人工智能“生长”新办法，一个不只IT巨子才干研讨AI的年代？
新的办法
最近几个月许多人都看到了现在有许多办法处理人工智能“大数据问题”然后带给人工智能巨大推动力，而且渐渐的开端呈现一些风趣的打破，能够让更多的公司和安排运用AI。
什么是大数据问题？经过获取满足多的数据来练习算法模型然后完结人工智能，现在来说这是最干流的开发AI技能的办法，它答应机器自己找到数据中的联系和形式。例如，在算法模型获取过许多猫的图画后，深度学习程序能够创立自己对“猫”构成的界说，并运用它来辨认未来的图画为“猫”或“不是猫”。
没有“大数据”
深度学习算法一般需求数百万个练习样例才干完好的练习出可用的算法模型。可是，许多公司和安排无法拜访或许具有如此大型的带注释数据的缓存来练习他们的模型，获取数百万张猫的图片现已满足困难；怎么取得数百万个正确注释的客户资料、或许考虑来自医疗保健范畴，数以百万计的注释过的医学影像数据呢。最重要的是，在许多范畴，数据涣散，需求支付巨大的尽力和资金来稳固和整理人工智能的数据。在其他范畴，数据受隐私法和其他法规的束缚，这或许使数据乃至无法传达出来。
这便是为什么人工智能研讨人员在曩昔几年里一向面临着为深度学习的巨大数据需求找到变通办法的原因。这便是为什么最近几个月呈现了许多风趣的处理办法。
混合AI模型
在人工智能六十年前史的很大一部分中，该范畴的特点是标志性和联合性人工智能之间的竞赛。标志主义者以为AI有必要依据程序员编写的清晰规矩。衔接主义者以为AI有必要经过经历学习，这种办法在深度学习中运用。但最近，研讨人员发现，经过结合衔接主义和符号模型，他们能够创立一个需求很少的练习数据就可完结的AI体系。
在5月来自麻省理工学院和IBM的研讨人员介绍了“神经符号概念学习者”，这是一种将依据规矩的AI和神经网络结合在一起的AI模型。运用神经网络从图画中提取特征并组成一个结构化的信息表。然后，它运用经典的依据规矩的程序来处理问题并依据这些符号处理问题。经过结合神经网络的学习才能和依据规矩的AI的推理才能，能够用更少的数据习惯新的设置和问题。研讨人员测验了AI模型，这是一个图画辨认的测验。在测验中，算法模型有必要答复有关给定图片中包括的目标和元素的问题。朴实依据神经网络的AI模型一般需求很多的练习样例来处理图画辨认问题的准确性。可是，现在这种结合的办法能够用一小部分数据来把握一切图画的规则然后进行新的图画辨认。
少量学习和一次性学习
削减练习数据的传统办法是运用搬运学习，选用预练习神经网络的进程并对其进行微调以完结新任务。例如，一种在数百万图画上练习的开源图画分类器，并经过运用特定于域的示例对其进行从头练习，将其从头用于新任务。搬运学习削减了创立AI模型所需的练习数据量。但它或许仍需求数百个示例，调整进程需求很多的实验和过错。最近几个月，人工智能研讨人员现已能够创造出能够用更少的比如练习新任务的技能。本年5月，三星的研讨实验室推出了Talking Heads，这是一款能够直接进行少量镜头学习的面部动画AI模型。Talking Heads体系能够终究靠仅检查主体的几张图画来模仿曾经看不见的人的肖像。在对面部的大型数据集进行练习之后，AI学习重新图画中辨认和提取面部地标，并以天然办法操作它们，而无需许多示例。
对立网络
为了处理这样的一个问题，许多研讨人员正在从生成对立网络（GAN）取得协助，在2014年创造的一种技能.对立网络将生成器和鉴别器神经网络彼此对接以创立新数据。 对立网络还能够在必定程度上协助削减搜集数据的的人力。国立台湾大学的研讨人员最近创立了一个对立网络，能够生成电子健康记载来练习AI模型。因为生成的EHR朴实是组成的，因而运用它们来练习模型的AI工程师无需取得特别答应。最近，德国吕贝克大学的研讨人员介绍了一种运用对立网络组成高质量医学图画如CT扫描和MRI的新办法。这种新技能具有更高的功率和低消耗的长处，这在某种程度上预示着它不需求大型AI实验室和大型科技公司可用的巨大核算资源。
许多人忧虑跟着深度学习的鼓起，能够拜访很多数据的公司和安排将占有主导地位。尽管很难猜测数据密布程度较低的AI模型需求多长时间才干从研讨实验室转向商用选项，但能够必定的是，跟着这些和其他相似项目的呈现，咱们我们能够愈加充满希望深度学习立异不只限于现有的IT巨子公司。
