在人工智能發展早期，人們認為智能來自邏輯，希望通過對計算物理符號的排列組合來實現人工智能，因此研究了諸如下棋、推理、路徑規劃等問題，并取得了一些成就 。經過十幾年發展，人們發現智能也可以來自程序的自我學習 ， 并發明了各種各樣的機器學習方法，包括神經網絡 。
近年來，隨著機器計算能力的大幅度提高 ， 上述方法的可行性均得到部分驗證 。1997年，“深藍”通過在狀態空間搜索打敗了國際象棋世界冠軍卡斯帕羅夫，其本質上是物理符號空間的排列組合計算 。隨著大數據時代的到來，更加有效的機器學習方法人工智能 推理，如卷積神經網絡和深度神經網絡等，使得從數據中獲取智慧這一方案在語音處理、圖像識別等諸多領域取得了巨大的成功 。強化學習是一種“無中生有”的智能創造方式 ， 其通過在項目中與深度學習 “聯姻” ， 引起了人們的廣泛 。的進階版本更是通過純粹的強化學習方法獲得了優于的棋力 。
上述研究均取得了很大成就，但都需要耗費巨大的計算資源和數據資源 。然而，反觀人類從蒙昧無知的嬰兒逐漸長大成人的過程，你會覺得很有趣 。知識和智慧的增長速度一開始很慢 ， 但隨著知識量的增加，人類學習新知識的速度越來越快 。這其中涉及到的一個關鍵問題是人類具有舉一反三，或者說知識遷移的能力，這使得人類通過極少量的樣本就可以完成有效的學習 。比如，會騎自行車的人更容易學會騎摩托車；精通一門編程語言的人，學習其他編程語言也會覺得十分簡單 。
受到這一想法的啟發人工智能 推理，近年來遷移學習開始受到 。而除了模仿和解釋人類學習的機理之外 ， 機器學習依賴大量數據的困擾也是遷移學習發展的動力 。雖然在某些領域，我們已經積累了大量的數據，但仍有許多領域處于數據匱乏的狀態，在這些領域應用人工智能技術會異常困難 。如果我們能使用遷移學習的方法，就可以迎刃而解這些問題 。例如 ， 我們可以在和小數據領域A相鄰的領域找到擁有大量數據的領域B，如果B和A之間的知識遷移成功，那么在A領域就不用收集如此龐大的數據集了 。基于其對人工智能領域的重要意義，遷移學習被認為是下一輪的人工智能落地的關鍵技術方法 。
【從人工智能到遷移學習之簡述】本文到此結束 ， 希望對大家有所幫助 。

• 炒股，一個人的認知局限性，到底有多可怕？人工智能，只有A股的那些
• 當AI發展到強人工智能時代時
• 從機器人眼中看《真實的人類》這部劇值得反復刷
• 干貨分享 | 人工智能在生活中的四大應用場景
• 首家無人銀行現身上海，AI人工智能已成大勢所趨！
• 人工智能快速發展，AI技術正成為一個新型的企業
• 人類是否應該創造出像賈維斯那樣的人工智能？
• 人工智能會終將取代人工嗎？
• 仝解釋 ?人工是什么字
• 投筆從戎的班超有多牛？他霸氣得遠超想象