機(jī)器學(xué)習(xí)的基本原理是模型訓(xùn)練。對(duì)于人類(lèi)來(lái)說(shuō)，可以從單一的樣例中學(xué)習(xí)到非常深刻的知識(shí)，例如變質(zhì)的牛奶味道很差、火是熱的等，但機(jī)器卻需要更多的樣例，因?yàn)樗鼈兪腔诮y(tǒng)計(jì)學(xué)的原理進(jìn)行學(xué)習(xí)。機(jī)器學(xué)習(xí)的過(guò)程主要依賴(lài)于數(shù)據(jù)。
不過(guò)，今天這種現(xiàn)象或許開(kāi)始要改變了。本周，一篇人工智能 論文 登上了《科學(xué)》雜志的封面，為人類(lèi)帶來(lái)了人工智能領(lǐng)域的一個(gè)重大突破，來(lái)自紐約大學(xué)的Brenden Lake、多倫多大學(xué)的Ruslan Salakhutdinov和麻省理工學(xué)院的JoshuaB.Tenenbaum共同開(kāi)發(fā)了一個(gè)計(jì)算機(jī)系統(tǒng)：“只看一眼就會(huì)寫(xiě)字”。
Salakhutdinov表示，人們一直試圖構(gòu)建一個(gè)機(jī)器系統(tǒng)，讓其能夠像人類(lèi)一樣，只需要很少的數(shù)據(jù)就能執(zhí)行新的任務(wù)。“復(fù)制這些能力是一個(gè)非常令人期待的研究領(lǐng)域，其涉及到機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)、計(jì)算機(jī)視覺(jué)和認(rèn)知科學(xué)等學(xué)科”。大約十年前，Salakhutdinov與他的導(dǎo)師Geoffrey Hinton一起發(fā)表了一篇文章，題目為“深度神經(jīng)網(wǎng)絡(luò)”。這個(gè)算法能夠從6000個(gè)樣本的數(shù)據(jù)中，學(xué)習(xí)到從0-9的10個(gè)書(shū)寫(xiě)體字符概念的結(jié)構(gòu)。而在Lake等人最新的成果中，引入了一個(gè)貝葉斯程序?qū)W習(xí)(Bayesian program learning, BPL)框架，它是一個(gè)能夠模仿人類(lèi)思維方式的機(jī)器學(xué)習(xí)模型，即能夠從單一樣例中進(jìn)行學(xué)習(xí)。這是一個(gè)“學(xué)會(huì)學(xué)習(xí)”(learns to learn)的模型。
這篇論文的第一作者Brenden Lake曾在Tenenbaum的團(tuán)隊(duì)中獲得認(rèn)知科學(xué)博士學(xué)位，如今他是紐約大學(xué)的博士后。根據(jù)Lake的介紹，這個(gè)模型能通過(guò)視覺(jué)圖靈測(cè)試。
論文指出，“只需要通過(guò)簡(jiǎn)單的概念，人類(lèi)就可以比機(jī)器學(xué)習(xí)到更豐富的表示，也可以將其用于更廣泛的功能，例如創(chuàng)造新的樣例，以及基于現(xiàn)有的類(lèi)別創(chuàng)造出新的抽象類(lèi)別。最好的機(jī)器分類(lèi)器都不能執(zhí)行這些功能”。
作者繼續(xù)表示，“目前的主要挑戰(zhàn)是解釋人類(lèi)層次的概念學(xué)習(xí)的兩個(gè)方面”。“人類(lèi)是如何從一個(gè)或幾個(gè)樣例中學(xué)習(xí)到新的概念的?人類(lèi)又是如何學(xué)習(xí)這種抽象的、豐富的和靈活的表示的?”
