本文进行了回顾，对人工智能世界在这一年来发生的事情进行了大盘点。
2019 年，究竟是人工智能进步的一年，还是幻灭的一年呢?随着研究人员攻城略地，迅速攻克以前难以企及的基准，今天，我们可不可以这样认为，这个领域已经正在步入稳步发展的轨道呢?
在 ADSP(Applied Data Science Partners，意即“应用数据科学合作伙伴”)网站上，我们想后退一步，把2019年的人工智能界发生的事件整理好，以让公众能够有个全新的视角。在聚光灯下，重要的是要将一项工作最初吸引人们的兴趣，与它的实际重要性，以及它对该领域产生的影响区分开来。为此，本文将展开人工智能故事的平行线索，并试图分离出它们的意义。多亏了我们出色的内容作家 Elena Nisioti，她将这些故事讲得如此精彩!
让我们坐下来，一起回顾2019年的人工智能领域的方方面面。
处在文艺复兴时期的领域
如果让我们用一句话来描述2019年的人工智能现状，那很可能是：“强化学习(Reinforcement Learning )回归，看起来将永存”。
到目前为止，我们中的大多数人可能已经熟悉了监督式学习(Supervised Learning)，有些人收集了大量的训练数据，将它们馈送到机器学习算法中，然后得到一个模型，这个模型可以为我们进行 预测和分类。我们中的一些人甚至可能有这样的印象：即，人工智能就是监督式学习的同义词，然而监督式学习只不过是我们今天拥有的众多类型的机器学习中的一种罢了。
在强化学习(Reinforcement Learning，RL)中，智能体用试错的方法，通过与环境进行交互来学习，这种环境会给它们的行为提供奖励回报。当涉及到多个智能体时，它们被称为多智能体强化学习系统(Multi-agent Reinforcement Learning System)。
这个领域已经存在几十年，从概念上来讲，它听起来比监督式学习更像是一种合理的创造智能的学习机制。然而，直到2015年，DeepMind 才获得了人们的关注，当时 DeepMind 使用深度Q学习(Deep Q-learning)创建了Atari(雅达利)游戏的智能体，这是一种结合了经典强化学习算法和深度神经网络的算法。2018年，OpenAI也通过解决Montezuma’s Revenge(一款被认为难度特别高的 Atari 游戏)，从而在这一领域确立了自己的地位。
在过去的几个月里，事态升级了：