你所在的位置: 首页 > 正文

美国“四院士”特伦斯讲解神经网络算法:我们还处于人工智能早期阶段 - 2019 GMIC

2019-08-11 点击:1803
?

大家好。这是我第一我来广州跟大家一起演讲。这也是我第一次参加GMIC。现在,人工智能在促进科学发展方面发挥着重要作用。在莎士比亚的剧目中,莎士比亚的世界是跨文化和跨界的。今天我们正在讨论非常普遍的内容。

首先,让我们回顾一下过去250年来工业革命的发展。随着英国工业革命的兴起,蒸汽机的发明增强了人类使用动能的能力。一台蒸汽机取代了一百名工人。世界上大多数人口仍在农场进行体力劳动。其中一些手工劳动被蒸汽机取代。工业革命也带来了从农村到城市的人口迁移,工业革命对社会产生了深远的影响。

在过去的200年里,我们可以看到,这种工业革命,科学技术的使用以及各种技术的出现深深影响了我们生活的方方面面。当然,也存在许多缺陷。几十年来,例如伦敦工业革命期间,由于使用煤驱动蒸汽机引起了大量的烟雾和烟雾,在煤电厂工作的煤炭工人也遭受了呼吸。疾病的折磨是技术便利带来的挑战。如何进行空气治疗和减少呼吸道疾病是一个很大的挑战。

在技术开发的同时,我们还需要处理技术的后果。现在我们面临的技术人工智能也不例外。

人工智能,这个名词从1956年诞生,目标就是模仿人工智能在机器上实现,这是一个非常大的目标。我们现在仍然远远没有达到如此的目标。

在机器学习,人工智能的背景下,快速增长的子类别在另一个方向上开发人工智能。过去是编程,你可以编程你已经掌握了这样一个领域的知识来解决这个问题,解决问题的形式是通过编程,所以你可以编程已经是这个领域的专家,机器学习路径不同的是,我们通过大量收集数据,通过机器学习,并使用数据结构来学习,例如学习一些图像对象,语言,单词序列等,

机器学习领域的特定算法有另一种方法,即特定的算法,它们受到大脑的启发。

我们的大脑是一个非常复杂的设备,可以收集信息,数十亿的大脑神经元,并传输信息。例如,通过数千亿个大脑神经元的大脑,有很多人在场,然后将信息传递给观众。每个人。我们仍然不了解大脑的内部运作。我稍后会向你解释这篇文章,但我想说深度学习的灵感来自大脑的工作机制。

学习和编程之间的权衡,如果你想聘请程序员为你解决问题,这个成本会逐年增加。从1980年到2040年,成本逐年增加。程序员费用昂贵,需要专业程序员。所以相对来说,从开发之初,我们的机器学习,从20世纪80年代开始,成本非常高,电脑非常昂贵。

然而,人工智能和机器学习的成本正在稳步下降。 2012年,机器学习算法与编程成本大致相同。自2012年以来,它逐年下降。我们使用不同的数据集,不需要完全熟悉该领域的知识。完全理解这个对象,但如果我们获得大量的实例数据,我们的机器可以通过特定的学习算法解决问题。

神经网络处理系统,我们用神经网络处理系统提出这样一个理论30年前,是神经网络模型。脑神经网络可以有效地处理复杂的数据集,并能够处理数亿个图像数据。

我相信这里的每个人都非常熟悉阿尔法狗战争。 2017年,他击败了科杰世界围棋锦标赛并震惊了全世界。这不仅是因为世界围棋锦标赛的复杂性,而且人类仍然有很大的共鸣,并相信机器会击败人类。超越人性。在阿尔法狗击败世界冠军之前,他认为机器可以很好地学习,但仍然无法击败人类。

去年我们用柯杰的话跟阿尔法狗说话,觉得下棋的方式与人类非常接近。今天,我们像围棋一样下棋。国际象棋的每一步都非常具有创新性,而且以前没有出现过。非常具有创新性,如果它是人类,我们称之为天才。因为它是通过人工智能,Alpha狗有一个创新的国际象棋游戏,所以你也可以看到通过AI机器学习,机器也可以实现超级目标的创新。

