傑佛瑞.辛頓 Geoffrey Hinton(1947-)

雖然是英國人,Hinton日後的發展重心卻放在北美,更讓加拿大一躍成為AI的研發重鎮。Hinton極力推廣反向傳播演算法,將已然失去市場信心的「(多層)人工神經網路」重新包裝為「深度學習」,並與學生大力向學界以及大眾推銷這款新瓶舊酒。2012年,Hinton的學生Alex Krizhevsky,以AlexNet贏得當年ImageNet大規模視覺識別挑戰賽冠軍。2018年,Hinton與曾追隨自己的博士後研究員LeCun,以及好友Yoshua Bengio(1964-),因對深度學習的貢獻,三人共同獲頒杜林獎。

Read more

在深度學習之前 充滿日本職人精神的電腦視覺AI

深度學習是電腦視覺的唯一途徑嗎?日本東京上野町的一家麵包店有著與眾不同的結帳系統:顧客將半透明的壓克力托盤放在發光的方形平台上。上方的攝影鏡頭和螢幕,除了照出剛剛挑選的可頌和甜甜圈外,還以不同顏色的鋸齒圓圈勾勒出每個麵包的輪廓,並加註日語名稱和價格。轉瞬之間,這個系統已經自動結完了帳,只等顧客掏錢。

Read more

人工智慧AI檢測肺癌成績亮眼

研究團隊把電腦自動評估系統與六位放射學家的診斷一起進行比較,測試資料總共有6716名肺癌確診病患的電腦斷層影像,結果發現這套自動評估系統的準確率高達94%。如果沒有早期電腦斷層影像,系統判斷出肺癌的假陽性數目比放射學家減少百分之十一,假陰性數目減少百分之五,在有早期電腦斷層影像時,系統準確率和放射學家一樣好。

Read more

【探索20-5】電腦視覺:一場做了五十年的暑假作業

■1969年圖靈獎的得主,人工智慧之父Marvin Minsky,在MIT任教期間曾經招募學生進行一場暑期的研究計畫,功課是「將攝影機連上電腦,讓電腦描述所看到的東西」。這個預計在一個暑假、由一群大學生就能完成的暑假作業,如今卻成了數以萬計的科學家耗時五十年都無法企及的目標。這就是電腦視覺給我們的歷史難題:我們從來沒有想過要怎麼教一個嬰兒如何去「看」,他就天生會了,但現在又該如何去教會一台電腦呢?

Read more

AI 眼中的世界

人類對周遭環境的感知能力,是藝術創作不可或缺的要素。神經網路在影像辨識上的成效,代表其對見過的物體具有覺察能力。那麼AI的「感知」也可用於創作嗎?電腦科學藝術家將神經網路模型所見以「畫作」實體呈現,一窺機器眼中的世界。

Read more

【探索20-2】機器也有補習班?讓你的機器學得更好

■老師對機器學習軟體的第一印象是「電腦嘛會撿土豆喔?」,打開林智仁導師的實驗室網頁,可以發現一款「會撿土豆」的機器學習軟體,大家可別因為簡易的外觀而小看它,看似簡單的二維圖,實際上是可以對顏色加以分類的,而這款機器學習軟體在Google Scholar 裡面的引用次數,更是多達37,370次呢!

Read more

機械手臂靈巧性再升級

科技發展蓬勃的今日,機械手臂已跨足各個領域,輔助人類提升工作效率。其所追求的最終目標,不外乎是能和人類的雙手一樣敏捷,以執行更精密的任務,惟現有機械手臂的靈巧性仍遠不及人類。因此,OpenAI團隊推出結合AI的全新系統Dactyl,透過強化學習和能高速平行運算的訓練平台Rapid,讓Dactyl在50小時的訓練過程中吸收相當於100年的學習經驗,更自行摸索出人類常用手勢,大幅提升機械手臂的操作靈活度。

Read more

機器學習進軍藥物開發

■AI應用於藥物開發必須面臨種種考驗,其中之一為化學大數據的取得,由於深度學習的表現取決於訓練資料數量的多寡,是否能獲取大量資料事關重大,但這在化學領域中仍相當困難;另外,化學家也必須開發一些方法以確保AI所「發現」的分子是確實能被合成的。

Read more

脫離雲端「中央集權」─人工智慧「地方自治」時代來臨

■「In-Situ AI」這套運算架構,因應物聯網資料的特性與使用情境,在資料收集處就地進行大部分的運算工作。不同於以往將資料全部傳到「中央」的雲端,再接收「中央」決策完回傳的指令,In-Situ AI 發揮了「地方自治」的精神,善用地方資源、產生因地制宜的策略。其架構分為兩大部分:運算中樞(Node)與雲端。雲端有較高的運算能力,負責從大量的物聯網資料進行非監督式學習,汲取重要的特徵。接著藉由遷移學習(transfer learning),讓運算中樞的推理網路(inference network)認識這些特徵。如此在有限的標記資料下,推理網路也能對周遭世界具有一定程度的判讀能力。實驗結果顯示,遷移學習學到的特徵,讓推理網路預測的準確率提升30 %(達到近60 %),彌補標記資料不足的限制。

Read more