G可解释生物医学( 三 )

文章插图

当时我们也推出了一款新产品，命名为ShouZhuo，成功打败了AlphaGo，并尝试继续迭代算法，一举写出一篇好论文。不幸的是，两周以后Alpha Zero出来了。它不断跟自己对弈，不需要五千年的棋谱，练到最后棋法越来越好，把所有人类都打败了。
我们的想法是类似的，但是我们为什么不能成功呢？我们发觉，假如我们的算法也像Alpha Zero这样无休止对弈、训练，凭借我们实验室的硬件，大概要用1000多年的时间，1000多年之后这个算法肯定就没用了。
说到底，人工智能还不聪明，还是依靠“数据+硬件”驱动。在拼设备的年代，还能拼什么？
所以，这时出现了第三代AI系统。它将知识和数据结合起来，融汇了第一代AI系统和第二代AI系统。

文章插图

举个例子，什么叫知识驱动？我女儿两岁的时候被蜜蜂蛰了一个大包，以后再见到蜜蜂就会跑开，这是数据驱动。什么是知识驱动呢？从小你家里人告诉你，猫不能碰、狗不能碰、蜜蜂不能碰、蛇不能碰，以后你见到这些东西就会远离。
但是知识驱动是有缺点的，因为图片是有限的，以后你遇到老虎、遇到大象还是会碰，因为没有先验知识。数据驱动也是有问题的，需要通过大量的数据完成“原始学习”，过程很慢。
如何将两种学习方式结合起来，将知识嵌入到机器脑中，这是第三代AI系统的问题。

文章插图

举个例子，假如现在用100万张猫和狗图像训练好了一个神经网络，也就是设置好了参数，它会很轻松地分辨猫还是狗，但是准确性如何升高，如何再调整参数？

文章插图

这时候就要用到梯度调节，这就是神经网络的概念。但是如何通过知识驱动，就是嵌入一个概念：比如我把“狗的耳朵比较大，猫的鼻子比较小”的概念放进去，这个算法就可以学得更好、更快。
所以，如何将知识图谱注入神经网络是很重要的课题。

文章插图

举个例子，用神经网络抠出图片中的人。左边的图为无监督分隔，没有嵌入足够的知识图谱，所以分隔得十分粗糙。而右边的图为半监督分隔，事先学习了天是蓝的、云是白的、人脸是黄的，人的衣服是黑色的知识，图像识别的效果非常好。

文章插图

同样的知识学习还体现在AI识别手写0—9这10个数字的实验中。
尽管每个人的笔迹都不同，写字风格千差万别，但假如我事先编写一组规则：有圆圈就是0、6、8、9，有一竖的就是1、4、7等等，这样AI的识别结果会好很多。

文章插图

另一个方法是融合多模态数据，是把所有数据融合起来决策。
要预测什么菜好吃，我们说闻起来很香，炒起来看着很好吃，味道很甜美，口感很滑，颜色很漂亮，这就是好菜。
但是我要给你一个融合的算法，告诉你这个菜是臭的（臭豆腐），吃起来是很香的，颜色也是很糟糕的，你说是好还是不好？这个决策就很难了。
所以，这里面的融合，要决定哪个因素有多少的比例，大家投票说臭豆腐好不好，来训练这个神经网络。

G可解释 生物医学( 三 )

G可解释生物医学( 三 )