所有参与投票的 CSDN 用户都参加抽奖活动

群内公布奖项，还有更多福利赠送

作者 | Max Versace

译者 | 夕颜

出品 | AI科技大本营（ID:rgznai100）

声明：本文为客座文章，仅是为作者的观点，不代表 IEEE Spectrum 或 IEEE 立场。

【导读】在人类的早期，当我们迈入数学和数量的世界时，我们知道一个苹果加一个苹果等于两个苹果。我们开始学习实物计数，直到后来才引入了零的概念，或者不妨说空盒子里的苹果数。

在印度阿拉伯学者和意大利数学家斐波那契之后，“零”的概念彻底改变了数学界，将其引入了我们的现代编号系统，今天我们可以自由自在地在数学运算中使用“零”。但对人工智能而言，“零”或“无”仍然是一个尚未涉足的领域，

从某种意义上说，人工智能和深度学习仍然需要通过“零”或“无”学习识别和推理。

这是一个苹果还是香蕉？都不是！

       （图源：Richard Drury/Getty Images）

传统上，深度学习算法（例如深度神经网络 DNN）以有监督的方式进行训练，以识别特定类别的事物。

在一个典型的任务中，可能会训练 DNN 以可视化的方式识别一定数量的类，例如苹果和香蕉的图片。深度学习算法在获得大量数据和质量的数据时，实际上非常擅长进行精确、低错误率和可信的分类。

当第三个未知对象出现时，DNN 识别就会出现问题。如果引入了训练集中不存在的未知对象（例如橙色），DNN 网络将被迫“猜测”并将橙色分类为捕获未知对象的最接近类别——一个苹果！

基本上，用苹果和香蕉训练的 DNN 的世界完全由苹果和香蕉组成。它想不到水果篮里还有其他的水果。

进入“零”的世界

尽管我们尚不清楚“无”或“零”是否在所有应用中都能发挥作用，但是在训练和部署 DNN 时，“无”或“零”的想法在许多方面都非常有用。

在训练过程中，如果 DNN 能够将项目分类为“苹果”，“香蕉”或“什么都没有”，则算法的开发人员可以确定是否还有尚未有效学习识别的类别。就是说，如果水果图片继续反馈“零”，那么开发人员可能需要添加另一类“水果”来进行识别，例如橘子。

但到目前为止，还没有一个简单的方法来训练 DNN 产生“无”的回应，能发出信号通知开发者它看到了偏离常规的东西。

同时，在部署场景中，经过训练的 DNN 如果识别出与已经学会的原型水果苹果和香蕉有偏差的东西，则会回答“无”。从这个意义上讲，DNN 可以被当做一个异常检测网络——除了对苹果和香蕉进行分类之外，它还可以不经进一步更改就发出信号，通知它看到偏离规范的东西。

然而，现在还没有简单的方法来训练可以具备上述功能的标准 DNN。

一种被称为“ Lifelong DNN ”的新方法自然会将“无”的概念纳入其体系中。“ Lifelong DNN 巧妙地利用反馈机制，通过过去学习到的知识来确定输入是否匹配。

2017 年，AI 创业公司 Neurala 宣布在深度学习软件方面取得重大进展，其 Lifelong DNN 软件能够能够在边缘学习增量对象（incremental object）。在此之前，如果一个 AI 系统学会了一定数量的对象，并且需要再学习一次，那么它必须针对所有对象再训练一次。这种传统方法需要利用强大的服务器，通常是云上的服务器。

Neurala 的 Lifelong DNN“既能在运行中学习，也能在边缘学习的能力意味着 Neurala 的新方法可以直接在设备上学习，从而不会有云上学习的所有缺点。此外，它消除了网络延迟，提高了实时性能，并在需要时确保隐私。最重要的是，它将促进一系列无云应用（cloud-less applications）的开发，”本文作者，同时是 Neurala CEO Max Versace 说道。当时，吴恩达也评价了从云到“边缘”转化的技术，认为这会加速消费级 IoT，带来新的赢家。

Lifelong DNN 的机制和人类的学习方式类似：我们在潜意识中不断检查我们的预测是否符合现实世界。例如，如果有人跟你开玩笑调整了你办公椅的高度，你马上就能意识到。那是因为随着时间的推移，你学习到了办公椅高度的“模型”——一旦模型有变，你会立即意识到异常。人类不断检查我们的分类是否符合实际情况。如果没有，我们的大脑就会注意到并发出警报。对人来来说，我们不仅可以认识苹果、香蕉和苹果，还可以推理“我还以为是苹果，但实际上不是。”

Lifelong DNN 会在运行中学会这种机制，因此，如果学到的模型有变，它会输出“无”。

应用前景

在以苹果和香蕉为例对“无”有了基本了解之后，现在让我们考虑一下除了水果识别之外，它在实际应用中应该如何发挥作用。

比如制造业，机器负责生产大量产品。对传统的计算机视觉系统进行训练以识别产品中各种各样的异常（例如表面划痕）非常具有挑战性。在运作良好的生产线上，没有多少“坏”产品的样例，“坏”可以有无数种形式。很简单，根本没有大量可用于训练系统的不良产品数据。

但是，借助 Lifelong DNN，开发人员可以训练计算机视觉系统来识别“好”产品的不同示例。然后，当系统检测到与商品定义不符的商品时，可以将该商品归类为异常，然后进行适当处理。

对于制造商而言， Lifelong DNN 和发现异常的能力可以节省时间并提高生产线的效率。对于无数其他越来越依赖人工智能的行业来说，可能会有类似的好处。

谁知道“无”竟然有这样的重要性呢？

Neurala 是一家美国软件公司，所开发的深度学习软件 Neurala Brain 可以让机器人、无人机、移动设备和相机更加智能，同时也为高端设备和日常应用场景提供定制化的解决方案。Neurala 可以让普通相机也能学习人物和目标，并实现视频和视频流中的识别和运动追踪功能。基于 Neurala Brain 为 NASA、DARPA 和美国空军所开发的技术，它已成功部署在超过一百万台智能设备中。

原文链接：

https://spectrum.ieee.org/tech-talk/robotics/artificial-intelligence/the-next-frontier-in-ai-nothing

（*本文为AI科技大本营翻译文章，转载请微信联系1092722531）

◆

精彩推荐

◆

点击阅读原文，或扫描文首贴片二维码

所有CSDN 用户都可参与投票活动

加入福利群，每周还有精选学习资料、技术图书等福利发送

点击投票页面「讲师头像」，60+公开课免费学习

推荐阅读

• Python 三十大实践、建议和技巧

• 2020年AI 2000最具影响力学者榜单发布，何恺明排名超过李飞飞

• 达摩院 2020 预测：模块化降低芯片设计门槛 | 问底中国 IT 技术演进

• 只十分钟，唾手可得的工作机会就被我搞砸了！

• 2020年趋势一览：AutoML、联邦学习、云寡头时代的终结

• 千万不要和程序员一起合租！

• 十大新兴前端框架大盘点

• 联盟链走向何方

• 用比特币的中间层知识完善区块链认知

• 

  你点的每个“在看”，我都认真当成了AI