人工智能系统即将进行大飞跃! (转载)

white小粉 2016-04-23 03:20:00 32人围观

  美国科学家近日获得了2800万美元(约合1.84亿人民币)的研究经费,用于设计一款能与人类识别图形速度相媲美的计算机系统。

  情报机构要处理的数据越来越多,这些数据都必须进行迅速分析,但问题是,人类很难保持这样的工作速度,计算机的学习能力又很有限。哈佛大学的研究团队如今正着手解决这一问题。他们希望能弄清,是怎样的大脑活动过程赋予了人类识别图形的出色能力。他们的终极目标是,研发出仿生计算机系统,从而制造出更加聪明的人工智能系统。

  人类天生就擅长识别图案,一个东西只需要看几次,再次见到的时候就能认出来了。计算机则不然,就算训练上千次,也很难培养出这样的能力。受人类大脑启发而研发出的智能计算机可以用来察觉网络入侵、读取核磁共振图像、甚至能驾驶汽车。

  据哈佛大学工程与应用科学学院(SEAS)称,为了弄清为何人类和其它哺乳动物能够做到这一点,研究人员记录了大脑视觉皮层的活动情况,并使用创新技术将它们之间的联系绘制出来。接下来,他们再使用逆向工程处理这些数据,并将其运用到高智能计算机算法的研发中去。

  高级情报研究计划署(IARPA)将资金拨给了哈佛大学工程与应用科学学院(SEAS)、脑科学中心(CBS)、以及分子与细胞生物学系。“这是一个巨大的挑战,它的规模类似于人类基因组计划。”该项目的领导、分子与细胞生物学系和计算机科学系的助理教授戴维·考克斯(David Cox)说道。

  “要记录这么多神经元的活动、并绘制出它们之间的联系,单是这一项工作就具有巨大的科学价值,但这只是我们项目的头一半而已。”“等我们弄清了大脑学习方法的基本准则之后,我们迟早会设计出一款能够媲美、甚至超越人类的计算机系统。”

  在该研究的第一阶段,老鼠会接受训练,识别计算机屏幕上的物体。与此同时,考克斯的团队会使用洛克菲勒大学的高级激光显微镜记录视神经的活动情况。记录下这些活动之后,研究人员会从老鼠的大脑中抽取出一块约1立方毫米的脑组织,并在分子与细胞生物学教授杰夫·利奇曼(Jeff Lichtman)的实验室中切成超薄的切片。接下来,研究人员会使用脑科学中心的世上首台多波束扫描电子显微镜对这些切片进行扫描,并拍摄照片。

  “这是一次绝妙的机会,我们得以看见一片完整的视觉皮层切片的全部细节。”利奇曼说道。“我们对开始研究感到十分激动,但绝不会幻想这是件容易的事情。”“这些数据超过了一个帕字节,相当于160万张光盘的容量。它们将被送到计算机科学系的汉斯皮特·菲斯特那里,然后他将使用一定的算法来重建细胞边界、突触和细胞之间的联系。”

  利用这一方法,该团队便能够获得这些数据的三维图像。“本次项目不仅能拓宽脑科学的边界,还能为脑科学领域创造更多可能。”菲斯特说道。“我们将利用帕比特级的结构数据和功能数据重建神经回路,其规模之大是前所未有的。”“这需要我们在数据管理、高性能计算机、计算机视觉和网络分析领域取得新的进展。”

  “我们还有艰巨的任务要去完成,但这项研究将帮助我们弄清我们大脑中的特别之处。”考克斯说道。“本次项目最令人激动的一点是,我们正在研究人类大脑运作的基本方式。”

  PayPal是如何利用人工智能进行网络安全防御的?

