使用經(jīng)過挑選和標(biāo)記的數(shù)據(jù)集對(duì)人工智能系統(tǒng)進(jìn)行訓(xùn)練，產(chǎn)生了專門的人工智能模型，擅長對(duì)象識(shí)別等任務(wù)。

但是僅僅依靠這種方法也有實(shí)際的局限性，其中一個(gè)我們認(rèn)為特別重要: 這樣的系統(tǒng)可能難以識(shí)別那些日常生活中很常見，但是在訓(xùn)練人工智能系統(tǒng)的數(shù)據(jù)中「沒有被充分代表」的對(duì)象。

尤其是，關(guān)于訓(xùn)練哪些圖片以及如何給它們貼標(biāo)簽的選擇，這可能在不經(jīng)意間引入「偏見」。

例如，一個(gè)主要以「美國和歐洲」家庭圖片為訓(xùn)練內(nèi)容的物體識(shí)別系統(tǒng)在被要求識(shí)別「尼泊爾」一個(gè)家中的物體時(shí)，可能難以取得同樣好的效果。

這是我們對(duì)SEER感到興奮的原因之一，SEER是我們開發(fā)的一種新的高性能計(jì)算機(jī)視覺系統(tǒng)。

通過利用自監(jiān)督學(xué)習(xí)，SEER可以從任何數(shù)字圖片集中學(xué)習(xí)，而不需要研究人員來挑選和標(biāo)記每個(gè)對(duì)象。

初步評(píng)估表明，SEER在識(shí)別物體方面比傳統(tǒng)的計(jì)算機(jī)視覺系統(tǒng)表現(xiàn)更好，這些物體雖然來自數(shù)十億人的生活，但在用于訓(xùn)練人工智能系統(tǒng)的傳統(tǒng)圖片數(shù)據(jù)集中「體現(xiàn)較少」。

我們希望利用SEER使人工智能更好地為每個(gè)人服務(wù)，而不僅僅是那些一直以來受益最多的群體。

從全球各地采集圖片「考一考」人工智能

我們?cè)?019年的計(jì)算機(jī)視覺系統(tǒng)偏差研究中使用了「Dollar Street數(shù)據(jù)集」，對(duì)SEER進(jìn)行測(cè)試。SEER給出的結(jié)果令人興奮，自監(jiān)督學(xué)習(xí)讓人工智能更好地為世界各地的人服務(wù)。

Dollar Street數(shù)據(jù)集——世界不同國家和地區(qū)不同收入的家庭

例如下面這張來自尼泊爾一個(gè)家庭的圖，SEER的識(shí)別結(jié)果是：調(diào)料、藥、碗、水果、社交飲酒

監(jiān)督學(xué)習(xí)模型的識(shí)別結(jié)果是：清洗設(shè)備、廚房洗滌盆、展示物品、碗、水果、炊具、鍋

所以，SEER正確地識(shí)別了圖片中的物體，而傳統(tǒng)的系統(tǒng)則沒有。

圖源：Facebook AI Blog

下面這張圖來自一個(gè)中國家庭，SEER的識(shí)別結(jié)果是：炊具、爐子、鍋、工具

監(jiān)督學(xué)習(xí)模型的識(shí)別結(jié)果是：前門上的鎖、電源開關(guān)、炊具、掛鐘、爐灶

所以，SEER 正確地識(shí)別出了一個(gè)爐子，而傳統(tǒng)的訓(xùn)練系統(tǒng)卻沒有。

下面這張照片顯示了印度的一條小街道。SEER的識(shí)別結(jié)果是：自行車、街景、垃圾、菜地

監(jiān)督學(xué)習(xí)模型的識(shí)別結(jié)果是：水果樹、家、自行車、寵物、房頂

AI為人人

自監(jiān)督學(xué)習(xí)在提高語言和方言的性能方面已經(jīng)顯示出巨大的前景，因?yàn)檫@些語言和方言沒有大量的數(shù)字化文本作為標(biāo)記的訓(xùn)練數(shù)據(jù)來使用。

SEER能夠在上述例子中更好地進(jìn)行物體識(shí)別，這是另一個(gè)令人興奮的結(jié)果，因?yàn)樵撃Ｐ褪窃跊]有任何數(shù)據(jù)整理的情況下在隨機(jī)的互聯(lián)網(wǎng)圖像上訓(xùn)練的。

這表明，用于訓(xùn)練SEER的自監(jiān)督方法可能會(huì)對(duì)建立人工智能系統(tǒng)的努力產(chǎn)生巨大影響，這種系統(tǒng)不僅能有效地服務(wù)富人，而且能有效地服務(wù)整個(gè)世界。這些努力只是開始，但很明顯，我們正在一條非常令人興奮的進(jìn)步之路上。