正文

如何訓(xùn)練自己的ai模型（如何訓(xùn)練自己的ai模型技術(shù)）

發(fā)布時(shí)間：2023-03-14 03:54:16 稿源：創(chuàng)意嶺閱讀： 140 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于如何訓(xùn)練自己的ai模型的問題，以下是小編對(duì)此問題的歸納整理，讓我們一起來看看吧。

ChatGPT國內(nèi)免費(fèi)在線使用，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com

本文目錄:

1、ai訓(xùn)練好的模型如何保護(hù)
2、novelai怎么用
3、學(xué)習(xí)人工智能AI需要哪些知識(shí)?
4、AI生成模型：超越數(shù)據(jù)觀測(cè)與計(jì)算機(jī)模擬的第三條科學(xué)探索之路？

如何訓(xùn)練自己的ai模型（如何訓(xùn)練自己的ai模型技術(shù)）

一、ai訓(xùn)練好的模型如何保護(hù)

有兩種方式保護(hù)方式。

主動(dòng)AI模型安全和被動(dòng)AI模型安全，然后主動(dòng)AI模型安全又分為模型的靜態(tài)防護(hù)和動(dòng)態(tài)的防護(hù)，均可實(shí)施。

隨著5G以及AIOT時(shí)代的到來，未來逐漸的成為一個(gè)數(shù)據(jù)主導(dǎo)的時(shí)代，AI等技術(shù)型的公司，會(huì)成為新的主流，和各行各業(yè)做大跨度的融合，這種融合當(dāng)然在學(xué)術(shù)以及產(chǎn)業(yè)中會(huì)一直的存在，并且近年來的AI一直在各個(gè)世界頂級(jí)互聯(lián)網(wǎng)大會(huì)中被頻頻的提到，現(xiàn)實(shí)中的成果也已經(jīng)很多惠及到我們，如果AI在使用中出現(xiàn)了主動(dòng)或者被動(dòng)的安全問題，后果是不堪設(shè)想的，所以AI安全是一個(gè)持久性的，聲明周期會(huì)很長的安全需求。

二、novelai怎么用

Novelai使用方法如下：

輸入文字，在右側(cè)點(diǎn)擊cenerate即可生成圖像。對(duì)于圖像不滿意點(diǎn)擊varlations，根據(jù)輸入文本內(nèi)容再次生成4個(gè)圖像。根據(jù)需求對(duì)圖片數(shù)值調(diào)整，上方輸入框點(diǎn)擊選擇背景顏色，生成圖片點(diǎn)擊畫筆按鈕繪制。再點(diǎn)擊Edit image，對(duì)圖片進(jìn)行編輯或點(diǎn)Enhance付費(fèi)進(jìn)行編輯調(diào)整。

如何訓(xùn)練自己的ai模型（如何訓(xùn)練自己的ai模型技術(shù)）

Novelai詳細(xì)介紹如下：

NovelAI本來是個(gè)AI寫文章的網(wǎng)站，今年用p站上的圖訓(xùn)練了二次元專屬的AI模型。相對(duì)于一些通用的AI繪畫生成器來說，novelai在二次元圖上更加的準(zhǔn)確。所謂擴(kuò)散算法，是指先將一幅畫面逐步加入噪點(diǎn)，一直到整個(gè)畫面都變成白噪聲，記錄這個(gè)過程，然后逆轉(zhuǎn)過來給AI學(xué)習(xí)。

AI那里看到的是一個(gè)全是噪點(diǎn)的畫面是如何一點(diǎn)點(diǎn)變清晰直到變成一幅畫的，AI通過學(xué)習(xí)這個(gè)逐步去噪點(diǎn)的過程來學(xué)會(huì)作畫。這個(gè)算法出來之后效果非常好，比以前的AI繪畫效果要好的多，突破了實(shí)用化的臨界點(diǎn)。

三、學(xué)習(xí)人工智能AI需要哪些知識(shí)?

