人工智能“豪赌”拉开序幕 科技巨头携重金下场

　　【中国智能制造网 企业动态】当前，各家机构对AI的研究重点各不相同。不同的机构在他们认为重要的研究领域有不同的优先级。一场AI军备竞赛已经拉开序幕，而最终的赢家则是幸运地把资源投入到了可能获胜的研究方法上的人。这个几率确实很小，但考虑到涉及的高回报，每家公司看来都正在进行这场赌博。

　　各大科技巨头纷纷大力投资 深度学习，都有抢占DL山头之势。但细看就能发现，顶尖玩家进攻深度学习的侧重点和偏好的方法实际上各不相同。本文作者根据观察，从谷歌eepMind、微软到最近表现突出的 亚马逊、Uber，盘点全球顶尖AI产业玩家的深度学习实力和战略。

　　长期以来，我一直在努力理解深度学习的研究发展。我使用的方法论是模式设计编目，它对于分析这个复杂程度不断增长的领域相当有效。事实上，由于该领域的巨头持续在发表新的令人惊讶的研究成果，我自己对这些概念的理解也将继续调整。

　　然而，我观察到的某些模式实际上超出了对深度学习的一般理解范围。我观察到的是，不同的尖端研究团体似乎侧重使用不同种类的方法来解决人工智能的谜题。不过，预先声明，我并不了解这些组织内部的运作机制，以下内容都是我个人的观察思考而已。

　　幸运的是，通过阅读这些机构发表的研究成果，你就会有这样的感觉：各个团体所喜欢的方法各不相同（注意：这些方法不是相互排斥的）。所以，请让我顺便说明一下自己对于偏见（或偏好）的直觉——领域里的每个大玩家都在如何研究深度学习。

谷歌DeepMind：强化学习＆深度学习

　　谷歌在看到DeepMind的Atari游戏AI之后将DeepMind收购。自此，DeepMind一直喜欢在他们的方法中使用强化学习。他们肯定将深度学习作为大多数研究的组成部分，但似乎总是强调深度学习与强化学习的组合，也就是深度强化学习。

　　DeepMind深度学习研究大多集中于在模型中的非 参数层嵌入使用变分法。DeepMind还关注注意力机制和记忆增强 网络。在研究的广度上，我认为没有组织能企及DeepMind。DeepMind的研究驱动力似乎是想要发现智能的本质。

　谷歌大脑：侧重实用和工程，强调应用可扩展

　　谷歌大脑在处理研究方面有着很明显的侧重实用和工程的方法。你可以看到他们如何对incep tion架构进行各种各样的细节调整。他们在围绕可用的计算资源如何搭建深度学习架构方面做了大量的工作。谷歌还结合了其他传统 算法，如beamsearch、图遍历和深度学习的广义线性模型。这种方法似乎也强调了对可扩展解决方案的需求。