在一個新語言測試中，研究者從一個影像識別程式中減掉了數千行程式碼，最終的程式碼量更是少於50行。他們計劃在六月的”計算機視覺及模式識別會議“上公佈這一結果。
Josh Tenenbaum 是 MIT 的計算機識別方面的科學家，他參與了概率程式設計專案的研發，他說：”我們事先建立可能會遇到的模型，通過這些模型，我們可以推測出在第一時間遇到的東西。“
Picture 用統計結果減去了計算機視覺領域裡大量計算工作，它的工作原理就像逆電腦動畫過程。皮克斯等動畫公司採用的計算機繪圖程式，都是通過二維來表現三維的目標。而 Picture 語言與之相反，它通過比較一系列的模型來還原出二維影像上識別目標原有的樣子。
美國國防部高階研究計劃局在2013年啟動了一個專案，此專案的主要目的就是要讓概率程式設計更加方便地應用於與機器學習中。
雖然理論研究進行了幾十年，但隨著更強大的計算機以及新的雲服務如亞馬遜的 Amazon Web Service 和微軟 Microsoft Azure 的出現，機器學習才在商業領域中迅速普及。
儘管概率程式設計並不需要機器去學習工作，但是它提供了一個簡化機器學習的方法，Tenenbaum 說。 ”在純機器學習領域，一般通過增加資料的收集量和讓機器學習工作來驅動效能“Tenenbaum 說，而在概率程式設計領域裡”底層系統通過分析影像形成的原因、過程、結果來實現，更像是以知識為基礎的。“
Picture 是 MIT 目前研究的多個概率編語言之一。另一個更常用的概率程式語言叫做 Venture，它還能用於解決其他問題，Tenenbaum 說到。
麻省理工祕訣語言
相關閱讀
評論(2)