HOME 首頁(yè)
SERVICE 服務(wù)產(chǎn)品
XINMEITI 新媒體代運(yùn)營(yíng)
CASE 服務(wù)案例
NEWS 熱點(diǎn)資訊
ABOUT 關(guān)于我們
CONTACT 聯(lián)系我們
創(chuàng)意嶺
讓品牌有溫度、有情感
專注品牌策劃15年

    如何訓(xùn)練自己的ai模型(如何訓(xùn)練自己的ai模型技術(shù))

    發(fā)布時(shí)間:2023-03-14 03:54:16     稿源: 創(chuàng)意嶺    閱讀: 140        問(wèn)大家

    大家好!今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于如何訓(xùn)練自己的ai模型的問(wèn)題,以下是小編對(duì)此問(wèn)題的歸納整理,讓我們一起來(lái)看看吧。

    ChatGPT國(guó)內(nèi)免費(fèi)在線使用,一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

    只需要輸入關(guān)鍵詞,就能返回你想要的內(nèi)容,越精準(zhǔn),寫(xiě)出的就越詳細(xì),有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端

    官網(wǎng):https://ai.de1919.com

    本文目錄:

    如何訓(xùn)練自己的ai模型(如何訓(xùn)練自己的ai模型技術(shù))

    一、ai訓(xùn)練好的模型如何保護(hù)

    有兩種方式保護(hù)方式。

    主動(dòng)AI模型安全和被動(dòng)AI模型安全,然后主動(dòng)AI模型安全又分為模型的靜態(tài)防護(hù)和動(dòng)態(tài)的防護(hù),均可實(shí)施。

    隨著5G以及AIOT時(shí)代的到來(lái),未來(lái)逐漸的成為一個(gè)數(shù)據(jù)主導(dǎo)的時(shí)代,AI等技術(shù)型的公司,會(huì)成為新的主流,和各行各業(yè)做大跨度的融合,這種融合當(dāng)然在學(xué)術(shù)以及產(chǎn)業(yè)中會(huì)一直的存在,并且近年來(lái)的AI一直在各個(gè)世界頂級(jí)互聯(lián)網(wǎng)大會(huì)中被頻頻的提到,現(xiàn)實(shí)中的成果也已經(jīng)很多惠及到我們,如果AI在使用中出現(xiàn)了主動(dòng)或者被動(dòng)的安全問(wèn)題,后果是不堪設(shè)想的,所以AI安全是一個(gè)持久性的,聲明周期會(huì)很長(zhǎng)的安全需求。

    二、novelai怎么用

    Novelai使用方法如下:

    輸入文字,在右側(cè)點(diǎn)擊cenerate即可生成圖像。對(duì)于圖像不滿意點(diǎn)擊varlations,根據(jù)輸入文本內(nèi)容再次生成4個(gè)圖像。根據(jù)需求對(duì)圖片數(shù)值調(diào)整,上方輸入框點(diǎn)擊選擇背景顏色,生成圖片點(diǎn)擊畫(huà)筆按鈕繪制。再點(diǎn)擊Edit image,對(duì)圖片進(jìn)行編輯或點(diǎn)Enhance付費(fèi)進(jìn)行編輯調(diào)整。

    如何訓(xùn)練自己的ai模型(如何訓(xùn)練自己的ai模型技術(shù))

    Novelai詳細(xì)介紹如下:

    NovelAI本來(lái)是個(gè)AI寫(xiě)文章的網(wǎng)站,今年用p站上的圖訓(xùn)練了二次元專屬的AI模型。相對(duì)于一些通用的AI繪畫(huà)生成器來(lái)說(shuō),novelai在二次元圖上更加的準(zhǔn)確。所謂擴(kuò)散算法,是指先將一幅畫(huà)面逐步加入噪點(diǎn),一直到整個(gè)畫(huà)面都變成白噪聲,記錄這個(gè)過(guò)程,然后逆轉(zhuǎn)過(guò)來(lái)給AI學(xué)習(xí)。

    AI那里看到的是一個(gè)全是噪點(diǎn)的畫(huà)面是如何一點(diǎn)點(diǎn)變清晰直到變成一幅畫(huà)的,AI通過(guò)學(xué)習(xí)這個(gè)逐步去噪點(diǎn)的過(guò)程來(lái)學(xué)會(huì)作畫(huà)。這個(gè)算法出來(lái)之后效果非常好,比以前的AI繪畫(huà)效果要好的多,突破了實(shí)用化的臨界點(diǎn)。

    三、學(xué)習(xí)人工智能AI需要哪些知識(shí)?

