自 2017 年以来,研究人员一直都在使用算法来设计更好、更快的 AI 神经网络,这种作法主要是学术上的追求,因为这需要耗费数万小时的 GPU 时间。但随着麻省理工下个月即将展示新的算法,预计将能大幅加快设计速度,并使这类型的算法得到更广泛的使用。
据了解,麻省理工团队设计的神经结构搜索(neural architecture search)算法能够将改良 AI 过程加速 240 倍或更多,这也将更快、更准确的设计 AI,使其在实际范围内进行广泛的图像识别和其他相关应用。
麻省理工电子工程和电脑科学助教 Song Han 表示,团队在模型大小,推理延迟,准确性和容量之间做出了各种权衡,过去人们设计出由人类启发的神经网络,而新的 NAS 算法则是将这种方式转变为基于 AI 的设计方式。
“就像 AI 可以学习下围棋,AI 也可以学习如何设计神经网络。”
就像 AlphaGo 带给围棋界下棋的全新思路一样,算法设计 AI 也带给研究人员设计卷积神经网络(CNN)的新想法。Han 表示,在 NAS 算法设计出最佳的 CNN 后,最终的系统很可能将图像分类的速度提高到其他神经架构打造 AI 的 1.8 倍。
Han 表示,NAS 算法将能为工程师提供了设计神经网络的良好反馈,但这并不代表 AI 能够构建更强大的自身版本,NAS 算法永远不会取代人类工程师,“我们的目的,是减轻设计和改进神经网络架构所带来的重复性和繁琐的工作。”
- Using AI to Make Better AI
- Kicking neural network design automation into high gear
(首图来源:shutterstock)