条件变分扩散模型 (CVDM) 利用人工智能解决“逆问题”

本周，一支研究团队发布了一种新的扩散模型，标志着人工智能发展史上的一个重要里程碑。该模型可以降低人工智能编程成本，提升性能，并为进一步的创新打开大门。以下是工程师们如何利用人工智能创建条件变分扩散模型 (CVDM)，以及它对未来的意义。

条件变分扩散模型是一个开源的 协议 将成为即将召开的国际学习表征会议 (ICLR) 的中心舞台。在这里，开发人员将回答群众关于这种编程状态如何帮助深度学习系统提高性能、可扩展性和可持续性的问题。

研究人员在CVDM方面取得突破

CVDM 的开发和测试背后的研究人员来自德累斯顿-罗森多夫亥姆霍兹中心的先进系统理解中心 (CASUS)。他们与伦敦帝国理工学院和伦敦大学学院的研究人员密切合作，最终将这一概念付诸实践。以下是他们的努力为何能够改变世界。

来源——LinkedIn

研究团队相信他们的创造将有助于开创人工智能可编程性的新时代。在讨论新的编程方法时，CASUS 博士生、ICLR 论文的主要作者 Gabriel della Maggiora 谈到了这些系统如何帮助您“所见多于所见设立的区域办事处外，我们在美国也开设了办事处，以便我们为当地客户提供更多的支持。“

ICLR论文的通讯作者Artur Yakimovich博士也评论了当前扩散训练模型的效率以及升级将如何帮助解决这些问题。他还谈到了低效运行如何使编程扩散模型变得昂贵，以及 CVDM 如何帮助解决这些问题。

什么是反问题？

为了充分理解 CVDM 的重要性，了解什么是逆问题、它们在人工智能中的作用以及它们如何帮助揭开科学中不为人知的奥秘至关重要。这些数学方程对观察结果进行逆向工程以确定根本原因。通过计算可见的因果因素，我们可以确定未知和不可见的变量。因此，有史以来许多最伟大的发现都成功地使用了这种方法。

逆向问题解决的例子

逆问题听起来可能像是一种奇怪的解决问题的方法，但它在确定未知因素方面非常有效。例如，一位天文学家可以利用引力场来确定一个距离太远而无法测量的物体的质量。研究人员可以将该引力场与其他引力场进行比较，从而找到该物体的真实质量。

颜色转换

另一个更贴近实际的例子是使用逆向问题解决来对黑白视频进行着色。彩色历史视频如今很受欢迎，因为它们可以让人们更清楚地了解过去。这些着色程序使用逆向问题解决方案。

他们首先根据之前审查和转换的示例确定黑白图像上的什么阴影可以转换为什么颜色。从那里开始，这些系统最终有一些选择。做出这样的选择是因为某些颜色在转换为黑色和白色时具有相同的色调。

然后系统将确定给定场景最合适的颜色。例如，蓝色和红色转换后可能看起来相同。然而，恢复系统会注意到水应该是蓝色的，火应该是红色的。因此，它可以使用这些参考来确定最佳选项。

光学

同样的方法可以应用于望远镜或显微镜等光学器件。研究人员可以使用数学方程对某些预期参数进行预编程。例如，制造商可以设置他的照片人工智能，根据你与背景的对比来确定最佳设置。

该系统可以参考大量优质照片并查看对比度是如何设置的。从那里，它可以使用这些图像来确定如何最好地清理所呈现的图像。

雷达系统

雷达系统是逆向问题解决的一个典型例子。雷达塔向空中发射电波。当这些波击中物体时，它们会被反弹回接收器。雷达信号和雷达波折射的时间用于确定飞行器的类型、航向和其他重要数据。

逆向问题解决问题

逆问题求解只是研究人员用来揭示未知奥秘的工具之一。它非常有效，然而并非完美无缺。它存在一些缺点。例如，逆问题求解可能需要求解复杂且通常不完整的数学方程。

这种方法的一些限制因素可能是数据丢失、结果混乱和随机噪声过多。这些情况会增加工作量，并使确定最佳解决方案变得混乱。值得庆幸的是，人工智能的进步继续重塑该行业并提高效率。

进入生成人工智能

生成式人工智能系统展示了这项技术的力量。 ChatGPT 或 Stable Diffusion 等平台使用户可以直接访问先进的生成人工智能系统。这些协议旨在参考数据的底层分布以确定理想的解决方案。生成式人工智能可以使用许多不同的方法进行编程，但最强大的方法之一是称为扩散的方法。

什么是扩散模型？

扩散模型人工智能的编程阶段与其他方法略有不同。这种类型的生成人工智能将获取数据集并向其应用高斯噪声，直到它变得随机。然后，系统将扫描数据集以查找相似之处，例如训练图像中哪些像素排列常见和不常见。

然后，这些模型开始通过查找与数据集匹配但不相同的数据，从噪声中重建图像。每条数据被组合起来，创建一个符合库要求的数据集。这是在 DALL-E 2 等高级图像生成器中发现的扩散方式。

