與楊立昆博士和張智威博士探討AI

文章推薦指數: 80 %
投票人數:10人

與楊立昆(Yann LeCun)博士和張智威(Edward Chang)博士探討AI ... 幾個星期前,我們獲邀見證了兩位全球最具影響力的意見領袖對AI的開放式討論。

透過傳統座談會的形式, ... SkiptomaincontentSkiptoprimarysidebarSkiptofooterHome»威盛新聞»與楊立昆(YannLeCun)博士和張智威(EdwardChang)博士探討AI 幾個星期前,我們獲邀見證了兩位全球最具影響力的意見領袖對AI的開放式討論。

透過傳統座談會的形式,活動由威盛嵌入式事業部總經理吳億盼主持。

座談會於HTC台北總公司舉行,贊助商包括宏達電、DeepQ、Vive、威盛電子及TVBS。

主要座談參與人員包括全球知名的楊立昆博士,這位法裔美籍電腦科學家主攻機器學習、電腦視覺、行動機器人和計算神經科學。

也許最值得注意的是,他同時也是Facebook的首席AI科學家。

除了楊立昆博士和億盼之外,參與座談的還有張智威博士這位資料導向深度學習的先驅。

目前張博士擔任宏達電健康醫療事業部(DeepQ)總經理,也是史丹佛電腦科學系的客座教授。

以下為座談會中所討論到的部分有趣話題(註:非讀者可跳至觀賞完整影片)。

電腦如何學習?何謂自我監督式學習? 座談會一開始,億盼問到目前AI發展狀況,以及自我監督式學習的起源與影響。

楊博士提到,近年來AI得以更迅速發展的原因在於深度學習的成功,一種由大型資料集可用性和目前現代GPU(圖形處理器)所具備的處理功能直接造成的現象。

現在面對的挑戰並非擁有足夠的計算功能(從歷史觀點來看,這是阻礙進步的重要因素),而是我們在AI系統中所使用的學習類型相關問題。

基本上,我們用以教導機器的學習範例效率比不上比人類所使用的。

在談到「自我監督式學習」的概念前,讓我們先檢驗一下目前AI應用中所使用的重要範例;「監督式學習」和「強化式學習」。

監督式學習與教導或訓練機器將影像分類有關,例如區分貓、狗和桌子。

這個過程包含了向機器展示上千個貓、狗和桌子的範例。

當機器無法做出正確回答時,人類會修正機器,讓所產生的答案更接近正確解答。

所以你用這種方式給電腦正確的解答。

強化學習的運作則有些不同。

你不會告訴機器正確的答案,你會告訴它答案是好或壞,然後機器必須透過不斷嘗試與修正錯誤,以找出最佳解答。

但是這兩種方式的效率都相當低,因為兩者都需要大量互動、大量嘗試和相當多的樣本。

楊博士舉了一個他在Facebook的工作為例,AI使用監督式學習和大約40億張照片的資料集進行訓練。

這是Facebook得以組織與了解你的消息來源、目的是顯示你可能感興趣的事物,或你可能會想買的產品的基礎。

純粹靠資料集規模和所涉及的上百萬互動來實現。

強化學習的效率可能更差。

例如要玩1980年Atari這種經典電玩的話,使用強化學習的電腦會需要80至100個小時的練習,才能達到人類在約15分鐘就能達到的成果。

儘管機器終究會勝過人類,但也代表著試錯過程需要非常長的時間。

讓我們將此應用至自駕車開發上。

將這兩種常見技術用於教導車輛自行駕駛完全是不切實際的。

車輛必須行駛上百萬個小時、發生上萬次意外、掉下懸崖,或甚至撞死行人以做為學習流程的一環,顯然這在現實世界是全然不切實際的。

所以,為什麼人類可以在約20到30小時的練習後就掌握基本駕駛技巧,而且不會造成任何意外呢? 人類腦海中有個世界的模型,而且我們瞭解世界如何運轉。

若車子接近崖邊,我們可以推斷車子會衝出懸崖並造成災難性後果。

我們擁有可以預測會發生壞事的預測模型。

預測模型並非全然仰賴經驗資料。

自我監督式學習試圖解決這項問題,給予電腦世界的模型,使其可對後果做出準確預測。

人類如何學習?機器是否可以運用相同技巧? 億盼提到,儘管成功的AI看似擁有近乎神奇的特質,但是一般學步者更能掌握周遭世界。

提到自我監督式學習的重要性,楊博士首先主張嬰兒和動物都擁有與生俱來的能力,能夠建立對周遭世界的瞭解。

這主要都是以從觀察周遭世界所獲得的大量世界運轉方式背景知識累積為基礎。

最終,這讓嬰兒建立起我們所謂的「常識」,或「填空」的能力。

為了更進一步說明,楊博士提醒了在座的每個人,儘管現在我們無法看見他的背部,或他正前方的地板區域,但是我們都能推斷出他背部的樣子,因為我們以前已經看過很多背部了。

同樣地,我們可能也能正確推斷出後方地板看起來跟前面的地板很像。

接著,他利用語言和例句「John拿起他的包包後離開了會議室」當做第二個例子。

從這個句子我們可以立刻推斷出許多資訊,John可能在工作、他用手拿起包包、他正在步出房間、他正在開門等等。

我們可以推斷出許多也許不是那麼明顯的事情,例如John可能是位男士、他不會從房間消失、他不會飛起來,而且他也不會用念力把包包拿起來。

我們也知道,一旦他離開了房間,他就不會再出現在房間內,因為John無法同時出現在兩個地方。

掌握世界運作的背景知識讓我們能夠以高度準確性做出這些推斷。

身為人類,我們將此視為理所當然,但實際上我們必須學會所有這些事情,包括世界是立體的、世界中有物體存在的事實,我們在出生的幾個月內所學習的所有事情。

我們如何讓機器學習這些?我們如何賦予機器發建立「常識」所需的大量知識? 類人智慧是怎樣的? 接著億盼將探討主題轉移至類人AI、與其之間的巨大落差,和目前我們所達到的成就。

她詢問專家小組是否能舉出實現一個類人智慧的務實目標。

楊博士一開始提到他認為類人AI是比通用人工智慧(AGI)更恰當的詞彙,儘管AGI在部分領域相當流行,其實這完全是個誤稱,因為人類智慧其實是非常特殊,不應視為通用。

