您现在的位置:首页 >> 公开办法

无监督学习是深度学习突破的关键
作者: 彤 来源: 新闻网 日期: 2017-05-25 14:48:38

参与:李亚洲、吴攀;36氪经授权发布。机器之心”IDalmosthuman2014作者 YoshuaBengio机器之心编译。 深度学习领域的著名学者 YoshuaBengio发表了主题为《使用深度学习的人工智能的崛起(TheRiseofArtificiIntelligthroughDeepLearn演讲。近日,举办的TEDxMontreal2016上。TEDxTalk官方在YouTub上发布了该演讲的视频。机器之心在本文中对该演讲的主要内容进行了整理介绍。 人工智能领域正在发生革命。离实现人类水平的人工智能还有多远?未来还面临着怎样的难题?YoshuaBengio相信每个人都应该理解人工智能的基本思想。民主化这些问题是很重要的这样在面临人工智能将带来的重大变革时,演讲主题:深度学习进步的推动下。社会才能做出最好的集体决策,以使这些变革能有利于我所有人。 其中对未来会有巨大影响的一件上海私家侦探 事就是人工智能,世界一直在发生变化。将带来另一场工业革命。 而此次第二波的机器纪年(MachinAge将会增强我认知能力与心智(mentalpower计算机不只是要替代体力劳动力,之前的工业革命增强了人类使用机械的能力。还有脑类劳动力。所以,今天到哪一步? 一个名为 AlphaGo机器使用深度学习击败了世界围棋冠军。围棋是中国古老的棋类游戏。对计算机而言,可能在去年三月份听过。围棋要比象棋更难掌握。经过十几年的人工智能研究,如何做到呢? 通过反复观看强大的人类棋手所下的千万手棋来训练 AlphaGo然后自我博弈百万局。机器学习使得机器能从样本、数据中进行学习,首先。将知识填充到计算机中的关键。这非常的重要,因为有知识才能产生智能。 向计算机填充智能曾是先前人工智能方法的难题。为什么呢?因为大脑中的许多东西都是直觉性的无法用言辞表达它对这种直觉性知识没有意识过程。那如何向计算机编程这种知识呢?解决方案又是什么? 就像我人类一样。解决方案就是让计算机自己去学习这种知识。 无论是人类、动物还是机器学习。工作对发现、理解通过学习的智能的原理有所贡献。 机器学习像物理学一样,和其他人相信。有一些简单的理论能解释智能并帮助我建立智能机器。例如,空气动力学,足够综合,能够解释鸟类、飞机的飞行原理。如果能够发现一种简单的理论解释智能,不是很惊人?现在已经有所进展了 机器学习的一种方法,和我合作者在神经网络与深度学习领域的研究对人工智能革命有所贡献。受启发于大脑。深度学习的崛起开始于 2012年,手机上的语音识别使用到神经网络。不久之后计算机视觉也迎来突破,计算机如今在识别图像中内容上已经做的非常好了甚至过去五年在某些基准上已经达到人类的水平。现在计算机能够直观的理解一个围棋棋盘视觉外观,这种能力可媲美于最好的棋手。 随着我所在室验室的一些发现,最近。机器翻译也用到深度学习。这项工作扩展了计算机理解、生成自然语言的能力。但不要被欺骗了离一台全能的机器还非常遥远。例如,计算机还不能像一个 2岁儿童那样学习,事实上 2岁的儿童能掌握直观地物理世界,知道丢球时球会下落,泼水时会上海私家侦探 一团混乱,但她父母并为教过她牛顿力学或微分等式。以无监督的方式自己学习了这些知识。 可能还要花费数十年的时间才能解决。无监督学习尝试找到数据的表征,无监督学习是现在人工智能的一个重大挑战。让我来演示一个例子。 计算机看来就是一张图片,眼睛看屏幕上的页面。一堆的像素。为了回答关于此图像内容的问题,需要了解它高层含义,这种高层含义对应大脑中的最高层表征。向下,解单个词的含义;更往下是组成单词的字符,这些字符可用不同的笔触、不同的方式进行渲染;而笔触由 edg构成,edg由像素构成。所以里面有不同层级的表征。 还不能回答有关图像内容的高级问题。大脑其实有这些不同等级的表达。从皮质的首个视觉区域 V1中的神经元开始,但像素来表达图像的含义还不够。识别 edg皮质的第二个视觉区域 V2识别笔触和小形状。更高级别上,有检测物体部位的神经元,然后是整个物体和全部画面。 实际上就能够发现这些不同层级的表征,使用图像训练神经网络的时候。与我大脑中观察到一样。大脑中的神经网络与机器中的深度神经网络都能学习不同层级表征间的转换,用更高的层级对应更抽象的概念。