  PayPal曾出现过一次交易欺诈信号:一名美国用户的账号曾在英国、中国以及全球其他一些地方登陆过。不过,由于PayPal的安全系统——人工智能中的深度学习——能够识别出欺诈信号,同时避免错误。

  这其中的原理是,因为算法能够从消费者最多长达16年的购买历史中挖掘需要的数据——除了审查储存在数据库中疑似欺诈的信号模式——还能够辨别可疑的交易账单是否为失误操作。

  从网络安全的角度来说,­PayPal背负着一个目标:2015年,PayPal处理了由1.7亿消费者发起的40亿次交易,金额流动达到2350亿美元。通过发送“钓鱼式”电子邮件等方式利用漏洞窃取用户数据,黑客可以破解用户的账号访问,因此交易欺诈每时每刻都有可能发生。为了在这场网络安全防御中保持优胜,PayPal依赖于密集的、实时的分析交易。

  假如有成堆来自于便利店的小额交易显示为欺诈——系统会启用一些“参照特性”,或者说是规则,能够即刻终止符合识别特征的交易。PayPal负责全球风险预防的高管Hui Wang表示:“如今我们的系统能够处理几千个‘特性识别’,而在2013年刚启用之初只能处理数百个。”

  因此,PayPal这个安全系统如今能够完成的事情要丰富得多,比如同样是多个账号一起购买音乐会门票,系统可以区分出什么才是“朋友们一起购买的”,什么是“一个小偷利用盗取来的一系列账号来做同样的交易”。而且这些过程可以在系统内部完成,避免延迟。“对消费者最多长达16的消费记录进行一次全面搜索也必须会在1秒内完成。”

  Hui Wang表示,深度学习以及其他人工智能手段很快就会成为应对网络安全威胁的唯一有效手段。据悉,在现有人工智能系统的帮助下,PayPal的交易欺诈率维持在0.32%——这个数字远低于行业内平均1.32%的欺诈率。美联储最近一次支付调研报告显示,2012年全球的欺诈交易额达到61亿美元,而且呈现增长趋势。

  PayPal不是唯一一家使用深度学习来巩固网络安全的公司。以色列初创公司Instinct则应用该技术来查找恶意软件,并表示这种方法的成功率比传统方式高出20%。此外,网络安全公司FireEye则使用深度学习来根除检测网络,以根除钓鱼式攻击。

  FireEye副总裁Aziz表示,如果公司间愿意共享网络攻击和欺诈的数据缓存,网络安全的防御能力还能得到更大的提高。

  谷歌开放人工智能系统 走安卓路线

  机器学习作为人工智能的一种类型,可以让软件根据大量的数据来对未来的情况进行阐述或预判。如今,机器学习在硅谷非常流行,并吸引了多家知名企业竞相涉猎该领域。例如,Facebook就大力投资机器学习;微软不甘示弱,也在加大对机器学习的投资力度;苹果也在悄然涉足这一领域。谷歌(微博)当然不甘落后,如今又开始加大在机器学习领域的研究。为了保持自己的创新力——也为了吸引宝贵的人才——谷歌需要维持自己在先进技术方面的领导者地位。

  事实上,多年以来,谷歌内部一直在使用一种机器学习系统,代号为“TensorFlow”。如今,谷歌正在将此系统成为开源系统,并将此系统的参数公布给业界工程师、学者和拥有大量编程能力的技术人员。

  此举极具谷歌的风格。打个不太恰当的比喻,如今谷歌对待TensorFlow系统,有点类似于该公司对待旗下移动操作系统Android。长期以来,谷歌一直非常积极地参与到机器学习相关的科研事务之中。与之相比,作为谷歌竞争对手的苹果公司就没有这样做,尽管苹果可能会采取类似的方法来寻求类似的目的,例如在语音识别、地图甚至是在可能的汽车制造方面。如果更多的数据科学家开始使用谷歌的系统来从事机器学习方面的研究,那么这将有利于谷歌对日益发展的机器学习行业拥有更多的主导权。

