AI Edge: 微软加入AGI大战 | 深度学习有组解决非洲食物问题 | 比专业医生更好的心脏问题检测...

96
坂本龙一 8b56c3ad ed71 48e0 acab 4324dec38826
2017.07.18 14:45* 字数 2070

上周人工智能信息摘要。微软成立新研究所,加入AGI研究大战中;DeepMind 新研究,教会机器人花样越障;科学家们利用深度学习,给予非洲更好的食品供应;用深度学习来千倍速看片儿;吴教授的假期“小”项目,比专业医生更好的心脏监测系统;Google推出PAIR,力求人类与AI更好的互动。

你获得一个AGI(Artificial General Intelligence 强人工智能)研究室,获得一个AGI研究室,还是一个AGI研究室**

强人工智能: 目标是造出真正能推理和解决问题的智能机器,并且这种机器,能被认为有知觉,有自我意识的。

弱人工智能: 认为不可能制造出,真正能推理和解决问题的智能机器,这些机器只不过看起来像智能的,但并不是真正拥有智能,也不会有自我意识。

...DeepMind于2010年成立,来进行AGI研究。 同年,Vacarious也在同样目标下成立。2014 年谷歌收购了DeepMind,2015年DeepMind通过它的深度强化学习的论文得以登上自然(Nature)的封面, 之后更是在近几年打败各大围棋冠军们。到2015秋天,又有一群家伙勾搭在一起成立了OpenAI,一个非盈利AGI开发研究所。同年,Juergen Schmidhuber(深度学习四大天王之一,齐名的有Bengio, Lecun 还有 Hinton)成立了 Nnaisense, 至于它是干啥的...你猜...AGI。

Image result for 强人工智能

...以上这些人其实目前心里都有一个疑问,Microsoft这货在目前这个世界到底想要扮演一个什么样角色呢。 毕竟,其他的科技巨人,比如说亚马逊还有苹果都给应用AI下了大赌注,同时Facebook捣鼓出了一个介于先端研究开发与AGI之间的研究室。 而微软,虽然有很多分散研究机构,也在AI方面发过很多有意思的论文,但是却都没有在某个特定的方向表现出很大的兴趣。

...现在微软开始通过将下属一些研究机构转变成AGI开发研究所,名为Microsoft Research AI的百人团队,来寻求这方面的改变了。这个新研究所,将有望和OpenAI还有DeepMind分庭抗衡。

DeepMind机器人 ,能跑能跳还能平地摔

Planar walker - behaviours

... DeepMind发表了最新研究,显示如何给模拟机器人一个简单的目标,还有配对的复杂环境,然后就能使其产生非常复杂的运动行为。

...在这项研究中,DeepMind使用了一系列逐渐复杂的障碍跑道,以及一个最终目标是不断前进的机器人。之后创造出了一个机器人,它能够学习如何使用全方位身体运动,来在虚拟环境中实现自己的目标,有点像是AI介入版的神庙逃亡 😆。Blog

深入学习给予非洲(和其他地方)更好的食品供应:

...宾夕法尼亚州立大学,匹兹堡大学和坦桑尼亚国际热带农业研究所的科学家们,已经对使用迁移学习开发出的AI工具进行了测试,用其来对木薯中存在的疾病或病虫害进行分类。

研究人员写道,木薯是“世界人类碳水化合物第三大来源”,是非洲粮食供应的关键。那有没有办法,来轻松又便宜地诊断木薯的感染和害虫呢,让人们能够更快地处理食物供应问题?研究人员当然认为是可以的,于是他们就收集了来自坦桑尼亚木薯的2756幅图像,捕获了六种标记类别 - 健康植物,三种疾病和两种害虫的情况。然后,他们通过将照片分割成单个叶子图像来增加该数据集,将其增长到大约15,000张图像。之后使用迁移学习来重新训练Google “InceptionV3”模型的顶层,创建了一个相当简单的神经网络来检测木薯病毒。

...结果呢?大约有93%的测试准确度!虽然这让人振奋,却仍不足以投入实用 - 但是基于深入学习各个领域的进展,似乎可以通过组合调整和fine-tuning(微调)技术, 还有收集更多(廉价的)数据来进一步提高这个准确率。

..值得注意的:这项研究只使用相对较小的,20MB分辨率数码相机收集木薯图像。这表明智能手机相机也是可以用于从现场收集数据的任务的。

...论文:[Using Transfer-Learning For Image-Based Cassava Disease Detection]

千倍速看片儿,用深度学习来查看视频?

img

...最近斯坦福研究人员开发了NoScope技术,使人们能够快速浏览具有特(qi)定(guai)实(dong)体(xi)的大型视频文件。

...传统的AI介入的视频分析的工作方式是,用像R-CNN这样的工具,来识别和标记每帧画面中的对象,然后通过搜索来找到特定帧。这种方法的问题在于,它需要你对所有视频帧(通常)进行分类。相比之下,NoScope则是,假设有些视频输入具有可预测,并且重复的场景,例如在放在马路交叉处的摄像头就会一直有十字路口在输入流里面。

...“NoScope比一般CNN快得多:比起简单地运行消耗昂贵的目标检测CNN,NoScope可以学习一系列轻量简单的模型,并尽可能地运行这些更便宜的模型来探索局部信息。下面我们来描述其中两种轻量模型:一个是专门针对给定的视频流和对象(利用特定场景的局部性)的模型,另一个是检测差异的模型(利用时间局部性)。端对端堆叠之后,这些模型可以比初始的CNN快100-1000倍“他们写道。该技术甚至可以使加速高达10,000被,具体取决与实现的细节。

...缺点:你仍然需要为每段片段挑选一个轻量级模型,因此这种加快速度的代价是,需要人花时间分析视频,还有只能构建自己的专用检测器。

通过34层神经网络来发现心脏问题,比专业医生更好(本篇又名,吴教授的假期“小”项目)

...来自斯坦福大学(有最近离开百度的Andrew Ng(吴教授))和初创公司iRhythmTech的新研究,使用神经网络和单引导手腕心率监测器,来创建一个能够识别和分类心跳的系统。这个系统能够比人类心脏病专家更精确地识别出心脏问题的警告信号。

...论文:Cardiologist-level Arrhythmia Detection with Convolutional Neural Networks.

Google新研究小组力求改变人类与AI的互动方式:

... Google推出了PAIR(People + AI Research Initiative)。该团队的目标是使人们更容易与人工智能系统进行交互,并确保这些系统不会产生偏见,或者是在没用的地方花精力。

... PAIR将汇集三类人员:一类是AI研究人员和工程师,还有就是设计师,医生,农夫等特定领域专家,以及“日常用户”。您可以在其博客文章中找到更多信息。博客

AI每周资讯
AI每周资讯
6.0万字 · 4958阅读 · 153人关注