DeepMind利用AI分析動物行為,可正確識別50種大型物種
2020-11-27 手機鳳凰網導語：面對目前愈加嚴峻的野生動物生態系統，DeepMind開發了一個新的機器學習系統來為研究人員們提供更高效的解決方案。
智東西11月6日消息，前段時間，DeepMind與生態學家和環保人士合作開發了一個新的機器學習方法，來幫助坦尚尼亞的塞倫蓋蒂國家公園（Serengeti National Park）研究整個非洲動物群落的動物行為。
DeepMind通過利用一個含有豐富野生動物照片的數據集來訓練機器學習模型，以自動檢測、識別和計算動物數量。
據DeepMind官方表示，目前該機器學習系統能夠正確識別大約50種大型物種，和人類的標記員一樣準確。
一、野生動物群落受人類影響被迫改變
塞倫蓋蒂平原是世界最大的野生動物保護區之一，它擁有完整的大型哺乳動物群落。
由於塞倫蓋蒂獨特的地質條件和多樣的棲息地類型，該地區的生物多樣性十分豐富，大約有70種大型哺乳動物和500種鳥類。野生動物們在這片土地上遊蕩，還有些動物在季節性降雨後會遷徙數千英裡，橫跨多個國家。
但隨著農業、偷獵和氣候異常等人類影響的增加，這些動物為了生存不得不改變自己的行為，導致種群動態的變化。
然而，這些變化往往發生在空間和時間尺度上，研究人員很難用傳統的研究方法對這些變化進行檢測，他們迫切需要找出一個合理有效的方法來了解這些原始生態系統的動態，了解這些動物群落是如何隨著人類的影響而變化，並制定有效的管理計劃來保護生物多樣性。
為此，DeepMind與生態學家和環保主義者共同開發了一個能夠研究動物行為的機器學習方法，來幫助塞倫蓋蒂野生動物保護區進行研究。
二、用含50種不同物種的數據集訓練機器學習模型
大約在十年前，塞倫蓋蒂在進行獅子研究項目（Serengeti Lion Research program）時，工作人員在保護區的核心地帶安裝了數百臺高靈敏度運動捕捉相機（motion-sensitive cameras），以捕捉野生動物圖像，並研究動物的行為、分布和統計。
過去的九年裡，該項目團隊已經收集並存儲了數百萬張動物照片。截至目前，來自世界各地的志願者幫助工作人員識別和統計照片中的物種，形成了一個豐富的數據集，名叫Snapshot Serengeti，並且該數據集具有50種不同物種的標籤和數量。
一般來說，對圖片的注釋過程需要花大量的人力和時間，其中從動物觸發相機拍攝圖像，到志願者注釋標籤，整個過程耗時長達一年，阻礙了研究人員進行基礎研究的能力。
因此，DeepMind和其他研究人員們利用Snapshot Serengeti數據集來訓練機器學習模型，以自動檢測、識別和計算動物數量。
三、正確識別50種物種，流程縮短9個月
實際上，使用機器學習來對野生動物進行保護並不是件新鮮事。例如，有研究人員曾利用旅遊照片和YouTube視頻來追蹤動物，並利用音頻記錄來依據動物叫聲識別物種。
但有一個問題是，利用高靈敏度運動捕捉相機來拍攝動物圖像具有很多不確定性。有時拍攝的動物照片會跑焦，或是動物離鏡頭的距離和位置太近。
因此，在生態學家和環保主義者Meredith Palmer博士的幫助下，DeepMind的這個AI項目迅速成型。
目前，該機器學習模型能夠正確地識別大約50種大型物種，其準確度幾乎可以和人類標記員媲美，甚至更出色。
最重要的是，這種機器學習方法將數據處理流程縮短了9個月，這對於該領域的研究人員來說具有巨大的幫助。
四、準備實地部署機器學習系統
當然，這項工作十分具有挑戰性，並充滿了意外和危險。例如電線故障、網際網路訪問受限或無法訪問。