    需要數(shù)學(xué)基礎(chǔ):高等數(shù)學(xué),線性代數(shù),概率論數(shù)理統(tǒng)計(jì)和隨機(jī)過(guò)程,離散數(shù)學(xué),數(shù)值分析。數(shù)學(xué)基礎(chǔ)知識(shí)蘊(yùn)含著處理智能問(wèn)題的基本思想與方法,也是理解復(fù)雜算法的必備要素。今天的種種人工智能技術(shù)歸根到底都建立在數(shù)學(xué)模型之上,要了解人工智能,首先要掌握必備的數(shù)學(xué)基礎(chǔ)知識(shí)。線性代數(shù)將研究對(duì)象形式化,概率論描述統(tǒng)計(jì)規(guī)律。

    需要算法的積累:人工神經(jīng)網(wǎng)絡(luò),支持向量機(jī),遺傳算法等等算法;當(dāng)然還有各個(gè)領(lǐng)域需要的算法,比如要讓機(jī)器人自己在位置環(huán)境導(dǎo)航和建圖就需要研究SLAM;總之算法很多需要時(shí)間的積累。

    需要掌握至少一門(mén)編程語(yǔ)言,比如C語(yǔ)言,MATLAB之類。畢竟算法的實(shí)現(xiàn)還是要編程的;如果深入到硬件的話,一些電類基礎(chǔ)課必不可少。

    如何訓(xùn)練自己的ai模型(如何訓(xùn)練自己的ai模型技術(shù))

    拓展資料:

    人工智能(Artificial Intelligence),英文縮寫(xiě)為AI。它是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新的技術(shù)科學(xué)。

    人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支,它企圖了解智能的實(shí)質(zhì),并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器,該領(lǐng)域的研究包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專家系統(tǒng)等。

    人工智能從誕生以來(lái),理論和技術(shù)日益成熟,應(yīng)用領(lǐng)域也不斷擴(kuò)大,可以設(shè)想,未來(lái)人工智能帶來(lái)的科技產(chǎn)品,將會(huì)是人類智慧的“容器”。人工智能可以對(duì)人的意識(shí)、思維的信息過(guò)程的模擬。人工智能不是人的智能,但能像人那樣思考、也可能超過(guò)人的智能。

    人工智能是一門(mén)極富挑戰(zhàn)性的科學(xué),從事這項(xiàng)工作的人必須懂得計(jì)算機(jī)知識(shí),心理學(xué)和哲學(xué)。人工智能是包括十分廣泛的科學(xué),它由不同的領(lǐng)域組成,如機(jī)器學(xué)習(xí),計(jì)算機(jī)視覺(jué)等等,總的說(shuō)來(lái),人工智能研究的一個(gè)主要目標(biāo)是使機(jī)器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作。但不同的時(shí)代、不同的人對(duì)這種“復(fù)雜工作”的理解是不同的。2017年12月,人工智能入選“2017年度中國(guó)媒體十大流行語(yǔ)”。

    參考資料:百度百科—人工智能:計(jì)算機(jī)科學(xué)的一個(gè)分支

    四、AI生成模型:超越數(shù)據(jù)觀測(cè)與計(jì)算機(jī)模擬的第三條科學(xué)探索之路?

    導(dǎo)語(yǔ)

    最先進(jìn)的人工智能算法已經(jīng)開(kāi)始在探測(cè)星系的演化、計(jì)算量子力學(xué)波函數(shù)、 探索 新的化合物等領(lǐng)域施展拳腳。那么,還有沒(méi)有那種無(wú)法自動(dòng)化而只能由科學(xué)家完成的工作?

    如今的物理學(xué)和天文學(xué)實(shí)驗(yàn)會(huì)產(chǎn)生海量的數(shù)據(jù),已經(jīng)沒(méi)有人或團(tuán)隊(duì)能夠跟進(jìn)所有的這些數(shù)據(jù)了。其中一些數(shù)據(jù)每天以TB級(jí)的規(guī)模增加,而且這個(gè)趨勢(shì)不會(huì)減弱。在二十一世紀(jì) 20 年代中期射電望遠(yuǎn)鏡 Square Kilometer Arra 將投入使用,它每年產(chǎn)生的數(shù)據(jù)量和整個(gè)互聯(lián)網(wǎng)的數(shù)據(jù)量一樣多。

    面對(duì)數(shù)據(jù)洪流,許多科學(xué)家開(kāi)始求助于人工智能。只需要少量的人工輸入,人工智能系統(tǒng)(如神經(jīng)網(wǎng)絡(luò))就能夠在數(shù)據(jù)海洋中漫游,識(shí)別異常,挖掘出人類尚未發(fā)現(xiàn)的模式。

