人工智能的下一個(gè)前沿在哪里

【導(dǎo)讀】在人類的早期，當(dāng)我們邁入數(shù)學(xué)和數(shù)量的世界時(shí)，我們知道一個(gè)蘋果加一個(gè)蘋果等于兩個(gè)蘋果。我們開始學(xué)習(xí)實(shí)物計(jì)數(shù)，直到后來(lái)才引入了零的概念，或者不妨說(shuō)空盒子里的蘋果數(shù)。

在印度阿拉伯學(xué)者和意大利數(shù)學(xué)家斐波那契之后，“零”的概念徹底改變了數(shù)學(xué)界，將其引入了我們的現(xiàn)代編號(hào)系統(tǒng)，今天我們可以自由自在地在數(shù)學(xué)運(yùn)算中使用“零”。但對(duì)人工智能而言，“零”或“無(wú)”仍然是一個(gè)尚未涉足的領(lǐng)域，

從某種意義上說(shuō)，人工智能和深度學(xué)習(xí)仍然需要通過(guò)“零”或“無(wú)”學(xué)習(xí)識(shí)別和推理。

這是一個(gè)蘋果還是香蕉？都不是！

（圖源：Richard Drury/Getty Images）

傳統(tǒng)上，深度學(xué)習(xí)算法（例如深度神經(jīng)網(wǎng)絡(luò) DNN）以有監(jiān)督的方式進(jìn)行訓(xùn)練，以識(shí)別特定類別的事物。

在一個(gè)典型的任務(wù)中，可能會(huì)訓(xùn)練 DNN 以可視化的方式識(shí)別一定數(shù)量的類，例如蘋果和香蕉的圖片。深度學(xué)習(xí)算法在獲得大量數(shù)據(jù)和質(zhì)量的數(shù)據(jù)時(shí)，實(shí)際上非常擅長(zhǎng)進(jìn)行精確、低錯(cuò)誤率和可信的分類。

當(dāng)?shù)谌齻€(gè)未知對(duì)象出現(xiàn)時(shí)，DNN 識(shí)別就會(huì)出現(xiàn)問(wèn)題。如果引入了訓(xùn)練集中不存在的未知對(duì)象（例如橙色），DNN 網(wǎng)絡(luò)將被迫“猜測(cè)”并將橙色分類為捕獲未知對(duì)象的最接近類別——一個(gè)蘋果！

基本上，用蘋果和香蕉訓(xùn)練的 DNN 的世界完全由蘋果和香蕉組成。它想不到水果籃里還有其他的水果。

進(jìn)入“零”的世界

盡管我們尚不清楚“無(wú)”或“零”是否在所有應(yīng)用中都能發(fā)揮作用，但是在訓(xùn)練和部署 DNN 時(shí)，“無(wú)”或“零”的想法在許多方面都非常有用。

在訓(xùn)練過(guò)程中，如果 DNN 能夠?qū)㈨?xiàng)目分類為“蘋果”，“香蕉”或“什么都沒有”，則算法的開發(fā)人員可以確定是否還有尚未有效學(xué)習(xí)識(shí)別的類別。就是說(shuō)，如果水果圖片繼續(xù)反饋“零”，那么開發(fā)人員可能需要添加另一類“水果”來(lái)進(jìn)行識(shí)別，例如橘子。

但到目前為止，還沒有一個(gè)簡(jiǎn)單的方法來(lái)訓(xùn)練 DNN 產(chǎn)生“無(wú)”的回應(yīng)，能發(fā)出信號(hào)通知開發(fā)者它看到了偏離常規(guī)的東西。

同時(shí)，在部署場(chǎng)景中，經(jīng)過(guò)訓(xùn)練的 DNN 如果識(shí)別出與已經(jīng)學(xué)會(huì)的原型水果蘋果和香蕉有偏差的東西，則會(huì)回答“無(wú)”。從這個(gè)意義上講，DNN 可以被當(dāng)做一個(gè)異常檢測(cè)網(wǎng)絡(luò)——除了對(duì)蘋果和香蕉進(jìn)行分類之外，它還可以不經(jīng)進(jìn)一步更改就發(fā)出信號(hào)，通知它看到偏離規(guī)范的東西。

然而，現(xiàn)在還沒有簡(jiǎn)單的方法來(lái)訓(xùn)練可以具備上述功能的標(biāo)準(zhǔn) DNN。

一種被稱為“ Lifelong DNN ”的新方法自然會(huì)將“無(wú)”的概念納入其體系中?！?Lifelong DNN 巧妙地利用反饋機(jī)制，通過(guò)過(guò)去學(xué)習(xí)到的知識(shí)來(lái)確定輸入是否匹配。

