动漫网站设计与实现,产业互联网排名,深圳网站空间购买,门户网站关键词来源#xff1a;AI前线作者#xff1a;Gary Chan译者#xff1a;Sambodhi策划#xff1a;李冬梅尽管 OpenAI 以其在自然语言处理上的成就而著称#xff0c;而 DeepMind 则以强化学习和决策而闻名#xff0c;特斯拉#xff08;Tesla#xff09;无疑是计算机视觉领域最有… 来源AI前线作者Gary Chan译者Sambodhi策划李冬梅尽管 OpenAI 以其在自然语言处理上的成就而著称而 DeepMind 则以强化学习和决策而闻名特斯拉Tesla无疑是计算机视觉领域最有影响力的公司之一。即便你不是计算机视觉专业人士你也可以通过特斯拉了解到不少它的生产级人工智能。特斯拉的人工智能团队并没有像 Uber 或 Airbnb 那样发表博文因此外界很难了解他们都做了什么又是怎样取得今天的成绩。不过特斯拉在 2021 年举办的“人工智能日”展示了许多技术和经验这些技术和经验对所有的人工智能部门和企业都有借鉴意义。下面是一些经验。商 业创新再运用尖端科技特斯拉公布了其最新产品特斯拉机器人Tesla Bot这是一款人形机器人产品。尽管汽车和机器人看上去差别很大但是无人驾驶汽车和由人工智能控制的机器人实际上有许多相同的部件。举例来说特斯拉汽车和特斯拉机器人都需要传感器、电池、实时计算和分析接收到的数据同时还需要即时作出决策。所以特斯拉开发的人工智能芯片和硬件都可以在两者中使用。特斯拉的两款产品在软件和算法上都要求有一个视觉系统和规划系统。所以特斯拉汽车团队能够和特斯拉机器人团队共享软件代码库。规模经济将会进一步降低平均开发费用从而使得特斯拉在市场上更加具有竞争力。特斯拉的人工智能团队还有一个优势那就是特斯拉机器人所收集到的数据也可以用来训练特斯拉的无人驾驶汽车。事实上还有其他重用内部先进技术的例子。其中之一就是 reCAPTCHA。Luis von Ahn 最先联合发明了验证码CAPTCHA它要求用户输入屏幕上显示的字母从而实现自我认证。之后他开始向自己挑战让验证码变得更加有用最终他和《纽约时报》NY Times共同发明了 reCAPTCHA这个系统能将书籍中的长句分解要求用户输入他们所看到的内容。只需稍加修改就可以让 几百万本书在数天之内被数字化而这一过程原本很可能需要花费好几年才能做到。如果你的公司拥有独一无二的技术那么请记住技术的本质并且考虑哪些人可以从你的技术中获益。把你的思想资源用在这上面你就能找到下一个业务线了。改进与进步迭代进步在问答环节中伊隆·马斯克Elon Musk说一般来说创新就是很多次迭代每次迭代之间的平均进程。所以在迭代之间缩短了时间那么改进的速度将会好很多。因此如果一个模型的训练时间有时需要几天而不是几个小时那就太重要了。这已经解释了为什么特斯拉拥有一支 工具团队并在内部制造了很多东西。而这就是下一个经验。专门设计的系统优于一般的系统特斯拉知道 GPU 一般都是内置的硬件而用专门设计的芯片进行大规模计算速度会更快。正因为如此特斯拉才有了自己的人工智能芯片Dojo。除芯片外特斯拉还建立了自己的人工智能计算基础设施每周进行 100 万次实验。他们还构建了自己的调试工具可以把结果可视化。在演讲中Andrej Karpathy 提到他发现数据标签管理工具很关键他们为这个工具感到自豪。如果你的团队没有足够的资源来构建自己的工具那么你可以加入开源社区。你可以根据自己的需求创建一个基于开源项目的东西。如果你遇到了新问题或是有了更好的点子那么就开始开发最初的原型并写好文档的困难部分这样才能让与你有类似问题的人能够帮到你。错误在所难免从中汲取教训如果你稍微了解一下舞台上那些人的背景你就会发现他们都是非常聪明的人他们都是拥有博士学位、从顶尖大学毕业的人或是曾经干过什么了不起的大事。