不知道有沒有人跟我有一樣的感覺：有時候你有乙個構想，但卻半天找不到同僚或者先驅。而在你知道這個領域的名稱後，很快你就能找到很多相關的研究。因此，我在這裡收集了人工智慧領域的一些名詞和其釋義，以供參考。（持續更新）
1.元學習（meta learning）：其核心思想是「學會如何學習」（learning to learn），重點關注於如何用更少的樣本、更快的學習神經網路。小樣本學習（n-shot learning）是其子集。
2.神經架構搜尋（network architecture search，nas）：其核心是研究如何通過搜尋方法獲得更加優質的網路結構。
3.終身學習（lifelong learning）：也被稱為增量學習（increment learning），持續學習（continuous learning）。對於序列到達的任務，利用學習先前任務的經驗加速後續任務的學習，同時盡量少的影響先前任務的執行效果。
硬體方面：
1.神經形態計算：利用類似人腦的架構設計晶元。
一些人機對話方面的資料
一些想法 一 人機對話程式反應速度太慢，一句話一般需要1500ms以上，再加上網路延遲和較大的提問量，速度可能會不理想。二 購買的語料庫很可能需要再次處理。我們的人機對話的智慧型性一部分是語料庫的容量，一部分也要靠分詞，如果其他公司或個人的語料庫的訪問演算法和我們不同 極有可能 就需要對其進行處理 ...
關於人工智慧的一些幻想
理論太枯燥了，以下是我平時的一些科幻構思,全是與人工生命有關的，因本人文筆太差，只能給出個草草的框架 注 前三個構思曾發表在96年第二期的科幻世界上 綁架當生命可能以資訊方式傳遞，隊長帶人在地底打算攔截敵方將領的中微子波，以實現綁架其之目的，但接收器壞了，最後隊長決定用自已的大腦來接收這個資訊，於是...
關於人工智慧的一些概念和演算法
deep learning 稀疏編碼演算法sparse coding是一種無監督學習方法，它用來尋找一組 超完備 基向量來更高效地表示樣本資料。雖然形如主成分分析技術 pca 能使我們方便地找到一組 完備 基向量，但是這裡我們想要做的是找到一組 超完備 基向量來表示輸入向量 也就是說，基向量的個數比...