江苏龙网

  1. 首页 > 人文 > >

[MiHomes]电脑已经向我们学习了。但是他们能自学吗？

这篇文章是我们最新文章的一部分人工智能专题报告 ， 它关注技术如何继续发展并影响我们的生活 。
人工智能似乎无处不在 ， 但我们真正见证的是一场有监督的学习革命:我们教计算机看模式 ， 就像我们教儿童阅读一样 。 但是研究人员说 ， 人工智能的未来依赖于没有监督的独立学习的计算机系统 。
当一位母亲指着一只狗 ， 告诉她的孩子 ， “看看这只狗” ， 孩子学会了怎么称呼毛茸茸的四条腿的朋友 。 这就是监督学习 。 但是当那个婴儿一次又一次地站着、蹒跚着 ， 直到她能走路时 ， 那就是另一回事了 。
电脑是一样的 。 正如人类主要通过观察或反复试验来学习一样 ， 计算机将不得不超越监督学习 ， 以达到人类智能的圣杯 。
“我们希望从需要大量人类知识和人工工程的系统转向“越来越多的自主系统” ， 麻省理工学院-IBM沃森人工智能实验室的IBM主管大卫·考克斯说 。 他指出 ， 即使一个有监督的学习系统阅读了世界上所有的书 ， 它仍然缺乏人类水平的智力 ， 因为我们的很多知识从未被记录下来 。
[MiHomes]电脑已经向我们学习了。但是他们能自学吗？
文章图片
脸书 ， 通过美联社雅恩·乐村 ， 脸谱网副总裁兼首席人工智能科学家 。
监督学习依赖于带注释的数据:图像、音频或文本 ， 这些都是由一群工人辛苦标记的 。 他们在街道交通的图片上圈出人们或勾勒出自行车的轮廓 。 标记的数据被输入计算机算法 ， 教算法寻找什么 。 在摄取了数百万张有标签的图像后 ， 这些算法在识别他们被教导看到的东西方面变得很专业 。
但是监督学习被限制在由训练数据定义的相对狭窄的领域 。 “由于你需要大量有标签的数据 ， 所以今天你可以应用的有监督的学习是有限的 ， ”YannLeCun说 ， 他是当前人工智能革命的创始人之一 ， 也是2018年相当于诺贝尔计算机科学奖的图灵奖获得者 。 他是脸谱网的副总裁兼首席人工智能科学家 。
不依赖于这种精确的人工监督的方法 ， 虽然很少被探索 ， 但被监督学习的成功及其许多实际应用——从自动驾驶汽车到语言翻译——所掩盖 。 但是监督学习仍然不能做很多简单的事情 ， 即使是对初学走路的孩子来说 。
[MiHomes]电脑已经向我们学习了。但是他们能自学吗？
文章图片
纽约时报的雷诺·菲利普约舒亚·本吉奥创建了魁北克人工智能研究所Mila ， 并与勒肯博士和杰弗里·辛顿分享了图灵奖 。
“这对于人工智能来说是不够的 ， ”约舒亚·本吉奥说 ， 他创建了米拉 ， 魁北克人工智能研究所 ， 并与勒昆博士和杰弗里·辛顿分享了图灵奖 。 “人类不需要那么多监督 。 ”
现在 ， 处于人工智能研究前沿的科学家们已经将注意力转向了监督较少的方法 。 “有自我监督和其他相关的想法 ， 比如在将模型压缩后重建输入 ， 预测视频的未来或屏蔽部分输入并试图重建它 ， ”优胜华的兄弟兼谷歌研究科学家萨米·本吉奥(SamyBengio)说 。
还有强化学习 ， 监督非常有限 ， 不依赖于培训数据 。 现在在加拿大阿尔伯塔大学的理查德·萨顿开创了计算机科学中的强化学习 ， 它是以大脑中的奖励驱动学习为模型的:想象一只老鼠在学习推动一个杠杆来接受一粒食物 。 该策略已被开发出来 ， 用于教导计算机系统采取行动 。
【[MiHomes]电脑已经向我们学习了。但是他们能自学吗？】设定一个目标 ， 一个强化学习系统将通过反复试验朝着这个目标努力 ， 直到它一直得到回报 。 人类总是这样 。 “如果你研究心理学 ， 强化是一个显而易见的想法 ， ”萨顿博士说 。
《纽约时报》的罗伯特·里格尔彼得·阿比埃尔在加利福尼亚经营着伯克利机器人学习实验室 。
他说 ， 对于人工智能的未来 ， 一个更具包容性的术语是“预测性学习” ， 这意味着系统不仅能识别模式 ， 还能预测结果并选择行动方案 。 “每个人都同意我们需要预测性学习 ， 但我们不同意如何达到这个目标 ， ”萨顿博士说 。 “有些人认为我们是在监督学习理念的基础上发展起来的；其他人认为 ， 我们是通过强化学习理念的延伸实现这一目标的 。 ”


推荐阅读


上一篇：『板娱乐』从6188跌至2899，流畅运行IOS13！，最廉价苹果手机诞生

下一篇：牛人牛话@外界称它专利“流氓”，小米OPPO背后的芯片赢家：一年吸金1700亿