    當(dāng)然,利用計(jì)算機(jī)來(lái)輔助科學(xué)研究的 歷史 可以追溯到約 75 年前,然而人類幾千年前就在手工調(diào)查研究數(shù)據(jù)來(lái)尋找其中的有意義的模式。但是,近期一些科學(xué)家認(rèn)為以機(jī)器學(xué)習(xí)、人工智能為代表的新技術(shù)能以一種全新的模式去進(jìn)行科研工作。其中一種被稱為生成模型的方法,能從對(duì)觀測(cè)數(shù)據(jù)的諸多解釋中找到最可信的理論,更為重要的是,該方法在研究中無(wú)需預(yù)先編入對(duì)于系統(tǒng)可能起作用的物理過(guò)程。其擁護(hù)者認(rèn)為,生成模型的創(chuàng)新程度足可以被視為理解宇宙的潛在的“第三種方法”。

    在傳統(tǒng)上,我們是通過(guò) 觀測(cè) 來(lái)了解自然的?;叵胍幌?,開(kāi)普勒就是通過(guò)研究第谷的行星位置表,辨識(shí)潛在的行星運(yùn)行模式,才得以推斷出行星是沿橢圓軌道運(yùn)行的。同樣的,科學(xué)可通過(guò) 模擬 來(lái)獲得進(jìn)步。一位天文學(xué)家可能會(huì)模擬銀河系及其鄰近的仙女座星系的運(yùn)動(dòng),并預(yù)測(cè)它們將在幾十億年后碰撞。觀測(cè)和模擬都有助于科學(xué)家生成假設(shè),然后用進(jìn)一步的觀測(cè)來(lái)檢驗(yàn)假設(shè),而生成模型不同于這兩種方法。

    瑞士聯(lián)邦理工學(xué)院的天文物理學(xué)家 Kevin Schawinski 也是一位生成模型的積極支持者。他認(rèn)為:“ 生成模型是介于觀測(cè)和模擬之間的第三種方法, 這是解決問(wèn)題的另一種方式?!?/p>

    Kevin Schawinski 是一名天體物理學(xué)家,他經(jīng)營(yíng)著一家名為 Modulos 的人工智能公司,他認(rèn)為一種名為生成模型的技術(shù)提供了第三種了解宇宙的方式。

    一些科學(xué)家僅僅把生成模型及其它新技術(shù)當(dāng)作傳統(tǒng)科研中的工具,但是大多數(shù)研究者都認(rèn)為 AI 的影響力巨大,并且在科學(xué)研究領(lǐng)域會(huì)發(fā)揮越來(lái)越大的作用。費(fèi)米國(guó)家加速器實(shí)驗(yàn)室的天體物理學(xué)家 Brian Nord 使用人工神經(jīng)網(wǎng)絡(luò)來(lái)研究宇宙。他擔(dān)心沒(méi)有什么是不能通過(guò)自動(dòng)化完成的事情,“這個(gè)推測(cè)倒是有點(diǎn)令人恐慌?!?/p>

    來(lái)自“生成”的 探索

    從研究生畢業(yè)時(shí)起,Schawinski 就因用數(shù)據(jù)驅(qū)動(dòng)科學(xué)研究而聞名。在攻讀博士學(xué)位期間,他面對(duì)的任務(wù)是,根據(jù)星系的外觀數(shù)據(jù)對(duì)數(shù)千個(gè)星系進(jìn)行分類。因?yàn)闆](méi)有什么現(xiàn)成的軟件能幫助他完成這項(xiàng)工作,他決定用眾包的方式完成這項(xiàng)工作——于是,銀河動(dòng)物園(Galaxy Zoo)公民科學(xué)項(xiàng)目誕生了。

    從 2007 年開(kāi)始,普通的電腦用戶只要記錄下他們推測(cè)的星系最佳歸類,就能幫助到天文學(xué)家。通過(guò)多數(shù)票勝出來(lái)判定,通常能帶來(lái)正確的分類結(jié)果。

    這是一個(gè)成功的項(xiàng)目,但 Schawinski 也注意到, AI 讓這個(gè)模式過(guò)時(shí)了——今天,一個(gè)具有機(jī)器學(xué)習(xí)和云計(jì)算背景的天才科學(xué)家只需要花費(fèi)一個(gè)下午就能完成這個(gè)工作。

