侵权投诉
焊接机器人 喷涂机器人 搬运机器人 装配机器人 切割机器人 其它机器人
订阅
纠错
加入自媒体

麻省理工科技评论:2017年人工智能五大趋势预测

2017-01-13 09:51
棒棒书香
关注

由谷歌DeepMind开发的计算机程序AlphaGo在五次对抗比赛中击败了人类围棋冠军,它最近所取得的成功在很大程度上要归功于强化学习。AlphaGo是通过使用一个人类专家数据库来初始化一个自动代理的方法被训练的,但随后提炼的方法是通过大量地自我对抗游戏以及应用强化学习。

可以看出,强化学习被证明在真实世界环境里是有用的。

最近有不少模拟环境发布,通过扩大计算机能够借助这种技术获得的技能数量,应当会推动所需算法设计方面的进展。

在2017年,我们很可能会看到更多的强化学习应用到诸如自动驾驶和工业机器人难题中的尝试。谷歌称使用深度强化学习可以让他们的数据中心更高效。但是这种方法仍然在是实验阶段,需要耗费大量的时间来模拟环境,因此,未来该类技术能够如何被有效部署值得关注。

生成对抗网络最值得期待

在2016年12月举行的第30届神经信息处理系统大会(NIPS,AI界最著名的会议之一)上,讨论最多的是一种新的学习技术——生成对抗网络,在会议大纲中被提到逾170次。

GANs是“生成对抗网络”(Generative Adversarial Networks)的简称,由2014年还在蒙特利尔读博士的Ian Goodfellow引入深度学习领域。Yann LeCun曾评价GAN是“20年来机器学习领域最酷的想法”。

在GANs这片新兴沃土,除了Ian Goodfellow所在的OpenAI在火力全开,Facebook的人工智能实验室也在这一领域马不停蹄深耕,就连苹果也跳上了GANs的彩车:苹果有史以来第一篇公开发表的AI论文,讲的是如何更好地利用GANs,来训练AI图像识别能力。从学术界到工业界,GANs席卷而来。

生成对抗网络指的是同时训练两个神经网络。其中一个神经网络叫做生成器网络( Generator Network),它不断捕捉训练库里真实图片的概率分布,将输入的随机噪声(Random Noise)转变成新的样本(也就是假数据)。另一个叫做判别器网络(Discriminator Network),它可以同时观察真实和假造的数据,判断这个数据到底是不是真的。

判别器的任务是判断给定图像是否看起来自然,换句话说,是否像是人为(机器)生成的。而生成器的任务是,顾名思义,生成看起来自然的图像,要求与原始数据分布尽可能一致。

通过这两个神经网络的共同努力,可以产生非常逼真的合成数据。这个方法可以用于生成视频里的游戏风景,去掉模糊的、像素化的视频,或者将文本上的变化变成计算机产生的设计。

Yoshua Bengio(Ian Goodfello的博士生导师,世界领先的机器学习专家)在NIPS会议上说,GAN这种方法特别令人兴奋,是因为它提供了一个强大的方式可以让电脑学习更多未标记的数据,这或许会成为让计算机变得更智能的关键。

<上一页  1  2  3  4  下一页>  
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号