|
2017-07-25 22:18来源:云头条 尽管深度学习大有前途，尽管它在早期确实取得了一些成功，但监督式深度学习实际上可能会阻碍真正人工智能的发展。 如果你一直在关注媒体的人工智能报道，可能意识到：人工智能是个统称，涵盖许多概念和方法。最终，这些迥然不同但并非排他性的方法试图为机器赋予更类似人类的推理和智能。 深度学习是诸多人工智能平台采用的一种推理方法。深度学习堪称这个概念的代表，成为重大的研究课题，获得了大笔的投资，还有媒体的竞相报道。 深度学习是通向类似人类的智能的“真正”道路吗？ 自计算技术诞生以来，开发人员就通过编写代码来开发程序和算法，机器将代码转换成精确的指令。 尽管计算机功能强大、用途广泛，但是在执行人类轻松执行的任务时却常常无能为力。将实时经验考虑在内的复杂问题还无法简化成一行行代码，因此需要更新颖的方法。 深度学习提出了一种不同的方法来解决问题。 程序自动“学习”来解决问题，而不是按程序解决问题的方式来编写代码。 这就是深度学习背后的广泛概念，它依赖于多层神经网络，每个层始于最后一个层离开的地方，以解决问题。 值得一提的是，神经网络是单独但相互连接的节点，直播，它们同时运行计算，不过它们完全类似我们人类的神经系统。 一些专家认为，深度学习并不是为机器赋予类似人类的智能的真正途径，它可能阻碍“真正人工智能”的进步。 目前使用的所有深度学习系统都是“监督式”，这意味着它们需要预先确定的数据――基本上它们会对这些数据分类――这项工作耗用了大量资源，而这些资源原本可用于开发真正大有潜力的人工智能，即所谓的“非监督式人工智能”。 非监督式人工智能的工作方式有些类似人脑，它会识别出新的模式，自行标记模式，并对它们进行分类，这一切都不需要人类事先输入。这种“真正的人工智能”被麻省理工学院（MIT）的科学家称之为“非监督式人工智能”。 大公司将就使用“监督式”深度学习 自20世纪60年代以来，深度神经网络就已经存在了，不过近几年来，它们才真正迅猛发展起来，因为这时候具备了两个条件：大数据和计算能力。 深度学习系统必须拥有大量的数据，并拥有足够的计算能力，才能不断地更新自己，从经验中学习，并不断改进。 由于深度学习，几种数据处理应用得以成为可能，比如语音识别、图像识别和绘图。 在谷歌、Facebook、苹果、微软和亚马逊之类的巨头看来，这些应用及其他许多应用是深度学习的“中流砥柱”。 大公司已经在充分利用源源不断的数据，将庞大的资源专门投入到监督式深度学习上。 除了个别项目外（比如谷歌的“人工大脑”项目），其他的“非监督式人工智能”大项目均没有进展。 据《麻省理工学院技术评论》声称，吴恩达最出色的学生Quoc Le（谷歌大脑小组的研究科学家之一）认为“非监督式学习”是开发不需要标记数据（labeled data）就能学习的真正人工智能面临的最大挑战。 另外一篇类似的观点，做为补充，推荐给大家～（系网易新闻-智能工作室出品） 我们已经在之前的一篇文章中探讨了神经网络和深度学习技术，现在是时候讨论深度学习的另一个主要组成部分了：数据，即图像，视频，电子邮件，驾驶模式，短语，物体等等。 令人惊讶的是，尽管我们的世界几乎被数据所淹没，但很大一部分是未经标注未被整理过的，这意味着这些数据对于大多数目前的监督式学习来说是不可用的。 而深度学习尤其依赖于大量良好的、结构化的、有标签的数据。在我们“神经网络非数理化指南”的第二部分中，我们将研究为什么高质量的、标记过的数据如此重要，它来自哪里，如何使用，以及近期会有什么样的解决方案可以提供给我们制造的那些渴望学习的机器。 监督学习：让我握住你的手 在关于神经网络的文章中，我们曾解释了如何通过精心制作的“香肠印刷机”（sausage press）将数据输入给机器，这些印刷机能够快速进行剖析、分析甚至自我精炼。 (责任编辑：本港台直播) |