【Deep Learning】From AI to True-AI

2015 高性能计算用户大会

上个月颜水成加入奇虎360组建了一个研究院,把一些思想用到了360的产品线。在这次的高性能用户计算大会上,颜水成表示人工智能的研究可以分为三个层次,第一个层次是算法模拟人的神经元,把它转换成另外一个信号。第二个层次是模拟人的大脑,这个时候信号不是直接的转换,里面有抽象和层次的理解,最后才转换成信号。有了这两层还是不够,还有非常重要的一层,它不只是建立一种模型,机器是智能的,它会自己学习,在跟它周围的用户和环境接触过程中,智能水平会逐步提高。我看过一个电影《超能查派》,这个机器人开始的时候有一些基本功能,当把人工智能植入到机器人的时候,它开始模仿人类,最后这个机器人的智能逐步提高,最后跟人进行非常流畅的沟通。其实人工智能最终水平就是深度学习。

颜水成:感谢浪潮的邀请,让我有机会分享深度学习方面的进展。我上个月加入了奇虎360,其中很多产品线都和深度学习有相关。人工智能是非常广泛的范畴,现在的研究分为三个层次:

1、算法模拟神经元(Neuron),转换成电信号。

2、算法模拟大脑(Human Brain),这里面有抽象的理解,并转变成电信号。

3、算法自学习(Baby Learning),和周围环境接触过程中,智能水平会提高。

这就像《超能查派》,最开始只有基本功能,当把人工智能植入的时候,它开始模仿人类,最后和人类的沟通就非常流畅。

在这种理解下,我们把人工智能分成两方面:Brain-Like 和 Baby-Like。

Brain-Like 擅长做语音识别和人脸识别,Baby-Like 可以放在环境里自适应,做识别和理解。

那么什么样的模型能达到这种效果?它会有多种状态,模式之间可以互相指导,例如图像指导语音,语音指导图像。它可以在不同层之间互相沟通,这时候就得用到深度学习的工具。

Brain-Like

在深度学习上面,我们过去看到的是模型越大性能越好。在这里我想用 iPhone 的一个宣传口号:岂止于大。

这里面有三个点:

1、Pixel-to-Pixel Inference(像素到像素)

2、Neuron Nonlinearity(非线性神经元)

3、Feedback Strategies(回馈策略)

Pixel-to-Pixel Inference

在 P2P(Pixel to Pixel)上,这是一种端对端的训练,可以从 P2P 进入到 P2P-aware。

它还可以做图像分割,过去我们认为是不可能的,而现在由于加上了结构性模型,它也可以做到。

这样即便是一些有遮挡的图片,图像的模拟效果都还不错。

Neuron Nonlinearity

这方面最好用小网络来处理,去设计不同的尺寸。当你做的足够小的时候,就能更好的拟合它应该具备的功能。这样的话你就得到了 Network in Network,它就有很不错的性能。

我们把 NIN 放到GoogleNet上面测试了一下,LFW可以达到 99.7%,最好的百度已经能做到 99.8%。

除此之外,你还可以看到 GoogleNet 在这方面的数据。

这是我在腾讯的朋友,她上传了两张照片,左边和右边看起来差别很大,但在系统里面能够识别出是同一个人。

Feedback Strategies

在 Feedback 层面,不同的 Layer 和 Task 之间可以做很多工作。假如每层的数据一样,很自然的它就是在上面逐步测试。这样虽然第一次调的不一定准,但它可以帮助网络,最终实现很高的性能。

比如说给你一张图像,找出帽子、包和衣服。有些层的尺寸是一样的,我们就可以拿这些层做对比。

还有一些小尺寸的维度,如果把这些也加入到网络里面,就会有比较好的提升。

最后你可以把这些都合在一起,你可以得到连在一起的 Network。这样就能很好识别出哪个是眼镜、哪个是包、哪个是袜子。这些都能看得清楚。

从定量的角度说,它的性能会有很大的提升。如果用到高性能计算的GPU,基本可以处理到 20%,而且系统非常稳定。

有时候即便衣服是部分的,也可以识别出来。这方面的成功案例非常多。

Baby-Like

这部分是关于 Baby-Like 的研究,也是我说的 True AI。

当你和真实世界进行交互的时候,其实会有自我学习在里面。这里面的核心是能够理解上下文。

Baby-Like 是一种多特征的角度。包含了视觉、语音和自然语言理解。我们可以从过去的知识中,去学习和积累经验。

那么小孩是怎么学习的呢?他不需要太多的案例,只需要很小的训练让本,就能够在和真实世界的交互中,进行自学习。而当他看到了新事物(斑马),他会问妈妈说:这是一只马麽?

这张图是两种学习模式的抽象表示。

相比起来,Prior Knowledge 的模式取得了不错的成绩,它的性能指标从 53% 上升到了 56%。

当然这不是最好的结果,因为现在又有很多新的模型出现。

这是Baby Learning 在脸部识别的应用。

在这里你也可以看到不同的成果。

目前来说,基于注释的数据 Deep Learning,这是一种比较成熟的技术。但是未来的希望肯定会是 Baby Learning。它会有聪明的办法,在缺少或者弱标签的情况下学习,而且可以和人们的学习机制一致,包括自学习和终生学习的理念。

我就讲这些。

原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2015-09-25

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

来自专栏人工智能头条

基于计算机视觉的无人驾驶感知系统

2617
来自专栏机器之心

学界 | Facebook「1小时训练ImageNet」论文与MXNet团队发生争议,相关研究介绍

机器之心报道 机器之心编辑部 近日,Facebook 公布了一篇研究论文《Accurate, Large Minibatch SGD: Training Ima...

3077
来自专栏机器之心

业界 | OpenAI提出新型机器人训练技术:模拟环境动态随机

27910
来自专栏IT派

有趣!机器学习预测《守望先锋》里的赢家

网络游戏及电竞流媒体业务正在崛起为一个巨大的市场。在去年的英雄联盟世界锦标赛中,仅一场半决赛就有高达 1.06 亿人观看,甚至超过了 2018 年“超级碗”的观...

983
来自专栏人工智能头条

Yann LeCun:CNN已解决CIFAR-10,目标 ImageNet

1906
来自专栏机器之心

机器学习近年来之怪现状

总体来说,机器学习(ML)的研究人员正在致力于数据驱动算法知识的创建与传播。在一篇论文中提到,研究人员迫切地想实现下列目标的任一个:理论性阐述可学习内容、深入理...

862
来自专栏人工智能头条

京东DNN Lab:基于大数据、商品相似度模型和SVM分类的用户群筛选

2372
来自专栏大数据文摘

李飞飞说,机器是又快又准确,但是人类聪明呀!除此,她还推荐你读这十个机器学习误区

1833
来自专栏新智元

Quora:暮光之城女主角文章毫无价值,算不上人工智能论文

【新智元导读】1月20日,国外多家媒体报道,暮光之城女主角 Kristen Stewart 发表了一篇关于图像风格迁移的人工智能论文,引起业内广泛讨论。不少人感...

2747
来自专栏IT派

爆料 | 解析阿里妈妈如何将深度学习应用在广告、推荐及搜索业务

非常高兴与大家进行“深度学习演进之路”的交流,阿里妈妈是阿里巴巴集团下的大数据营销平台,是负责阿里巴巴变现的一个事业部。我研究的方向是机器学习、计算机视觉、推荐...

902

扫码关注云+社区