AI人工智能认知智能，AI 的下一个十年 | AI Procon 2020( 二 )
另外 ， 从去年年底到今年初 ， 自监督学习技术也有了最新的进展 。 即无需标记样本 ， 即可学习图形表示 。 事实上 ， 这一研究在几年前就已展开 ， 譬如 ， 让计算机通过大量的数据 ， 就可以自动识别出猫 。 彼时环境下 ， 很多人并不理解这件事的具体含义与技术 ， 或许更多人认为这是一个很简单的问题 ， 从机器学习角度来看 ， 如果有一点点的标记样本 ， 计算机就能识别这是一只猫 。
本文插图
那么 ， 如果没有标记样本 ， 计算机该如何识别出猫？
这就是自监督学习的魅力所在 。 它会通过数据本身的分析 ， 比如给定一个图片 XQ ， 在大量的数据中自动找到 XQ 相关的图片 ， 可以将这些图片作为正例 ， 把其他随机找到另外一些图片作为负例 ， 基于此 ， 我们可以自动学习出哪些是一个正例 ， 哪些是一个负例 。 在此过程中 ， 或许有人提问 ， 如果这里图片标注错误会怎么办？
事实上 ， 在机器学习与人工智能的时代 ， 大数据是基础 ， 这就需要大量的数据为支撑 。 回归现下的自监督学习 ， 在很多效果上 ， 其甚至超过了有监督学习 。
举例说明 ， 我们研发了一个面向图数据的自监督学习 。 从下图中 ， 如何让图数据划分正例和负例 。 首先 ， 可以将蓝色的点视为正例 。 在图数据中 ， 正例除了与自身属性有关 ， 也与周围邻居节点相关 。 因此在海量数据中 ， 任选一节点 ， 随机生成一张子图 XQ ， 对于随机的子图 ， 可能没有正例 。
这可以再基于蓝色的点 ， 随机生成另外的子图XK0 ， 然后当做 XQ 的正例 。 同时从另外大量海量的图中 ， 随机找一个点 ， 如下图 ， 再随机生成子图 ， 即XK1 ， XK2 ， 其中将 XK1 和 XK2 看做 XQ 的副例 ， 把XK0看作 XQ 的正例 ， 于是通过这样的方法 ， 就能够自动构建了一个正例数据集和一个负例数据集 ， 由此在超大规模的图数据上进行训练 ， 最终发现效果可以超过有监督学习 ， 因此 ， 无监督学习也将必然是机器学习下一个重要的方向
基于此 ， 我们研发了一个面向图数据的自监督学习 。 从下图中 ， 如何让图数据划分正例与负例 。 举例说明 ， 首先 ， 将蓝色的点视为正例 。 在图数据中 ， 正例除了与自身属性有关 ， 也与周围邻居节点相关 。 因此从任一节点 ， 随机生成一张子图 。
本文插图
那当然了 ， 我今天要探讨的不是机器学习的一个无监督 ， 而更加要探讨的是人工智能的下一代 ， 人工智能今天这个符号AI ， 也经历了感知AI ， 那下一个AI是什么呢？
人工智能的未来
2016 年 ， 张钹院士提出第三代人工智能雏形 。 DARPA 在 2018 年也发布了AI Next的一个计划 ， 核心的思路是推进统计与知识推理融合 ， 包括机器学习和脑认知的融合 。
其实 ， 想要实现认知智能 ， 目前最缺乏两个方面：
高质量超大规模知识图谱 ， 这是AI的基础设施 。
对知识的理解能力 ， 即面向认知的深度学习算法 。 相较于当下更像黑盒子的深度学习算法 ， 我们更需要可解释、鲁棒、具有理解能力的机器学习方法 ， 亦或者叫做推理算法 。
本文插图
未来 ， 人工智能必是超越深度学习的存在 。 如图所示 ， 左边的 Symbolic 即符号 AI 。 右边为深度学习 ， 时下深度学习和机器学习处于交融的状态 ， 业界很多人评价道 ， 深度学习是机器学习的一小块 ， 很多人有认为它超越了机器学习 。 事实上 ， 想要超越深度学习 ， 我们需要结合符号 AI ， 也就是最终的 Symbolic Neural Net 。
推荐阅读
- 小红猪带你看科技|七夕节送女朋友必备左点小艾智能艾灸器X8，3天众筹500万
- 车驰夜幕|详解智慧城市全新方程，开启城市智能非凡时代
- 36氪利用无人驾驶技术切入水域智慧环卫与维护，“欧卡智能”获千万元级融资
- 不得投递智能快递柜 两部门严格要求高校录取通知书寄送
- 热源智能商务 “找万物”引爆直播找好物新模式！，突围传统家博会
- 数字展示在线|更高追求更显专业——明基智能投影E592新品上市
- 北京日报客户端|互动动感单车、智能健身仓……西二环边新增运动休闲好去处
- 王小琉 你的私人健康助理，F25体温智能手表评测：实时监测
- 经济日报新闻客户端|两部门发文：高校录取通知书不得投递至智能快件箱
- 行业互联网澳柯玛，智慧冷链疫苗存储，内循环经济智能家居，叠加芯片概念