MetaMind獲800萬美元風投資金，使深度學習不再神秘

深度學習的概念源于人工神經網絡的研究。作為人工智能的一種，“深度學習”是一個訓練系統，能處理海量信息，它們來源于音頻、圖像和其他輸入的信號，如果向這個系統展示新信息，它會以推論的形式作出反潰像Google和Facebook這樣的科技企業已經在這個領域取得了技術進步并展開并購，“深度學習”的初創公司也在大量涌現。

斯坦福大學研究生Richard Socher在畢業之后創建了MetaMind，且于四個月后便從風投巨頭Khosla Venture和Salesforce首席執行官Marc Benioff獲得 800 萬美元投資。

（MetaMind創始人Richard Socher，和 Sven Strohband在位于加州的辦公室）

Richard Socher從沒想到他會進入人工智能的尖端領域，他只是想把自己喜歡的數學和語言結合起來。

但是事情一件接一件地發生了，他開發完成了一項出色的技術“遞歸神經網絡”(recursive neural networks)，現在，他從大學離職后創辦的企業MetaMind正式啟動了，并獲得了數家著名企業的金融支持。

公司成立僅四個月，Socher和他的團隊力圖證明在“深度學習”領域MetaMind處理圖像和文本的能力比目前任何技術都更卓越。為此，除了宣布從Khosla Venture和Salesforce首席執行官Marc Benioff那里得到了800萬美元的資金之外，MetaMind還在官網演示了他們的多種技術能力。

作為人工智能的一種，“深度學習”是一個訓練系統，能處理海量信息，它們來源于音頻、圖像和其他輸入的信號，如果向這個系統展示新信息，它會以推論的形式作出反潰像Google和Facebook這樣的科技企業已經在這個領域取得了技術進步并展開并購，“深度學習”的初創公司也在大量涌現。

但是，Socher認為人們在使用MetaMind時能體會到它的優勢，這家初創公司擁有兩項核心技術，一是受聘于Facebook的紐約大學教授Yann LeCun研發的“卷積神經網絡”，該技術在圖片挖掘方面取得了突破性進展;還有就是索赫爾自己的“遞歸神經網絡”，它在文本處理方面成就斐然。

Socher接受科技博客VentureBeat的采訪時說：“我們處在這項技術的前沿，并能與其他公開的技術一較高下，我們想盡量用科學化的語言來表述它?！?/p>

像拖放那樣簡單

它就像鼠標拖放一樣簡單，這意味著現在幾乎任何人都能進行“深度學習”。

“你不必是程序員”，正如Socher演示的那樣，用戶可以給MetaMind一些簡單的文本來進行訓練，然后會收到若干行代碼，它們可以直接嵌入應用程序，不需建立數據中心，甚至用像“亞馬遜網絡服務”這樣的公共云，所有的一切MetaMind全能搞定。

MetaMind網站上還有很多這樣的演示，有的可以指出兩個句子在語義上是多么相近，有的能就用戶搜索的某一主題詞顯示推文的肯定或否定程度。MetaMind還可以形成一個分類器：用戶上傳一個帶有文本標簽的電子表格，使系統知道要搜索什么，然后再給它一些文本，讓它進行動態分析。

只要用一組相關圖片進行訓練，MetaMind還能對圖像進行分類。當它“消化”了一些食物圖片之后，你可以拖拽一盤魚或者薯片的照片，它可以很自信地說出圖片里是魚或者薯片。

Socher還演示了MetaMind如何提取與文本框中輸入的文字相匹配的圖像。

或是輸入幾個詞

Socher用筆記本電腦輸入了“鳥”(bird)這個詞，系統展示了一些圖像，每張都有一只鳥。然后他輸入了鳥的復數形式(birds)，圖像發生了變化，每張上都有很多只鳥。他說：“最酷的是它真的具有語義合成的感覺——詞匯如何組成了較長語句的意義?！彼I入“水上的鳥”，然后系統給出了鳥在水上飛翔的圖片。

這種工作要求多種類型的“深度學習”，“卷積神經網絡”在掃描大量圖像之后能夠提取特征，而“遞歸神經網絡”能從句子中提取意義，這兩項技術可以協同工作。Google和微軟最近分別宣布他們已經掌握了一次性處理文字和圖像的技術，但是Socher去年獨立完成了這項研究，并在今年2月發表了兩篇論文。他說：“我們擁有這項技術已經有幾個月了?！?/p>

Socher走過了一條漫長的道路，他是德國人，大學期間他研究自然語言處理(NLP)，但是他覺得其中數學的成分太少了，因此研究生階段他開始研究計算機視覺，雖然數學的成分多了，但是仍不完美，因為那太簡單了。隨后他去美國讀博士，在斯坦福大學專攻機器學習。在那里他聽了Andrew Ng教授關于“深度學習”及其在計算機視覺中的應用的報告。

“我覺得那是非常棒的想法，但是它們仍然不太適合自然語言處理，”索赫爾說，“我創造了一些‘深度學習’的新模式，可以應用于自然語言的處理?！?/p>

他的“遞歸神經網絡”分析相鄰兩個詞之間的關聯，然后它再分析這兩個詞和它們左邊那個詞的聯系，以此類推，“遞歸”這個詞的意思就是直到它能理解一句話中所有的語言成分的意義。

2011年他首次提出了這些模型，在學術界引發了興趣，之后他發表了數篇論文來證明“遞歸神經網絡”的可行性。

他曾想從事研究工作，但是今年初，他意識到他不想走這條路。

作為斯坦福大學“機器學習”課程300多名學生的助教，Socher看到大家很想把這種技術應用于所有的數據類型。

“每五分鐘就有一個完全不同領域的新項目，”他說，“我喜歡這樣，機器學習前景廣闊，而且它的重要性將進一步顯現?！?/p>

幾年來，他拒絕了大公司提供的工作邀請，他想把這些技術帶入更廣闊的領域，讓更多的個人和企業能夠使用。