close
編者註：目前，一個程序功能的實現是由一行行代碼來完成的，它的每一步都需要人工的精確控制。然而不久的將來，程序或許能夠像生物的生理過程一樣“自我修復、成長和復制”，甚至可能出現自我意識，那個時候，人類與計算機之間的關系會變得更加微妙。
“深度神經網絡”這個詞現在越來越受互聯網的關註，它的核心是通過對大數據的分析來代替人類思維去做各種決策。目前像這樣子的“人工智能”系統已經普遍存在於互聯網的各項服務當中，這在前幾年還是不可想象的事情。例如照片中的人臉識別、語音命令識別、對話翻譯。這些我們都比較熟悉瞭，在網上討論比較少的是：科技巨頭是如何建立這些相當瞭不起的AI引擎的？
首先一點，這些科技巨頭對這方面的相關人才肯“花血本”，即願意為其支付高額的薪水，因為具有這方面才能以及受過嚴格專業訓練的人才在全世界隻有幾百人，可謂是鳳毛麟角，這也理所當然的成為瞭人後級換電容音響後級系統工智能發展的瓶頸。當然，這並不是唯一的因素，從另外一個角度來說，即使是這方面的大牛也不能保證在編寫一個復雜的服務程序時不會出現bug。
為瞭建立“深度神經網絡”從而攻克下一個AI的難題，研究人員首先需要嘗試大量的建立方法（當然絕大部分都是無效的），光這個步驟就要讓上百臺計算機進行大量且復雜的運算。
“我們的目標是期望能夠在問題的處理上給予計算機一些解決思路，讓計算機自己建立具體方法去尋找問題的答案。”谷歌DeepMind重低音一定要裝電容嗎的聯合創始人傑米斯.哈薩比斯說道。值得一提的是，這個天才少年開發的AlphaGo圍棋機器人在2016年的人機大戰中戰勝瞭韓國圍棋冠軍李世石。
這就是為什麼眾多互聯網巨頭不斷嘗試讓計算機學會自我測試以及自我修復bug功能。如果能做到這點，就能將最新的機器學習理論向普通工程師推廣，而那些天才大腦就有更多的時間去研究更深的理論和更復雜的難題。這將促進AI的發展進程以及基礎服務質量的提升。
換句話說，為瞭提高效率，計算機必須能自我處理大量的枯燥的工作。互聯網巨頭們正在試著建立一個機器學習系統，能夠代替工程師檢測問題發生的各種可能性。不過現在這些公司正在做一些更有野心的事情，即建立一個能夠創造AI算法的AI系統。這並不是開玩笑，Facebook的工程師設計瞭一個叫做“自動機器學習工程師”的程序，這就是一個“能創造AI算法的AI系統”。當然，作為一個新生事物，這個程序還存在不少的缺陷。
感受“Flow”
在Facebook於2012年上市之後，Hussein Mehanna和Facebook廣告團隊的工程師在廣告定位上感受到瞭成倍的壓力，因為他們需要將廣告與Facebook社交網絡中大量的用戶精確匹配。而深度神經網絡和其他機器學習算法能夠更好的幫助分析Facebook所搜集的用戶信息以及他們的行為模式。
Mehanna表示，Facebook的工程師在AI方面上創新的想法層出不窮，但如何有效測試這些想法卻是一個難題，所以他和他的團隊發明瞭一種名為“Flow”的測試工具。“我們期望建造一個機器學習裝配線，以供所有Facebook的工程師使用。”Mehanna說道。Flow的目的是為瞭幫助工程師建造、測試以及嘗試在一個復雜的模型中執行機器學習算法，這是一個應用廣泛的技術，涵蓋瞭所有能夠完成自我學習的服務，也包括任何形式的機器學習技術。