    在 2016 年,Schawinski 把目光投向了生成模型,這個(gè)強(qiáng)大的新工具。本質(zhì)上來(lái)說(shuō),生成模型是在求解,當(dāng)給定條件 X 和觀測(cè)結(jié)果 Y 時(shí),概率 P(X,Y) 有多大。這個(gè)方法已經(jīng)被證明是非常有效的。

    生成模型中最為著名的就是生成對(duì)抗網(wǎng)絡(luò)(GAN)。經(jīng)過(guò)充分的訓(xùn)練后,GAN 模型能夠修復(fù)損壞和像素缺失的圖像,也能讓模糊的圖像變得清晰。該模型通過(guò)競(jìng)爭(zhēng)(對(duì)抗)來(lái)學(xué)習(xí)推斷缺失的信息,這個(gè)神經(jīng)網(wǎng)絡(luò)的一部分被稱作生成模型(generator):生成虛擬的數(shù)據(jù);另一部分被稱為判別模型(discriminator):把生成出來(lái)的虛假數(shù)據(jù)和真是數(shù)據(jù)分割開(kāi)來(lái)。兩個(gè)部分交替訓(xùn)練,逐步優(yōu)化(類似于博弈)。

    或許,你已經(jīng)看過(guò)最近流傳甚廣的GAN生成的假面孔。正如那個(gè)標(biāo)題所言“這些人并不存在卻又真實(shí)得嚇人”。

    上面看到的臉孔都不是真實(shí)的,上面的 A 列,和左側(cè)的 B 列都是由生成對(duì)抗網(wǎng)絡(luò)(GAN)使用真實(shí)的面部元素構(gòu)建的。然后,GAN 將 A 中的面部的基本特征(性別,年齡和臉形)與 B 中的面部的精細(xì)特征(頭發(fā)顏色、眼睛顏色)相結(jié)合,構(gòu)建出了上圖表格中的所有人臉圖像。

    潛在空間

    概括地說(shuō),生成模型獲得數(shù)據(jù)(大多數(shù)是圖像),并把他們分解成抽象的基本要素——科學(xué)家將其稱為數(shù)據(jù)的“潛在空間”。算法能控制潛在空間中的元素,以此來(lái)探究這些元素如何影響原始的數(shù)據(jù)。這個(gè)方法有助于揭示該系統(tǒng)運(yùn)作的物理過(guò)程。

    潛在空間是一個(gè)抽象的難以想象的概念。不過(guò)我們可以做一個(gè)類比:當(dāng)你在試圖確定一個(gè)人臉的性別時(shí),你的大腦可能在做什么呢?也許會(huì)注意到人的發(fā)型、鼻子的形狀,甚至在運(yùn)用一些你無(wú)法用言語(yǔ)描述的判斷模式。同樣的,計(jì)算機(jī)程序也在數(shù)據(jù)中尋找顯著的特征。即便計(jì)算機(jī)并非不知道什么是性別,什么是小胡子,但如果我們提供給機(jī)器學(xué)習(xí)系統(tǒng)的數(shù)據(jù)集標(biāo)注了“男性”和“女性”,并且一部分人還有一個(gè)標(biāo)簽叫“小胡子”,計(jì)算機(jī)能快速地推斷出其中的關(guān)聯(lián)性。

    生成模型與星系演化

    12月發(fā)表在《天文學(xué)與天體物理學(xué)》(Astronomy & Astrophysics)上的一篇論文中,Schawinski 與他在蘇黎世聯(lián)邦理工學(xué)院的同事 Dennis Turp 和 Ce Zhang 使用生成模型來(lái)研究星系在演化過(guò)程中所經(jīng)歷的物理變化。

    因?yàn)樗麄兪褂玫能浖c GAN 相似,但其在對(duì)潛在空間處理的技術(shù)與 GAN 有所差異,所以從技術(shù)角度來(lái)說(shuō)這不是 GAN。他們的模型創(chuàng)建了人工數(shù)據(jù)集,去測(cè)試假設(shè)的物理過(guò)程。比如說(shuō),他們想知道恒星形成的“淬熄”(形成速率快速下降)與星系環(huán)境密度的增加之間的關(guān)系。

    對(duì) Schawinski 來(lái)說(shuō),關(guān)鍵問(wèn)題是僅從數(shù)據(jù)中能挖掘出多少和恒星與星系演變相關(guān)的信息?!白屛覀兺鼌s所有的關(guān)于天體物理學(xué)的知識(shí)。僅依靠數(shù)據(jù)本身,我們能在多大程度上重新發(fā)現(xiàn)這些知識(shí)?”

