人工智慧大眾化的必經之路：機器學習

【獵雲網（微信號：ilieyun）】8月12日報道（編譯：Liam）

近年來，隨著人類在計算能力上取得的巨大進步，以及新計算機演算法的發現和標記數據的增加，人類對神經網路（一種具有學習能力的人工智慧系統）的研發工作也是蒸蒸日上。此前，各種相關的研究活動還不十分活躍，神經網路的實際應用也是十分有限的。

近幾年的諸多研究，使得神經網路的廣泛應用成為了可能，但由於機器學習模型仍需要繁瑣的計算工作，導致它在奔向主流的路上重重受阻。而現在，新演算法的出現，正高效地將神經網路推向更傳統的應用領域。

神經網路，是當前計算機科學研究領域的一個焦點。其創造靈感來自於複雜的人類生物學，在大多數可想到的用例中，生物學的應用都優於計算機的應用。

雖然計算機在存儲信息和快速處理方面表現出色，可人類卻更善於有效地利用其有限的計算能力。誠然，計算機每秒能進行數百萬次計算，這是人類無法企及的；但同樣，人腦的效率也是計算機無法企及的，它的效率比計算機要高上萬倍。

但另一方面，計算機在複雜演算法上的缺陷，在其對持續變化的數據的高效處理能力上也得到了彌補。

不過，其強大的計算能力也是有缺陷的，那就是價格。即使近來計算機計算的成本大幅下降，但機器學習這一塊的費用還依舊十分高昂，使得大部分個人、企業和研究人員望而卻步，他們往往都是依靠昂貴的第三方服務來進行實驗。由於計算的複雜性，就算是一個很普通的聊天機器人，其成本也可能在幾千美元到一萬美元之間。

神經網路架構搜索

科學家們一直在研究各種技術，想要降低機器和深度學習應用方面的時間和資金成本。

計算領域對軟體和硬體的要求都很高，高效的演算法和設計優良的硬體都是優先考慮的，但硬體開發卻十分耗時耗力的，這也促使著眾多研究人員為其設計自動化解決方案。

科研人員目前在軟體和硬體方面都取得了進展。當前神經網路應用中最常用的技術就是神經網路架構搜索（NAS），不過，其在設計神經網路方面的高效率也伴隨著計算方面的高成本。NAS技術可以被認為是邁向自動化機器學習的前提。

麻省理工學院（MIT）在這一領域進行了大量研究，其在一篇論文中，向我們展示了一種更為高效的NAS演算法，該演算法可以學習卷積神經網路（CNN），用於特定的硬體平台。

研究人員通過「刪除不必要的神經網路設計組件」，利用特定的硬體平台（包括移動設備），成功地提高了效率。實驗表明，新型神經網路的速度幾乎是傳統模式的兩倍。

這篇論文的作者之一Song Han，同時也是麻省理工學院微系統技術實驗室的助理教授，他表示他們的目標就是讓人工智慧大眾化。

他們希望通過特定的解決方案，能讓人工智慧專家以及非專家通過一個特定的硬體平台，高效地參與神經網路架構的設計，減輕設計和改進神經網路架構時的重複而單調的工作。

此外，值得一提的還有其他的技術，比如機器學習演算法。與在資源密集型控制環境中計算不同，機器學習演算法可以通過在專門設計的硬體上運行，從而降低功耗。

另外，不列顛哥倫比亞大學（UBC）的研究人員發現，現場可編程門陣列（FPGA）在機器學習應用程序上速度更快、功耗更低。除了通過專門的硬體使機器學習更省錢省時，FPGA還可以使那些技術水平較低的人更容易使用深度神經網路（DNN）。

FPGA與高層次綜合（HLS）的結合使用，可以實現「自動設計硬體」，這樣就無需專門設計硬體來測試機器學習推理解決方案是否有效了。這樣一來，在針對各種用例時，應用程序的投入使用就變得更加快捷。

在參考了HLS和FPGA的使用以後，其他研究人員還考慮將FPGA用於特定的DNN子集，即卷積神經網路（CNN），該技術擁有優良的圖像分析能力，通過對動物的視覺皮層的研究獲得靈感。

為了進一步展示其多樣性，一些研究人員還著眼於DNN的應用來進行與工程任務相關的自動化設計。

Agent 001：機器學習代理

機器學習研究領域還有很長的路要走。Robert Aschenbrenner是神經網路和機器學習方面的研究人員，他指出該技術即將發生轉變，同時還強調了機器學習代理工具將如何提高其性能和演算法。

Aschenbrenner表示，現今的自動化工具在很大程度上是孤立的，被分割到各種不同的領域。一個網站聊天機器人一般不會與客服人員互動，除非其有特定的編程，多數情況下，聊天機器人只是按照自己的內部程序運行，沒有指令就不會改變運行方式。

機器學習代理工具會通過我們的工作方式，收集和挖掘歷史數據，尋找自動化發展的機會。然後，人工智慧工具將以自動化流程改變的形式假定解決方案，模擬展示這些改變將如何提高生產力，或是帶來更好的業務成果。

計算能力訓練

想要讓一種演算法能像人類或任何動物那樣去學習，還有很多工作要做。

Aschenbrenner列出了人類相對於機器仍有優勢的五個主要領域：視覺、無監督/強化學習、可解釋模型、推理和記憶以及快速學習。

儘管人工智慧在這些方面有了很大進步，但人類在快速學習方面的能力仍然要強大得多，而且不像機器那樣，需要明確標註的數據來下達指令。

人類擁有很強的推理能力，能在看似不相干的想法之間找到聯繫，但機器目前仍無法完全獨立地進行緊急學習。

雖然機器學習演算法在神經網路領域有很多應用，但是它的基本使用範圍擴大，也就意味著在未來，它的應用將超乎想像。

迅速發展的人工智慧不斷被投入實際應用，但是人工智慧的普及取決於快速設計的硬體和軟體解決方案，這些解決方案也具有上述的資源效益。

人工智慧大眾化

正如麻省理工學院所描述的那樣，優化演算法，降低成本，讓人工智慧大眾化，讓缺乏資源來運營大規模計算的個人和組織也能使用大規模機器學習技術。

雖然在該領域的研究可能還處於早期階段，但新提出的設計自動化解決方案為我們揭示了這一領域的遠大前景。此外，隨著計算機硬體成本下降，雲計算等可共同操作技術的引入，機器學習變成主流應用的時代可能會提前到來。對複雜演算法和工具的普及對教育事業、醫療事業和企業經營也有正面效果。

企業可以通過人工智慧處理繁瑣的任務來降低運營成本，促進人力資源配置，提高關鍵任務的完成效率。

總而言之，大眾早晚會用上這些功能強大的軟體，一切只是時間問題。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！