编辑|玄创简介：近日，人工智能三巨头之一的Hinton教授推翻了他30年前的学术成果。
提出了一种称为“胶囊网络”的“神经网络”变体。
这种新方法将允许机器通过更少的图片在不同情况下识别同一物体，或者可能重塑人工智能领域。
Geoffrey Hinton，在人工智能领域响亮的名字，与 Yoshua Bengio、Yann LeCun 并称为深度学习三巨头。
正是这位来自多伦多卓尔大学年近70岁的教授，在今年10月将人工智能推向了新的赛道，一步步将“深度学习”从一个边缘话题变成了当今互联网巨头们所相信的核心技术在 。
如今，人们使用神经网络技术来记录语音、识别宠物和对抗巨魔。
但 Hinton 现在表示，“我认为我们进行计算机视觉处理的方式是错误的。
虽然这项技术目前使用得比较好，但这并不意味着它是正确的。
” Hinto 最近提出了一种新方法，这种方法可能会改变计算机视觉的传输方式，重塑人工智能。
上周晚些时候，Hinton 发表了两篇研究论文，阐述了他近 40 年来一直在考虑的想法。
“很长一段时间，这只是一种直觉，实际测试结果并不好，”Hinton 说。
“我们终于找到了一种行之有效的方法。
” Hinton 的新方法被称为“胶囊网络”，这是一种扭曲的神经网络，可以让机器通过图像和视频更好地理解世界。
Hinton 一直在多伦多谷歌办公室与两名同事一起研究这项新技术。
他在上周发布的一篇论文中写道，基于 Hinton 胶囊网络的软件在识别手写数字的标准测试以及从不同角度识别手写数字的测试中与现有最好的图像识别软件不相上下。
在卡车、汽车等玩具的软件测试中，胶囊网络的错误率比第一次测试减少了一半。
胶囊网络旨在弥补当今机器学习系统的缺点，限制了机器学习的效率。
当今的图像识别软件需要大量示例图像来学习各种情况下的对象。
这是因为软件不知道在新情况下需要学习什么。
例如，当以前识别的对象以不同的角度呈现时，软件无法识别该对象。
教计算机从多个角度识别猫需要数千张涵盖不同角度的照片。
另一方面，人类的孩子不需要太多的训练来识别家里的动物。
Hinton 认为，缩小人工智能系统与普通儿童之间差距的想法是在计算机视觉软件中构建更多的知识网络。
胶囊是小型的原始虚拟神经群，旨在单独跟踪物体的不同部分，例如猫的鼻子和耳朵，以及它们在空间中的相对位置。
由许多胶囊组成的网络可以识别新场景中已经看到的物体。
现在说胶囊网络将是一个新的巨大飞跃还为时过早。
Hinton本人认为，胶囊网络仍然需要大量的图像集合来证明胶囊网络的有效性，而且目前这项技术的识别速度与当今的一些图像识别软件相比仍然比较慢其他的。
Hinton 乐观地认为这些缺点可以得到解决，业内其他人也抱有希望。
在某些方面，胶囊网络的研究与人工智能的最新趋势不同。
最近对神经网络的一种理解是，人类应该为人工智能软件编码尽可能少的知识，而应该让他们自己解决。
纽约大学心理学教授加里·马库斯去年将一家人工智能初创公司卖给了 Uber。
他说，胶囊网络给人工智能带来了一股新鲜空气。
马库斯认为，人工智能研究人员应该做更多的工作来模拟大脑的构建方式。
人脑是天生的机器，可以学习视觉和语言等重要技能。
马库斯说：“现在说胶囊网络是否会实现巨大飞跃还为时过早，但我们很高兴看到 Hinton 打破这个领域的模式。