到底什么才是人工智能，怎样统一大家的意见，形成共识，为它定性？这在最近已经成为了科技圈里的热门话题。

一些人将 AI 看做是「认知计算」或者「机器智能」；而另外一些人将「AI」和「机器学习」给完全等同了起来。之所以会出现这么多的说法，主要是因为我们大家现在所说的「人工智能」，并不是某一个单纯的技术，它事实上已经成为了很多学科交叉后的领域：从机器人到机器学习，无所不包。

而人工智能的目的，其实现在绝大多数人已经达成了共识：开发一种能够执行任务，具备某种认知功能的机器，而这种执行任务的能力和认知功能，原本只属于人类智能的范畴当中的。为了达到这种状态，机器必须具备自我学习的能力。

在过去的十年时间里，AI 领域出现了何等惊人的进步，无论是无人自驾驶汽车的逐步成熟，还是语音识别技术的日趋完善。在这样的大背景之下，人工智能已经跳脱出了 20 年前固有的形象，第一次在公司和消费者面前生动立体了起来：它是真的可以影响到我们每天生活的啊！

确实，j2直播，现在各大媒体报刊都在用头条讲述人工智能领域出现的一举一动，详细阐述长期 AI 战略，但就在这样的火热环境下，大众仍然搞不清楚人工智能究竟是什么，同时，政府其实也在这方面表现的迟钝一些，到底技术自动化对于整个社会有着怎样的影响？

在这个前提下，本文向大家介绍人工智能领域下的六个细分领域，它们中任何一个现如今都是科研领域的大热门。所以，跳脱出人工智能这个笼统的范畴，转而研究这几个细分具体化的领域，也许才是更加靠谱的讨论方式。因为我们未来的数字产品和服务，都将被它们所左右。

在本文中，我会描述它们是什么，为什么重要，如今怎么来应用它们。最后，还会给出一个清单（当然不会是完全详尽的），上面列出来有关这些领域的科技公司。

人们在学习一项新技能的时候，往往会有一个试错的过程，而 RL（强化学习）就是从这个模式中演化而来。在一个标准的 RL 设定中，软件的任务是观察在数字环境中当下所处的状态，并根据已经定好了的最终要达到的效果，采取行动来不断地接近这个目标。在这个不断接近的过程中，软件每执行一个动作，它都能从这个数字环境中得出一个判断：这个动作到底是推动了我向目标前进，还是阻碍了。

就在这种不断试探、确认、再试探的反复过程中，软件逐步找到最优策略和路径。

该领域之所以会引起大家的注意，是 Google DeepMind 在 Atari games 这个项目上应用了这项技术。而目前这项技术在现实中应用的最大价值竟然是给 Google 的数据中心降温！

数据中心中里众多服务器、存储设备、网络设备等等在 24 小时的运行着，同时散发着巨大的热量，采用常规的冷空调系统降温，不仅使整个数据中心的能耗增大，成本也会相应提高一大块。而 Google 在利用了 RL 技术可以使得降温成本下降 40%。

在一个可以被模拟的数字环境（比如视频游戏）中，应用 RL 工具的最大好处就是可以以很低的成本获取到机器学习的数据。这跟「监督式深度学习」（supervised deep learning）有着明显区别，后者获取数据的成本很高，在现实世界中应用的难度也较高。

应用：软件在迷宫中找路，或者是给无人自驾驶技术在城市街道上行驶提供技术支持，还比如在视频游戏中，atv，让 NPC 开始学习使用一些高度拟人化的行为。

处在这个领域里的公司：Google DeepMind, Prowler.io, Osaro, MicroPSI, Maluuba/Microsoft, NVIDIA, Mobileye, OpenAI.

跟那些用来分类、或者执行「回归任务」的可识别人工智能相比，归纳模型基于某个学习对象，可以自发生成一个高度类似的图像。

就比如说，给软件看过一张人脸照片之后，它就能立刻生成一张类似的，机器合成的照片。这个技术的基础其实是：「生成式对抗网络」（generative adversarial networks) 在人工智能领域非常火爆，因为它给人们提供出来了一条直抵「非监控式机器学习」的路径。

生成式对抗网络（Generative Adversarial Nets，GAN）在 2016 年所召开的 NIPS（神经信息处理系统大会）上大放异彩，成为神经网络最受关注的技术之一，其实 GAN 的思想其实十分朴素：有一对模型，一个生成模型（G）生成假样本，最好是六耳猕猴，直叫众人真假难辨；一个判别模型（D）识别假样本，最好是火眼金睛，敢让赝品无所遁形。