能落地的都是NB,不能落地的都是SB。
本文由IT桔子(微信 ID: itjuzi521)授权i黑马发布。
人工智能在过去的10年当中取得了长足进步,无论是无人驾驶,还是语音识别、语音合成。在这样的背景下,AI已经成为一个越来越热门的话题,并且已经开始影响我们的日常生活。
以下是人工智能发展值得关注的六个领域,对电子产品和服务的未来将会产生巨大的影响。我将解释它们是什么、为什么重要、如何被运用,以及列举相关技术领域的公司。
01 强化学习Reinforcement Learning
强化学习是机器学习中的一个领域,强调如何基于环境而行动,以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论,即有机体如何在环境给予的奖励或惩罚的刺激下,逐步形成对刺激的预期,产生能获得最大利益的习惯性行为。增强学习是机器学习中一个非常活跃且有趣的领域,相比其他学习方法,强化学习更接近生物学习的本质,因此有望获得更高的智能,这一点在棋类游戏中已经得到体现。
Google DeepMind 的AlphaGo就采用了强化学习,强化学习另一个典型的应用是帮助优化Google数据中心降温系统的能源效率,强化学习系统可以将原来降温的能耗降低40%。使用强化学习技术一个重要优势是,训练数据的积累的成本会很低。而监督深度学习技术往往需要非常昂贵的训练数据,并且是很难从实际生活中获取。
应用:多个智能体(agents)共享同一个模型,各自进行学习;或者与环境中其他智能体交互和学习;学习三维环境导航,比如迷宫、自动驾驶的城市道路;在学习了一系列目标任务后对已观察过的行为进一步增强重述。(学习驾驶或者在电子游戏中为NPC赋予类似人类玩家的行为)
公司: Google DeepMind, Prowler.io, Osaro, MicroPSI, Maluuba/Microsoft, NVIDIA, Mobileye
主要研究人员: Pieter Abbeel (OpenAI), David Silver, Nando de Freitas, Raia Hadsell (Google DeepMind), Carl Rasmussen (Cambridge), Rich Sutton (Alberta), John Shawe-Taylor (UCL) 等
02 生成模型Generative Models
判别模型(discriminative models)主要用于分类和回归任务,生成模型主要用于在样本训练中学习概率分布。
应用:时序信息模拟;超分辨率图像;2D图像三维重建;基于小样本的数据生成;单输入多输出系统;自然语言交互;半监督学习;艺术风格转换;音乐和声音合成;图像修复
公司:Twitter Cortex, Adobe, Apple, Prisma, Jukedeck*, Creative.ai, Gluru, Mapillary, Unbabel
03 记忆网络Networks with memory
为了能让AI系统具有真实世界一样的多样性环境,AI必须持续学习新任务并在未来记住如何处理它们。传统的神经网络并不能记住这么多任务,这个缺点被称为灾变性遗忘(Catastrophic Forgetting)。这是由于当神经网络从解决A问题转向解决B问题的过程中,神经网络会随之变化。也有很多种强大的网络结构赋予了神经网路不同程度的记忆能力。包括长-短记忆网络,能够处理和预测时序;DeepMind的微分神经计算机结合了神经网络和记忆系统的优点,以便从复杂的数据结构中学习;同时还有弹性权重联合算法,根据先前问题的重要性来减慢某些权重。
应用:对新环境有举一反三能力的学习性智能体(agent);机械臂控制、自动驾驶、时序预测(金融、视频、物联网);自然语言理解和预测
公司:Google DeepMind, NNaisense, SwiftKey/Microsoft Research
04 从更少的数据中学习、建造更小的模型
众所周知,深度学习需要庞大的数据来进行训练,比如ImageNet的视觉识别大赛,每支队伍需要识别120万张1000种类别的人工标注的图像。如果没有大规模的数据训练,深度学习模型无法使用,也无法完成语音识别和机器翻译这类的复杂任务。
在解决端到端的问题时,单一神经网络训练所需的数据量只会越来越多,例如从音频录音中识别语音文本。
和使用多个不同神经网络处理不同人物的组合不同(音频→发音→单词→文本输出)。
如果要让AI解决一个数据有限、数据成本很高或者获取十分耗时的任务时,能从小样本中学习最优解决方法的模型十分重要。用小量数据进行训练有很多挑战,一个替代的方法把之前机器学习模型知识转移到新的模型上,这叫做转移学习(transfer learning)。
应用:训练浅层网络来模拟在大规模数据集上训练好的神经网络;与深度网络模型表现相同、但参数更少的模型;机器翻译。
公司:Geometric Intelligence/Uber, DeepScale.ai, Microsoft Research, Curious AI Company, Google, Bloomsbury AI
05 用于训练和推理的硬件
AI发展的一个主要催化剂是将GPU用于训练大规模神经网络。训练神经网络需要大量的运算量,GPU用于训练远远快于CPU。自从2012年首个使用GPU的深度神经网络AlexNet出现后,GPU 成为了训练神经网络的首选。在2017年英伟达继续领跑这一领域,而英特尔、高通、超微和谷歌紧随其后。
GPU最初并不是为了机器学习而制作的,而是用于渲染电子游戏画面。GPU计算精度很高,并且不会经常遭遇内存带宽的限制和数据溢出的问题。有一批专为深度学习定制芯片的创业公司,Google又开发了针对高维机器学习应用的芯片。新型的芯片内存宽带更高、计算能力更强、能耗更低。提高AI系统运算能力为AI公司和用户带来的好处是:更快更高效的训练模型→更好的用户体验→用户更多使用产品→产生更多的数据→数据帮助优化模型。因此,谁能够更快、更高效的训练和部署AI模型,就能拥有巨大的优势。
应用:快速训练模型(尤其是图片领域)、进行预测时的能源和数据效率、运行前沿AI系统(物联网设备)、随时可进行语音交互的物联网设备、云基础设施服务、自动驾驶汽车、无人机、机器人。
公司:Graphcore, Cerebras, Isocline Engineering, Google (TPU), NVIDIA (DGX-1), Nervana Systems (Intel), Movidius (Intel), Scortex
06 模拟环境
如前文所述,为AI系统生成训练数据通常是一个挑战。而且如果要能在现实世界应用,AI需要概括各种情况。因此,开发模拟真实世界物理和行为模型的数字环境需要能够衡量和训练AI通用能力的试验环境。在模拟环境中进行训练有助于我们更好的理解AI如何学习、如何改善自身,同时为我们提供了潜在的可以转换为真实应用的模型。
爱盈利(aiyingli.com)移动互联网最具影响力的盈利指导网站。定位于服务移动互联网创业者,移动盈利指导。我们的目标是让盈利目标清晰可见!降低门槛,让缺乏经验、资金有限的个人和团队获得经验和机会,提高热情,激发产品。