人工智能快速发展，目前的人工智能处于什么阶段？

人工智能现在处于什么阶段？

卷积神经网络（CNNs）具有分层结构，图像通过(训练过的)卷积滤波器采样到低分辨率映射中，表示每个点上的卷积计算值。从图像的角度来看，它是从高分辨率像素到特征(边缘、圆形、……)，再到粗糙的特征(鼻子、眼睛、嘴唇……)，再到能够识别图像内容的完整连接层。CNNS很酷，它的卷积滤波器是随机初始化的，当你训练网络时，你实际上是在训练卷积滤波器。几十年来，计算机视觉研究人员一直在手工制作类似的滤波器，但不能像CNNS那样准确。此外，CNN的输出可以是2D图，而不是单个值，从而为我们提供图像分割。CNNS也可用于许多其他类型的1D、2D甚至3D数据。

在我们的迷宫案例中，代理商可以首先通过迷宫选择一个方向，并使用现有的概率策略。当它达到死胡同时，惩罚它选择的路径（降低每个单元移动这个方向的概率）。如果找到出口，我们将增加每个单元移动方向的概率作为奖励。随着时间的推移，代理商通过学习找到了最快的方法。这种强化学习的变化是AlphaGoAI和Atari电子游戏AI的核心。

最后值得注意的是GANS(生成对抗网络)，它更多的是一种技术而不是架构。目前，它与CNNS一起用于制作图像识别器和发生器。识别器是通过训练识别图像的CNN，生成器是一个反向网络，它使用随机种子生成图像。识别器评估发生器的输出，并向发生器发送关于如何改进的信号。发生器依次向识别器发送信号，以提高其准确性，并在零和游戏中玩游戏（zero-sumgame）反复往返，直到两者收敛到最佳质量。这是一种为神经系统提供自我强化反馈的方法。

当然，所有这些方法和其他方法都有丰富的变化和组合，但一旦你试图将它们用于特定问题以外的问题，这些技术有时是无效的。对于实际问题，即使你可以扩展和重新设计网络拓扑并调整它们，它们有时也不会增加性能。通常我们只是没有足够的数据来训练它们，以使它们在部署中更准确。

同样，许多应用程序需要将各种DL技术结合起来，并找到整合它们的方法。一个简单的例子是视频标记——你通过CNN传输视频帧，在顶部有一个RNN来捕捉这些视频中与时间相关的行为。我曾经帮助研究人员用这种技术识别肢体瘫痪者的面部表情，并命令他们的轮椅和机器假肢，每个指令对应不同的面部表情/手势。这有一定的效果，但是当你扩大规模的时候，开发和训练可能会花费更多的时间，变得非常困难。因为你现在必须调整两种不同类型的DL网络，有时很难知道这些调整会产生什么影响。

现在想象一下，你有多个CNN/RN网络提供输出，一个深度强化的学习引擎决定输入状态，然后驱动生成网络产生输出。事实上，许多特定的DL技术组合在一起完成一组任务。可以说这是“魔鬼式”的疯狂调参。它会奏效吗？我不知道这样开始工作需要很多钱和时间，我也不确定它是否能很好地训练，甚至在实际情况下训练。

我个人认为，我们目前的DL技术代表了简化大脑网络和神经系统工作的子集。虽然我们称之为“神经”，但事实并非如此。它们都是专门用于特定任务的。

事实上，大多数训练DL或人工智能的人都没有意识到，“神经网络”和“神经元”只是更大、更丰富的合成神经元、神经网络和方法。我们今天在DL中使用的大多数人都是分层的。我们的网络和CNN是前馈神经网络的一小部分，只是简单地加权输入每个节点，并使用简单的传输函数将结果传输到下一层。

这不是大脑处理的方式，甚至RNN和强化学习也没有给我们真正的人工智能，只是将非常大和复杂的函数参数拟合到大量的数据中，并使用统计数据找到模式并做出决定。