――对抗性神经网络。
由一个不断产生数据的神经网络模块与一个持续判别所产生数据是否真实的神经网络模块组成的神经网络架构，创造出近似真实的原创图像、声音和文本数据，有望大幅提升机器翻译、人脸识别、信息检索的精度和准确性，未来将运用于自动驾驶、安防监控等领域。

――胶囊网络。
在深度神经网络中构建多层神经元模块，用以创造并存储物体详细空间位置和姿态等信息。
该技能能使机器在样本数据较少环境下，快速识别不同情境下的同一工具，在人脸识别、图像识别、字符识别等领域具有广阔运用前景。

――云端人工智能。
将云打算的运作模式与人工智能深度领悟，在云端集中利用和共享机器学习工具的技能。
它能有效降落终端设备利用人工智能技能的门槛，有利于扩大用户群体，未来将广泛运用于医疗、制造、能源、教诲等多个行业领域。

――深度强化学习。
将深度神经网络和具有决策能力的强化学习相结合，通过端到端学习的办法实现感知、决策或感知决策一体化。
该技能能显著提升机器智能适应繁芜环境的效率，在智能制造、智能医疗、智能教诲、智能驾驶等领域发展前景广阔。

――智能脑机交互。
通过在人脑神经与具有高生物相容性的外部设备间建立直接连接通路，实现神经系统和外部设备间信息交互与功能整合。
该技能使人类沟通互换的办法更为多元和高效，未来将广泛运用于临床康复、自动驾驶、航空航天等领域。

――对话式人工智能平台。
是领悟语音识别、语义理解、自然措辞处理、语音合成等多种办理方案，为开拓者供应具备识别、理解及反馈能力的开放式平台。
该技能能实现机器与人在对话做事场景中的自然交互，未来有望大规模运用于智能可穿着设备、智能家居、智能车载等领域。

――情绪智能。
利用人工智好手段仿照表情、语气、情绪等类人化感情相应，以打造具有感情属性的虚拟形象的技能。
可授予机器设备更好地对人类情绪的识别、理解和勾引能力，为用户带来更具效率和人性化的交互体验，未来将频繁、深入运用于智能机器人、智能虚拟助手等领域。

――神经形态打算。
即仿真生物大脑神经系统，在芯片上仿照生物神经元、突触的功能及其网络组织办法，授予机器感知和学习能力。
该技能旨在使机器具备类似生物大脑的低功耗、高效率、高容错等特性，将在智能驾驶、智能安防、智能搜索等领域广泛运用。

――元学习。
将神经网络与人类把稳机制相结合，使机器智能具备快速自主学习能力。
该技能能使机器智能真正实现自主编程，显著提升现有算法模型的效率与准确性，未来将匆匆使人工智能从专用阶段迈向通用阶段。

――量子神经网络。
即采取量子器件搭建神经网络，优化神经网络构造和性能，这项技能利用量子打算超高速、超并行、指数级容量的特点，有效缩短神经网络的演习韶光，未来将在人脸识别、图像识别、字符识别等领域实现广泛运用。

（本报喻思南整理）

本文源自公民网－公民日报

更多精彩资讯，请来金融界网站(www.jrj.com.cn)