首页 资讯正文

人工智能发展进入“快车道”,各国都在抢占“人工智能”新高地

人工智能深度学习显然是智能行业的一个新高地,但有一个广泛的共识,那就是接入的计算越多、数据越庞大是深度学习的重要要素。这是很显然的,首先是大型分布式系统(像Google大脑),接着是神经网络在GPU上的快速部署,还有一个被低估的因素是大规模基准测试的存在。大规模基准测试(例如ImageNet)可以为新技术的学术发展提供重要的测试环境,从而能够展示出技术的进度。如果没有这些基准测试,学术研究只能停留在解决小规模问题上,而在这些场景中深度学习的好处并不能显现出来。

人工智能发展进入“快车道”,各国都在抢占“人工智能”新高地

目前,用户产生和消费的内容变得更加视觉化,正因如此,分析和理解图片的能力在商业上显得越来越重要。随着深度学习社区走向更丰富的媒体(例如视频),我们相信规模化将会变得更加重要。扩展人工智能非常具有挑战性,尤其是单一GPU的规模化,甚至单一数据中心的规模化。然而,当我们逐渐走向更加复杂的问题时,实现这样的规模化是必须的。

人工智能发展进入“快车道”,各国都在抢占“人工智能”新高地

大多数的深度学习工作集中于被称之为“感性问题”,例如理解图片、视频、演讲和音频等。直观上来说,这是有道理的,因为许多深度学习方法会通过编码模拟偏向,这与感知是一致的。例如,这些网络通常都有和人类感知相平行的结构,或者它们具有可以捕捉偏向的结构,就像邻里之间的偏向一样。和相距较远的像素相比,靠近的这些像素相互之间的联系可能更紧密。渐渐地我们将看见深度学习将会用于许多大型系统中,例如机器翻译。在这些情况下深度学习通常被用于解决一些有代表性的问题,而语言结构将会通过其他机器学习技术解决。我们会看到越来越多的这样的混合系统,例如我们购物的体验是人工智能支持的,其中也包括深度学习。

人工智能发展进入“快车道”,各国都在抢占“人工智能”新高地

深度学习和强化学习的结合是一个技术上的发展,延续的深度学习在自然语言处理和计算机视觉中的应用突破。值得关注的是之前的深度学习的应用停留在预测上,比如说对图像的识别、机器翻译。对于深度学习来说,真正需要的大数据,就目前而言,可以这么说,没有大数据,就没有好的深度学习模型,进而就没有非常智能的系统。

近几年因为深度学习在某些方面取得了一些喜人的进展,这个领域才又开始火了起来。借助于深度学习算法,人们似乎终于找到了如何解决“抽象概念”这个横亘在机器学习领域多年难题的方法。

人工智能发展进入“快车道”,各国都在抢占“人工智能”新高地

迄今为止,大数据生态系统专注于大量数据搜集、管理和策划。很显然,这里也有很多关于分析和预测方面的工作。但是从根本上来说,企业用户并不关心这一点。企业用户仅关心产出,也就是这些数据是否会改变我的行为方式和决定。我们相信这是接下来五年将要重点解决的问题,我们也相信人工智能能把数据和更好的决策之间连接起来。

很显然,深度学习将会在这个演化过程中扮演重要角色,同时在和其他人工智能方法相结合的时候也会做到这一点。接下来的五年中,我们将会看见更多的混合系统,在这些系统中,深度学习会用于解决一些困难的感知型任务,其他人工智能和机器学习技术将被用于解决其他难题,例如推理等。

版权声明

本文仅代表作者观点,不代表本站立场。
本文系作者授权发表,未经许可,不得转载。

本文链接:https://www.chinaai.com/zixun/3863.html

评论