【導讀】在人類的早期，當我們邁入數(shù)學和數(shù)量的世界時，我們知道一個蘋果加一個蘋果等于兩個蘋果。我們開始學習實物計數(shù)，直到后來才引入了零的概念，或者不妨說空盒子里的蘋果數(shù)。

在印度阿拉伯學者和意大利數(shù)學家斐波那契之后，“零”的概念徹底改變了數(shù)學界，將其引入了我們的現(xiàn)代編號系統(tǒng)，今天我們可以自由自在地在數(shù)學運算中使用“零”。但對人工智能而言，“零”或“無”仍然是一個尚未涉足的領域，

從某種意義上說，人工智能和深度學習仍然需要通過“零”或“無”學習識別和推理。

這是一個蘋果還是香蕉？都不是！

（圖源：Richard Drury/Getty Images）

傳統(tǒng)上，深度學習算法（例如深度神經(jīng)網(wǎng)絡 DNN）以有監(jiān)督的方式進行訓練，以識別特定類別的事物。

在一個典型的任務中，可能會訓練 DNN 以可視化的方式識別一定數(shù)量的類，例如蘋果和香蕉的圖片。深度學習算法在獲得大量數(shù)據(jù)和質量的數(shù)據(jù)時，實際上非常擅長進行精確、低錯誤率和可信的分類。

當?shù)谌齻€未知對象出現(xiàn)時，DNN 識別就會出現(xiàn)問題。如果引入了訓練集中不存在的未知對象（例如橙色），DNN 網(wǎng)絡將被迫“猜測”并將橙色分類為捕獲未知對象的最接近類別——一個蘋果！

基本上，用蘋果和香蕉訓練的 DNN 的世界完全由蘋果和香蕉組成。它想不到水果籃里還有其他的水果。

進入“零”的世界

盡管我們尚不清楚“無”或“零”是否在所有應用中都能發(fā)揮作用，但是在訓練和部署 DNN 時，“無”或“零”的想法在許多方面都非常有用。

在訓練過程中，如果 DNN 能夠將項目分類為“蘋果”，“香蕉”或“什么都沒有”，則算法的開發(fā)人員可以確定是否還有尚未有效學習識別的類別。就是說，如果水果圖片繼續(xù)反饋“零”，那么開發(fā)人員可能需要添加另一類“水果”來進行識別，例如橘子。

但到目前為止，還沒有一個簡單的方法來訓練 DNN 產(chǎn)生“無”的回應，能發(fā)出信號通知開發(fā)者它看到了偏離常規(guī)的東西。

同時，在部署場景中，經(jīng)過訓練的 DNN 如果識別出與已經(jīng)學會的原型水果蘋果和香蕉有偏差的東西，則會回答“無”。從這個意義上講，DNN 可以被當做一個異常檢測網(wǎng)絡——除了對蘋果和香蕉進行分類之外，它還可以不經(jīng)進一步更改就發(fā)出信號，通知它看到偏離規(guī)范的東西。

然而，現(xiàn)在還沒有簡單的方法來訓練可以具備上述功能的標準 DNN。

一種被稱為“ Lifelong DNN ”的新方法自然會將“無”的概念納入其體系中。“ Lifelong DNN 巧妙地利用反饋機制，通過過去學習到的知識來確定輸入是否匹配。

2017 年，AI 創(chuàng)業(yè)公司 Neurala 宣布在深度學習軟件方面取得重大進展，其 Lifelong DNN 軟件能夠能夠在邊緣學習增量對象（incremental object）。在此之前，如果一個 AI 系統(tǒng)學會了一定數(shù)量的對象，并且需要再學習一次，那么它必須針對所有對象再訓練一次。這種傳統(tǒng)方法需要利用強大的服務器，通常是云上的服務器。

Neurala 的 Lifelong DNN“既能在運行中學習，也能在邊緣學習的能力意味著 Neurala 的新方法可以直接在設備上學習，從而不會有云上學習的所有缺點。此外，它消除了網(wǎng)絡延遲，提高了實時性能，并在需要時確保隱私。最重要的是，它將促進一系列無云應用（cloud-less applications）的開發(fā)，”本文作者，同時是 Neurala CEO Max Versace 說道。當時，吳恩達也評價了從云到“邊緣”轉化的技術，認為這會加速消費級 IoT，帶來新的贏家。

Lifelong DNN 的機制和人類的學習方式類似：我們在潛意識中不斷檢查我們的預測是否符合現(xiàn)實世界。例如，如果有人跟你開玩笑調整了你辦公椅的高度，你馬上就能意識到。那是因為隨著時間的推移，你學習到了辦公椅高度的“模型”——一旦模型有變，你會立即意識到異常。人類不斷檢查我們的分類是否符合實際情況。如果沒有，我們的大腦就會注意到并發(fā)出警報。對人來來說，我們不僅可以認識蘋果、香蕉和蘋果，還可以推理“我還以為是蘋果，但實際上不是?！?/p>

Lifelong DNN 會在運行中學會這種機制，因此，如果學到的模型有變，它會輸出“無”。

應用前景

在以蘋果和香蕉為例對“無”有了基本了解之后，現(xiàn)在讓我們考慮一下除了水果識別之外，它在實際應用中應該如何發(fā)揮作用。

比如制造業(yè)，機器負責生產(chǎn)大量產(chǎn)品。對傳統(tǒng)的計算機視覺系統(tǒng)進行訓練以識別產(chǎn)品中各種各樣的異常（例如表面劃痕）非常具有挑戰(zhàn)性。在運作良好的生產(chǎn)線上，沒有多少“壞”產(chǎn)品的樣例，“壞”可以有無數(shù)種形式。很簡單，根本沒有大量可用于訓練系統(tǒng)的不良產(chǎn)品數(shù)據(jù)。

但是，借助 Lifelong DNN，開發(fā)人員可以訓練計算機視覺系統(tǒng)來識別“好”產(chǎn)品的不同示例。然后，當系統(tǒng)檢測到與商品定義不符的商品時，可以將該商品歸類為異常，然后進行適當處理。

對于制造商而言， Lifelong DNN 和發(fā)現(xiàn)異常的能力可以節(jié)省時間并提高生產(chǎn)線的效率。對于無數(shù)其他越來越依賴人工智能的行業(yè)來說，可能會有類似的好處。

誰知道“無”竟然有這樣的重要性呢？

Neurala 是一家美國軟件公司，所開發(fā)的深度學習軟件 Neurala Brain 可以讓機器人、無人機、移動設備和相機更加智能，同時也為高端設備和日常應用場景提供定制化的解決方案。Neurala 可以讓普通相機也能學習人物和目標，并實現(xiàn)視頻和視頻流中的識別和運動追蹤功能。基于 Neurala Brain 為 NASA、DARPA 和美國空軍所開發(fā)的技術，它已成功部署在超過一百萬臺智能設備中。