2017 年，AI 創(chuàng)業(yè)公司 Neurala 宣布在深度學(xué)習(xí)軟件方面取得重大進(jìn)展，其 Lifelong DNN 軟件能夠能夠在邊緣學(xué)習(xí)增量對(duì)象（incremental object）。在此之前，如果一個(gè) AI 系統(tǒng)學(xué)會(huì)了一定數(shù)量的對(duì)象，并且需要再學(xué)習(xí)一次，那么它必須針對(duì)所有對(duì)象再訓(xùn)練一次。這種傳統(tǒng)方法需要利用強(qiáng)大的服務(wù)器，通常是云上的服務(wù)器。

Neurala 的 Lifelong DNN“既能在運(yùn)行中學(xué)習(xí)，也能在邊緣學(xué)習(xí)的能力意味著 Neurala 的新方法可以直接在設(shè)備上學(xué)習(xí)，從而不會(huì)有云上學(xué)習(xí)的所有缺點(diǎn)。此外，它消除了網(wǎng)絡(luò)延遲，提高了實(shí)時(shí)性能，并在需要時(shí)確保隱私。最重要的是，它將促進(jìn)一系列無(wú)云應(yīng)用（cloud-less applications）的開發(fā)，”本文作者，同時(shí)是 Neurala CEO Max Versace 說(shuō)道。當(dāng)時(shí)，吳恩達(dá)也評(píng)價(jià)了從云到“邊緣”轉(zhuǎn)化的技術(shù)，認(rèn)為這會(huì)加速消費(fèi)級(jí) IoT，帶來(lái)新的贏家。

Lifelong DNN 的機(jī)制和人類的學(xué)習(xí)方式類似：我們?cè)跐撘庾R(shí)中不斷檢查我們的預(yù)測(cè)是否符合現(xiàn)實(shí)世界。例如，如果有人跟你開玩笑調(diào)整了你辦公椅的高度，你馬上就能意識(shí)到。那是因?yàn)殡S著時(shí)間的推移，你學(xué)習(xí)到了辦公椅高度的“模型”——一旦模型有變，你會(huì)立即意識(shí)到異常。人類不斷檢查我們的分類是否符合實(shí)際情況。如果沒有，我們的大腦就會(huì)注意到并發(fā)出警報(bào)。對(duì)人來(lái)來(lái)說(shuō)，我們不僅可以認(rèn)識(shí)蘋果、香蕉和蘋果，還可以推理“我還以為是蘋果，但實(shí)際上不是?！?/p>

Lifelong DNN 會(huì)在運(yùn)行中學(xué)會(huì)這種機(jī)制，因此，如果學(xué)到的模型有變，它會(huì)輸出“無(wú)”。

應(yīng)用前景

在以蘋果和香蕉為例對(duì)“無(wú)”有了基本了解之后，現(xiàn)在讓我們考慮一下除了水果識(shí)別之外，它在實(shí)際應(yīng)用中應(yīng)該如何發(fā)揮作用。

比如制造業(yè)，機(jī)器負(fù)責(zé)生產(chǎn)大量產(chǎn)品。對(duì)傳統(tǒng)的計(jì)算機(jī)視覺系統(tǒng)進(jìn)行訓(xùn)練以識(shí)別產(chǎn)品中各種各樣的異常（例如表面劃痕）非常具有挑戰(zhàn)性。在運(yùn)作良好的生產(chǎn)線上，沒有多少“壞”產(chǎn)品的樣例，“壞”可以有無(wú)數(shù)種形式。很簡(jiǎn)單，根本沒有大量可用于訓(xùn)練系統(tǒng)的不良產(chǎn)品數(shù)據(jù)。

但是，借助 Lifelong DNN，開發(fā)人員可以訓(xùn)練計(jì)算機(jī)視覺系統(tǒng)來(lái)識(shí)別“好”產(chǎn)品的不同示例。然后，當(dāng)系統(tǒng)檢測(cè)到與商品定義不符的商品時(shí)，可以將該商品歸類為異常，然后進(jìn)行適當(dāng)處理。

對(duì)于制造商而言， Lifelong DNN 和發(fā)現(xiàn)異常的能力可以節(jié)省時(shí)間并提高生產(chǎn)線的效率。對(duì)于無(wú)數(shù)其他越來(lái)越依賴人工智能的行業(yè)來(lái)說(shuō)，可能會(huì)有類似的好處。

誰(shuí)知道“無(wú)”竟然有這樣的重要性呢？

Neurala 是一家美國(guó)軟件公司，所開發(fā)的深度學(xué)習(xí)軟件 Neurala Brain 可以讓機(jī)器人、無(wú)人機(jī)、移動(dòng)設(shè)備和相機(jī)更加智能，同時(shí)也為高端設(shè)備和日常應(yīng)用場(chǎng)景提供定制化的解決方案。Neurala 可以讓普通相機(jī)也能學(xué)習(xí)人物和目標(biāo)，并實(shí)現(xiàn)視頻和視頻流中的識(shí)別和運(yùn)動(dòng)追蹤功能?；?Neurala Brain 為 NASA、DARPA 和美國(guó)空軍所開發(fā)的技術(shù)，它已成功部署在超過(guò)一百萬(wàn)臺(tái)智能設(shè)備中。