對(duì)于一個(gè)未經(jīng)訓(xùn)練的人工智能來(lái)說(shuō)，世界不過(guò)是一個(gè)模糊的數(shù)據(jù)流。大多數(shù)人類都可以無(wú)障礙地理解周圍的畫(huà)面和聲音，但只有這些畫(huà)面和聲音被明確地標(biāo)記出來(lái)，算法才能掌握這一技能。
如今，人工智能公司DeepMind開(kāi)發(fā)了一種新的AI技術(shù)，通過(guò)讓其觀察短小的視頻片段，AI就能學(xué)會(huì)一系列視覺(jué)和聽(tīng)覺(jué)的概念并將其識(shí)別區(qū)分。例如，這種人工智能可以理解草坪修剪或撓癢癢的概念，但它還沒(méi)有掌握如何用語(yǔ)言來(lái)描述它感受到的畫(huà)面或聲音。
對(duì)此，加州大學(xué)伯克利分校教授皮利特·阿格拉沃爾說(shuō)：“我們想要制造一種機(jī)器，它能以自主的方式不斷從自身所處的環(huán)境中學(xué)習(xí)進(jìn)步。”阿格拉沃爾說(shuō)，這個(gè)項(xiàng)目讓我們更接近創(chuàng)造真正人工智能的目標(biāo)，通過(guò)自學(xué)來(lái)觀察和傾聽(tīng)周圍的世界。
大多數(shù)計(jì)算機(jī)視覺(jué)算法需要輸入大量的標(biāo)簽圖像，這樣它就能區(qū)分不同的物體。通過(guò)展示成千上萬(wàn)張貓咪的照片，它很快就能學(xué)會(huì)識(shí)別貓，即使是之前從未見(jiàn)過(guò)的圖片。
但DeepMind的項(xiàng)目負(fù)責(zé)人Relja Arandjelovic表示，這種被稱為“監(jiān)督學(xué)習(xí)”的教學(xué)算法是不可擴(kuò)展的。它的算法不再依賴于人標(biāo)記的數(shù)據(jù)集，而是通過(guò)將所看到的與所聽(tīng)到的內(nèi)容相匹配，從而學(xué)會(huì)識(shí)別圖像和聲音。
像人一樣學(xué)習(xí)
“人類尤其擅長(zhǎng)這種學(xué)習(xí)，”瑞士伯爾尼大學(xué)的教授保羅·法瓦羅說(shuō)道。他說(shuō)：“我們身邊可沒(méi)有人到處跟著我們，告訴我們一切都是什么。”
據(jù)悉，他是通過(guò)兩個(gè)網(wǎng)絡(luò)來(lái)創(chuàng)建算法的：一個(gè)專門識(shí)別圖像的網(wǎng)絡(luò)，以及一個(gè)識(shí)別音頻的網(wǎng)絡(luò)。他展示了從短片中截取的圖像識(shí)別網(wǎng)絡(luò)，而音頻識(shí)別網(wǎng)絡(luò)則從每段視頻中截取的1秒的音頻片段中進(jìn)行了訓(xùn)練。
第三個(gè)網(wǎng)絡(luò)將靜態(tài)圖像與音頻片段進(jìn)行對(duì)比，以了解視頻中哪些聲音與哪些視頻中的圖像相符合。總之，這個(gè)系統(tǒng)是經(jīng)過(guò)40萬(wàn)個(gè)視頻中截取的6000萬(wàn)個(gè)靜態(tài)音頻訓(xùn)練的。
該算法學(xué)會(huì)了在沒(méi)有單一概念的特定標(biāo)簽的情況下，如何識(shí)別音頻和視覺(jué)概念，包括人群、踢踏舞和水。舉個(gè)例子，當(dāng)你看到某人拍的照片時(shí)，大多數(shù)時(shí)候它知道哪個(gè)聲音與哪個(gè)圖像有關(guān)。
視覺(jué)與聽(tīng)覺(jué)
“這種合作學(xué)習(xí)方法還可以延伸到除了視覺(jué)和聽(tīng)覺(jué)之外的感官，”他說(shuō)。“比如，同時(shí)學(xué)習(xí)視覺(jué)和觸覺(jué)功能，可以讓人工智能在黑暗中搜索物體，并學(xué)習(xí)諸如摩擦力等物體屬性。”
消息稱，DeepMind將在10月下旬在意大利威尼斯召開(kāi)的計(jì)算機(jī)視覺(jué)國(guó)際會(huì)議上展示這項(xiàng)研究。
雖然DeepMind項(xiàng)目中的人工智能與現(xiàn)實(shí)世界沒(méi)有互動(dòng)，但研究人員表示，完善自我監(jiān)督學(xué)習(xí)最終會(huì)讓我們創(chuàng)造出能夠在現(xiàn)實(shí)世界中運(yùn)行的人工智能，并從它所看到和聽(tīng)到的東西中學(xué)習(xí)。
但在我們達(dá)到這一目標(biāo)之前，自我監(jiān)督式學(xué)習(xí)可能是一種很好的方式，這樣可以訓(xùn)練圖像和音頻識(shí)別算法，而無(wú)需輸入大量人類標(biāo)記的數(shù)據(jù)。DeepMind的算法可以將80%的音頻剪輯按照時(shí)間的順序正確地歸類，這使得它在音頻識(shí)別方面比許多在標(biāo)簽數(shù)據(jù)上訓(xùn)練的算法更出色。這些可喜可賀的成果表明，類似的算法或許能夠通過(guò)分析YouTube上數(shù)百萬(wàn)個(gè)在線視頻等海量未標(biāo)記的數(shù)據(jù)集來(lái)學(xué)習(xí)更多的知識(shí)。“世界上的大多數(shù)數(shù)據(jù)都沒(méi)有被標(biāo)記出來(lái)，因此開(kāi)發(fā)從未標(biāo)記的數(shù)據(jù)中學(xué)習(xí)的系統(tǒng)是有意義的，”阿格拉沃爾教授這樣說(shuō)道。
微信掃一掃
