当前位置:千优科技>行业资讯>详情

人工智能十年回顾:CNN、AlphaGo…它们曾这样改变世界

2021-01-12 23:33:39 浏览:454次 来源:互联网 编辑:leo 推荐:人工智能

盘点AI十年来取得的重要突破。

过去十年间,人工智能技术突飞猛进,最疯狂的科幻小说场景现在已经成为我们生活中不可或缺的一部分。十年前,人们在谈论AI的理论化和实验,但这些年来,AI变得更加切实了,也变成了主流。无论是国际标准课程、平台、库、框架、硬件,一切都顺理成章。就算说这十年里取得的成绩奠定了未来的基础,也不为过。

人工智能十年回顾:CNN、AlphaGo…它们曾这样改变世界

这篇文章将盘点AI十年来取得的重要突破。

卷积

2012年是深度学习历史上重要的一年。那一年,卷积神经网络(CNN)在著名的ImageNet挑战赛中大放异彩。由AlexKrizhevsky等人设计的卷积神经网络「Alexnet」以远超第二名的成绩夺冠,在ImageNet数据集上的视觉识别错误率为15.3%,降低了一半。该神经网络对猫的检测准确度达到了74.8%,在YouTube视频中检测人脸的准确率为81.7%。

现在,手机和商场中的人脸识别应用都应该归功于2012年的这项工作,识别准确率的提升使研究者能够进行医学成像模型的部署,这些模型具备高置信度。

与AI对话

Vaswani等人2017年发表的《AttentionIsAllYouNeed》带来了级联效应,使得机器能够以前所未有的方式去理解语言。得益于Transformer架构,AI现在能够撰写假的新闻、推文,甚至可能引起政治动荡。继Transformer之后,谷歌又推出了BERT模型,将其用于关键字预测和SEO排名等。BERT如今已经变成了自然语言处理领域的实际标准,诸如Microsoft和NVIDIA之类的公司开始堆积更多参数来追赶该模型。

NVIDIA的Megatron具有80亿个参数,而Microsoft的TuringNLG模型具有170亿个参数。OpenAI的GPT模型后来居上,1750亿参数的GPT-3目前是历史记录的保持者。

GPT-3也是Transformer的扩展,是目前最大的模型,它可以编码、写散文、生成商业创意,只有人类想不到,没有它做不到。

将人类一军

AI早已在国际象棋中击败了人类。而更加复杂的人类游戏,如Jeopardy!游戏、围棋、德州扑克等,也没有挡住算法的脚步。人工智能近几年来最广为人知的事件就是AlphaGo在最复杂棋类游戏——「围棋」上击败了人类顶级选手。与此同时,在这个十年中,IBM的Watson也在Jeopardy!决赛中击败了两位人类,最终Watson获得了77147美元奖金,而两位人类分别获得了24000和21600美元。

Facebook和卡耐基梅隆大学共同开发的德扑AIPluribus战胜了五名专家级人类玩家,实现了前辈Libratus(冷扑大师)未能完成的任务,该研究还登上了2019年的《科学》杂志。2020年12月,DeepMind提出的MuZero让一种人工智能模型掌握多种游戏,包括将棋、国际象棋和围棋。

解码生命

每一个生物体的行为都可以在其蛋白质中寻踪溯源。蛋白质承载着秘密,破解蛋白质或许有助于击败新冠大流行。但蛋白质结构非常复杂,需要不断地运行模拟。DeepMind尝试解决这一难题,其开发的深度学习算法「Alphafold」破解了出现五十年之久的蛋白质分子折叠问题。计算机视觉被证明可以帮助诊断,而解决蛋白质折叠问题甚至能够帮助研发人员开发新药。

AI:是艺术家,也是骗子

去年,在一则视频中,比利时首相谈论着解决经济和气候危机的紧急需求,后来人们发现这其实是Deepfake视频。在机器学习和AI对比利时首相声音和表达方式的操纵下,这则假视频让首相发表了一场关于全球变暖影响的演讲。

这些伪造内容的背后是精心设计的算法——生成对抗网络(GAN)。该算法在2014年提出,并得到广泛应用,甚至已经侵入了人类工作的最后一道壁垒:创作。这种网络可以生成从未存在的人脸、互换人脸,让一国总统胡言乱语。GAN生成的一幅画甚至在佳士得拍卖会上以破纪录的价格——40万美元成交了。GAN的另一面是被用于恶意目的,以致于像Adobe这种公司不得不研究新技术来鉴别伪造内容。GAN在下一个十年里仍将是被广泛讨论的对象。

秘密武器——硅

神经网络的概念诞生了半个世纪,今天流行的反向传播方法也出现三十年了。但是,我们仍然缺少能够运行这些计算的硬件。过去十年,我们见证了十多家公司研究专门的机器学习芯片。这些年来,芯片技术得到了极大发展,我们可以在手掌大小的设备上执行百万次运算。这些芯片被用到数据中心,用户可以观看自己喜欢的Netflix电影、使用智能手机等。接下来,专为边缘设备定制的AI芯片蕴含着价值数十亿美元的商机。

苹果等公司已经开发了定制化机器学习芯片(如A14Bionic)来提供智能服务。即使是依赖英伟达和英特尔的AWS,也正在慢慢进入芯片行业。随着芯片变得越来越小,这一趋势只会更加明显:例如使用英伟达JetsonAGXXavier开发者套件,你可以轻松创建和部署端到端AI机器人应用,用于制造、零售、智能城市等等。谷歌的Coral工具包可将机器学习带到边缘设备上。安全、实时输出是目前的主题。

开源文化逐渐成熟

图源:MITTechReview

2015年,TensorFlow开源。一年后,FacebookAI又开源了基于Python的深度学习框架PyTorch。今天,TensorFlow和PyTorch已经成为使用最广泛的框架。通过不断的版本更新,谷歌和Facebook为机器学习社区带来了极大便利。自定义库、软件包、框架和工具的爆发式增长,使得更多人进入了AI领域,也为AI研究带来了更多人才。

开源是近几年的一个主要特性。开源工具和越来越多的可用资源(如arxiv或Coursera)促进了AI变革。另一个催化剂是流行的竞赛平台——Kaggle。Kaggle和GitHub滋养了一批高质量AI开发者。

更多学习,更少规则

Schmidhuber教授上世纪90年代初提出的元学习概念,最近才逐渐得到关注。元学习指在有限训练示例的基础上,使机器学习模型学习新技能并适应不断变化的环境。通过操纵超参数对特定任务优化机器学习模型需要大量用户输入的话,过程会较为繁琐,而使用元学习后,这一负担将得到极大缓解,因为元学习将优化部分自动化了。自动优化带来了一个新的行业MLaaS(机器学习即服务)。

未来方向

关于一些专家预测以下领域或许将发挥主要作用:

尽管AI已经进入许多我们未曾想象的领域,但它仍需应用到更流行的应用中,如自动驾驶汽车。然而,挑战更多地在于数学层面:目前已有能够做出准确决策的算法,也有能够处理这些算法的处理器,但何时能够部署到应用上仍未可知。不管是医疗还是自动驾驶汽车,AI仍需要继续进展,而这只有在透明性和可复现性得到建立时才会发生。

标签:人工智能机器学习技术

版权声明:文章由 www.e1000u.com 整理收集,来源于互联网或者用户投稿,如有侵权,请联系我们,我们会立即处理。如转载请保留本文链接:https://www.e1000u.com/article/10251.html