    首先,星系的圖片被壓縮至他們的潛在空間,然后 Schawinski 在這個(gè)空間中調(diào)整元素,使其能對(duì)應(yīng)上星系的特定環(huán)境變化,比如周圍物質(zhì)的密度。這樣就有了一個(gè)假設(shè)生成器。通過(guò)重構(gòu)這個(gè)星系,讓大量原本處于低密度環(huán)境中的星系處于高密度環(huán)境中以此來(lái)看看帶來(lái)了什么不同。

    這三位研究者注意到隨著星系從低密度環(huán)境走向高密度環(huán)境,它們的顏色會(huì)變得更紅,恒星也變得更加集中。Schawinski 指出這一點(diǎn)與現(xiàn)有的星系觀測(cè)相吻合,問(wèn)題是,為什么會(huì)這樣?

    Schawinski 說(shuō),后續(xù)的工作還沒(méi)有實(shí)現(xiàn)自動(dòng)化,“人類必須參與其中,那么,什么樣的物理原理可以解釋這種效應(yīng)?”對(duì)于這個(gè)過(guò)程,可能有兩種解釋,一是在高密度環(huán)境中,星系更紅是因?yàn)槠渲邪烁嗟膲m埃;或者是因?yàn)楹阈堑男纬蓽p少了(換句話說(shuō),恒星更老了)。

    現(xiàn)在有了生成模型,這兩種思路都能接受檢驗(yàn)。改變與與塵埃和恒星形成率相關(guān)的潛在空間元素,就能觀測(cè)這種改變對(duì)星系顏色的影響。Schawinski 說(shuō):“答案很顯然,星系更紅是因?yàn)楹阈切纬陕试谙陆?,而不是因?yàn)閴m埃。因此,我們應(yīng)該采納這個(gè)解釋?!?/p>

    利用生成模型,天體物理學(xué)家可以研究星系如何從低密度環(huán)境走向高密度環(huán)境,以及這些變化背后的物理原理。

    生成模型相較于傳統(tǒng)方式的優(yōu)勢(shì)

    這種方法與傳統(tǒng)的模擬方法相近,但與之有關(guān)鍵的差別。Schawinski 表示:“模擬本質(zhì)上是由假設(shè)驅(qū)動(dòng)的。也就是說(shuō),我們自認(rèn)為已經(jīng)洞悉了觀測(cè)現(xiàn)象背后的物理法則。所以,我們把恒星形成規(guī)律、暗物質(zhì)行為的原理等等這些我們自認(rèn)為正確的假設(shè)放在一起,模擬運(yùn)行。但是,模擬環(huán)境真的與實(shí)際情況吻合嗎?”。他用生成模型所做的事情與模擬完全相反,“我們不知道任何事情,不做任何假設(shè),我們希望數(shù)據(jù)本身能告訴我們可能會(huì)發(fā)生什么?!?/p>

    生成模型在這項(xiàng)研究中取得的成功并不意味著天文學(xué)家和研究者就是多余的。但這似乎提醒研究者們——僅僅掌握了大量數(shù)據(jù)的人工智能系統(tǒng)就能夠完成對(duì)天體物理學(xué)的學(xué)習(xí)。Schawinski 說(shuō):“這不是完全自動(dòng)化的科學(xué),但這意味著我們至少有能力去構(gòu)建部分工具,使科學(xué)過(guò)程自動(dòng)化?!?/p>

    雖然生成模型非常強(qiáng)大,但這是否真的代表了一種新的科學(xué)研究方法還有待商榷。

    對(duì)于紐約大學(xué)和 Flatiron 研究所的宇宙學(xué)家 David Hogg 來(lái)說(shuō),這項(xiàng)技術(shù)令人印象深刻,但充其量也只是一種從數(shù)據(jù)中提取模式特征的復(fù)雜方法——這是天文學(xué)家?guī)讉€(gè)世紀(jì)以來(lái)都在做得事情。換而言之,這是觀測(cè)、分析的高級(jí)形式。

    和 Schawinski 相同,Hogg 的工作也充分應(yīng)用人工智能;他一直在利用神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)恒星進(jìn)行基于光譜特征的分類,并使用數(shù)據(jù)啟動(dòng)的模型來(lái)推斷恒星的其他物理屬性。但是他認(rèn)為他的工作和 Schawinski 的一樣,都是經(jīng)過(guò)檢驗(yàn)的科學(xué)。Hogg 表示:“我不認(rèn)為這是第三種方法。只是我們這個(gè)社群在對(duì)數(shù)據(jù)處理的方法上更加復(fù)雜而已。特別的是,我們?cè)絹?lái)越善于將數(shù)據(jù)與數(shù)據(jù)進(jìn)行比較。但是依我看來(lái),我的工作仍然是在做觀測(cè)?!?/p>

