-
-
程序小仙女 小试身手Lv3
发表于2019-4-4 16:49
楼主
本帖最后由 程序小仙女 于 2019-4-4 16:49 编辑
小编有话说：行业分析机构CBInsights发布了《Artificial Intelligence Trends in 2019》，报告展望了25种AI的发展趋势，运用CBInsights的NExTT分析框架，从行业采用度和市场优势两个维度对其进行归类，供大家参考学习。小编为所有关心人工智能发展趋势的人翻译了这份报告，这是第三篇，因水平有限，若有错误，欢迎指正。
试验
胶囊网络
如今，大多数人工智能应用程序都采用了深度学习。现在有了胶囊网络，这种技术将可能会得到进一步的改进。
谷歌的杰弗里·辛顿(Geoffrey Hinton)是深度学习领域的先驱研究员。早在2011年，他就在一篇论文中引入了一个名为“胶囊”的新概念，他认为“目前的图像识别方法效果不佳，使用的方法在智能度上不令人满意。”
辛顿提到的这些“方法”包括当今深度学习中最流行的神经网络架构之一，即卷积神经网络(CNN)。尽管CNN在图像识别方面的应用尤其迅速，但是它也有不足之处(详见下文)。
辛顿在2017-2018年间发表了两篇关于“胶囊网络”(CapsNet)的论文，这是一种新的架构，有望在多个方面超越CNNs。
如果不深入研究，CNNs在精确的空间关系方面就会失败。就像下图这张脸，虽然嘴的相对位置与其他面部特征不相符，但CNN仍会将其识别为人脸。
尽管有一些方法可以缓解上述问题，但CNNs的另一个主要问题是无法理解新观点。
“既然卷积神经网络已经成为物体识别的主流方法，那么我们有理由问一问，是否存在指数级的低效能导致它们的消亡。一个很好的候选者是卷积网在概括成新颖观点方面存在的困难。”
——关于胶囊间动态路由的论文
例如，CapsNet在识别第一和第二行玩具的图像时做得更好，它们属于同一个对象，只是从不同的角度或角度拍摄的。CNNs需要更大的训练数据集来识别每个方向。
(上面的图片来自一个名为smallNORB的数据库，其中包含50个玩具的灰色图像，属于5个类别之一:四足动物、人体、飞机、卡车和汽车。辛顿的论文发现，与其他算法方法相比，在该数据集上进行测试时，CapsNets的错误率降低了45%。)
辛顿声称，胶囊网络经过了一些复杂的对抗攻击测试(通过篡改图像来混淆算法)，结果发现其性能优于卷积神经网络。
黑客可以引入一些小的变化来愚弄CNN。谷歌和OpenAI的研究人员通过几个例子证明了这一点。
其中一个比较流行的例子是，capsnet在2015年由谷歌的伊恩·古德费罗和其他人撰写的论文中进行了测试。如下图所示，一个对人眼不易察觉的微小变化意味着图像会产生一个神经网络，识别出熊猫是一种长臂猿，一种高度自信的类人猿。
胶囊网络的研究还处于起步阶段，但可能会挑战目前最先进的图像识别方法。
下一代修复术
非常早期的研究正在兴起，结合生物学、物理学和机器学习来解决假肢中最困难的问题之一：灵活性。
DARPA已经花费了数百万美元在高级假肢项目上，该项目于2006年与约翰霍普金斯大学合作，帮助受伤的退伍军人，但这个问题是一个需要解决的复杂问题。
例如，让截肢者能够在假肢臂中移动单个手指，解码自发运动背后的大脑和肌肉信号，并将其转化为机器人控制，这些都需要采用多学科方法。
正如Megan Molteni去年发表在《连线》杂志的一篇文章中解释的那样，举一个弹钢琴的简单例子：经过反复练习，和弦变成了“肌肉记忆”，但假肢不是这样工作的。
最近，研究人员开始使用机器学习来解码来自身体传感器的信号，并将它们转换成移动假肢设备的命令。
约翰霍普金斯大学的应用物理实验室正在进行一个关于假肢神经接口的项目，使用“神经解码算法”来实现这一点。
去年6月，来自德国和伦敦帝国理工学院的研究人员使用机器学习来解码截肢者残端的信号，并为计算机供电以控制机器人手臂，关于“脑机界面”的研究发表在Science Robotics上。
其他一些论文探索了中间的解决方案，比如使用肌电信号(残肢附近肌肉的电活动)来激活相机，以及运行计算机视觉算法来估计在他们面前的物体的抓取类型和大小。
“人工智能假肢挑战赛”是NeurIPS’18(一个领先的年度机器学习大会)的竞赛项目之一，进一步凸显了人工智能社区对该领域的兴趣。
2018年的挑战是使用强化学习来预测假肢的性能(关于强化学习的更多信息见本报告的以下部分)。研究人员使用一种名为OpenSim的开源软件来模拟人体运动。
去年的重点是“学习跑步”，有442名参与者试图教人工智能如何跑步，赞助商包括AWS、英伟达(Nvidia)和丰田(Toyota)。
来源互联网