需要數(shù)學(xué)基礎(chǔ)：高等數(shù)學(xué)，線性代數(shù)，概率論數(shù)理統(tǒng)計(jì)和隨機(jī)過程，離散數(shù)學(xué)，數(shù)值分析。數(shù)學(xué)基礎(chǔ)知識(shí)蘊(yùn)含著處理智能問題的基本思想與方法，也是理解復(fù)雜算法的必備要素。今天的種種人工智能技術(shù)歸根到底都建立在數(shù)學(xué)模型之上，要了解人工智能，首先要掌握必備的數(shù)學(xué)基礎(chǔ)知識(shí)。線性代數(shù)將研究對(duì)象形式化，概率論描述統(tǒng)計(jì)規(guī)律。

需要算法的積累：人工神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)，遺傳算法等等算法；當(dāng)然還有各個(gè)領(lǐng)域需要的算法，比如要讓機(jī)器人自己在位置環(huán)境導(dǎo)航和建圖就需要研究SLAM；總之算法很多需要時(shí)間的積累。

需要掌握至少一門編程語言，比如C語言，MATLAB之類。畢竟算法的實(shí)現(xiàn)還是要編程的；如果深入到硬件的話，一些電類基礎(chǔ)課必不可少。

如何訓(xùn)練自己的ai模型（如何訓(xùn)練自己的ai模型技術(shù)）

拓展資料：

人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。

人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語言識(shí)別、圖像識(shí)別、自然語言處理和專家系統(tǒng)等。

人工智能從誕生以來，理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴(kuò)大，可以設(shè)想，未來人工智能帶來的科技產(chǎn)品，將會(huì)是人類智慧的“容器”。人工智能可以對(duì)人的意識(shí)、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。

人工智能是一門極富挑戰(zhàn)性的科學(xué)，從事這項(xiàng)工作的人必須懂得計(jì)算機(jī)知識(shí)，心理學(xué)和哲學(xué)。人工智能是包括十分廣泛的科學(xué)，它由不同的領(lǐng)域組成，如機(jī)器學(xué)習(xí)，計(jì)算機(jī)視覺等等，總的說來，人工智能研究的一個(gè)主要目標(biāo)是使機(jī)器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作。但不同的時(shí)代、不同的人對(duì)這種“復(fù)雜工作”的理解是不同的。2017年12月，人工智能入選“2017年度中國媒體十大流行語”。

參考資料：百度百科—人工智能：計(jì)算機(jī)科學(xué)的一個(gè)分支

四、AI生成模型：超越數(shù)據(jù)觀測(cè)與計(jì)算機(jī)模擬的第三條科學(xué)探索之路？

導(dǎo)語

最先進(jìn)的人工智能算法已經(jīng)開始在探測(cè)星系的演化、計(jì)算量子力學(xué)波函數(shù)、探索新的化合物等領(lǐng)域施展拳腳。那么，還有沒有那種無法自動(dòng)化而只能由科學(xué)家完成的工作？

如今的物理學(xué)和天文學(xué)實(shí)驗(yàn)會(huì)產(chǎn)生海量的數(shù)據(jù)，已經(jīng)沒有人或團(tuán)隊(duì)能夠跟進(jìn)所有的這些數(shù)據(jù)了。其中一些數(shù)據(jù)每天以TB級(jí)的規(guī)模增加，而且這個(gè)趨勢(shì)不會(huì)減弱。在二十一世紀(jì) 20 年代中期射電望遠(yuǎn)鏡 Square Kilometer Arra 將投入使用，它每年產(chǎn)生的數(shù)據(jù)量和整個(gè)互聯(lián)網(wǎng)的數(shù)據(jù)量一樣多。

面對(duì)數(shù)據(jù)洪流，許多科學(xué)家開始求助于人工智能。只需要少量的人工輸入，人工智能系統(tǒng)（如神經(jīng)網(wǎng)絡(luò)）就能夠在數(shù)據(jù)海洋中漫游，識(shí)別異常，挖掘出人類尚未發(fā)現(xiàn)的模式。

