安徽十一选五走势图200期|安徽十一选五玩法
第一時間get全球最新科技知識與數據
下載鈦媒體客戶端

掃描下載App

AI新貴上位記:圖網絡是怎么火起來的?

摘要: 一個補丁,或是一個時代的開始?

圖片來源@視覺中國

圖片來源@視覺中國

文|腦極體

誰是2018年AI圈最靚的仔?

這頂“桂冠”只有兩位候選人:俗話說,前端能打看BERT,底層深度看圖網絡。

其實并沒有這句俗話……但是BERT和圖網絡在今天的AI界并駕齊驅,堪稱被討論最多的兩種技術,這一點是毫無疑問的。

谷歌的BERT作為一種算法模型,在語言任務上展現出了不講道理的應用效果,熠熠奪目自然很容易理解。

但另一個最近大家聽到很多次的詞,圖網絡,可能就沒那么容易理解了。相比某種算法,圖網絡更像是一個學術思考下若干種技術解決思路的集合,非常抽象和底層。它的價值到底在哪?為什么甚至能被抬高到“深度學習的救星”這種程度?

我們發現,目前關于圖網絡的解釋,大多都是從論文出發。非技術背景的讀者可能會看得有點暈。所以這里想用一些“大白話”,來描述一下:風口浪尖上的圖網絡,究竟有什么秘密?

想讓自己在AI圈潮酷起來嗎?聊Graph和GNN吧

所謂圖網絡,并不是指有圖片的網站……而是指基于圖(Graph)數據進行工作的神經網絡。

Graph,翻譯成“圖”,或者“圖譜”。這是一個數學概念,指由頂點(nodes)和邊(edges)構成的一種數學關系。后來這個概念引申到了計算機科學中,成為了一種重要的數據形式,用來表示單元間相互有聯系的數據網絡。

此外,這個概念還引申到了生物學、社會科學和歷史學等無數學科,甚至變成了我們生活中的常見概念。在警匪片里,警局或者偵探辦公室的墻上,往往掛著罪犯的關系網絡圖,這大概是我們生活中最常見的Graph。

回到計算機科學領域,圖數據和基于圖的分析,廣泛應用于各種分類、鏈路、聚類任務里。人工智能領域有個重要的分支,叫做知識圖譜。基本邏輯就是將知識進行Graph化,從而在我們尋找知識時,可以依據圖譜關系進行追蹤和定位。

比如我們在搜索引擎中搜某個名人時,相關推薦會跳出來跟這個人字面意義上無關的其他人。這就是知識圖譜在起作用。

那么圖網絡是怎么搞出來的呢?

大家可能知道這樣一個“唱衰AI”的小故事:用機器視覺技術,AI今天可以很輕松識別出來一張照片上的幾張人臉。但它無法像真人一樣,一眼看出來圖上是朋友、戀人還是家庭聚會。

換句話說,一般意義上AI無法獲得和增強用人類常識去進行邏輯推理的能力。很多人以此判斷,今天的AI并不怎么智能。

AI科學家們琢磨了一下,表示這事兒有辦法搞定。

如果把圖/圖譜作為AI的一部分,將深度學習帶來的學習能力,和圖譜代表的邏輯關系結合起來,是不是就好很多?

事實上,Graph+Deeplearning并不是一個全新概念。最早在2009年,就有研究提出了二者的結合。近幾年這個領域陸續在有研究出來。對于這個組合產物,學術界有人稱之為圖卷積網絡(GCN),也有人稱呼其為圖神經網絡(GNN)或者圖網絡(GN,Graph Networks),其技術內涵和命名思路也各不相同。這里暫且使用圖網絡這個籠統稱呼。

圖網絡作為一種新的AI研究思路,之所以能夠在2018年被點燃,很大程度還是號稱AI扛把子的DeepMind的功勞。

在火種拋出、全球跟進以及反復爭論之后,圖網絡變成了AI學術圈最靚仔的那個關鍵詞。今天大有一種,聊深度學習不說圖網絡就很low的感覺……

從識別小能手到推理專家:AI新貴求職記

有種論調是這么說的:深度學習已死,圖網絡才是未來。

這句話怎么琢磨都有問題。因為從圖網絡在去年被“翻新”出來那一刻,它在本質上還是對流行的多層神經網絡的一種補充。

讓我們來打個比方,看一下跟傳統深度學習相比,圖網絡應該是如何工作的。

舉個例子,假如我們想讓教育我們的孩子,讓他認識新來的鄰居一家人。我們應該怎么辦呢?可以選擇給他講,隔壁新來了某個小朋友,他爸爸是誰媽媽是誰。但是這樣不直觀,孩子很容易記不住。而更快的方式或許是拿著照片給他看,告訴他照片上的人都是什么關系。

