騰訊科技訊 6月20日，谷歌近期發(fā)表的一篇學(xué)術(shù)論文，該論文或?qū)闄C器學(xué)習(xí)的未來提供藍圖。谷歌的這篇論文題為“機器學(xué)習(xí)一個模式足矣（One Model to Learn Them All）”，為打造一種能夠很好地處理多任務(wù)的單一機器學(xué)習(xí)模式提供了樣板。

谷歌公司的研究人員將這種模式稱為“多任務(wù)模式（MultiModel）”。這種多任務(wù)模式基于多種任務(wù)進行訓(xùn)練，包括翻譯、語言解析、語音識別、圖像識別和目標檢測等。盡管訓(xùn)練結(jié)果與現(xiàn)有的方法相比還沒有大幅進步，但卻能夠表明，基于多種任務(wù)來訓(xùn)練機器學(xué)習(xí)系統(tǒng)可能會有助于提升整體性能。

例如，多任務(wù)模式在基于力所能及的所有行動來進行訓(xùn)練時，即相對于用單一行動進行訓(xùn)練，此刻多任務(wù)模式下的機器翻譯、語音和解析等準確性都能夠得到提升。

谷歌的這篇論文可能會為研發(fā)能夠更加廣泛應(yīng)用、更加精準的未來機器學(xué)習(xí)系統(tǒng)提供樣板。這一系統(tǒng)未來的應(yīng)用廣泛程度有準確度都可能大大超過當前市場存在的狹義解決方案。更為重要的是，這些技術(shù)（或其分支）或許會有助于減少打造可靠機器學(xué)習(xí)算法時所需的訓(xùn)練數(shù)據(jù)量。

這主要是由于谷歌研究團隊的研究結(jié)果已經(jīng)表明，當多任務(wù)模式基于其力所能及的各種任務(wù)進行訓(xùn)練時，執(zhí)行任務(wù)的準確性會在訓(xùn)練數(shù)據(jù)減少的情況下而提高。這一點至關(guān)重要，因為在某些領(lǐng)域，積累足夠多的大規(guī)模訓(xùn)練數(shù)據(jù)是非常困難的。

然而，谷歌目前并沒有宣布自己已經(jīng)掌握了那種能夠即刻學(xué)會所有任務(wù)的熟練算法。正如多任務(wù)名稱的含義那樣，多任務(wù)網(wǎng)絡(luò)包括了針對不同挑戰(zhàn)而定制的系統(tǒng)，以及幫助向那些專家算法直接輸入的系統(tǒng)。谷歌的此番研究的確表明，該公司采取的方法將對未來研發(fā)解決各個領(lǐng)域問題的類似系統(tǒng)產(chǎn)生幫助作用。

值得指出的是，這方面的研究仍要進行大量的試驗。谷歌的研究結(jié)果還沒有得到驗證，目前也很難弄清這項研究如何才能很好地拓展到其它領(lǐng)域。“谷歌大腦（Google Brain）”團隊已經(jīng)發(fā)布了多任務(wù)代碼，以此作為TensorFlow開源項目的一部分，因此，其他人也可以用這種代碼進行試驗，并挖掘更多的結(jié)果。

另外，谷歌還有一些改進的明確途徑。谷歌研究團隊指出，他們沒有花費過多的時間來優(yōu)化系統(tǒng)的部分固定參數(shù)（即機器學(xué)習(xí)中的“超級參數(shù)（hyperparameters）”）。他們還表示，經(jīng)過越來越多的調(diào)整和改進，未來多任務(wù)模式的準確性也會進一步提高。