當(dāng)然，利用計(jì)算機(jī)來輔助科學(xué)研究的歷史可以追溯到約 75 年前，然而人類幾千年前就在手工調(diào)查研究數(shù)據(jù)來尋找其中的有意義的模式。但是，近期一些科學(xué)家認(rèn)為以機(jī)器學(xué)習(xí)、人工智能為代表的新技術(shù)能以一種全新的模式去進(jìn)行科研工作。其中一種被稱為生成模型的方法，能從對(duì)觀測(cè)數(shù)據(jù)的諸多解釋中找到最可信的理論，更為重要的是，該方法在研究中無需預(yù)先編入對(duì)于系統(tǒng)可能起作用的物理過程。其擁護(hù)者認(rèn)為，生成模型的創(chuàng)新程度足可以被視為理解宇宙的潛在的“第三種方法”。

在傳統(tǒng)上，我們是通過 觀測(cè) 來了解自然的?；叵胍幌拢_普勒就是通過研究第谷的行星位置表，辨識(shí)潛在的行星運(yùn)行模式，才得以推斷出行星是沿橢圓軌道運(yùn)行的。同樣的，科學(xué)可通過模擬來獲得進(jìn)步。一位天文學(xué)家可能會(huì)模擬銀河系及其鄰近的仙女座星系的運(yùn)動(dòng)，并預(yù)測(cè)它們將在幾十億年后碰撞。觀測(cè)和模擬都有助于科學(xué)家生成假設(shè)，然后用進(jìn)一步的觀測(cè)來檢驗(yàn)假設(shè)，而生成模型不同于這兩種方法。

瑞士聯(lián)邦理工學(xué)院的天文物理學(xué)家 Kevin Schawinski 也是一位生成模型的積極支持者。他認(rèn)為：“ 生成模型是介于觀測(cè)和模擬之間的第三種方法， 這是解決問題的另一種方式?！?/p>

Kevin Schawinski 是一名天體物理學(xué)家，他經(jīng)營著一家名為 Modulos 的人工智能公司，他認(rèn)為一種名為生成模型的技術(shù)提供了第三種了解宇宙的方式。

一些科學(xué)家僅僅把生成模型及其它新技術(shù)當(dāng)作傳統(tǒng)科研中的工具，但是大多數(shù)研究者都認(rèn)為 AI 的影響力巨大，并且在科學(xué)研究領(lǐng)域會(huì)發(fā)揮越來越大的作用。費(fèi)米國家加速器實(shí)驗(yàn)室的天體物理學(xué)家 Brian Nord 使用人工神經(jīng)網(wǎng)絡(luò)來研究宇宙。他擔(dān)心沒有什么是不能通過自動(dòng)化完成的事情，“這個(gè)推測(cè)倒是有點(diǎn)令人恐慌。”

來自“生成”的探索

從研究生畢業(yè)時(shí)起，Schawinski 就因用數(shù)據(jù)驅(qū)動(dòng)科學(xué)研究而聞名。在攻讀博士學(xué)位期間，他面對(duì)的任務(wù)是，根據(jù)星系的外觀數(shù)據(jù)對(duì)數(shù)千個(gè)星系進(jìn)行分類。因?yàn)闆]有什么現(xiàn)成的軟件能幫助他完成這項(xiàng)工作，他決定用眾包的方式完成這項(xiàng)工作——于是，銀河動(dòng)物園（Galaxy Zoo）公民科學(xué)項(xiàng)目誕生了。

從 2007 年開始，普通的電腦用戶只要記錄下他們推測(cè)的星系最佳歸類，就能幫助到天文學(xué)家。通過多數(shù)票勝出來判定，通常能帶來正確的分類結(jié)果。

這是一個(gè)成功的項(xiàng)目，但 Schawinski 也注意到， AI 讓這個(gè)模式過時(shí)了——今天，一個(gè)具有機(jī)器學(xué)習(xí)和云計(jì)算背景的天才科學(xué)家只需要花費(fèi)一個(gè)下午就能完成這個(gè)工作。

在 2016 年，Schawinski 把目光投向了生成模型，這個(gè)強(qiáng)大的新工具。本質(zhì)上來說，生成模型是在求解，當(dāng)給定條件 X 和觀測(cè)結(jié)果 Y 時(shí)，概率 P(X,Y) 有多大。這個(gè)方法已經(jīng)被證明是非常有效的。

