AI大咖杨立昆:机器如何像人一样聪明?

2018-10-16来源: 爱数智慧 关键字:大数据 爱数智慧

相关文章

      IEEE ICASSP(英文全称International Conference on Acoustics, Speech and Signal Processing)即国际声学、语音与信号处理会议,是全世界最大的,也是最全面的信号处理及其应用方面的顶级会议。作为IEEE(电子技术与信息科学工程师协会)的一个重要会议,ICASSP除了有几十年历史外,其论文还经常被三大检索工具检索。因此,ICASSP对于信号处理方面的学术人士有着重要意义。它涵盖了音频和声学信号处理,图像、视频和多维信号处理,物联网的信号处理等至少十六个方向。

      今年的ICASSP于加拿大当地时间2018年4月15日-20日在加拿大卡尔加里举办。爱数智慧的小伙伴们也参加了这一盛会,与众多声学信号处理的技术大神们面对面交流。

      爱数智慧的小伙伴们参加了很多报告,但是印象最深的就是杨立昆(Yann LeCun)的报告。


(图为Facebook人工智能研究主任杨立昆在ICASSP)


      Yann Lcun是Facebook人工智能研究主任,也是纽约大学的白银教授,隶属于Courant研究所、神经科学中心和数据科学中心,至2014,他担任该中心的创始主任。

      他的研究兴趣包括机器学习和人工智能,并将其应用于计算机视觉、自然语言理解、机器人和计算神经科学。最著名的是他在在深度学习方面的工作和卷积神经网络的发明,该方法广泛应用于图像、视频和语音识别。

来和我们一起看看杨立昆都讲了些什么吧!


传统机器学习PK深度学习


      我们都知道,机器学习是人工智能的核心,是使计算机具有智能的根本途径。机器学习最基本的做法,是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测。传统的机器学习系统几乎完全以统计学或盲模型的方式运行,这对于其力量和性能造成了严格的理论上的限制。这样的系统不能引发干预和反思,因此不能作为强AI的基础。


      最近大火的深度学习就不同了,深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

从传统的机器学习到深度学习,使得强人工智能得以实现。


人工智能的两大难题


机器如何像人类一样迅速学习


      对于控制和游戏AI,大多数系统使用无模型强化学习,这需要太多的试验才能在现实世界中实用。相反,动物和人类似乎通过仅仅通过观察和偶尔的行动来学习关于世界如何运作的大量知识。


机器如何学习自我规划


      在环境发生变化的时候,人类和机器最大的区别就是人类可以在环境变化的同时在大脑中形成预测,并作出下一步动作的规划,但是机器只能根据设定好的流程去行动,就算设定好的流程出现问题。因此,预测和规划对于机器来说无比重要。良好的预测世界模型是智能行为的重要组成部分:有了它们,人们就可以预测结果并规划行动过程。可以说,预测是智力的本质。好的预测模型可能是直觉、推理和“常识”的基础,使我们能够填补缺失的信息:从过去和现在预测未来,或从嘈杂的感知中推断世界的状态。

      深度学习是计算机感知、信号恢复/重建、信号合成、自然语言理解和控制等领域的革命。但是,几乎所有这些成功都主要依赖于监督学习,在这种学习中,机器需要预测人类提供的注释。人类提供的注释,简单来说,就是给机器输入的训练数据,包括智能语音数据、智能图像数据、自然语言理解数据。

      现阶段,由于算法的限制性,机器并不能像人快速学习、有预测、规划的功能,能做的一点就是给机器输入更多更加精准的注释,也就是带标签的数据,使机器学的更多,变得更加聪明,才能促进人工智能的快速发展。

      还是那句话,要数据,找小爱!!!


上一篇:没去世界智能大会的亲们,福利来了!!! 下一篇:中国AI有三大短板,该如何以长补短?
本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有,本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如果本网所选内容的文章作者及编辑认为其作品不宜公开自由传播,或不应无偿使用,请及时通过电子邮件或电话通知我们,以迅速采取适当措施,避免给双方造成不必要的经济损失。

imagicdatatech.com Beijing MAGIC DATA Co., Ltd.