深度學習邊界難測, iSee 通過人腦認知應用讓機器更聰明 | GAIR...

2020-12-12 雷鋒網

* iSee CEO 趙一彪博士

深度學習為人工智慧發展提供了強大助力，通過海量數據的灌輸，機器可以進行多種模型下的完善強化，逐步具備人類的感知與判斷能力。這是多數自動駕駛公司正在採用的方式，以大數據的持續餵養，不斷訓練系統的感知與決策，最終實現安全可靠的「機器」駕駛。

這也意味著，自動駕駛公司必須具備龐大的數據儲備或連接。谷歌的自動駕駛汽車已經在現實道路上行駛了 400 多萬英裡，這些車輛的駕駛行為數據將與虛擬引擎產生的數據持續餵食其機器模型，幫助系統解決多種場景下的道路行駛設定，最終完成 L4、L5 的自動駕駛目標。

但依賴神經網絡需要面對的一件事情是，如何解決深度學習的邊界問題。對人工智慧公司來說，即使數據量再龐大，也無法覆蓋所有的現實場景。自動駕駛公司要如何解決這些不計其數的 corner case，保證車輛能夠應對路程中的各種情境，實現安全駕駛，成了行業面臨的共同命題。

畢業於 UCLA 的趙一彪選擇的是一種完全不同的思路。他參與聯合創辦並擔任 CEO 的自動駕駛公司 iSee，希望通過研究人類認知的原理與邏輯，讓機器模仿人的認知，從而具備理解和預測現實情境的能力，實現真正的安全駕駛。這家公司是 MIT 發起的風險投資機構 The Engine 公布的 7 家投資公司中唯一一家自動駕駛公司，這個正在實驗室中埋頭研發的小團隊也被很多人認為將改變自動駕駛未來的技術發展格局。

趙一彪在 UCLA 師從著名計算機視覺專家朱松純教授，之後又在 MIT Computational Cognitive Science Lab 進行人腦認知與機器認知方面的研究，並得到人工智慧頂級學者、MIT 教授 Josh Tenenbaum 的指導，後者現在也是 iSee 的顧問。

「人腦對現實世界的線索非常敏銳，但眼下，AI 在這方面的能力還非常有限。」趙一彪表示。

「深度學習很厲害，你可以學習很多之前的經驗，但你不可能獲得囊括整個世界的數據群。現在的 AI 主要是數據驅動，很難理解常識，這是它缺失的關鍵因素。」在趙一彪看來，人工智慧還遠不能達到真正的智能，而幫助機器建立常識或許可以彌補這一缺陷。

比如，給出大量狗的照片以後，一個深度學習系統可以識別一隻狗，但它並不理解狗有四個爪子，有毛髮，有一個溼溼的鼻子，如果沒有進一步的訓練，它也不能識別其它動物以及畫出來的狗。

人類駕駛員具備對現實世界的基本認知，可以依靠常識理解世界，建立自己的生活經驗，並憑藉這種經驗在各種陌生情境中做出敏銳反應。他們知道車輛一般停下車需要多長時間，什麼情況下會突然出現行人，但讓自動駕駛汽車去考慮每一種可能出現的情況則幾乎不可能。

趙一彪與團隊在做的就是研究人類的認知方式，而後運用這種認知科學賦予機器某種常識，幫助其建立快速應對陌生情境的能力，讓機器像人一樣學習、理解外部世界，進而與外界交互。

據雷鋒網(公眾號：雷鋒網)了解，Tenenbaum 教授一直專注於探索人腦的工作，其中包括研究兒童的直觀認知。他解釋稱，兒童理解現實世界的能力可以幫助他們預測很多不熟悉的情境。即使是一個幼童也比當前最聰明的 AI 系統聰明，理解現實世界對推測人的心理狀態和下一步行為有很大幫助，比如通過觀察他的行動，可以推測出他是要夠一個杯子或是其它。

