导读：作为人类，很容易想象一个具有不同属性的物体。然而尽管深度神经网络在某些任务上取得了跟人类相当或超过人类的表现，但计算机在人类特有的“想象力”技能方面仍在做着苦苦的挣扎。
现在，南加州大学(USC)一个由计算机科学教授Laurent Itti、博士生Yunhao Ge、Sami Abu-El-Haija和Gan Xin组成的研究团队开发出了一种人工智能，这种AI能够通过使用类似人类的能力来想象出一个具有不同属性的从未见过的物体。
AI的泛化问题
假设你想创建一个生成汽车图像的AI系统。理想情况下，你可以为算法提供一些汽车的图像，这样它就可以从多个角度生成各种颜色的汽车。这是AI长期追求的目标之一：创造出能进行外推的模型。这意味着，只要给出几个例子模型就应该能够提取出基本的规则并将它们应用到它以前没有见过的大量新例子中。但机器通常是在样本特征上训练的，如像素，而不会去考虑对象的属性。
在这项新研究中，研究人员试图用一种叫做消纠缠(disentanglement)的概念来克服这个限制。消纠缠可以用来产生深度伪造。类似地，新方法采用一组样本图像--而不是像传统算法那样一次采集一个样本--并挖掘它们之间的相似性以实现所谓的“可控解消纠缠表征学习”。
然后，它重新组合这些知识以实现“可控的新图像合成”或可以称之为想象力的东西。”研究小组通过利用他们的技术生成了一个包含156万张图像的新数据集，这可能有助于该领域未来的研究。
医学领域
它可以帮助医生和生物学家发现更多有用的药物以将药物的功能从其他属性中分离出来，然后重新组合从而合成新的药物。赋予机器想象力还可以帮助创造更安全的AI，如让自动驾驶汽车想象并避免在训练中看不到的危险场景。
深度学习已经在许多领域展示了性能和前景，但这往往是通过浅层模仿发生的，它没有对使每个对象独特的单独属性拥有更深入的了解。这种新的分离方法，第一次真正释放了AI系统的新想象力从而让它们更接近人类对世界的理解。
图像搜索
图像搜索是近几年用户需求日益旺盛的信息检索类应用，分为基于文本的和基于内容的两类搜索方式。传统的图像搜索只识别图像本身的颜色、纹理等要素，基于深度学习的图像搜索还会计入人脸、姿态、地理位置和字符等语义特征，针对海量数据进行多维度的分析与匹配。
该技术的应用与发展，不仅是为了满足当下用户利用图像匹配搜索以顺利查找到相同或相似目标物的需求，更是为了通过分析用户的需求与行为，如搜索同款、相似物比对等，确保企业的产品迭代和服务升级在后续工作中更加聚焦。
资料来源：cnBeta.COM