电视剧也能训练人工智能?爱丁堡大学对此进行了实验 | 研究

大型年度AI人物评选——2017中国AI英雄风云榜榜单评选出了年度技术创新人物TOP 10;商业创新人物TOP 10,获取完整榜单请关注网易智能公众号(ID:smartman163),回复关键词“评奖”。



【网易智能讯 12月21日消息】联邦立法者想要涉足人工智能领域,从而掌握发言权。研究人员现在打算利用电视节目来提高人工智能系统的预测能力。近日,谷歌表示,它将在中国开设一家人工智能研究机构。随着2017年接近尾声,相关新闻头条不断涌现且人工智能无孔不入,所有这些都表明人们对人工智能仍表现出浓厚的兴趣。


同时,以近期的发展趋势来看,随着机器逐步深入人类生活,2018年一定是人工智能产生重大飞跃的一年。


利尔曼博士对此非常赞同,她是爱丁堡大学博士后研究员,爱丁堡大学参与利用热门犯罪系列节目“犯罪现场调查”来训练人工智能系统的项目——具体涉及与节目内容相关的视频、音频以及文本,从而训练人工智能系统掌握准确识别剧集中“坏人形象”的本领。


利尔曼博士向BGR解释说,研究人员想了解,如果数据充足,人工智能系统能否在接受训练之后解决人类所面临的难题。结果如何呢?计算机掌握了在每距一集结束还有60%的时间内找出犯罪嫌疑人,而观看该节目的人找出犯罪嫌疑人的成功率只有85%。


利尔曼说,对于像她这样的研究人员来说,那些研究结果则非常乐观。这些研究成果发表于10月底出版的学术期刊《计算语言学协会的交易》上。研究团队希望能够抛砖引玉,带动学术界同仁在他们的研究成果基础上进一步发展。


“在这篇论文中,”该团队写道,“我们认为,作为理想的实验平台,以《犯罪现场调查》为代表的犯罪剧可以模拟现实世界的自然语言认识以及与之相关的复杂推理。”据利尔曼的说法可知,该团队也对“犯罪现场调查”系列训练人工智能系统所获得的成果感到非常满意。


我们拒绝猜测埃隆·马斯克对这此问题的看法,更不会怀疑用脚本犯罪剧来训练超级智能会造就邪恶的超级人工智能。以严肃的角度来说,这一实验由于其本身的新颖性而产生大量的重点关注以及相关的电视节目。这也为团队带来了一些相对理性的思考,即当我们进入新的一年,面对大量关于人工智能及未来世界的头条新闻时,这些问题也不应忽视。


就像利尔曼的团队只是通过为系统提供大量数据一样,此类实验根本无法达到完美的精确度或几近完美。



利尔曼说:“我不同意那种看法,提供更多的数据就能够通过提高预测准确性从而帮助解决整个问题。”“我认为,我们需要认真思考,应该让模型获取一些其他的信息。”人类掌握如此多的世界知识,以至于很难用一种详尽的方式在机器上进行编码。我认为我们需要为模型提供更好的背景知识和更佳的推理策略。我认为仅仅是把非结构化的数据扔给模型,并不会给我们带来更多益处。能够提供的帮助可能不会太大。”


值得关注的是,研究人员在此种观点下会取得何种研究进展。这也是为何人工智能话题将成为2018年的一大亮点。


联邦政府可能也会助其一臂之力,来自华盛顿州的民主党参议员玛丽亚·坎特韦尔已经起草了一份法案,该法案建议设立一个专门研究人工智能的委员会。该委员会成员将由商务部任命,并将向内阁成员就人工智能提供建议。


即将出台的法案如此措辞:“对美国国会而言,理解并为正在迅速发展的人工智能作出支持,对美国经济繁荣以及社会稳定至关重要;人工智能的发展可以为信息经济提供动力,激励理性决策,并帮助解决在法案颁布之日起无法解决的疑难问题,从而极大地造福社会。”


所以我们的人工智能发展至此。国会希望对人工智能有所定义,并帮助政府为其所用并从中受益。研究人员利用电视节目来展示他们是如何训练人工智能系统的。至少可以说,我们可以对2018年有所期待。


英文来源:nypost 编译:网易见外翻译机器人 审校:Sarah




添加小助手 加入交流群

点击如下关键词查看往期内容

人物专访 沈向洋 | 于尔根 | 洪小文 | 李德毅 | 尤瓦尔 | 哈萨比斯 | 宋继强 | 杨强 | 余凯 | 邓志东 | 芮勇 | 戴文渊 | 石博盟 | 韦东 | 黄学东


行业特稿 抢滩智能音箱(上) | 抢滩智能音箱(下) | 自动驾驶行业素描(上) | 自动驾驶行业素描(下) | 机器翻译技术与应用


重磅报告 麦肯锡(二) | AlphaBeta & ABC | 埃森哲 |  英国政府 | Internet Society | Forrester | VertoAnalytics 麦肯锡(一) | 苹果公司 | 耶鲁大学 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
【5层】公司办公楼全套设计+++(3156平,含计算书、建筑图,结构图、实习报告,PKPM,答辩PPT) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值