【5分排列3-大发排列5走势】新一代人工智能席卷而来

  • 时间:
  • 浏览:1

【电脑报在线】从IBM的智能系统“沃森”到苹果 的语音助手Siri,从微软的同声传译系统到Google的街景视图,一项名为“角度学习”的技术正在被很多的科技企业应用在创新产品中。

今天,带你深入认识4个多 从未见过的“角度学习”技术:从 “沃森”智能系统到Siri,从微软同声传译到Google街景视图,它无所什么都这么

        从IBM的智能系统“沃森”到苹果 的语音助手Siri,从微软的同声传译系统到Google的街景视图,一项名为“角度学习”的技术正在被很多的科技企业应用在创新产品中。

        去年11月24日,一篇介绍角度学习的长篇文章登上了美国《纽约时报》的头版。

        今年1月19日,百度CEO李彦宏宣告将成立角度学习研究院,专攻该技术。

        3月13日,Google宣告收购角度学习领域的创业公司DNN Research……

      “机器学习”的进化

        说起人工智能,爱看电影的科技迷们一定无需陌生。《终结者》系列、《黑客帝国》系列、《人工智能》、《机械公敌》等一部部好莱坞大片向当让.我当让.我展示了未来机器将怎么都上能影响人类,也让科技迷们对于机器人在现实中的应用充满期待。

        自从1956年被正式确立为4个多 研究领域以来,人工智能就被视为决定机器人发展的核心技术。它致力于让计算机实现智能,包括逐步掌握人类的思维模式。为发展这项技术,美国、英国、日本等发达国家在过去五十多年里先后投入了一定量资金。不过它的冗杂程度超出科学家和政客们的想象——作为计算机科学的分支,它还涉及到心理学、生物学、语言学、医学、哲学等众多学科,因此尽管它已有了长足的发展,但类似乐观的预言至今都这么实现。

        在日常生活中,计算机和智能手机因此能按照当让.我当让.我的指令执行各种任务。但这很多真正的“智能”(intelligence),人工智能领域的科学家要让机器像人类一样“理解它趋于稳定的环境并执行有最大因此取得成功的操作”。要想实现类似目标,机器可不都可不都上能掌握“学习”的能力——这也是人类区别于动物的重要社会形态。因此“机器学习”便成为人工智能领域要除理的关键大问题。

        从字面上理解,机器学习是就机器学习知识的能力,事实上也是这么。科学家们试图让机器通过“学习”数据——而也有在当让.我当让.我编写的任务管理器的驱动下——掌握除理类似大问题的能力。

        4个多 当让.我当让.我熟知的案例是电子邮件系统,在学习一定量垃圾邮件后,它能掌握判断垃圾邮件并进行自主分类的能力;事实上,如今主流的邮件服务商都提供垃圾邮件分类,而工程师们很多会编写明确地任务管理器,告诉机器哪几种是垃圾邮件——因此垃圾邮件千差万别,发送垃圾邮件的系统也在不断进化。

        与类似似的是杀毒软件。早期对于病毒的识别工作主要由杀毒软件的开发者进行,但随着病毒的不断演化,类似杀毒软件公司为尽因此抵御变种及全新病毒,也采用机器学习让软件变得更加智能和主动。

        此外,类似社交网络都都可不都上能准确地向用户推荐“认识的人”和“感兴趣的人”,也离不开机器学习;而该技术在广告点击率预估方面的应用更是给类似互联网公司带来了直接的收益。

        随着算法的改进和计算机的运算、存储能力不断提升,机器学习取得了长足的发展,也使人工智能领域创发名一系列令人振奋的成绩,尤其是在都都可不都上能反映智力水平的游戏和比赛方面。

        1997年,IBM公司为国际象棋比赛设计的计算机“深蓝”在一场“人机大战”中战胜了国际象棋世界冠军卡斯帕罗夫。这次突破被视为人工智能领域的一大里程碑,而深蓝的成功离不开它对于一定量的对局、尤其是卡斯帕罗夫过去的对局的学习。

        机器进行学习的关键是要判断、分析数据的社会形态,类似垃圾邮件一起具有的发件人、收件人、邮件内容中的关键字等社会形态,因此病毒任务管理器的代码中的类似共性。不过,传统的机器学习在进行类似工作时往往离不开人工干预——从一定量样本中筛选出类似相对符合要求的样本供机器进行学习,因此以前标记出类似社会形态。随着人工智能面临的大问题这么冗杂,人工干预的难度也日益增大。在开发本来 智能系统时,IBM的科学家们就遇到了本来 的大问题。

