【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WOLFRAM

Wolfram语言人工智能:图像识别项目(二)

2124
来自专栏大数据文摘

扎克伯格预言即将成真:计算机可解读图片内容

25713
来自专栏AI科技大本营的专栏

量子计算+人工智能——这才是未来科技的最大热门!

编译 | AI科技大本营 参与 | shawn 编辑 | 明明 90年代初,当卫奇塔州立大学(Wichita State University)的物理学教授El...

4007
来自专栏新智元

【Science】DeepMind关系推理ANN,在图像理解中击败人类

【新智元导读】人类通常相当擅长关系推理,但对 AI 来说是难点。谷歌 DeepMind 研究人员提出了用于关系推理的人工神经网络。它拥有处理图像、分析语言甚至学...

52617
来自专栏CDA数据分析师

机器学习领域的突破性进展(附视频中字)

机器学习的发展涉及到各个方面,从语音识别到智能回复。但这些系统中的“智能”实际上是如何工作的呢?还存在什么主要挑战?在本次讲座中将一一解答。 Google I/...

19010
来自专栏AI研习社

DeepMind 弹性权重巩固算法让 AI 拥有“记忆” ,将成机器高效学习的敲门砖

一直以来,计算机程序都是个“左耳进,右耳出”的“傻小子”,它们很快就会忘掉所做过的任务。DeepMind 决定改变传统的学习法则,让程序在学习新任务时也不忘掉旧...

3135
来自专栏CreateAMind

智能机器的现实风险

当人们问我是干什么的,我常常对回答的深度感到困惑。说“人工智能”我很满意,但太宽泛,而说“图像处理”可能又太具体。然而,一听到接下的来的毫不相干的问题我总是气不...

781
来自专栏量子位

谷歌传奇Jeff Dean给创业者的一小时AI讲座 | 86页PPT+视频

李林 若朴 编译整理 量子位 出品 | 公众号 QbitAI ? 少年,你知道Jeff Dean么? 传奇一般的Jeff Dean现在领导着Google Bra...

3413
来自专栏AI科技评论

葛笑雨:应用于智能体(Agent)的空间物理定性推理技术

近年来人工智能技术突飞猛进,越来越多的机器人正在走进我们的世界。与人类一样,机器人在执行日常任务时往往需要具备一定的空间物理推理能力。具备这种能力不仅使机器人可...

1161
来自专栏AI科技评论

干货 | 猿桌会 56 期 - 葛笑雨:应用于智能体的空间物理定性推理技术

近年来人工智能技术突飞猛进,越来越多的机器人正在走进我们的世界。与人类一样,机器人在执行日常任务时往往需要具备一定的空间物理推理能力。具备这种能力不仅使机器人可...

1292

扫码关注云+社区