你好,游客 登录 注册 发布搜索
背景:
阅读新闻

6位产业界和学术界一线科学家展望深度学习 2017

[日期:2017-01-11] 来源:36氪  作者: [字体: ]

  2017年将会是深度学习和AI又一标志性的一年

6位产业界和学术界一线科学家展望深度学习 2017

  编者按:本文由微信公众号“将门创投”(ID:thejiangmen)编译自Re·Work Blog,36氪经授权发布。

  2016年我们一同见证了AI领域众多的突破性进展。以图像识别方向上取得的成绩为例,未来我们可以期待计算机能比放射科医师更快速地理解X射线、MRI和CT的扫描图片,为癌症的诊断减少时间。当然,这只是深度学习技术的发展如果影响人类生活的一个例子。深度学习还能够帮助我们通过消费方式预测能源来源以及重塑人类的交通方式等等。

  2017年,深度学习的发展又将会是怎么样的呢?我们采访了6位来自产业界和学术界的一线科学家,让我们来听听他们都是怎么说的。

  Durk Kingma,Open AI研究科学家

  2017年,我们会看到更多深度学习在不同领域应用的爆发。与此同时,深度学习的理论也会有所突破,鲁棒性和样本效率都会得到提升。从图像到语音识别,许许多多不同的基于深度学习的新应用将会出现。未来3年,基于不同目的所开发的AI硬件将使得计算速度越来越快。无监督学习支持下视频数据处理应用也将陆续出现,而整合了强化学习和监督学习之后,我们离通用人工智能的距离也将越来越近。不过,DNN、反向传播、SGD仍将是主要的技术。

  Neil Lawrence,Sheffield大学机器学习和计算生物系教授

  很多事情都将如我们所期待的那样发展。深度学习的方法将会更智能地被部署在超大规模的数据集上。Deep Learning这个词其实正和神经网络划上等号。对于小型的数据集来说,我认为在模型在利用(model repurposing)上将会有一些很有意思的方向出现。比如说对pre-trained的深度学习模型的再次利用。如何将这些做到最好是围绕在我们身边的有趣问题。

  在2016年,一个很重大的变化就是TensorFlow被广泛地使用。再加上像Torch和MXNet等类似的框架的出现,深度学习开始走出科学这个专属的领域而更多的成为工程上的实践。与此同时,GAN在2016年也获得了大量的关注。不过当大量的数据缺失的时间,GAN如何还能发挥功效还是大家需要一同来解决的问题。在医疗领域,数据的缺失是很常见的现象。当然,也有一些领域是虽然数据量非常少,应用神经网络也能得到很好效果的。

  对于医疗领域来说,学习中间的可解释性和可说明性也是需要大家一起来解决的。虽然我们已经开始深究机器是如何进行推理的,但我认为去了解深度学习专家们是如何对他们的结果进行解释的也同样重要。我们需要更深地了解专业、直觉和解释之间复杂的关联。

  Roland Memisevic,创业公司Twenty Billion Neurons首席科学家

  深度学习自2012年以来就取得了不可思议的进展,其中最受人瞩目的是图像和语音识别。我期待2017年工业界开始全面进军视频领域,从而代替基于图像的视觉表示,更深层、细颗粒地去理解这个世界。有别于图像,视频可以给神经网络一个三维立体的世界,包含一个个独立物体,以及重力、材料类型和物体恒存性(object permanence)等物理学概念。

  未来3年,对世界运转机制更透彻的理解将会逐渐影响到其他领域,比如对自然语言处理来说,对语言学概念的深入理解将会带来更好的自然语言和对话系统的体验。这将会开启一个自反馈的闭环,更好的语言能力使得监督系统更好的自学习变得容易。但这些都将随着2017年对视频的突破,而让神经网络更好地学习和理解它们所处的这个环境。

  Chelsea Finn,UC Berkeley PHD

  在未来的几年内,我们应该会看到越来越多通过更少的样例和较少的体验就能实现学习的深度学习系统,以及可以依靠更多互联网上的数据自我学习的系统。我也非常期待未来有更多完善的生成式模型。预测是人类识别和规划的核心行为,对人工代理商是有很大帮助的。视频预测是目前一个非常活跃的研究邻域,但不管是视频长度还是视频帧质量,离普遍被应用仍有很长的路要走。

  Polina Mamoshina,药物研发公司Insilico Medicine研究科学家

  在我看来,不断壮大的研究者和开发人员将会带来许多有趣的架构和训练方案。但有2个趋势是最令我兴奋和期待的:生成式模型(generative models)和迁移学习(transfer learning)。尽管这两个概念已经耳熟能详了,但我们看到它们真切的应用在实际生活中才是最近的事,例如特定性能的新型分子和3D照片重建。我相信我们可以通过改变主要的生成过程加速推进药物研发的步伐。深层架构的生成式模型很有可能建立新的靶分子,并替代那些导向化合物(lead compounds)筛选过程的盲区。而迁移学习的知识应用则可以提高将生物模型转变为临床应用的比率。

  Adam Coates,百度硅谷AI实验室主任

  2017年会是深度学习和AI又一标志性的一年。随着深度学习技术大幅提升计算能力和数据处理的准确性,语音将会成为机器交互备受关注的方式。我们还会看到用于支撑AI和深度学习的硬件发生巨大的变化。各大芯片大佬已经开始设计并将AI属性整合到他们各家的产品中,这将使得我们可以比以往更好的训练、集成神经网络,将语音、图像、语言以及其他的AI技术更好的实现,甚至让它们走进家庭、车辆以及移动应用中。

 

  未来3年,我们将看到AI在越来越多的领域起范儿,进步和颠覆将随处可见——物流、医疗、金融等等。各家公司都可以通过云平台或者API将像百度这样的科技大公司研发的前沿AI技术应用到自己的业务上。随着AI的发展扩张,AI和机器学习人才的渴求将会越来越多。机器学习技能是目前硅谷最急需的,这在未来几年也基本不会发生太大变化,甚AI教育和具备AI技能的工程师的数量将会出现激增。这也将加速AI产品和业务创新的下一波浪潮。

收藏 推荐 打印 | 录入:admin | 阅读:
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