當我們聽到人工智能和機器學習時，我們會想像一台可以自己思考和學習的計算機。 也就是說，實際上作為一個人。
我們通過多種感官的組合來感知世界，例如視覺、聽覺和語音識別。 但是機器在算法處理的數據的幫助下解釋世界。 也就是說，當機器看到一張照片時，它會將其轉換為一組用於執行任務的元數據。 如果您將任務複雜化，即除了圖像之外還有聲音的地方，那麼人工智能就會開始迷失方向。
“這裡的主要問題是機器如何協調這些不同的模式？ 對我們這些人來說很容易。 我們看到一輛車，然後我們聽到汽車駛過的聲音，我們知道這是同一回事。 但對於機器學習來說，一切都不是那麼簡單”, — 計算機科學與人工智能實驗室 (CSAIL) 的研究生、專門研究這個問題的論文的第一作者 Oleksandr Liu 說。
Liu 和他的同事開發了一種人工智能方法，該方法學習以一種捕捉視覺和音頻模式常見概念的方式來表示數據。 例如，他們的方法可以了解到視頻中孩子哭泣的動作與音頻剪輯中的“哭泣”一詞有關。 利用這些知識，他們的機器學習模型可以確定視頻中某個動作發生的位置並發現它。
這種方法有朝一日可能會被用來幫助機器人通過感知來了解世界上的概念，更像是人類的做法。 該模型仍然存在一些科學家希望在未來工作中解決的局限性。 到目前為止，他們的研究同時關注來自兩種模式的數據，但在現實世界中，人們同時面臨著許多他們不假思索地處理的數據流。 機器還沒有學會這一點。
你可以幫助烏克蘭對抗俄羅斯侵略者。 最好的方法是通過以下方式向烏克蘭武裝部隊捐款 拯救生命 或通過官方頁面 NBU.
另請閱讀：