扩散的主要缺点

扩散模型人工智能的最大缺点是浪费。当你必须制造噪音时，就会有很多解决方案不可用、不正确或毫无意义。随着每一步都使用计算能力，这些浪费的精力会累积起来。此外，它们还增加了程序扩散建模人工智能所需的时间。

噪声

这些系统的另一个主要问题是噪声的增加。向系统添加噪声需要大量的数学技能。如果添加太多或太少，都会影响结果。此外，时机也是一个因素。在错误的时间添加噪音也会影响结果。

这些要求使得从头开始创建和增强扩散模型变得非常昂贵。值得庆幸的是，CVDM 模型消除了编程时浪费的大部分精力，从而提高了效率。这些改进让人工智能行业的许多人兴奋地放弃试错方法，转而采用更高效的方法。

条件变分扩散模型 (CVDM)

CVDM 旨在通过降低扩散模型的计算要求来降低编程成本。该开源协议已经过测试，与传统建模策略相比，显示出积极的结果。 CVDM 提供了更大的灵活性，可以为用户产生类似的结果（即使不是更好的结果）。

CVDM 培训阶段

CVDM 的优点之一是它可以显着降低培训成本。研究人员通过让人工智能确定最佳训练程序来完成这项任务。这种方法降低了实施这些系统的成本和工作量。它还消除了任何人为错误并确保适当的噪音输入。

CVDM 测试阶段

CVDM 测试提供了一些有趣的结果。研究人员决定将该模型应用于显微图像。主要是，他们想看看人工智能如何帮助解决衍射问题。衍射这个术语指的是光学器件的局限性。您可以将相机从光学变焦切换到数字变焦以获得更好的质量作为类似的示例。

他们首先向人工智能提供高分辨率图像，这些图像类似于他们用高性能光学器件观察物体时所看到的图像。他们的系统消除了这些图像中的所有噪音并保留了完美的解决方案。这些图像使人工智能能够拍摄从显微镜输入的实时图像并重建更高分辨率的图像。

令人印象深刻的是，CVDM 只需更少的编程就能提供类似的结果。这种方法消除了编程过程中的大部分浪费，并且不会增加开发时间。因此，这一突破代表着人工智能领域的重大升级，未来有可能颠覆多个市场。

化学气相沉积法应用

许多行业依靠扩散人工智能系统来改进其产品和服务。这些系统有一天可能会改善多个行业，包括光学、雷达、通信理论、声学、信号处理、医学图像、海洋学、天文学、语言处理、DNA 测序等等。

医疗保健

CVDM 系统的一项重要应用是医疗保健。该技术可以帮助降低人工智能的编程成本 医疗保健 系统很快。这些增加的节省和效率可以最大化，并与新的制造技术和材料相结合，以创建低成本、耐用的解决方案。

海洋学

许多人惊讶地发现，目前只有约7%的海底被绘制了地图。直到最近，才有了能够清晰观测海底的技术。然而，声纳和人工智能的进步已将海洋学提升到了一个全新的水平。

可以从 CVDM 中受益的公司

目前有很多公司依靠生成式人工智能来执行基本任务或向市场提供独特的产品。这些公司将看到更低的运营成本和更好的结果，这将有助于利用 CVDM 方法推动创新。

几乎每个行业都有 CVDM 生成式 AI 工具的用例。真正的限制因素并非技术本身，而是能否以经济高效的方式集成技术，从而为产品创造真正的价值。以下是一些成功实现这一目标的公司。

1. 雅诗兰黛

雅诗兰黛全新直观助手让化妆体验AI升级。该系统采用语音AI系统，帮助视力障碍人士正确化妆。用户可以扫描面部，AI和AR技术结合，提供化妆指导。

(EL )

雅诗兰黛系统可以利用CVDM为这些个人提供更多选择，并提高响应速度。此举符合公司成为全球最具包容性和多元化的美容公司之一的愿景。

2. 单星

另一家可以使用 CVDM 技术来改进其产品的公司是 Unistellar。这家望远镜公司提供一套人工智能驱动的解决方案。这些设备直接连接到您的智能手机，并预装了大量人工智能数据。值得注意的是，您的手机充当控制器。您可以使用它扫描夜空，图像会显示在您的智能手机上并附带附加信息。

令人印象深刻的是，该系统可以确定37万颗恒星和+5K个天体。 Unistellar 使用扩散 AI 来帮助提高图像质量。这些系统需要大量的培训，有一天可以使用 CVDM 来减少这些培训。现在，您可以花费 2500 美元购买一台人工智能望远镜并仔细观察天空。

人工智能势头不断增强

这一最新进展凸显了人工智能开发的创造性本质及其对提高效率的永无止境的追求。让人工智能帮助自身编程是有意义的，因为它可以显着简化流程。 CVDM 让人类开始行动，而人工智能则让其加快速度。通过这种方式，它们提供了可应用于众多行业的高效解决方案。

CVDM 是一个游戏规则改变者

CVDM的引入肯定会对市场产生影响。这些协议将降低编程成本和时间，这可能相当于未来更多的访问和更好的人工智能解决方案。目前，您必须将其交给 CVDM 项目背后的团队，因为它具有巨大的上升潜力。