3、人工智能、行业趋势与相关技术驱动力解析

人工智能、行业趋势与相关技术驱动力解析

1. AI、机器学习与深度学习

人工智能（AI）、机器学习和深度学习这几个领域在出版物中常被分开讨论，但它们背后有许多共同的技术和架构，比如神经网络和深度学习。区分这三个领域，从输入和输出的角度入手相对容易，而非依据实际使用的算法和技术。

例如，深度神经网络可用于上述三种学习类型，但监督学习的输入是带标签的样本，而深度强化学习则假设会从环境中（至少周期性地）接收奖励信号。不过，仅从输入 - 输出的角度看待问题可能过于简单，这也暴露出仅从三个维度考虑机器学习的不足。

机器学习领域有许多关于半监督学习的研究，在半监督学习中，训练数据中带标签的部分比纯监督学习要少得多。另一个被广泛探索的例子是主动学习。假设在对推特账户进行分类（区分人为控制还是机器人控制）时，只有一部分账户的控制情况是已知的（即带标签），其余未知。若采用纯监督学习的方法，在较小的训练集上训练分类器，再应用到较大的无标签测试集上，可能会因训练集过小而导致性能不佳。更好的选择是，先用现有训练集训练初始模型，然后通过选择有潜力的无标签样本进行手动标注，逐步扩大训练集。主动学习的前提是选择当前分类器最不确定的样本进行标注，因为这些样本有望提升分类器的性能。

更高级的“低监督”机器学习变体包括零样本学习，即测试集中的标签类别可能来自未知集合。尽管初始训练集可能很大，但训练集中的标签来自一个集合，而测试集中可能包含训练时从未见过的类别样本。例如，计算机视觉分类器可能经过训练以识别豹子和狮子，但测试集中还引入了老虎的图像。这就是“零样本”问题，因为系统需要识别（至少检测到）之前未遇到过的类别，这在统计学上是一个具有挑战性的问题。

2. 工业4.0与未来