[译]深度学习:模仿人脑还是完善应用
近期,机器学习领域专家们关于深度学习的一些言论引起了极大的轰动。同时,关于深度学习的开创性和整体架构也在学术界引发了相当的讨论。伴随着人工智能开始进入进一步开发应用阶段,人们意识到它的成功与否完全取决于其实用性。
星期二,我和IBM沃森研究中心的副总裁John Gordon先生有过一次半个小时的专访。在专访中,Gordon先生从始至终都不认可人们对人工智能系统“沃森”的预期和它实际能做什么之间存在相当的差距。虽然在我和Gordon先生之间存在必然的误解,但很明确的一点是:Gordon先生相当看重下面一点的积极作用——学习和使用“沃森”系统的软件和云接口是一件相当容易和愉快的事。它对开发和完善新的应用有着巨大的帮助。
Gordon先生的观点最初让我很不解,但是,当我深入思考之后,我开始接受他的观点。正如Gordon先生所述,在不久之前,“沃森”系统还只是给少数IBM内部博士级科研工作者们的工具,但现在,任何人都可以用它来测试自己的应用软件和数据。人们并不需要斤斤计较这个系统能否提供人工智能,人们愿意使用云服务的关键在于这个系统到底能不能帮人们实现他们需要的工作。
第一批“沃森”系统上的应用程序开发接口。Thefirst set of Watson cloud APIs on IBM Bluemix.
这一情形正发生在当前人工智能最火的领域——深度学习。深度学习是一个有着深远意义的领域,而不仅仅是一些夸张的说法。IEEE spectrum(杂志——电气电子工程协会综览)最近采访了机器学习领域的专家——加州伯克利大学的教授Michael Jordan先生。在这次访谈中,Jordan先生专门针对这个领域的一些误解予以了澄清。
Jordan先生的言论可归结为如下:深度学习并不是那么具有革命性的新技术。它只是对某些应用能提供帮助,而不是来模仿人脑工作。那只是一种不太准确的比喻。(后来Jordan先生在另一天对大数据也阐述了他的看法,其后还在博客上对一些对他观点的误读作了进一步澄清。在更早的九月份,Jordan先生在Reddit网站的一个栏目“Ask MeAnythin”也发表了他对深度学习的看法。)
Jordan先生可能在很大程度上是正确的,对我们大多数非科研工作者来说,明白这些模型具体怎么工作或是了解是否这些研究人员在夸大其结果的意义都没有什么实质的作用。YannLeCun先生(一名纽约大学的研究人员,Facebook人工智能项目的经理)在Facebook上针对Jordan先生的言论评述道:
“深度学习本身和那些被证明有效的模型并没有任何问题。虽然那些模型背后的理念在80年代就已经被提出。这并不意味着在这些理念基础上建立的模型就没用了。”
近来,深度学习由于其在模式识别方面的巨大作用激起了人们的广泛兴趣。只要它还在语音识别,图像搜索,文本短信和用户推荐等方面进一步发挥作用,人们的热情就将继续下去。从某种程度上来说,它的意义在于它的实用性,就像我以前说过的“深度学习更像复合木地板一样,因其简单实用,而得到广泛认可。从这个角度来看,它并不像人类大脑里的神经元。”
200多名听众聆听了百度首席科学家Andrew Ng 在“人工智能的未来”上关于深度学习的讲座。Biz Carson/Gigaom
About200 people showed up at our Future of AI event to watch Andrew Ng of Baidu, andothers, talk about deep learning. Credit: Biz Carson / Gigaom
深度学习更让人感兴趣的在于它的各种模型在如此短的时间里从科研试验室进入到普通人手中,并被开发成各种各样的新的应用程序。现在已经涌现出基于深度学习的各种开源工具(包括word2vec,deeplearning4j, H20和Caffe),商业软件(来自于各大公司如GraphLab,Nvidia,Ersatz Labs和微软)和大量为应用开发者准备的针对特定任务的应用程序接口(来自于如AlchemyAPI和Clarifai一类的公司)。
同时,Gordon先生进一步表示语音识别和计算机视觉也会逐步进入“沃森”系统的开发范围。
