当前位置: 首页 > 业内资讯

2018年以后的人工智能将如何发展?

发布日期:2019-05-31 17:41:35 | 编辑:互联网运营| 阅读次数:

摘要:神经网络不能学习新数据,以及需要每次都从头开始重新训练

在2018年及以后,深层神经网络和机器学习如何(AI)将在人工智能领域开发出更多?我们怎样才能开发出更多,更复杂的机器,以帮助人们在日常生活中?

这些机器的问题是学习硬件普渡大学教授欧亨尼奥库鲁尔塞罗(欧亨尼奥Culurciello)关注。请注意,预测不是本文的一些关于AI的焦点,但发展的道路,详细的趋势分析,和技术要求的领域,以帮助创造一个更加有用的AI。当然,并不是所有的机器都是为了学习AI,但也有一些其他目标容易实现的,下面我们就来仔细看看。

目标

AI目标区域是通过机器实现人与超人的能力,让他们帮助我们在我们的日常生活。自动驾驶汽车,智能家居,安全摄像机和人工助手将人工智能技术,第一个目标,家庭烹饪和清洁机器人,无人侦察机和机器人植入是第二批目标。

还有其他助手在移动设备上的目标,伴随着一个全职助理(你可以听到和看到我们的生活经验)。人工智能领域的最终目标是要建立完全独立的实体合成,从而能够在日常工作中对人类或超越人类的水平相当于行为。

软件

在这里,作为一个神经网络结构优化算法进行训练,以解决特定任务的软件定义。如今,神经网络是解决问题的学习,其中涉及的分类学习通过大型数据集的实用工具。但是,这是不是所有的AI,它需要在现实世界中,在没有监督的学习,而且从经验中学习之前从未见过的,经常需要以前学过的知识来解决当前面临的挑战相结合。

如何使目前的神经网络演变成AI?

神经网络结构:几年前,当神经网络结构的发展,我们通常认为自学习算法参数从数据有着巨大的优势,而这种手写不是更强大的算法。

但是我们忘了提一个小细节,而不是从数据中学习的“训练来解决特定的任务基于”神经网络结构。事实上,它仍然是一个开发人员的手工设计。鉴于此,现在它已经成为人工智能领域的主要限制之一。

然而,神经网络架构的基本核心学习算法。即使我们的算法可以学习新的技能,如果神经网络是不正确的,他们不能得到正确的结果。从神经网络结构问题,现有的数据中学习是用在大型数据集的多架构实验太长。

我们必须尝试从头开始多种架构的训练,看看哪一个是最有效的。这是非常耗时的试验和错误我们今天使用的过程!我们应该克服这种限制,并且要多想想在这个非常重要的问题。

无监督学习:我们不能总是干扰神经网络,来指导自己的每一次经历。我们不能纠正他们都在每一种情况下,他们的表现,并提供反馈。我们的生活还得继续!

但是,这也正是我们今天使用的监督神经网络做:我们帮助每个实例,以使他们能够正确执行。相比之下,人类学习只能从几个例子,能够自我学习和更复杂的数据的修正以连续的方式。

预测神经网络:一个神经网络的主要限制是,它们不是人类大脑的最重要的特征之一,即预测能力。一个关于人类大脑是如何工作的主要理论之一是,它能够继续预测,码预测。

如果你仔细想想,你会发现,我们每天都在使用它。你认为带来了很轻的物体,但结果是重。这会让你感到惊讶,因为当你关闭它,你要预测它会如何影响你和你的身体,或你的整体环境。

我们预测不仅让我们了解世界,也能知道,当我们不明白,当学习。事实上,我们保存的信息,我们不知道,并让我们感到吃惊的事情,所以不要犯同样的错误下一次!

在我们的大脑的注意机制的认知绝对明确的联系:我们天生就放弃99的能力。感觉输入的9%,只专注于基本数据为我们的生存,包括那里是一个威胁,它是我们的地方逃脱。

或者说,在现代社会中,当我们有急事要外出,哪里摔倒我的手机上。?构建一个预测的神经网络是我们如何与真实世界交互的核心,可以在复杂的环境中发挥作用。因此,这是任何网络增强学习的核心。

神经网络的电流限制:无法预测,无法解释的原因,并暂时不稳定,因此,我们需要一个新的神经网络。神经网络胶囊(神经网络胶囊)是解决神经网络的当前限制的一种方式,但我们认为它必须是一些附加功能:

