【限时免费】岁尾最强一次云计算大年夜会，看传统、社区、互联网企业若何碰撞？

在一些少样本图像分类问题上构建元进修的例子。图片来源：Ravi et.al.

毫无疑问，AI 的最终将来是达到并超进出类的智能。然则，这是一个异常遥远的目标。即使我们之中最乐不雅的人，也只敢打赌称仁攀类级其余 AI（泛人工智能（AGI）或者超人工智能（ASI））将会在 10～15 年之后出现。而困惑论者甚至打赌称，即使仁攀类级其余人工智能出现，这个过程也须要几个世纪。不过，这不是我们这篇文┞仿所存眷的（如不雅你对进修超人工智能异常感兴趣，你可以浏览这篇文┞仿）。这里我们将讲述一个触手可及的、更近的将来，评论辩论一些新兴的并且强大年夜的 AI 算法。我认为，这些算法正在塑造 AI 不远的将来。

AI 已经开端在一些选定的具体义务中跨越仁攀类。例如，在诊断皮肤癌上打败大夫和活着界级大年夜赛上打包抄棋选手。然则，雷同的体系和模型不克不及在其它的义务上表示得很好，因为这些义务与它们专门练习解决的义务不合。这就是为什么，经久以来，一个不须要从新评估就能高效地解决各类问题的通用智能体系被视为 AI 的将来。然则，在 AI 不远的将来，泛人工智能还很遥远的时刻，科学家们将若何让 AI 驱动的算法克服我们如今面对的问题，让它们走出实验室，成为我们的日常用品？

当你环顾四周，AI 正在一个一个地攻破各类难题（请浏览我们关于 AI 若何超进出类的文┞仿，第一部分和第二部分）。在如许一个双赢的情况下，可能会出现什么样的问题呢？仁攀类在制造越来越多的数据（这是 AI 的基本）。同时，我们的硬件机能也在变得越来越好。毕竟，数据和更强的计算才能是深度进修在 2012 年开端中兴的原因，不是吗？然而本相是，人们的等待增长得远比数据和计算才能增长得要快。数据科学家将必须思虑比如今已有的解决筹划更好的筹划，用于解决真实世界的问题。例如，大年夜多半人认为图像分类是一个科学上已经解决了的问题（如不雅我们忍住说 100% 精确度的冲动）。我们可以或许经由过程 AI 达到与仁攀类相当的图像分类的才能（比如说猫的图片和狗的图片）。然则，这可以或许在真实世界的情况下应用吗？在某些情况下，可以，然则在很多情况下，我们还不克不及做到。

我们将会带你懂得在应用 AI 构建真实世界解决筹划时刻，那些重要的“挡路石”。假设我们想要分类猫和狗的图像。我们将会在整篇文┞仿中应用这个例子。

我们的示例算法：分类猫和狗的图片

下面这张图总结了各类挑衅：

构建真实世界的 AI 所涉及的挑衅

图中英文翻译如下：

你可以辨认出星球大年夜战中的绝地军人是吧？一旦它我们把它记在脑海里，我们就能每次都能认出绝地军人。然而，一个算法却须要大年夜量标记过的图像来进修、测试和练习。

假设一个算法输入了一种异常罕有的狗。该算法很难精确地把它分类为狗。真实世界的问题则加倍多样，并且须要对这些更为多样的问题进行必定的调剂和从新评估。

让我们细心地评论辩论这些挑衅的细节：

经由过程更少的数据来进修：

• 成功的深度进修算法所应用的练习数据都请求包含有其内容或者特点的标签。这个过程叫做打标签。
• 这些算法不克不及直接应用我们身边的数据。几百个标记（或者几千个）很简单，然则达到仁攀类级其余图像分类算法须要输入上百万的标记过的图像来进修。
•  所以，问题在于：为一百万个图像进行标记是否可行？如不雅弗成行，那么 AI 若何才能在更少量的标记数据长进行扩大。

解决真实世比赛多种多样的问题：

• 固然数据集是固定的，但真实世界的应用情况是多种多样的（例如，与仁攀类不合，在彩色图像上练习的算法可能会在灰度图像上表示的异常差）。
• 尽管我们可以或许进步计算机视觉算法检测物体的才能并达到仁攀类的程度。然则，正如方才提到的，这些算法只能解决异常特定的问题。与仁攀类的智能比拟，这些算法不克不及广泛应用于多种场景。
• 我们的举例解释的猫狗图像分类算法，它如不雅之前没有输入过某种罕有品种的狗，那也就不克不及辨认出该种类的狗。

调剂增量数据：

• 另一个大年夜的挑衅是增量数据。在我们的例子中，如不雅我们想要辨认出是猫照样狗，在第一次安排的时刻，我们可能须要为各类品种的猫和狗来练习我们的 AI 算法。然则，当我们发明新的品种时，我们须要练习这个算法，让它可以或许在之前的品直鹦辨认出“Kotpies"这个品种。
• 尽管新的品种与其他品种之间可能比我们想象的更类似，并且可以或许经由过程简单的练习使算法获当善?，但这就是个中最艰苦的一点并且须要完全的从新练习和从新评估的办法。
• 问题在于，我们是否可以或许让 AI 能至少在这种小的变更上有足够的适应才能。

迁徙进修

是什么？

正如它的名字所示，在迁徙进修中，习得的常识是在雷同的算法上，年腋荷琐义务迁徙到另一个义务上的。算法先在一个拥有更大年夜的数据集的义务（源义务）上练习，然后再被迁徙为进修另一个只有较少数据集的义务（目标义务）的算法。

神经推理

　　推荐阅读

　　说了这么久的“ Linux桌面年”，为什么还没来？

拿 “Year Of The Linux Desktop” 这句话去 Google 一下，我们会发来岁夜量关于“Linux 桌面年”的相干信息，有些信息距今已将近 10 年。这意味着我们见证 10 年预言的同时，也见证了 10 年预言>>>详细阅读

本文标题：除了深度学习，你还应该了解这些发展方向

地址：http://www.17bianji.com/lsqh/40090.html

 1/2    1