人工智能大众化的必经之路：机器学习

猎云网 • 5年前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

近年来，随着人类在计算能力上取得的巨大进步，以及新计算机算法的发现和标记数据的增加，人类对神经网络（一种具有学习能力的人工智能系统）的研发工作也是蒸蒸日上。此前，各种相关的研究活动还不十分活跃，神经网络的实际应用也是十分有限的。

近几年的诸多研究，使得神经网络的广泛应用成为了可能，但由于机器学习模型仍需要繁琐的计算工作，导致它在奔向主流的路上重重受阻。而现在，新算法的出现，正高效地将神经网络推向更传统的应用领域。

神经网络，是当前计算机科学研究领域的一个焦点。其创造灵感来自于复杂的人类生物学，在大多数可想到的用例中，生物学的应用都优于计算机的应用。

虽然计算机在存储信息和快速处理方面表现出色，可人类却更善于有效地利用其有限的计算能力。诚然，计算机每秒能进行数百万次计算，这是人类无法企及的；但同样，人脑的效率也是计算机无法企及的，它的效率比计算机要高上万倍。

但另一方面，计算机在复杂算法上的缺陷，在其对持续变化的数据的高效处理能力上也得到了弥补。

不过，其强大的计算能力也是有缺陷的，那就是价格。即使近来计算机计算的成本大幅下降，但机器学习这一块的费用还依旧十分高昂，使得大部分个人、企业和研究人员望而却步，他们往往都是依靠昂贵的第三方服务来进行实验。由于计算的复杂性，就算是一个很普通的聊天机器人，其成本也可能在几千美元到一万美元之间。

神经网络架构搜索

科学家们一直在研究各种技术，想要降低机器和深度学习应用方面的时间和资金成本。

计算领域对软件和硬件的要求都很高，高效的算法和设计优良的硬件都是优先考虑的，但硬件开发却十分耗时耗力的，这也促使着众多研究人员为其设计自动化解决方案。

科研人员目前在软件和硬件方面都取得了进展。当前神经网络应用中最常用的技术就是神经网络架构搜索（NAS），不过，其在设计神经网络方面的高效率也伴随着计算方面的高成本。NAS技术可以被认为是迈向自动化机器学习的前提。

麻省理工学院（MIT）在这一领域进行了大量研究，其在一篇论文中，向我们展示了一种更为高效的NAS算法，该算法可以学习卷积神经网络（CNN），用于特定的硬件平台。

研究人员通过“删除不必要的神经网络设计组件”，利用特定的硬件平台（包括移动设备），成功地提高了效率。实验表明，新型神经网络的速度几乎是传统模式的两倍。

这篇论文的作者之一Song Han，同时也是麻省理工学院微系统技术实验室的助理教授，他表示他们的目标就是让人工智能大众化。

他们希望通过特定的解决方案，能让人工智能专家以及非专家通过一个特定的硬件平台，高效地参与神经网络架构的设计，减轻设计和改进神经网络架构时的重复而单调的工作。

此外，值得一提的还有其他的技术，比如机器学习算法。与在资源密集型控制环境中计算不同，机器学习算法可以通过在专门设计的硬件上运行，从而降低功耗。

另外，不列颠哥伦比亚大学（UBC）的研究人员发现，现场可编程门阵列（FPGA）在机器学习应用程序上速度更快、功耗更低。除了通过专门的硬件使机器学习更省钱省时，FPGA还可以使那些技术水平较低的人更容易使用深度神经网络（DNN）。

FPGA与高层次综合（HLS）的结合使用，可以实现“自动设计硬件”，这样就无需专门设计硬件来测试机器学习推理解决方案是否有效了。这样一来，在针对各种用例时，应用程序的投入使用就变得更加快捷。

在参考了HLS和FPGA的使用以后，其他研究人员还考虑将FPGA用于特定的DNN子集，即卷积神经网络（CNN），该技术拥有优良的图像分析能力，通过对动物的视觉皮层的研究获得灵感。

为了进一步展示其多样性，一些研究人员还着眼于DNN的应用来进行与工程任务相关的自动化设计。

Agent 001：机器学习代理

机器学习研究领域还有很长的路要走。Robert Aschenbrenner是神经网络和机器学习方面的研究人员，他指出该技术即将发生转变，同时还强调了机器学习代理工具将如何提高其性能和算法。

Aschenbrenner表示，现今的自动化工具在很大程度上是孤立的，被分割到各种不同的领域。一个网站聊天机器人一般不会与客服人员互动，除非其有特定的编程，多数情况下，聊天机器人只是按照自己的内部程序运行，没有指令就不会改变运行方式。

机器学习代理工具会通过我们的工作方式，收集和挖掘历史数据，寻找自动化发展的机会。然后，人工智能工具将以自动化流程改变的形式假定解决方案，模拟展示这些改变将如何提高生产力，或是带来更好的业务成果。

计算能力训练

想要让一种算法能像人类或任何动物那样去学习，还有很多工作要做。

Aschenbrenner列出了人类相对于机器仍有优势的五个主要领域：视觉、无监督/强化学习、可解释模型、推理和记忆以及快速学习。

尽管人工智能在这些方面有了很大进步，但人类在快速学习方面的能力仍然要强大得多，而且不像机器那样，需要明确标注的数据来下达指令。

人类拥有很强的推理能力，能在看似不相干的想法之间找到联系，但机器目前仍无法完全独立地进行紧急学习。

虽然机器学习算法在神经网络领域有很多应用，但是它的基本使用范围扩大，也就意味着在未来，它的应用将超乎想象。

迅速发展的人工智能不断被投入实际应用，但是人工智能的普及取决于快速设计的硬件和软件解决方案，这些解决方案也具有上述的资源效益。