• 资讯
  • News
  • 行业资讯
  • IndustryNews
  • 人工智能在“深度学习”帮助下欲当“学霸”

    • 行业资讯
    • 时间:2016-08-19
    • 来源: 科技日报
    • 编译:lx
    • 我要投稿
    • 0
       人类对人工智能寄予厚望,赋予其无尽的遐想,更是许多科幻大片的主题。但人工智能的发展一直不如人意,直至一种名为深度学习的强大技术横空出世,这一情况才发生了根本性转变。

      人工智能曾步入“寒冬”
     
      人工智能的开发可以追溯到上世纪五十年代。随着计算机的出现,人工智能有了新的发展,并在跳棋上战胜了人类,同时在数学定理证明上展现出强大能力。许多科学家兴奋地认为,利用软硬件形成的人工智能可在任何领域内战胜人类。麻省理工学院著名科学家马文·明斯基则公开宣称,人工智能只需要一代人的时间就可以战胜人类。这一愿望推动了一大批科研人员投身到这一研究领域。
     
      然而现在看来,这样的想法还是太过于天真了,人类大脑的复杂性远远超出了科学家的预想。当时的计算机由于算法过于简单、数据不足及速度过慢等原因,相继在诊断和图片识别方面败北,使人们对人工智能的憧憬变为质疑。到本世纪初,有关构建仿人类智能机器的想法几乎在科学界销声匿迹,甚至连人工智能这一名词也似乎远离了严肃科学。为此,有人将上世纪七十年代至本世纪初这段时间戏称为“人工智能的冬天”。
     
      脑科学为人工智能注入活力
     
      2005年,深度学习技术开始从脑科学的发展中汲取营养,通过模拟神经元来逐渐学习如何识别图像、理解语言,甚至作出自己的决定。该技术主要基于人工神经网络和一般的数学原理,从实例中学习如何识别图像和翻译语言。深度学习技术使人们恢复了对人工智能的憧憬。2012年,谷歌开发出智能个人助理Google Now,用自然语言来回答用户问题,提供建议,并根据用户以往的搜索习惯预测其可能需要的信息。此后,谷歌又推出图片搜索引擎Google Photos。智能手机助理软件更是一日千里,成为人们不可或缺的生活工具。谷歌AlphaGo战胜围棋顶尖高手李世石的消息更是成为轰动世界的头条新闻。技术进步推动深度学习技术迅速商业化,并成为人工智能发展的重要推手。为了抢占先机,各大信息巨头纷纷砸数十亿美元巨资支持其发展。
     
      多年来,人工智能进展缓慢,主要是由于人类是以自己能够理解的方式,而不是机器所能理解的方式来认识世界,处理问题,因此,对人类来说容易的事,对机器来说则千难万难。而深度学习最有潜力之处,就是让机器自己学习,通过自主学习教会自己如何做出正确的决定。然而,让机器对特定情境做出正确决定并非一件轻而易举的事。人类之所以比较容易做出正确的决定,是因为一些相关知识早已储存在大脑中,事到临头可以直觉的方式瞬间作出反应,并可在今后的实践中不断积累经验。因此,机器学习的一个重要方面是为其编码学习算法,让机器从分析比较大量实例中学习提高。
     
      编码学习算法面临的另一个挑战,是没有一个放之四海而皆准的固定模式可以处理机器所面对的各种情境。而人类则不然,人类似乎天生就可以处理各种情境、学习各种知识。因此,人类大脑自然就成为设计人工神经网络最重要的模型。
     
      技术进步助推深度学习发展
     
      人类大脑通过神经元来进行计算,每个神经元通过突触传递信号。神经元在学习过程中可以加强突触的强度,并向临近的神经元传递信息。因此,早期深度学习技术也从构建虚拟神经元来形成人工神经网络,并通过增强连接神经元间的突触优势来实现机器学习。现在的人工神经网络用不断改变每个突触连接的数值来表示该连接强度。虽然每次学习其数值改变很小,但已可以使人工神经网络提高预测的准确性。
     
      为了取得最佳效果,目前的学习算法还需要人类的参与,称之为监督学习。如通过为机器提供日落的图片来作为输入,这样“日落”一词经过人工智能才能输出。每次提供不同的日落图片,不断改变人工神经网络突触连接的数值和强度,以此来完成学习任务。这一学习过程的关键是不让机器单纯地死记硬背,而是遇到新的日落图片时,同样可以产生有关日落的输出。虽然这一任务表面上看很简单,但由于即便是日落这一简单的情境,其图片也会产生无穷的变化,因此要求学习算法在类似的输入下,会产生类似的输出,尤其不能出现指鹿为马的情况。
     
      有一种处理图像识别问题的神经网络称之为卷积神经网络,是人工智能的关键技术,其有多层神经元,对图像中重要内容的些微变化不敏感。卷积神经网络在深度学习中获得了较为广泛的应用,其灵感主要来自人类视觉皮层的多层结构。
     
      此外,深度学习在近年来能够取得成功得益于两个关键因素:一是计算机运算速度提高了近十倍,尤其是图形处理能力大幅提高;二是深度学习可顺序计算的能力,能对图像、声音或数据一步一步地进行分析或构造。而对声音和图像进行识别需要多层网络结构。
     
      人工神经网络在图像识别上主要表现为对静态图像的识别能力。目前又出现了一种新型神经网络,称之为回归神经网络,可对随时间展开的事件进行标记。回归神经网络与人类大脑的处理方式有很多相似之处,它可以预测一个句子将出现什么单词,并在阅读句子后,对其意思进行猜测,今后可应用于语义加工和语言翻译。
     
      人工智能技术走过了寒冬,迎来了发展的春天,这不仅仅是技术的进步,还对我们今后应如何支持科学技术的发展有着更为深刻的意义。当某项技术的发展遇到暂时挫折,我们该如何更好地应对挑战,坚持多样化发展策略,有效帮助其走出困境,这对整个科技发展都有重要的启示作用。
    声明:凡资讯来源注明为其他媒体来源的信息,均为转载自其他媒体,并不代表本网站赞同其观点,也不代表本网站对其真实性负责。您若对该文章内容有任何疑问或质疑,请立即与中国机器人网(www.robot-china.com)联系,本网站将迅速给您回应并做处理。
    电话:021-39553798-8007
    [打印文本] []
    
    全部评论(0
    TOP Bookmark