我們已經與深度學習與大規模神經網絡一起生活，事實證明也有越來越多應用程序仰賴計算機視覺、語言理解以及機器人等技術；而如同Google資深院士Jeff Dean在近日于美國舊金山舉行的SIGMOD 2016大會發表專題演說時所言，我們現在最需要從機器學習中取得的是“理解力(understanding)”。
Jeff Dean. Source: SIGMOD
“我們現在有充足的運算資源，以及足夠大規模的、有趣的數據集；”Dean對SIGMOD大會的聽眾們表示：“我們可以儲存大量的有趣資料，但我們真正需要的是理解那些數據。”
在專題演說中，Dean概述了機器學習(machine learning，ML)與神經網絡的歷史，還有利用以影音呈現的原始數據編程模型之不同方法；他也詳細介紹Google初具規模的ML研究成果，該公司最近將在歐洲設置一個機器學習研究中心。Google繼去年發表TensorFlow算法后，又宣布自己開發了命名為張量處理單元(TPU)的人工智能加速器芯片(參考閱讀)。
Dean表示：“隨著時間推移，我們看到越來越多利用ML技術來解決各種問題的成功案例，這導致了Google內部數百個開發團隊對相關技術的使用出現真正大幅度成長。”
*Google對深度學習技術的使用趨勢
（來源：SIGMOD/Jeff Dean）*
Dean舉例指出，Google的語音識別開發團隊，透過利用神經網絡將字詞錯誤率降低了30%；該團隊以神經網絡取代了語音識別流水線(pipeline)的聲學模型──也就是利用原始音波來判別聲音與字詞──并達成了二十年來最大幅度的改善成果。
利用機器學習與神經網絡技術解決的基礎性問題，也能在其他領域看到，例如醫療與衛星影像；在這些案例中，可能是需要在地圖上識別某棟房子以勘查太陽能光電板的安裝，或是進行糖尿病患黃斑部病變的篩選。用于語音識別的相同模型，可以輕易被利用來解決其他問題。
“那些模型有很多類似的地方；”Dean指出，Google翻譯應用程序現在可以利用像素識別(pixel identification)，實時將符號翻譯成不同語言。
不過在機器學習以及神經網絡的理解能力發展方面，還有一些待克服的障礙；包括模型必須要能在無人監督的狀況下學習、處理多任務任務并轉換學習，還有根據現實世界情況采取行動(也被稱為強化學習)。
Dean表示，研究人員已經開始關注機器學習的隱私保護技術，并將該模型架構添加到mdash廣告程序中；在這部分的機器學習中，人類的互動扮演在權衡時扮演重要角色，是很大的進步：“確保你提供的資料實際遵循你想要的隱私權政策很重要，或者你可以強加更高層級的政策到模型之上。”
從系統的角度來看，Dean表示下一個挑戰是如何：“利用高層級的機器語言算法描述，以及將那些不同的描述映像到廣泛的不同硬件上；”他也期望能將機器學習整合到更多傳統的數據處理方案中。
摩爾定律(Moore’s Law)的尾端為機器學習提供了有趣的發展方向，Dean預期會有越來越多進行機器學習運算的異質或特制硬件；Google的TensorFlow ASIC是一個例子，而最近則是嘗試利用以TensorFlow啟動的機器人進行大規模數據收集。
Embedded content: https://www.youtube.com/watch?time_continue=4&v=iaF43Ze1oeI
“我認為這一次神經網絡已經準備就緒；在90年代，我認為它們雖然帶來很多激勵，但就是缺乏運算資源。而現在，我想該類技術已經展現它們能解決相關有趣問題的能力；”Dean結論指出：“如果你還沒考慮如何為數據庫提供深度神經網絡，現在應該要開始了。”
編譯：Judith Cheng
本文授權編譯自EE Times，版權所有，謝絕轉載
關注最前沿的電子設計資訊，請關注“電子工程專輯微信公眾號”。
