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(xùn)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(xiàng)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(jìn)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(jìn)行這項(xiàng)研究原因。

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(jìn)行連接和協(xié)調(diào)。這一點(diǎn)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(hù)車的聲音，然后激光雷達(dá)才看到救護(hù)車的樣子。有關(guān)救護(hù)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(hù)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(gè)概念。因?yàn)槟愦竽X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(xùn)練這套系統(tǒng)，MIT的研究小組首先向神經(jīng)網(wǎng)絡(luò)展示了與音頻相關(guān)的視頻幀。在神經(jīng)網(wǎng)絡(luò)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(yù)測哪一個(gè)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(biāo)題的圖片，讓它將文字和圖片進(jìn)行匹配。網(wǎng)絡(luò)首先需要單獨(dú)識別出圖中所有的對象以及相關(guān)問題，然后才能進(jìn)行匹配。

由于AI獨(dú)立識別聲音、圖像、文字的能力已經(jīng)十分出色，這種網(wǎng)絡(luò)乍看之下并沒有什么了不起。但研究人員表示，當(dāng)他們對AI進(jìn)行聲音/圖像、圖像/文字的配對訓(xùn)練時(shí)，系統(tǒng)就能在未經(jīng)訓(xùn)練指導(dǎo)哪個(gè)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(luò)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(dòng)將聽到的東西轉(zhuǎn)化為視覺圖像，從而強(qiáng)化對于世界的理解。

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

生成海報(bào)

免責(zé)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(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)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(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)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(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。