专家展望未来5年深度学习技术的发展

2015年12月29日,美国科技资讯网Re-work发文,总结了多位深度学习专家对未来5年深度学习技术的发展预测。

(1)人工智能研究机构OpenAI的研究主任Ilya Sutskever:我们可以期待看到更多更深的模型。与现有模型相比,这些模型需要的训练案例更少。我们可以期待看到更精确和更有用的语言与视觉识别系统。

(2)波恩大学自动智能系统集团教授及主管Sven Behnke:我希望深度学习方法能够被应用到越来越多具有更多数据结构的多模态问题中,如机器人、数据挖掘和知识发现。

(3)谷歌高级科学家Christian Szegedy:目前的深度学习算法和神经网络技术的表现远远低于其理论上能够达到的性能。今天,仅仅通过改进网络结构和使用更好的培训方法,我们设计出的视觉网络就可以比一年前使用昂贵部件的系统便宜5-10倍、参数少15倍,却具有更好的性能。我相信这只是一个开始:深度学习算法将会变得更加有效,使它们可以运行在更廉价的移动设备上,甚至不需要额外的硬件支持和高昂的存储开销。

(4)斯坦福大学计算机科学博士研究生、OpenAI研究所科学家:我看到的一个趋势是系统架构正在迅速地变得更大更复杂。我们正向着构建大型神经系统发展。这种系统允许我们添加和撤换神经部件、在各种数据集上预训练网络的某个部分、添加新的模块、联合调整任何内容,等等。例如,卷积网络曾是最大、最深的神经网络架构,但现在它已经被看作大多数更新架构里图标中的一个小盒子。接下来,很多这样的架构也会变成为未来新架构中的一个小盒子。

(5)加州大学伯克利分校计算机科学副教授、Gradescope网联合创始人Pieter Abbeel:当前有很多基于深度监督学习和视频缩放技术的行业,正在努力使深度学习超越当前自然语言处理的方法,并在深度无监督学习和深度强化学习方面取得重大进展。

(6)深度学习初创公司Deep Instinct的首席技术官Eli David:过去两年我们见证了深度学习技术在它的大多数应用领域取得了越来越大的成功。未来五年里,即使我们不能实现人类水平的认知这个“圣杯”(尽管这极有可能在我们的有生之年发生),我们也将在其他很多领域看到巨大的进步。特别地,我认为最有前途的领域是无监督学习,因为其中的数据是没有标签的,而我们的大脑新皮层也基本上是一个非常好的无监督学习盒。

(7)Deep Instinct是第一个将深度学习技术应用到网络安全的公司,我预计未来几年能够看到更多利用这种技术的公司。然而,深度学习的门槛仍然很高,尤其是对那些不经常使用人工智能方法的网络安全公司(例如,很少看到使用典型机器学习技术的解决方案)。因此,还需要几年时间才能让深度学习技术成为网络安全领域中一种广泛使用的商品化技术。

(8)情绪识别公司Affectiva的研究主任Daniel McDuff:在计算机视觉、语音识别和其他一些领域,深度学习已经成为机器学习的主要形式。我预计基于一两个图形处理器建造精确识别系统的能力能够让研究者建造并部署现实世界的新软件。由于数据量会保持持续增长,我预计将看到无监督或半监督的训练算法得到更多关注。

(9)加拿大高级研究所(CIFAR)学者Jörg Bornschein:预测未来总是很困难。我认为无监督、半监督和强化学习方法的作用将比现在大得多。如果我们把机器学习作为一个更大系统的一部分,例如机器人控制系统或者集中了很多计算资源的更大系统,就会很容易发现纯粹的监督学习模式对解决这类问题是远远不够的。

(10)谷歌高级科学家Ian Goodfellow:我认为在五年内,我们能获得可以从视频剪辑中总结出事件并能够制造短视频的神经网络。神经网络已经成为视觉任务的标准解决方案,我期望它也能成为神经语言编程和机器人任务的标准解决方案。我还预计神经网络将成为另外一些科学领域的重要工具。例如,神经网络可以通过训练为基因、药物和蛋白质等建模,然后用来设计新的药物。

