【业界】人工神经网络在这6大领域超过人类!

五年前,研究人员对能够解释图像的软件的准确性方面有了相当大的飞跃。人工神经网络支撑了我们目前在AI领域看到的“繁荣”。然而,我们仍然没有达到像“终结者”或“黑客帝国”那样的现实。

目前,研究人员正试图把重点放在教学机器上。不同于人类大脑一次处理多个事物的大脑,机器人必须以线性的方式“思考”。无论如何,在某些领域,AI战胜了人类。深度神经网络已经学会了交谈、驾驶汽车、打游戏、绘画和帮助科学发现。

这里有六个方面,人工神经网络证明他们可以超越人类的智慧。

1.图像和物体识别

在图像和物体识别方面,机器有着很好的记录。Geoff Hinton发明的胶囊网络,在挑战软件识别玩具上,之前的错误率得到减少了。即使视图与之前分析视图不同,在各种扫描过程中使用大量的这些胶囊网络,可以让系统更好地识别对象。

另一个例子来自于一个先进的网络,它被训练在一个标记图像的数据库上,并且能够比科研人员更好的对物体进行分类。

2.电子游戏

谷歌的DeepMind使用一种深度学习技术,称为深度强化学习。研究人员用这种方法教计算机玩Atari游戏Breakout。计算机不是以任何特定的方式进行教学或编程的。相反,在观看分数的时候,它被赋予了键盘的控制权,其目标是使分数最大化。玩了两个小时后,电脑成了游戏的专家。

深度学习社区正在进行一场竞赛,训练计算机在几乎所有你能想到的游戏中击败人类,包括太空侵略者、毁灭战士、乒乓球和魔兽世界。在大多数的游戏中,深度学习网络已经胜过有经验的玩家。电脑没有编程玩游戏,他们只是通过“玩”来学习。

3.语音生成和识别

去年,谷歌发布了WaveNet,以及百度发布了Deep Speech。两者都自动生成语音的深度学习网络。系统学习模仿人类的声音,并随着时间的推移而改进。将他们的言论与真实的人物区别开来,要比想像中难得多。

由牛津大学和谷歌DeepMind科学家LipNet创建的一个深度网络,在读懂人们唇语方面取得了93%的成绩,而普通的唇语读者只在52%的成功概率。华盛顿大学的一个小组使用唇形同步来创建一个系统,将合成音频设置为现有视频。

4.艺术和风格的模仿

神经网络可以研究特定艺术作品的笔画、颜色和阴影的图案。在此基础上,通过分析,将原作品的风格转换成新的形象。

DeepArt.io就是一个例子,该公司使用深度学习的应用程序,来学习数百种不同的风格,且你可以将其应用到你的照片上。艺术家和程序员Gene Kogan也应用风格转移,基于从埃及象形文字中学习的算法来修改蒙娜丽莎。

5.预测

斯坦福大学的研究员Timnit Gebru拍摄了5000万谷歌街景图片,并探索了一个深度学习网络对他们的作用。计算机学会了定位和识别汽车。它检测到超过2200万辆汽车,包括他们的制造、型号、体型和年份。Gebru和coauthors写道:“如果在15分钟车程内遇到的轿车数量超过皮卡车数量,那么在下次总统选举期间,这个城市的人很可能会投票给民主党人(88%的概率)。”

另一个提供比人类更准确的预测的机器的例子来自Google Sunroof。这项技术使用了来自Google Earth的航空照片,创建了一个三维模型的屋顶,将其与周围的树木和阴影隔开。然后,它利用太阳的轨迹来预测太阳能电池板可以根据位置规格从你的屋顶产生多少能量。

6.网站设计修改

AI在网站建设者中的整合可以帮助更快更有效地修改网站,而且可能比人类更准确。像这样的系统的底层技术提供了一个关于站点外观的平均用户意见,它告诉设计师网站的设计是坏的还是好的。今天,网站的建造者要么使用深度网络来修改设计,要么计划在不久的将来使用它们。该技术可以分析不同的模式,并根据之前的转化率和其他重要指标创造出更好的结果。

虽然我们可能还远未达到矩阵级AI,但公司正致力于快速提高神经网络的智能。上面提到的项目只是表面上的技术能力。新的想法和改进不断涌现,证明机器能够超越人类的表现,“task by task”。

原文发布于微信公众号 - ATYUN订阅号(atyun_com)

原文发表时间:2017-12-11

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据的力量

运营必读 |“用户金字塔模型”在社区产品中的重要性

1392
来自专栏全栈数据化营销

3个案例了解数据挖掘,学会数据挖掘方法和思路

一、银行信用卡欺诈与拖欠行为分析: 1、客户信用等级影响因素      1.1客户信用卡申请数据预处理      1.2信用卡申请成功影响因素 2、信用卡客户...

33013
来自专栏人工智能头条

小团队撬动大数据——当当推荐团队的机器学习实践

2029
来自专栏云时之间

深度学习的应用总结(翻译)

原文地址:https://en.wikipedia.org/wiki/Intelligent_personal_assistant 当首次介绍深度学习时,我们...

2866
来自专栏CSDN技术头条

深度学习应用大盘点

当首次介绍深度学习时,我们认为它是一个要比机器学习更好的分类器。或者,我们亦理解成大脑神经计算。 第一种理解大大低估了深度学习构建应用的种类,而后者又高估了它的...

2058
来自专栏数据观有话说

关于“数据可视化思考者”的8条军规

经常在网络上看到这样的问题:“从零开始学习数据可视化,需要怎么开始?”《Data at Work》一书的作者Jorge Camoes在一次演讲中,提出了“数据可...

2057
来自专栏数据派THU

独家 | 一文读懂社交网络分析-下(应用、前沿、学习资源)

本文主要阐述: 社交网络分析的应用 社交网络前沿研究 学习资料 参考资料 浏览前三章的内容请见上篇(2017年9月26日头条)。 四. 社交网络分析的应用 1....

25810
来自专栏PPV课数据科学社区

【PPT】腾讯社交网络的大数据建模框架探索报告

PPV课大数据 在10月24日2014中国计算机大会的重要活动之一 —-“大数据高峰论坛”,腾讯公司社交网络运营部专家研究员岳亚丁在论坛上作了题为“社交网络的大...

3223
来自专栏新智元

Hassabis 论文:为智能体设计“不需要模型的情景控制系统”

【新智元导读】谷歌 DeepMind 创始人 Demis Hassabis 等人近日发表论文,延续其拓展的辅助学习系统理论,为智能体设计了一个“不需要模型的情景...

3007
来自专栏AI科技评论

NLP应该如何学、如何教?斯坦福大学大牛Dan Jurafsky教授专访

AI 科技评论按:自然语言处理是一个高度跨学科的领域,包含了语言学、计算机科学、统计学等等许多传统学科的内容。在课堂中,自然语言处理的教师者们要根据课程长度、学...

472

扫码关注云+社区