目前,不同于一次處理多個事物的人腦,機器人必須以線性方式“思考”。在某些領域,AI已經打敗人類,深度神經網絡學會了交談,駕駛汽車,獲得電子遊戲的勝利,畫圖,并幫助科學發現。
這裡有六個領域,人工神經網絡證明他們可以超越人類的智慧。
1. 圖像和物體識别
機器在圖像和物體識别方面有很好的記錄。 Geoff Hinton發明的膠囊網絡幾乎減少了以前的最佳錯誤率,這個測試挑戰軟體識别玩具。即使視圖與之前分析的視圖不同,在各種掃描中使用增加量的這些膠囊也允許系統更好地識别物體。
另一個例子來自一個最先進的網絡,該網絡經過标記圖像資料庫的訓練,能夠比相同任務訓練100小時的博士更好地分類對象。
2. 電子遊戲
Google的DeepMind使用深度學習技術,被稱為深度強化學習。研究人員用這種方法教計算機玩Atari遊戲Breakout。電腦沒有以任何特定的方式教授或程式設計玩遊戲。相反,它在觀看比分時被賦予了鍵盤的控制權,其目标是最大化得分。玩了兩個小時後,電腦成了遊戲的專家。
深度學習社群正在進行一場比賽,訓練計算機在幾乎所有你能想到的遊戲中擊敗人類,包括太空侵略者,毀滅戰士,乒乓球和魔獸世界。在大多數這些遊戲中,深度學習網絡已經勝過有經驗的玩家。電腦沒有程式設計玩遊戲;他們隻是通過玩耍學習。
3. 語音生成和識别
去年,Google釋出了WaveNet,百度釋出了Deep Speech。兩者都是自動生成語音的深度學習網絡。系統學會自己模仿人類的聲音,并随着時間的推移而改善。将他們的言論與真實的人物差別開來,這要比想像中難得多。
由牛津大學和Google DeepMind科學家LipNet建立的一個深度網絡,在閱讀人們的嘴唇方面達到了93%的成功,普通的人類嘴唇閱讀器隻有52%的成功率。華盛頓大學的一個小組使用唇形同步來建立一個系統,将合成音頻設定為現有視訊。
4. 藝術和風格的模仿
神經網絡可以研究特定藝術品的筆畫,顔色和陰影中的圖案。在此基礎上,可以将原作的風格轉化為新的形象。
DeepArt.io就是一個例子,該公司建立的應用程式使用深度學習來學習數百種不同的風格,可以将其應用于照片。藝術家和程式員Gene Kogan還根據從埃及象形文字中學到的算法樣式,應用風格轉換來修改蒙娜麗莎。
5. 預測
斯坦福大學研究人員蒂姆尼特·格布魯(Timnit Gebru)拿走了五千萬張谷歌街景圖檔,探索一個深度學習網絡可以做些什麼。計算機學會了本地化和識别汽車。它檢測到超過2200萬輛汽車,包括他們的制造商,型号,車型和年份。這個系統應用的一個例子包括了選民路線開始和停止的迹象。根據分析,“如果在15分鐘車程内遇到的轎車數量超過皮卡車數量,那麼在下次總統選舉期間,這個城市很可能會投票給民主黨人(88%的機率)。
來自Google Sunroof的機器的另一個例子比人類提供更準确的預測。該技術使用來自Google Earth的航空照片建立屋頂的3D模型,将其與周圍的樹木和陰影區分開來。然後使用太陽的軌迹來預測太陽能電池闆根據位置規格可以從屋頂産生多少能量。
6. 網站設計修改
人工智能在網站建設者中的整合可以幫助更快更有效地修改網站,并且可能比人類更準确。像這樣的系統的底層技術提供了一個平均使用者對網站外觀的意見,這告訴設計師網站設計不好或好。今天,網站建設者要麼使用深度網絡來修改設計,要麼計劃在不久的将來直接使用它們。
原文釋出時間為:2017-12-8
本文來自雲栖社群合作夥伴新智元,了解相關資訊可以關注“AI_era”微信公衆号