211service.com
Kinesisk søgegigant Baidu ansætter mand bag Google-hjernen
Baidu er længe blevet omtalt som Kinas Google, fordi det dominerer websøgning i landet. I dag blev sammenligningen mere passende: Baidu har åbnet et nyt kunstig intelligens-forskningslaboratorium i Silicon Valley, som vil blive overvåget af Andrew Ng , en Stanford-professor, der spillede en nøglerolle hos Google inden for et felt kaldet deep learning. Han var også medstifter af onlineuddannelsesvirksomheden Coursera.
De seneste fremskridt har udløst et teknologisk våbenkapløb i Silicon Valley, hvor store webvirksomheder konkurrerer om det bedste akademiske talent. Ligesom Google, Facebook og andre virksomheder, der skynder sig at investere i dyb læring, er Baidu motiveret af løftet om dramatiske fremskridt inden for kunstig intelligens.
Deep learning gør det muligt for maskiner at behandle store mængder data ved hjælp af simulerede netværk af simple neuroner, groft modelleret på dem, der findes i biologiske hjerner. Tilgangen har givet dramatisk forbedret software til opgaver som billed- og talegenkendelse (se Deep Learning), og den kunne i sidste ende give apps, enheder og internettjenester mulighed for at forstå ting som billeder og tekst, lige så godt som mennesker gør.
Selvom det nylige boom inden for dyb læring har sin oprindelse i den akademiske verden, eksploderede interessen i 2012, efter at Google-forskere, der samarbejdede med Ng, annoncerede et gennembrud på et projekt kaldet Google Brain. De byggede software, der analyserede 10 millioner billeder taget fra YouTube-videoer og lærte at genkende tusindvis af genstande, inklusive menneske- og katteansigter, uden menneskelig vejledning (se selvlært software).
Siden da har amerikanske teknologigiganter konkurreret om at ansætte førende personer inden for det relativt lille felt (se Is Google Cornering the Market on Deep Learning? og Facebook Launches Advanced AI Effort ), og de er begyndt at demonstrere, hvordan tilgangen kan fremme den teknologi, de tilbyde forbrugerne. Google og Microsoft har brugt dyb læring til at forbedre talegenkendelse og oversættelse (se Google sætter sin virtuelle hjerneteknologi i brug og Microsoft bringer Star Treks stemmeoversætter til live). I mellemtiden har Facebooks dybdelærende forskere for nylig demonstreret ansigtsbehandlingssoftware, der er tæt på at matche menneskelig præstation (se Facebook-software matcher ansigter næsten lige så godt som du gør).
Inden Baidu besluttede at åbne sit nye laboratorium, der ligger i Sunnyvale, havde Baidu opnået gode resultater ved at tilføje dyb læring til flere produkter siden slutningen af 2012, siger Kai Yu, direktør for virksomhedens deep-learning laboratorium i Beijing. Teknologien kan ses i Baidus oversættelsesapp, som identificerer objekter, der er snappet på en smartphone med deres kinesiske og engelske navne. Det bruges også i virksomhedens annoncemålretningsteknologi. Vi fik et øjeblikkeligt udbytte af at tilføje dyb læring til vores annoncesystem, siger Yu. Det øgede klikraten markant.
Yus Beijing-laboratorium er fokuseret på at anvende dyb læring til eksisterende Baidu-produkter og dem, der snart vil blive introduceret. Det nye Silicon Valley-laboratorium vil arbejde på mere fundamental forskning, siger han. Håbet er, at dette brede mandat og Ngs stjernekvalitet, kombineret med Baidus rummelige lagre af billeder, tekst og video, vil lokke førende talenter. I Silicon Valley er der en enorm talentmasse, der er så unik, siger Yu. Vi ønsker virkelig, at der kommer noget revolutionerende fra laboratoriet.
Ng vil guide denne indsats i sin nye stilling som Baidu's forskningschef, der fører tilsyn med Silicon Valley-laboratoriet, Yus laboratorium og et andet laboratorium i Beijing, der er dedikeret til big data. Han vil arbejde fra Sunnyvale-laboratoriet, hvor Baidu siger, at det vil investere 300 millioner dollars over fem år.
Laboratoriets forskning ledes af Adam Coates, tidligere ph.d.-studerende og postdoc-forsker i Ngs Stanford-forskningsgruppe. Coates siger, at et stort fokus vil være på at bygge software, der lærer uden menneskelig input, som Google Brain-systemet gjorde - en tilgang kendt som uovervåget læring.
Uovervågede systemer kræver mindre indsats fra programmører, men indtil videre har de relativt dårlig nøjagtighed, i hvert fald sammenlignet med mennesker. Googles kat-genkendelsessystem nåede for eksempel omkring 70 procents nøjagtighed. Det største åbne spørgsmål er ’Hvordan kan du bruge uovervåget læring til at komme til præstationer på menneskeligt niveau?’ siger Coates. Men gevinsten for at forbedre selv en lille smule burde være stor. Så mange af de produkter, vi ønsker at bygge, er ting, som vi gerne vil interagere med verden, siger han. Det gælder for robotter og selvkørende biler og mobilapps.
Eugenio Culurciello , en forsker ved Purdue University, der arbejder på chips med neurale netværk indbygget (se AI-chip til at hjælpe computere med at forstå billeder), siger, at begejstringen omkring dyb læring er berettiget. Han peger på, hvordan dets metoder har væltet de benchmarks, som forskere bruger til at rangere software til maskinlæring. Normalt forbedrer man sig med 2 procent i forhold til det, der kom før, siger han. Disse fyre har forbedret sig med 10 eller 20 procent.
Sådanne resultater er grunden til, at Facebooks administrerende direktør Mark Zuckerberg gjorde en overraskende optræden på NIPS konference for neurale netværksforskning sidste år. Imidlertid, Michael Mozer , en professor ved University of Colorado, Boulder, og et bestyrelsesmedlem af NIPS Foundation, påpeger, at de kernealgoritmer, som de neurale netværk bruger, er meget de samme som dem, der udløste en bølge af optimisme om kunstig intelligens i slutningen af 1980'erne. De seneste gennembrud er kommet fra at finde tricks, der gør det muligt at bruge disse algoritmer i meget større skala, siger Mozer. De mennesker, der holdt fast i det, høster fortjent fordelene nu, siger han, men deep learning er ikke så stort et spring fremad for feltet, som det nogle gange bliver gjort til.
For nu er det relativt få mennesker, der er fortrolige med de tricks, der skal til for at få dyb læring til at fungere godt, siger Culurciello. Hvis du vil slå mængden nu, skal du prøve at købe de mennesker, der virkelig ved det her - ellers kommer du et par år bagud, siger han.