由于大量开源应用的出现,深度学习在上述应用(语音识别,计算机视觉,甚至可穿戴技术和机器人)中得到了更为广泛的应用。商业界和学术界都同时在深度学习的基础上对这些领域开展了更广泛的研究。而在以前,商业界和学术界通常是专注于不同的方面的。
深度学习并不是能解决一切问题的革命性人工智能技术。若真是如此,人们何必还要继续在量子计算机和人脑系统上花费时间和精力呢。为此,Oren Etzioni(阿伦研究院人工智能项目CEO)(编者注:阿伦研究院是由——微软创始人保罗-阿伦捐助的专注于人脑领域的研究机构)在9月Gigaom’s的“人工智能的未来”研讨会上,就利用深度学习完善分类算法和那些能回答更深程次问题的智能算法之间的区别作了一个专题讲座。
所有的技术,当它们从试验室出来进入到开发应用阶段后,它们唯一的评判标准就是有用与否,“沃森”系统和深度学习也不例外。
OrenEtzioni (Allen Institute for AI) on building intelligent machine
https://www.youtube.com/watch?v=E_6AZ8slivc
“深度学习通过对大数据的分析来实现对研究对象的分类和预测,从而完成对问题的“是”或“不是”的回答。但是,大量的问题是不能简化为“是”或“不是”。同时,大量问题也不能简化为简单的若干个变量分析(比如电影推荐,自主发tweet)。很多问题需要建立更为复杂的能‘自我构造’的理论——这个理论应该是多层次的,能自主题曲学习知识,然后萃取出新的理论,做出合理推论导出新的结论。这一类问题包括“算术学习,国际象棋,理解语言”。尤其在理解语言方面,机器需要了解相当大量的相关知识才可能真正懂得语言所要表达的意思。当前相关知识的机器学习方面还很缺乏。同时,人工智能在自我提取,学习相关知识方面也还很欠缺。综上所述,当前的深度学习主要完成的是对大数据的分类和预测。要进一步发展基于大数据的人工智能,需要更为复杂的模型。这些模型要能完成从大数据中提取相关知识,学习了解相关知识,萃取出新的理论,做出合理推论,进一步完成对新问题的回答。”
很多专业人士花费了大量时间来定义云计算或大数据,更多的非专业人士(非分布式系统专家)却在忙着开发各种基于上述的应用。这些人并不是这方面的资深人士,他们只是由于热情和兴趣并在合适的时候进入了些个领域。这些人开发出来的应用可能有各种各样的问题,但很多时候并不妨碍它给人们以帮助。很多系统(如AmazonWebServices和Hadoop)在才出现时都有很多缺陷,但他们都得到了广大用户的支持,仅仅因为他们能帮助人们做一些事情。有些技术(如Docker和Kafka)现在已经从主流技术新闻上消失,但他们还是在不断吸引新的用户。
当前,普通用户们起着关键作用,用户来通过他们的实际使用来决定谁是赢家。深度学习不是一个高深莫扯的“天网系统”或全新的“神经科学”领域,所以,虽然学术界还是在决定科研的方向,但对广大开发者和用户来说这已经不重要了。
归根结底,一项技术如果有用,人们会努力去完善它,如果它没用,或者有更好的技术出现,这项技术就必然会萎缩直至消亡。将来,深度学习可能也会被人们遗忘,但肯定不是它没有得到应有的炒作,而是因为它在那个时候已经不能满足人们的需要。
原文发布时间为:2014-11-12
本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号
受阿里支持的深度学习及其应用课程认定为国家级课程 《深度学习及其应用》是一门理论和实践并重的课程,强调课程内容的深度和应用性,重视领域问题(项目沉浸)驱动式教学、配套实验案例和实验平台的建设、课程资源配套的建设以及与学生的交流。课程结合20多家企业的30多个实战合作项目实践,深入浅出地帮助学生钻研深度学习的算法以及应用;借助阿里等公司的人工智能开源平台,分享最新的算法、更多领域应用的相关实验。课程配套资料齐全,其中,利用主流的机器学习开源框架,开发了50多个机器学习案例,并在此基础上出版了多本实用案例丰富的教材,有效地支撑了课程实践教学的开展。课程在中国大学MOOC(爱课程)运行,已经有8万多名高校学生和社会学习者选修该课程,具有一定的影响力
