所有文章 > 正文

盘点两大云巨头IBM和Google资助的MIT四大人工智能項目

作者: Jansfer

浏览量: 156

时间: 2019-09-19 05:54

关键词: IBM,Google,MIT

麻省理工学院的研究人员正在训练一对生成对抗网络(GAN),用以模拟卫星图像中观察到的陆地、海洋和云层纹理,获得现实世界中预测海平面上升的可视化图像。这是众多人工智能研究项目之一, IBM和谷歌(google)提供的云服务使之成为可能。

麻省理工学院的研究人员正在训练一对生成对抗网络(GAN),用以模拟卫星图像中观察到的陆地、海洋和云层纹理,获得现实世界中预测海平面上升的可视化图像。这是众多人工智能研究项目之一, IBM和谷歌(google)提供的云服务使之成为可能。

神经网络为研究人员预测未来提供了强大的工具。但其缺点在于在处理所有这些信息的过程中对数据和计算能力贪得无厌的需求。麻省理工学院(MIT)对计算的需求约是该学院现有能力的五倍。为了帮助缓解这一危机,企业公司也已介入。近期IBM捐赠的价值1160万美元的超级计算机将于今年秋季上线,在过去的一年里,IBM和谷歌都向MIT 的智能探索项目(Quest for Intelligence)提供了云服务,以便在校园内合理分布。下面重点介绍IBM和Google云援助支持的四个人工智能项目。

1、更小,更快,更智能的神经网络

为了识别图片中的猫,深度学习模型需要经过数百万张照片的训练,其人工神经元才能学会识别猫。正如试图测量人工智能(AI)碳足迹的新研究强调的那样,这一过程需要密集的计算,且环境成本高昂。

但也许有一种更有效的方法。麻省理工学院一项新的研究表明,训练只需要一小部分模型。麻省理工学院电气工程与计算机科学系(EECS)研究生Jonathan Frankle说:“当训练一个大型网络时,其中一个小网络就可以完成所以工作。”

Frankle与该研究的共同作者EECS教授Michael Carbin推测,如果一开始就能找到正确的子网络,神经网络只需十分之一的连接数就能通过。通常情况下,训练过后需要去除神经网络中不相关的连接。既然如此,Frankle想为什么不从一开始就训练小模型呢?

因此,Frankle在自己的笔记本电脑上尝试使用双神经元网络,结果很鼓舞人心,进而在可以借用GPU的地方对更大的图像数据集进行实验,如MNIST和CIFAR-10。最后,通过IBM Cloud,获得了足够的计算能力来训练一个真正的ResNet模型。他说:“我以前做的一切都是尝试性实验,现在我终于能够运行几十种不同的设置,确保可以在论文中作出声明。”

Frankle在Facebook的办公室里发表了上述言论,他在那里花了整个夏天的时间来探索他的彩票假说论文所提出的观点,该论文是今年国际学习代表大会两篇获得最佳论文奖的论文之一。Frankle还说,这项工作的潜在应用不仅仅是图像分类,还包括强化学习和自然语言处理模型。Facebook人工智能研究、普林斯顿大学和优步(Uber)的研究人员已经发表了后续研究。

“我喜欢研究神经网络是因为我们至今还没打下基础,我们真的不明白它是如何学习的,好在哪里,在哪里失败。这是比牛顿还早1000年的物理学。”Frankle说,他最近刚从研究密码学和技术政策转向研究人工智能。

2、区分真假新闻

Facebook和Twitter此类网络平台的出现让人们比以往更容易找到优质新闻。但大多时候,真实的新闻会被网上发布的误导性或虚假信息所淹没。美国众议院议Nancy Pelosi最近被一段视频烦恼着,她的声音被伪造成醉酒的声音,这是虚假信息和假新闻对民主构成威胁的最新案例。

麻省理工学院EECS专业大四学生Moin Nadeem表示:“现在你可以把任何东西放在互联网上,总有一些人会相信。”

如果技术帮助制造了这个问题,那也可能帮助解决它。这也是Nadeem选择superUROP项目的原因,该项目的重点是构建一个自动化系统,以打击对抗虚假新闻。NadeemNadeem在麻省理工学院计算机科学与人工智能实验室詹姆斯·格拉斯研究员的实验室里工作,并由Mitra Mohtarami监督,通过在维基百科和三种新闻来源上搜索,帮助训练一种语言模型以核实事实。

为了验证该声明,该模型衡量了消息来源的一致性,较高的一致性则表明该新闻可能是真实的。对于“ISIS渗透到美国”这样的说法,其消息来源一致性低是虚假新闻的有力证据。但是,这种方法的缺点是该模型不能识别独立的事实,而只是筛出了大多数人认为真实的信息。

借助Google Cloud 平台,Nadeem进行了实验,并构建了一个交互式网站,让用户可以即时评估新闻的准确性。他及其他共同作者在6月份的北美计算语言学协会(NAACL)会议上展示了他们的成果,并将继续扩展这项工作。

Nadeem对这段关于他工作的视频说:“过去有句谚语说,眼见为实。但我们正进入一个不太真实的世界。如果人们不能相信自己的所见所闻,那么我们还能相信什么呢?”

3、气候变暖可视化

从海平面上升到干旱加剧,我们已经明显地感受到了气候变化的影响。几十年后,地球将变得更温暖、更干燥、更难以预测。麻省理工学院航空航天系(AeroAstro)研究生Brandon Leshchinskiy正在尝试用生成对抗性网络(GAN)进行实验,用以想象地球将会是什么样子。

GANs通过将一个神经网络与另一个神经网络对比来产生超逼真的图像。第一个网络用于学习一组图像的底层结构并尝试进行复制,而第二个网络判断哪些图像看起来不太可信并反馈给第一个网络再次进行尝试。

受研究员利用GANs可视化海平面上升图像的启发,Leshchinskiy想看看卫星图像是否能同样个性化气候预测。Leshchinskiy和他导师—航空航天教授Dava Newman,目前正在使用免费的IBM Cloud在美国东部海岸线的图像及其相应的高程点上训练一对GAN。他们的目标是预测2050年的海平面上升将如何重新划分海岸线。如果该项目能成功,Leshinskiy希望利用NASA的其他数据集来预测未来的海洋酸化和浮游植物数量的变化。

Leshchinskiy说:“我们已经超过了减排的临界点。如果能预测到三十年后的地球变化,能帮助我们适应气候变化。”

4、通过特定手势识别运动员

计算机视觉模型能通过球场上的一些动作来使识别出个别运动员。这是麻省理工学院智能探索研究员Katherine Gallagher领导的团队的初步研究成果。

该团队对计算机视觉模型进行了关于网球、足球和篮球比赛的录像训练,结果发现,这些模型只需要几帧关键动作画面就能辨别出每个运动员,从而勾勒出他们骨骼的轮廓。

该团队使用谷歌云(Google Cloud) API处理视频数据,并将其模型的性能与在谷歌云 的AI平台上训练的模型进行比较,发现这种姿势是如此与众不同,以至于该模特能准确地识别出玩家,提供与另一模型一样的信息,如头发颜色和衣服。

该研究结果与体育分析系统中的自动化球员识别有关,并且可以为进一步研究推断球员疲劳、预测何时换下球员提供基础。自动姿势检测还可以帮助运动员改进其技术,通过分离专业的高尔夫球手或网球运动员获胜的精确动作改进自身的技术。

[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。

扫码微信阅读
[关于转载]:本文转载于Jansfer,仅用于学术分享,有任何问题请与我们联系:report@aminer.cn。