        在“深蓝”打败卡斯帕罗夫的几年后,IBM将挑战的目标转向了智力问答栏目《危险边缘》。这档栏目创立于1964年,题目涉及历史、文学、科学、技术、地里、流行文化等方方面面。开发人员汇集了字典、百科全书、新闻报道和学术文献等各种资料,但因此每4个多 大问题也4个多多 相对独立的“游戏”,因此你要 以前编写像国际象棋规则那样的游戏规则,则原因可不都可不都上能为每4个多 (或一类)大问题编写一套规则,这是人工无法完成的工作。

        针对类似更加冗杂的智力竞赛,IBM开发出了一套名为“沃森”的系统,它由90台IBM Power 71000服务器组成,每秒钟的除理传输速率高达10000GB;更重要的是,它具有超强的分析、推理能力,还能“读”懂自然语言,能在“无监督”的情況下自主学习各种资料。最终,沃森于2011年战胜了两位前任冠军,成为最终的优胜者,赢得了1000万美元的奖金。

        沃森的突破得益于众多人工智能领域的新技术的成功应用,角度学习便是其中之一。



IBM沃森

实时语音翻译身后的神奇技术

        如同3D打印,角度学习也是一项沉寂多年的技术,最早可不都可不都上能追溯到上世纪1000年代。科学家们借助人工神经网络让计算机模拟人类的思维办法 进行冗杂的学习工作,但在很长一段时间里并这么在提高学习的准确性或减少人工干预方取得突破性的成果。

        10006年,多伦多大学计算机学院的教授杰弗里•辛顿(Geoffrey Hinton)改变了这项技术的命运。经过他改进的算法都都可不都上能对七层或更多层的角度神经网络进行训练,这让计算机可不都可不都上能渐进地进行学习。随着层次的增加,学习的精确性得到提升,一起该技术还极大地推动非监督学习的发展,让机器具备“學會”的能力。因此辛顿并这么为他的研究成果申请专利,类似科学家——包括类似科技企业的研究人员得以发展他的工作并将其应用到类似商业产品中。

杰弗里•辛顿

        角度学习的4个多 典型应用是对海量图片的分类。过去类似过程可不都可不都上能由人工标注类似社会形态或筛选出类似样本辅助计算机学习,但当图片数量达到一定规模且相互之间差异较大时,类似工作便十分困难。角度学习则可不都可不都上能让机器自主进行图片识别:它们会首先识别出类似最基本的社会形态,类似物体的颜色、边缘的社会形态等,哪几种低层次的社会形态的相互结合则可不都可不都上能定义出高层次的社会形态;随着社会形态层次的提高,具备某一社会形态的物体(图像)的外延便逐渐缩小,识别的精确度也相应提高。

        用4个多 通俗的例子来说,球状、黑色、白色、相间排列也有低层的社会形态,当计算机发现有多张图片中都出显了黑白相间的球状物体时,它可不都可不都上能定义出足球类似高层次的社会形态。在类似例子中,因此不借助人工标记或类似数据,机器无法给出哪几种社会形态所对应的自然语言,即“白色”、“足球”等,而事实上它也这么给出哪几种信息的必要。

        在识别规模较小的图片网络时,角度学习因此令计算机取得了超过人类的表现。据《纽约时报》报道,2011年,瑞士人工智能实验室的科学家开发的系统在一次图片识别比赛中对1000000张德国交通标志图的识别率达到了99.46%,而32名人类测试者的平均成绩为98.84%,成绩最好的也非要99.22%。

        Google希望利用这项技术提升“以图搜图”和“以图搜信息”的准确率,以及帮助Google街景视图识别具体的地点。在Google X实验室中,安德鲁•恩格(Andrew Ng)和杰夫•迪恩(Jeff Dean)带领着4个多 团队从事着机器学习方面的研究。去年,当让.我当让.我做了一项有趣的实验:从Youtube上随机截取10000万张静态图片,对4个多 由10000台计算机、1100000个除理器的系统进行近一周的“训练”,让它从中寻找出有猫的图片。类似系统最终识别出了超过2万个物体类别(猫当然是其中之一),而识别的准确率达到了15.8%——这看似也4个多多 很好的成绩,但与此前的水平相比,提升幅度高达70%。

        角度学习的本来 主要的应用方向是语音识别,尤其是提升将语音识别成文字的准确率。2011年,苹果 推出Siri,让智能语音助手进入了普通消费者的视野,类似产品便用到了角度学习技术。不过因此Siri的语音识别技术来自Nuance公司,而苹果 本来 要以产品创新身后的技术创新作为卖点,角度学习并未和Siri一起出显在各国媒体上。

