专栏首页新智元AI 派系争斗如火如荼:概率编程技术能彻底取代神经网络吗?

AI 派系争斗如火如荼:概率编程技术能彻底取代神经网络吗?

【新智元导读】Gamalon的CEO和创始人Ben Vigoda近日放出豪言,说他和他的团队所采用的概率编程的技术, 终将在所有的应用中彻底取代神经网络——这有可能吗?

AI非指一物,它涵盖了数个思想流派。Pedro Domingos在他的专著《终极算法》中,把它们称为AI部落。

如这位华盛顿大学的计算机学家所说,每个部落都采用了看上去非常不同的技术。比如进化论者,相信他们能够在数码世界中重现自然选择。符号论者则一条规则一条规则地把具体的知识编码到计算机中。

眼下,联结主义者吸引了全部眼球。他们培育了深度神经网络和模式识别系统,给Google、Facebook和微软等企业带来了勃勃生机。但不管媒体说什么,其他部落仍然会在AI崛起的进程中起到自己的作用。

符号学派(symbolists)更多关注哲学、逻辑学和心理学,并将学习视为逆向演绎(inverse of deduction);联结学派(connectionists)专注物理学和神经科学,并相信大脑的逆向工程;进化学派,正如其名称所示,在遗传学和进化生物学的基础上得出结论。贝叶斯学派(Bayesians)注重统计学和概率推理;类推学派(analogizers)更多是关注心理学和数学优化来推断相似性判断。

就拿Gamalon的CEO和创始人Ben Vigoda来说,他属于贝叶斯学派,主张通过科学方法构建AI。Vigoda 获得了麻省理工学院统计物理学和机器学习的博士学位。相比于建设自主分析数据并得出结论的神经网络,他和他的团队选择使用概率编程,程序基于他们自己的一些假设,然后用数据不断去修正。他的新兴公司得到了Darpa(Defense Advanced Research Projects Agency)的扶持,今晨浮出水面。

《福布斯》对Gamalon公司的报道,里面提到使用 Bayesian Program Synthesis,系统能够自行编写代码,用最优的方法解释收集到的数据,相比传统机器学习需要的数据量更少,训练的速度也更快。

Gamalon的技术可以应用于机器翻译,同时公司也在开发企业级文本语义抽取的工具。Vigoda声称他的概率编程能够产出比神经网络学习速度更快的AI,而所需数据却小得多。“你可以慎重选择你教给它的东西,”他说,“也可以编辑你已经教它的东西。”

如一些人指出的那样,要想催生真正像人类那样思考的机器,方法是关键。神经网络需要巨量的经过仔细标注的数据,而这并非随时可得。Vigoda甚至放出豪言,说他的技术终将在所有的应用中彻底取代神经网络,“这是再清楚不过的。”他说。

此前基于概率统计的贝叶斯算法最常见的应用就是反垃圾邮件功能,贝叶斯分类的运作是借着使用标记与垃圾邮件、非垃圾邮件的关连,然后搭配贝叶斯推断来计算一封邮件为垃圾邮件的可能性。如果你使用电子邮件超过10年,应该能感觉到垃圾邮件过滤系统的改进。 贝叶斯学派专注于研究概率推理和用贝叶斯定理解决问题。贝叶斯学派从一个信念开始,他们称之为“先验”(prior)。然后,他们收集一些数据,并基于该数据更新先验;得到的结果他们称之为“后验”(posterior)。然后,他们用更多的数据来处理后验,并使之变成先验。这个过程不断循环往复,知道得到最终的答案。

加州大学洛杉矶分校计算机科学系的 Judea Pearl 是贝叶斯方法的著名研究者之一。微软 Genomics Group 的负责人 David Heckerman 也是著名的贝叶斯方法研究者,他帮助微软在 Outlook 和 Hotmail 邮件系统中开发了不同的数据挖掘工具和垃圾邮件过滤工具。加州大学伯克利分校的 Michael Jordan 也是这一领域的主要研究者。

