AI is the new UI - Tech Vision 2017 Trend 1
 |
leiphone 作者：刘子榆
按：有人將人工智慧定義為「認知計算」或者是「機器智慧」，有的人將 AI 與「機器學習」混為一談。事實上，這些都是不準確的，因為人工智慧不單單是指某一種技術。
這是一個由多學科構成的廣闊領域。眾所周知， AI 的最終目標是創建能夠執行任務，並且具備認知功能的智慧體，否則它只是在人類智力範圍內的機器。為了完成這個野望，機器必須學會自主學習，而不是由人類來對每一個系統進行編程。
令人興奮的是，在過去 10 年中，人工智慧領域已經取得了大的進步，從自動駕駛汽車到語音辨識到機器翻譯，AI 正在變得越來越好，也離我們越來越近。
近日，知名風投 Playfair Capital 風險投資人 Nathan Benaich 在 medium 上發佈文章《6 areas of AI and machine learning to watch closely》，講述了他眼中人工智慧發展勢頭中，比較火熱的領域及其應用。
1. 強化學習（Reinforcement learning, RL）
強化學習是一種試錯（trial-and-error）的學習範式。在一個典型的 RL 中，強化學習需要連續選擇一些行為，而這些行為完成後會得到最大的收益。
強化學習在沒有任何標記，也不告訴算法應該怎麼做的情況下，先嘗試做出一些行為，得到一個結果，然後通過判斷這個結果的正誤對之前的行為進行反饋，再由這個反饋來調整之前的行為。
通過不斷的調整，算法能夠學習到在什麼樣的情況下，選擇什麼樣的行為可以得到最好的結果。谷歌 Deep Mind 就是用強化學習的方法，在 Atari 遊戲和圍棋中取得了突破性進展。
應用範圍：為自動駕駛汽車提供 3D 導航的城市街道圖，在共享模型環境下，實現多個代理的學習和互動，迷宮遊戲，賦予非玩家視訊遊戲中的角色人類行為。
投入公司：DeepMind（谷歌），Prowler.io，Osaro，MicroPSI，Maluuba （微軟），NVIDIA，Mobileye 等。
主要研究人員： Pieter Abbeel（OpenAI），David Silver，Nando de Freitas，Raia Hadsell（谷歌 DeepMind），Carl Rasmussen（劍橋），Rich Sutton （Alberta），John Shawe-Taylor（UCL）等等。
2. 生成模型
與判別模型不同的是，生成方法可以由數據學習，聯合機率密度分布，然後求出條件機率分布作為預測的模型，即生成模型。
它的基本思想，是首先建立樣本的聯合機率概率密度模型，然後再得到後驗機率，再利用其進行分類。
2014 年，蒙特利爾大學的 Ian Goodfellow 等學者發表了論文 《Generative Adversarial Nets》 ，即「生成對抗網路」，標誌了 GANs 的誕生。這種生成對抗網路就是一種生成模型（Generative Model），它從訓練庫裡獲取很多訓練樣本，並學習這些訓練案例，生成的機率分布。
GANs 的基本原理有 2 個模型，一個是生成器網路（Generator Network），它不斷捕捉訓練庫裡真實圖片的機率分布，將輸入的隨機噪聲（Random Noise） 轉變成新的樣本。
另一個叫做判別器網路（Discriminator Network），它可以同時觀察真實和假造的數據，判斷這個數據到底是真的還是假的。這種模型是用大規模數據庫訓練出的， 具有比其他無監督學習模型更好的效果。
應用範圍：用於真實數據的建模和生成，模擬預測時間序列的可能性，比如為強化學習制訂計劃，在圖像、影像、音樂、自然語句等領域都有應用，比如預測圖像的下一幀是什麼。
投入公司：Twitter Cortex，Adobe， 蘋果，Prisma， Jukedeck，Creative.ai，Gluru， Mapillary，Unbabel 等。
主要研究人員：Ian Goodfellow （OpenAI） ， 大神Yann LeCun 以及Soumith Chintala（Facebook AI Research），Shakir Mohamed 以及 Aäron van den Oord（谷歌 DeepMind） 等等。
3. 記憶網路
記憶網路指的是帶有記憶體的神經網路。為了使 AI 系統能夠在多樣化的現實社會中得到更好的推廣，它們必須不斷學習新的任務，並「記住」自己是如何執行任務的。然而，傳統的神經網路並不能做到這些。原因是當它們在執行 B 任務時，網路中對於解決 A 任務的權重發生了改變。