Tenenbaum 希望將這些應用到 AI 系統中，2015 年，他和紐約大學、卡耐基梅隆大學的學者以這種思路開發了一個非常重要的程序，它能夠從預先提供的幾個案例中學習認知筆跡。

Tenenbaum 的實驗室既有傳統的機器學習，又有新奇的概率規劃方法，這樣機器就可以在學習現實世界規律的同時，推測更多其它不確定性意圖。

摒棄簡單的規則和機器學習算法，讓機器像人腦一樣進行常識認知，這在自動駕駛行業仍屬於前沿研究，如果其可行性得到證明，也意味著，自動駕駛公司在進行技術升級時，可以從對數據量的依賴中得到鬆綁，因為只要少量數據即可幫其完成這種常識認知。這對整個人工智慧行業都將產生很大影響。

但是，腦認知科學具體如何作用於機器，其眼下進展如何，還存在哪些問題，它是否真正可行......這些問題我們都很難從一兩篇新聞報導中弄清，1 月 16 日，雷鋒網 · 新智駕將在美國矽谷舉辦 GAIR 矽谷智能駕駛峰會，屆時，將有國內外多位自動駕駛行業專家到場，帶來豐富的行業乾貨分享，這之中就包括正在機器認知這一前沿技術領域尋求突破的趙一彪博士，關於以上眾多問題，他也會做出耐心細緻的解答。

而同時到場的 2005 年 DAPRA 挑戰賽冠軍斯坦福車隊成員 Adrian Kaehler、加州大學伯克利分校 InterACT 實驗室主任 Anca Dragan、百度 Apollo 平臺研發負責人王京傲、地平線創始人兼 CEO 餘凱、AutoX 創始人兼 CEO 肖建雄、通用汽車雷射雷達系統 BFO 張文德等業界、學界大咖也將組成本年度不可錯過的最強陣容，點擊 https://gair.leiphone.com/gair/gairsv2018，便可獲取本次峰會詳細信息，加入這場中美自動駕駛的豪華盛會。

