新AlphaGo碾压老狗,但AI要想从0自主学习还很远


     
     以往,我们提起 AI,有一个共识,即它在某些方面已经碾压人类,比如下围棋;它在另一些方面远不及人类,比如认识一只动物、认识很多只动物。原因之一是 AI 自主学习能力远不及人。
     前几天,AlphaGo Zero 横空出世,从零开始,闭关 72 小时自我对弈围棋,即 100:0 完胜之前用了几个月时间成长、胜了李世乭的 AlphaGo。这似乎表明,开发某个专项智能时,AI 算法不再像过去那样动辄需要百万、千万量级的有监督大数据,算法甚至可以从 0 数据开始自主学习,顶多只需大规模无监督数据。
     于是,很多人惊呼 AI 自主学习的时代到来了。似乎很快就会有一个叫做 AI Zero 的学神小宝贝横空出世,自主狂学一个月,马上长大成人,变成一个智商、情商超越人类的 AI 100。
     但事实恐怕并非如此。
     我本人是做计算机视觉研究工作的,尤以人脸识别方面的研究比较多。便借 AlphaGo Zero 之东风,我也做了个 Face Zero 的梦,想了想人脸识别从 0 自主学习的可能性。
     AlphaGo Zero 自造数据的思想很难扩展到 Face Zero
     先看看 AlphaGo Zero 学神怎么做的:从 0 开始自造数据。对人脸来说,这个第一步就有点悬了,如何造人脸呢?围棋有明确的落子规则和输赢判断准则,按规则模拟对弈即可造出大量有监督的数据。可人脸如何从 0 造?如果没有任何的人脸样例或知识,除非上帝他老人家在,否则怕只能造一堆“鬼脸”出来——反正谁也没见过鬼,怎么造都行。
     如果这样,怕是这梦只能醒了。
     那,至少给一张人脸,让算法自己“举一反三”,创造千千万万张人脸可行吗?比如给算法一张大奥黛丽赫本的人脸图像,让算法把赫本这张人脸照片变啊变,变出 1000 幅赫本女神的人脸图出来,再变出成千上万不是赫本女神、但长相合理的人脸。
     且不说怎么变形的难题,这里面有两个问题需要解决:如何保证算法“举一反三”变出来的人脸还是女神的脸而不是孙悟空、猪八戒的脸部照?以及,如何保证算法可以“举一反三”变出奥巴马、猫王等各种人的脸部照?要解决这两个问题,我们需要大量人脸的样例或其他
(本文来源:)
上一篇:GitLab许可证从CLA切换到DCO
下一篇:想买一部iPhoneX?你可能要等到明年2月了

相关文章