如果你正在閱讀這篇文章，相信你已經被人工智能技術所圍繞，從你面前的網站到閱讀CT掃描，人工智能應用場景無處不在。
當人們聊起人工智能時，通常會把它等同于機器學習和深度學習，然而它們只是人工智能研究領域中的小分支。雖然這兩個可以說是當今人工智能領域最炙手可熱的話題，但是在人工智能研究中還有很多領域具有很大的吸引力，并且有廣闊的應用前景。
在本文中，我們將討論人工智能的一些熱門話題，其中許多話題之間是相互關聯的，并且隸屬人工智能的研究范疇內。
機器學習關注的是開發系統，并通過經驗提高它們的性能。在過去的十年里，人工智能技術的進步很大歸因于機器學習的進步。機器學習如此流行，以至于它成為了人工智能的代名詞，現在研究人員正致力于將最先進的機器學習算法擴展到大型數據集。
深度學習是機器學習的一個分支，它是對神經網絡的重新命名，受人類大腦中的生物神經元啟發而產生的模型。深度學習一直推動著人工智能領域的許多應用，比如物體識別，語音，語言翻譯，電腦游戲和自動駕駛汽車等。
強化學習如同人類學習方式，是一種封閉形式的學習。它由一個智能代理組成，該代理與它的環境進行巧妙的交互以獲得一定的回報。代理的目標是學習順序操作，這就像一個從現實世界中學習經驗、不斷探索新事物、不斷更新價值觀和信念的人一樣，強化學習的智能代理也遵循著類似的原則，并從長遠角度獲得最大化的回報。在2017年，谷歌的AlphaGo電腦程序使用強化學習打敗了圍棋世界冠軍。
從技術上講，機器人技術是一個獨立的分支，但它確實與人工智能有一些交叉。人工智能已經在動態環境中實現了機器人導航。你如何確保一輛自駕車在最短的時間內從A點開到B點并且不傷害自己和其他人？ 深度學習和強化學習的研究可能已經為機器人技術找到了這個問題的答案。
如果我們想讓機器思考，我們需要教他們看見。 ——斯坦福人工智能實驗室主任李飛飛
計算機視覺關注的是計算機如何在視覺上感知周圍的世界。 然而具有諷刺意味的是，計算機擅長做一些龐大的任務，比如尋找100位數字的第十次根，但在識別和區分對象等簡單的任務上卻很吃力。 近年來隨著深度學習、標記數據集的可用性以及高性能計算的進步，計算機視覺系統在可視對象分類等狹義定義的任務中已經超越了人類。
自然語言處理涉及能夠感知和理解人類語言的系統，它包括語音識別，自然語言理解，生成和翻譯等子任務。 隨著全球范圍內使用多種語言，自然語言處理系統可能成為一個真正的變革者。 目前自然語言處理的研究包括開發可與人類動態互動的聊天機器人。
推薦系統無處不在，從推薦閱讀什么，購買什么，到約會對象，如今已經完全取代了虛擬世界中煩人的銷售員。 Netflix和亞馬遜等公司都嚴重依賴于推薦系統，因為推薦系統考慮用戶過去的偏好、同行的偏好和趨勢，從而做出更有效的推薦。
算法博弈論從經濟學和社會科學的角度考慮了多重代理的系統，它看到了這些代理如何在基于激勵的環境中做出選擇。這些多代理系統可以包括自利的人類成員以及在有限資源環境中共同競爭的智能代理。
物聯網概念即日常使用的物理設備連接到互聯網，其可以通過數據交換相互通信。 物理設備收集到的數據可以被智能處理，并使設備更加智能化。
隨著基于神經元模型的深度學習的興起，研究人員一直在開發可直接實現神經網絡架構的硬件芯片， 這些芯片被設計成在硬件層面上模擬大腦。在普通芯片中，數據需要在中央處理單元和存儲單元之間進行傳輸，從而產生時間開銷和能耗。而在神經形態的芯片中，數據既以模擬方式處理并存儲在芯片中，又可在需要時產生突觸，從而節省時間和能量。
原文鏈接：https://towardsdatascience.com/hot-topics-in-ai-research-4367bdd93564
關鍵詞：機器學習、深度學習、強化學習、機器人、計算機視覺、自然語言處理、推薦系統、算法博弈論與計算機制設計、物聯網、神經形態計算