而在這個工作之前,其實我們已經完成了一個先覺條件:我們已經告訴過孩子,爸爸媽媽爺爺奶奶這些稱呼,分別指代的是什么意思。他理解這些“邊”,然后再代入新鄰居一家人具體的樣貌性格交談作為“頂點”,最終構成了對鄰居一家這個“圖”的網絡化認識。

而我們在用深度學習教導AI時,往往是省略掉第一步。直接給出大量照片和語音文字資料進行訓練,強迫AI去“記住”這一家人的關系。然而在AI缺乏對家庭關系的基本常識情況下,它到底能不能記住,是怎么記住的,會不會出現偏差,其實我們都是不知道的。

某種程度上,這就是深度學習的黑箱性來源之一。

所以圖網絡的思路是,首先讓AI構建一個“圖”數據,先理解爸爸媽媽這一類關系的含義,再去學習具體的家庭數據。這樣AI就可以依靠已經積累的節點間的消息傳遞性,來自己推理下一個要認識的家庭究竟誰是爸爸誰是兒子。

這也就意味著,圖網絡某種程度上有了自己推理的能力。如果將這種能力推而廣之,AI就將可能在非常復雜的聯系和推理中完成智能工作。

前面說了,這個領域的工作其實一直沒有停止。但是之所以沒有廣泛流行,一方面是因為這個領域相對小眾,缺少重磅研究來引發大家的關注;另一方面也是因為看不見摸不著,缺少開源模型來檢驗理論的正誤。

去年6月,DeepMind聯合谷歌大腦、麻省理工等機構的27位學者,共同發表了關于圖網絡的論文《Relational inductive biases, deep learning, and graph networks.》,接著開源了相關的算法包GraphNet。

這篇文章中,DeepMind不僅提出了新的算法模型,希望能用圖網絡實現端到端的學習;同時也總結歸納了此前圖網絡各個流派的研究方法,并將其在新算法上進行了融合。

在這個有點承上啟下意味的研究出來后,大量關于圖網絡的綜述、應用檢驗,以及新算法的探討開始在學術界萌生。隨著全球AI圈的共同發力,這門AI技術新貴正在嘗試走向臺前。

圖網絡,到底有什么用?

這個問題或許可以分遠近兩方面看。

近的方面,有一些AI要面對的任務,天然就屬于圖結構數據。因此用圖網絡來學習和處理可謂事半功倍。比如說社交網絡、智能推薦、化學分子預測、知識圖譜等領域,都被證明可以廣泛應用圖網絡技術來提升智能化效率,降低算力消耗。

而在非結構化數據,比如語音、文本、圖片等場景,圖網絡可以用來提取結構化信息。比如在圖片中更好地識別家庭成員關系,認識圖片中正在發生的行為等等。此外,圖網絡還能為數據的優化組合提供更加智能化的應用。

而從長遠方面看,圖網絡是對圖譜技術和深度學習技術兩個技術領域的融合與再拓展。這不僅讓沉睡已久的,AI中的知識表示流派具備了復活的潛力。更重要的因素在于,圖網絡可能讓深度學習打開因果推理這扇大門。

具體一點,作為一種底層邏輯上的更新,圖網絡似乎可以起到對深度學習幾個原生缺點的彌補:

1、增強AI可解釋性。

“臭名昭著”的深度學習黑箱,來自于大量非結構數據輸入之后,算法進行歸納的邏輯無從掌握。而圖網絡可以操作知識的歸納邏輯,看出行為的因果關系,顯然對是黑箱性的一次突破。

