人工智能的三大技术

　　中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。其实强化学习已经发展了几十年了，并不算什么新技术。在2016年，AlphaGo击败李世石之后，强化学习融合了

　　在过去的几个月里，围绕强化学习开展的工作越来越多，这些工作重新唤起了学术界对强化学习的信念。在过去，人们曾经认为强化学习效率低下，过于简单，无法解决复杂的问题，甚至连游戏的问题也不能解决。而现在，强化学习最大的应用场景反倒是游戏了。

　　自2018年底以来，人们的注意力已经从过去的词嵌入转移到预训练语言模型，这是自然语言处理从计算机视觉中借鉴来的一种技术。自Google BERT 、ELMo 和ulmfit等系统在2018年底推出以来，自然语言处理一直风头正茂。但今年的聚光灯被OpenAI的 GPT-2给“夺走了”，它的表现引发了人们对自然语言处理系统的道德使用的大讨论。目前，自然语言处理的应用场景比较广泛，像是机器翻译、打击垃圾邮件、信息提取、文本情感分析、自动问答以及个性化推荐等等。

　　对人工智能来说，创造虚假但又逼真的人物和物体的图像，已经不再是前沿领域了。从 2014年生成对抗网络的引入 到 2019年NVDIA开源的StyleGAN，都在对此进行证明。2019年，人工智能创造的艺术品甚至脱离了过去几年的假设性讨论，成为了今天博物馆装置和拍卖 的一部分。

　　计算机视觉还被应用于一些具有重大商业和社会意义的领域，包括自动驾驶车辆和医学。但是，人工智能算法在这些领域中的应用自然是缓慢的，因为它们直接与人类生活直接互动。至少到目前为止，这些系统还不是完全自主的，它们的目的在于支持和增强人类操作员的能力。