AR眼镜,机器学习领域的杀手级应用?

作者: 周蕾 2019-12-23 14:28:43

Facebook AI研究院的首席AI科学家Yann LeCun认为,AR(增强现实)眼镜有望成为机器学习从业者的理想挑战目标——一个杀手级应用,因为它涉及了多个未解决的问题。

完美的AR眼镜需要把对话式AI、计算机视觉和其他复杂系统结合起来,这些系统必须能够像眼镜那样小巧,便于操作。低功耗AI不可或缺,这将确保合理的电池寿命,从而使得用户拥有较长的可以佩戴和使用眼镜的时间。

与苹果,Niantic和高通这些公司一样,今年秋天,Facebook确认了到2025年制造增强现实眼镜的计划。

“对于硬件而言,这是一个巨大的挑战,因为你的眼镜可能带有可在可变延迟下实时跟踪视觉的摄像头,因此在移动时……这需要大量的计算。你希望能够通过语音与助手互动,以便助手一直在听你的声音,并且也会与你说话。您想要手势[识别],以便助手[可以执行]实时的手部追踪,”他说。

LeCun说,实时手部跟踪已经可以工作,不过“我们只是不知道如何以小巧的外形来做到这一点,同时功耗与AR眼镜适配。”

“就更大的型号来说,功耗、性能和外观,这些确实都超出了我们现在的能力范围,因此必须使用人们从未想到过的技巧,神经网络就是其中之一。”他说。

变得更有效率

LeCun这个月在全球最大的机器学习研究会议NeurIPS上的“EMC2节能机器学习”研讨会上发表了讲话。他谈到了硬件局限性如何限制研究人员的想象,并表示好的想法有时候会在硬件太慢、软件不易获得或实验难以重现时被抛弃。

他还谈到了特定的深度学习方法,例如差分联想记忆和卷积神经网络,它们构成了挑战,可能需要新的硬件。差分关联存储器(软RAM)是一种计算方法,目前已在自然语言处理(NLP)中广泛使用,在计算机视觉应用程序中也越来越常见。

“未来几年,深度学习和机器学习架构将发生很大变化。你已经可以看到很多这样的情况了。现在有了NLP,城里唯一的游戏基本上就是变换网络(Transformer networks)。”他说。

他补充说,更有效的批处理和自我监督学习技术,可以帮助AI像人类和动物一样学习更多,也可能有助于提高AI的能效。

在LeCun演讲之后,麻省理工学院的电气工程与计算机科学副教授Vivienne Sze谈到了需要一种系统的方法来评估深度神经网络的需求。SlidesLive报道称,在本周早些时候,Sze关于高效深度神经网络的演讲是这次NeurIPS视频中备受关注的一个,获得了相当多的点击率。

Sze说:“更大更远的存储器往往会消耗更多的电量”, 并指出“所有权重都不相等。” Sze还演示了Accelergy,这是MIT开发的一种能够估算硬件能耗的框架。

除讲座外,研讨会的海报发布会还展示了值得注意的低功耗AI解决方案。其中包括DistilBERT,这是谷歌BERT(Bidirectional Encoder Representations from Transformers)的轻便版本,后者是Hugging Face团队特别为在边缘设备上快速部署而制造的;以及SRI International和Latent AI对深度神经网络的量化比较。

许多知名人士呼吁机器学习社区应对气候变化,并表示这种关注可以推动创新。上周在NeurIPS上的一次小组讨论中,另一位深度学习先驱Yoshua Bengio呼吁研究人员更重视影响气候变化的机器学习上,并减少他们所获得的出版物数量。

在接受VentureBeat采访时,谷歌AI负责人Jeff Dean说,他支持创建“每瓦计算标准”的想法,以鼓励使用更高效的硬件。

节约能源,保护地球

除了在NeurIPS上进行解释深度学习算法的理论工作外,会议上的许多工作都强调了将AI对气候变化的贡献考虑在内的重要性,其中就有一篇名为“能源使用报告:算法责任中的环境意识”的论文。

该论文写道:“必须对算法的碳足迹进行测量并透明地报告,以便计算机科学家可以在环境可持续性方面发挥诚实和积极的作用。”

根据这一说法,会议的组织者早先建议,2020年向NeurIPS提交工作的AI研究人员可能需要分享他们提交供审议的工作的碳足迹。

美国研究机构AI Now Institute最近发布的2019年报告,就将测量算法的碳足迹纳入了十几项建议当中去,称这些建议可以带来一个更公正的社会。

在其他与节能有关的AI新闻中,Element AI和Mila Quebec AI研究所的机器学习从业人员上周推出了一种新工具,该工具可使用GPU训练AI模型来计算碳排放量,从而根据使用时间长短和云区域等因素预测能源使用情况。

朝着更高效的机器学习的方向发展,可能会带来改变地球的创新。但是,大的想法和挑战需要一个焦点——理论要让人感觉更实际,需要解决实际的特定问题。LeCun认为,AR眼镜可能是机器学习从业人员的理想用例。

本文转自雷锋网,如需转载请至雷锋网官网申请授权。

AR眼镜 机器学习 算法
上一篇:5G+AI:未来是否会产生1+1>2的效果? 下一篇:人脸识别技术运用中的认知误区
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

人工智能能否使机器具有流体智力?

麻省理工学院和奥地利研究人员为灵活的人工智能创造了“液体”机器学习。

千家网 ·  2021-06-01 10:38:55
高真实感、全局一致、外观精细,面向模糊目标的NeRF方案出炉

自 NeRF 被提出后,有多项研究对其加以改进。在本篇论文中,上海科技大学的研究者提出了首个将显式不透明监督和卷积机制结合到神经辐射场框架中以实现高质量外观的方案。

Haimin Luo等 ·  2021-06-01 09:57:39
大脑模拟NLP,高德纳奖得主:神经元集合演算用于句子解析

一个简单的大脑模型为人工智能研究提供了新的方向。世界顶尖计算机科学理论学家、哥德尔奖和高德纳奖获得者、哥伦比亚大学计算机科学教授 Christos Papadimitriou 关于「大脑中单词表征」的演讲。

Ben Dickson ·  2021-06-01 09:39:24
打破“维度的诅咒”,机器学习降维方法好

机器学习算法因为能够从具有许多特征的数据集中找出相关信息而大火,这些数据集往往包括了几十行的表格或者数百万像素的图像。

水木番 ·  2021-05-31 09:41:17
工业界中的机器学习是什么样子的

本文结合作者十余年的工业界经历,从工业界的视角来尝试给些思考和总结,欢迎大家批评讨论。

龙星镖局 ·  2021-05-31 09:26:01
中国人开始反算法:不登录、不点赞、不关注、不评论

“算法不讲武德!”越来越多年轻人发觉,生活正在被算法控制。

深燃团队 ·  2021-05-31 09:03:12
最喜欢随机森林?TensorFlow开源决策森林库TF-DF

近日,TensorFlow 开源了 TensorFlow 决策森林 (TF-DF)。TF-DF 是用于训练、服务和解释决策森林模型(包括随机森林和梯度增强树)生产方面的 SOTA 算法集合。

机器之心 ·  2021-05-28 17:18:44
人工智能、机器学习和物联网等技术改善健康的7种方式

尽管老生常谈,但我们还是要说:让我们不健康的不是技术,而是我们的生活习惯,事实上,技术可以让我们变得更健康。

佚名 ·  2021-05-28 11:42:58
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载