目前，DeepMind正在準備實地部署機器學習系統，並研究如何在只具有適量硬體要求和少量網際網路訪問的情況下，安全地運行他們的預訓練模型。
一旦部署到位，塞倫蓋蒂的研究人員將能夠直接使用該工具，以獲得最新的物種信息，以更好地進行保護野生動物的工作。
結語：為解決當前世界難題提供新研究方向
這次DeepMind開發的機器學習模型，既能用於檢測和分析野生動物種群的數據，進行數據整合，還能進一步幫助非洲地區的野生動物保護區逐漸建立人工智慧系統。
接下來，研究人員則需要實地部署該機器學習模型，對該模型的工作進展進行跟蹤，以驗證機器學習模型的能力。
而DeepMind的科學團隊也一直通過利用AI技術來研究和應對各種挑戰，這不僅促進了人工智慧技術的發展，也為目前世界上所面臨的難題提供了一種新的研究思路和方向。
文章來源：DeepMind Blog
相關焦點
-
DeepMind加入動物保護行列,用AI分析野生動物行為
塞倫蓋蒂野生動物保護區 本文圖均為 DeepMind blog 圖塞倫蓋蒂是非洲最大的野生動物保護區之一，以豐富的野生動植物聞名於世。在塞倫蓋蒂14750平方公裡的土地上，棲息著大約70種大型哺乳動物和500種鳥類，包括獅子、斑馬、羚羊、麋羚、水牛、鱷魚、河馬、大象、長頸鹿等。 -
一周AI大事盤點:AI幫助農民精準除草,AI可分析動物行為
該模型使用TensorFlow和Caffe深度學習框架開發，可識別甜菜、菠菜和豆類領域的雜草。人工智慧在分析甜菜作物時產生了最好的結果，準確率為93%。速評：化學除草一般採用粗放式的施藥技術，這種方式不僅會增加成本，而且還破壞土壤。在人工智慧的幫助下，農民不用在整塊土地上噴灑農藥，他們只需要瞄準特定的區域，在正確的時間和地點進行幹預即可。 -
DeepMind AI破解「蛋白質摺疊」難題,攻克生物學50年...
美國時間11月30日，谷歌母公司Alphabet旗下人工智慧公司DeepMind公開宣布，生物學界50年來的重大難題——蛋白質摺疊預測，已被其成功攻克。簡單地說，GDT 可以大致地被認為是胺基酸殘基在閾值距離內與正確位置的百分比，90分左右的 GDT 可以被認為是與實驗方法得到的結果相競爭的。對此，CALICO創始人兼執行長亞瑟·D·萊文森高度評價稱：AlphaFold是上一代產品中的佼佼者，它以驚人的速度和精度預測蛋白質結構。 -
DeepMind AI破解「蛋白質摺疊」難題，攻克生物學50年巨大挑戰
美國分子生物學家Cyrus Levinthal指出，如果用蠻力來計算蛋白質所有可能的構型所需要的時間可能比宇宙的時間都要長，一個典型的蛋白質可能有10∧300種可能的構型。因此，從1972年至今，如何準確預測蛋白質的摺疊方式一直是生物學界的一項重大挑戰。然而，困擾生物學界50年的重大挑戰昨日被DeepMind的成功攻克。 -
DeepMind AI破解「蛋白質摺疊」難題,攻克生物學50年巨大挑戰
1972年諾貝爾化學獎得主克裡斯蒂安·安芬森（Christian Anfinsen）曾提出，基於蛋白質的1D胺基酸序列可計算並預測蛋白質的3D結構。美國分子生物學家Cyrus Levinthal指出，如果用蠻力來計算蛋白質所有可能的構型所需要的時間可能比宇宙的時間都要長，一個典型的蛋白質可能有10∧300種可能的構型。因此，從1972年至今，如何準確預測蛋白質的摺疊方式一直是生物學界的一項重大挑戰。然而，困擾生物學界50年的重大挑戰昨日被DeepMind的成功攻克。 -
生物學50年難題被DeepMind解決了,蛋白質版「阿法狗」預測結構準確...
