實時更新飛瑞敖最新動態(tài)，了解飛瑞敖
人工智能專業(yè)涉及到的子領(lǐng)域十分廣泛，按照研究領(lǐng)域劃分，主要包括機器學(xué)習(xí)、數(shù)據(jù)挖掘、計算機視覺、自然語言處理、語音識別等等，除去這些主流方向，一切與智能相關(guān)的研究方向都可以成為人工智能或其他智能類專業(yè)的研究范疇。
機器學(xué)習(xí)是發(fā)展歷史最悠久、最全面的人工智能研究方向，其發(fā)展歷史十分悠久。最早期的機器學(xué)習(xí)主要以實現(xiàn)邏輯推理為主，相對較為簡單；進(jìn)入上世紀(jì)70年代，機器學(xué)習(xí)進(jìn)入了知識期，人們開始嘗試“教授”機器去學(xué)習(xí)新知識。
早期機器學(xué)習(xí)的思想以“連接主義”為主，即通過神經(jīng)元連接(類似人類神經(jīng)的基本結(jié)構(gòu))的方式構(gòu)建機器學(xué)習(xí)模型，如感知機；后來“符號主義”興起，基于符號邏輯與運算來實現(xiàn)機器學(xué)習(xí)，如決策樹；上世紀(jì)90年代，統(tǒng)計學(xué)習(xí)迅速發(fā)展，產(chǎn)生基于概率統(tǒng)計基礎(chǔ)的機器學(xué)習(xí)模型，如支持向量機。
隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展，“連接主義”卷土重來，連接層的深度發(fā)展形成了深度學(xué)習(xí)，產(chǎn)生了BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)等很多變種，而后在這些基礎(chǔ)上又誕生了embedding、注意力機制、transformer、informer等前沿方法模型；近幾年，強化學(xué)習(xí)異軍突起，通過無監(jiān)督的自主學(xué)習(xí)實現(xiàn)對于優(yōu)化策略的探索，在游戲博弈領(lǐng)域大放異彩。機器學(xué)習(xí)的基礎(chǔ)也是后續(xù)大部分人工智能研究的重要工具。
數(shù)據(jù)挖掘領(lǐng)域也是近年來的一大研究熱點，其主要研究內(nèi)容為分析大數(shù)據(jù)內(nèi)容，探索從數(shù)據(jù)中挖掘信息的理論、方法、技術(shù)和應(yīng)用等，子領(lǐng)域包括數(shù)據(jù)預(yù)處理、距離與相似度、聚類分析、數(shù)據(jù)分類、數(shù)據(jù)流挖掘、文本數(shù)據(jù)挖掘、時間序列數(shù)據(jù)挖掘、離散序列挖掘、空間數(shù)據(jù)挖掘、圖數(shù)據(jù)挖掘、網(wǎng)絡(luò)數(shù)據(jù)挖掘、社交網(wǎng)絡(luò)分析和隱私保護數(shù)據(jù)挖掘等等，數(shù)據(jù)挖掘的強實用性價值使之在近年來得到了廣泛的應(yīng)用。
計算機視覺是研究如何讓機器“看”的方向，及通過計算機對圖像進(jìn)行處理和學(xué)習(xí)，其專業(yè)基礎(chǔ)是計算機圖形學(xué)，相關(guān)研究方向包括圖像處理、模式識別、圖像理解、圖像生成等等，近年來火熱的人臉識別、AI摳圖就是計算機視覺領(lǐng)域應(yīng)用的成功范例。
自然語言處理主要研究的是計算機對人類自然語言的處理、學(xué)習(xí)、理解、生成等內(nèi)容，除了計算機以外還涉及到語言學(xué)、邏輯學(xué)等跨領(lǐng)域內(nèi)容，常見應(yīng)用包括機器翻譯、人機對話、文本分類等等；語音識別作為一個與自然語言處理緊密相關(guān)的子領(lǐng)域，在相關(guān)研究的基礎(chǔ)上，還引入了聲音識別的獨特研究內(nèi)容。
對于人工智能專業(yè)研究的多個領(lǐng)域，盡管它們的側(cè)重點多有不同，但它們也有許多共性。當(dāng)前的人工智能的研究主要是數(shù)據(jù)驅(qū)動的，即需要大量的數(shù)據(jù)集作為人工智能模型的訓(xùn)練基礎(chǔ)。因此，如何獲取充足有效的數(shù)據(jù)也成為了相關(guān)研究開展的重要基礎(chǔ)。
人工智能適用于大規(guī)模數(shù)據(jù)處理的問題。對這類問題，傳統(tǒng)優(yōu)化計算的理論方法精確度高但計算效率低，往往需要天量的時間和空間進(jìn)行計算分析，而人工智能方法在這方面具有顯著優(yōu)勢，可以在短時間內(nèi)得到相對理想的結(jié)果。
當(dāng)前人工智能發(fā)展的理論基礎(chǔ)薄弱，大量的人工智能模型創(chuàng)新都是領(lǐng)先于理論進(jìn)步的，相關(guān)技術(shù)模型的可解釋性差、計算過程等同于“黑箱”，結(jié)果準(zhǔn)確性和對數(shù)據(jù)變化的穩(wěn)定性低，在實際應(yīng)用上還存在一些困難。