不過，有幾種強大的架構，能夠賦予神經網路不同程度的記憶，比如長短期記憶網路 LSTM，它能夠處理和預測時間序列。還有 Deep Mind 的新型機器學習算法「 可微分神經電腦」DNC，它將「神經網路」計算系統，與傳統電腦儲存器結合在一起，這樣便於它瀏覽和理解複雜的數據。
應用範圍：這種學習代理可以應用到多種環境中，比如機械臂控制物體，時間序列的預測（金融市場，物聯網等）。
投入公司：Google DeepMind，NNaisense ，SwiftKey/微軟等
主要研究人員： Alex Graves， Raia Hadsell，Koray Kavukcuoglu（Google DeepMind），Jürgen Schmidhuber （IDSAI），Geoffrey Hinton（Google Brain/Toronto）等等。
4. 針對小數據集的學習，構建更小的模型
大家都知道，基於大量數據集，可以構建出色表現的深度學習模型，比如著名的 Image Net，作為最早的圖片數據集，它目前已有超過 1400 萬張被分類的圖片。
如果沒有大數據集，深度學習模型可能就難以有良好的表現，在諸如機器翻譯和語音辨識上，也難執行複雜任務。這種數據需求在使用單個神經網路，處理端到端問題時會增長，即把語音的原始音頻記錄作為「輸入→輸出」語音的文本轉錄。
如果想要 AI 系統用來解決更多具有挑戰性，敏感或耗時的任務，那麼開發出能夠從較小的數據集學習的模型非常重要。在對小數據集進行教育訓練時，也存在一些挑戰，比如處理異常值，以及教育訓練和測試之間數據分布的差異。此外，還有一種方法是透過遷移學習來完成。
應用範圍：通過模擬基於大數據集的深層神經網路的表現，訓練淺層網路具備同等性能，使用較少的參數，但卻有深度神經網路同等性能的模型架構（如 SqueezeNet），機器翻譯等。
投入公司：Geometric Intelligence/Uber，DeepScale.ai，微軟研究院， Curious AI 公司，Google，Bloomsbury AI
主要研究人員：Zoubin Ghahramani （劍橋），Yoshua Bengio（蒙特利爾大學）， Josh Tenenbaum（麻省理工學院），Brendan Lake （紐約大學），Oriol Vinyals（Google DeepMind） ， Sebastian Riedel （UCL） 等。
5. 用於推理和訓練的硬體
人工智慧的發展依仗多項技術的推薦，而我們常說的 GPU 就是促進 AI 進步的主要催化劑之一。與 CPU 不同，GPU 提供了一個大規模並行架構，可以同時處理多個任務。
考慮到神經網路必須處理大量（通常是高維的） 數據，在 GPU 上的訓練比 CPU 快得多。這就是為什麼 GPU 最近很受各個科技大佬追捧的原因，其中包括眾人熟知的 NVIDIA 、英特爾、高通、AMD 以及谷歌。
然而，GPU 並不是專門用於教育訓練或者推理的，它們在創建之始，是為了渲染視訊遊戲中的圖形。GPU 具有超高的計算精度，但這也帶來了儲存器頻寬和數據吞吐量問題。
這為包括谷歌在內的一些大公司開闢了競競爭環境，專門為高維機器學習應用設計和生產的晶片順勢而生。經過設計出新的晶片，可以改善記憶體頻寬等問題，或許也能具備更高的計算密度，效率和性能。
人工智慧系統給其所有者，提供了更快速有效的模型，從而形成「更快，更有效的教育訓練模型→更好的用戶體驗→更多用戶參與產品→創建更大的數據集→通過優化提高模型性能」這樣的良性循環。
應用範圍：快速訓練模型（尤其是在圖像上），物聯網，雲領域的 IaaS，自動駕駛汽車，無人機，機器人等。
投入公司：Graphcore， Cerebras，Isocline Engineering，Google ( TPU )，NVIDIA ( DGX-1 )，Nervana Systems (Intel)，Movidius ( Intel )， Scortex 等。
6.仿真環境（Simulation environments）
為人工智慧生成訓練數據，通常具有挑戰性，但是為了讓這項技術可以運用在現實世界中，必須要將它在多樣化環境中進行普及。而如果在仿真環境中訓練機器學習，隨後就能把知識遷移到真實環境中。
這無疑會幫助我們理解 ，AI 系統是怎麼學習的，以及怎樣才能提升 AI 系統，還會大大加速機器人的學習速度。仿真環境下的訓練，能幫助人們將這些模型運用到現實環境中。
應用範圍：學習駕駛，製造業，工業設計，遊戲開發，智慧城市等。
投入公司：Improbable，Unity 3D，微軟，Google DeepMind/Blizzard，OpenAI，Comma.ai，Unreal Engine，Amazon Lumberyard 等。
主要研究人員： Andrea Vedaldi （牛津大學）等。1705170203
0 comments:
張貼留言