  另外,更为重要的是,作为人工智能的一个分支,机器学习正在逐步从学术论文向实际产品转化。谷歌此前已经推出了该公司的第一代机器学习系统,代号为“DistBelief”,以此来识别谷歌应用中的语言和Photos中的图片。如今的TensorFlow系统也是在那些产品的基础之上而发展起来的,并对早期系统的不足进行了改进。除此之外,谷歌上周还宣布在旗下邮箱应用Inbox里推出智能自动回复功能:Smart Reply,它能帮助用户筛选适合语境的回复短句。Smart Reply正是基于强大的机器学习系统,对海量邮件里的场景、邮件写作风格和写作语气进行分析,从而生成一些场景化极强的回复内容。

  除此之外,机器学习还在向纵深领域发展,如今又诞生了“深度学习”业务。作为机器学习的一种,深度学习能够支持像由致幻药引起幻觉的神经网络图像识别等功能。谷歌公司内部目前已经在1200多个不同的产品分类和产品代码库对深度学习进行了测试。

  谷歌首席执行官桑德·皮采(Sundar Pichai)在最近一次财报电话会议上表示:“机器学习是一种核心的转变方式,通过机器学习,我们再重新思考我们所从事的一切。我们目前正处于初期阶段,但用户将看到谷歌以系统的方式来思考我们将如何把机器学习应用到所有的这些领域。”

  谷歌方面在解释TensorFlow时声称,“应当有一种真正的工具,能够让研究人员用来尝试他们疯狂的创意。如果那些创意产生作用的话,那么他们将能够直接转化成产品,而不需要研究人员再重新编写代码。”





  20年内人工智能将带来什么惊喜?

  预测1——语音、声音、图像和视频的识别能力将得到提升

  在接下来的几年里,人工智能对于语音、声音、图像和视频的识别能力将得到进一步的改进和提升,进而显著改进我们与设备间的交互方式。无处不在的廉价传感器和摄像头将能够实时处理更多的数据流。搭配上性能达标的廉价处理器和存储器,将能够让AI设备在有效处理数据的基础上更具成本效益,并最终把自我学习的成果保存在本地存储中。这些AI系统将更加广泛地用在工业自动化系统中,比如工厂操作系统、安全防护系统、农业和交通运输系统等领域。

  预测2——个人助理将更加智能化

  个人助理将能够为我们提供越来越个性化的需求,能够充分考虑用户所提要求的相关背景因素,从而能够更好的为人们提供服务。至于“语音助理能否完全取代传统GUI接口”这一问题,恐怕仍然是一个谜。毕竟语言的变化非常繁复,我们在日常交流中也不会逐字逐句地去考究语法文词这些细节,人与人之间或许还能够理解其中的文意,但对于个人助理而言可就没那么简单了。而且,即使是GUI界面,在未来恐怕也会无缝接入视觉接口,增加会话交互功能。

  而改善会话系统,除了能够解决当前“傻瓜命令式”AI个人助理的现状,还能够进一步促使AI机器人进入到人们的家庭生活之中。

  预测3 ——越来越多的系统将实现自动化

  实际上,自动化系统的应用领域范围比大多数人认为的要大得多。不信?那么回想一下,当你拨打客户服务热线的时候是真人接的电话还是语音台接的?不仅如此,自动驾驶系统也早已应用在了飞机上;无人驾驶汽车和无人机也早已出现。在未来,自动驾驶系统将大量运用在运输交通系统中。

  但与此同时,我们也开始担心给机器过多的自主权将会给我们带来更大的隐患,所以至少在10年内人们会对自动化程度加以限制和管控。所以,未来交通是否能够完全实现无人驾驶还未可知。人们必须先能够完全驾驭自动化技术,才能真正放手让它们拥有自主权。

  预测4 ——AI将被更多的企业所使用

  AI领域现在的发展状态就跟30年前的计算机领域一样。计算机在当时的迅速崛起带来了数不清的的数据处理企业,越来越多的企业也开始建立计算机部门。而现在,这些部门早已消失,计算机已经成为我们工作中的一部分,更不用说它在我们日常生活中的地位了。AI同样如此,并且也将如计算机技术一样被逐渐应用在企业之中,不仅仅只是应用在数据结构化处理,同样也将担任从生成的数据中提取出要素和结论的工作。

