在人工智能的世界中，還有很多不足之處有待解決。大多數(shù) AI 解決方案并不能處理多種類型的輸入。具體來說，大多數(shù)人工智能工具只能專注一個(gè)方向，比如聲音、視覺或文字。目前，還鮮有人去嘗試將三方面結(jié)合起來去構(gòu)建一套 AI 解決方案，為什么？因?yàn)橐阅壳暗募夹g(shù)水平，我們離創(chuàng)建一套完整 AI 系統(tǒng)還差很遠(yuǎn)。

但現(xiàn)在，有人終于開始嘗試，谷歌和麻省理工學(xué)院一個(gè)新項(xiàng)目正在向一個(gè)多功能完整 AI 方案邁出第一步。更具體地說，雙方將合作開發(fā)出能同時(shí)處理聲音、文本和圖像的 AI 解決方案。可以想象，一旦研究項(xiàng)目有所突破，將賦予人工智能以類似人類的多重感官，這將是一個(gè)極具野心的研究項(xiàng)目。

對于我們?nèi)祟悂碚f，在任何給定的時(shí)間，我們幾乎都不可能只使用一種感官。另一方面，而人工智能卻完全不具備這種能力。將所見所聞相匹配是人類的第二天賦，但對機(jī)器來說，能夠?qū)崿F(xiàn)一種“感官”已經(jīng)非常難了。

所以，僅僅是在感官方面，讓 AI 具備人類的某些功能其實(shí)已經(jīng)是一項(xiàng)看上去不可能完成的任務(wù)，更不必說機(jī)器的智能水平了。

不論以何種方式，創(chuàng)建一個(gè)能夠像人類一樣學(xué)習(xí)和適應(yīng)的算法并不容易。麻省理工學(xué)院和谷歌發(fā)布的全新研究報(bào)告則為這一嘗試指明了道路，讓人們看到了賦予 AI 系統(tǒng)多重“感官”的可能性。新的論文概述了如何 AI 如何調(diào)節(jié)自己聽到和看到的東西，并將其同步，這非常類似人腦的運(yùn)作方式。

圖丨麻省理工學(xué)院博士后研究員 Yusuf Aytar

論文的聯(lián)合作者、麻省理工學(xué)院博士后 Yusuf Aytar 表示：“不管你是聽見了了引擎聲，還是看到了汽車，這都無所謂，因?yàn)槟泷R上能識(shí)別出這是同一概念。這些信息已經(jīng)在你的大腦中被統(tǒng)一起來。”

這里的關(guān)鍵詞就是協(xié)調(diào)與統(tǒng)一。研究人員并沒有教會(huì)算法新的東西，而是創(chuàng)造了一種方式讓算法將一種感官與另一種感官連接統(tǒng)一起來。Aytar 舉了一個(gè)例子來說明：當(dāng)一輛自動(dòng)駕駛汽車聽見救護(hù)車的聲音時(shí)，就能將其與救護(hù)車的樣子聯(lián)系在一起，即便因?yàn)橐暰€受阻沒有看見救護(hù)車，也能提前做出避讓。

為了訓(xùn)練這套 AI 系統(tǒng)，麻省理工學(xué)院的研究人員首先向神經(jīng)網(wǎng)絡(luò)展示了一些帶有音頻的視頻文件，當(dāng)神經(jīng)網(wǎng)絡(luò)接收到這些視頻和音頻后，就會(huì)開始嘗試預(yù)測物體與聲音之間的聯(lián)系。然后，研究人員開始同一算法中輸入帶有文字說明的圖像，讓神經(jīng)網(wǎng)絡(luò)將圖片中的物體與其文字說明聯(lián)系起來。以此類推，這樣就完成了視頻、聲音、圖像、文字間的相互轉(zhuǎn)換與識(shí)別。

圖丨將聲音、圖像、文字輸入同一神經(jīng)網(wǎng)絡(luò)

培訓(xùn)這個(gè)系統(tǒng)將需要大量的工作，盡管已經(jīng)證明了幾個(gè)測試已經(jīng)相當(dāng)成功。現(xiàn)在，算法只是提供“簡單”的信息，但沒有理由認(rèn)為它不能處理更復(fù)雜的事情。使用這種開創(chuàng)性的技術(shù)將在未來幾年為人類發(fā)展世界帶來新的生命。

盡管已經(jīng)進(jìn)行過的測試都非常成功，但訓(xùn)練這個(gè)系統(tǒng)還有很多額工作要做。目前，研究人員只為算法提供了相對簡單的信息，以后的訓(xùn)練數(shù)據(jù)將會(huì)越來越復(fù)雜。為 AI 系統(tǒng)賦予多重感官，這種開創(chuàng)性的研究方向勢必將在未來幾年內(nèi)為人工智能領(lǐng)域的研究帶來新的突破。(生物谷 Bioon.com)