对AI发展轨迹、趋势、技术需求分析 以创造更有用的AI和容易实现的目标.doc

《对AI发展轨迹、趋势、技术需求分析 以创造更有用的AI和容易实现的目标.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、对AI发展轨迹、趋势、技术需求分析以创造更有用的AI和容易实现的目标　　在2018年及其以后，深层神经网络和机器学习在更大的人工智能（AI）领域会如何发展？我们如何能开发出越来越复杂的机器以在日常生活中帮助人类？　　这些都是普渡大学机器学习硬件教授尤金尼奥·库鲁尔塞罗(EugenioCulurciello)关注的问题。请注意，本文的重点并非有关AI的预测，而是对该领域发展轨迹、趋势以及技术需求的详细分析，以帮助创造更有用的AI。当然，并非所有的机器学习都是针对AI的，还有些其他容易实现的目标，下面我们

2、就仔细审视下。　　目标　　AI领域的目标是通过机器上实现人类和超人的能力，以便让它们在日常生活中帮助我们。自动驾驶车辆、智能家居、人工助理以及安全摄像头将是植入AI技术的首批目标，家庭烹饪和清洁机器人、无人侦察机和机器人则是第二批目标。　　对AI发展轨迹、趋势、技术需求分析以创造更有用的AI和容易实现的目标　　在2018年及其以后，深层神经网络和机器学习在更大的人工智能（AI）领域会如何发展？我们如何能开发出越来越复杂的机器以在日常生活中帮助人类？　　这些都是普渡大学机器学习硬件教授尤金尼奥·库鲁尔塞

3、罗(EugenioCulurciello)关注的问题。请注意，本文的重点并非有关AI的预测，而是对该领域发展轨迹、趋势以及技术需求的详细分析，以帮助创造更有用的AI。当然，并非所有的机器学习都是针对AI的，还有些其他容易实现的目标，下面我们就仔细审视下。　　目标　　AI领域的目标是通过机器上实现人类和超人的能力，以便让它们在日常生活中帮助我们。自动驾驶车辆、智能家居、人工助理以及安全摄像头将是植入AI技术的首批目标，家庭烹饪和清洁机器人、无人侦察机和机器人则是第二批目标。　　　　其他目标还有移动设备上

4、的助理，全职陪伴助理（可以听到和看到我们的生活经历）。而AI领域的终极目标是打造完全自主的合成实体，它可以在日常工作中以相当于人类或超越人类的水平行事。　　软件　　在这里，软件被定义为通过优化算法训练的神经网络构架以解决特定的任务。今天，神经网络是用来学习解决问题的实际工具，其中涉及通过大数据集进行分类学习。但这并不是全部AI，它要求在现实世界中，在没有监督的情况下学习，也要吸取以前从未见过的经验，常常需要把以前学到的知识结合起来以解决当前的挑战。　　如何让目前的神经网络演变成AI？　　神经网络架构：

5、几年前，当神经网络架构发展起来的时候，我们经常认为从数据中自动学习算法的参数拥有巨大优势，而且这比手工编写的算法功能更强大。　　我们必须尝试从头开始训练多个架构，并看看哪一个最有效。这就是我们今天使用的、非常耗时的试错过程!我们应该克服这一限制，并在这个非常重要的问题上多加思考。　　　　无监督学习：我们不能总是干预神经网络，引导它们的每一次体验。我们不能在每个实例中都纠正它们，并提供它们的性能反馈。我们的生活也要持续下去！　　但这正是我们今天利用受监督神经网络所做的：我们为每个实例提供帮助，使它们能够

6、正确执行。相反，人类只需从少数几个例子中学习，并且能够以连续的方式自我校正和学习更复杂的数据。　　预测神经网络：目前神经网络的一个主要局限是它们没有人类大脑最重要的特征之一，即预测能力。关于人脑如何工作的一个主要理论是它能不断地预测，即拥有预测代码。　　如果你仔细想想，就会发现我们每天都在使用它。你提起一个自认为很轻的物体，但结果它却很重。这会让你感到惊讶，因为当你接近它的时候，你已经预测它将如何影响你和你的身体，或者你的整体环境。　　或者，在现代世界里，当我们匆忙出门时，我的手机落在哪里。构建预测神

7、经网络是我们与现实世界互动的核心，并能在复杂的环境中发挥作用。因此，这是任何强化学习的核心网络。　　当前神经网络的局限性：无法预测，无法解释理由，以及暂时的不稳定性，因此我们需要一种新的神经网络。神经网络胶囊（NeuralNetworkCapsules）就是解决当前神经网络局限性的一种方法，但我们认为它必须有些额外的特点：　　　　1、视频帧操作：这很简单，因为我们需要做的就是让胶囊路由查看最近时间的多个数据点。这相当于在最近的重要数据点上建立起关联内存。请注意，这些不是最近帧的最新表达，而是它们最新的

8、不同表达。　　可以通过仅保存与预定义值不同的表达来获得不同内容的不同表达。这个重要的细节只允许保存最近历史上的相关信息，而不是一系列无用的相关数据点。　　2、预测神经网络能力:这已经是动态路由的一部分，它迫使各层预测下一层表达。这是一种非常强大的自我学习技巧，在我们看来，它胜过了我们在社区中发展的所有其他非监督表现学习。胶囊现在需要能够预测长期的时空关系，但目前还没有实现。　　转移学习：或者称我们如何让这些算法通过观看视频自学，就像我们学习如何烹饪新的东