• 行业专题
  • IndustryTopic
  • AI 黑箱难题有望破解,未来机器人更智能

    • 行业专题
    • 时间:2016-11-25
    • 来源: 非常在线
    • 编译:zy
    • 我要投稿
    • 0
        现在对于AI 完成某项任务已不是什么新鲜事,毕竟在工业、医疗、农业等诸多方面都大放异彩。最近,机器人的大脑又不断被开发,不但开始拥有好奇心来驱动自学,而且还像人们解释为什么作出了某些决策?机器人发展将迎来质的飞跃。
     
      “我们需要质疑为什么算法程序会做出这样那样的决定,如果我们不在 AI 动机解释上花功夫,就无法信任这个智能系统。”卡内基梅隆大学计算机科学教授 Manuela Veloso表示说。
     

     
      据了解, 创业公司 OptimizingMind 发明了一项能观察智能机器决策过程的技术。 这个算法的目的是创造 “透明访问”系统,以呈现机器学习是如何做出预期的。OptimizingMind 的负责人 Tsvi Achler 说:“该系统以人脑的神经模型为基础,能把任何深度网络转化为该系统的模式。它的目的是探索 AI 行为的潜在预期,并且找出 AI 思维模式的哪个方面对决策影响最大”。
     
      “我感兴趣的是,大脑和计算机的共同点在哪里?为什么人脑可以在学会任何模型之后把它解释出来。如果我说 ‘章鱼’,你是否能告诉我那是什么?如果我问章鱼触手长什么样,你能告诉我吗?”
     
      当然AI与人类大脑的主要区别之一在于:我们会条件反射地自主去学习,而AI则要有一系列的程序输入,而且牵一发动全身。这种灵活性与自主性对于AI来说还有很大的潜力可以突破。
     

     
      此外,这个系统的“透明访问“也十分炫酷。这个系统提供了一种实时观察 AI 决策的方法,抓取重点信息上节省大量的时间。它可以程师们大幅减少机器开发的时间,帮企业节省资源。 Achler 还表示,在提供透明度之外,这个算法还可以被修改。不但预期(expectations)能被表达出来,每个单独预期还能随着新信息立刻改变。
     
      今天,大多数机器学习的方法使用一个正反馈技术。风险投资公司 Naiss.io 的联合创始人 Ed Fernandez 说,正反馈使用优化过的权重执行任务。在正反馈系统里,独特性信息依据训练中出现的频率被录入权重。这意味着整套训练中的权重必须经过优化。这又意味着可以“根据正在被识别的模式执行优化”,这不是为了权重而优化,而是为了模式识别去优化。
     
      如今,在机器人与商业捆绑日益紧密之时,更加智能细分的机器人已成时下必需,如果能在机器人行动动机上有所突破,那么,未来我们看到的将不再是答非所问跑题王,也不是独臂行天下的低能机器人,而是心灵手巧,知错能改的机器人。
    [打印文本] []
    
    全部评论(0
    TOP Bookmark