李飞飞等人的新研究可能让人工智能真的不需

　　李飞飞等人的新研究，可能让人工智能真的不需要人了

　　 09:0 来源://

　　原标题：李飞飞等人的新研究，可能让人工智能真的不需要人了

　　比人的认知经验更丰富。

　　你可能听说过，在河南的农村里，在非洲的城市中，每个你想象不到的地方，有着大量的数据标注员。

　　他们手动在图片里把每只花瓶和每一辆汽车框出来，并且标上“花瓶”和“汽车”。一段时间后，这些人把不计其数张标记好的图片打包，发送给远在北京、上海甚至旧金山的 ai 公司。

　　gq 将这些人称为《那些给人工智能打工的人》。

　　人工智能发展迅速，大大小小的互联科技公司相继开展研究，投入商用。然而训练一个可用的 ai，需要大量准确标记好的图片、视频等资料。

　　正因为此，市场对数据标注的需求如此之大，吸引“那些给 ai 打工的人”争相加入，其中不乏原来找不到工作的闲散人员——毕竟这份工作只需要动动鼠标，用不上太多知识。

　　但是，恐怕不久后，这些人就将再次失业。

　　上周，来自约翰·霍普金斯大学、斯坦福大学和 google 的专家联合发布了一篇论文，介绍了他们使用神经络来自动搜索神经络，将其投入图象分割方面的研究，并且取得的重要进展：

　　研究人员采用神经架构搜索 (neural architecture seartch, nas) 技术设计了一个神经架构 (a)，放任它去自动搜索/设计出新的神经架构 (b)，投入到图象语义分割 (semantic image segmentation) 的任务中。

　　研究人员发现，这个被自动搜索出来的神经架构 b，在主流的小规模图象数据集上，未经训练就直接使用，表现已超过了现有人类设计的、预先训练好的模型。

　　以往人们一直相信，设计 ai 需要大量知识和经验，简而言之就是需要人来设计。

　　但现在，ai 设计出的 ai，已经比人设计出的 ai 更强。

　　论文的标题叫做： auto-deeplab: hierarchical neural architecture search for semantic image segmentation

　　研究人员将这个能够自动搜索（设计）神经架构的技术命名为auto-deeplab。这个名字来自于 deeplab，google 人工开发的图像语义分割技术。前面加上 auto，意思是在 deeplab 的基础上，新的技术可以实现了很大程度的自动化。

　　论文署名作者当中，两人来自约翰·霍普金斯大学，其中第一作者是 chenxi liu，曾在 google 实习；有四人来自 google；剩下的1人来自斯坦福大学，正是原 google cloud 首席科学家，在计算机视觉学术和业界知名的李飞飞教授。

　　“本着 automl（编者注：google 主导的 ai 计划，将算法选择，模型的超参数调整，迭代建模和模型评估等工作自动化。）和人工智能普及化的精神，对于不依赖专家经验知识，自动设计神经络架构，人们的兴趣有了显著提升。”作者提到。

　　在“ai 自动设计 ai”这件事上，auto-deeplab 有几个比较重要的新尝试。

　　首先，神经架构搜索 nas 技术是 ai 领域的新兴物种，主要用于简单的图片分类。而在这篇论文里，研究者首次尝试将 nas 投入到高密度的图片预测任务上（也就是对更复杂的高分辨率图片进行语义分割，比如 cityscapes 城市街景数据集、pascal voc 2012 和ade20k 等数据集）。

　　其次，在计算机视觉领域内的神经络架构，通常分为内层、外层的两级架构，自动化的神经架构设计常常只能设计内层，外层仍需要人来设计和手调。而 auto-deeplab 是第一个让 ai 掌握外层设计和调参能力，并在图像语义分割任务上得到优良结果的尝试。

　　“图像语义分割”六个字听上去有点拗口，其实很好理解：对于一张图划分几个类别，然后将所有的像素点归类。

　　比如下面这张图，可以简单分为3类。图象语义分割的任务，就是判断每个像素点属于人、自行车，还是背景。

　　需要明确的是，图像语义分割的任务纯洁是判断像素点属于哪一个类别，它不能辨认和区分独立的物体。

　　不过图像语义分割仍然有很重要的意义，比如在它可以用于拍照的“人像模式”。采取更优秀的图像语义分割技术，能够在更高精度的照片里确认每个像素点，属于人，亦或是背景。

　　目前 google、小米等公司都在拍照上使用这1技术。理论上，未来的“人像模式”可以在毛发、衣物边缘实现更好的效果。

　　以及在自动驾驶的场景里，神经络需要判断挡在前面的是车、行人还是建筑物，进而采用不同策略进行躲避，这同样需要图像语义分割来打基础。

　　从该论文体现的效果来看，auto-deeplab 还可以被转移到其他任务上。弦外之音，让 ai 自动设计 ai 这件事，可能还会有很大的想象空间。

　　比如作者在论文最后提到，在目前的研究框架内，他们可以继续在物体辨认的方向进行研究。

　　如果能够获得类似的结果，大规模使用，没准有一天，在数据标注（特别是图象标注）这件事上，人类标注员的成本等优势可能也会消失。

　　如果人工智能可以给人工智能打工，打工效力比人还高……

　　“那些给人工智能打工的人”，会失去工作吗？

　　转载声明：本文转载自「硅星人」，搜索「guixingren12 」便可关注。作者：光谱

　　（点击图片浏览）

　　：

　　声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。

　　浏览 ()