（本文內容部分編譯自 MIT Technology Review 對 iSee 的報導）

雷鋒網推薦閱讀：

《更名後的安波福在 CES 完成自動駕駛首秀，我們去體驗了一把 | CES 2018》

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。

相關焦點

  • 認知智能人腦模型技術之類腦學習體系!
    認知維度代表的是認知的側面和視角，側面和視角是學習，理解的最核心基礎體系之一。各類信息形式都有認知維度的劃分。2.意圖識別。意圖識別，目前主要在語言文字的學習為主。意圖識別是認知維度的細化和具體化。一個認知維度包含1-N細化意圖。是認知維度的更細化層次學習體系。3.特徵識別。機器視覺範疇，包含整體特徵和局部特徵。主要針對圖像。體的特徵。4.物體識別。
  • CNCC 2019 | 劉群:基於深度學習的自然語言處理,邊界在哪裡?
    劉群教授認為尚未解決的這些問題最終是由深度學習的四大邊界——數據邊界、語義邊界、符號邊界和因果邊界所共同造成的。要想在這些尚未解決的問題上尋找突破，需要從深度學習的這些邊界出發，去探索新的解決方案。這個報告主題為《基於深度學習的自然語言處理：邊界在哪裡？》。可謂是站在 NLP 塔尖上對整個領域的復盤。
  • 3 分鐘搞懂深度學習到底在深什麼
    代表寫出這個答案的學生，擁有最接近正確答案的思考方式，接下來我們讓其他學生向這位學生學習，並繼續測試，是否都能回答正確。理論上，隨著測試次數越多，正確率就會越高，表示這個機器已經通過測試，可以投入實戰分析了。
  • 重磅 批評深度學習的Gary Marcus能讓人工智慧更接近人類嗎?
    期待後深度學習時代的人工智慧從大腦、意識和嬰兒研究中汲取靈感，創造新的算法與架構滿足深度學習所釋放的對人工智慧的廣泛需求。——Bragi Lovetrue像任何一個自豪的父親一樣，Gary Marcus非常樂意談論他兩歲兒子的最新「成果」。但更不尋常的是，他相信蹣跚幼童的學習和推理方式中蘊含著讓機器更加智能的秘密。
  • 「深度學習」已經接近終點?下一代機器學習將會怎樣?|極客雲算
    林宙辰：深度學習、機器學習已經很少聽到有突破性的進展了。去年三大巨頭獲得圖靈獎，馬上有人跳出來說「某個領域獲得圖靈獎就表明這個領域已經走到盡頭了」；我們也體會到近一兩年來，深度學習重大進展好像就沒有了，大家只能想方設法去充分利用算力。因此，我和許多做機器學習的學者都在想一件事情：機器學習下一步應該是什麼樣子？
  • 深度學習—應用於機器視覺領域的卷積神經網絡(CNN)簡介
    深度學習受到神經學的啟示，模擬人腦的認知與表達過程，通過低層信號到高層特徵的函數映射，來建立學習數據內部隱含關係的邏輯層次模型。深度學習相比於一般的淺層模型的機器學習方法具有多隱層結構，對大數據具有更好的擬合性。
  • 郭元祥:深度學習 本質與理念
    淺層模型往往具有凸代價函數，理論分析相對簡單，訓練方法也容易掌握，應用取得了很多成功。①隨著人工智慧的發展，計算機和智能網絡如何基於算法革新，模擬人腦抽象認知和思維，準確且高清晰度地進行聲音處理、圖像傳播甚至更為複雜的數據處理和問題解決等，在21世紀來臨的時候成為擺在人工智慧領域的關鍵問題。
  • 機器學習和深度學習的 5 個關鍵區別
    儘管它們可能被稱為「智能，「有些人工智慧計算機系統不能自己學習；這就是機器學習和深度學習的用武之地。讓我們深入討論機器學習和深度學習到底是什麼，以及機器學習和深度學習的區別。什麼是機器學習？通過機器學習，計算機系統通過編程來學習輸入的數據，而不需要重複編程。
  • 如何構建基於機器學習的入侵檢測系統
    因此機器學習在信息安全也正扮演著日益重要的角色。通過本文 peerlyst 的讀者不但能探索機器學習技術的基本原理還能進一步親手體驗如何從零開始，通過前沿技術，代碼庫和能公開獲取的數據集來構建一個真實的入侵檢測系統。我們也提供了有用的附件來幫助你更方便的選擇機器學習的算法。
  • 人工智慧、機器學習、深度學習之間究竟是什麼關係
    隨著人工智慧熱度的不斷提升，人工智慧、機器學習和深度學習頻頻被提及。今天我們就從行業內的主流觀點出發，淺析一下三者的區別與聯繫。人工智慧是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智慧是對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。