但就如同深度学习不是人工智能的唯一路径一样,概率编程也不是。高斯法、进化算法、强化学习也是一样。

有些时候,AI部落之间会恶语相向;有些时候,他们会为了抬高自身技术而压低别人。但现实是,AI将诞生于许多技术的合力。尽管存在着竞争,所有人都是在向同一个目标努力。

概率编程让研究者如同程序员编程那样构建机器学习算法。但其技术的真正优势在于处理不确定性的能力。这就允许AI在较少的数据量上进行学习,同时也能帮助研究者理解AI为何会做出某些特定的决策,而如果他们不同意这些决策,也更易于对AI进行调整。所有这些都是真正的AI所不可或缺的,无论是在它和人类对话时还是在无人驾驶中规避一次事故时。

但神经网络已经在图像和语音识别中证明了自己的价值,他们不必和像概率编程这样的技术竞争。实际上,Google的研发人员正在努力建造融合两者的系统。二者优势互补。哥伦比亚大学计算机学家、Gamalon顾问David Blei曾参加过此类混合模型的研究,他说:“深度神经网络和概率模型是紧密关联的,有许多概率建模就发生在神经网络之中。”

最好的AI不可避免地综合了多种技术。比如AlphaGo,Google DeepMind 实验室的突破性系统。它将神经网络、强化学习和其他技术融合到一起。在Blei的眼中,AI的世界不存在部落,而是每个人都在追寻同样的终极算法。

本文分享自微信公众号 - 新智元(AI_era)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2017-02-16

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。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • AI vs 深度学习 vs 机器学习:人工智能的 12 大应用场景

    【新智元导读】在本文中,作者先探讨了深度学习的特点和优势,然后介绍了12种类型的AI问题,即:在哪些场景下应该使用人工智能(AI)?作者强调企业AI问题,因为他...

    新智元
  • 【探索AI自开发】谷歌、微软用AI开发AI,特定任务超越人类AI专家

    【新智元导读】为了应对AI人才不足,以谷歌为首的企业正在想方设法,开发能够取代AI研究员的AI系统,让创建AI软件变得容易。目前,这样的AI系统正在帮助AI研究...

    新智元
  • 谷歌PAIR瞄准 AI 交互,开源两大机器学习可视化数据工具

    【新智元导读】谷歌昨天宣布启动新的研究计划 People + AI Research(PAIR),旨在改善人与人工智能系统的交互体验。谷歌同时宣布开源两个数据可...

    新智元
  • 干货 | 北大林作铨教授:从事AI研究30年,我如何看待人工智能

    大数据文摘
  • 腾讯在家门口造了一个AI游戏盒子,这次不用氪金就能玩得开心

    是的,这次在腾讯的家门口深圳,腾讯把自己目前的AI业务以及其他科技项目,全都变成了一个个可以实体玩耍的游戏,装进了一个号称“全息色”的方盒子里。

    量子位
  • AI vs 深度学习 vs 机器学习:人工智能的 12 大应用场景

    【新智元导读】在本文中,作者先探讨了深度学习的特点和优势,然后介绍了12种类型的AI问题,即:在哪些场景下应该使用人工智能(AI)?作者强调企业AI问题,因为他...

    新智元
  • 硅谷钢铁侠马斯克:2030年AI样样都比人类强

    问耕 编译整理 量子位 出品 | 公众号 QbitAI 最近牛津大学、耶鲁大学面向352名专家的联合调查结果显示,到2060年前,人工智能将在任何事情上击败人类...

    量子位
  • 国内前三!腾讯云AI公有云市场份额持续领先

    “针对AI算法工程师群体,腾讯云推出了一站式机器学习智能钛产品,包含有机器学习平台TI-ONE和弹性模型服务平台TI-EMS,为AI开发者提供主流框架和丰富的算...

    腾讯智能钛AI开发者
  • 腾讯AI Lab:AI辅助诊疗系统面临的三大技术挑战

    腾讯高校合作
  • DataRobot:人工智能道德规范,通过遵循伦理实践来建立信任(二)

    在之前关于人工智能伦理主题的前一篇博客文章中,我们介绍了人工智能(AI)在提高各行业企业的速度,准确性和运营方面所做的承诺。

    AiTechYun

扫码关注云+社区

领取腾讯云代金券