如今,這樣的橋段在人工智能領(lǐng)域真實(shí)上演。它,就是深度學(xué)習(xí)。
“左右互搏術(shù)”與深度學(xué)習(xí)中的一種對(duì)抗訓(xùn)練原理相仿,即有兩個(gè)角色——生成器和判別器。生成器類似于左手,扮演攻方;判別器類似于右手,扮演守方。
判別器的目的是正確區(qū)分真實(shí)數(shù)據(jù)和生成數(shù)據(jù),從而最大化判別準(zhǔn)確率;生成器則是盡可能逼近真實(shí)數(shù)據(jù)的潛在分布。二者需要不斷提高各自的判別能力和生成能力來取勝,從而實(shí)現(xiàn)目標(biāo)優(yōu)化。
今天,讓我們打開這個(gè)“神秘魔盒”。
深度學(xué)習(xí)的概念,最早是由杰弗里·辛頓在2006年提出的。這是一門用于學(xué)習(xí)和利用“深度”人工神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)技術(shù)。作為人工智能領(lǐng)域中最熱的研究方向,深度學(xué)習(xí)迅速受到學(xué)術(shù)界和工業(yè)界的關(guān)注。
目前,深度學(xué)習(xí)已得到廣泛應(yīng)用。如在博弈領(lǐng)域,AlphaGo通過深度學(xué)習(xí),以4∶1的比分戰(zhàn)勝韓國棋手李世石,成為第一個(gè)擊敗人類職業(yè)圍棋選手的電腦程序;在醫(yī)學(xué)影像識(shí)別中,以深度學(xué)習(xí)為核心技術(shù)的X光、核磁、CT、超聲等醫(yī)療影像多模態(tài)大數(shù)據(jù)的分析技術(shù),可提取二維或三維醫(yī)療影像中隱含的疾病特征;在圖像處理中,最成功的領(lǐng)域是計(jì)算機(jī)視覺,如圖像風(fēng)格遷移、圖像修復(fù)、圖像上色、人臉圖像編輯以及視頻生成等。
一種特殊的機(jī)器學(xué)習(xí)方法
今天的人工智能,其實(shí)是把現(xiàn)實(shí)生活中的問題量化成了可計(jì)算的問題,然后用計(jì)算機(jī)算出來。數(shù)學(xué)模型則架起了中間的橋梁。
現(xiàn)實(shí)生活中,很多問題都可以通過建模解決。比如計(jì)算遠(yuǎn)程火炮彈道問題,計(jì)算日食、月食出現(xiàn)的時(shí)間和地點(diǎn)等。我們只要把相應(yīng)公式用計(jì)算機(jī)語言寫一遍,再代入?yún)?shù),就能計(jì)算出來。
然而,更多問題的解決方法是不確定的。即使我們找到了相應(yīng)的數(shù)學(xué)模型,也不知道應(yīng)該代入什么參數(shù)。比如語音識(shí)別、人臉識(shí)別和機(jī)器翻譯等。因此,我們需要讓計(jì)算機(jī)通過自主學(xué)習(xí),從大量數(shù)據(jù)中得到相應(yīng)參數(shù)。這個(gè)過程,就是機(jī)器學(xué)習(xí)。
機(jī)器學(xué)習(xí)旨在發(fā)現(xiàn)數(shù)據(jù)存在和利用的模式,并用它們進(jìn)行學(xué)習(xí)及做出預(yù)測(cè)。機(jī)器學(xué)習(xí)的過程
考察人的學(xué)習(xí)通常方式是考試
機(jī)器學(xué)習(xí)的效果取決于兩個(gè)方面:一方面是學(xué)習(xí)的深度
根據(jù)數(shù)學(xué)模型的特點(diǎn),機(jī)器學(xué)習(xí)有兩種方法:一種是利用已知模型進(jìn)行訓(xùn)練;另一種是在模型未知的情況下,設(shè)計(jì)一些簡單通用的模型結(jié)構(gòu),然后使用大量的數(shù)據(jù)進(jìn)行訓(xùn)練,訓(xùn)練成什么樣就是什么樣。這便是我們常聽到的人工智能“黑箱”問題,即使訓(xùn)練有效,也不清楚里面是什么。
深度學(xué)習(xí)就是后一種機(jī)器學(xué)習(xí)的方法。人工智能涵蓋的領(lǐng)域十分廣泛,深度學(xué)習(xí)只是其中的一個(gè)分支,屬于機(jī)器學(xué)習(xí)的范疇。人工智能需要有“獨(dú)立思考”能力與機(jī)器學(xué)習(xí)技術(shù)的支持,深度學(xué)習(xí)便是幫助機(jī)器實(shí)現(xiàn)“獨(dú)立思考”的一種方式
深度學(xué)習(xí)迎來革命性突破
人工神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)為許多問題的研究提供了新思路
20世紀(jì)50年代,人類第一次設(shè)計(jì)出計(jì)算機(jī)能運(yùn)行的神經(jīng)網(wǎng)絡(luò)算法
到了20世紀(jì)80年代末期,人們提出反向傳播算法
2006年
從此,神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)了反復(fù)分類以及識(shí)別物體的方法
計(jì)算能力成為推動(dòng)深度學(xué)習(xí)的利器
人工神經(jīng)網(wǎng)絡(luò)在被提出的50年間,都沒能很好地解決智能問題
那么,靠什么加以突破
摩爾定律是英特爾聯(lián)合創(chuàng)始人戈登·摩爾在1965年提出的一項(xiàng)觀察結(jié)論,即計(jì)算機(jī)的總體處理能力大約每2年就會(huì)翻一番
從能量角度看
從某種意義上說,不僅是深度學(xué)習(xí)技術(shù)
人工智能的崛起,有3個(gè)技術(shù)要素:一是它解決了可計(jì)算問題,即在算法上的突破
算力是推動(dòng)深度學(xué)習(xí)的利器。計(jì)算能力越強(qiáng)
不斷進(jìn)化的深度學(xué)習(xí)之道
1997年
雖然這兩種人工智能系統(tǒng)都學(xué)會(huì)了下棋,但教授它們的方式以及它們?nèi)绾伪荣
“深藍(lán)”的核心評(píng)估函數(shù)對(duì)給定盤面進(jìn)行數(shù)字“排序”,而且函數(shù)是手工設(shè)計(jì)的
AlphaGo的學(xué)習(xí)方法則迥然不同
深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,一部分通過使用人類高手對(duì)弈數(shù)據(jù)集的監(jiān)督學(xué)習(xí)進(jìn)行(總出棋數(shù)約為3000萬步)
2017年5月
令人震驚的是,AlphaGo Zero一開始并沒接觸過人類棋譜
目前,深度學(xué)習(xí)在許多領(lǐng)域取得了技術(shù)性突破,并展示了極佳效果。然而,它仍存在一些局限:理論研究缺乏、無監(jiān)督學(xué)習(xí)能力弱、缺少邏輯推理和記憶能力等。
深度學(xué)習(xí)對(duì)未來社會(huì)發(fā)展具有重要意義
可以推斷
(來源:中國青年報(bào))