機器人如何進行深度學習？還有哪些跨不過的坎？

柳友娟 制圖

一個人獨處時，感覺有點孤單，怎么辦？微軟亞洲研究院推出的“微軟小冰”，或許可以像閨蜜一樣地跟你聊天解悶。3.0版本的“小冰”除了具有“評顏值”“選搭配”等功能外，還基于深度學習技術(shù)具備強大的視覺識別能力。它在看到一張圖片后，可以基于情感給出人性化回復，且秒回速度縮短到250毫秒。

不僅僅是“微軟小冰”和圍棋高手“阿爾法狗”，從互聯(lián)網(wǎng)搜索到語言翻譯，乃至識別患有自閉癥風險的基因……凡是需要從大量數(shù)據(jù)中預測未知信息的領(lǐng)域，都是深度學習可以一展拳腳的地方。那么，什么是深度學習技術(shù)？它將怎樣改變?nèi)祟惖纳睿?/p> 萬張圖片中發(fā)現(xiàn)重復的貓

2011年，谷歌一家實驗室的研究人員從視頻網(wǎng)站中，抽取了1000萬張靜態(tài)圖片，把它“喂”給谷歌大腦，目標是從中尋找重復出現(xiàn)的圖案。3天后，谷歌大腦在沒有人類幫助的情況下，從這些圖片中發(fā)現(xiàn)了“貓”。

這個谷歌大腦就是一個采用深度學習技術(shù)的大型神經(jīng)網(wǎng)絡模型，由1000臺電腦組成。這件事當時在科技界引起了轟動，被認為深度學習復興的里程碑。

所謂深度學習，就是用多層神經(jīng)元構(gòu)成的神經(jīng)網(wǎng)絡，以達到機器學習的功能。這些多層的電腦網(wǎng)絡像人類大腦一樣，可以收集信息，并基于收集到的信息產(chǎn)生相應的行為。

傳統(tǒng)的機器學習方法一般只能挖掘簡單的線性關(guān)系，如1+1等于2。然而，大千世界并不是這種簡單關(guān)系所能描述的，如收入與年齡、性別、職業(yè)、學歷的關(guān)系。深度學習的出現(xiàn)改變了這種現(xiàn)狀，它的靈感來源于模仿人類大腦神經(jīng)網(wǎng)絡。

科學家發(fā)現(xiàn)，人類大腦皮質(zhì)不是直接對視網(wǎng)膜傳遞過來的數(shù)據(jù)進行特征提取處理，而是讓接收到的刺激信號通過一個復雜的網(wǎng)絡模型進行篩眩這種層級結(jié)構(gòu)大大降低了視覺系統(tǒng)處理的數(shù)據(jù)量，并最終保留了有用的信息。

上世紀60年代，生物學家在研究貓的腦皮層時，發(fā)現(xiàn)其獨特的網(wǎng)絡結(jié)構(gòu)能有效降低反饋神經(jīng)網(wǎng)絡的復雜性，繼而提出“卷積神經(jīng)網(wǎng)絡”。利用這種網(wǎng)絡結(jié)構(gòu)編寫的深度學習程序，適應性很強，成為人工智能的突破口。

簡單地講，深度學習技術(shù)是對人腦的一種模擬，因而可以完成很多人腦所具有的功能。

最為人所熟知的是視覺功能。我們的相機可以像眼睛一樣看到這個世界，卻不能像大腦一樣看懂這個世界，深度學習恰恰補上了這個短板。有了深度學習，百度識圖可以準確識別照片中的物體類別，并對照片進行自動歸類或搜索。有了深度學習，我們可以很方便地刷臉付款。有了深度學習，特制機器可以檢測一定空間內(nèi)所有人員、車輛的行蹤，并對可疑和危險事件及時報警。

同時，深度學習技術(shù)在語音識別方面，也有廣泛的應用。在深度學習的幫助下，計算機擁有越來越強大的語音識別能力，這可能改變目前仍以鍵盤為主的人機交互模式。

深度學習還和增強學習相結(jié)合，正深刻改變著機器人領(lǐng)域。所謂增強學習，指的是機器人通過與環(huán)境交互中得到的獎賞和懲罰，自主學習更優(yōu)的策略。前段時間引人關(guān)注的“阿爾法狗”就是增強學習的產(chǎn)物，它通過跟棋手下棋或跟自己對弈的輸贏情況，摸索出更好的下棋策略。

不過，創(chuàng)造一個強大的神經(jīng)網(wǎng)絡需更多處理層。而由于硬件限制，早期僅能制造2至3個神經(jīng)層。那么，是什么讓深度學習實現(xiàn)超越呢？

顯然，高性能計算能力的提升是一大助力。這些年GPU(圖形處理器)、超級計算機和云計算的迅猛發(fā)展，讓深度學習脫穎而出。2011年谷歌大腦用了1000臺機器、16000個CPU處理的深度學習模型大概有10億個神經(jīng)元。而現(xiàn)在，我們已經(jīng)可以在幾個GPU上完成同樣的計算了。

“深度學習還得到大數(shù)據(jù)的助力，就像火箭有了燃料。”格靈深瞳計算機視覺工程師、清華大學自動化系博士潘爭介紹，深度學習技術(shù)建立在大量實例基礎(chǔ)上，就像小孩收集現(xiàn)實世界的信息一樣。而且，“喂”的數(shù)據(jù)越多，它就越聰明，并且不會“消化不良”。因為大數(shù)據(jù)的不可或缺，所以目前深度學習做得最好的基本是擁有大量數(shù)據(jù)的IT巨頭，如谷歌、微軟、百度等。

現(xiàn)在，深度學習技術(shù)在語音識別、計算機視覺、語言翻譯等領(lǐng)域，均戰(zhàn)勝傳統(tǒng)的機器學習方法，甚至在人臉驗證、圖像分類上還超過人類的識別能力。專家預計，再過些年，我們口袋里的手機也可以運行像人腦一樣復雜的神經(jīng)網(wǎng)絡。

不過，就目前的趨勢來看，深度學習技術(shù)仍然無法代替“坐在后臺監(jiān)控室的人”。舉個例子，如果你和朋友在一家飯店里用餐后搶著結(jié)賬，這種推搡過程，智能攝像頭尚難以判斷是在打架還是怎么了。可見，邏輯判斷和情感選擇，是深度學習尚難以逾越的障礙。

一眼就能識別壞人的系統(tǒng)

專注于計算機視覺及人工智能的科技公司格靈深瞳，將基于深度學習技術(shù)研發(fā)的智能識別系統(tǒng)，運用到銀行安防監(jiān)控領(lǐng)域。

考慮到傳統(tǒng)光學鏡頭在識別圖像時會丟失“深度”維度，格靈深瞳專門為銀行安監(jiān)開發(fā)了一套三維傳感器。在它的背后，一套獎懲機制訓練成的算法模型能夠主動識別異常。“看見有人走近了一個有人的自動柜員機，而不是旁邊那個空著的，此時要識別他的軌跡、判斷其行為是否正常，就牽涉到深度學習。”格靈深瞳CEO何搏飛介紹，如果系統(tǒng)識別出異常，它就會推送給后臺監(jiān)督者。而為了教會機器判斷準確，背后需要提供幾十萬量級的圖片數(shù)據(jù)。

何搏飛指出，給這個智能識別系統(tǒng)一張側(cè)臉或者是沒有臉的全身照，它也能以超過99%的精度迅速鎖定目標。前提是建一個6000到1.5萬的樣本庫，“一旦樣本達到百萬級，可能精度要下降20%或更多。”