生成模型中最為著名的就是生成對(duì)抗網(wǎng)絡(luò)（GAN）。經(jīng)過充分的訓(xùn)練后，GAN 模型能夠修復(fù)損壞和像素缺失的圖像，也能讓模糊的圖像變得清晰。該模型通過競爭（對(duì)抗）來學(xué)習(xí)推斷缺失的信息，這個(gè)神經(jīng)網(wǎng)絡(luò)的一部分被稱作生成模型（generator）：生成虛擬的數(shù)據(jù)；另一部分被稱為判別模型（discriminator）：把生成出來的虛假數(shù)據(jù)和真是數(shù)據(jù)分割開來。兩個(gè)部分交替訓(xùn)練，逐步優(yōu)化（類似于博弈）。

或許，你已經(jīng)看過最近流傳甚廣的GAN生成的假面孔。正如那個(gè)標(biāo)題所言“這些人并不存在卻又真實(shí)得嚇人”。

上面看到的臉孔都不是真實(shí)的，上面的 A 列，和左側(cè)的 B 列都是由生成對(duì)抗網(wǎng)絡(luò)（GAN）使用真實(shí)的面部元素構(gòu)建的。然后，GAN 將 A 中的面部的基本特征（性別，年齡和臉形）與 B 中的面部的精細(xì)特征（頭發(fā)顏色、眼睛顏色）相結(jié)合，構(gòu)建出了上圖表格中的所有人臉圖像。

潛在空間

概括地說，生成模型獲得數(shù)據(jù)（大多數(shù)是圖像），并把他們分解成抽象的基本要素——科學(xué)家將其稱為數(shù)據(jù)的“潛在空間”。算法能控制潛在空間中的元素，以此來探究這些元素如何影響原始的數(shù)據(jù)。這個(gè)方法有助于揭示該系統(tǒng)運(yùn)作的物理過程。

潛在空間是一個(gè)抽象的難以想象的概念。不過我們可以做一個(gè)類比：當(dāng)你在試圖確定一個(gè)人臉的性別時(shí)，你的大腦可能在做什么呢？也許會(huì)注意到人的發(fā)型、鼻子的形狀，甚至在運(yùn)用一些你無法用言語描述的判斷模式。同樣的，計(jì)算機(jī)程序也在數(shù)據(jù)中尋找顯著的特征。即便計(jì)算機(jī)并非不知道什么是性別，什么是小胡子，但如果我們提供給機(jī)器學(xué)習(xí)系統(tǒng)的數(shù)據(jù)集標(biāo)注了“男性”和“女性”，并且一部分人還有一個(gè)標(biāo)簽叫“小胡子”，計(jì)算機(jī)能快速地推斷出其中的關(guān)聯(lián)性。

生成模型與星系演化

12月發(fā)表在《天文學(xué)與天體物理學(xué)》（Astronomy & Astrophysics）上的一篇論文中，Schawinski 與他在蘇黎世聯(lián)邦理工學(xué)院的同事 Dennis Turp 和 Ce Zhang 使用生成模型來研究星系在演化過程中所經(jīng)歷的物理變化。

因?yàn)樗麄兪褂玫能浖c GAN 相似，但其在對(duì)潛在空間處理的技術(shù)與 GAN 有所差異，所以從技術(shù)角度來說這不是 GAN。他們的模型創(chuàng)建了人工數(shù)據(jù)集，去測(cè)試假設(shè)的物理過程。比如說，他們想知道恒星形成的“淬熄”（形成速率快速下降）與星系環(huán)境密度的增加之間的關(guān)系。

對(duì) Schawinski 來說，關(guān)鍵問題是僅從數(shù)據(jù)中能挖掘出多少和恒星與星系演變相關(guān)的信息?！白屛覀兺鼌s所有的關(guān)于天體物理學(xué)的知識(shí)。僅依靠數(shù)據(jù)本身，我們能在多大程度上重新發(fā)現(xiàn)這些知識(shí)？”

