原创不易 请随手点击关注
本文由Rehoo团队Tin原创，无授权禁转！(图片来自网络)
由于近年来计算能力的提高，新算法的发现以及标记数据的增加，神经网络的研究和开发正在蓬勃发展。在当前 ，神经网络的实际应用受到限制。最近的大部分研究都得到了广泛的应用，机器学习模型的大量计算要求仍然限制它真正进入主流。现在，新兴算法正处于通过指数级提高效率将神经网络推向更传统的应用程序的尖端。神经网络是当前计算机科学研究的重点。它们受到复杂的人类生物学的启发，除了最常见的用例外，它们在大多数可能的尺度上仍然优于计算机。
计算机非常适合快速存储信息和处理，而人类更善于有效利用他们拥有的有限计算能力。计算机每秒可以执行数百万次计算，这是人类无法想象的。人类拥有自己优势的地方就是效率，比计算机效率高出数十万。计算机在算法复杂性方面缺乏什么，它们弥补了纯粹的处理能力，以不断发展的速度分析信息。
这种计算能力随之而来：尽管计算能力的成本呈指数级下降，但机器学习仍然是一项成本难题 ，大多数个人，企业和研究人员无法接受，他们必须依靠第三方服务来进行实验。例如，简单的聊天机器人可能会花费几千美元到上万美元以上的未知成本，具体取决于复杂性。
进入神经架构搜索（NAS）
为克服这一障碍，科学家们一直在研究各种技术，以减少与机器和深度学习应用相关的成本和时间。该领域是软件和硬件考虑因素的混合。更高效的算法和设计更好的硬件都是优先事项，但后者的发展是非常耗费人力和耗时的。这促使研究人员为该领域创建设计自动化解决方案。软件和硬件方面都取得了进展。目前，神经网络实现中最常用的技术是神经架构搜索（NAS），虽然它在设计神经网络方面很有效，但计算量很大。NAS技术可以被认为是实现自动化机器学习的基本步骤。
麻省理工学院已经发布了该领域的大部分研究，发表了一篇论文，该论文展示了一种非常有效的NAS算法，可以学习特定硬件平台的卷积神经网络（CNN）。研究该论文的研究人员通过“删除不必要的神经网络设计组件”并专注于特定的硬件平台（包括移动设备），成功地提高了效率。测试表明，这些神经网络几乎是传统模型的两倍。
该论文的共同作者，麻省理工学院微系统技术实验室助理教授宋汉表示，目标是“实现AI民主化”。“我们希望通过在特定硬件上快速运行的按钮解决方案，使AI专家和非专家能够有效地设计神经网络架构，”他说。“目的是减轻设计和改进神经网络架构所带来的重复性和繁琐工作。”还提出了其他技术。与在资源密集的受控环境中执行相反，机器学习算法可以减少为在使用较低功率水平的特殊设计硬件上运行。
哥伦比亚大学的研究人员表明，现场可编程门阵列（FPGA）在机器学习应用的实施中更快，更节能。除了通过定制硬件使机器学习更经济实惠且耗时更少外，FPGA还可以使技术专业知识较少的人更容易使用深度神经网络（DNN）。FPGA与高级综合（HLS）工具结合使用，可以“自动设计硬件”，无需专门设计用于试验机器学习推理解决方案的硬件，从而可以更快地实现各种用例的应用。
其他研究人员已经考虑用于特定DNN子集CNN的FPGA，这种技术以其在分析图像中的应用而闻名，其本身从动物的视觉皮层中获取灵感。这种方法也指使用HLS和FPGA。为了进一步证明特定用例的多样性，一些研究已经研究了DNN的实施，以便在工程任务方面执行自动化设计。
机器学习代理
尽管如此，机器学习研究领域还有很长的路要走。神经网络和机器学习研究员Robert Aschenbrenner指出即将到来的技术转变，并强调机器学习代理将如何改进其性能和算法。“今天，自动化工具在很大程度上被孤立并被分割成他们自己的领地，”Aschenbrenner说。“网站聊天机器人通常不会与客户服务员工互动，除非它被编程为在满足特定条件的情况下切换对话。聊天机器人只是遵循它的编程，从不改变过程，除非它被命令这样做。
机器学习代理不是确定我们想要自动化的过程，而是观察我们的工作方式，收集和挖掘历史数据以确定自动化的机会所在。然后，AI工具将以自动化流程变更的形式假设解决方案，并模拟这些变更将如何提高生产率或带来更好的业务成果。“
训练算法
这听起来很有希望，在训练算法学习像人类或任何动物一样的东西方面还有很多工作要做。Aschenbrenner列出了人类仍然比机器更具优势的五个主要领域：视觉，无监督/强化学习，可解释模型，推理和记忆以及快速学习。尽管人工智能在这些方面取得了进步，但人类仍然具有更快的学习能力，而且不需要明确标记数据将放在一起。
在看似不同的想法之间推理和找到联系的能力是人类在很大程度上拥有的东西，而完全独立和实现新兴学习的能力仍然无法实现。虽然神经网络领域有很多活动，但机器学习算法使用的基本拓宽意味着它的应用可能远远超出目前运行的有限用例。
人工智能（AI）正在激增并正在实际部署，但人工智能成为无处不在的现象的期望将取决于快速设计的硬件和软件解决方案。
人工智能民主化
正如麻省理工学院所描述的那样，优化的算法和经济实惠的解决方案有望使AI“民主化”，将大规模的机器学习技术交给那些缺乏目的运行大型计算机农场的资源的个人和机构。
虽然研究可能还处于该领域的早期阶段，但新提出的设计自动化解决方案显示出了很大的希望。这伴随着计算机硬件成本的降低，以及云计算等可互操作技术的引入，这些技术可以加速机器学习的主流应用的到来。增加对复杂算法和工具的可访问性可以增强教育，医疗保健和业务绩效。
此外，企业可以通过让AI处理繁琐的任务来降低运营成本，从而使人力资源能够更好地用于更关键的任务。
