大規(guī)模的數(shù)據(jù)收集和處理能力的飛躍，為人工智能的重大進(jìn)步奠定了基礎(chǔ)。然而越來(lái)越多的證據(jù)表明，人工智能領(lǐng)域已經(jīng)準(zhǔn)備好進(jìn)入一個(gè)全新的高度，人工智能不僅能夠想象現(xiàn)實(shí)世界，而且能夠開(kāi)始準(zhǔn)確地判斷什么是真實(shí)的、重要的，什么是不真實(shí)的、不重要的——從而預(yù)測(cè)接下來(lái)會(huì)發(fā)生什么。
谷歌公司研究科學(xué)家Carl Vondrick近日在舊金山Re-Work深度學(xué)習(xí)峰會(huì)發(fā)表演講時(shí)說(shuō)：“計(jì)算機(jī)非常擅長(zhǎng)記憶，問(wèn)題是教他們?nèi)绾瓮洝?rdquo;
Vondrick的研究專(zhuān)注于當(dāng)今世界網(wǎng)絡(luò)最棘手的挑戰(zhàn)之一：如何利用大量的、無(wú)處不在的、無(wú)標(biāo)簽視頻的數(shù)據(jù)庫(kù)。被一個(gè)可愛(ài)的嬰兒或有趣的貓咪視頻逗笑是一回事，要從視頻中獲得信息是另一回事。
從視頻中學(xué)習(xí)
谷歌研究小組認(rèn)為，最好的方法是：使用數(shù)百萬(wàn)個(gè)無(wú)標(biāo)簽的視頻時(shí)間來(lái)訓(xùn)練深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（DNN），以更好地了解世界。利用大量可用的素材，采用了人工智能技術(shù)的網(wǎng)絡(luò)不僅可以準(zhǔn)確描述它看到了什么，而且還可以預(yù)測(cè)接下來(lái)將會(huì)發(fā)生什么。
在這次峰會(huì)，Vondrick展示了人們相互交流的視頻，然后網(wǎng)絡(luò)分析出基本正確的結(jié)果。擁抱、握手或擊掌，往往是基于視頻捕捉到的人際交往的行為。
深度學(xué)習(xí)研究是重要的，因?yàn)槿祟?lèi)對(duì)機(jī)器越多依賴，越要機(jī)器有能力辨別所觀察的人類(lèi)行為。如果一個(gè)人靠近門(mén)把手，這時(shí)候如果機(jī)器人決定關(guān)門(mén)的話，就是非常不合適的。
將聲音與圖像關(guān)聯(lián)
有趣的是，谷歌研究人員一直在擴(kuò)展深度學(xué)習(xí)模式，把聲音也包含在內(nèi)。峰會(huì)與會(huì)者聽(tīng)到一段唱著“生日快樂(lè)”的音樂(lè)，而當(dāng)視頻圖像顯示出來(lái)，網(wǎng)絡(luò)正確地預(yù)測(cè)了該段視頻中會(huì)有蠟燭的形象。Vondrick解讀道，深度學(xué)習(xí)系統(tǒng)在預(yù)測(cè)行動(dòng)方面進(jìn)展順利，精確度達(dá)74％，比人類(lèi)的速度提高了約10個(gè)百分點(diǎn)。
Vondrick坦言：“這項(xiàng)任務(wù)仍然非常困難，我們并不總能得到正確的結(jié)果。”
Vondrick的研究是基于一種被稱(chēng)為對(duì)抗式學(xué)習(xí)（adversarial learning）的方法，這種方法實(shí)際上是讓兩種網(wǎng)絡(luò)彼此競(jìng)爭(zhēng)。一個(gè)網(wǎng)絡(luò)產(chǎn)生真實(shí)的圖像，另一個(gè)網(wǎng)絡(luò)分析這些圖像，并確定這些圖像是真的還是假的。“谷歌大腦”研究人員Ian Goodfellow最近也采用了這種技術(shù)，他已經(jīng)成為“生成式對(duì)抗式網(wǎng)絡(luò)”（GAN，Generative Adversarial Networks）領(lǐng)域的權(quán)威。
