MIT發布2018年10大突破性技術，我最關注的是：對抗性神經網路
《MIT Technology Review》雜誌發布2018年的10大突破性技術：3D金屬列印、人造胚胎、感測城市、雲端人工智慧、對抗性神經網路、巴別魚耳塞、零碳排放天然氣發電、完美網路隱私、基因占卜、材料的量子飛躍。
對抗性神經網路
人工智慧在識別事物方面越來越強：向它展示一百萬張照片，它可以用驚人的精確度告訴你哪些照片中有行人正在通過馬路。
但是，AI自身並不能生成行人的圖片。如果能做到這一點，它將能夠創造出合成的逼真圖片，來描繪各種環境下的行人，讓自動駕駛汽車無需上路就可以訓練自己。
問題是，創造一個全新的東西需要想像力。這也一直困擾著AI。
解決方案首先出現於2014年在蒙特利爾大學博士生Ian Goodfellow的學術論證中。該方法被稱為生成對抗性網路(generative adversarial network，GAN)，它採用兩個神經網路(支持大多數現代機器學習的人腦的簡化數學模型)，並在「貓捉老鼠」的數字遊戲中讓它們彼此對抗。
兩個網路都使用相同的數據集進行訓練。其中一個被稱為生成網路，負責為它已經看到的圖像創建變化，比如可能是一個帶有額外手臂的行人圖片；第二個被稱為判別網路，被要求判斷它所看到的例圖是像它被訓練過的圖像還是生成網路產生的虛假圖片，例如，讓它判別那個三臂人是不是真實的？
隨著時間的推移，生成網路可以很好地生成圖片，判別網路無法識別該「假貨」。實際上，經過訓練之後，生成網路已經可以識別並創建逼真的行人圖片了。
該技術在過去十年中已成為人工智慧領域最具潛力的技術突破，能夠幫助機器產生「欺騙」人類的結果。
GAN已被用於製作逼真的語音和逼真的虛假圖片。在一個引人注目的例子中，來自晶元製造商Nvidia的研究人員為GAN提供名人照片訓練，生成了數百張看起來非常逼真的面孔，而這些人並不真實存在。
另一個研究小組製作了一些看起來像梵高作品的假畫作。更進一步，GAN可以通過不同的方式重新設計圖像：使陽光明媚的道路看起來像雪地一樣，或將馬匹變成斑馬。
結果並不總是完美的：GAN可能為自行車生成了二套車把手；眉毛出現在人臉錯誤的地方。
但是因為圖像和聲音往往非常逼真，所以一些專家認為，GAN開始理解他們所看到和聽到的世界的底層結構了。這意味著人工智慧可能會獲得一種更具獨立能力的想像力，讓人能夠理解它在世界上看到的東西。
技術突破：兩個人工智慧系統相互對抗，創造超逼真的原創圖片或聲音，這是機器以前從未做過的。
意義：它賦予了機器類似想像力的能力，這可能會幫助他們減少對人的依賴，同時也將它們變成數字造假的超強大工具。
關鍵參與者：Google Brain、DeepMind、Nvidia
成熟期：現在
拓展思考
看完了「對抗性神經網路」這一突破性技術的簡單介紹，大家或許在想，在我們關注的雷達對抗、通信對抗、目標識別以及SAR圖像識別等相關領域，如何應用該技術，來會提升對抗效果呢？
歡迎參與腦洞，留言被精選的人將獲得一份相關知識的驚喜！
TAG:雷達通信電子戰 |