端科技您的位置:首页 >互联网 >

生成性人工网络如何加速人工智能学习

人工智能(AI)系统的最大限制因素之一是它们无法以人类的方式思考或概念化世界。

传统的AI模型不需要直观地辨别混乱中的模式,比如如何即时识别照片中的猫,传统的AI模型需要深入描述构成“猫”物体的内容以及如何通过评估图像中的各个像素组来识别它们。

生成性人工网络如何加速人工智能学习

深度学习系统开始绕过蛮力计算的必要性,人工智能程序AlphaGo对国际冠军Go的一次具有里程碑意义的胜利证明了这一点,Go曾被认为过于直观和概念化,无法掌握人工智能。但是,人工智能学习中一个新的但直观简单的跨越式发展可能会进一步加快人工智能开发的步伐。

谷歌的GAN

谷歌研究员和人工智能专家伊恩·古德费罗正致力于开发人工智能,这种人工智能属于一组“生成模型”,旨在创建与您在现实世界中可以找到的图像和声音相媲美的图像和声音。这是一项看似困难的任务,因为人工智能程序必须首先在概念上理解它们试图复制的内容,这是历史上一直保留给人类的直觉思维的飞跃。

Goodfellow试图使用称为生成人工网络(GAN)的东西来实现这一目标,这些网络是两种决斗,半竞争AI算法的集合,旨在持续相互提升。例如,一个AI可以被编程为生成看起来真实的图像,而另一个AI将被编程以区分真实图像和机器生成的图像。随着时间的推移,图像生成器将更好地生成逼真的图像,并且“判断”将更好地辨别它们。

两个AI程序都使用人工神经网络,这些网络旨在模仿人类大脑用于存储和调用信息的过程。两台机器不是严格的输入和输出,而是建立复杂的相互关联的思想网络,并利用它们在概念上“思考”并从过去的错误中吸取教训。

神经网络已经存在了好几年了,但是让GAN特别强大的是它们在没有任何人工协助的情况下运行的能力。双胞胎算法不是依靠人类主管来指导和教育他们,而是在几乎无限的反馈循环中完善自己。

潜在的应用

理论上听起来很酷,但这些决斗机器人可能具有哪些实际用途?

天文模拟。天文学家已经开始利用GAN来模拟星系和星系,其外观因引力透镜而变形。引力透镜是由目前被识别为“暗物质”引起的失真效应,但由于我们不能总是从其他环境影响中过滤引力透镜,因此很难从真实世界的图像中了解更多关于暗物质的信息。

医学诊断和理解。GAN还可用于生成和更好地理解医疗信息,例如病史,当前症状和诊断时的复杂因素。由于GAN完全独立于人类运作,因此他们不需要侵犯患者隐私以产生新记录。

解释大数据集。GAN可用于解释几乎任何可想到的大数据集,在数百万次潜在迭代中对其进行建模和解释。最终,他们成为比人类同行更好的数据分析师 - 或者至少,这就是这个想法。

目标:了解世界

当然,GAN技术的潜在应用远远超出了目前可用的用途。这里的主要目标是创建能够理解世界的AI,而不仅仅是对它做出反应。我们已经拥有人工智能和计算能力,可以自动执行简单而繁琐的任务,但是如果我们要开始解决更大的问题,我们需要模仿人类思维的高层次思考,创造力甚至好奇心。

危险吗?

还有一些与GAN技术相关的担忧。第一个也是更具威胁性的是技术能力,可以创造对世界的现实的,人为的描绘; 想象一个网络犯罪分子能够在妥协的情况下伪造真人的图像。保持技术脱手是非常重要的,但我们如何判断哪些是错误的手,哪些是正确的?

这种递归的,自我学习的过程也可能最终教会每个机器人关于现实的错误教训。因为他们没有受到监督,他们可能会开始错误的路径并浪费时间跟随它,直到整个系统变得无用。

GAN不是一个完美的系统,但它们的潜在应用和加速AI开发的能力使它们更值得探索,至少谷歌工程师表示。在任何情况下,我们都向人工智能迈出了新的一步,可以在没有任何人类输入的情况下不断改进和提高自身。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如有侵权行为,请第一时间联系我们修改或删除,多谢。