0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

Facebook最新AI变革研发成果“无监督学习”

测试测试测试 来源:网络整理 作者:工程师李察 2018-06-18 17:03 次阅读

导读: 自古希腊,人们对于世界的认知经历了众神创世、水火土气、进化论、宇宙大爆炸、原子论……直到今天,我们开始思考“AI生万物”。

假如穿越回两千五百年前,当你问欧洲人万物从何而生时,他们大多数给到你的答复是荷马史诗中众神创世神话。只有极少数开始理性思考的哲人会告诉你,万物的创生是水,泰勒斯;是气,阿那克西美尼;是火,赫拉克利特;是数学,毕达哥拉斯。直到他们的思考被恩培多克勒系统综合,认为构成万物的元素主要有四种:水、火、土、气。

其中,除了毕达哥拉斯认为万物起始于数学是抽象思维,水、火、土、气都是物质实在。

如今,如果你要问世人,万物因何而生?受过现代科学教育的人给到的回答会是进化论、宇宙大爆炸、原子论、量子力学……

两千多年来,人类的认知一直因循着逻辑辩证不断穷究。直到今天,人类开始思考,除了我们所能耳闻目睹的物质,以及抽象的思维意识之外,还有哪些事物可以“生”万物?

对于这个问题,GMIC北京2018“AI生万物”主题峰会给到你关于“AI”的答案。

本届会议,不仅邀请到创新工场董事长兼首席执行官李开复,Facebook人工智能团队首席AI科学家Yann Lecun,卡内基梅隆大学计算机科学学院机器学习系主任Tom Mitchell,百度总裁张亚勤,以及红杉资本全球执行合伙人沈南鹏等世界顶尖人工智能专家学者、企业高层、投资人等参会演讲,业界一众科技独角兽、新兴企业也齐聚一堂。

在古希腊,除了探索自然的哲学家外,还有探索人类和社会本身的社会科学哲学家。苏格拉底、柏拉图和亚里士多德是探索人类哲学的“希腊三杰”。作为探索以人工智能为代表的新兴科学现代“三杰”之一,Yann Lecun在本届会议上第一个带来了“AI的最新技术趋势”主题演讲。

以下是OFweek人工智能网整理后的演讲实录:

杨立昆(Yann Lecun):大家晚上好。我这边是晚上,你们那边应该是上午。非常抱歉我不能亲自到会场。我是杨立昆(Yann Lecun),来自Facebook,以及纽约大学人工智能研究团队。今天我想讲一下关于人工智能目前的进展情况,同时也介绍下深度学习的未来,以及我们所面临的关于深度学习各方面挑战,如何让机器变得更加智能。

首先,我们看一下当下的AI系统,目前所有的应用,不管是影像、声音,还是图像识别,翻译,以及测试等等,这些都是AI的应用。通过深度学习我们可以训练机器,比如说向它展示一个车的图像,它就会知道这是一辆车,下次向机器展示同一个图像你就会得到想要的答案。你可以看到在这种指导下的学习对于计算机学习来说是非常重要的。

深度学习,比如科学培训,机器进行端到端的培训可以完成各种任务,它会告诉你最后输出的是什么。机器会学习整个过程,是端到端的学习过程,通过这种方式机器计算机会更好的了解我们的世界。关于人工神经智能,我们知道神经网络是非常强大的。我只有在非常强大的计算机上才可以运用,需要有CPU加以辅助。在深度学习变得比较普遍之前,我们需要确保什么样的系统可以进行应用。

举个例子,这是我们在2009年、2010年在纽约大学合作的一个实验(见上图),可以看到它可以识别图像,可以看出马路上的建筑,天空以及路上的车和人等等。我们可以利用这样的技术识别一些车辆。

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • AI
    AI
    +关注

    关注

    87

    文章

    30212

    浏览量

    268463
  • Facebook
    +关注

    关注

    3

    文章

    1429

    浏览量

    54655
  • 李开复
    +关注

    关注

    1

    文章

    42

    浏览量

    6251
收藏 人收藏

    评论

    相关推荐

    时空引导下的时间序列自监督学习框架

    【导读】最近,香港科技大学、上海AI Lab等多个组织联合发布了一篇时间序列监督预训练的文章,相比原来的TS2Vec等时间序列表示学习工作,核心在于提出了将空间信息融入到预训练阶段,
    的头像 发表于 11-15 11:41 138次阅读
    时空引导下的时间序列自<b class='flag-5'>监督学习</b>框架

    小鹏汽车2024 AI科技日:图灵AI芯片进展公布,预计AI汽车市场将迎来巨变

    在11月6日下午的2024小鹏AI科技日上,小鹏汽车揭晓了其图灵AI芯片的最新研发成果。小鹏汽车强调,这款图灵芯片是专为AI应用而生,配备了40核处理器,能够本地运行参数高达30B的大
    的头像 发表于 11-07 14:56 743次阅读