2、減少“人工智障”式的視覺錯判。

在機器視覺領域,AI另一個廣為人知的問題,就是對對抗攻擊的低抵抗力。比如AI本來已經認識這是鳥了,結果照片上沾一個黑點,它又不認識了。這個問題來自于AI本身識別的是像素,而不是物體概念本身。圖網絡如果將物體關系帶入其中,或許會讓AI的視覺判斷力更像人類。

3、小樣本學習的可能性。

深度學習的另一個問題,就是很多算法必須經歷超大規模訓練來提升精度。而這也是對算力和數據的暴力消耗。如果能讓AI具備邏輯上的遷移可能,那么具備人類常識的AI,將可以在很小的數據樣本中完成相對復雜的工作。

4、向著通用智能的一小步。

我們知道,AI今天的主要能力是識別和理解,而推理是其若想。假如圖網絡彌補了這一弱勢,是否意味著AI將從單體智能向通用智能走上一步呢?

這么多價值的圖網絡,顯然想不火都難。2019年,或許將是圖網絡放出更多光芒的一年。

然而也別太樂觀,這個更多光芒完全是個相對值!雖然今天很多聲音高調吹捧圖網絡的價值,但要看到,圖網絡并不是AI的萬能鑰匙。

心頭一動,道阻且長:如何看待圖網絡的發展現狀?

雖然今天產業端對于圖網絡的應用還沒有怎么被提及,但就我所接觸過的AI學術界人士,確實普遍對圖網絡報以非常強烈的興趣。

當然了,對圖網絡的爭議今天也普遍存在。整體而言,對它的整體評價分為了三個流派:

1、悲觀派。有一種觀點認為,圖網絡無非是對深度學習劣根性打的一個補丁,屬于深度學習走不下去了,打算繞繞路。而且這個補丁并沒有被證明有效。今天還只是停留在概念和淺層實驗階段。

2、客觀派認為,圖網絡是深度學習發展的必然趨勢和重要補充,恰恰證明了AI作為一種底層技術正在不斷發展成長,拓展自己的邊界。不管圖網絡是不是真的能做到暢想的一切,至少證明了深度學習體系在今天是有發展能力的。

3樂觀派則提出,圖網絡的關鍵意義,是讓AI能夠獲取常識和推理能力,這種能力顯然是人類智能的一個重要代表。我們一直期待的AI走向通用化的強人工智能,會不會就從圖網絡開始呢?在他們看來,圖網絡是關乎于AI去往下一個時代的關鍵開關。

到底哪一派更接近未來的真相呢?可能就交給諸位和未來一起檢驗吧。

總體而言,圖網絡是一種對今天流行的AI體系,從技術思想,到技術邏輯的一次重要修補和升級。它在某種程度上是一個未來,但今天還缺乏實踐檢驗和有效工作。

在實踐中,圖網絡的限制還非常多。比如其表示能力不足,無法承擔太復雜的圖結構數據。并且對計算復雜度要求很高,對今天的計算架構又提出了新的挑戰。

而且圖網絡主要解決的是AI對結構化數據的處理,而在動態數據、大規模數據、非結構化數據等領域,圖網絡的作為依舊有限。

再一個,雖然AI是一個高度產學一體化的學科,從前瞻性研究到技術實踐的周期已經被大大縮短。然而要客觀看到,二者并不是無縫對接的,從算法理論提出到實際應用,還是會有一個比較長的蟄伏期。我們不能指望去年的AI學術明星,今年就走進千家萬戶。

總之呢,這是個讓人動心的技術,但今天還僅僅是發現了藏寶圖。真正的寶藏,大概還在千山萬水之外。

更多精彩內容,關注鈦媒體微信號(ID:taimeiti),或者下載鈦媒體App

本文系作者 腦極體 授權鈦媒體發表,并經鈦媒體編輯,轉載請注明出處、作者和本文鏈接
分享到:

第一時間獲取TMT行業新鮮資訊和深度商業分析,請在微信公眾賬號中搜索「鈦媒體」或者「taimeiti」,或用手機掃描左方二維碼,即可獲得鈦媒體每日精華內容推送和最優搜索體驗,并參與編輯活動。

腦極體
腦極體

寫讓你腦洞大開且能看懂的人工智能、流媒體、海外科技

評論(0

Oh! no

您是否確認要刪除該條評論嗎?

分享到微信朋友圈

安徽十一选五走势图200期