你好,游客 登录
背景:
阅读新闻

Facebook Yann LeCun一小时演讲: AI 研究的下一站是无监督学习

[日期:2016-11-22] 来源:雷锋网   作者: [字体: ]

作为 Facebook 人工智能部门主管, Yann LeCun 是 AI 领域成绩斐然的大牛,也是行业内最有影响力的专家之一。

近日,LeCun在卡内基梅隆大学机器人研究所进行了一场 AI 技术核心问题与发展前景的演讲。他在演讲中提到三点干货:

1. 无监督学习代表了 AI 技术的未来。

2. 当前 AI 应用的热点集中在卷积神经网络。 

3. 用模拟器提高无监督学习的效率是大势所趋。

演讲完整视频如下。该视频长 75 分钟,并包含大量专业术语,因此雷锋网节选关键内容做了视频摘要,以供读者浏览。

以下为视频摘要:

一、无监督学习的重要性

AI 技术的飞速进步很大程度上是由于深度学习和神经网络领域的突破,还得益于大型数据库的建立和更快的 GPU。我们现在已有了图像识别能力可与人类相比的 AI 系统 (例如下文中 Facebook 的识别系统)。这会导致自动化交通,医疗图像解析在内的多个领域的革命。但这些系统现在用的都是监督学习(supervised learning),输入的数据被人为加上标签。

接下来的挑战在于,怎么让机器从未经处理的、无标签无类别的数据中进行学习,比方说视频和文字。而这就是无监督学习(unsupervised learning)。

二、神经网络的规模越大越好

传统的思想认为,如果你没有大量的数据,神经网络应该控制在较小的规模。Yann LeCun 指出这完全是错误的。他的团队在数据不变的情况下扩展了神经网络,得到了更好的结果。他说,神经网络越大,效果就越好(当然前提是数据库大小达到了临界值)。至于为什么会这样,目前仍是一个谜,相关理论研究正在开展。

三、卷积神经网络在识别领域的广阔前景

Yann LeCun 特别强调了卷积神经网络的重要性和应用:”我们很早就认识到,卷积神经网络可以被用来处理多种任务——不单单是识别单个物体(比如字母数字),还可以识别多个物体,同时进行物体识别、分组和解释。比方说,可以用卷积神经网络训练 AI 系统识别并标注(摄像头所拍摄)图像中的每一个像素,以此分析前方路径是否可通过。在英伟达最近的自动驾驶项目中,他们就使用了卷积神经网络来训练自动驾驶系统。系统分析摄像头提供的图像,据此模仿人类的转向角度。“

他还介绍了卷积神经网络在 Facebook 图像识别系统中的应用。“有了它之后,Facebook 的系统不仅能识别图像,还能绘制出图像的轮廓,并根据轮廓影像对物体进行分类。该系统甚至可以挑出中国菜里面的西兰花(如下图)。”

下面是对同一幅图像识别前后的对比:

Yann LeCun 表示这是一个巨大的进步,如果你在几年前问一个 AI 专家:”我们什么时候才能做到这样?”,答案会是“不清楚”。

“ 想让 AI 技术继续进步,我们就必须要让机器能够分析、推理、记忆,把现象和文字转化为运行知识。”

他接着作出预测,下一个将会十分流行的技术是记忆增强神经网络。它可被理解为用记忆增强的递归神经网络,其中,记忆本身是一个能被区分的回路,并可以作为学习中的一部分用于训练。Yann LeCun 接下来对该技术进行了深入探讨,这里不赘述,详情请见视频。

四、强化学习、监督学习、无监督学习的数据要求

进行强化学习、监督学习、无监督学习的所需数据规模相差数个数量级。强化学习每次验证(trial)所需的信息可能只有几比特,监督学习是十到一万比特的信息量,而无监督学习则需要数百万比特。所以,Yann LeCun 做了一个比喻:假设机器学习是一个蛋糕,强化学习是蛋糕上的一粒樱桃,监督学习是外面的一层糖衣,无监督学习则是蛋糕糕体。无监督学习的重要性不言而喻。为了让强化学习奏效,也离不开无监督学习的支持。

五、用模拟机制提高强机器学习的效率

当下的主要问题是,AI 系统没有“常识”。人类和动物通过观察世界、行动和理解自然规律来获得常识,机器也需要学会这么做。包括 Yann LeCun 在内的许多专家,把无监督学习作为赋予机器常识的关键,该过程如下:

AI 系统由两部分组成:代理和目标(agent and objective)。代理做出行动,观察该行动对现实的影响产生认知,然后再通过该认知来预测现实情况。代理进行这一系列活动的动机来自于实现目标,而最终的目的则是:以最高的效率达到该目标。在强化学习中,对代理行为的奖励(reward)来自于外部,无监督学习的奖励则来自内部(对接近该目标的满意)。

但这个过程存在一个很大的问题:代理进行无监督学习的方法是在现实生活中进行各种尝试,这存在危险并且效率很低。比如,无人驾驶车不能尝试所有可能的驾驶方法,会带来安全隐患。这种尝试又受到时间的限制,不能像计算机程序那样每秒运行数千次。所以,Yann LeCun 解释道,为了提高机器学习的效率,我们需要基于模型的强化学习(model based reinforcement learning )。它由三部分组成:现实模拟器(world simulator),行动器(actor)和反馈装置(critic)。现实模拟器对现实情况进行模拟,行动器生成行动预案(action proposals),然后反馈装置对该行动的效果进行预测。这样,AI 系统就可以对行动反复推演,进行优化,而不受到现实中时间和成本的限制。

小结: 作为业内大牛,Yann LeCun 的一举一动都受到关注。他之前就发表过对 AI 前景和无监督学习的若干讲话,这一次在卡内基梅隆的研究人员面前再次强调了他的观点。虽然这不是我们第一次听到专家强调无监督学习、甚至是卷积神经网络的重要性;但此次演讲中, Yann LeCun 借用许多技术细节和各大公司、研究院正在从事的研究作为示例,为无监督学习将来会怎样发展作了全面的注解。正因如此,雷锋网建议关注 AI 领域未来发展方向的读者,不妨抽出一个下午仔细听一下演讲,必定会有收获。

收藏 推荐 打印 | 录入:admin | 阅读:
相关新闻      
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款