如果你要抱怨身边众多的人工智能学说的讨论声，那么，神经网络之父Geoffrey Hinton教授一定是个不错的选择。
近日， Hinton教授推翻了自己30年前的学术成果，提出了“神经网络”的变体“胶囊网络”，而正是这位人工智能教父在2012年的10月将人工智能推向新的轨道。
Hinton教授表示，他倡导的人工神经网络在之前的很长一段时间里一直不流行，但现在它不仅成为机器理解图像能力大幅跃升的助推力，而且包括两名参与研究的人员的工资都在谷歌工资单上有排号。此外，我们今天还广泛用它记录演讲内容、识别宠物、与喷子对抗。
Hinton现在却又跳出来说，“我认为我们做计算机视觉处理的方式是错误的，虽然目前这项技术应用的很好，但这并不能说明它是正确的。”
并且，Hinto最近提出了一种新方法，这种方法可能会改变计算机视觉传输的方式，重塑人工智能。
上周晚些时候，Hinton发表了两篇考虑了近40年研究论文，表明他的想法。“很长一段时间，它只是一种直观的感受，但实际的测试结果并不好”，Hinton说，“现在终于找到有效的方式。”
Hinton的新方法叫做“胶囊网络”，它是一种扭曲的神经网络，目的是使机器更好的通过图像和视频了解世界。他的一篇论文中写到，基于胶囊网络的软件在识别手写数字的标准测试上与现有的最好的识图软件不相上下，而在一项从不同角度识别卡车和汽车等玩具的软件测试上，胶囊网络错误率比第一次测试减少了一半。
胶囊网络旨在弥补当今机器学习系统的不足，这些不足限制了机器学习的效率。如今的图像识别软件需要大量的各种情况之下的示例图片来识别物体。这是因为软件不能很好地概括它所学到的新场景，比如当一个物体以其他姿态出现在新场景中，有可能软件就认不出来了。
教一台计算机从多角度识别一只猫，就目前是需要覆盖不同的视角数千张的照片才能精确识别。而人类孩子却不需要如此多的训练来识别家里的动物。
Hinton认为缩小人工智能系统和普通幼儿之间差距的想法就是在计算机视觉软件中建立更多的知识网。胶囊是一些小的原始虚拟神经群，被设计用来追踪一个物体的不同部分，比如猫的鼻子和耳朵，以及它们在空间中的相对位置。这样，一个由许多胶囊组成的网络就能够在新的场景下识别出一个已经识别过的物体。
似乎每个人都对胶囊网络抱有很大的期待，但现在说它是一个巨大的飞跃还为时过早。Hinton本人也这样认为，胶囊网络仍需要数量庞大的图像集合证明胶囊网络的有效性，而这项技术当前的识别速度与现有的图像识别软件相比仍比较缓慢。
但Hinton对此很乐观，他认为这些缺点是可以解决的，其他业内人士也对此抱有一定的希望。
图像识别的联合创始人和蒙特利尔大学的一位教授认为，Hinton的基本设计应该能够从给定的数据量中提取出比现有系统更多的东西，理解到更多内在含义。如果在规模上能够被证明有意义，这可能对医疗等领域有大帮助。
在某些方面，胶囊网络的研究与人工智能最近的趋势有所不同。近来，对神经网络的一种理解是，人类应该尽可能少为人工智能软件提供知识编码，最好的方式是让他们自己弄明白。
纽约大学心理学教授Gary Marcus去年向Uber出售了一家人工智能初创公司。他说，胶囊网络为人工智能带来了新鲜空气。Marcus认为，人工智能研究人员应该更多地模拟大脑是如何内置的，人脑是先天的机器，应该用来学习像视觉、语言等重要的技能。Marcus说:“现在评价胶囊网络将带来巨大飞跃还为时过早，但我们很高兴看到Hinton打破了这个领域的常规。”
联系客服
