分布式表示
神经网络如何学习分布式的表示
http://www.sohu.com/a/231566096_633700
注意力机制
Attention注意力机制--原理与应用
https://blog.csdn.net/joshuaxx316/article/details/70665388
神经网络图灵机(Neural Turing Machines, NTM)
http://www.dengfanxin.cn/?p=60
AutoML
一文看懂深度学习新王者「AutoML」：是什么、怎么用、未来如何发展？
http://www.sohu.com/a/249973402_610300
自动选模型+调参：谷歌AutoML背后的技术解析
http://tech.ifeng.com/a/20180202/44868903_0.shtml
其他一些人工智能相关概念：SAE DBN CNN RNN GAN DRL 基于好奇心的神经网络 进化算法 遗传算法 谓词逻辑 机器推理 图模型 Deep Meta learning等等
对比人工智能与人类智能：感知 概念建立 世界模型学习 记忆与遗忘 分析推理 在实践中应用和创造 人工智能目前在一些限定环境中的表现可以超越人类 在综合水平知识还远不如人类
人类智能的构成 生理结构在生物学上的演进(遗传变异与优胜略汰) 社会文化与知识的存在与累积 ，并与人类个体学习与实践形成良好的反馈
所以构成一个合理智能的基础应该是智能结构的演进 知识表示的长期存储与有效学习沟通 实践反馈的不断累积
猜想未来真实人工智能的实现基础应该是 神经网络与遗传算法的有效结合保证结构上的演进(遗传或者变异) 累积的知识库(监督学习或者无监督学习的原始输入，以及在此基础上符号结构或者机器学习到知识） 一个良好的可以带反馈的环境 人工智能内在的驱动(好奇心或者价值观)
假定存在一个仿真环境 实现智能的方式可能是模拟人类进化的方式 构建一种可以自我学习进化的智能个体 这些个体满足以下规则
1 个体结构(神经网络结构，机器人本身的机械结构)可以类似DNA编码 从而可以带来结构进化 遗传或者变异
2 个体在环境中有良好的反馈和激励机制 取得reward的个体可以更好的发育 内在结构可以生长 并可以一定程度上写入DNA 反之个体可能导致消亡 个体具有一定的寿命或者有效期 从而进行种群的繁殖和演化
3 由于环境的反馈 个体可以在环境中实践 形成对环境和自身的认知 从而形成世界观和价值观 学习和实践生存策略policy
4 个体具有一定的(原生或者进化自然产生）交流机制 可以衍生出文化和集群智慧 可以把学到特征或者知识信息保存 并且传播或者给新个体学习 从而更灵活的软性的复制内在的一些知识状态
所以假定有仿真环境下形成智能基础 通过遗传算法与神经网络结合构建虚拟个体 在仿真环境下进行个体和种群进化与迭代 从而形成一种适应这种环境和设定reward和价值观的智能