蘋果人工智慧總監：深層神經網路或將在數年內得到極大的強化

本文屬於本次Emtech Digital人工智慧峰會獨家精選文章。

蘋果公司人工智慧總監Ruslan Salakhutdinov認為，近年來產生壯觀成果的深層神經網路的能力可能將會在未來幾年得到極大的強化，尤其是通過記憶、注意力和常識等方面的增長。

Salakhutdinov在《麻省理工科技評論》的EmTech Digital會議上表示，這些屬性可以幫助解決人工智慧中一些突出的問題。

目前，Salakhutdinov在卡內基梅隆大學（Carnegie Mellon University）仍然保留副教授的職位。在他的演講中，他指出了深度學習驅動機器視覺和自然語言理解的局限性。

Ruslan Salakhutdinov

深度學習技術涉及使用大量模擬神經元，布置在許多相互連接的層次之中。近年來，深度學習在機器感知方面取得了顯著的進步，但這些神經網路在很多方面是受限的。

舉例而言，Salakhutdinov指出，基於該技術的圖像字幕系統為何會錯誤地標記圖像，因為它們傾向於關注圖像中的所有內容。然後，他指出了所謂「注意機制」的一種解決方案，這是對過去幾年迅速發展的深度學習所進行的調整。

當在字幕中應用不同的單詞時候，該方法可以通過將系統集中關注圖像的特定部分，從而來補救這些錯誤。同樣的方法也可以通過讓機器集中在句子的相關部分，從而來推斷其意義，來幫助提高自然語言的理解。

深度學習過程中對圖片進行標記

由Facebook研究人員開發的稱為記憶網路的技術可以改善機器與人們的交流方式。顧名思義，該方法為神經網路增加了長期記憶的組成部分，以便他們記住聊天的歷史。

同時，內存網路也已被證明可以改善另一種AI，也稱為強化學習。例如，CMU的兩名研究人員最近展示了如何創建一個更智能的遊戲演算法。谷歌DeepMind的研究人員也展示了深入學習系統構建和訪問記憶形式的方法。

毫無疑問，強化學習正在迅速成為解決機器人和自動駕駛難以解決難題的有效途徑——這項技術正是《麻省理工學院科技評論》在年初評出的2017年十大突破性技術之一。

Salakhutdinov表示，未來研究另一個令人激動的領域將是尋找如何將「手工建立」的知識來源與深度學習相進行結合的新方法。他指出，比如像Freebase這樣的一般知識資料庫，以及WordNet這樣的單詞存儲庫。

利用深度學習進行未知地圖探索

正如人類在解析語言或解釋視覺場景時，一般會很依賴常識，而這樣將可以幫助AI系統更加智能。Salakhutdinov表示，人類如何才能將所有先前形成的知識體系納入深度學習，這將一個很大的挑戰。

Salakhutdinov也參與了討論環節，其中一個共同主題則是如果通過對不同方法的探求，從而讓人工智慧能夠達到一個新的水平。

華盛頓大學教授Pedro Domingos表示，還需要繼續尋找全新的AI方法。他說：「機器學習中有一個流派認為，我們不需要花哨的新演算法，只需要更多的數據。」他說。「但我認為，在我們真正解決AI之前，需要發現真正深刻的基礎思想。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！