深度学习之父Hinton推翻30年的研究成果   新“胶囊网络”或重建AI世界

智东西(公众号:zhidxcom)
编 | 轩窗

导语:近日,人工智能三巨头之一的Hinton教授推翻了自己30年前的学术成果,提出了“神经网络”的变体“胶囊网络”,这一新方法将使机器通过更少的图片来识别不同情境下的同一物体,或将重塑AI领域。

Geoffrey Hinton,一个响彻AI领域的名字,他和Yoshua Bengio、Yann LeCun并称为深度学习三大巨头。正是这位年近70的多伦多卓尔大学的教授在2012年10月将人工智能推向了一个新的轨道,并一步步把“深度学习”从边缘课题变成如今网络巨头们信仰的核心技术。

今天,人们用神经网络技术记录演讲内容、识别宠物、与喷子对抗。但Hinton现在却说,“我认为我们做计算机视觉处理的方式是错误的,虽然目前这项技术应用的更好,但这并不能说明它是正确的。”

Hinto最近提出了一种新方法,这种方法可能会改变计算机视觉传输的方式,重塑人工智能。上周晚些时候,Hinton发表了两篇研究论文,说出了他考虑了近40年的想法。“很长一段时间,它只是一种直觉,实际的测试结果并不好”,Hinton说,“我们最后终于找到了有效的方式”。

深度学习之父Hinton推翻30年的研究成果   新“胶囊网络”或重建AI世界

Hinton的新方法叫做“胶囊网络”,它是一种扭曲的神经网络,这种网络可以使机器更好的通过图像和视频了解世界。Hinton一直与在多伦多谷歌办事处的两位同事一起研究这项新技术。他在上周发布的一篇论文中写到,基于Hinton的胶囊网络的软件在识别手写数字的标准测试上与现有的最好的识图软件不相上下,而在一项从不同角度识别卡车和汽车等玩具的软件测试上,胶囊网络错误率比第一次测试减少了一半。

胶囊网络意在弥补当今机器学习系统的不足,这些不足限制了机器学习的效率。如今的图像识别软件需要大量的示例图片来学习各种情况下的物体。这是因为软件意识不到他在新场景下需要学习什么,比如当它之前识别过的物体以不同的角度呈现时,软件就认不出那个物体了。

教一台计算机从多角度识别一只猫,就需要覆盖不同的视角数千张的照片。而人类孩子却不需要如此多的训练来识别家里的动物。Hinton认为缩小人工智能系统和普通幼儿之间差距的想法就是在计算机视觉软件中建立更多的知识网。胶囊是一些小的原始虚拟神经群,设计这些群的目的是分别追踪一个物体的不同部分,比如猫的鼻子和耳朵,以及它们在空间中的相对位置。一个由许多胶囊组成的网络能够在新的场景下识别出一个已经见过的物体。

现在说胶囊网络将是一个新的巨大飞跃还为时过早,Hinton本人也这样认为,胶囊网络仍需要数量庞大的图像集合中证明胶囊网络的有效性,而这项技术当前的识别速度与现有的图像识别软件相比仍比较缓慢的。

Hinton对此很乐观,他认为这些缺点可以解决,其他业内人士也对此抱有希望。

在某些方面,胶囊网络的研究与人工智能最近的趋势有所不同。最近对神经网络的一种理解是,人类应该尽可能少为人工智能软件提供知识编码,而应该让他们自己弄明白。

纽约大学心理学教授Gary Marcus去年向Uber出售了一家人工智能初创公司。他说,胶囊网络为人工智能带来了新鲜空气。Marcus认为,人工智能研究人员应该更多地模拟大脑是如何内置的,人脑是先天的机器,可以学习像视觉、语言等重要的技能。Marcus说:“现在评价胶囊网络将带来巨大飞跃还为时过早,但我们很高兴看到Hinton打破了这个领域的常规。”

原文来自:wired

深度学习之父Hinton推翻30年的研究成果   新“胶囊网络”或重建AI世界