MIT和Google合作:讓AI獲得多種感官協(xié)調(diào)能力

根據(jù)MIT和Google研究人員近期發(fā)表的論文,他們正在訓練AI將圖像、聲音和文字等多方面信息匹配起來。

在語音識別、圖像識別以及下圍棋等單項能力方面,AI已經(jīng)足夠出色,甚至超越了人類。但是如果AI一次只能使用一種感知能力,無法將看到和聽到的內(nèi)容進行匹配的話,就無法徹底理解周圍的世界。這正是MIT和Google的研究人員進行這項研究原因。

MIT和Google讓AI獲得多種感官協(xié)調(diào)能力

研究人員并沒有教給算法任何新東西,只是建立了一種方式讓算法能夠?qū)⒍喾N感官獲得的知識進行連接和協(xié)調(diào)。這一點至關(guān)重要。

論文的聯(lián)合作者之一——MIT的AI博士后Yusuf Aytar以無人車為例:比如無人車的聲音傳感器先聽到了救護車的聲音,然后激光雷達才看到救護車的樣子。有關(guān)救護車的鳴叫聲、樣子以及職能的知識可以讓無人車放慢速度,切換車道,為救護車讓路。

他說道:“你是先看到汽車還是先聽見引擎聲并沒有關(guān)系,你馬上能識別出這是同一個概念。因為你大腦中的信息已經(jīng)自然地把它們協(xié)調(diào)統(tǒng)一起來了。”

為了訓練這套系統(tǒng),MIT的研究小組首先向神經(jīng)網(wǎng)絡展示了與音頻相關(guān)的視頻幀。在神經(jīng)網(wǎng)絡發(fā)現(xiàn)視頻中的對象并且識別出特別的音頻之后,AI就會嘗試預測哪一個對象跟聲音關(guān)聯(lián)。比方說,招手會不會發(fā)出聲音呢?

接下來,研究人員又以相同的形式為算法提供了帶標題的圖片,讓它將文字和圖片進行匹配。網(wǎng)絡首先需要單獨識別出圖中所有的對象以及相關(guān)問題,然后才能進行匹配。

由于AI獨立識別聲音、圖像、文字的能力已經(jīng)十分出色,這種網(wǎng)絡乍看之下并沒有什么了不起。但研究人員表示,當他們對AI進行聲音/圖像、圖像/文字的配對訓練時,系統(tǒng)就能在未經(jīng)訓練指導哪個單詞與不同聲音匹配的情況下將聲音與文字關(guān)聯(lián)起來。這表明神經(jīng)網(wǎng)絡對于所看到的、聽到的或者讀到的東西已經(jīng)形成了更加客觀的看法,而且這種看法的形成并不完全依賴于它用來了解這一信息的媒介。

統(tǒng)籌對象的觀感、聽覺以及文字后,算法就能自動將聽到的東西轉(zhuǎn)化為視覺圖像,從而強化對于世界的理解。

據(jù)悉,Google也進行了類似的研究,不過Google更加強調(diào)一點:新算法還能將文字轉(zhuǎn)化成其他的媒體形式,雖然從準確率上來說,它暫時還比不上單用途的算法。

極客網(wǎng)企業(yè)會員

免責聲明:本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿,凡在本網(wǎng)站出現(xiàn)的信息,均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性,但不保證有關(guān)資料的準確性及可靠性,讀者在使用前請進一步核實,并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏,概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時,應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明,并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后,將會依法盡快聯(lián)系相關(guān)文章源頭核實,溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。

2017-06-26
MIT和Google合作:讓AI獲得多種感官協(xié)調(diào)能力
根據(jù)MIT和Google研究人員近期發(fā)表的論文,他們正在訓練AI將圖像、聲音和文字等多方面信息匹配起來。在語音識別、圖像識別以及下圍棋等單項能力方面,AI已經(jīng)足

長按掃碼 閱讀全文