品牌  【直播】  50强   整机  ​【联盟】  机构  【视界】  展会  招聘  云服务          微博   公众号AIrobot518 
【​今日焦点
【行业动态】
NEWS / 新闻中心
机器究竟如何学习?详解人工智能的“左右互搏术”
来源:解放军报 | 作者:解放军报 | 发布时间: 900天前 | 4939 次浏览 | 分享到:
深度学习的概念,最早是由杰弗里·辛顿在2006年提出的。这是一门用于学习和利用“深度”人工神经网络的机器学习技术。作为人工智能领域中最热的研究方向,深度学习迅速受到学术界和工业界的关注。

 导读

金庸武侠小说《射雕英雄传》里,有这样一段经典场景:“老顽童”周伯通在被困桃花岛期间,创造了“左右互搏术”,即用自己的左手跟自己的右手打架,在两手互搏中提高功力。如今,这样的桥段在人工智能领域真实上演。它,就是深度学习。


“左右互搏术”与深度学习中的一种对抗训练原理相仿,即有两个角色——生成器和判别器。生成器类似于左手,扮演攻方;判别器类似于右手,扮演守方。

判别器的目的是正确区分真实数据和生成数据,从而最大化判别准确率;生成器则是尽可能逼近真实数据的潜在分布。二者需要不断提高各自的判别能力和生成能力来取胜,从而实现目标优化。

今天,让我们打开这个“神秘魔盒”。

深度学习的概念,最早是由杰弗里·辛顿在2006年提出的。这是一门用于学习和利用“深度”人工神经网络的机器学习技术。作为人工智能领域中最热的研究方向,深度学习迅速受到学术界和工业界的关注。

目前,深度学习已得到广泛应用。如在博弈领域,AlphaGo通过深度学习,以4∶1的比分战胜韩国棋手李世石,成为第一个击败人类职业围棋选手的电脑程序;在医学影像识别中,以深度学习为核心技术的X光、核磁、CT、超声等医疗影像多模态大数据的分析技术,可提取二维或三维医疗影像中隐含的疾病特征;在图像处理中,最成功的领域是计算机视觉,如图像风格迁移、图像修复、图像上色、人脸图像编辑以及视频生成等。

一种特殊的机器学习方法

今天的人工智能,其实是把现实生活中的问题量化成了可计算的问题,然后用计算机算出来。数学模型则架起了中间的桥梁。

现实生活中,很多问题都可以通过建模解决。比如计算远程火炮弹道问题,计算日食、月食出现的时间和地点等。我们只要把相应公式用计算机语言写一遍,再代入参数,就能计算出来。

然而,更多问题的解决方法是不确定的。即使我们找到了相应的数学模型,也不知道应该代入什么参数。比如语音识别、人脸识别和机器翻译等。因此,我们需要让计算机通过自主学习,从大量数据中得到相应参数。这个过程,就是机器学习。

机器学习旨在发现数据存在和利用的模式,并用它们进行学习及做出预测。机器学习的过程,就是用计算机算法不断地优化模型,让它越来越接近真实情况的过程。它与人类学习的道理如出一辙。

考察人的学习通常方式是考试,如果分数不及格,就需要进一步学习。机器学习也要这样来衡量,它的目标用专业术语来说,就是“期望值最大化”。

机器学习的效果取决于两个方面:一方面是学习的深度。机器学习并不能“一口吃成个胖子”,它的训练算法需要迭代执行。这如同人在学习时要通过复习来“温故而知新”一样。机器学习迭代的次数越多,即学习得越深入,得到的数学模型效果越好。另一方面是数据的质与量。正如我们做大量优质习题,成绩就会提高。机器学习也是如此,训练数据量越大,学习效果就会越好。

根据数学模型的特点,机器学习有两种方法:一种是利用已知模型进行训练;另一种是在模型未知的情况下,设计一些简单通用的模型结构,然后使用大量的数据进行训练,训练成什么样就是什么样。这便是我们常听到的人工智能“黑箱”问题,即使训练有效,也不清楚里面是什么。

深度学习就是后一种机器学习的方法。人工智能涵盖的领域十分广泛,深度学习只是其中的一个分支,属于机器学习的范畴。人工智能需要有“独立思考”能力与机器学习技术的支持,深度学习便是帮助机器实现“独立思考”的一种方式。

深度学习迎来革命性突破

人工神经网络,简称神经网络,是一种模仿动物中枢神经系统结构和功能的数学模型,是用大量简单处理单元经广泛连接而组成的人工网络。它其实是一个特殊的分类器,用于对函数进行估计等。

神经网络为许多问题的研究提供了新思路,特别是迅速发展的深度学习,能发现高维数据中的复杂结构,取得比传统机器学习更好的效果。

20世纪50年代,人类第一次设计出计算机能运行的神经网络算法。此时的神经网络,虽然给了人们很多遐想空间,却解决不了实际问题,因此被打入“冷宫”。

到了20世纪80年代末期,人们提出反向传播算法,可让一个神经网络模型从大量样本中学习统计规律,从而对未知事件做出预测。随后,支持向量机等各种各样的机器学习方法被相继提出。不过,这些模型的结构均为浅层学习方法,处理复杂问题的能力受到一定制约。因此,神经网络再进“冷宫”。

2006年,加拿大教授辛顿和他的学生提出深度学习神经网络的“快速学习”算法,使深度学习迎来了革命性突破。深度学习通过学习一种深层非线性网络结构,展现出了从少数样本中集中学习数据及本质特征的强大能力。

从此,神经网络学会了反复分类以及识别物体的方法,并展现出乎意料的精准度。

计算能力成为推动深度学习的利器

人工神经网络在被提出的50年间,都没能很好地解决智能问题。究其原因,除了算法本身不完善外,还在于计算机绝对速度不够快,而且单位计算能力的能耗太高,无法通过大量服务器搭建并行计算系统,来达成深度人工神经网络。

那么,靠什么加以突破?答案就是摩尔定律。

摩尔定律是戈登·摩尔在1965年提出的一项观察结论,即计算机的总体处理能力大约每2年就会翻一番。经历近50年的历史检验,摩尔定律展现出惊人的准确性。摩尔定律带来的结果是,在过去的半个多世纪里,计算机处理器性能增长了上亿倍,耗电量却降到了百分之一。

​​​​第六期“全国移动机器人行业巡回调研活动”合作商招募中

​报名热线:400-0756-518​​​​

活动时间:2023-09-01至11-30

  • 磅旗科技:助力储能行业AI数字化,构建新质生产力
  • 旷视机器人征战欧洲市场 柔性仓储方案亮相LogiMAT
  • 这家包装企业牵手蓝芯科技,积极探索生产新模式
  • 跨楼层高效输送,仙工智能助力浙江泰林医学工程持续提效
  • 东海实验室和海康威视达成战略合作,携手推进智慧海洋建设
  • 镭神智能全系列3D SLAM无人叉车/AMR助力发展新质生产力
  • 冷链仓储 多倍库容|MiMA米玛窄巷道人上型三向堆垛车冷库解决方案
  • 智造再提速 |海康3D视觉引导拆码垛系统方案全面升级