人脑机制,大脑中有许多神经元,大约数千亿,它们并行工作,这与数字计算机不同,因为计算机有处理器,有内存,而且两种硬件都有瓶颈。记忆实际上是神经元之间的联系,也就是说,有一个突触。事实上,十个十阶神经元有十个连接,大脑中突触的数量非常大,即大脑。记忆力很大。它可以存储大量数据,这是大脑的好处。

问题是人脑是毫秒级的传输速度,所以它比计算机慢得多,因为在本质上,我没有那么多处理层,而且计算机计算速度更快。事实上,我们生活的世界是一个毫秒的世界。在如此快的速度下,我们大脑中的信息传递是一个非常复杂的过程,以及信息的存储,处理等,让我们解决了很多问题,这是非常关键的。

还存在一些挑战,例如具有许多神经元,突触等,并最终围绕中枢神经系统,这是最重要的器官。我们需要知道连接更改是否会改变信息的输入和输出。如果更改此连接,则会受到影响。那时,杰弗里和我聚在一起得到一个神经算法,这是如何让突触处理正确的神经传递。

几乎所有的科学家和工程师都认为以前这是不可能的。我想告诉一些年轻人,不要相信专家所说的,因为很多专家总是知道这不可能做到,但他不知道如何做到。所以我们发明了Boltzmann机器,并且仍然在网络神经学习中使用它。

什么是深度学习网络?

例如,我们有各种信息数据,图片,DNA信息等,可能要诊断疾病,为医生提供各种输入,可以得到诊断,每个信息点都是神经节点,最希望建筑师可以让这些信息传递到输出层,可以有效地诊断疾病是什么,例如,帮助患者治疗疾病,我们需要大量的医疗记录输入才能做到这一点。并且必须从已经被诊断的患者获得信息,这是有效的输入。机器并不意味着记住这些东西,概括它们,因为不同人给出的输入是不同的,人脑可以进行非常好的概括,这是我们希望机器可以做到的。

杨立坤是一位建筑师,受到视觉系统的启发。在20世纪60年代和70年代,一些生物学家研究了人类视觉系统,因此我们知道信息如何在人类大脑中流动。的。

他们来研究猴子的结构,因为人们与猴子有某些相似之处。设计了滚动机神经网络的算法。这里,输入信息,组合图像和神经网络,并发送输出。这实际上有一个猴子大脑,有一层神经输入结构,顶部是猴子大脑。在皮质的顶部,第一,第二,第三等输入,大脑如何解决视觉输入方法?

设计多层体系结构的杨立坤使用早期的卷积神经网络,最后它们具有识别物体,网络中的单元,模仿人脑,具有阈值的功能。如果没有低于此阈值的输出,则仅高于此阈值。他们还进行了一系列实验并开展了大量的技术工作。

2012年,ImageNet竞赛是一个深度学习应用程序。该网络中存在概率分布。最高概率Mite是一只老鼠。我可能不会猜它是蠕虫。它可能被认为是一只蜘蛛。但它是对的,这是一辆小型摩托车,它是对的。上面的图像是公认的。

以下是未猜到的图片。这是一辆敞篷车。有人说这是散热器的盖子。当被问到另一个人时,据说是敞篷车。不同的人看到不同的面孔。第三张图片标出了樱桃。事实上,它是一只狗。最后,它是一只马达加斯加猫。事实上,这不是一只猫。人类认识是错误的。电脑识别出一只猴子。标签在训练集中是错误的,因此发生了一些错误。

但实际上,在性能水平上,深度学习可以将计算机识别中的错误率降低20%。如果它可以下降太多,它已经非常强大,并且多年后,这个结果对于某些图像仍然不准确。识别。关键是要不断改进和发展。

今年的图灵奖颁给了我的朋友杨立坤,约书亚· Bengio,Jeffrey· Hinton相当于诺贝尔奖,这对他们深度学习和深度学习是一种极大的鼓励。它已成为一个非常热门的词。例如,皮肤科医生会研究皮肤病。最终,癌症只是良性的。 2000名皮肤科医生收集的数据已经过培训。该机器与16名皮肤科医生竞争。发现网络表现和医生是并驾齐驱的,诊断率可以达到92%之高,只要有一台手机,只要看到有一块皮肤病就可以拍照,马上可以得到诊断。

