本周的WWDC大会上，苹果在主题演讲中向我们展示了其最新的AI研究成果。Siri语音助手变得更加聪明了，可以准确理解你的意图；Photos应用无需联网即可实现Google Photos的全部功能；当然，还有专为机器学习而设计的metal 2。自2010年Siri惊艳问世之后，苹果在AI领域便鲜有作为，直至渐渐落后于其竞争对手。这一次，苹果在AI领域再一次走到了前列，而这仅仅只用了一年时间，苹果究竟是如何做到的呢？
从技术的角度而言，苹果的AI经历了三年研发，但前两年苹果始终没能走出窠臼。回溯到2011年，苹果发布了第一版Siri，整个科技圈为之失色。哈佛商业评论惊呼，“Siri是和Mac一样伟大的创新”。与此同时，很多人担忧苹果无意间发明出了天网。短暂的光芒之后，随着大众逐渐接触到这款语音助手，Siri迅速黯然失色，并逐渐暴露出许多缺点。
时间流转，到2014年时Siri已经基本弥补了在识别和理解语音方面的所有问题。但苹果同时也意识到，对Siri的小修小补无法解决它的根本问题，是时候来一场彻底的颠覆了。原始版本的Siri建立在隐马尔科夫模型之上。隐马尔科夫模型是用于对时间序列数据建模的统计工具，可以通过分析手写和语音输入中的时间间隔实现断句。
过去三年里，苹果采用了许多新的机器学习技术来替代和补充隐马尔科夫模型，其中包括深度神经网络和LSTM网络。这些神经网络模型比马尔科夫模型更加有效，且普适性更强。不同于马尔科夫模型的简单学习模式，深度神经和LSTM网络拥有记忆能力，且可以分析上下文，更好地理解语法和标点符号间的细微差别，使分析结果更接近用户的真实意图。
很快，新系统的功能就不再局限于Siri之中了。正如史蒂文·利维（Steven Levy）指出的那样：当你的手机识别出某个近期给你发过邮件但不在你通讯录中的人时，或者当你在“最近使用”列表中快速找到你接下来想打开的软件时，又或者当你的手机向你提醒一个没有记录在日程表中的约会时，其实都用到了新系统中的功能。
到苹果发表WWDC2016大会主题演讲时，其AI研究已经取得了稳步进展。苹果高级副总裁Craig Federighi向与会人群说道：“我们已经能够自动辨别打进季后赛的金莺队，以及在公园玩耍的孩子之间的区别了。”
在WWDC2016大会上，苹果还发布了运行Basic Neural Network Subroutines(基本神经网络子程序)的神经网络API。这个API提供了一系列功能，供开发者们构建用于苹果生态系统中的所有硬件的神经网络。
即便如此，苹果仍然落后于Google和亚马逊。彼时，Google和亚马逊要么已经发布，要么即将发布AI智能家庭语音助手（Google Home直到2016年11月才发布）。苹果落后的主要原因是，它难以招聘和留住顶尖的AI技术人才。人才之所以不愿意留在苹果，则是因为苹果不允许其内部研究人员对外发布他们的研究成果。
多伦多大学计算机科学系教授理查德·泽梅尔（Richard Zemel）在2015年接受彭博社采访时说道：“苹果的保密工作已经到了离谱的程度，外界对它一无所知。”据说苹果甚至不允许他们新招募的AI团队成员在社交媒体上公布自己的职位。
蒙特利尔大学计算机科学教授约瑟夫·本吉奥（Yoshua Bengio）则认为，苹果不可能在置身于AI学界之外冷眼旁观，同时又利用到AI领域的最新研究成果。他说道：“如果苹果不转变态度的话，它将永远落后。”
雷锋网注：苹果AI负责人 Russ Salakhutdinov
好在苹果迅速扭转了态度。雷锋网曾报道，2016年8月，苹果以2亿美元的代价收购了创立于西雅图的机器学习创业公司Turi。紧接着，10月份苹果又从卡内基梅隆大学聘请了AI专家Russ Salakhutdinov。正是凭借Salakhutdinov的巨大影响力，苹果的AI业务才得以走出阴影，重新被同行们所谈论。
2016年12月，Salakhutdinov在巴塞罗那参加神经信息处理系统大会时对外宣布，苹果将开始发表他的研究成果。这意味着苹果将重新与学术界建立联系。
不久后，苹果兑现承诺发表了《通过对抗训练从模拟和无监督的图像中学习》一文。这篇论文重点研究了使用模拟图像训练机器视觉系统的缺陷。论文指出，虽然模拟图像比照片更容易用于教学，但学习得来的结果在真实世界中将失去效力。为了解决这个问题，苹果采用了一种被称作生成对抗网络（GAN）的深度学习系统，让两个网络相互竞争。其中一个叫做生成器网络（ Generator Network），它不断捕捉训练库里真实图片的概率分布，将输入的随机噪声（Random Noise）转变成新的样本（也就是假数据）。另一个叫做判别器网络（Discriminator Network），它可以同时观察真实和假造的数据，判断这个数据到底是不是真的。通过这种方式，研究人员既可以充分享受用模拟图像训练网络的便利性，又避免了训练出来的网络在真实世界中失效的问题。
2017年1月，苹果再进一步，加入了Facebook、Google、IBM和微软组成的AI战略合作组织。该组织致力于构建AI研究领域的道德伦理、透明度以及隐私准则，同时推动组织成员间的研究与合作。接下来一个月，苹果又大幅扩充了它在西雅图的AI办公室，在两联广场租了两层楼，并雇用了更多员工。
苹果公司的机器学习总监Carlos Guestrin在接受GeekWire采访时说道：“我们正在努力寻找对AI和机器学习感兴趣的人才，寻找热衷于研究和思考，并能把想法运用到实际产品中的技术人员。”
到2017年3月，苹果已经取得了重大进展。在旧金山举行的EmTech峰会上，Salakhutdinov展示了苹果的AI研究进展，探讨了从如何使用“注意力机制”更好地描述照片内容，到如何用深度学习算法结合Freebase和WordNet等知识来源中的内容，从而使AI更加智能和高效等话题。Salakhutdinov说道：“如何将先前的所有知识纳入深度学习，对我们来说一项巨大的挑战”。
上个月，苹果对外宣布将研发一种用于处理AI任务的定制化芯片，苹果内部称这款芯片为Neural Engine。一旦Neural Engine芯片研发成功，那么Salakhutdinov所说的挑战将简单得多。不同于Google将处理AI任务的繁重计算转移到云端，用TPU统一处理的方式；苹果习惯于将运算负载分散到CPU和GPU上。
Neural Engine未来将作为处理AI任务的独立组件，释放出CPU和GPU宝贵的计算能力，从而延长电池续航，提升设备上搭载的AR功能，同时让Siri变得更加智慧，甚至有可能超越Alexa和Google Assitant。
即使没有Neural Engine芯片，苹果最近在AI领域取得的进步也令人印象深刻。自去年的WWDC大会以来，苹果先是发布了一款API，大幅加强了研发力度；随后又从全美顶尖的大学挖来了顶尖的AI专家，同时抛弃了以往的保守策略，加入行业合作组织，并最终发布了一版更加智能的Siri。苹果这一系列举措让我们有理由相信，明年的WWDC大会必将更加疯狂。
via engadget 雷锋网编译
正在生成分享图...
nebula