首先，星系的圖片被壓縮至他們的潛在空間，然后 Schawinski 在這個(gè)空間中調(diào)整元素，使其能對(duì)應(yīng)上星系的特定環(huán)境變化，比如周圍物質(zhì)的密度。這樣就有了一個(gè)假設(shè)生成器。通過重構(gòu)這個(gè)星系，讓大量原本處于低密度環(huán)境中的星系處于高密度環(huán)境中以此來看看帶來了什么不同。

這三位研究者注意到隨著星系從低密度環(huán)境走向高密度環(huán)境，它們的顏色會(huì)變得更紅，恒星也變得更加集中。Schawinski 指出這一點(diǎn)與現(xiàn)有的星系觀測(cè)相吻合，問題是，為什么會(huì)這樣？

Schawinski 說，后續(xù)的工作還沒有實(shí)現(xiàn)自動(dòng)化，“人類必須參與其中，那么，什么樣的物理原理可以解釋這種效應(yīng)？”對(duì)于這個(gè)過程，可能有兩種解釋，一是在高密度環(huán)境中，星系更紅是因?yàn)槠渲邪烁嗟膲m埃；或者是因?yàn)楹阈堑男纬蓽p少了（換句話說，恒星更老了）。

現(xiàn)在有了生成模型，這兩種思路都能接受檢驗(yàn)。改變與與塵埃和恒星形成率相關(guān)的潛在空間元素，就能觀測(cè)這種改變對(duì)星系顏色的影響。Schawinski 說：“答案很顯然，星系更紅是因?yàn)楹阈切纬陕试谙陆?，而不是因?yàn)閴m埃。因此，我們應(yīng)該采納這個(gè)解釋?！?/p>

利用生成模型，天體物理學(xué)家可以研究星系如何從低密度環(huán)境走向高密度環(huán)境，以及這些變化背后的物理原理。

生成模型相較于傳統(tǒng)方式的優(yōu)勢(shì)

這種方法與傳統(tǒng)的模擬方法相近，但與之有關(guān)鍵的差別。Schawinski 表示：“模擬本質(zhì)上是由假設(shè)驅(qū)動(dòng)的。也就是說，我們自認(rèn)為已經(jīng)洞悉了觀測(cè)現(xiàn)象背后的物理法則。所以，我們把恒星形成規(guī)律、暗物質(zhì)行為的原理等等這些我們自認(rèn)為正確的假設(shè)放在一起，模擬運(yùn)行。但是，模擬環(huán)境真的與實(shí)際情況吻合嗎？”。他用生成模型所做的事情與模擬完全相反，“我們不知道任何事情，不做任何假設(shè)，我們希望數(shù)據(jù)本身能告訴我們可能會(huì)發(fā)生什么。”

生成模型在這項(xiàng)研究中取得的成功并不意味著天文學(xué)家和研究者就是多余的。但這似乎提醒研究者們——僅僅掌握了大量數(shù)據(jù)的人工智能系統(tǒng)就能夠完成對(duì)天體物理學(xué)的學(xué)習(xí)。Schawinski 說：“這不是完全自動(dòng)化的科學(xué)，但這意味著我們至少有能力去構(gòu)建部分工具，使科學(xué)過程自動(dòng)化?！?/p>

雖然生成模型非常強(qiáng)大，但這是否真的代表了一種新的科學(xué)研究方法還有待商榷。

對(duì)于紐約大學(xué)和 Flatiron 研究所的宇宙學(xué)家 David Hogg 來說，這項(xiàng)技術(shù)令人印象深刻，但充其量也只是一種從數(shù)據(jù)中提取模式特征的復(fù)雜方法——這是天文學(xué)家?guī)讉€(gè)世紀(jì)以來都在做得事情。換而言之，這是觀測(cè)、分析的高級(jí)形式。

和 Schawinski 相同，Hogg 的工作也充分應(yīng)用人工智能；他一直在利用神經(jīng)網(wǎng)絡(luò)來對(duì)恒星進(jìn)行基于光譜特征的分類，并使用數(shù)據(jù)啟動(dòng)的模型來推斷恒星的其他物理屬性。但是他認(rèn)為他的工作和 Schawinski 的一樣，都是經(jīng)過檢驗(yàn)的科學(xué)。Hogg 表示：“我不認(rèn)為這是第三種方法。只是我們這個(gè)社群在對(duì)數(shù)據(jù)處理的方法上更加復(fù)雜而已。特別的是，我們?cè)絹碓缴朴趯?shù)據(jù)與數(shù)據(jù)進(jìn)行比較。但是依我看來，我的工作仍然是在做觀測(cè)?！?/p>