将来,您不需要去看医生,也不需要支付很多医疗费用。谁见过皮肤病?去医院看皮肤病真的很麻烦。有时需要几周甚至几个月才能做出诊断。这通常会使患者痛苦不堪。现在我们看几个例子。这看起来很可怕。事实上,这是良性的。似乎只有一个恶毒的,所以让医生判断。

今天,当我收听广播节目时,我听说有一家公司提供了这样的服务。如果将病态照片发送到他们的平台,他们的AI系统可以告诉您现在是想要接受治疗还是良性治疗。有一个女朋友在她男朋友的背上看到了一些东西。我拍了一张照片并试了一下。我把它发送到这个平台。谁知道它是恶毒的。她的女朋友救了她男朋友的生命,因为它是按时支付的。 29美元。

这是WAYMO自动驾驶汽车,舆论让你感觉明天就可以做成,其实要做几十年时间。因为有许多道路条件和复杂因素需要克服和优化。这辆车配备了很多雷达和传感器。 180度传感器与我们的人类视觉不同。它只能看前方。它可以具有180度的视角。

无人驾驶汽车应用场景,目前的应用场景非常有限,我们来看一些可能的场景,如果我们用一个按钮启动汽车,优于Uber和Drip,可以提高汽车的使用率,如果无人驾驶汽车可以实现,停车场和停车道可以重新规划。当大量汽车的使用率增加时,许多汽车在道路上行驶,并且不需要这么多停车场。现在我们可以重复使用城市中的停车场和停车道。变成公园和自行车道,许多公司可能不得不关闭,即汽车修理店和汽车保险。更重要的是,它们可以挽救很多生命,因为疲劳驾驶是导致死亡的重要原因。还有许多事件,如酒后驾车和酒后驾车。每年,高速公路和醉酒导致4万人死亡。

非常方便的是节省交通时间,特别是在旅行高峰期,高峰时段的交通拥堵非常严重。如果我们使用无人驾驶汽车,我们就不必驾驶。旅行时间可以自动阅读报纸和驾驶。安全,可以减少大型交通事故的致命性。更重要的是,我们可以进一步想象汽车盗窃的时代将会结束。

此外还有一些新的就业岗位生成。

很多人说卡车司机失业了。不,如果我们使用无人驾驶卡车并且人们必须控制它们,他的角色将变成安全监控位置。这个位置比驾驶卡车要好得多,而且更舒适。

如今,无人驾驶汽车仍然不可能,因为有很多极端的道路交通管制,所以无法实现。例如,如果卡车有一些货物落在路上怎么办?因此,我们还有更多的训练数据集来训练无人驾驶卡车。一旦有这样的远程案例,比如如何在路上处理无人货车,这些都不是完全无人监管的,我们需要一些人监控它,机器无法监控它,所以我们仍然需要人来监控这些无人值守卡车。

它还催生了另一个新的工业位置 - 传感器技术供应链,这是一个全新的供应链,因为我们需要在无人驾驶车辆上携带数十亿个传感器。生成大量数据后,我们需要清理数据。将有许多好的新工作,这家瑞金科技公司来自中国蓟县,他们有数千万家专门从事数据清洗的公司。这听起来像是一项无聊的工作,但它比在煤矿工作更好。事实上,它是数据挖掘,这比真正的煤炭开采要好得多。

我们来看一个语言翻译的例子。语言翻译在中国有数千种语言。他们彼此不了解。因此,我们训练机器以期望出现下一个单词。这时,我们不需要分类数据。这是无人监督的学习。这称为文本嵌入。如果机器可以很好地训练,我们期望通过自己的活动计算了解内部模型可以理解和解构整个语义,并且识别大写的专有名词是非常有趣的。

例如,俄罗斯的莫斯科就是相应的关系。这是一个数量。此项目附在德国。德国对应柏林。在没有任何监督的情况下,该网络可以发现城市资本与地理关系之间的关系。它在语言学领域从未有过,机器学习开辟了新的语言学理论。

