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(xué)習(xí)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(fù)，且秒回速度縮短到250毫秒。
萬張圖片中發(fā)現(xiàn)重復(fù)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(biāo)是從中尋找重復(fù)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(xué)習(xí)技術(shù)的大型神經(jīng)網(wǎng)絡(luò)模型，由1000臺電腦組成。這件事當(dāng)時在科技界引起了轟動，被認(rèn)為深度學(xué)習(xí)復(fù)興的里程碑。
所謂深度學(xué)習(xí)，就是用多層神經(jīng)元構(gòu)成的神經(jīng)網(wǎng)絡(luò)，以達(dá)到機器學(xué)習(xí)的功能。這些多層的電腦網(wǎng)絡(luò)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(yīng)的行為。
傳統(tǒng)的機器學(xué)習(xí)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(xué)歷的關(guān)系。深度學(xué)習(xí)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(luò)。
科學(xué)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(jìn)行特征提取處理，而是讓接收到的刺激信號通過一個復(fù)雜的網(wǎng)絡(luò)模型進(jìn)行篩選。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(jì)60年代，生物學(xué)家在研究貓的腦皮層時，發(fā)現(xiàn)其獨特的網(wǎng)絡(luò)結(jié)構(gòu)能有效降低反饋神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，繼而提出“卷積神經(jīng)網(wǎng)絡(luò)”。利用這種網(wǎng)絡(luò)結(jié)構(gòu)編寫的深度學(xué)習(xí)程序，適應(yīng)性很強，成為人工智能的突破口。
語音識別改變?nèi)藱C交互
簡單地講，深度學(xué)習(xí)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(xué)習(xí)恰恰補上了這個短板。有了深度學(xué)習(xí)，百度識圖可以準(zhǔn)確識別照片中的物體類別，并對照片進(jìn)行自動歸類或搜索。有了深度學(xué)習(xí)，我們可以很方便地刷臉付款。有了深度學(xué)習(xí)，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(xué)習(xí)技術(shù)在語音識別方面，也有廣泛的應(yīng)用。在深度學(xué)習(xí)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(xué)習(xí)還和增強學(xué)習(xí)相結(jié)合，正深刻改變著機器人領(lǐng)域。所謂增強學(xué)習(xí)，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(xué)習(xí)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(xué)習(xí)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。
什么讓深度學(xué)習(xí)實現(xiàn)超越
不過，創(chuàng)造一個強大的神經(jīng)網(wǎng)絡(luò)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(xué)習(xí)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(xué)習(xí)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(xué)習(xí)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(xué)習(xí)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(xué)自動化系博士潘爭介紹，深度學(xué)習(xí)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(xué)習(xí)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(xué)習(xí)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(xué)習(xí)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(yù)計，再過些年，我們口袋里的手機也可以運行像人腦一樣復(fù)雜的神經(jīng)網(wǎng)絡(luò)。
不過，就目前的趨勢來看，深度學(xué)習(xí)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(xué)習(xí)尚難以逾越的障礙。
◇案例◇
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(xué)習(xí)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(xué)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(xùn)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(xué)習(xí)。”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(zhǔn)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(biāo)。前提是建一個6000到1.5萬的樣本庫，“一旦樣本達(dá)到百萬級，可能精度要下降20%或更多。”