Facebook 人工智慧研究院長來臺演講,來看 AI 是怎麼驅動社群平台上可怕的功能

作者 | 發布日期 2017 年 06 月 30 日 18:36 | 分類 AI 人工智慧 follow us in feedly

AI 是相當熱門的話題,各大科技廠無不投入資源進來,想要靠 AI 幫助他們的業務,像是機器學習教程式分辨物品。而昨日 (6/29) Facebook 人工智慧研究院 (Facebook Artifact Research, FAIR) 院長 Yann LeCun 博士在臺大進行專題演講,題目是 Deep Learning and the Path to AI,對象為學院中的人談的是領域內常用的技術,竟然場地爆滿,而且開 Facebook 直播時人數破千。




LeCun 從最基本的部分,解釋學界常用的機器學習技術,像是監督式學習 (supervised learning)。除了 AI 用到的技術之外,LeCun 講到 Facebook 研發的技術,就真的實際用到網站上了,如用戶上傳照片後,識別裡面的人物,甚至猜測裡面的人是誰。其猜測的結果精確度相當高,往往還會建議用戶朋友貼標籤,這幾年的訓練成果,看來讓不少使用者會嚇一大跳,看到辨識的成功機率相當高。

以 Facebook 用戶的活躍程度,每天平台上會出現 10 億到 15 億之間的照片量,如何分類就是門學問了。前面提到識別照片中用戶之外,AI 也得辨識照片中出現的物品。其實每當用戶上傳照片,AI 都會運作把照片中辨識出來的物品或人標示在相片上面。

▲ Facebook 不只辨識人物加上建議標籤,連照片中的物品也會辨識歸類。

而在 AI 玩圍棋的話題以 AI 戰勝人類作結之後,電腦遊戲成為 AI 新的挑戰目標。目前有用 Torch libray 驅動的 TorchCraft 嘗試用 AI 玩即時戰略遊戲星海爭霸,但其成績還需要再努力訓練。

▲ 挑戰圍棋之後,玩遊戲成為 AI 新的挑戰,不過目前還在初步的階段。

機器跟人之間最大差是機器沒有常識,因此需要花費大量資源進去,訓練機器學會人們習以為常的概念。LeCun 認為 AI 要能夠有突破性發展,就得靠非監督式學習 (unsupervised learning),又稱為預測式學習 (predictive learning)。LeCun 以蛋糕比喻的話,他將目前機器學習的主流方法如增強式、監督式和非監督式,分別對應櫻桃、糖霜和蛋糕。用增強式辨識如櫻桃之類的物品不需要太多資料就可以做到,但是糖霜監督式學習需要多一些資料,而蛋糕也就是非監督式學習則需要最大量的資料。但這不意味只需要非監督式學習,而要有增強式和監督式學習才能完整辨識出物品。

▲ LeCun 以蛋糕和蛋糕上不同部分,比喻不同的機器學習方法,指出要辨識全體各種方法缺一不可。

臺大資工系教授洪士灝則評論訓練 AI 必須有大量運算資源,須下重本下去。Facebook 在訓練 AI 是用 256 顆 GPU 下去跑,最後用一小時時間跑出結果。如果用一顆 DGX-1 有 8 顆 GPU,仍需要 30 小時。而其他家想進來玩機器學習的人,要用多少資源下去,要怎麼跟 Facebook 這類有資源的公司競爭呢?

▲ Facebook 用大量 GPU 來將訓練 AI 的過程縮短到 1 小時的時間。

Facebook 也有將相關的 library 放出來,放在 Facebook Research 的 Github 頁面,有興趣的人可以上去自行研究和佈署。

(首圖和內文圖片來源:國立臺灣大學電機資訊學院臉書影片截圖