应用：对新环境有举一反三能力的学习性智能体(agent)；机械臂控制、自动驾驶、时序预测（金融、视频、物联网）；自然语言理解和预测

公司：Google DeepMind, NNaisense, SwiftKey/Microsoft Research

　　4、从更少的数据中学习、建造更小的模型

　　众所周知，深度学习需要庞大的数据来进行训练，比如ImageNet的视觉识别大赛，每支队伍需要识别120万张1000种类别的人工标注的图像。如果没有大规模的数据训练，atv，深度学习模型无法使用，也无法完成语音识别和机器翻译这类的复杂任务。

　　在解决端到端的问题时，单一神经网络训练所需的数据量只会越来越多，例如从音频录音中识别语音文本。

　　和使用多个不同神经网络处理不同人物的组合不同（音频→发音→单词→文本输出）。

　　如果要让AI解决一个数据有限、数据成本很高或者获取十分耗时的任务时，能从小样本中学习最优解决方法的模型十分重要。用小量数据进行训练有很多挑战，一个替代的方法把之前机器学习模型知识转移到新的模型上，这叫做转移学习（transfer learning）。

　　● 应用：训练浅层网络来模拟在大规模数据集上训练好的神经网络；与深度网络模型表现相同、但参数更少的模型；机器翻译。

　　● 公司：Geometric Intelligence/Uber, DeepScale.ai, Microsoft Research, Curious AI Company, Google, Bloomsbury AI

　　5、用于训练和推理的硬件

　　AI发展的一个主要催化剂是将GPU用于训练大规模神经网络。训练神经网络需要大量的运算量，GPU用于训练远远快于CPU。自从2012年首个使用GPU的深度神经网络AlexNet出现后，GPU 成为了训练神经网络的首选。在2017年英伟达继续领跑这一领域，而英特尔、高通、超微和谷歌紧随其后。

　　GPU最初并不是为了机器学习而制作的，而是用于渲染电子游戏画面。GPU计算精度很高，并且不会经常遭遇内存带宽的限制和数据溢出的问题。有一批专为深度学习定制芯片的创业公司，Google又开发了针对高维机器学习应用的芯片。新型的芯片内存宽带更高、计算能力更强、能耗更低。提高AI系统运算能力为AI公司和用户带来的好处是：更快更高效的训练模型→更好的用户体验→用户更多使用产品→产生更多的数据→数据帮助优化模型。因此，谁能够更快、更高效的训练和部署AI模型，就能拥有巨大的优势。

应用：快速训练模型（尤其是图片领域）、进行预测时的能源和数据效率、运行前沿AI系统（物联网设备）、随时可进行语音交互的物联网设备、云基础设施服务、自动驾驶汽车、无人机、机器人。

公司：Graphcore, Cerebras, Isocline Engineering, Google (TPU), NVIDIA (DGX-1), Nervana Systems (Intel), Movidius (Intel), Scortex

　　6、模拟环境

　　如前文所述，为AI系统生成训练数据通常是一个挑战。而且如果要能在现实世界应用，AI需要概括各种情况。因此，开发模拟真实世界物理和行为模型的数字环境需要能够衡量和训练AI通用能力的试验环境。在模拟环境中进行训练有助于我们更好的理解AI如何学习、如何改善自身，同时为我们提供了潜在的可以转换为真实应用的模型。

应用：学习驾驶、制造业、工业设计、游戏开发、智慧城市

公司：Improbable, Unity 3D, Microsoft (Minecraft), Google DeepMind/Blizzard, OpenAI, Comma.ai, Unreal Engine, Amazon Lumberyard