基本上，工程師能很輕易測試公司龐大數據中心裡層出不窮的想法。他們能運行測試各種算法的可能性，這些算法不僅包括深度學習系統，也包括其他形式的AI，例如邏輯回歸、增強型決策樹等等，而測試的結果又會衍生出更多的想法。“理論上你測試的想法越多，結果就越好。”Mehanna說道。這也意味著工程師可以輕易地重復使用別人建造的算法，並將算法微調之後應用到別的任務中去。
不久之後，Mehanna和他的團隊升級瞭“Flow”並在公司全面推廣。在其他團隊中，“Flow”有助於產生各種各樣的算法：為Facebook News Feed上挑選相應的鏈接，實現朋友圈中照片的人臉識別，為照片配上音頻說明以便盲人也能夠理解其中的內容，甚至幫助Facebook確定世界上的哪一個區域還需要接入互聯網。
Mehanna 說道，在“Flow”的幫助下，Facebook每個月大概可以測試30萬個機器學習模型。曾經的Facebook每60天才能放一個新的AI模型到社交網站上去測試，而現在每周都能增加幾個新模型。
下一個前沿
這個想法遠遠比Facebook本身更重要。它被全世界的各個深度學習研究團隊共同采納。例如就在上周，Twitter收購瞭一傢叫WhetLab的初創企業，WhetLab主要的研究方向就是深度學習和機器學習。最近，微軟也透露瞭他們的研究人員是如何使用一個系統去測試海量潛在的AI模式的。微軟研究人員Jian Sun把它稱作“人工輔助搜索”。
Mehanna和Facebook希望加快進度。Facebook計劃將 “Flow”與全世界共享，Linkedin、Uber、以及Twitter等公司已經表明瞭對這個工具的興趣。Mehanna和他的團隊也開發瞭一個名為AutoML的工具，能夠為工程師減輕更多的負擔。它能在Flow運行的同時自動清除用於訓練神經網絡和其他機器學習算法的數據，不需要任何人工幹涉。Mehanna甚至設想它能夠自動搜集數據，更有趣的是，AutoML可以使用AI去新建AI系統。
就如同Mehanna之前所述，Facebook每個月能夠訓練和測試30萬種機器學習模式。AutoML能使用測試的結果去訓練另外的模式，以優化訓練過程。是的，這件事看起來就如同《盜夢空間》那樣不靠譜，但它確實可行。整個系統能夠自動選擇可能性最大的算法和參數。“這幾乎就能在訓練和測試之前去預測結果，”Mehanna說道。
在Facebook廣告小組內部，工程師們甚至打造出瞭名為Asimo的“自動機器學習工程師”，這個系統也被推廣到瞭整個公司。有的時候，Asimo可以自動增強和改良現有的模型，並立即運用到網絡中。“現在它還不足以發明一個新的AI算法，”Mehanna說道“但如果沿著這條路繼續走下去的話，誰知道呢？或許將來就可行瞭。”
這是一個很有趣的想法，這個想法幾十年來一直吸引著科幻作傢們的眼球，即“讓人工智能復制自己”。雖然Asimo並不會像科幻電影《終結者》中的“天網”那麼先進或者具有威脅，但這卻是走向未來世界的一大步。在未來開發AI的領域中，不僅有最頂尖的大腦，甚至會有一些“非人類智慧”的參與。
本文來源：獵雲網
責任編輯：王先_NT4913
- 汽車音響電容價錢 【Mobile01專家分享】汽車後級安裝哪裡找呢？專家分享專業廠商
- 後級擴大機推薦 低音喇叭電容該如何升級～專家告訴你
- 擴大機電容器 【Mobile01專家分享】音響後級系統該如何規劃呢？專家分享告訴你～
AUGI SPORTS｜重機車靴｜重機車靴推薦｜重機專用車靴｜重機防摔鞋｜重機防摔鞋推薦｜重機防摔鞋
AUGI SPORTS｜augisports｜racing boots｜urban boots｜motorcycle boots
全站熱搜
留言列表
