当前位置:武陵新闻网 > 科技

深度学习、神经网络赋能AI或颠覆未来科学

时间:2017-05-23 00:39   来源: 互联网    作者:竹隐
深度学习、神经网络赋能AI或颠覆未来科学

深度学习的发展应用能够帮助我们解决很多现实问题,在此之前,有相当一段时间都被用在研发、设计模型。因为构建模型涉猎的知识范围很广,研究人员需要精心考虑、雕琢各个细节,而且需要大量的数据支持。以前构建模型凭直觉判断居多,虽然现在在文字、图像、语音等领域的技术有所突破,积累了大量数据,但是过去的研究成果对于今天的研究仍有很大的指导意义。

其中,优化算法是深度学习成功的关键技术之一,这项技术恰恰是以前的研究成果的延伸发展。另一方面,大数据提供解决问题的方案只是在部分领域的应用展开,在其它领域掌握的数据还比较弱,甚至可以说比较初级,就目前看来深度学习仍然离不开人类的直觉判断,在技术成熟之前数据跟直觉会有一个较长时间的配合、制衡期。

AI的启蒙

AI这门学科属于新兴技术,AI启蒙源于人们对于智能的追求,在机器刚能处理简单计算的时候,已经有人开始提出机器能够跟人一样思考、处理问题的事情,这一点跟AI具有极大的相似性:让机器能学习、思考、感知、有逻辑,能开口说话,与我们交流。

深度学习、神经网络赋能AI或颠覆未来科学

AI经历了几个阶段的技术发展:阶逻辑(first-order logic)、专家系统(expert systems)、早期机器学习、深度学习。早期阶段的研究为AI研究提供了大量的基础储备,后者则会涉猎机器人、计算机视觉、自然语言处理、语音处理、生物保护学(conbio)等多个学科的研究,这也是AI技术进阶的必经之路。随着机器学习领域工具的成熟、大数据的应用、计算机性能的提升让AI开始为企业献策献力,甚至开始改变了很多企业的命运。

现在AI领域的工具和技术还处于起步阶段,借助AI可实现的事情拥有无限的想象空间,比如语音识别。

语音识别

语音识别技术的普及应用得益于AI技术的发展,谷歌刚开始做语音识别的时候,产品极其有限,技术也很初级,从初级阶段走到今天是一点一滴的突破累计起来的。打造一个成功的产品,首先要有忠实用户,在此基础上才能不断收集新数据导入模型、不断迭代,这样产品才会日臻成熟。另外谷歌是一家以技术为驱动的创新型公司,管理高层早期就给予AI技术以最大的支持。

随着iOS和安卓诞生,用户有了视觉反馈。谷歌开始着力构思Voice Searchv用语音进行谷歌搜索。起初简单做语音转录,逐渐地,谷歌希望用户可以用语音做任何事,比如 Google Home 这样的智能助手,用户需求推动技术的革新换代。

深度学习、神经网络赋能AI或颠覆未来科学

早期数据可视化的研究相当困难,现在随着设备性能的提升,数据逐渐共享公开,数据可视化的研究成果遍地开花,比如,媒体利用统计数字表达复杂的新闻事件。长久以来,AI、机器学习有一项重大挑战:如何让人类理解超高维数据。但是,随着越来越多的数据可视化工具被开发出来并得以应用,将进一步推动AI技术的飞速发展。

语音识别是基于机器学习的一门技术,随着机器学习技术的进化语音识别也一直在进步,其中最重要的一点就是神经网络的采用,这开启了在支撑谷歌产品的核心技术上不断创新的新空间。

深度学习、神经网络赋能AI或颠覆未来科学

除用于语音识别的神经网络,神经网络在医疗健康领域的应用或许会有更加璀璨的成就。如早期离开谷歌成为Alphabet的子公司的Calico,它的存在的意义是让人们能够更长寿、更健康。为了提高抵抗疾病风险的能力,Calico研究导致衰老的生物系统机制,从分子层面一直到系统层面,通过技术手段介入,或许会给我们的生命带来意料之外的福音。

科学家们现在已经发明出一整套衡量机制与方法,收集数据并试着帮我们理解衰老中的机体。但是,没人能把这些不同测量机制所产生的、从微分子层面到人口学层面的数据整合到一起。整合这些信息就需要生物学家和机器学习专家跨界合作,后者能建立模型,整合所有信息,大数据和人类直觉合力建立的模型才更具参考意义。由于生物机体的复杂度过高,最终建立对衰老的深度理解并预测有效的干预方式任重道远。

计算机视觉

计算机视觉(CV)本身就是杀手级应用,AI的杀手应用。首先视觉图像处理对于人类至关重要,据估计,互联网上超80%的内容为视觉内容。另外,传感器收集的第一大数据形式,是由可见光或不可见光组成的图像数据。因此,对于公司或消费者来说,以像素形式出现的数据都是极其珍贵的。

深度学习、神经网络赋能AI或颠覆未来科学

深度神经网络赋能CV之后,CV实现了突破性发展,这主要体现在基础的感知任务领域(perception task):物体识别、图像标注、物体检测等,比如谷歌照片(Google Photos)、自动驾驶汽车的行人检测系统等。未来对CV的投资,可能会集中于CV和其他领域的结合应用。比如说,CV和语言的结合,医疗、生物领域的视觉应用更是不在话下。其他的如机器人跟CV的结合的前景也会非常广阔,因为机器人领域一直没有什么重大突破,视觉是机器智能最重要的构成要素之一,深度学习可能会为其改造升级带来实质性突破。

数据可视化的未来

机器学习需要海量的数据、统计数字、概率,数据可视化可以帮助我们更好地理解输出的模型,修补漏洞对于模型的完善大有裨益。另外,如果我们利用可视化更好地理解了机器学习系统,同时在学习的过程当中也有可能提升我们的职业水平。目前为止,AI仍让人感觉到强烈的工程导向属性,随着跟其他领域专家合作的展开AI技术可能会有为社会创造更大的价值。

在语音识别领域,对待每一个问题必须要专注。比如开发Youtube儿童频道的时候,必须要专注于孩子的说话方式、音域、断句方式等,只有不断地将学习成果加入到通用模型中人与机器的交互才会有可能畅通无阻。每次新开发一个新产品就要搜集新数据,数据只有导入模型才有可能得到良好的训练。

深度学习、神经网络赋能AI或颠覆未来科学

“独立的机器价值观并不存在,人类价值观就是机器价值观”。将来,只有各门学科的技术专家加入到AI领域发挥所长才有可能真正为全人类开发AI,而不是沦为一部分人的工具。随着海量数据的搜集以及不断进化的机器学习技术,AI或许会成为将来革新科学的最重要基因。

推荐内容
更多