2016-03-09 | 조양준

以“深度学习”进化的人工智能…结合大数据挑战人脑

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

Facebook运用深度学习技术开发的人脸识别算法“DeepFace”识别美国好莱坞影星史泰龙面部的情形。在识别照片中的人脸后,将眼、鼻、口、眉等特征形象化并作为数据记忆,当输入同一人物的照片时便据此判断出这是“史泰龙”。/资料来源=Facebook 计算机以深度学习技术将照片中的情形用句子表述出来。深度卷积神经网络(Deep CNN)识别图像中的要素,再通过循环神经网络(RNN)转换为语言,表述为“人们正在市场上挑选商品”“菜摊上摆着许多蔬菜”等句子。/资料来源=Google 从既有人工神经网络技术

通过“无监督学习”方式自行分析并判断信息

蜕变为深度学习技术

运用海量数据,加之图形与语音识别

媲美人类判断能力

是在模仿人类,还是正在超越人类。以Google开发的人工智能(AI)程序“AlphaGo”与李世石九段的对局为契机,人们对人工智能究竟是什么、其演进过程如何的关注度不断升高。事实上人工智能早在20世纪50年代就被首次构想,是一项历史悠久的技术。但随着算法演进到计算机能够自行把握事物特征的水平,并与作为计算机判断基础的海量数据(大数据)相结合,人工智能在最近二三十年间已发展到媲美人类判断能力的水平。软件政策研究所所长金振亨表示:“随着计算机可参考的数据量变得极为庞大,人工智能的‘力量’也随之变大。”

像AlphaGo那样,计算机基于算法分析数据并给出特定结果的人工智能技术就是深度(deep)学习。深度学习是机器自行学习数据的技术——机器学习(machine learning)的一种,其特点是模仿人类大脑的神经网络作为运行原理。深度学习的前身是名为人工神经网络(artificial neural network)的技术,人工神经网络利用与大脑神经元(神经系统单位)相似的信息输入输出层,以及多个隐藏层来学习数据。

虽然通过人工神经网络成功将人类大脑的复杂性部分移植到计算机上,但问题在于算法本身过于复杂,难以得出最优值。即便是高度发达的计算机技术,如果给出荒谬的结果值也只是无用之物。

差点成为无用之物的人工神经网络,在2006年加拿大多伦多大学杰弗里·辛顿教授提出无监督学习(unsupervised learning)方式后,蜕变为如今的深度学习。此前是由人直接把“苹果是红色的圆形物体”“箱子是方形的六面体”这类“已定义”的信息输入计算机的“监督学习”,而无监督学习则是在不作特定定义的情况下把苹果和箱子的全部特征都输入,让计算机自行加以区分。通过这一过程,计算机会训练分析所输入信息之间的相关关系、把相似者归为一类,自然而然地具备信息选择能力。AlphaGo同时应用了围棋专家的监督学习和AlphaGo自身的无监督学习。除此之外,最近还引入了由计算机自行提取对象特征的卷积神经网络(convolutional neural network)技术。即由计算机直接把握苹果“红色而圆”的特征。

判断能力大幅提升的深度学习,遇到大数据这一催化剂后取得了令人瞩目的成长。韩国人工智能技术初创企业Cldi代表白承旭表示:“大数据可以把深度学习这类多层结构神经网络将信息一般化的能力提升到最大限度”,“比起改进算法,大数据反而是更能提升深度学习性能的因素。”

高性能图形处理装置GPU(Graphics Processing Units)的通用化也为深度学习的演进立下一功。缩短照片中图形运算速度的装置GPU如今已能装入智能手机,应用范围大为拓宽,计算时间与过去相比缩短至数十分之一。

大数据与深度学习、以及提升的计算性能的组合正带来耀眼成果。最近计算机通过照片图像识别事物的准确率已高达95%以上,甚至出现了解析照片本身并将其生成句子的技术。

语音识别也是深度学习算法大幅改善性能的领域之一。仅凭听声音就判断出是谁的声音,其概率已跃升至95%左右。包括Samsung Electronics的S Voice在内,苹果iPhone的语音识别人工智能“Siri”、微软(MS)的Cortana等知名语音识别服务均应用了深度学习。

/赵养俊记者 mryesandno@sed.co.kr

阅读韩文原文