济南联祥网络

一、胶囊网络将挑战最先进的图像识别算法

1、开源框架

人工智能的进入门槛比以往任何时候都低，这要归功于开源软件。

2、胶囊网络

深度学习界领航人在其2011年发布的论文中提到“胶囊”这个概念，于2017年-2018年论文中提出“胶囊网络”概念。

比如将人脸图像中嘴巴的位置放置在额头上面，CNN仍会将其辨识为人脸。CNN的另一个主要问题是无法理解新的观点。黑客可以通过制造一些细微变化来混淆CNN的判断。

3. 生成式对抗网络

2014年，谷歌研究员提出“生成式对抗网络”概念，利用“AI VS AI”概念，提出两个神经网络：生成器和鉴别器。

4. 联合学习

我们每天使用手机或平板会产生大量数据信息，使用我们的本地数据集来训练AI算法可以极大地提高它们的性能，但用户信息是非常私人和隐秘的。

5. 强化学习

当谷歌研发的AlphaGo在中国围棋游戏中击败世界冠军后，强化学习获得了广泛关注。研究人员利用计算机视觉和强化学习来教授YouTube视频中的算法杂技技能。尽管取得了进步，但强化学习与当今最流行的人工智能范式监督学习相比，还算不上成功，不过关于申请强化学习的研究越来越多。

二、 2025年自动驾驶利润达800亿美元，物流率先应用

6. 人工智能终端化

人工智能技术快速迭代，正经历从云端到终端的过程，人工智能终端化能够更好更快地帮助我们处理信息，解决问题，我们舍弃了使用云端控制的方法，而是将AI算法加载于终端设备上（如智能手机，汽车，甚至衣服上）。

7. 人脸识别

从手机解锁到航班登机，人脸识别的应用范围愈发广泛，各国对于人脸识别的需求逐渐升高，不少创业公司开始关注这一领域，利用该技术，可以通过脸部特点从而还原蒙面嫌疑犯完整的人脸。

但人脸识别仍有待改进。这一技术仍会对人脸真假存在误判。人脸识别中所包含的数据远比我们想象要多，其中的安全问题也应引起我们关注。

8. 语言处理

自然语言处理是人工智能的一个子领域，人机共生也是翻译领域未来的大方向，不少初创公司也期待从中分一杯羹，但要完成基于自然语言处理工作的翻译系统并不容易，单单中文里的各种方言和书面语就能把众多科技公司难住，据相关数据显示，除了热门的高资源语言，如中文，阿拉伯语，欧洲语言等，低资源语言和少数民族语言的开发和应用依然存在缺口。

9. 车辆自动化驾驶