——對抗性神經網絡。由一個不斷產生數據的神經網絡模塊與一個持續判別所產生數據是否真實的神經網絡模塊組成的神經網絡架構，創造出近似真實的原創圖像、聲音和文本數據，有望大幅提升機器翻譯、人臉識別、信息檢索的精度和準確性，未來將應用於自動駕駛、安防監控等領域。
——膠囊網絡。在深度神經網絡中構建多層神經元模塊，用以發現並存儲物體詳細空間位置和姿態等信息。該技術能使機器在樣本數據較少情形下，快速識別不同情境下的同一對象，在人臉識別、圖像識別、字符識別等領域具有廣闊應用前景。
——雲端人工智能。將雲計算的運作模式與人工智能深度融合，在雲端集中使用和共享機器學習工具的技術。它能有效降低終端設備使用人工智能技術的門檻，有利於擴大用戶群體，未來將廣泛應用於醫療、制造、能源、教育等多個行業領域。
——深度強化學習。將深度神經網絡和具有決策能力的強化學習相結合，通過端到端學習的方式實現感知、決策或感知決策一體化。該技術能顯著提升機器智能適應復雜環境的效率，在智能制造、智能醫療、智能教育、智能駕駛等領域發展前景廣闊。
——智能腦機交互。通過在人腦神經與具有高生物相容性的外部設備間建立直接連接通路，實現神經系統和外部設備間信息交互與功能整合。該技術使人類溝通交流的方式更為多元和高效，未來將廣泛應用於臨床康復、自動駕駛、航空航天等領域。
——對話式人工智能平臺。是融合語音識別、語義理解、自然語言處理、語音合成等多種解決方案，為開發者提供具備識別、理解及反饋能力的開放式平臺。該技術能實現機器與人在對話服務場景中的自然交互，未來有望大規模應用於智能可穿戴設備、智能家居、智能車載等領域。
——情感智能。利用人工智能手段模擬表情、語氣、情感等類人化情緒響應，以打造具有情緒屬性的虛擬形象的技術。可賦予機器設備更好地對人類情感的識別、理解和引導能力，為用戶帶來更具效率和人性化的交互體驗，未來將頻繁、深入應用於智能機器人、智能虛擬助手等領域。
——神經形態計算。即仿真生物大腦神經系統，在芯片上模擬生物神經元、突觸的功能及其網絡組織方式，賦予機器感知和學習能力。該技術旨在使機器具備類似生物大腦的低功耗、高效率、高容錯等特性，將在智能駕駛、智能安防、智能搜索等領域廣泛應用。
——元學習。將神經網絡與人類注意機制相結合，使機器智能具備快速自主學習能力。該技術能使機器智能真正實現自主編程，顯著提升現有算法模型的效率與準確性，未來將促使人工智能從專用階段邁向通用階段。
——量子神經網絡。即採用量子器件搭建神經網絡，優化神經網絡結構和性能，這項技術利用量子計算超高速、超並行、指數級容量的特點，有效縮短神經網絡的訓練時間，未來將在人臉識別、圖像識別、字符識別等領域實現廣泛應用。
京公網安備 11010502049343號