这些人也有失误的时候。Andrej Karpathy 分享说他们最初是和第三方的数据提供商一起工作的。我想他们之所以这么做是为了更快速地获取数据降低成本。但是他们不久就会意识到在这样的关键问题上与第三方合作和来回的沟通并不能解决问题。因此他们把注释员引进公司目前已有超过 1000 名注释员。从这一经验教训中我们可以学到创新和技术进步都是一个不断试错的过程。错误就是它的一部分。如果你逃避错误把失败归咎于他人那么你就没有学习到什么也不会取得进步。人工智能实践神经网络是一块“乐高积木”在问答分享中Ashok Elluswamy 提出神经网络仅仅是系统中的一块可以与任何东西结合。他解释说实际可以将搜索与优化融入到网络架构中也可以将基于物理学的块模型和神经网络块相结合形成一个混合系统。我觉得 把神经网络和非神经网络模型结合在一起进行训练这个主意很有意思而且非常值得一试。HydraNetsHydraNet 的想法可以追溯到 2018 年这在人工智能社区中已经存在很久了。尽管如此我仍然觉得这个主意不错而且在许多情况下会非常有用。Andrej 解释说HydraNet 允许神经网络 共享一个共同的架构将任务解耦你可以 为中间的特征缓存从而节约计算。模拟作为解决数据不足的一种方法标签不平衡是一种常见的、无所不在的现象。少数族裔的数据即使不是不可能也很难获得。但是要在现实世界中部署人工智能最关键的问题总是在边缘的情况下因为这会带来严重的、不必要的后果。模拟是一种用于生成新数据的数据论证技术但是说起来简单实际操作起来却很困难。在特斯拉模拟团队采用了诸如光线追踪之类的技术以产生逼真的视频数据我个人乍一看无法判断这些数据的真伪。我想这项技术的确是特斯拉的一件秘密武器因为它可以轻易地获取到许多非同一般的数据。如今他们能够生成像一对夫妻和一条狗在高速公路上狂奔的视频数据这虽然是不太可能的事但绝对有可能生成。对了你怎么看到“模拟即服务”这个想法9.9% 的时间你不需要机器学习曾有观众问特斯拉是否将机器学习用于其制造设计或其他工程流程马斯克是这样回答的对于 99.9% 的数据我不做任何评论这要看你说的是什么。举个例子你不一定要用机器学习才能找到你最大的消费客户。你所需要的仅仅是一种排序算法。不过我发现很多人都会犯这个错误。为了让机器学习有效你必须满足一系列的条件。即使不能也有很多可以帮你解决数据科学问题的 工具。比如遗传算法、数学建模、调度算法等等。如果你有一把锤子所有东西看起来都像钉子。数据和计算无人驾驶模拟团队的经理 Ian Glow 提到最近有一篇关于现实增强photorealism enhancement的论文展示了最新的研究成果但是他的研究团队可以做到的远多于那些已经发表文章的团队。原因在于特斯拉的数据、计算能力和人力都要多。这仅仅是深度学习中的数据和计算至关重要的又一例证。我想这个经验就是如果你真的想要将深度学习应用到生产中那么就应该花些时间来思考一下怎样才能得到数据并且能够更有效、高效地利用计算能力。继续这样做直至你使获取数据和使用数据的平均成本可以忽略不计。结语虽然很多人专注于深度学习模型的实施细节但是我相信大的想法、教训和背后的思考过程同样有价值。我希望这篇文章能为你提供一些新的知识并有助于你发展更好的机器学习实践。作者介绍Gary Chan数据科学家。原文链接https://pub.towardsai.net/9-lessons-from-the-tesla-ai-team-3c311100e6cc未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市大脑研究计划构建互联网城市大脑技术和企业图谱为提升企业行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