    人工智能:

    勤奮而“難以捉摸”的科研助手

    無(wú)論在概念上是否有創(chuàng)新性,人工智能和神經(jīng)網(wǎng)絡(luò)已經(jīng)顯然在當(dāng)代天文學(xué)和物理學(xué)研究中發(fā)揮了關(guān)鍵作用。在海德堡理論研究所工作的物理學(xué)家 Kai Polsterer 領(lǐng)導(dǎo)著一個(gè)天體信息學(xué)小組,這個(gè)小組主要關(guān)注以數(shù)據(jù)為中心的天體物理學(xué)研究新方法。從星系數(shù)據(jù)集中提取紅移信息曾經(jīng)是一項(xiàng)艱巨的任務(wù),而現(xiàn)在他們小組使用機(jī)器學(xué)習(xí)算法就能解決這個(gè)問(wèn)題。

    Polsterer 認(rèn)為這些基于基于人工智能的新系統(tǒng)是“勤奮的助手”,可以連續(xù)處理數(shù)據(jù)數(shù)個(gè)小時(shí)而不抱怨單調(diào)無(wú)聊,不抱怨工作條件。這些系統(tǒng)可以完成所有枯燥乏味的繁重工作,研究者就能脫身去做“又酷又有趣的科學(xué)工作”。

    Polsterer 警告說(shuō),這些系統(tǒng)并不是完美的,算法只能去做他們被訓(xùn)練過(guò)的事情,系統(tǒng)對(duì)輸入的數(shù)據(jù)是“無(wú)感覺(jué)的”。給 AI 系統(tǒng)一張星系圖片它可以估算其紅移和年齡,但是你給同一個(gè)系統(tǒng)一張自拍照或者一張臭魚(yú)爛蝦的照片,它也會(huì)照方抓藥估算出一個(gè)(錯(cuò)誤的)年齡。Polsterer 認(rèn)為,人類科學(xué)家的監(jiān)督工作非常重要。工作還是要回到研究者身上,研究者才是要負(fù)責(zé)解釋這些現(xiàn)象的人。

    就這一點(diǎn)而言,費(fèi)米實(shí)驗(yàn)室的 Nord 警告道,神經(jīng)網(wǎng)絡(luò)不僅要給出結(jié)果,也要給出相關(guān)的誤差線,如果在科學(xué)研究中,你做了一個(gè)測(cè)量但沒(méi)有報(bào)告相關(guān)的誤差估計(jì),就沒(méi)有人會(huì)認(rèn)真對(duì)待這個(gè)結(jié)果。

    就像許多的人工智能研究員一樣,Nord 也關(guān)注神經(jīng)網(wǎng)絡(luò)給出的結(jié)果的可解釋性,通常來(lái)說(shuō),一個(gè) AI 系統(tǒng)在給出結(jié)果時(shí)無(wú)法明確地表示出這個(gè)結(jié)果是如何獲得的。

    然而,并不是每個(gè)人都覺(jué)得結(jié)果不透明是一個(gè)必須關(guān)注的問(wèn)題,法國(guó)CEA Saclay理論物理研究所的研究員 Lenka Zdeborová 指出,人類的直覺(jué)同樣難以捉摸,給你看一張貓的圖片,你能立刻認(rèn)出這是一只貓,但是你并不知道你是怎樣做到這一點(diǎn)的,從這個(gè)角度上來(lái)說(shuō),人的大腦就是個(gè)黑盒。

    并不僅僅是天體物理學(xué)家和宇宙物理學(xué)家在向人工智能助力、數(shù)據(jù)驅(qū)動(dòng)的科學(xué)研究發(fā)展。Perimeter 理論物理研究所和安大略滑鐵盧大學(xué)的量子物理學(xué)家 Roger Melko 已經(jīng)使用神經(jīng)網(wǎng)絡(luò)來(lái)解決該領(lǐng)域中的一些最棘手最重要的問(wèn)題,例如多粒子系統(tǒng)的波函數(shù)的數(shù)學(xué)表示。

    因?yàn)椴ê瘮?shù)的數(shù)學(xué)形式可能會(huì)隨著它所描述的系統(tǒng)中的粒子數(shù)量呈指數(shù)級(jí)增長(zhǎng),這被 Melko 稱為是“指數(shù)維度詛咒”,在這樣的工作中 AI 就是不可缺少的組成部分了。

    這個(gè)困難類似于在國(guó)際象棋和圍棋中找到最好的走法:玩家會(huì)試圖多看一步,想想對(duì)手會(huì)出什么招,然后再選擇自己的最佳應(yīng)對(duì)策略。但是隨著思考步數(shù)的增加,復(fù)雜性也大為增加。

