谈谈那些被遗忘的老人们，我们该怎么做？

、强化学习;

强化学习是用来模拟人类的学习行为, 通过 “交互 – 试错” 机制, 与环境不断进行交互，进而学习到有效的策略。

目前已经在视频游戏 、棋牌游戏、机器人导航与控制、人机交互等领域取得了诸多成果, 并在一些任务上接近甚至超越了人类的水平。

但是在不确定性、不完全信息、数据或者知识匮乏的场景下, 目前强化学习算法的性能往往会出现大幅度的下降，这也是目前强化学习所面临的重要挑战。

第二、单一空间模型。

该模型以深度学习为基础，将所有的处理都放在亚符号(向量)空间。

模型的优势在于充分利用计算机的计算能力，提高处理的速度。

其难点在于，目前的深度学习模型与我们人类大脑的学习机制还是存在很大差异，如果要克服深度学习所带来的缺陷，需要把如下几个关键问题讨论清楚：

1、符号表示的向量化;

知识通常以自然语言的离散符号形式表示, 为了实现单一空间模型, 首先要将符号表示的词、短语、句子和篇章等转换为向量, 或者将知识图谱转换为向量表示.

这里面需要解决的问题有：不可解释、会发生重大错误、鲁棒性差等问题。

2、深度学习方法的改进;

深度学习目前的主要工作只是在做简单的函数拟合, 其局限性在于缺乏像人一样对问题的理解能力。

因此通过理解机器学习模型的内部工作机理, 发展数据驱动和知识驱动融合的第三代人工智能理论框架, 将成为提高人工智能算法鲁棒性的重要途径之一。

3、贝叶斯深度学习的突破;

贝叶斯深度学习是将贝叶斯学习的基本原理与深度神经网络的表示学习有机融合的一类方法，将不确定性建模和推断与深度表示学习有机融合, 其关键挑战在于推断和学习算法，目前已经在多种复杂场景下，取得了价值与突破。

为了实现第三代人工智能的模型，在综合了上述两种模型的优劣后，就采用了三空间融合的模型，也就是把双空间模型与单空间模型融合。

这样做的优势在于，既可以最大限度地借鉴我们人类大脑的工作机制，又可以充分利用计算机的算力，通过两者融合后的倍增效应，希望能够打造更强大、更接近人类大脑的AI模型。

我们期望三空间融合模型，能够尽快从实验室阶段迈向商业化阶段，实现更大的价值，造福人类。

关注东方林语，一起了解更多AI知识。

（编辑：淮安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!