  • 技術回顧 ▏深度學習在機器視覺中有哪些典型的應用?
    其中有一些應用案例，如目標識別和定位，都可以通過深度學習技術得到很好的解決。因此，如果你的應用需要一種算法來識別家具，那麼你很幸運：你可以選擇一種深度神經網絡算法，並使用自己的數據集對其進行重新編譯。 訓練數據對有效的深度學習算法至關重要。訓練一個DNN 通常需要數千個帶標記的訓練圖像（即用所需輸出標 記的圖像），以及數千個帶標記的圖像來評估候選訓練算法。
  • 怎樣在樹莓派上輕鬆實現深度學習目標檢測?
    樹莓派是一款靈活的計算機硬體，它以1500萬臺的銷量已經吸引了一代消費者的心，並且黑客們也在樹莓派上構建了很多很酷的項目。考慮到深度學習和樹莓派相機的的流行，我們認為如果能在樹莓派上使用深度學習來檢測任意的物體那就非常棒了。現在你可以檢測到你的自拍照裡的照片炸彈，有人進入到Harambe的籠子裡，哪裡有辣椒醬或者亞馬遜的快遞員進入到你的房子裡。
  • 7月將出席 CCF-GAIR...
    如果說兩周之前圖靈獎被授予加拿大深度學習先驅者是對深度學習的一大嘉獎，那本次鄧力當選加拿大國家工程院院士則是對深度學習領域所取得的巨大成就的再度肯定。之前其研究方向包括自動語音與說話者識別、口語識別與理解、語音–語音翻譯、機器翻譯、語言模式、自然語言處理、統計方法與機器學習、神經科學、聽覺和其他生物信息處理、深層結構學習、類腦機器智能、圖像語言多模態深度學習以及商業大數據深度分析預測等。
  • 曠視首席科學家孫劍:深度學習變革視覺計算丨CCF-GAIR 2019
    孫劍認為，深度學習和傳統機器學習最大的差別是，隨著數據量越來越大，使用更大的神經網絡就有可能超越人類性能。而具體到計算平臺上，目前包括雲、端、芯上的很多硬體上都可以部署智能，技術發展趨勢是如何自適應地根據計算平臺做自動模型設計。
  • 美國兩院院士、超級計算機專家陳世卿將出席 CCF-GAIR 2019...
    美國也因此建立了在超級計算機的最先進系統技術，和廣泛科學工程應用領域中遙遙領先的世界地位。陳院士曾介紹過「第三腦」技術的作用，該技術曾在美國弗利蒙高中進行試點，最終證明可以顯著提高學習速度和效果。此外，該技術還可以應用於常規的體檢指標、特殊行業的選拔、駕照考試的指標、腦老化損傷檢測、腦功能康復監控、快速藥效的檢測、亞健康疲勞預警等，通過早期非介入式的預防檢測和治療，能夠更好地預防老年痴呆症、抑鬱症等系列腦疾病。
  • 大學生能力提升：什麼是機器學習？
    (2) 機器學習是對能通過經驗自動改進的計算機算法的研究。(3) 機器學習是用數據或以往的經驗,以此優化電腦程式的性能標準。機器學習不僅在基於知識的系統中得到應用，而且在自然語言理解、非單調推理、機器視覺、模式識別等許多領域也得到了廣泛應用。一個系統是否具有學習能力已成為是否具有「智能」的一個標誌。
  • 自動駕駛卡車公司iSee:獲1.05億投資!
    據外媒報導，一家名為iSee的自動駕駛初創公司宣布在A輪融資中籌集了1500萬美元（約合1.05億元人民幣），此次融資由風險投資公司Founders Fund領投，雖然Founders Fund過去曾投資過一家自動駕駛初創公司，不過這是該公司首次涉足炙手可熱的自動化物流和貨運行業，而isee就專注於卡車運輸業。
  • 深度學習應用於機器翻譯的魔力
    我們都知道並喜歡谷歌翻譯，這個網站可以即時翻譯100種不同的人類語言，就好像通過魔法一樣。它甚至可以在我們的手機和智能手錶上使用：Google Translate背後的技術稱為機器翻譯。它通過允許人們在不可能的情況下進行交流來改變世界。
  • 機器學習(Machine Learning)&深度學習(Deep Learning)資料(之一)
    《The LION Way: Machine Learning plus Intelligent Optimization》 介紹:<機器學習與優化>這是一本機器學習的小冊子, 短短300多頁道盡機器學習的方方面面. 圖文並茂, 生動易懂, 沒有一坨坨公式的煩惱. 適合新手入門打基礎, 也適合老手溫故而知新. 比起MLAPP/PRML等大部頭, 也許這本你更需要!
  • 機器喵大作戰 | 解剖人工智慧、機器學習和深度學習
    如果機器給出了正確的答案，就對機器進行「獎勵」，給與正面反饋。整個過程，很像訓練馬戲團的猴子，久而久之，機器對這類事物的判斷就會越來越趨向正確的方向。深度學習採用了「深度神經網絡」，這個「深度」其實是指神經網絡的層數。