过去几年，监督式学习有了极大的成功，应用也非常广泛。下图对比了传统机器学习与深度学习各自的特点。
深度学习的演讲回溯到20世纪50年代，当时AI社区尝试构建神经网络。建立这样略为复杂的系统，你需要两个基础的运算：线性的加权和与非线性的激活函数。这里，YannLeCun回顾了他们在80年代末期提出的用来识别数字的卷积神经网络LeNet5，从最初的识别单个目标发展到了识别多个目标。
很快，他们就建立了一个识别手写文件的系统。在1995年，他们在AT&T完成了一个商业系统来读取支票账号。经历了如下图展示的过程。YannLeCun介绍了，这是上一波人工智能浪潮下的极大成功示例。之后，人们就对神经网络的研究失去了兴趣。一方面是准确率的原因，还因为很多领域当时没有足够多的数据来训练学习系统。
接着，YannLeCun介绍说，实际上在1996-2001年这段时间内，他并没有研究机器学习，而是在研究其它东西，尤其是图像压缩。
下图是在21世纪初加入NYU之后用模仿学习做的研究。这个研究激发了DARPA的LAGR项目。
YannLeCun随后回顾了卷积神经网络在不同任务中的应用，包括用于自动驾驶汽车的目标检测与语义分割等。这些基于视觉的任务绝大部分都需要卷积神经网络的支持，当然也离不开并行计算设备的支持。
第一个得到广泛关注与应用的卷积神经网络是2012年提出来的AlexNet，它相比于LeNet-5最大的特点是使用更深的卷积网络和GPU进行并行运算。AlexNet还应用了非常多的方法来提升模型性能，包括第一次使用ReLU非线性激活函数、第一次使用Dropout以及大量数据增强而实现网络的正则化。除此之外，AlexNet还使用了带动量的随机梯度下降、L2权重衰减以及CNN的集成方法，这些方法现在都成为了卷积网络不可或缺的模块。
随后在ImageNet挑战赛中，卷积网络的深度与性能都逐年提升。从12年到16年，参赛者使用的卷积神经网络不断加深，错误率也逐年下降。
如下所示，牛津大学2014年提出了另一种深度卷积网络VGG-Net，与AlexNet相比，它的卷积核更小，层级更深。谷歌同年提出了GoogLeNet（或Inception-v1），该网络共有22层，且包含了非常高效的Inception模块。后来到了15年，何恺明等人提出的深度残差网络骤然将网络深度由十几二十层提升到152层，且性能大幅提高。
此外，去年提出的DenseNet进一步解决了ResNet遗留下的梯度问题，并获得了CVPR2017的最佳论文。DenseNet的目标是提升网络层级间信息流与梯度流的效率，并提高参数效率。它也如同ResNet那样连接前层特征图与后层特征图，但DenseNet并不会像ResNet那样对两个特征图求和，而是直接将特征图按深度相互拼接在一起。
那么为什么卷积神经网络在计算机视觉任务上如此高效？YannLeCun随后就对深度卷积网络的表征方式做了介绍。他表明对于图像数据来说，数据的信息与结构在语义层面上都是组合性的，整体图像的语义是由局部抽象特征组合而成。因此深度网络这种层级表征结构能依次从简单特征组合成复杂的抽象特征，如下我们可以用线段等简单特征组合成简单形状，再进一步组合成图像各部位的特征。
卷积神经网络在目标识别、目标检测、语义分割和图像描述等领域都有非常多的应用，而这些实现很多都依赖于深度学习框架。LeCun随后重点介绍了PyTorch与Detectron，其中PyTorch因为采用了动态计算图而受到了广泛的关注，它也是当前发展最快的框架之一。
如下所示，FacebookAI研究院开源的Detectron基本上是业内最佳水平的目标检测平台。据LeCun介绍，该项目自2016年7月启动，构建于Caffe2之上，目前支持目标检测与语义分割算法，其中包括MaskR-CNN（何恺明的研究，ICCV2017最佳论文）和FocalLossforDenseObjectDetection（ICCV2017最佳学生论文）等优秀的模型。
