For investors
股价:
5.36 美元 %For investors
股价:
5.36 美元 %认真做教育 专心促就业
随着人工智能技术的不断发展,我们在机器人的制造上也越来越先进了,那么,工程师是如何来实现机器人的学习能力和掌握新技能的呢?今天,我们就一起来了解一下,关于智能机器人的智能发展编程方法是如何来实现机器人自我学习的。
模拟人们的思维
我发现,人的很多东西也是可以反向通过机器学习的理论来解释的。
人的大脑做training的时候(比如去掌握某个新技能),也是一件很蛋疼的事,需要不断tuning(调整学习的方式,学习的来源,比如换本更好的教材)。
同样的大脑,有的人学的好,有的学的不好,是因为“很多人已经有了相关知识,这次学习只是fine-tune”。
人学这么久的原因,说实在的,还是因为数据来的太慢,处理的太慢。人也是mini-batch输入问题,然后执行预测,根据这次的结果调整下一次行为的,以期下次能做到更好(损失函数)
对于为啥有的人智商就是高,有的人不高,只不过初始化参数有的人选择的好罢了,这个看运气。
大部分人掌握技能掌握的都不会太好,因为欠拟合是普遍情况。看着好像学会了,但只会纸上谈兵,大体就是过拟合了,还需要更多经验和数据。
很多人比较理性,有的人则感性,其实是正则化起的作用。
人脑是一个非常通用的模型,而机器现阶段比人更专注,更单一(但是也有人证明了一个算法可以同时完成多个任务)。机器可以在几小时几天学会新技能,而人则可能需要好多年。人类其实在能够工作前,需要训练很多年(从0岁到3岁?),之后都是fine-tuning了。
机器学习什么时候可以真的“智能和进化”
机器学习学习的过程不是一个持久持续的过程,训练完成后冻结模型,然后给预测模型使用,然后接着收集更多数据,通常我们会重新从0开始训练。人脑显然不是这样的,训练应该是online的,预测反倒是可以离线的,走snapshot就好。这个是目前机器学习算法和人比较大的差异。
第二个就是网络的复杂度,人是一个通用的模型,可以处理很多不同类型的任务,机器通常智能做一类问题,这原因是网络结构还不够复杂,并且在一个大网络里,进化出不同的网络子区域。
第三个是目前还没有很好的否定模型,当一个模型稳定后,之后再进行新数据进来训练时,模型应该懂得坚持自我。当我对一个事物预测的概率是99%的时候,而外部的数据告诉模型,模型是错的,模型应该简单忽略掉这条数据,或者留下疑问,暂存下这个问题,以期获得更多反例,而不是一个样本就能需要模型进行反省。
虽然说机器人进行自我学习和主动学习的能力依然处于摸索当中,但是对于工程师来说,这方面的功能最终还是可以实现的。下期,我们就一起来了解一下关于智能机器的其他方面吧。