機(jī)器學(xué)習(xí)模型是通過(guò)更多的數(shù)據(jù)而獲得提高的，但人類(lèi)似乎能夠打破這個(gè)看似基本的原則。
根據(jù)論文所描述的，BPL能夠讓計(jì)算機(jī)對(duì)人類(lèi)認(rèn)知進(jìn)行很好的模擬。傳統(tǒng)的機(jī)器學(xué)習(xí)方法需要大量的數(shù)據(jù)來(lái)進(jìn)行訓(xùn)練，而這種方法只需要一個(gè)粗略的模型，然后使用推理算法來(lái)分析案例，補(bǔ)充模型的細(xì)節(jié)。
研究者設(shè)計(jì)的學(xué)習(xí)方法到目前為止都只是針對(duì)具體的字符識(shí)別任務(wù)，例如世界字符表中的手寫(xiě)字符。它的工作是按照算法指令生成一個(gè)給定字符的程序表示，算法指令是為了告訴用戶如何重新生成字符。結(jié)果是泛化的一種類(lèi)別，按照相同的指令產(chǎn)生字母，不同的用戶可能會(huì)產(chǎn)生許多不同的變化，但它仍具有相同的基本標(biāo)志。
文章中解釋?zhuān)撃Ｐ湍軌蜃匀徊东@真實(shí)世界過(guò)程的抽象的“因果”結(jié)構(gòu)，產(chǎn)生一種類(lèi)別的各種樣例。該模型能夠使用先前產(chǎn)生的概念程序中的原語(yǔ)，不僅識(shí)別字母的新樣例，而且可以創(chuàng)造新的概念程序，例如新字母。
下面介紹模型的工作方式。給該算法一個(gè)以前從未見(jiàn)過(guò)的字符，讓它嘗試五次來(lái)解析字符，每一個(gè)都是一個(gè)新的方案(因此新的方案本身是算法生成的)。這些方案根據(jù)不同的概率每次創(chuàng)作不同的新的字符。正如你在視頻中看到的，結(jié)果與真實(shí)人類(lèi)書(shū)寫(xiě)的基本一致，因此，這項(xiàng)研究被打上了“人類(lèi)層次概念學(xué)習(xí)”的標(biāo)簽。
那么，該模型怎樣才能適用于一般的機(jī)器學(xué)習(xí)呢?
紐約大學(xué)的數(shù)據(jù)科學(xué)家告訴Motherboard，“現(xiàn)在的算法只適用于手寫(xiě)文字，但我們確定了對(duì)模型性能很重要的三個(gè)核心原則，可能幫助在其他領(lǐng)域取得進(jìn)展”。
第一個(gè)原則是“組合性”，如上所述，概念表示應(yīng)該由簡(jiǎn)單的基元構(gòu)建而成。第二原則是“因果性”，模型表征了真實(shí)世界中的對(duì)象生成的抽象因果結(jié)構(gòu)。最后一個(gè)，是“學(xué)會(huì)學(xué)習(xí)”，過(guò)去的概念有助于學(xué)習(xí)新的概念。
Lake說(shuō)到，“這些原則可能有助于解釋人類(lèi)能夠快速學(xué)習(xí)和使用其他類(lèi)型概念的原因”。“我們尤其對(duì)一些學(xué)習(xí)新的口頭語(yǔ)和學(xué)習(xí)新手勢(shì)的應(yīng)用感興趣，當(dāng)你聽(tīng)到一個(gè)人說(shuō)過(guò)“潘基文”的名字，你基本上就懂了，并且能夠識(shí)別其他人說(shuō)起這個(gè)名字，同時(shí)自己也可以近似說(shuō)出這個(gè)名字。同樣的情況可以適用于手勢(shì)。
多倫多大學(xué)和谷歌的人工智能先驅(qū)Geoffrey Hinton說(shuō)這個(gè)研究“令人印象非常深刻”。他說(shuō)，這個(gè)模型能通過(guò)視覺(jué)圖靈測(cè)試，這很重要，是一個(gè)不錯(cuò)的成就。Hinton是深度學(xué)習(xí)的奠基者。他近年來(lái)在深度學(xué)習(xí)方面取得了舉世矚目的成就，其研究成果被廣泛應(yīng)用在許多領(lǐng)域，例如語(yǔ)音翻譯、圖像識(shí)別以及谷歌的圖像搜索和Facebook的人臉識(shí)別。
a&s傳媒是全球知名展覽公司法蘭克福展覽集團(tuán)旗下的專(zhuān)業(yè)媒體平臺(tái)，自1994年品牌成立以來(lái)，一直專(zhuān)注于安全&自動(dòng)化產(chǎn)業(yè)前沿產(chǎn)品、技術(shù)及市場(chǎng)趨勢(shì)的專(zhuān)業(yè)媒體傳播和品牌服務(wù)。從安全管理到產(chǎn)業(yè)數(shù)字化，a&s傳媒擁有首屈一指的國(guó)際行業(yè)展覽會(huì)資源以及豐富的媒體經(jīng)驗(yàn)，提供媒體、活動(dòng)、展會(huì)等整合營(yíng)銷(xiāo)服務(wù)。
粵公網(wǎng)安備 44030402000264號(hào)