最后，作为对卷积神经网络的总结，LeCun带我们回顾了卷积神经网络的应用，包括医疗影像分析、自动驾驶、机器翻译、文本理解、视频游戏和其它学科研究。
YannLeCun谈到当前深度学习缺乏推理能力，因此未来的一个重点发展方向就是深度学习和推理的结合。
人们已经在多个方向上进行尝试。例如，在网络中增加记忆增强模块，典型的工作在下图中列出，这是实现推理的第一步。在对话模型中，由于对话的轮换和非连续的特点，通过增强记忆，有助于预测能力的提高，进而能实现长期而有效的对话。
为什么要强调记忆建模的重要性呢？在强化学习中，无模型的强化学习训练需要大量的尝试才能学会一项任务。
因此此类方法在游戏中表现良好，如FAIR、DeepMind、OpenAI等之前都已在许多游戏上实现接近甚至超越人类的AI系统，但这些系统并没有达到现实应用的水平。
因为现实环境远远比游戏中的环境要复杂得多，无论是变量复杂度还是不确定性方面，对此，无模型的强化学习系统面对的探索空间是相当巨大的。而且，不像AlphaGo那样可以在计算机上模拟成千上万次比赛，现实世界环境是无法被「加速」的，有些试验还涉及很大的风险，这也大大限制了系统的训练资源。
那么目前来看，人工智能到底缺少了什么？监督学习需要太多的样本，强化学习需要太多的尝试，AI系统缺乏常识。
YannLeCun总结了一下这两类系统的缺点：缺乏独立于任务的背景知识；缺乏常识；缺乏预测行为后果的能力；缺乏长期规划和推理的能力。简言之就是：没有世界模型；没有关于世界运行的通用背景知识。用更一般的语言来讲就是，目前的机器无法在心里想象（表征）世界，而只是像僵尸一样被气味驱使着（无意识地）行动。记忆建模只是一方面，建立完整的世界表征才是我们真正需要的。
在现实应用层面，YannLeCun总结道，利用现有的监督学习和强化学习技术，我们可以在自驾汽车、医疗图像分析、个性化医疗、语言翻译、聊天机器人（有用但还很蠢）、信息搜索、信息检索、信息过滤以及其它领域中取得不错的进展，但仍然无法实现常识推理、智能个人助理、智能聊天机器人、家庭机器人以及通用人工智能等。
然后，YannLeCun指出我们可以从婴儿的学习方式上获得启发。婴儿对外部世界的概念学习大部分是通过观察，仅有小部分是通过交互，而视觉比触觉、体感等能捕获更多、更完整的外部信息。那么机器如何做到这一点？其实，这种情况不止发生在人身上，动物也是如此。LeCun随后展示了一幅婴儿和大猩猩观看魔术的图，并解释说，当违反世界模型，也就是当我们观察到一些不寻常、与世界模型不匹配的东西时，我们的注意力就会被调动（如婴儿和大猩猩看到魔术表演会大笑就是因为世界模型被违反了）。
接下来，LeCun解释了突破强化学习现状的解决方法：自监督学习，它能通过输入的某一部分预测其它部分。在空间层面上包括图像补全、图像变换等，在时间层面上包括时序数据预测、视频帧预测等。
YannLeCun总结了三类学习范式，分别是强化学习、监督学习和自监督学习，相比于强化学习和监督学习，自监督学习将输入和输出当成完整的整体。它们的区别和联系在于反馈信息的逐渐增多，模型表征复杂度、适用任务类型也大幅增加，同时任务中涉及的人类工程比重也大大减少，意味着自动化程度的增加。
LeCun还用之前经常使用的蛋糕比喻来说明三者的关系，之前蛋糕胚代表的是无监督学习，现在则被换成自监督学习。
Hinton在自监督学习领域探索了多年，LeCun之前一直持怀疑态度，现在终于认可了这个方向。
机器学习的未来不会是监督学习，当然也不会纯粹是强化学习，它应该是包含了深度模块的自监督学习。
那么下一个问题是，自监督学习能够产生一般的背景知识吗？这里重点是模型需要推断出背景知识，它需要从真实世界收集的背景知识推理出当前它希望预测的任务。如下LeCun举了一个例子，如果接收到一个自然语句，模型应该推断出当前场景的各种背景知识。
