人工智能革命之下你会失业还是变得富有？

另一项技术是无监督学习（unsupervised learning），其通过将网络暴露在大量样本中来对网络进行训练，但不会告诉它要寻求什么模式。相反，该网络学习识别相似样本的特征和聚类，从而揭示数据中的隐藏分组、连接和模式。

无监督学习能在你不知道会是什么样的情况下被用于事物搜索：例如，监控网络中反常的通信模式，那可能代表着网络攻击；或检查大量的保险声明以检测新类型的诈骗方式。一个经典的案例：2011年当吴恩达在谷歌工作时，他领导的一个名为谷歌大脑（Google Brain）项目中的一个大型的无监督学习系统本是用于在千部无标记YouTube 视频中发现共同模式。一天，吴恩达的一个博士生给了他一个惊喜。吴恩达回忆说「我记得他把我叫道他的电脑前说，『看这个』」，电脑屏幕上是一个毛茸茸的面孔，从数千的样本中发现的模式。系统发现了猫。

强化学习位于监督学习和无监督学习之间，它涉及到训练一个 神经网络 与只以奖励作为偶然的反馈的环境进行交互。本质上，训练涉及到调整网络的权重，从而获得能带来更高奖励的搜索策略。DeepMind 是这个领域的专家。2015年2月，它们在Nature 上发表的一篇论文描述了一个能够学习玩49种经典的 Atari 视频游戏的强化学习系统，它只使用屏幕上的像素和游戏分数作为输入，输出则连接到一个虚拟的控制器上。这个系统从头学起玩游戏，最终在其中29种游戏中达到或超过了人类水平。

把系统游戏化

电子游戏是 人工智能 研究的理想训练场，DeepMind 的 Demis Hassabis 说，因为「它们是真实世界的缩影，但更纯净和约束化。」 游戏引擎也可以轻松生成大量训练数据。Hassabis 先生以前从事过电子游戏行业的工作，后来取得了认知神经学的博士学位并创立了 DeepMind。这家公司现位于伦敦国王十字车站附近，相当于谷歌的 人工智能 研究分部。

今年三月，AlphaGo 于首尔的五轮比赛中打败了世界顶尖围棋选手李世石，作为开发公司的 DeepMind 因此登上头条。AlphaGo 是一个有着独特特性的强化学习系统。它由几个相互连通的模块组成，包括两个深度 神经网络 ，它们各有所长——像人脑中模块一样。其中一个通过大量的棋局分析训练提出一些可能的走法，另一个网络则负责根据随机采样技术来评估这些走法。这个系统把生物启发的技术与纯机器化的技术结合了起来。 人工智能 研究者们就哪种技术更优越这个问题已经争论了几十年，而 AlphaGo 却另辟蹊径两者都用。「这是一个复合型系统，因为我们认为解决智能问题只有深度学习是不够的」，Hassabis说。