人工智能：

勤奮而“難以捉摸”的科研助手

無論在概念上是否有創(chuàng)新性，人工智能和神經(jīng)網(wǎng)絡(luò)已經(jīng)顯然在當(dāng)代天文學(xué)和物理學(xué)研究中發(fā)揮了關(guān)鍵作用。在海德堡理論研究所工作的物理學(xué)家 Kai Polsterer 領(lǐng)導(dǎo)著一個(gè)天體信息學(xué)小組，這個(gè)小組主要關(guān)注以數(shù)據(jù)為中心的天體物理學(xué)研究新方法。從星系數(shù)據(jù)集中提取紅移信息曾經(jīng)是一項(xiàng)艱巨的任務(wù)，而現(xiàn)在他們小組使用機(jī)器學(xué)習(xí)算法就能解決這個(gè)問題。

Polsterer 認(rèn)為這些基于基于人工智能的新系統(tǒng)是“勤奮的助手”，可以連續(xù)處理數(shù)據(jù)數(shù)個(gè)小時(shí)而不抱怨單調(diào)無聊，不抱怨工作條件。這些系統(tǒng)可以完成所有枯燥乏味的繁重工作，研究者就能脫身去做“又酷又有趣的科學(xué)工作”。

Polsterer 警告說，這些系統(tǒng)并不是完美的，算法只能去做他們被訓(xùn)練過的事情，系統(tǒng)對(duì)輸入的數(shù)據(jù)是“無感覺的”。給 AI 系統(tǒng)一張星系圖片它可以估算其紅移和年齡，但是你給同一個(gè)系統(tǒng)一張自拍照或者一張臭魚爛蝦的照片，它也會(huì)照方抓藥估算出一個(gè)（錯(cuò)誤的）年齡。Polsterer 認(rèn)為，人類科學(xué)家的監(jiān)督工作非常重要。工作還是要回到研究者身上，研究者才是要負(fù)責(zé)解釋這些現(xiàn)象的人。

就這一點(diǎn)而言，費(fèi)米實(shí)驗(yàn)室的 Nord 警告道，神經(jīng)網(wǎng)絡(luò)不僅要給出結(jié)果，也要給出相關(guān)的誤差線，如果在科學(xué)研究中，你做了一個(gè)測(cè)量但沒有報(bào)告相關(guān)的誤差估計(jì)，就沒有人會(huì)認(rèn)真對(duì)待這個(gè)結(jié)果。

就像許多的人工智能研究員一樣，Nord 也關(guān)注神經(jīng)網(wǎng)絡(luò)給出的結(jié)果的可解釋性，通常來說，一個(gè) AI 系統(tǒng)在給出結(jié)果時(shí)無法明確地表示出這個(gè)結(jié)果是如何獲得的。

然而，并不是每個(gè)人都覺得結(jié)果不透明是一個(gè)必須關(guān)注的問題，法國CEA Saclay理論物理研究所的研究員 Lenka Zdeborová 指出，人類的直覺同樣難以捉摸，給你看一張貓的圖片，你能立刻認(rèn)出這是一只貓，但是你并不知道你是怎樣做到這一點(diǎn)的，從這個(gè)角度上來說，人的大腦就是個(gè)黑盒。

并不僅僅是天體物理學(xué)家和宇宙物理學(xué)家在向人工智能助力、數(shù)據(jù)驅(qū)動(dòng)的科學(xué)研究發(fā)展。Perimeter 理論物理研究所和安大略滑鐵盧大學(xué)的量子物理學(xué)家 Roger Melko 已經(jīng)使用神經(jīng)網(wǎng)絡(luò)來解決該領(lǐng)域中的一些最棘手最重要的問題，例如多粒子系統(tǒng)的波函數(shù)的數(shù)學(xué)表示。

