像跳傘、蹦極、滑雪之類驚險刺激的運動是旅行樂趣中很是重要的一部分,而 AI 之旅中一樣存在這樣好玩刺激的項目,它就是 Magenta,一個探索機器學習在創做藝術和音樂過程當中的做用的研究項目。也就是說,讓 AI 涉足藝術領域,包括寫歌、畫畫、寫小說等,你可能會說了,AI 所謂的創做永遠沒法超越人類,是這樣的,至少目前和可預見的將來是這樣的,而 Magenta 的目的不是爲了取代人類進行創做,而是探索藝術創做的過程,能夠做爲一種工具在人類創做藝術的過程當中提供有價值的幫助
Magenta 衆多的模型中最出名的當屬 Sketch-RNN 了,就像它的名字同樣,它是一個能夠自動生成素描(sketch)的循環神經網絡(recurrent neural network)模型。若是你沒聽過 Sketch-RNN,那你必定玩過或者聽過猜畫小歌(Quick, Draw!)這款遊戲吧,給你一個名字,你把它畫出來,看 AI 能不能猜出你畫的是什麼,到目前爲止,Quick, Draw! 數據集已經收集了 345 個類別共計 5000 萬個矢量素描圖,若是你玩過這個遊戲,那麼其中也有你的一份貢獻
html
早在希臘神話中就出現了機器人和人造人,如火神赫菲斯托斯的黃金機器人女僕和塞浦路斯國王皮格馬利翁的妻子加拉泰亞(被愛神賜予生命的雕像)
中國古代也有相似的記載,在公元前 3 世紀的《列子》一書中曾記錄了一個 「偃師獻技」 的故事,講述的是周穆王西巡歸來的途中,尚未到達中國境內,遇到了自願前來獻技的工匠偃師,偃師次日帶來了一個像真人同樣的歌舞藝人,能歌善舞,且心肝脾胃腎等雖然都是假的但包羅萬象,連周穆王都感嘆道 「人之巧乃可與造化者同功乎?」
中世紀的時候,有傳言說煉金術士能夠將心智放入物品中
到了 19 時機,關於人造人和思考機器的想法在小說中發展起來,如瑪麗·雪萊的弗蘭肯斯坦(有興趣的能夠看一下這個電影)
雖然早在公元前 1000 年前中國、印度以及希臘的哲學家都開發了形式演繹的結構化方法,可是這麼多世紀過去了,隨着許多哲學家、心理學家、數學家等偉人的不斷探索,才讓人工智能或者說機械推理慢慢變爲可能,如 17 世紀的萊布尼茲和笛卡爾等人探索了全部理性思想能夠像代數或幾何同樣系統化的可能性,受到 1913 年羅素和懷特海所著《數學原理》的啓發,David Hilbert 向二十世紀二三十年代的數學家們提出挑戰:「全部的數學推理均可以形式化麼?」,圖靈機和 Lambda 演算等都給出了回答,這些回答使人驚訝的有兩方面,一是它們證實了數學邏輯被實現時確實存在限制,二是這也代表在這些限制範圍內任何形式的數學推理均可以機械化git
20 世紀開始人們就已經知道了咱們神經元的大概結構
github
1956 年,Marvin Minsky, John McCarthy 和來自 IBM 的兩位資深科學家 Claude Shannon 和 Nathan Rochester 組織召開了達特茅斯會議(Dartmouth Conference),會議提出了一個主張 「學習的每一個方面或任何其它智能特徵均可以如此精確地描述,以即可以使機器模擬它」,McCarthy 說服了與會者接受 「人工智能」(Artificial Intelligence)做爲該領域的名字,所以此次會議也被普遍認爲是 AI 的誕生之日算法
1956 – 1974 年,是人工智能的黃金年代,對於人工智能理論和程序的成果讓人們充滿了樂觀和熱情,甚至有研究人員樂觀地認爲不到 20 年就能夠建造一臺徹底智能的機器,各個政府、公司也投入了大量的資金和人力參與人工智能的研發。1958 年康奈爾航空實驗室的 Frank Rosenblatt 發明了被叫作感知器(perceptron)的機器(程序),從如今來看,它其實就是一個簡單的二元線性分類器的監督式機器學習算法,可是在當時能夠識別圖像再加上美國軍方的參與也引發了很大的轟動和爭議網絡