对于基于模型的经典最优控制，我们可能需要初始化一个序列来模拟世界，并通过梯度下降调整控制序列来最优化目标函数。而目前我们可以通过强化学习的方式模拟世界，这些模型不仅需要预测下一个可能的动作，同时还需要预测一系列可能的未来。
接下来YannLeCun介绍了使用对抗训练的视频预测。他首先展示了预测无监督学习。人类是很擅长预测的，然而机器很难预测未来会发生什么。近年来的研究中出现了一些使用「对抗训练」的成功案例，但是仍有很长的路要走。YannLeCun用一个纽约公寓的视频示例进行举例说明。
语义分割空间的视频预测
这部分YannLeCun介绍了当前语义分割预测的现状。
Latent-VariableForwardModelsforPlanningandLearningPolicies
下图展示了用于推断动作和潜在变量的模型架构。
然后YannLecun展示了一个现实世界的真实案例。
最后，YannLecun总结了技术和科学之间的互相驱动和促进，如望远镜和光学、蒸汽机和热力学、计算机和计算机科学等。并提出了疑问：什么相当于智能的「热力学」？
人工智能和自然智能背后是否存在底层原则？
学习背后是否存在简单的准则？
大脑是否是进化产生的大量「hack」的集合？
ai现在有几个发展大方向？
诚邀！很荣幸能够在这里为你解答这个问题，希望以下为你的解答能对你有所帮助！我绝大，近年来，随着人工智能越来越声势浩大，AI已经成为科学界、物联网等领域的主角。
人工智能(ArtificialIntelligence)，简称AI。而我们说的AI其实就是在研究、发展和扩展人类智能理论、方法、技术和应用系统是一门新兴的技术科学。
AI未来的几个发现方向：
1、手机植入AI功能
现在的手机芯片处理能力已经达到强悍的地位了，只有进一步发展才能突破瓶颈的，那么植入A将会是一个主流的发展放向，通过模拟大脑的神经元系统达到自主学习的行为，不断学习地用户使用习惯。而现阶段主流的ARM架构处理器速度不够快，若要进行大量的图像运算仍嫌不足，所以未来的手机芯片一定会内建AI运算核心，在业界，华为最新推出的麒麟980和骁龙855芯片都带AI功能。
2、AI植入医疗健康行业
医疗健康始终跟人们生活息息相关，现阶段的医疗水平还是有很多待突破的地方，只有不断提高医疗设备的水平，才能保证对疾病绝对地掌控，以技术为主辅助医疗诊断是“AI+医疗”的主要模式，相较于过去移动医疗所侧重的为医生量身打造所需要的技术，“AI+医疗”显然更加接地气，不在一味的吹嘘技术的先进性，借助先进的人工智能技术，系统在短时间内处理海量数据，并对病人做出愈加准确的诊断，进而精准改善疾病诊断、医疗人员与患者之间人力的不平衡、降低医疗成本、促进跨行业合作关系。
3、AI成为人机交互的载体
现在的手机或电脑时代，用户接口还是要通过透过屏幕或键盘来互动，但随着VR、AR、5G等技术的发展，人们可以能够很轻松自在与运算系统沟通，这表示着人工智能透过自然语言处理与机器学习让技术变得更为直观，也变得较易操控，或许未来将可以取代屏幕在用户接口与用户体验的地位。
总结
以现在科学的发展趋势来看，物联网、VR、AR、5G等技术日渐发展成熟，将带动新一波半导体产业的新一个时代，但这些技术都要依靠着AI技术的支持或配合，所以未来需要AI，AI也需要未来。
在以上的分享关于AI的解答都是个人的意见与建议，我希望我分享的这个问题的解答能够帮助到大家。在这里同时也希望大家能够喜欢我的分享,如果有不对之处，敬请指出，如果觉得还OK，请留下你的赞和关注。
讨论人工智能的未来方向和讨论人工智能的未来方向是什么的问题分享结束啦，以上的文章解决了您的问题吗？欢迎您下次再来哦！
推荐阅读美国担心人工智能领域(美国人工智能出问题)
创业人工智能领域，创业人工智能领域包括
mit 人工智能领域(mit首次提出人工智能)
小米人工智能领域加盟，小米人工智能家居加盟
人工智能领域工程 人工智能领域工程有哪些
医疗人工智能领域 医疗人工智能领域包括
医疗领域人工智能融资(医疗领域人工智能融资现状)
人工智能领域规范，人工智能领域规范文件