他提到我們通常無法體會到自己的智慧有多特殊,因為我們沒有辦法辨識自己所沒有的智性能力。

所以我們很有可能認為自己的智慧有點普通,但實際上並非如此,我們是非常特殊的。

以AlphaGo這個針對圍棋這項熱門競賽而開發的AI為例。

在AlphaGo證明其競爭優越性後,全球眾多人類高手被迫承認自己落後這項特別針對圍棋競賽而開發的AI許多。

因此人類並不像我們通常自以為的那麼聰明。

AI可以在許多窄領域比人類更為優秀,但這些仍然範圍有限,例如開車領域就是尚不可及的一種。

楊博士接著表示了他個人對於某天機器智慧將會在所有人類都很聰明的領域超越人類的堅強信念。

不過,他對於某天AI會掌握世界的想法加以駁斥,比如我們常在科幻小說/電影中所看到的。

他主張統治的欲望與智慧並無關聯,事實上大部分的智慧生物並沒有支配欲望。

大部分的理性人類通常很少此類需求,或甚至根本沒有欲望擔任最高統帥。

將人類大腦作為AI模型 億盼詢問專家小組類人AI發展所欠缺的部份。

張博士一開始指出目前我們利用CNN(卷積神經網路)實現了某種程度的感知。

例子包括了影像辨識和自然語言處理。

 我們也知道人類大腦有四個不同腦葉,感知僅由前額葉管理,其他腦葉則管理記憶、知識等。

最近神經科學發現,儘管各個腦葉的功能不盡相同,但是以心理學上來說它們相當類似,與神經網路最為相似。

某些科學家相信,利用具備四個腦葉的運算模型有助於我們更接近類人智慧。

張博士同時也提出如何僅使用神經網路建構知識的問題。

直覺告訴我們,知識是由自然語言所呈現。

當我們想到知識時,我們會想到一座大型圖書館、會想到書籍。

人類之所以與動物不同,是因為我們能透過自然語言累積知識。

書籍中包含自然語言與照片或影像。

若我們能模仿這些資訊並試著與感知融合,也許這會是一個有趣的探索方向。

語言、智慧與思維 雖然楊博士贊同,但是他也指出這帶出了語言是否是智慧的必要元素這個相當有趣的問題。

許多智慧動物物種不使用語言,例如紅毛猩猩使用非常少的語言,且不常與對方溝通,然而他們瞭解使牠們能夠建造工具和房屋的抽象概念。

他認為,我們在假定語言在思維中扮演必要角色時必須謹慎,尤其是因為我們有很強烈的衝動這樣做。

對我們來說,重要的是謹記有不需要語言的智慧形式。

張博士接著提到目前基因組學領域的進展,顯示虛擬資訊可如何透過基因學傳遞。

當我們出生時,並非如一張白紙,人生可能透過基因組學開始,基因組學可說明如飢餓概念等我們稱之為先前知識的某種知識,或埋藏在DNA中的直覺。

——————————————————————————- 座談會接著探討各種有趣話題,包括動物與人類智慧間的差異、人類大腦結構、世界各地所運用的各種AI開發方式、GDPR背景下的資料主題、政府角色等。

請觀賞以下楊立昆博士和張智威博士所蒞臨的座談會影片: 圖片來源。

