相關文章

Cc76c72ea41dc8dbacbe416739491596 給一個三歲的孩子看一輛三輪車,並告訴他這是三輪車,以後這個孩子看到類似的車輛都能知道是三輪車。但是如果要教會一台電腦什麼是三輪車,可能要給它看成千上萬的三輪車,他才能學會。這就是電腦和人腦的差別。無論是那種電腦深度學習,或者具體的面部識別功能,都需要大量的樣本分析才能做到一定的識別率。

但現在,據 Fortune 報導,紐約大學、麻省理工學院和多倫多大學的研究人員建立了一個新的模型,讓電腦能學一次就舉一反三的理解更多類似的東西。比如藉由理解一張照片的內容來識別這張圖片的意義,而不是把這張照片的內容跟資料庫裡成千上萬的照片對比才能得出結論。

▲這個資料模型會對圖片中平衡車的不同部分進行分解,從而學習圖中什麼是平衡車,然後舉一反三識別更多平衡車甚至創造其他不同的平衡車。對文字也是一樣。

他們將這個研究成果發表在了《科學》雜誌上。這個資料模型叫做 BPL (Bayesian Program Learning 貝葉斯程式學習)。

簡單來說,這個程式能對現有程式的再次利用、捕捉真實世界裡的組合及因果關係來自行建立一個新的程式,而不是像其他深度學習程式那樣依賴大量的重複數據去學習。這和人們認識新事物的學習過程非常相似。

比如,對文字的識別,現在的機器學習會識別每一個圖片,然後和資料庫裡的文字做比較。而 BPL 則能從更概念的層面來識別文字,比如識別一個文字的基本結構,把文字看成是各種筆劃的組合,這個過程與人類識字(尤其是抄寫文字的時候)的過程更相近。

從這個概念出發,這種人工智慧能夠找到自己寫字的方法,比如能讀懂各種標識、增加語音辨識的準確率,最終甚至可以建立軍事模型。

相比大量的重複學習,BPL 的學習方法更為高效和智慧。現在的研究人員的實驗還停留在圖片識別和寫簡單文字符號階段,但如果演算法不斷得到完善,它會變得越來越像一個真正具有智慧的人腦。

 

使用 Facebook 留言

發表回應

謹慎發言,尊重彼此。按此展開留言規則