在Goodfellow的工作中，GAN創(chuàng)造出真實(shí)世界的照片和聲音。Goodfellow說(shuō)：“GAN是基于博弈論的生成模型，開(kāi)啟了廣泛的工程任務(wù)的大門(mén)。”
這些任務(wù)包括各種深度學(xué)習(xí)模式，在這些模式下，機(jī)器可以被要求把一匹棕色的馬變成斑馬。在這次峰會(huì)的一段視頻中，一匹馬在動(dòng)物園中躍躍欲試，斑馬的條紋完美地呈現(xiàn)出來(lái)，并且由于計(jì)算機(jī)從非洲大草原拍攝的圖像中找到了斑馬紋，所以在背景中還有一些褐色的草。
理解書(shū)面文字的上下文
機(jī)器要理解書(shū)面文字的上下文，也許更重要的是深度學(xué)習(xí)方面的進(jìn)步，也就是訓(xùn)練計(jì)算模型以理解人的情境。在艾倫人工智能研究所（Allen Institute for AI），研究人員正在從在線數(shù)據(jù)庫(kù)中讀取大量未標(biāo)記的文本數(shù)據(jù)，來(lái)訓(xùn)練大規(guī)模的語(yǔ)言模型。
這里使用的關(guān)鍵方法結(jié)合了來(lái)自語(yǔ)言模型或ELMo表示的嵌入。艾倫研究所的研究科學(xué)家Matthew Peters說(shuō)：“ELMo的表述是上下文的，依賴于所使用的整個(gè)句子。”
在這次峰會(huì)上，Peters展示了這種技術(shù)如何使網(wǎng)絡(luò)能夠正確解讀像“play”這種簡(jiǎn)單單詞背后的意圖，這個(gè)單詞可以有多種含義，取決于它在句子中的用法。“three-point play”可能意味著與“representatives who play to the party base”完全不同的含義。通過(guò)訓(xùn)練完整的句子而不是有限的單詞定義，計(jì)算機(jī)正在學(xué)習(xí)如何做到這一點(diǎn)。
人工智能移動(dòng)化
人工智能也正在擴(kuò)展到移動(dòng)設(shè)備。Facebook人工智能攝像頭團(tuán)隊(duì)開(kāi)發(fā)了一項(xiàng)新技術(shù)Mask R-CNN2Go，可以檢測(cè)身體姿勢(shì)，并且可以準(zhǔn)確地將圖像從背景中分離出來(lái)。這不是一個(gè)容易解決的問(wèn)題，因?yàn)閷?shí)時(shí)檢測(cè)身體動(dòng)作是一個(gè)混亂的過(guò)程。衣服、運(yùn)動(dòng)和附近的其他人或物體的存在都會(huì)干擾。人工智能網(wǎng)絡(luò)必須能夠最終排除掉圖像的其他部分，以便準(zhǔn)確地檢測(cè)和跟蹤人體姿勢(shì)。換句話說(shuō)，它必須學(xué)會(huì)“忘記”。
Facebook公司研究工程師Andrew Tulloch表示，F(xiàn)acebook人工智能實(shí)驗(yàn)室（FAIR）最近發(fā)布了基于開(kāi)源代碼的Mask R-CNN平臺(tái)。在Facebook龐大的移動(dòng)用戶社區(qū)中使用這個(gè)應(yīng)用突顯了其未來(lái)潛力。“這是一個(gè)巨大的機(jī)會(huì)，”Tulloch表示。
深度學(xué)習(xí)到底要走多遠(yuǎn)？本月早些時(shí)候在拉斯維加斯舉行的CES消費(fèi)電子展上，參觀者看到從人工智能控制的貓咪寵物玩具，到以人工智能為動(dòng)力的站立式辦公桌，連流行文化偶像賈斯汀•汀布萊克也加入了這場(chǎng)派對(duì)，最近發(fā)布了一個(gè)融入人工智能主題的視頻。
英偉達(dá)公司人工智能基礎(chǔ)設(shè)施副總裁Clement Farabet說(shuō)：“深度學(xué)習(xí)現(xiàn)在幾乎是一種商品了。這意味著，我們只能看到人工智能技術(shù)如何改變我們?nèi)粘Ｉ钸@一個(gè)開(kāi)始。”