当前位置： 编码机 >> 编码机介绍 >> 22年,人工智能有可能突破的10个方向
22年度，除了最主流的深度学习模型之外，还有哪些潜在的突破口？
最近在Reddit看到有人列举了10个方向。
把这些方向整理出来，供大家参考，也希望可以在评论区提出见解，或者补充新的方向。
另外，今天准备了6本《PyTorch神经网络实战》送给大家，文末有抽取方式，快去参加~
千脑理论TheThousandBrainsTheory
人类大脑如何工作？千脑智能理论是近年涌现的一个非常有影响力的理论。年11月，比尔盖茨公布了心目中的年度5本必读好书，排第一位的便是《AThousandBrains:ANewTheoryofIntelligence》，作者是JeffHawkins。
支撑这本书的重要论文，是发表于年的AFrameworkforIntelligenceandCorticalFunctionBasedonGridCellsintheNeocortex（基于新皮层网格细胞的智能和大脑皮层功能框架）
千脑理论描述了一个通用的框架，用于理解新皮质的作用及其工作原理，该理论认为，新皮质并不是只学习了关于世界的一个模型，而是每一部分都学习了一份世界完整的物体与概念模型。然后新皮层中的长程连接允许模型们协同工作，来构建你对世界的整体感知。该论文还预测了一种称为“移位细胞”（displacementcells）的新型神经元的出现，它与皮质网格细胞相互作用以表示物体相对于彼此的位置。
自由能原理Freeenergyprinciple
自由能原理Freeenergyprinciple是一个正式的陈述，它解释了生物系统和非生物系统如何通过将自己限制在有限的几个状态而保持在非平衡稳态。它表明系统最小化了内部状态的自由能函数，而内部状态包含了对环境中隐藏状态的信任。自由能的内隐最小化在形式上与变分贝叶斯方法VariationalBayesianmethods有关，最初由KarlFriston引入，作为神经科学中对具身知觉的解释，在那里它也被称为“主动推理”。
自由能原理解释了一个给定系统的存在，它通过一个马尔可夫毯Markovblanket建模，试图最小化他们的世界模型和他们的感觉和相关知觉之间的差异。这种差异可以被描述为”出其不意”，并通过不断修正系统的世界模型来减少这种差异。因此，这个原理是基于贝叶斯的观点，即大脑是一个“推理机”。弗里斯顿为最小化增加了第二条路线:行动。通过积极地将世界改变为预期的状态，系统也可以使系统的自由能最小化。弗里斯顿认为这是所有生物反应的原理。弗里斯顿还认为，他的原则即适用于精神障碍也适用于人工智能。基于主动推理原则的人工智能实现比其他方法显示出优势。（摘自集智百科：什么是自由能原理
集智百科
集智俱乐部）
自由能原理，是一个公认非常晦涩的概念，下面是基于自由能原理、进行“主动推理”的示例说明，非常细腻、翔实：
Learnbyexample:ActiveInferenceinthebrain-1
Kaggle
Tstelin机器Tsetlinmachine
源自上世纪50年代，前苏联数学家Tsetlin提出了可进行学习的自动机，此种类型的自动机可以通过从学习数据中改变自身的状态转换函数的概率来对数据进行学习，并可以使用自身的状态来编码信息，不同于神经网络，这种自动机天然的具有对数据进行时序编码的特性，且具有良好的可解释性。（摘自：未来智能趋势：自动机与神经网络-知乎）
但纽卡斯尔大学高级讲师RishadShafik认为：“学习自动机几乎不可能在硬件上实现，因为有大量的状态需要去适应”。挪威阿格德大学的AI教授Ole－ChristofferGranmo，通过将学习自动机与经典的博弈论和布尔代数相结合，找到了一种降低学习自动机复杂性的方法。他将简化版的学习自动机应用到软件中，并以该学科创始人的名字将其命名为“Tsetlin机器”（Tsetlinmachine）。（摘自：Tsetlin机器和神经网络之间的功耗差别-人工智能-电子发烧友网）
这是挪威阿哥德大学Ole-ChristofferGranmo建立的关于Tstelin机器的网站：
Home-AnIntroductiontoTsetlinMachines
上面刊登了他正在撰写的新书《AnIntroductiontoTsetlinMachines》
层级实时存储算法Hierarchicaltemporalmemory
层级实时存储算法（HTM）是一种由Numenta开发的生物约束机器智能技术。HTM最初在年JeffHawkins和SandraBlakeslee合著的《OnIntelligence》一书中有所描述，目前主要用于流数据中的异常检测。该技术基于神经科学以及哺乳动物（特别是人类）大脑新皮层中锥体神经元的生理学和相互作用。
HTM的核心是学习算法，它可以存储、学习、推断和调用高阶序列。与大多数其他机器学习方法不同，HTM不断学习（在无监督过程中）未标记数据中基于时间的模式。HTM对噪声具有鲁棒性，并且具有高容量（它可以同时学习多种模式）。当应用于计算机时，HTM非常适合预测，异常检测，分类以及最终的感觉运动应用。
HTM已经通过Numenta的示例应用程序和Numenta合作伙伴的一些商业应用程序在软件中进行了测试和实施。
这里是Numenta公司（JeffHawkins所创）关于HTM的相关研究论文、代码和数据：
转载请注明:http://www.aideyishus.com/lkyy/1043.html