(11)情感技术公司Sentient Technologies的首席技术官Nigel Duffy:目前大数据生态系统一直专注于海量数据的收集、管理和综合处理。很明显,在分析和预测方面也有了大量工作。但企业用户根本不关心这个问题,他们只关心结果,例如“这个数据会改变我的行为方式吗?它会改变我的决定吗?”我们认为这是未来5年内要解决的关键问题,而且我们相信人工智能将成为数据和更好的决策之间的桥梁。显然,深度学习将在这个演化中扮演重要角色,但它将与其他人工智能方法相结合。在未来的五年中,我们将看到越来越多的混合系统。在其中,深度学习将被用来处理一些困难的感知任务,而其他人工智能技术和机器学习技术将被用来解决问题的其他部分,例如推理等。

(12)谷歌DeepMind团队科学家Koray Kavukcuoglu和Alex Graves:未来五年会发生很多事情。我们认为无监督学习和强化学习将变得更加重要。我们还期望看到多模态学习的增长和超越个人数据集的学习受到更多关注。

(13)多伦多大学机械学习小组博士研究生Charlie Tang:深度学习算法将逐渐被用于更多任务并解决更多问题。例如五年前人脸识别算法的识别率通常比人眼识别率低,然而目前已经有基于主要的人脸识别数据集和标准图像分类数据集的超过人眼性能的识别算法出现。在未来五年,一些越来越难的问题将被深度学习算法解决,如视频识别、医疗图像处理或文本处理等。我们也可以期待深度学习算法被用于商业产品,就像过去十年中人脸识别器被集成到消费级相机的过程。

原文发布于微信公众号 - 人工智能快报(AI_News)

原文发表时间:2016-01-29

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ATYUN订阅号

IBM研究人员通过探索缺失的事物来解释机器学习模型

在《白额闪电》(The Adventure of the Silver Blaze)中,福尔摩斯并不是通过能看到的线索解决了案件,而是通过注意到某一事物的缺失...

1274
来自专栏人工智能头条

资讯 | 讯飞百度阿里360深度学习大神论道DL与HPC

1383
来自专栏灯塔大数据

初识机器学习和人工智能

近日,英国皇家学会(Royal Society)发布了一份题为《机器学习:能通过样本进行学习的计算机的力量与希望(Machinelearning: the p...

3628
来自专栏机器之心

专栏 | 腾讯音视频实验室Interspeech 2017论文:单通道语音分离中应用深度神经网络的训练优化

机器之心专栏 腾讯音频实验室 2017 年 8 月 20 日,语音通信领域的国际顶级学术会议 Interspeech 2017 在瑞典斯德哥尔摩召开,腾讯音视...

3643
来自专栏机器之心

18岁华裔少年颠覆量子加速优势,推动量子算法经典化

国内量子计算专家也对此事发表了不同观点。如百度量子实验室负责人段润尧在朋友圈评论说,「这是有关经典推荐算法的非常有意思的进展。原先 Kerenidis 和 Pr...

741
来自专栏人工智能头条

微软亚洲研究院:计算机看懂视频的步骤及未来努力方向

1502
来自专栏AI科技大本营的专栏

Yann LeCun:距离“真正的” AI,我们还缺什么?

【AI科技大本营导读】今天是 GMIC Beijing 2018 大会第一天,首个演讲者是 Facebook 首席 AI 科学家 Yann LeCun。他讲述...

1312
来自专栏ATYUN订阅号

赫尔辛基大学AI基础教程:人工智能的相关领域(1.2节)

除了人工智能本身外,还有其他几个与之密切相关的领域,包括机器学习,数据科学和深度学习。

1313
来自专栏新智元

【独家】前百度资深科学家夏粉创业研发中国版Auto ML,两轮融资估值4亿

---- 新智元报道 作者:张乾 【新智元导读】创建先进的机器学习模型既需要专业的技术人员,也非常耗时耗力,是企业在应用机器学习中的一大痛点。现在包括...

4246
来自专栏人工智能头条

深度学习 vs 机器学习 vs 模式识别

1483

扫码关注云+社区

领取腾讯云代金券