甚至很少露面的DeepMind創始人哈薩比斯，也親自出面介紹：DeepMind背後的終極願景一直是構建通用人工智慧，利用通用人工智慧來極大地加速科學發現的步伐，幫助我們更好地了解周圍世界。簡單來說，GDT就是：預測結果對於正確位置，在距離上的一個綜合評分。能斬獲92.4的準確性高分，這說明，預測的結果，誤差基本不超過一個原子的大小。這無疑是巨大的突破。 -
DeepMind重大突破:DNN具有人類行為,認知心理學破解黑箱
編者按：本文由微信公眾號編譯，來源：deepmind.com 等，作者：DeepMind、Brian Mingus，編譯：熊笑；36氪經授權發布。語言學家面對的可能性多種多樣，「gavagai」指的可能是兔子、動物、白色的東西、這隻具體的兔子或是兔子的某個部位。有無數種可能的推理，人類如何能選出對的那一個？「Gavagai」所指為何？50年以後，對於能夠進行小樣本學習的深度神經網絡，我們有了同樣的問題。比如 Matching Network——DeepMind 開發出的一種神經網絡。 -
DeepMind宣布解決蛋白質摺疊問題，獲92.4準確性得分
簡單來說，GDT就是：預測結果對於正確位置，在距離上的一個綜合評分。因此，德國馬克斯·普朗克發育生物學研究所蛋白質進化學系主任安德烈·盧帕斯（Andrei Lupas）提出了一個特殊的挑戰：預測一種來自古細菌群中古細菌物種的膜蛋白 -
50年難遇AI「諾獎級」裡程碑!DeepMind破解蛋白質摺疊難題
1969年，塞勒斯 · 萊文塔爾（Cyrus Levinthal）指出，用暴力計算法列舉一個典型蛋白質的所有可能構型所需的時間比已知宇宙的年齡還要長，他估計一個典型蛋白質有10 ^ 300種可能構型。通常情況下，識別單個蛋白質的結構需要耗費科學家數年時間。如今，AlphaFold能在幾天內提供精確到一個原子的結果。此舉將極大地加速人類對細胞組成部分的理解，對包括新冠肺炎在內所有疾病的研究均有所幫助。 -
DeepMind新GNN模型,將谷歌地圖預估到達準確率提升50%!
近日，DeepMind宣布幫「兄弟一把」——與谷歌地圖展開合作，利用了一種圖神經網絡（GNN），成功提升了谷歌地圖在柏林、東京、雪梨等大城市的實時 ETA 準確率，最高提升了50%。DeepMind此次的研究，就是如何解決這個動態預測問題。 -
50年難遇AI「諾獎級」裡程碑!DeepMind破解蛋白質摺疊難題
公司表示，其已經解決了關鍵的「蛋白質摺疊問題」，這個問題在生物圈已被研究50年之久。馬斯克、李飛飛等大佬紛紛點讚！DeepMind這一歷史性進展有助於加快藥物發現速度，對理解人類生命形成機制至關重要。剛剛，一個困擾生物學家50年的難題，被AI解決了。 -
50年難遇諾獎級裡程碑！DeepMind破解蛋白質摺疊難題
1969年，塞勒斯 · 萊文塔爾（Cyrus Levinthal）指出，用暴力計算法列舉一個典型蛋白質的所有可能構型所需的時間比已知宇宙的年齡還要長，他估計一個典型蛋白質有10 ^ 300種可能構型。簡單地說，GDT 可以大致地被認為是胺基酸殘基在閾值距離內與正確位置的百分比。根據 Moult 教授的說法，90分左右的 GDT 可以被認為是與實驗方法得到的結果相競爭的。 -
...DeepMind AI解決生物學50年來重大挑戰,破解蛋白質分子摺疊問題
蛋白質存在於我們世界中的所有有機物體及奧妙人體中，全新的AlphaFold 算法揭秘了生物學界50年來試圖破解蛋白質分子摺疊的難題，這項AI帶來的重大突破，將幫助科學家弄清某些困擾人們的疾病機制、加速找出新型流行病的具體原因（比如今年的全球新冠大流行），促進新藥設計、幫助農業增產、解析可有效降解廢棄物的嶄新成分、甚至探索為大氣減碳的全新解決方案。 -
從AlphaGo到蛋白質摺疊,Deepmind在不斷捅破AI領域的天花板!