  同时,AI还将更多的承担决策工作——例如车队管理、库存管理、候选人简历筛选等。人工智能将在未来代替人类进行决策——这就像数百万年前,人类使用工具代替徒手劳作一样。

  预测5 ——对AI的研究开发将改变许多行业内部的发展进程

  对于核心AI的研究,每前进一步都会为我们提供解决新问题的能力,进而加快几乎每一个科学领域的研究进程。

  Cloud Pharmaceuticals和Berg都通过AI技术取得了药物研发的新进展。而AI的贡献还远不止于此——预测疾病、寻找更好的疾病治疗方法、研发更清洁、更高效的化学工程系统、建立更高效的车队管理模式、提高票务分析效率、寻找最佳的投资方案、寻找最优的家庭能源使用方案等方面,都因为有了AI技术而获得了突破。

  消费者们将会在未来5年内,看到更多的和Siri相类似的人工智能助手。人工智能也将在越来越多的方面为我们提供更便捷的服务。至少在较长一段时间内,AI会在几乎所有人类活动领域中扮演重要的角色。

  预测6——自我学习系统将推动未来的教育娱乐发展

  自我学习系统将得到进一步增强。在未来,无论是否有人在监管,AI都能够自主学习,AI也因此能够应用于更多专业领域之中。AI也将能够胜任学者或是分析学家的角色,而这种类型的AI系统就可以应用于教育领域——就像是一名真正老师在教学生学习功课那样。

  这样的技术同样能够用于人物性格的塑造、电影情景的描绘或是交互式虚拟现实的游戏中。

  预测7——假设演绎系统的发展将提升人们生活质量以及寿命长度

  人们早已开始使用人工智能来解决特定的医疗问题。从长远角度看,我们肯定会在不久的将来成功研发出“超个性化”的“假设演绎系统”,这一系统将能够掌握人类的基因组等学术知识,并对我们可穿戴设备或其他生物监测仪器中得到的数据进行分析,这就相当于为医生提供了一个高精准度的分析镜头,如魔法水晶球般提供有价值的环境分析结果,提供有助于身体健康的解决方案。

  人工智能也将被用来破译人类大脑活动的方式,改善残疾人的沟通能力或是为他们提供解决身体病症的新方法。

  预测8——智能互联网将获得突破

  现在有很多技术人员在探讨如何在未来建立一个智能互联网。事实上,我们早已迈出了智能网络系统的第一步——例如,Siri。事实上Siri并不是一个孤立的应用程序——用户每次使用Siri的时候,它都会把请求集中发送到一个AI核心系统之中进行分析处理,之后才会将人们所表达的命令以数据信息的形式返回到Siri中,Siri再为用户提供相应的服务。随着AI技术发展,越来越多的人工智能助手涌现出来,如果它们之间能够相互合作的话,将会极大的提升服务效率。

  AI也将为设计师和程序员带来了便利——自动化操作模式下,AI能够按照他们的要求自动完成相应的设计和编程工作。对于这种AI导向型的交互设计或项目,人们的满意度将会更高——因为AI系统能够在其他用户与程序的交互过程中自动学习,并在设计层面加以优化,提升用户使用体验。

  预测9——在分布式计算上的突破将能够充分发挥AI的潜力

  在未来,单个CPU将无法应对人工智能对于处理速度的需求。目前,AI的处理需求也已经被分配给了一个或多个数据中心里的的多台计算机中——通过并行算法,AI能够调用数百台计算机内的图形处理单元(GPU)进行处理。不过,这种规模化的计算能力才刚刚起步,目前仍然需要更多的技术突破,才能真正发挥出这种计算矩阵的全部潜力。人们也正在研究诸如量子计算等效率更高的新的计算方法。
发表评论
用户反馈
客户端