    當(dāng)然, AI 已經(jīng)攻克了這兩個(gè)領(lǐng)域。 1997 年 5 月 11 日, 深藍(lán)計(jì)算機(jī)在國(guó)際象棋領(lǐng)域戰(zhàn)勝了人類;2017年4月10日 ,AlphaGo 戰(zhàn)勝了柯潔,AI 在圍棋領(lǐng)域戰(zhàn)勝了人類。Melko 認(rèn)為,量子物理學(xué)也面臨同樣的問(wèn)題。

    機(jī)器的思想

    無(wú)論是 Schawinski 所聲稱的他找到的是科學(xué)研究的“第三方法”,還是如 Hogg 所說(shuō)的這“僅僅是傳統(tǒng)上的觀測(cè)和數(shù)據(jù)分析”。我們可以明確的是, AI 正在改變科學(xué) 探索 的方式并且在加速科學(xué)發(fā)現(xiàn),值得探討的是,這場(chǎng) AI 革命在科學(xué)領(lǐng)域能走多遠(yuǎn)?

    有時(shí)候,人們會(huì)對(duì)“人工智能科學(xué)家”的成就大肆褒獎(jiǎng)。十年前,一個(gè)名叫亞當(dāng)?shù)?AI 機(jī)器人化學(xué)家研究了面包師傅的酵母的基因組,并找出了負(fù)責(zé)制造某種特定氨基酸的是哪些基因。(亞當(dāng)觀察缺少某些特定基因的酵母菌落,并與擁有這些基因的菌落的行為進(jìn)行比較,由此找到差異完成研究。)

    當(dāng)時(shí)Wired雜志的標(biāo)題是:機(jī)器人獨(dú)立完成科學(xué)發(fā)現(xiàn)。

    最近,格拉斯哥大學(xué)的化學(xué)家 Lee Cronin 在使用機(jī)器人去隨機(jī)混合化學(xué)物質(zhì),由此來(lái)觀測(cè)會(huì)形成什么樣的化合物,并通過(guò)質(zhì)譜儀、核磁共振機(jī)和紅外分光計(jì)實(shí)時(shí)監(jiān)控反應(yīng),這個(gè)系統(tǒng)最終能學(xué)會(huì)預(yù)測(cè)哪些組合的化學(xué)反應(yīng)最為劇烈。Cronin 表示即使這個(gè)系統(tǒng)不能帶來(lái)新的發(fā)現(xiàn),機(jī)器人系統(tǒng)也能讓化學(xué)家的研究效率提高 90%。

    去年,蘇黎世聯(lián)邦理工學(xué)院的另一組科學(xué)家們?cè)谟?xùn)練神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)中推導(dǎo)物理定律。他們的系統(tǒng)類似于“機(jī)器人開(kāi)普勒”,利用從地球上觀測(cè)到的太陽(yáng)和火星的位置信息,重新發(fā)現(xiàn)了日心說(shuō);并且通過(guò)觀測(cè)小球碰撞模型發(fā)現(xiàn)了動(dòng)能守恒。因?yàn)槲锢矶赏ǔ?huì)有多種表述形式,科學(xué)家們想知道這個(gè)系統(tǒng)能否提供種更簡(jiǎn)潔的方法來(lái)思考已知的物理定律。

    這些都是 AI 啟動(dòng)、助力科學(xué) 探索 的例子。盡管在每一個(gè)例子中,這些新方法的革命性都會(huì)收到爭(zhēng)議。但在這個(gè)信息浩如煙海且高速增長(zhǎng)的時(shí)代,最值得商榷的問(wèn)題可能是:僅從數(shù)據(jù)中,我們能獲得多少信息?

    在 《The Book of Why: The New Science of Cause and Effect》一書(shū)中,計(jì)算機(jī)科學(xué)家 Judea Pearl 和科學(xué)作家 Dana Mackenzie 斷言到:數(shù)據(jù)“愚蠢至極”。他們寫(xiě)到: 關(guān)于因果性的問(wèn)題“永遠(yuǎn)不能僅憑數(shù)據(jù)去尋找答案”。

    “每當(dāng)你看到以無(wú)模型的方式分析數(shù)據(jù)的論文或研究時(shí),你可以肯定的是這項(xiàng)研究成果僅僅是總結(jié),或許做了轉(zhuǎn)述,但絕對(duì)不是在解釋數(shù)據(jù)。”Schawinski 對(duì) Pearl 的觀點(diǎn)抱有同感,“只使用數(shù)據(jù)”這個(gè)想法有點(diǎn)類似于“稻草人”。他也從未生成以這樣的方式做因果推斷。他想說(shuō)的是:“和我們通常的工作相比,我們可以用數(shù)據(jù)多做點(diǎn)事?!?/p>