因?yàn)椴ê瘮?shù)的數(shù)學(xué)形式可能會(huì)隨著它所描述的系統(tǒng)中的粒子數(shù)量呈指數(shù)級(jí)增長，這被 Melko 稱為是“指數(shù)維度詛咒”，在這樣的工作中 AI 就是不可缺少的組成部分了。

這個(gè)困難類似于在國際象棋和圍棋中找到最好的走法：玩家會(huì)試圖多看一步，想想對(duì)手會(huì)出什么招，然后再選擇自己的最佳應(yīng)對(duì)策略。但是隨著思考步數(shù)的增加，復(fù)雜性也大為增加。

當(dāng)然， AI 已經(jīng)攻克了這兩個(gè)領(lǐng)域。 1997 年 5 月 11 日，深藍(lán)計(jì)算機(jī)在國際象棋領(lǐng)域戰(zhàn)勝了人類；2017年4月10日，AlphaGo 戰(zhàn)勝了柯潔，AI 在圍棋領(lǐng)域戰(zhàn)勝了人類。Melko 認(rèn)為，量子物理學(xué)也面臨同樣的問題。

機(jī)器的思想

無論是 Schawinski 所聲稱的他找到的是科學(xué)研究的“第三方法”，還是如 Hogg 所說的這“僅僅是傳統(tǒng)上的觀測(cè)和數(shù)據(jù)分析”。我們可以明確的是， AI 正在改變科學(xué) 探索的方式并且在加速科學(xué)發(fā)現(xiàn)，值得探討的是，這場(chǎng) AI 革命在科學(xué)領(lǐng)域能走多遠(yuǎn)？

有時(shí)候，人們會(huì)對(duì)“人工智能科學(xué)家”的成就大肆褒獎(jiǎng)。十年前，一個(gè)名叫亞當(dāng)?shù)?AI 機(jī)器人化學(xué)家研究了面包師傅的酵母的基因組，并找出了負(fù)責(zé)制造某種特定氨基酸的是哪些基因。（亞當(dāng)觀察缺少某些特定基因的酵母菌落，并與擁有這些基因的菌落的行為進(jìn)行比較，由此找到差異完成研究。）

當(dāng)時(shí)Wired雜志的標(biāo)題是：機(jī)器人獨(dú)立完成科學(xué)發(fā)現(xiàn)。

最近，格拉斯哥大學(xué)的化學(xué)家 Lee Cronin 在使用機(jī)器人去隨機(jī)混合化學(xué)物質(zhì)，由此來觀測(cè)會(huì)形成什么樣的化合物，并通過質(zhì)譜儀、核磁共振機(jī)和紅外分光計(jì)實(shí)時(shí)監(jiān)控反應(yīng)，這個(gè)系統(tǒng)最終能學(xué)會(huì)預(yù)測(cè)哪些組合的化學(xué)反應(yīng)最為劇烈。Cronin 表示即使這個(gè)系統(tǒng)不能帶來新的發(fā)現(xiàn)，機(jī)器人系統(tǒng)也能讓化學(xué)家的研究效率提高 90%。

去年，蘇黎世聯(lián)邦理工學(xué)院的另一組科學(xué)家們?cè)谟?xùn)練神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)中推導(dǎo)物理定律。他們的系統(tǒng)類似于“機(jī)器人開普勒”，利用從地球上觀測(cè)到的太陽和火星的位置信息，重新發(fā)現(xiàn)了日心說；并且通過觀測(cè)小球碰撞模型發(fā)現(xiàn)了動(dòng)能守恒。因?yàn)槲锢矶赏ǔ?huì)有多種表述形式，科學(xué)家們想知道這個(gè)系統(tǒng)能否提供種更簡潔的方法來思考已知的物理定律。

這些都是 AI 啟動(dòng)、助力科學(xué) 探索的例子。盡管在每一個(gè)例子中，這些新方法的革命性都會(huì)收到爭議。但在這個(gè)信息浩如煙海且高速增長的時(shí)代，最值得商榷的問題可能是：僅從數(shù)據(jù)中，我們能獲得多少信息？