PreviousPost:«威盛受邀《CTalk》高端系列訪談:加大智慧駕駛佈局NextPost:自駕車光達壽終正寢…伊隆·馬斯克是否正確?»PrimarySidebar你在找什麼? 分類 威盛發佈 威盛視角 官方新聞 11 5月 運用威盛Mobile360堆高機安全系統偵測堆高機操作員的疲勞狀態 駕駛堆高機是一項要求很高的工作,由於工作的重複性,加上必須在日益緊迫的期限下趕工的無情壓力,很容易導致操作員疲勞和分心。

不過,即使是操作員因疲勞或快速瞥一眼智慧手機所導致的暫時注意力不集中,也可能導致嚴重後果,例如與無意中走近車輛的行人發生碰撞。

了解更多 16 3月 威盛Mobile360堆高機安全系統新亮點—速度及倒車感測器套件組 我們很高興宣布推出適用於威盛Mobile36堆高機安全系統的新特點:速度及倒車感測器套件組。

該套件組專為繁忙[…] 了解更多 17 2月 憑藉威盛SOM-9X35入門套件組,加速邊緣AI設備的上市時間 此入門套件組採用具彈性高性能平台,搭載四核MediaTeki350處理器,並配置7吋LCD面板及觸控螢幕、1300萬畫素HD攝影鏡頭模組、兩個喇叭和一個麥克風,為快速設備開發提供嚴密整合的套件組。

了解更多 與我們聯繫 威盛電子報 聯繫我們 技術支援 Footer聯絡我們 臺北總公司 新北市新店區中正路533號8樓   +886-2-2218-5452 威盛新聞 關於我們 威盛電子股份有限公司 解決方案 交通運輸 計程車及共乘服務商務配送服務運輸和載貨服務特殊車輛執法單位最後一哩路Back 智慧工業 威盛智慧工廠目視檢測解決方案威盛智慧工廠安全性檢測解決方案工業自動化解決方案機器學習能源管理解決方案Back 智慧城市 自助服務系統智慧安居解決方案智慧人臉辦識系統智慧零售互動系統智慧門禁管理系統Back Back 人工智慧 威盛Mobile360環視監控威盛Mobile360先進駕駛輔助威盛Mobile360駕駛人監控智慧部署威盛Pixetto視覺感測器Back 產品 AI系統 威盛Mobile360雙向行車紀錄器威盛Mobile360M800視訊車載資通系統威盛Mobile360堆高機安全系統威盛Mobile360重型設備安全系統威盛Mobile360重型機械車用套件組威盛Mobile360先進駕駛輔助系統威盛Mobile360環視監控系統威盛智慧門禁管理系統Back 系統 Mobile360威盛AMOS系列ARTiGO系列威盛ALTADS系列Back 嵌入主機板 嵌入式模組開發套件嵌入式主機板Back 配件晶片 x86處理器 QuadCoreE系列NanoX2E系列EdenX2NanoE系列C7Back 晶片組 VX11多媒體系統VX900多媒體系統Back 舊有晶片組 音效晶片組網路產品組合威盛外接裝置控制器處理器視訊解決方案 Back Back Back 技術支援 RMA服務驅動程式與下載驅動支援常見問題解答技術支援舊有產品Back 部落格 威盛發佈威盛視角官方新聞Back 關於我們 聯絡我們銷售中心最新活動威盛寫真Back LanguageSwitcherTW English日本語简体中文Back Store



請為這篇文章評分?