1,视频帧操作:这很简单,因为我们需要做的是让胶囊路由视图多个数据点最近的时刻。这相当于在最近的重要数据点内存中建立一个相关性。请注意,这些框架的最新表现是不是最近的,但它们是不同的最新表达。

您可以通过保存在不同的表达只能预定值不同的表达得到不同的内容。重要细节被允许以节省最近的历史信息,而不是一系列无用的数据点。

2,神经网络预测功能:它是已经动态路由的一部分,它迫使一个到下层预测表达。这是一个非常强大的自学习能力,在我们看来,它比在社区学习我们开发的所有其他非监控性能更好。胶囊现在需要能够预测时间和空间之间的长期合作关系,但尚未实现。

持续学习:因为神经网络需要不断地学习新的数据点的生存,这是非常重要的。目前神经网络不能学习新数据,以及需要每次都从头开始重新训练。

神经网络需要能够接受再培训的自我评估的必要性,以及一个事实,即他们知道某些事情。它也需要在现实生活中得到证明,加强学习任务,我们要执行新任务的机器没有忘记旧任务。

学习迁移:我们如何让这些已知的或通过观看视频自我学习算法,我们学习新的东西,比如如何烹制。这是我们需要上述所有的因素的能力,但也很重要的,加强学习。现在,您可以通过举例的方式训练你的子机做你想要它做的事情,就像我们人类。

强化学习:这是神经网络“圣杯”的研究,也就是学习如何教机在真实世界环境!这需要自我学习,不断学习,预测能力,还有很多我们不知道的事。在表面强化学习很多你需要知道的,但作者所关心的事情的领域,这只是触及了问题。

强化学习通常被称为“蛋糕上的樱桃”,这意味着它仅仅是一个微小的塑料合成的大脑训练。但如何才能得到一个“通用”脑轻松解决所有问题是?

这是一个“先有鸡还是先有蛋”的问题! 如今,一个个为了解决强化学习的问题,我们需要使用标准的神经网络:神经网络,接收大量的输入数据,如视频或音频的深度,并将其压缩到意思; 学习神经网络,比如RNN,以了解任务的顺序。

这两个明显的解决方案是问题的一部分,现在显然是错误的,但它是每个人都使用,因为它们是目前可用积木。

这个结果并不令人印象深刻:我们可以从头开始学习玩视频游戏,掌握游戏如象棋和跳棋等完全可观察的,但不用说,相比于解决复杂的全球问题,这些他们是可以忽略不计。试想一下,AI可以更好地玩转“视界零黎明”比人类,我将拭目以待!

但正是因为我们希望看到,像一台机器,它能够以这种方式操作的,我们人类。我们建议,可使用连续操作和联想记忆神经网络来存储最近的经验来预测强化学习。

做更多的回归神经网络(RNN):因为他们在并行方面表现尤其糟糕,甚至定做特殊机器是非常慢的,因为他们的高内存带宽利用率,内存带宽的限制存在。注意神经网络的基础上更有效,更快的训练和部署,部署和培训,少的可扩展性。

在神经网络中,有很多的关注很可能使真正的改变发生的建筑,但它并没有得到应有的承认。联想记忆和注意力的组合神经网络发展的下一个浪潮的核心。我们认识到,基于神经网络将逐步取代基于RNN的语音识别的注意,并在强化学习和人工智能的总体框架内找到了自己的方法。

分类神经网络位置信息:其实,这已经是一个问题,将被嵌入到未来的神经网络结构。

硬件

核心硬件的学习进度深度。现在,让我们忘记2008--深入研究,迅速扩大到2012年,最近的进展主要取决于硬件:随着社交媒体的帮助下,每部手机上的低成本的图像传感器可以收集大量的数据集,但仅在次一级的重要性。GPU加速让DNN训练。在过去的2年,蓬勃发展的硬件机器学习,尤其是对深度硬件神经网络。

有几家公司在此一努力的领域工作,包括NVIDIA,英特尔,Nervana,Movidius,Bitmain,Cambricon,Cerebras,DeePhi,谷歌,Graphcore,Groq,华为,ARM和波计算等。,他们正在开发定制的高性能芯片,能培养和运行DNN。

关键是要提供最低的功耗和最高的性能指标,而有用的神经网络计算最近一次操作,而不是每秒原来的理论运算。但是,在这方面很少有人了解硬件实际上是如何改变的机器学习,神经网络和人工智能,很少有人知道微芯片的重要性,以及如何开发。