    荣耀与高通携手展示AI技术新成果,Magic7系列即将发布

    在夏威夷举行的高通骁龙峰会上,荣耀终端有限公司与高通公司共同展示了他们在AI原生应用场景方面的最新研发成果。荣耀终端有限公司CMO郭锐出席了此次峰会并发表了演讲,详细阐述了荣耀与高通在AI技术领域的深度合作。
    的头像 发表于 10-23 17:06 507次阅读

    【《大语言模型应用指南》阅读体验】+ 基础知识学习

    收集海量的文本数据作为训练材料。这些数据集不仅包括语法结构的学习,还包括对语言的深层次理解,如文化背景、语境含义和情感色彩等。 自监督学习:模型采用自监督学习策略,在大量标签文本数据
    发表于 08-02 11:03

    【《大语言模型应用指南》阅读体验】+ 基础篇

    章节最后总结了机器学习的分类:有监督学习监督学习、半监督学习、自监督学习和强化
    发表于 07-25 14:33

    神经网络如何用监督算法训练

    神经网络作为深度学习的重要组成部分,其训练方式多样,其中监督学习是一种重要的训练策略。监督学习旨在从未标记的数据中发现数据内在的结构、模
    的头像 发表于 07-09 18:06 703次阅读

    深度学习中的监督学习方法综述

    应用中往往难以实现。因此,监督学习在深度学习中扮演着越来越重要的角色。本文旨在综述深度学习中的监督学
    的头像 发表于 07-09 10:50 532次阅读

    基于FPGA的类脑计算平台 —PYNQ 集群的监督图像识别类脑计算系统

    STDP 监督学习算法,可运用于图像的 监督分类。 从平台设计角度: (1)本设计搭建的基于 PYNQ 集群的通用低功耗的大规模类脑计算平台,搭载 PYNN,NEST 等
    发表于 06-25 18:35

    齐普光电携最新的研发成果亮相荷兰交通展

    4月16日-19日齐普光电携最新的研发成果来到荷兰交通展会,其富有创意和创新性的产品在展会上博得大量眼球,下面让我们看看都有哪些展品以及现场盛况。
    的头像 发表于 04-20 10:47 434次阅读

    机器学习基础知识全攻略

    监督学习通常是利用带有专家标注的标签的训练数据,学习一个从输入变量X到输入变量Y的函数映射。Y = f (X),训练数据通常是(n×x,y)的形式,其中n代表训练样本的大小,x和y分别是变量X和Y的样本值。
    发表于 02-25 13:53 212次阅读
    机器<b class='flag-5'>学习</b>基础知识全攻略

    OpenAI推出Sora:AI领域的革命性突破

    大模型的核心技术是自然语言处理(NLP)和深度学习。具体而言,它基于Transformer架构,使用了大规模监督学习方法,例如自回归语言建模和掩码语言建模,来训练一个庞大的神经网络模型。
    发表于 02-21 16:36 994次阅读
    OpenAI推出Sora:<b class='flag-5'>AI</b>领域的革命性突破

    Meta发布新型监督视频预测模型“V-JEPA”

    Meta,这家社交媒体和科技巨头,近日宣布推出一种新型的监督视频预测模型,名为“V-JEPA”。这一模型在视频处理领域引起了广泛关注,因为它通过抽象性预测生成视频中缺失或模糊的部分来进行学习,提供了一种全新的视频处理方法。
    的头像 发表于 02-19 11:19 950次阅读

    2024年AI领域将会有哪些新突破呢?

    传统的机器学习需要大量的标记数据进行训练,但自监督学习可以通过监督的方式从大规模未标记的数据中学习到更有用的表示形式,从而提高模型的性能。
    的头像 发表于 01-24 09:58 1957次阅读

    基于transformer和自监督学习的路面异常检测方法分享

    铺设异常检测可以帮助减少数据存储、传输、标记和处理的压力。本论文描述了一种基于Transformer和自监督学习的新方法,有助于定位异常区域。
    的头像 发表于 12-06 14:57 1471次阅读
    基于transformer和自<b class='flag-5'>监督学习</b>的路面异常检测方法分享

    监督域自适应场景:基于检索增强的情境学习实现知识迁移

    本文对比了多种基线方法,包括监督域自适应的传统方法(如Pseudo-labeling和对抗训练)、基于检索的LM方法(如REALM和RAG)和情境学习方法(如In-context learning)。
    发表于 12-05 14:14 568次阅读
    <b class='flag-5'>无</b><b class='flag-5'>监督</b>域自适应场景:基于检索增强的情境<b class='flag-5'>学习</b>实现知识迁移