例如字母 A抽象概念可用低等级的不同方式进行渲染,因为许多像素的构成由位置、旋转、字形等决定。 那么我如何学习高等级表征呢? 人类需要告诉计算机许多问题的答案。例如在大量图像上,深度学习应用中如今比较成功的一件事是监督学习。人类需要告诉计算机这是狗的图片、这是猫的图片,以及电脑、键盘等。这是一个非常痛苦的过程,通过众包来做。同时,这又非常强大,已经能用它解决许多有趣的问题了 而且我已经能解决许多有趣的问题了但人类仍然还是强大得多—可以以一种远远更加自动化的方式学习世界的远远更多的不同方面。就像我看到二岁孩童也能学会直观的物理知识一样,尽管这非常强大。无监督学习可以帮助我解决自动驾驶汽车的问题。让我解释一下。无监督学习允许计算机投射未来的状况,即基于当前状况生成可能的未来,并且可以允许计算机为它之前从未训练过的情形提前进行推理和规划。这是非常重要的因为如果我用的监督学习,就必须告诉计算机汽车可能遭遇的所有情形以及人类在那些情形中会做出的反应。 具有创造力。这方面,怎样学会避免危险的驾驶行为的必须在事故中死上几千次才行吗?这就是现在训练机器的方式。需要做的训练我模型去生成可信的图像、可信的未来。正在取得进展。正在训练这些神经网络将高级的含义转变成像素,而不是从像素转变成高级的含义。 计算机可以生成新的图像,因此以这种方式按另一个方向通过不同层面的表征时。这些图像不同于该计算机之前训练时所见过的图像,但仍然很可信,看起来就像是真实的自然图像一样。 就像是梦境和噩梦一样。也可以使用这些模型来「梦想」奇怪的事物和恐怖的画面。 但如果你看仔细一点,这里给出了一些计算机使用这些深度生成模型合成的图像。看起来就像是真实的自然照片。会看到还是不同的还是缺少一些我会将其看作是「自然的」的细节。 无监督学习就已经成为了深度学习领域实现突破的一个关键。这些突破仅仅发生在少数几个实验室,大约十年前。包括我实验室。那时候,神经网络还并不流行,几乎已经被科学界给抛弃了现在情况已经发生了很大的变化。这已经变成了一个非常热门的领域。每年都有数百名学生申请我实验室及合作伙伴的研究生。蒙特利尔已经变成了世界上最大的深度学习研究者聚集地。刚刚收到一大笔研究资助,共 9400万美元,来推动人工智能和数据科学的前沿研究以及推动深度学习和数据科学技术向工业界的转化。受到这些技术激发的商业人士正在创造创业公司和工业界的实验室,其中很多都与大学走得很近。比如说,就在几周前,推出了一个创业公司工厂 ElementAI其将专注于深度学习的应用。 所以他得到报酬高得惊人。许多前学术界的同事都从企业公司拿到非常慷慨的交易,深度学习专家的数量还不够。以在企业的实验室工作。自己选择呆在大学,为公共福利而工作,和学生一起工作,以保证独立性和引导下一代深度学习专家。 还在做的另一件事情是思考人工智能的社会影响。现在许多人都开始将目光转向能增加社会价值的应用,除了商业价值之外。比如健康。认为我可以使用深度学习来实现个性化医疗,从而提升治疗。相信未来随着我从数百万乃至数十亿人身上收集到数据越来越多,将能为数十亿现在还没法获得医疗服务的人提供医学建议。现在可以想象人工智能在社会价值上的许多应用,比如一些来自我自然语言理解方面的研究成果将能为那些无力负担法律服务的人提供各种法律服务等等。现在团队已经将目光投向了人工智能的社会影响,但思考这个问题并不是专家的专利。相信在数学和行业术语之外,普通人也能足够理解隐藏在下面的基本思想,从而参与到将在未来数年和数十年到来的关于人工智能的重大决策中来。 让你自己学习了解它和我合作者已经写出了好几篇入门论文和一本名为《DeepLearn来帮助学生和工程师进入这个激动人心的领域。另外还有很多在线的资源可用,所以请拿出一点时间和空间。比如软件、教程、视频。许多大学学生在自学深度学习,从而对这些研究有了很好的解,并在后来加入了排名前列的实验室,比如我实验室。 也可能带来极大的负面影响,人工智能将会对我社会产生重大的影响。所以必须要问:将如何使用它既有可能带来极大的益处。比如军事用途、对就业市场的颠覆。确保未来几年我做出的关于人工智能的集体选择将有益于所有人应该在人工智能塑造我未来的方式上扮演积极的角色。

上一篇:2016年通信设备及服务行业新三板公司总资产Top50

下一篇:食品安全工作纳入领导班子考核内容