培训或推理:许多制造企业都能够提供一个神经网络训练的微芯片。这是为了获得NVIDIA的市场的一部分,它是迄今为止的实际硬件培训。但仅此训练的一小部分深层神经网络应用。对于每个训练阶段,实际应用中有上百万的部署。

例如,您现在可以使用云中的目标检测神经网络,一旦接受了培训,并提供许多图片。但是,一旦经过培训,也可以是数以百万计的计算机数据的数十亿。

我们这里要说的是,训练和您所使用的硬件数量的重要性相比是微不足道的,同时使芯片组的培训需要额外的硬件和额外的技能。

这将导致相同的性能,但是消耗更多的功率,因此目前未部署的最佳状态。硬件培训是非常重要的,硬件修改的理由是很简单,但它并不像许多人认为一样重要。

应用范围:速度更快,更低功耗的硬件在这方面提供培训是非常重要的,因为这将允许更快地创建和测试新模式和应用。但真正重要的步骤是必需的硬件的应用,主要是推理硬件。

今天,有许多应用程序无法使用的原因,主要是因为硬件而非软件。例如,我们的手机可以是基于语音助手,目前是次优的,因为他们不能始终运行。甚至我们的家庭助理离不开权力,除非我们安装更多的设备或围绕一个麦克风,否则我们将无法跟随。

\

但也许是最大的手机屏幕应用程序从我们的生活中删除,并将其嵌入到我们的视觉系统。如果没有超高效的硬件,所有这些以及更多的应用程序将是不可能的。

赢家和输家:在硬件方面,赢家将是那些能够发挥在最低的功耗性能更好的公司,并能迅速设备投放市场。想象一下,而不是使用手机的SoC,这每年都会发生。想象一下,嵌入在现在内存神经网络加速器。它可能会更快征服市场,并迅速渗透,这就是我们所说的赢家。

应用

我们是“目标”一节简要讨论了应用程序之上,但我们需要讨论细节。如何人工智能和神经网络将进入我们的日常生活?这是我们的名单:

分类图像和视频:已经存在许多云服务。下一步是做同样的事情在智能相机,今天的领域,有很多供应商。神经网络硬件将允许移除云和本地处理越来越多的数据,隐私保护和节省网络带宽将成为赢家。

语音助理:他们正在成为我们生活的一部分,你可以播放音乐,并在我们的智能设备控制的基本设备。但是,对话是人的基本活动,我们通常认为这是理所当然的事。

你可以向小型设备是一场革命正在发生。语音助理是越来越好,你可以更好地服务于我们的。但他们仍然连接到电网,我们要的是真正援助应准备好与我们的身侧。

怎么样的手机?硬件再次在这里夺冠,因为这将有可能高于预期。Alexa的,柯塔娜和Siri的可以永远和你在一起。您的手机将很快成为智能家居设备,这又是另一种胜利的智能手机。

但是,我们也希望它在我们的车,我们一起在城市移动。我们需要处理本地语音,降低云支持。更多的隐私和更少的带宽成本。硬件预计1--给我们2年。

真正的人工助理:语音助手已经很大了,但我们真正想要的是看看有什么我们看到的东西助理。当我们走动,我们可以分析我们的环境。神经网络硬件将与你的愿望再次相遇,因为视频分析是非常昂贵的,而目前芯片的硬件的当前理论极限。

\

换句话说,做事情更加困难比做语音助手。但是,这是不可能的,因为AiPoly这么多聪明的初创公司已经有类似的软件,但缺乏强大的硬件来运行它。还要注意,而不是手机屏幕真的穿装置的玻璃,将让我们成为我们的助理的一部分!

烹饪机器人:未来最大的设备将被烹饪和清洁机器人。在这里,我们可能很快就会有硬件,但我们显然缺乏软件。我们需要传输的学习,不断的学习和强化学习。

\

一切就是这样神奇,因为你知道:每个配方都不同,每个食材不看一样。我们不能硬编码所有这些选项。难道我们真的需要学习和促进实体的合成做到这一点。

我们还是远离它,但并非遥不可及。在目前的进展速度,它可能只需要几年的时间才能实现。正如我在过去几年所做的,我觉得他们一定能实现。

本文链接:2018年以后的人工智能将如何发展?

上一篇:2018十大热点话题 - 我们如何记忆这一年

下一篇:2018年,内容创业投资是不是有点凉了?

友情链接:

经文 心经唱诵 大悲咒注音

Copyright © 2017 互联网运营 版权所有 All Rights Reserved. 网站地图

苏ICP备18043316号