只要稍微浏览一下近期新闻,这条一定能够吸引你的眼球,并怀疑是愚人节玩笑。
看来最近隔壁岛国的AI技术已经不满足送上机器人播音,要扩展到政坛了。
简要回顾一下新闻内容,AI机器人真的参与了竞选,并做足功课,颇有要大干一场的架势。
“位于日本东京都的多摩市,正值四年一度的市长竞选阶段,最令人震惊的就是其中一位候选人竟然是一台机器人,而且有模有样,不仅有竞选口号、竞选海报,甚至还动用汽车横幅为其拉票造势。”
(嗯这就是竞选的本尊,注意看那目空一切的表情)
新闻中称机器人为松田达人,年龄44岁,并且也介绍了研发它的技术大佬。令人吃惊的是,实际上这位“达人”是被政要钦点参选,希望能够借助人工智能管理政府事务。
虽然近期报道称它很不幸败选,评论中也不乏各种争议。但是能竞选已经很牛了好么!
那么问题来了,
这个能够走上竞选讲台的AI机器人,背后隐藏的黑科技,有没有可能复制呢?
我们回到报道中机器人竞选台词——
“人工智能将改变多摩市。随着AI市长的诞生,我们将实行公允的政策,未来将以高效、准确的信息来执行各项公共政策,引领下一代。”
找出关键词:高效、准确的信息;制定并执行公共政策
机器人需要具备强大的数据收集和处理能力,并通过深度学习,基于庞大数据基础+政策制定方法,产出政策。所以,想要复制一个同样智能的AI机器人,你需要有合适的开源框架进行模型训练,并找到合适的硬件搭载。
既然是要开发国内首款AI智能决策型机器人,必然从头到尾都是中国造的最自豪。
这时候就需要我们的强大助攻出现了——Paddle Paddle
那么,如果使用PaddlePaddle来训练机器人,具备哪些优势呢?
模型支持
PaddlePaddle支持多种深度学习模型 DNN(深度神经网络)、CNN(卷积神经网络)、 RNN(递归神经网络),以及 NTM 这样的复杂记忆模型。NLP自然语言处理上有很多现成的应用,比如情感分类,神经机器翻译,阅读理解、自动问答等,使用起来相对简单,并且没有向用户暴露过多的 python接口。语言模型是自然语言处理领域里一个重要的基础模型,除了得到词向量(语言模型训练的副产物),还可以帮助我们生成文本。
作为一个AI 机器人市长,日常交流除了能讲话还要有出口成章的本事,并且撰写政策报告时同样需要合理严谨的措辞。而同时,除了做一个客观公正的机器人,也要能够对情绪有足够敏感的认知,这样才能以理服人但又不失感性。有PaddlePaddle的加持,AI机器人市长的文笔和口才能力将会非常出众。
分布式训练
PaddlePaddle集群中有两个角色:参数服务器(parameter server)和训练器(trainer)。每个参数服务器进程维护全局模型的一个片段。每个训练器都有该模型的本地副本,并使用本地数据来更新模型。在训练过程中,训练器将模型方面的更新内容发送给参数服务器,参数服务器负责聚集这些更新内容,那样训练器可以做到本地副本与全局模型实现同步。平台能够为同一个节点分配需要GPU的PaddlePaddle训练器进程、需要大容量内存的Web后端服务以及需要磁盘输入输出的CephFS进程,以便全面利用硬件资源。
类似于学生要不断学习才能进步,AI机器人市长也需要不断学习,才能掌握好为政之道。普通决策中可能会出现的数据信息滞后、评估困难等问题,而在稳定的后端服务和强大内存的支撑之下,相信AI机器人市长会在掌握大量信息的基础上做出最优决策。PaddlePaddle的这一性能也能够为AI机器人的稳定发挥提供持续动力。
sdfd
当然,实际上城市政策的制定并非是仅仅结合数据这样简单,毕竟最后要对大众产生直接影响,因此人工智能与政策的结合或许能够在政策最初的参考来源、政策效果预估上提供帮助,并促进政策优化。但是未来如何永远是个未知解。
既然隔壁岛国已经行动起来,各位大侠不妨也使用PaddlePaddle来实验一番,万一梦想实现了呢?
*为了方便大家问题的跟进解决,PaddlePaddle采用Github Issue来采集信息和追踪进度。问题未解决可在Github0Issue上提问,或加入PaddlePaddle QQ社区进行交流,群号:432676488