1974 – 1980 年,出現了第一次 AI 寒冬,AI 受到了批判和資金困難,面對遙遙無期的智能機器人們當初的樂觀和熱情受到了打擊,再加上 Marvin Minsky 對感知機的毀滅性批判,致使神經網絡(鏈接主義 connectionism)領域停工了幾乎十年app
1980 – 1987 年,AI 迎來了繁榮期,專家系統(expert systems)的出現讓知識稱爲主流人工智能研究的焦點,各個政府和公司也開始了人工智能資金的支持。1982 年 John Hopfield 證實了 Hopfield 神經網絡能夠以一種全新的方式學習和處理信息,幾乎同時,Geoffrey Hinton 和 David Rumelhart 推廣了一種訓練神經網絡的方法,即著名的反向傳播算法(backpropagation),這兩項發現幫助了連結主義領域的復興機器學習
1987 – 1993 年,出現了第二次 AI 寒冬,專家系統雖然有用但僅限於少數特殊狀況,AI 資金被一次次削減,不少 AI 公司倒閉、破產或被收購函數
1993 – 2011 年,是 AI 的冷靜期,計算機的工程師們開始更加謹慎地投入人工智能研究,將機率和決策論引入 AI,專一於解決數據挖掘、語音識別、醫學診斷、搜索引擎等子問題,工程師們甚至有意避免使用人工智能術語
2011 年至今,隨着深度學習、大數據和簡易人工智能的研究與應用,人工智能更關注於解決一些特定的問題。其中深度學習(特別是深度卷積神經網絡和循環神經網絡)的進步推進了圖像和視頻處理、文本分析、甚至語音識別的進步和研究,深度學習是機器學習的一個分支,它使用具備不少處理層的深度圖來模擬數據中的高級抽象,根據通用近似定理(Universal approximation theorem),神經網絡不須要太多深度就能夠逼近任意連續函數工具
卷積神經網絡(convolutional neural network)通常簡寫成 CNN 或 ConvNet,是用來分析視覺圖像最經常使用的一類深度神經網絡,它受到生物過程的啓發,由於神經元之間的模式相似於動物視覺皮層的組織,皮質神經元僅僅對視野的限制區域的刺激作出反應(這個區域也被稱爲 receptive field),不一樣神經元的 receptive field 部分重疊以即可以覆蓋整個視野
卷積是分析數學中的一種積分運算,在圖像處理中能夠進行特徵值的處理,以便消除噪聲和特徵加強
學習
循環神經網絡(recurrent neural network)通常簡寫成 RNN,是節點之間的鏈接造成沿時間序列的有向圖的一類神經網絡,與前饋神經網絡(feedforward neural networks)不一樣的是,RNN 能夠經過內部狀態來處理輸入序列,這使得它適用於處理未分段、連續手寫識別或語音識別等任務
根據咱們以前的瞭解,咱們須要花費大量的時間在特徵工程和訓練權重上,那有沒有可能不須要這些前提條件甚至不須要訓練一個模型就能執行任務呢?權重不可知神經網絡(Weight Agnostic Neural Networks)給出了答案,固然能夠
人工智能之路充滿了高潮和低谷,也充滿了讚許和爭議,值得欣慰的是,人們終於冷靜了下來,再也不絞盡腦汁地去創造意識,而是將機器學習這一子領域重視起來並應用於生活中,讓機器學習這一領域的研究成果改善世界,改善人們的生活方式
機器學習有不少有趣的應用,如咱們上面說的 Sketch-RNN 能夠畫畫,還有些模型能夠寫歌,能夠寫小說,能夠給圖片上色,甚至能夠根據一段音頻學習發音,根據一張圖片生成視頻,只要咱們把它用在正確的地方,它就能給咱們帶來樂趣和幫助