訓練人工智慧與人類學習方式更相似
科技新聞摘要
在觀察一個行人走動時,人類的大腦可以轉換出這個動態的視覺資訊,使其更能穩定地表現。但電腦視覺系統並不具備人類的這個特殊能力。麻省理工學院(MIT)的研究人員發現,使用對抗式訓練的特定訓練方式可以幫助電腦視覺系統更像人類學習方式,產生更為穩定的視覺資訊表現。對抗式訓練可以讓模型對圖片進行微小的調整,以提高模型的強健性,使其不受這些調整的影響,從而學習到更可預測的表現形式。人工智慧學習方式的思考
人工智慧領域的發展,一直致力於讓機器學習能像人類一樣。本文報導了一種特定的訓練方式,可以讓電腦視覺系統更像人類,具備將動態視覺資訊轉化為穩定表現的能力。這個研究成果在自動駕駛領域中,有望幫助電腦視覺系統更正確地預測行人、腳踏車、車輛等物體的移動軌跡。此外本研究還發現,訓練模型的任務可以影響它們的視覺資訊表現形式。模型訓練的抽象任務對表現穩定的視覺資訊更有幫助,而在畫素細節方面更為嚴格的任務中,模型的表現不穩定。因此對於未來的人工智慧設計,應該考慮人類學習方式的特性,選擇更能符合模型特性的訓練任務,從而達到更好的效能。對人工智慧技術可持續考量的建議
人工智慧技術發展的重要目標之一是將其扎實地介入各領域並幫助其更準確、更高效率地工作。但這也要求人們應該在發展人工智慧技術時考慮到其潛在影響,不僅是在技術開發初期就考慮到安全和隱私,還要在人工智慧技術應用期間考慮這些問題。本研究討論了將人類學習方式更深入融入人工智慧訓練中的可持續發展策略。因此在進行人工智慧的模型訓練時,訓練模型的任務應該更符合模型本身的特性,以最大限度地發揮其潛在能力。同時還要探討更有效的訓練方式和技術,以幫助模型更快地學習,更好地應用在現實應用中。Artificial Intelligence-機器學習,人工智慧,模型訓練,深度學習,自然語言處理
延伸閱讀
- 在 AI 領域的女性:Tara Chklovski 正在教導下一代的 AI 創新者
- 為什麼 RAG 無法解決生成式 AI 的幻覺問題
- 本週人工智慧大事記:生成式人工智慧與創作者補償的問題
- 蘋果 AI 計劃揭祕:從財報中學到的三件事
- 特斯拉 CEO 為人工智慧新創公司籌集 60 億美元,TikTok 是否在逃避蘋果的傭金?
- Allozymes 以加速酶學應用於資料和人工智慧,籌集 1500 萬美元
- 在 TC 的 Techstars 調查內部以及人工智慧如何加速殘障科技
- Microsoft 禁止美國警察局使用企業人工智慧工具
- 你的 AI 原生新創公司並非一般的 SaaS 公司
- Airbnb 釋出團體訂房功能,並整合人工智慧以提升客戶服務