另外,我们的机器可以从翻译中进行时域序列解释,从底部慢慢学习,可以解释时态,语义强度,语气强度,增强机器工作记忆,句子的第一句话到最后一个单词句末。可以分析。现在谷歌翻译软件,单词翻译并不完美,我不想让大家误会,认为这个网络可以理解句子,不是,但比传统翻译要好得多,之前的单词到单词硬集,这是不行的。当前翻译软件的一些语义是可以理解的。翻译的中文或英文听起来很奇怪,但语义是普遍的。

我的智能手机上有翻译软件。这是一款Google翻译应用。我相信这里的每个人都有自己的翻译软件应用程序。我可以用日文和中文字符。它可以翻译成英文。我已经多次使用它了。语音识别可以将中文语音翻译成英语语音,这可以在一定程度上实现。人类语言的翻译发生了变化。例如,有一个非常有趣的句子:我们的意志精神反映了我们意志的力量。这是从俄语到英语的翻译。翻译语义翻译和句子翻译对我们来说是最重要的。 20世纪语言学的主要领域主要是词汇研究。事实上,最重要的语言是语义理解和语义解构。单词和单词之间的关系,排列后这些短语的含义是什么,这就是语义学。人工智能现在已朝这个方向加深。

人工智能驱动的翻译技术有多么神奇。这是我们取得的另一项进展。这是一个语言网络。有三种语言 - 英语和韩语,实验从英语到韩语和日语,但没有韩语翻译。对于日语,你可以把日语变成日语,在某种程度上,机器可以学习。在一定程度上,通过学习,你可以在韩国转一天,这意味着你有更多的培训,语言群越多,培训越好,网络连接越多,机器翻译就能学得更好。

因此,我们的语言网络可以为我们提供更多的见解,这将使我们能够理解语言之间的转换和翻译机制。当我们的大脑在计算时,我们总是需要大脑海马和皮质才能工作。我分享一个概念,即加强学习,如何通过增强学习来实现目标,这种模式是阿尔法狗如何击败柯杰的秘密。

我会分享一点。无监督学习的一个重大突破是需要大量的数据集。我们已经在网络中导入了很多名人形象。他们中的许多人都是西方人。为什么他们看起来像名人?这个网络非常强大,它实际上可以生成关于名人的新图像,之前没有存在,所有图片都不存在,只有给出的情况是自动生成的,并且可以生成很多图像,但这些不是真实的人,他们不是真实的,他们可以继续,所以这个例子告诉我们未来,生成网络。

我们的大脑不断产生信息,当我们坐在那里时,会有各种各样的想法。我们现在要走哪一步?在早期,就好像莱特兄弟第一次飞行一样。在喷气式飞机前还有很长的路要走。几年前莱特兄弟有一本关于他们的传记。它看起来很好。由莱特兄弟写的很长一段时间来研究鸟类,因为鸟儿可以飞过数千英里,不经常翻动翅膀,他们对空气动力学很感兴趣,但也建起了风,所以莱特兄弟们都是基本上是工程

我们可以从大自然中学到很多东西。莱特兄弟研究自然并研究鸟类。然后他们发现大自然解决了这样的问题,解决这些难题并不难。自然已经,自然。它已经包含解锁这些谜团的钥匙。我们仍处于初期阶段,但我们不断取得进展,

非常感谢您的参与。谢谢你的收听。我们仍处于人工智能的早期阶段。还有许多问题有待解决。我们也看到了非常令人兴奋的成就和成就。我担心一些问题需要很多年才能解决。但实际上有一些问题,如自动驾驶汽车不能说他们多年来解决问题,但他们需要十多年的时间来计算。有时需要几代才能努力工作,但回顾工业革命,这种情况不会在一夜之间发生。它是通过几代人的努力实现的,所以你的孩子将从你身上取得这个成果,并从充满人工智能的世界中成长。那时,正如每个人都看到飞机一样,人工智能将非常普遍。谢谢。

日期归档
澳门BBIN平台官网 版权所有© www.guoyin8.com 技术支持:澳门BBIN平台官网 | 网站地图