比起這個成果，相信大家跟我一樣更感興趣的是，這個DeepMind究竟是個什麼神奇公司，可以破解50年來無人能破的世界級計算難題？為創建超人類AI而生，讓馬斯克極度關注DeepMind跟傳奇的谷歌X實驗室不同，它並非谷歌親身，而是最初於2010年在英國成立的一家AGI（通用人工智慧）公司。 -
語音識別 AI 挑戰賽上線:用深度學習三種結構,對 50 種環境聲音...
深度學習與語音識別在目前大多數語音識別應用中，深度學習是較為常見的一種方法。曾有一些研究者在遷移學習的基礎上，將深度學習和機械學習相結合、並可在前端嵌入式實現的算法，使得最終環境聲音識別準確率達到 88％（比此前全球最佳算法提高了近 2 個百分點）。 -
西北大學AI面部識別技術破解動物行為研究難題
個體識別是開展動物行為和動物生態研究的基礎。近半個世紀以來，藉助動物本身特徵(如斑紋、顏色、傷疤等)或人為標記特徵(如烙印、刺青、染色、環志、無線電項圈及遺傳標記等)等進行個體識別，極大地豐富了人類對動物及其行為的認識。 -
西北大學AI面部識別技術破解動物行為研究難題
個體識別是開展動物行為和動物生態研究的基礎。近半個世紀以來，藉助動物本身特徵(如斑紋、顏色、傷疤等)或人為標記特徵(如烙印、刺青、染色、環志、無線電項圈及遺傳標記等)等進行個體識別，極大地豐富了人類對動物及其行為的認識。 -
語音識別 AI 挑戰賽上線:用深度學習三種結構,對 50 種環境聲音分類!
這不，難度再次升級的「50 種環境聲音分類」的語音識別挑戰賽，來了！深度學習與語音識別在目前大多數語音識別應用中，深度學習是較為常見的一種方法。曾有一些研究者在遷移學習的基礎上，將深度學習和機械學習相結合、並可在前端嵌入式實現的算法，使得最終環境聲音識別準確率達到 88％（比此前全球最佳算法提高了近 2 個百分點）。 -
谷歌DeepMind 的可微分神經計算機 DNC 怎麼樣?看 Facebook AI...
近日，谷歌的 AI 部門 DeepMind 開發了一種叫做可微分神經計算機（DNC）的神經網絡模型，相關論文發表於 10 月 12 日在線出版的《自然》雜誌上，題為《 利用神經網絡與外部動態存儲器進行混合計算》。這種新模型將神經網絡與可讀寫的外部存儲器結合，既能像神經網絡那樣通過試錯和樣本訓練進行深度學習，又能像傳統計算機一樣處理數據。 -
DeepMind 論文三連發:如何在仿真環境中生成靈活行為
存在一種使用手工對象（有時帶有動作捕捉數據）生成特定行為的趨勢。然而，這可能需要相當多的工程學努力，且會產生受限的行為，或難以泛化到其他新任務的行為。 在這三篇論文中（論文摘要見後文），我們尋找了產生靈活和自然行為的新方法，它們可被再利用，解決新任務。