领域最全 | 计算机视觉算法在路面坑洼检测中的应用综述(基于2D图像/3D LiDAR/深度学习)(下) 本文首先介绍了用于2D和3D道路数据采集的传感系统,包括摄像机、激光扫描仪和微软Kinect。随后,对 SoTA 计算机视觉算法进行了全面深入的综述,包括: (1)经典的2D图像处理,(2)3D点云建模与分割,(3)机器/深度学习。本文还讨论了基于计算机视觉的路面坑洼检测方法目前面临的挑战和未来的发展趋势: 经典的基于2D图像处理和基于3D点云建模和分割的方法已经成为历史; 卷积神经网络(CNN)已经展示了引人注目的路面坑洼检测结果,并有望在未来的进展中打破瓶颈的自/无监督学习多模态语义分割。作者相信本研究可为下一代道路状况评估系统的发展提供实用的指导。
领域最全 | 计算机视觉算法在路面坑洼检测中的应用综述(基于2D图像/3D LiDAR/深度学习)(上) 本文首先介绍了用于2D和3D道路数据采集的传感系统,包括摄像机、激光扫描仪和微软Kinect。随后,对 SoTA 计算机视觉算法进行了全面深入的综述,包括: (1)经典的2D图像处理,(2)3D点云建模与分割,(3)机器/深度学习。本文还讨论了基于计算机视觉的路面坑洼检测方法目前面临的挑战和未来的发展趋势: 经典的基于2D图像处理和基于3D点云建模和分割的方法已经成为历史; 卷积神经网络(CNN)已经展示了引人注目的路面坑洼检测结果,并有望在未来的进展中打破瓶颈的自/无监督学习多模态语义分割。作者相信本研究可为下一代道路状况评估系统的发展提供实用的指导。
一文尽览 | 传统光流方法汇总及其在深度学习中的应用!(基于相位/能量/匹配/变分) 近年来,随着深度学习技术的快速发展,基于深度学习的光流估计技术已成为光流研究领域的热点与主战场。然而,当前很多刚接触光流算法研究的同学直接从深度学习方法开始,大跃进式的迈过了传统光流估计理论与方法。虽然,这并不影响他们产出高质量的研究成果,但是,对传统光流估计方法原理和理论还是有必要进行一定程度的学习。
深度学习 | 如何开发、部署 Serverless 应用? 本文将详细介绍如何开发和部署 Serverless 应用,并通过阿里云函数计算控制台与开发者工具 Serverless Devs 进行应用的初始化、部署;最后分享应用的调试,通过科学发布、可观测性等介绍应用的部署和运维总结,进而实现从应用初始化到调试、发布、运维基础流程、核心步骤的探索。
相关文章
- Vue + Flask 实现单页面应用
- 《从零開始学Swift》学习笔记(Day67)——Cocoa Touch设计模式及应用之MVC模式
- 电动汽车在受控电池能量市场的应用
- 【XCP学习】在测量和校准应用的焦点:XCP-4
- 深度学习技术的应用和思考
- Unity 游戏开发技巧集锦之材质的应用的创建反射材质
- 【快应用】如何配置快应用图标,及几种常见的无效配置案例
- 【评论,赢萌宠护眼小台灯】HMS Core Insights第四期,我们来聊聊:机器学习,推开AI应用的门
- 【Account】登录过程繁琐造成用户流失?华为帐号让应用获客更简单!
- 《开源硬件创客——15个酷应用玩转树莓派》——6.2影音云储存
- 《NLTK基础教程——用NLTK和Python库构建机器学习应用》——1.2 先从Python开始吧
- 《NLTK基础教程——用NLTK和Python库构建机器学习应用》——1.5 小结
- python学习之OpenCV-Python模块的部分应用示例(生成素描图和动漫图)
- python学习之数据分析和图表的应用(第一部分)
- 深入浅出的人工智能、机器学习和深度学习的技术原理和延伸应用
- JMeter学习-021-JMeter 定时器(Synchronizing Timer)之集合点应用
- 《Scala机器学习》一一3.3 应用
- 【转载】 DeepMind 提出元梯度强化学习算法,显著提高大规模深度强化学习应用的性能
- 将机器学习应用于网络安全, RiskIQ 获3050万美元C轮融资
- 【转】HTTP学习---TCP和UDP协议的区别与应用
- 【评论,赢萌宠护眼小台灯】HMS Core Insights第四期,我们来聊聊:机器学习,推开AI应用的门
- 数据库原理及MySQL应用 | 约束
- CYQ.Data V5 分布式缓存Redis应用开发及实现算法原理介绍