在《The Book of Why: The New Science of Cause and Effect》一書中，計(jì)算機(jī)科學(xué)家 Judea Pearl 和科學(xué)作家 Dana Mackenzie 斷言到：數(shù)據(jù)“愚蠢至極”。他們寫到： 關(guān)于因果性的問題“永遠(yuǎn)不能僅憑數(shù)據(jù)去尋找答案”。

“每當(dāng)你看到以無模型的方式分析數(shù)據(jù)的論文或研究時(shí)，你可以肯定的是這項(xiàng)研究成果僅僅是總結(jié)，或許做了轉(zhuǎn)述，但絕對(duì)不是在解釋數(shù)據(jù)?！盨chawinski 對(duì) Pearl 的觀點(diǎn)抱有同感，“只使用數(shù)據(jù)”這個(gè)想法有點(diǎn)類似于“稻草人”。他也從未生成以這樣的方式做因果推斷。他想說的是：“和我們通常的工作相比，我們可以用數(shù)據(jù)多做點(diǎn)事?！?/p>

另一個(gè)經(jīng)常聽到的觀點(diǎn)是： 科學(xué)需要?jiǎng)?chuàng)造力。

可是到目前為止，我們還不知道，如何將創(chuàng)造力編入計(jì)算機(jī)。（Cronin 的機(jī)器人化學(xué)家只是在簡單地嘗試科研工作，似乎不能算是特別有創(chuàng)造力）Polsterer 認(rèn)為：“創(chuàng)建一套理論，有理有據(jù)的理論，我認(rèn)為需要?jiǎng)?chuàng)造力，而創(chuàng)造力離不開人類。”

然而，創(chuàng)造力來自何方呢？Polsterer 懷疑這和 不喜歡無聊 有關(guān)，這恐怕是機(jī)器所沒有的體驗(yàn)?！耙獡碛袆?chuàng)造力，你必須厭惡無聊，然而我認(rèn)為電腦就永遠(yuǎn)不會(huì)感受到無聊?！比欢?，“創(chuàng)造力”、“靈感”卻常常用來描述深藍(lán)、AlphaGo 這樣的 AI 程序。我們?cè)诿枋鰴C(jī)器的思想時(shí)的困難映射出我們?cè)诿枋鲎约核季S過程時(shí)的困難。

Schawinski 最近離開了學(xué)術(shù)界，去了私人企業(yè)。他現(xiàn)在經(jīng)營著一家名為 Modulos 的初創(chuàng)公司，該公司雇傭了許多聯(lián)邦理工學(xué)院的科學(xué)家。根據(jù)該公司的網(wǎng)站介紹，該公司位于“人工智能和機(jī)器學(xué)習(xí)這股風(fēng)潮的風(fēng)眼中”。無論當(dāng)前人工智能技術(shù)和成熟的人工智能之間存在多大的差距，他和其他專家都認(rèn)為機(jī)器已經(jīng)準(zhǔn)備好了去完成更多的科學(xué)家的工作。不過，AI 的局限性還有待考證。

Schawinski 暢想道：“在可以預(yù)見的未來，有沒有可能去制造出一臺(tái)能過發(fā)現(xiàn)物理定律、數(shù)學(xué)原理的機(jī)器，甚至超越當(dāng)今最聰明的人類的能力極限？科學(xué)的未來終將被人力所不能及的機(jī)器所掌握么？這是一個(gè)好問題，但我不知道答案?！?/p>

推薦閱讀

Nature機(jī)器智能：破解因果推斷難題

物理學(xué)家要失業(yè)？機(jī)器學(xué)習(xí)能自學(xué)量子力學(xué)！

做科研做到絕望是一種什么樣的體驗(yàn)？

科研投入越來越多，重大成果的產(chǎn)出卻越來越少？

要不要加入我們？一起影響世界！

集智俱樂部QQ群｜877391004

商務(wù)合作及投稿轉(zhuǎn)載｜swarma@swarma.org

搜索公眾號(hào)：集智俱樂部

加入“沒有圍墻的研究所”

讓蘋果砸得更猛烈些吧！

以上就是關(guān)于如何訓(xùn)練自己的ai模型相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。