专栏首页奇点大数据2018年度人工智能技术趋势

2018年度人工智能技术趋势

“人工智能”一词最初是在1956 年Dartmouth学会上提出的。人工智能(Artificial Intelligence),英文缩写为AI,是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是计算机科学的一个分支,企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。

每个行业都会受到人工智能的影响,就连艺术都不例外。OF COURSE《人工智能全栈工程师之机器学习》课程导师,美国人工智能艺术大师金.高根运用深度学习算法,创作了许多作品。

毫无疑问,2018年是人工智能腾飞的时间点,人工智能技术有以下5大趋势:

1

深度学习:揭秘神经网络的工作原理

神经网络工作原理模仿人类大脑的深度神经网络展示了它们可以从图像、音频和文本数据中“学习”的能力。然而,即使应用已超过十年,关于深度学习我们仍然有很多不明白的地方,包括神经网络如何学习、为什么它们的表现如此出色等。现在,这种状况有可能会改变,这要归功于将信息瓶颈理论应用于深度学习的新理论。信息瓶颈理论认为,深度神经网络在学习过程中像把无用信息从瓶颈中挤压出去一般,去除噪音信息,而只保留这些噪音所表达的真正信息。

精确地理解深度学习的工作原理,将有助于使其得到更大的发展和应用。例如,深度学习可以为网络设计优化和架构选择提供参考。可以肯定的是,通过探索深度学习理论,更多的场景应用能够被激发,并应用到其他类型的深度神经网络和深度神经网络设计中。

2

胶囊网络:模拟大脑的视觉处理优势

胶囊网络是一种新型的深度神经网络架构,它能够用与大脑相同的方式处理视觉信息,这意味着它可以识别特征之间的逻辑和层次结构关系。这一特性与卷积神经网络形成鲜明对比。卷积神经网络是最广泛使用的神经网络之一,但它不能考虑简单和复杂特征之间的重要空间关系,导致错误率较高并经常出现误分类现象。

对于典型的图像识别任务,胶囊网络通过减少误差,保证了50%的较高准确性,同时,胶囊网络也不需要那么多的训练样本数据。预期可以看到胶囊网络在多个问题领域和深度神经网络架构中得到广泛的使用。

Δ胶囊网络作品

3

深度增强学习:交互型问题解决之道

深度增强学习是一种通过观察、行动和奖励来与环境互动,从而进行学习的神经网络算法。它已被用于游戏攻略等,如雅达利(Atari)和围棋,包括击败人类冠军的著名的“阿尔法狗”(AlphaGo)等。

获得深度增强学习能力是人工智能应用商业化的重要指标项之一,与其他技术相比,它只需要更少的数据来培训其模型。更强大的是,它可以通过模拟获得训练,完全不需要标签化数据。鉴于这些优势,预计未来一年将诞生更多将深度增强学习和基于智能体(agent)模拟相结合的商业应用。

Δ深度增强学习算法模型

4

生成对抗网络:网络配对促进训练,减轻处理负担

生成对抗网络是一种由两个互相竞争的神经网络组成的无监督的深度学习系统——“生成网络”产生看上去很像真实数据集的假数据,“判断网络”吸收真实和合成的数据。随着时间的推移,每个网络都会得到改进,从而使两个网络都能够学习到给定数据集的整个分布情况。

生成对抗网络进一步拓展了深度学习,使其能够处理更大范围的无监督任务,这些任务的标签化数据要么不存在,要么过于昂贵而很难获得。生成对抗网络也减少了深度神经网络所需的负载,因为负载由两个网络共同承担。预期可以看到更多的商业应用,例如使用生成对抗网络技术来做网络探测等。

ΔGene Kogan生成对抗网络作品

5

精益和增强数据学习:解决标签数据挑战

机器学习(尤其是深度学习)遇到的最大挑战是需要大量使用标签化数据来训练系统。目前有两种广泛使用的技巧可以帮助解决这个问题:

(1)合成新的数据;

(2)将一个任务或领域的训练模型迁移到另一个,例如“迁移学习”的技巧(把从一个任务/领域学到的经验迁移到另一个任务/领域),或“一次学习”的技巧(极端化迁移学习,仅仅通过一个例子或没有相关例子的学习),由此使它们成为“精简数据”学习技巧。同样的,通过模拟或内插合成新的数据有助于获取更多的数据,从而扩大现有数据来改善学习。

使用这些技巧,我们可以解决更多的问题,尤其是在历史数据较少的情况下。预期可以看到精简和增强数据的更多变种,以及适用于更广泛商业问题的不同类型的学习技巧。

ΔGene Kogan人工智能风格转移作品

可以设想,人工智能将成为一项重要的基础设施,未来人工智能带来的科技产品,将会是人类智慧的“容器”,每个人都离不开人工智能,我们不再是小猪佩奇社会人,而是人工智能社会人。

Δ360度3D电影装置《设想》故事是由观众和AI人形角色互动决定

本文分享自微信公众号 - 奇点(qddata)

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:2018-06-21

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

  • 神经网络:问题与解决方案

    尽管人工神经网络的概念从20世纪50年代就已经存在,但是直到最近我们才有能力将理论转化为实践。神经网络应该能够模仿任何连续的功能。但是,很多时候,我们都陷入了网...

    刀刀老高
  • 深度学习入门

    机器学习技术正越来越多的出现在消费级产品上,比如照相机和智能手机。 机器学习系统可用于识别图像中的对象,将语音转换成文本,选择搜索结果的相关项,以及匹配新闻、帖...

    刀刀老高
  • 大数据时代下的十大变革你知道吗?

    传统科学思维中,决策制定往往是“目标”或“模型”驱动的——根据目标(或模型)进行决策。大数据时代下,数据成为决策制定的主要“触发条件”和“重要依据”。

    刀刀老高
  • 理解深度学习的局限性

    大数据文摘
  • 【报告】邓志东:人工智能前沿技术与产业发展趋势(53PPT)

    【新智元导读】感谢清华大学计算机系教授邓志东向新智元投稿,他在《人工智能前沿技术与产业发展趋势》报告中指出,深度学习是人工智能的最新突破,一定要和大数据结合起来...

    新智元
  • 深度学习2016年度回顾:三大技术和三大趋势

    ---- 作者:简·布斯尔克(Jan Bussieck) 编译: AI100 原文地址: http://www.deeplearningweekly.com/b...

    AI科技大本营
  • 2018深度学习十大趋势:元学习成新SGD,多数硬件创企将失败

    原作 Carlos E. Perez 李杉 编译自 Intuition Machine博客 量子位 出品 | 公众号 QbitAI ? 2018年,一切可能都会...

    量子位
  • 【286页干货】一天搞懂深度学习(中国台湾资料科学年会课程)

    11 【导读】本文是2016 台湾资料科学年会前导课程“一天搞懂深度学习”的全部讲义PPT(共268页),由台湾大学电机工程学助理教授李宏毅主讲。作者在文中分四...

    小莹莹
  • 深度 | David Silver全面解读深度强化学习:从基础概念到AlphaGo

    机器之心原创 作者:Duke Lee 参与:马亚雄、吴攀、吴沁桐、Arac Wu 强化学习在与之相关的研究者中变得越来越流行,尤其是在 DeepMind 被 G...

    机器之心
  • 人工智能是不可怕,但你也得会用啊!

    随着人工智能与机器人技术的发展,几乎所有的行业都开始采用人工智能来取代人类劳动力。 如同圈地运动和农业机械化把劳动力赶出土地的过程一样,眼下这场人工智能革命也正...

    AI科技大本营

扫码关注云+社区

领取腾讯云代金券