        在科技巨头中,对角度神经网络在语音识别上的应用推动最大的是微软。就在Siri发布前的4个多 月,微软的三位科学家在一篇论文中称,当让.我当让.我借助多个GPGPU和一定量数据训练的角度神经网络让语音识别的单词错误率降低了18%-33%,并找出了准确率提升的4个多 关键因素。

里克•拉希德演示同声传译系统

        在这篇文章发表一年以前,去年10月25日,微软做了一次震动全球科技界的演示。在天津举办的一场学术研讨会,微软首席研究官里克•拉希德(Rick Rashid)用英文介绍微软在语音识别方面的研究进展,他的演讲内容被以英文文本的形式显示在他身后的一块大屏幕上,旁边的另一块屏幕上则显示演讲内容的中文翻译。演讲过半,拉希德总是 放慢语速,紧接着他每讲话语,现场完会 传出和他声音相仿的中文翻译语音,就如同是他其他人在说中文一样。所有哪几种均是由机器自动完成的,而帮助计算机快速、准确地识别语音的角度学习是类似同声传译系统不可或缺的关键技术。

        这场演示并未立即引起媒体的关注;但随着现场视频在网上流传,国外科技媒体们刚结速了了注意到这项技术因此带来的影响,国内类似资深IT从业者也在微博上热议其前景。11月24日,一篇关于角度学习的长篇报道登上了美国《纽约时报》的头版,让围绕该技术的讨论达到了高潮。

科技巨头的投入可不都可不都上能催生革命性的产品?

        《纽约时报》这篇题为“学习曲线:不再本来 人类的社会形态”的文章介绍了研究人员对于角度学习前景的乐观预期:“机器将都都可不都上能与人类交流,还能完成都都可不都上能驾驶汽车、在工厂里工作等任务……”此外,文章也引用不同学者的观点,认为角度学习将在医学、电子监控技术、数据分析等领域发挥重要作用。

        此后,类似科技巨头进一步加大了在角度学习领域的投入。



        事实上,在去年年底发布的百度语音助身后,该技术因此得到了应用。官方资料称,角度神经网络使百度语音助手的语音解码传输速率提升一倍,综合识别准确率提升8%,“仅2012年一年,推进语音识别的进展就超过了过去15年的总和”。

        3月13日,Google宣告收购从事角度学习研究的创业公司DNNResearch。尽管这是一家非要三人的小公司,收购的金额也这么宣告,但该交易却引起了各国科技媒体的注意,因此它的创建人是辛顿,另外两名员工也有他的学生。联想到图像和语音识别对于Google当前最受关注的4个多 创新产品——Google眼镜和Google无人驾驶汽车的重要性,将三位角度学习领域的顶尖学者纳入其他人的人才库对于Google的价值也有本来 。

        当然,就如同所有总是 间被热炒的新技术一样,角度学习引来的很多本来 叫好声。就在《纽约时报》头版文章刊出的第两天 ,纽约大学心理学教授加里•马库斯(Gary Marcus)便在《纽约客》网站上以“‘角度学习’是人工智能的革命吗?”为题发表不同意见。他认为尽管角度学习其实除理了类似困扰着人工智能领域的大问题,但它本来 众多新技术之一,难以独立推动人工智能取得革命性的进步。他引用了一句俗语:“辛顿做了4个多 更好的梯子,但类似梯子很多一定能把你带上月球。”

        有趣的是,就在他的文章中间的评论区,类似角度学习领域的学者对该技术进行了声援。一位自称参与过瑞士人工智能研究所的图像识别系统研发的用户留言表示,当让.我当让.我开发的系统还赢得了另外三项比赛,包括对汉字的识别以及在乳腺癌的组织学图片中探测有丝分裂,“在哪几种比赛中人工神经网络(的表现)都优于或非常接近人类”。

        另一位自称是科罗拉多大学波尔得分校的角度学习研究者的用户则指出了马库斯文章中的类似错误,并用实时翻译的例子说明这项技术的作用无可替代:“英语和汉语带有几条词汇?在进行翻译时出显本来 的因此性,而角度神经网络成功的除理了类似冗杂的大问题,这正是对马库斯先生的回击。”

        在人工智能的发展历程中,曾先后出显很多次高潮和低谷。被称为“硅谷的未来”的角度学习技术能究竟是将催生出颠覆性的智能产品,还是在被热炒后遭遇冷落,可不都可不都上能时间来证明。