人工智能能否使机器具有流体智力?

作者: 千家网 2021-06-01 10:38:55

一种新型的人工智能 (AI) 机器学习在 2021 年 2 月初举行的第 35 届 AAAI 人工智能会议上亮相。 麻省理工学院 (MIT) 和奥地利研究人员创建了一个新的神经网络,赋予了更多的流体人工智能被称为“液体”机器学习。这种新型机器学习可以更好地适应复杂现实世界问题的动态波动。

在数据流随时间变化的领域,开发可以快速学习的更灵活的人工智能是关键任务。具有时间序列数据的实际应用包括视频处理、流行病学、金融市场、经济学、国内生产总值 (GDP)、健康监测、天气预报、大气污染、自动驾驶汽车、机器人技术、航空和医学成像等一些。

流体智力与晶体智力的概念可以追溯到 1963 年,当时它是由 20 世纪最有影响力的心理学家之一雷蒙德·卡特尔 (Raymond Cattell) (1905-1998) 提出的。流体智力是灵活思考、推理和实时处理新信息的能力。相比之下,结晶智力是指从先前学习的事实、技能和经验中获得的知识。

流体智力(Fluid Intelligence)是一种以生理为基础的认知能力,如知觉、记忆、运算速度、推理能力等。流体智力是与晶体智力相对应的概念,流体智力随年龄的老化而减退。流体智力属于人类的基本能力,受先天遗传因素影响较大,受教育文化影响较少。流体智力的发展与年龄有密切的关系:一般人在20岁以后,流体智力的发展达到顶峰,30岁以后随着年龄的增长而降低。而晶体智力则并不随年龄的老化而减退,晶体智力主要指学会的技能、语言文字能力、判断力、联想力等。

“我们引入了一类新的时间连续循环神经网络模型,”该研究的作者写道。 Ramin Hasani 是计算机科学与人工智能实验室 (CSAIL) 的博士后,也是该研究的主要作者。该团队的其他研究人员包括麻省理工学院教授兼 CSAIL 主任 Daniela Rus、麻省理工学院博士生 Alexander Amini、奥地利科学技术研究所的 Mathias Lechner 和维也纳科技大学的 Radu Grosu。

当存在时间序列数据时,经常使用使用常微分方程 (ODE) 来确定连续时间隐藏状态的循环神经网络。研究人员团队着手改进这种结构,以“实现更丰富的表征学习和表达能力”。

研究人员写道:“我们不是通过隐式非线性来声明学习系统的动态,而是构建通过非线性互连门调制的线性一阶动态系统网络。”

作为替代方案,研究人员创建了一个液体时间常数 (LTC) 循环神经网络 (RNN)。这种新型循环神经网络的优势在于它在设计上更具表现力,因此本质上更透明和可解释。

这种表现力使研究人员能够更好地了解神经网络的一些“思考”过程,这一好处有助于揭开人工智能机器学习“黑匣子”的一些复杂认知的神秘面纱。

研究小组写道:“由此产生的模型代表了动态系统,其变化的(即液体)时间常数与其隐藏状态耦合,输出由数值微分方程求解器计算。” “这些神经网络表现出稳定和有界的行为,在神经常微分方程族中产生卓越的表现力,并提高了时间序列预测任务的性能。”

为了评估他们的新模型,该团队对他们的液体时间约束递归神经网络进行了大量实验。实验包括训练分类器从运动数据中识别手势,从传感器数据流(温度、二氧化碳水平、湿度和其他传感器)预测房间占用,以及从智能手机数据识别人类活动(例如,站立、行走和坐着)。其他测试包括顺序 MNIST、运动动力学建模以及交通预测、每小时家庭用电量、臭氧浓度水平和更多类型的人类活动。

与其他循环神经网络模型(LSTM、CT-RNN、Neural ODE 和 CT-GRU)相比,研究人员观察到,在关于时间序列预测的七项实验中有四项改进了 5% 到 70%。

人工智能正在跨行业和许多功能迅速扩展。 AI 机器学习变得越灵活、流畅和透明,未来提高 AI 安全性和性能的潜力就越大。

人工智能 AI 机器学习
上一篇:高真实感、全局一致、外观精细,面向模糊目标的NeRF方案出炉 下一篇:是福还是祸?人脸识别技术的利与弊
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

面部识别的利与弊:是福还是祸?

虽然现代技术使面部识别更加精确和安全,但与面部识别隐私问题和监控有关的担忧也在增加。因此,让我们在这篇文章中探讨一下这该技术的利与弊。

Naveen Joshi ·  2021-06-01 16:36:22
人工智能和5G如何结合以实现物联网收入最大化

网络系统通过信令和使用软件以及分析来检测和分类设备非常棘手,并且对有限且日益紧张的网络资源提出了巨大的需求。然而,解决这些问题有一个主要解决方案:采用人工智能、自动化和5G技术。

Jordi Castellvi ·  2021-06-01 13:49:15
MIT团队最新研究,仅靠LiDAR和2D地图实现端到端自动驾驶

最近, MIT 计算机科学与人工智能实验室(CSAIL)团队成功展示了一种基于机器学习的自动驾驶系统,该端到端框架仅使用 LiDAR获取的原始 3D 点云数据和类似于手机上的低分辨率 GPS 地图就能进行自主导航,并且大大提升了鲁棒性。

文龙 ·  2021-06-01 12:47:51
自然语言处理(NLP)的历史及其发展方向

自然语言处理的历史是一个充满曲折的故事。它从徒劳的研究开始,经过多年卓有成效的工作,最后结束于一个我们仍在试图找出该领域极限的时代。今天,让我们来一起探索这一AI科学分支的发展。

佚名 ·  2021-06-01 12:46:26
是福还是祸?人脸识别技术的利与弊

面部识别并不是一项全新的技术,但人工智能和机器学习不断使面部识别变得更好。苹果通过引入具有 3D 扫描功能的面部生物识别系统和 iPhone 的 Face ID,提高了面部识别的标准。

Naveen Joshi ·  2021-06-01 11:11:01
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
美城市Baltimore可能颁布最严格的面部识别禁令

据介绍,拟议的法令将禁止私人或商业组织,甚至执法机构在城市使用面部识别技术。

千家网 ·  2021-06-01 09:34:07
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载