Page 123 - 基于深度学习的人工智能技术研究

第四章 深度学习下的人工智能技术

克服了强化学习只适用于状态为离散且低维的缺陷，可直接从高维原始数据学习
控制策略。为了降低深度神经网络模型训练所需的数据量，业界引入了迁移学习
的思想，从而诞生了深度迁移学习技术。迁移学习是指利用数据、任务或模型之
间的相似性，将在旧领域学习过的模型，应用于新领域的一种学习过程。通过将

训练好的模型迁移到类似场景，实现只需少量的训练数据就可以达到较好的效果。
随着 AI 的进一步发展，未来需加强图网络、深度强化学习以及生成式对抗
网络等前沿技术研究。由于中国在深度学习领域缺乏重大原创性研究成果，基础
理论研究贡献不足，如胶囊网络、图网络等创新性、原创性概念是由美国专家提

出，中国研究贡献不足。在深度强化学习方面，目前最新的研究成果大都是由
DeepMind 和 OpenAI 等国外公司的研究人员提出，中国尚没有突破性研究成果。
近几年的研究热点生成式对抗网络（GAN）是由美国的研究人员 Goodfellow 提出，
并且谷歌、Facebook、Twitter 和苹果等公司纷纷提出了各种改进和应用模型，有

力推动了 GAN 技术的发展，而中国在这方面取得的研究成果较少。因此，应鼓
励科研院所及企业加强深度神经网络与因果推理模型结合、生成式对抗网络以及
深度强化学习等前沿技术的研究，提出更多原创性研究成果，增强全球学术研究
影响力。

同时，业界应加快自动化机器学习、模型压缩等深度学习应用技术研究。依
托国内的市场优势和企业的成长优势，针对具有中国特色的个性化应用需求，加
快对深度学习应用技术的研究，加强对自动化机器学习、模型压缩等技术的研究，
加快深度学习的工程化落地应用，加强深度学习在计算机视觉领域应用研究，进

一步提升目标识别等视觉任务的准确率，以及在实际应用场景中的性能。此外，
加强深度学习在自然语言处理领域应用研究，提出性能更优的算法模型，提升机
器翻译、对话系统等应用的性能。
随着深度学习和神经网络的发展，人工智能在图像识别、语音识别、自然

语言处理、机器翻译等领域取得了显著的成果。例如，深度学习在图像识别方面
表现出色，能够识别和分类各种复杂的视觉信息，使得计算机可以辨别图像中的
对象、场景和特征。在语音识别方面，深度学习和神经网络能够将声音转化为文
本，使得智能助理能够理解和执行用户的命令。此外，在自然语言处理和机器翻

译方面，深度学习已经取得了突破，使得计算机能够更好地理解和生成自然语言
的文本。

115