目前，不同于一次處理多個事物的人腦，機器人必須以線性方式“思考”。在某些領域，AI已經打敗人類，深度神經網絡學會了交談，駕駛汽車，獲得電子游戲的勝利，畫圖，并幫助科學發(fā)現。

這里有六個領域，人工神經網絡證明他們可以超越人類的智慧。

1. 圖像和物體識別

機器在圖像和物體識別方面有很好的記錄。Geoff Hinton發(fā)明的膠囊網絡幾乎減少了以前的最佳錯誤率，這個測試挑戰(zhàn)軟件識別玩具。即使視圖與之前分析的視圖不同，在各種掃描中使用增加量的這些膠囊也允許系統更好地識別物體。

另一個例子來自一個最先進的網絡，該網絡經過標記圖像數據庫的訓練，能夠比相同任務訓練100小時的博士更好地分類對象。

2. 電子游戲

Google的DeepMind使用深度學習技術，被稱為深度強化學習。研究人員用這種方法教計算機玩Atari游戲Breakout。電腦沒有以任何特定的方式教授或編程玩游戲。相反，它在觀看比分時被賦予了鍵盤的控制權，其目標是最大化得分。玩了兩個小時后，電腦成了游戲的專家。

深度學習社區(qū)正在進行一場比賽，訓練計算機在幾乎所有你能想到的游戲中擊敗人類，包括太空侵略者，毀滅戰(zhàn)士，乒乓球和魔獸世界。在大多數這些游戲中，深度學習網絡已經勝過有經驗的玩家。電腦沒有編程玩游戲;他們只是通過玩耍學習。

3. 語音生成和識別

去年，Google發(fā)布了WaveNet，百度發(fā)布了Deep Speech。兩者都是自動生成語音的深度學習網絡。系統學會自己模仿人類的聲音，并隨著時間的推移而改善。將他們的言論與真實的人物區(qū)別開來，這要比想像中難得多。

由牛津大學和Google DeepMind科學家LipNet創(chuàng)建的一個深度網絡，在閱讀人們的嘴唇方面達到了93％的成功，普通的人類嘴唇閱讀器只有52％的成功率。華盛頓大學的一個小組使用唇形同步來創(chuàng)建一個系統，將合成音頻設置為現有視頻。

4. 藝術和風格的模仿

神經網絡可以研究特定藝術品的筆畫，顏色和陰影中的圖案。在此基礎上，可以將原作的風格轉化為新的形象。

DeepArt.io就是一個例子，該公司創(chuàng)建的應用程序使用深度學習來學習數百種不同的風格，可以將其應用于照片。藝術家和程序員Gene Kogan還根據從埃及象形文字中學到的算法樣式，應用風格轉換來修改蒙娜麗莎。

5. 預測

斯坦福大學研究人員蒂姆尼特·格布魯（Timnit Gebru）拿走了五千萬張谷歌街景圖片，探索一個深度學習網絡可以做些什么。計算機學會了本地化和識別汽車。它檢測到超過2200萬輛汽車，包括他們的制造商，型號，車型和年份。這個系統應用的一個例子包括了選民路線開始和停止的跡象。根據分析，“如果在15分鐘車程內遇到的轎車數量超過皮卡車數量，那么在下次總統選舉期間，這個城市很可能會投票給民主黨人（88％的概率）。

來自Google Sunroof的機器的另一個例子比人類提供更準確的預測。該技術使用來自Google Earth的航空照片創(chuàng)建屋頂的3D模型，將其與周圍的樹木和陰影區(qū)分開來。然后使用太陽的軌跡來預測太陽能電池板根據位置規(guī)格可以從屋頂產生多少能量。

6. 網站設計修改

人工智能在網站建設者中的整合可以幫助更快更有效地修改網站，并且可能比人類更準確。像這樣的系統的底層技術提供了一個平均用戶對網站外觀的意見，這告訴設計師網站設計不好或好。今天，網站建設者要么使用深度網絡來修改設計，要么計劃在不久的將來直接使用它們。