歡迎來到114ic交易網!登錄免費注冊 加為收藏
型號索引電子元器件現貨庫存IC熱賣
緊急采購日常采購采購商名錄
行業新聞經營管理電子展會人才招聘精選文摘企業新聞行業標準LED新聞
IC生產廠商電子縮略語封裝大全IC替換晶體管資料PDF資料電路圖

誰是2018年AI圈最靚的仔?

日期:2019/4/12 11:36:32
摘要:大家可能知道這樣一個“唱衰AI”的小故事:用機器視覺技術,AI今天可以很輕松識別出來一張照片上的幾張人臉。但它無法像真人一樣,一眼看出來圖上是朋友、戀人還是家庭聚會。換句話說,一般意義上AI無法獲得和增強用人類常識去進行邏輯推理的能力。很多人以此判斷,今天的AI并不怎么智能。

關鍵詞:AI

這頂“桂冠”只有兩位候選人:俗話說,前端能打看BERT,底層深度看圖網絡。其實并沒有這句俗話……但是BERT和圖網絡在今天的AI界并駕齊驅,堪稱被討論最多的兩種技術,這一點是毫無疑問的。谷歌的BERT作為一種算法模型,在語言任務上展現出了不講道理的應用效果,熠熠奪目自然很容易理解。

但另一個最近大家聽到很多次的詞,圖網絡,可能就沒那么容易理解了。相比某種算法,圖網絡更像是一個學術思考下若干種技術解決思路的集合,非常抽象和底層。它的價值到底在哪?為什么甚至能被抬高到“深度學習的救星”這種程度?我們發現,目前關于圖網絡的解釋,大多都是從論文出發。非技術背景的讀者可能會看得有點暈。所以這里想用一些“大白話”,來描述一下:風口浪尖上的圖網絡,究竟有什么秘密?

想讓自己在AI圈潮酷起來嗎?聊Graph和GNN吧!

所謂圖網絡,并不是指有圖片的網站……而是指基于圖(Graph)數據進行工作的神經網絡。

Graph,翻譯成“圖”,或者“圖譜”。這是一個數學概念,指由頂點(nodes)和邊(edges)構成的一種數學關系。后來這個概念引申到了計算機科學中,成為了一種重要的數據形式,用來表示單元間相互有聯系的數據網絡。此外,這個概念還引申到了生物學、社會科學和歷史學等無數學科,甚至變成了我們生活中的常見概念。在警匪片里,警局或者偵探辦公室的墻上,往往掛著罪犯的關系網絡圖,這大概是我們生活中最常見的Graph。

回到計算機科學領域,圖數據和基于圖的分析,廣泛應用于各種分類、鏈路、聚類任務里。人工智能領域有個重要的分支,叫做知識圖譜。基本邏輯就是將知識進行Graph化,從而在我們尋找知識時,可以依據圖譜關系進行追蹤和定位。比如我們在搜索引擎中搜某個名人時,相關推薦會跳出來跟這個人字面意義上無關的其他人。這就是知識圖譜在起作用。那么圖網絡是怎么搞出來的呢?

大家可能知道這樣一個“唱衰AI”的小故事:用機器視覺技術,AI今天可以很輕松識別出來一張照片上的幾張人臉。但它無法像真人一樣,一眼看出來圖上是朋友、戀人還是家庭聚會。換句話說,一般意義上AI無法獲得和增強用人類常識去進行邏輯推理的能力。很多人以此判斷,今天的AI并不怎么智能。

AI科學家們琢磨了一下,表示這事兒有辦法搞定。如果把圖/圖譜作為AI的一部分,將深度學習帶來的學習能力,和圖譜代表的邏輯關系結合起來,是不是就好很多。

事實上,Graph+Deeplearning并不是一個全新概念。最早在2009年,就有研究提出了二者的結合。近幾年這個領域陸續在有研究出來。對于這個組合產物,學術界有人稱之為圖卷積網絡(GCN),也有人稱呼其為圖神經網絡(GNN)或者圖網絡(GN,Graph Networks),其技術內涵和命名思路也各不相同。這里暫且使用圖網絡這個籠統稱呼。

圖網絡作為一種新的AI研究思路,之所以能夠在2018年被點燃,很大程度還是號稱AI扛把子的DeepMind的功勞。在火種拋出、全球跟進以及反復爭論之后,圖網絡變成了AI學術圈最靚仔的那個關鍵詞。今天大有一種,聊深度學習不說圖網絡就很low的感覺……

從識別小能手到推理專家:AI新貴求職

有種論調是這么說的:深度學習已死,圖網絡才是未來。這句話怎么琢磨都有問題。因為從圖網絡在去年被“翻新”出來那一刻,它在本質上還是對流行的多層神經網絡的一種補充。讓我們來打個比方,看一下跟傳統深度學習相比,圖網絡應該是如何工作的。

舉個例子,假如我們想讓教育我們的孩子,讓他認識新來的鄰居一家人。我們應該怎么辦呢?可以選擇給他講,隔壁新來了某個小朋友,他爸爸是誰媽媽是誰。但是這樣不直觀,孩子很容易記不住。而更快的方式或許是拿著照片給他看,告訴他照片上的人都是什么關系。而在這個工作之前,其實我們已經完成了一個先覺條件:我們已經告訴過孩子,爸爸媽媽爺爺奶奶這些稱呼,分別指代的是什么意思。他理解這些“邊”,然后再代入新鄰居一家人具體的樣貌性格交談作為“頂點”,最終構成了對鄰居一家這個“圖”的網絡化認識。

AI新貴上位 圖網絡是怎么火起來的?

而我們在用深度學習教導AI時,往往是省略掉第一步。直接給出大量照片和語音文字資料進行訓練,強迫AI去“記住”這一家人的關系。然而在AI缺乏對家庭關系的基本常識情況下,它到底能不能記住,是怎么記住的,會不會出現偏差,其實我們都是不知道的。

某種程度上,這就是深度學習的黑箱性來源之一。所以圖網絡的思路是,首先讓AI構建一個“圖”數據,先理解爸爸媽媽這一類關系的含義,再去學習具體的家庭數據。這樣AI就可以依靠已經積累的節點間的消息傳遞性,來自己推理下一個要認識的家庭究竟誰是爸爸誰是兒子。這也就意味著,圖網絡某種程度上有了自己推理的能力。如果將這種能力推而廣之,AI就將可能在非常復雜的聯系和推理中完成智能工作。

前面說了,這個領域的工作其實一直沒有停止。但是之所以沒有廣泛流行,一方面是因為這個領域相對小眾,缺少重磅研究來引發大家的關注;另一方面也是因為看不見摸不著,缺少開源模型來檢驗理論的正誤。

去年6月,DeepMind聯合谷歌大腦、麻省理工等機構的27位學者,共同發表了關于圖網絡的論文《Relational inductive biases, deep learning, and_graph networks.》,接著開源了相關的算法包GraphNet。這篇文章中,DeepMind不僅提出了新的算法模型,希望能用圖網絡實現端到端的學習;同時也總結歸納了此前圖網絡各個流派的研究方法,并將其在新算法上進行了融合。

在這個有點承上啟下意味的研究出來后,大量關于圖網絡的綜述、應用檢驗,以及新算法的探討開始在學術界萌生。隨著全球AI圈的共同發力,這門AI技術新貴正在嘗試走向臺前。