    另一個(gè)經(jīng)常聽(tīng)到的觀點(diǎn)是: 科學(xué)需要?jiǎng)?chuàng)造力。

    可是到目前為止,我們還不知道,如何將創(chuàng)造力編入計(jì)算機(jī)。(Cronin 的機(jī)器人化學(xué)家只是在簡(jiǎn)單地嘗試科研工作,似乎不能算是特別有創(chuàng)造力)Polsterer 認(rèn)為:“創(chuàng)建一套理論,有理有據(jù)的理論,我認(rèn)為需要?jiǎng)?chuàng)造力,而創(chuàng)造力離不開(kāi)人類?!?/p>

    然而,創(chuàng)造力來(lái)自何方呢?Polsterer 懷疑這和 不喜歡無(wú)聊 有關(guān),這恐怕是機(jī)器所沒(méi)有的體驗(yàn)?!耙獡碛袆?chuàng)造力,你必須厭惡無(wú)聊,然而我認(rèn)為電腦就永遠(yuǎn)不會(huì)感受到無(wú)聊?!比欢?,“創(chuàng)造力”、“靈感”卻常常用來(lái)描述深藍(lán)、AlphaGo 這樣的 AI 程序。我們?cè)诿枋鰴C(jī)器的思想時(shí)的困難映射出我們?cè)诿枋鲎约核季S過(guò)程時(shí)的困難。

    Schawinski 最近離開(kāi)了學(xué)術(shù)界,去了私人企業(yè)。他現(xiàn)在經(jīng)營(yíng)著一家名為 Modulos 的初創(chuàng)公司,該公司雇傭了許多聯(lián)邦理工學(xué)院的科學(xué)家。根據(jù)該公司的網(wǎng)站介紹,該公司位于“人工智能和機(jī)器學(xué)習(xí)這股風(fēng)潮的風(fēng)眼中”。無(wú)論當(dāng)前人工智能技術(shù)和成熟的人工智能之間存在多大的差距,他和其他專家都認(rèn)為機(jī)器已經(jīng)準(zhǔn)備好了去完成更多的科學(xué)家的工作。不過(guò),AI 的局限性還有待考證。

    Schawinski 暢想道:“在可以預(yù)見(jiàn)的未來(lái),有沒(méi)有可能去制造出一臺(tái)能過(guò)發(fā)現(xiàn)物理定律、數(shù)學(xué)原理的機(jī)器,甚至超越當(dāng)今最聰明的人類的能力極限?科學(xué)的未來(lái)終將被人力所不能及的機(jī)器所掌握么?這是一個(gè)好問(wèn)題,但我不知道答案?!?/p>

    推薦閱讀

    Nature機(jī)器智能:破解因果推斷難題

    物理學(xué)家要失業(yè)?機(jī)器學(xué)習(xí)能自學(xué)量子力學(xué)!

    做科研做到絕望是一種什么樣的體驗(yàn)?

    科研投入越來(lái)越多,重大成果的產(chǎn)出卻越來(lái)越少?

    要不要加入我們?一起影響世界!

    集智俱樂(lè)部QQ群|877391004

    商務(wù)合作及投稿轉(zhuǎn)載|swarma@swarma.org

    搜索公眾號(hào):集智俱樂(lè)部

    加入“沒(méi)有圍墻的研究所”

    讓蘋(píng)果砸得更猛烈些吧!

    以上就是關(guān)于如何訓(xùn)練自己的ai模型相關(guān)問(wèn)題的回答。希望能幫到你,如有更多相關(guān)問(wèn)題,您也可以聯(lián)系我們的客服進(jìn)行咨詢,客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。


    推薦閱讀:

    直播間怎么掛小風(fēng)車掙錢(qián)(直播如何掛小風(fēng)車)

    如何提高廣場(chǎng)景觀設(shè)計(jì)(如何提高廣場(chǎng)景觀設(shè)計(jì)質(zhì)量)

    如何推廣宣傳一個(gè)品牌(如何推廣宣傳一個(gè)品牌產(chǎn)品)

    logo的設(shè)計(jì)流程與注意事項(xiàng)(logo的設(shè)計(jì)流程與注意事項(xiàng)圖片)

    園林景觀工程網(wǎng)官網(wǎng)(園林景觀工程網(wǎng)官網(wǎng)查詢)