1700526468
1700526469
神经网络是一种尝试模拟人脑神经元的运算方式。我们将一系列输入视为待解决的问题。21例如，输入为一串需要识别的图像像素，这些信息就会随机构成一层模拟神经元。每个模拟神经元都可作为一个简易电脑程序，模拟人脑神经的运算模式，也可作为一条电子执行命令。
1700526470
1700526471
每一个输入点（此处即图片中的每一处像素）都与第一层模拟神经元随机相连。每一个连接都有其突触强度，表示此连接的值，该值的设定也是随机的。每加入一个神经元，突触强度的信号便会相应增加。当信号增加到一定数值时，神经元就会向其输出连接发出信号；若达不到一定数值则无信号发出，输出值为零。每个神经元的输出与下一层神经元的输入随机连接。以此类推，直至最顶层的一个或多个神经元（当然也是随机选择的），向我们提供答案。
1700526472
1700526473
一个问题（如印刷文字识别）提交给输入层，输出神经元就会产出结果，这种有入有出的反应对于许多问题而言可谓准确迅速。可事实上，这些反应给出的答案一点都不准确，至少开始时是不准确的。输出最初是完全随机的，既然整个系统都是基于随机性建立起来的，我们还能指望什么呢？
1700526474
1700526475
我忽略了一个重要步骤，即神经网络有自己的学习任务。拿哺乳动物的大脑来说，其中的神经网络始于懵懂无知。神经网络有自己的老师，这位老师可能是人类、电脑程序或是另外一个已经完成学习任务的更加成熟的神经网络，它们在学生做对时给予奖励，反之则施以惩罚。“老师们”给出的反馈成了“学生们”调节神经细胞间连接强度的依据——加强正确的连接，减弱错误的连接。久而久之，神经网络便能独立判断连接的正误。研究证明，即使“老师们”的教学不准确，即使只有60%的内容是正确的，神经网络也能自我学习，学会判断连接的正误。
1700526476
1700526477
因此，若能正确教导神经网络，这一模式便会无限强大，可以效仿更多人类的模式识别功能。文字识别系统运用多层神经网络识别潦草的字迹，其准确度非常接近人类水平。22人脸识别长久以来都被视为电脑无法企及的人脑特有功能，然而，如今美国新英格兰州一家名叫Miros的公司利用神经网络技术，发明了一种人脸识别自动取款机，可以通过识别顾客样貌确认其身份，然后允许其取款。23可别举着一张账号用户的照片就想骗过机器的识别系统，它可没那么好骗，因为人脸识别是由两台摄像机全方位立体采集图像完成的。显然这台机器非常可靠，银行可以放心地让客户取走自己的钱。
1700526478
1700526479
神经网络已经在医学领域得到应用。美国加州科学软件公司开发的BrainMaker系统可以提供人体内酶的相关数据，帮助医生准确诊断心脏病。它也可以拍摄人体内部图像，帮助医生识别出癌症细胞。神经网络也擅长预测——LBS资金管理公司利用BrainMaker预测出标准普尔500指数。它提前一天甚至一星期的预测结果能够完胜传统的公式计算预测法。
1700526480
1700526481
如今有很多自组织方法都是由上述神经网络模型衍生而成的。其中一种名为“马尔可夫”模型的方法在自动语音识别系统中运用广泛。如今在60 000个词汇以内，这些系统已能准确理解人类正常语速说话的内容。
1700526482
1700526483
虽然递归法擅长搜索各种不同可能性的组合，比如棋步的序列，但神经网络也是模式识别的一种方式。人脑比思考逻辑组合更擅长模式的识别，正是凭借这种优势，人脑才能进行思维活动。事实上，人脑识别模式大部分都是由神经线路组成的。神经元的触发间隔时间只有5毫秒，每个神经元连接每秒内只进行200次计算。24所以，紧急情况下，我们通常想不出太多的好方法。人脑的做法是，对分析结果进行预处理，然后将分析结果存储起来以备日后参考。随后，人脑利用模式识别能力识别出与先前存储结果相似的事件，类比先前想好的解决方法做出反应。在未经事先多次思考前，人脑通常无法想出好的对策。
1700526484
1700526485
信息毁灭：开启智能的钥匙
1700526486
1700526487
计算转换有两种方式：一种是信息存储，另一种是信息毁灭。前一种方法的典型例子就是用除0以外的数字与常数相乘，且此过程可逆：只要将所得数字除以常数即可。但我们若用0与其他数字相乘，得到结果后过程就不可逆了，无法再回到先前的数字，因为0除以0是个不定式。此种转换便毁坏了系统的输入信息。
1700526488
1700526489
这是时间不可逆的又一个例子（第一个是熵增定律），因为信息毁灭的过程同样不可逆。
1700526490
1700526491
计算的不可逆性通常被视为其发挥作用的原因：它总是对信息进行单向的、“有目的”的转换。然而，计算过程的不可逆性是在毁坏信息而不是创建信息的基础上完成的。并且，计算的价值体现在其有选择性地毁灭信息。比如，人类在进行人脸或声音识别时，计算过程中需要保存携带特征信息的部分，“销毁”原始图像或声音数据中其他无用的部分。所以，“智能”也就是仔细筛选相关信息、有选择地毁坏冗余信息的过程。
1700526492
1700526493
神经网络的工作原理正是如此。人脑或机器的神经细胞会接收到成百上千的连续信号，这些信号代表着不同的信息。作为回应，神经元可以选择启动或不启动，进而筛选输入信息，选择其中有用的一小部分信息。一旦神经系统经过优化训练，信息的删减过程的目的性会更强，所得结果也会更有用、更有必要性。
1700526494
1700526495
我们能在人类行为及社会活动的很多层面看到此类计算范式，即将大量复杂信息精简为一个“是”或“否”的问题。法律审议便是由大量案件信息开始的，而所有审判过程的最终结果只精简到一个简单的信息——有罪或无罪，原告或是被告胜诉。虽然有些案件涉及两种审判结果，但这与我的观点并不冲突。最终的“是或否”这一结果又会引发新一轮的决策、造成其他影响。同样，在美国大选中，每个选民都会接收到大量数据（虽然并非所有信息有都用），权衡后做出最终决定：由现任者连任还是新的候选人任职。其他上百万选民也同样经过信息筛选做出最终决定，从而组成新的数据流，最终从这新的数据流中精简出一个结果——新一期任职者。
1700526496
1700526497
世界上存在太多的原始数据，我们不得不销毁大部分无用的信息，保留有用的部分输入到数据库中。这就是神经元“不全则无”功能背后的真谛。
1700526498
1700526499
下次大扫除想要扔掉一些没用的东西时，你就会知道删减过程的困难——有目的地销毁一些信息正是智能工作的本质所在。
1700526500
1700526501
如何抓住飞行中的球
1700526502
1700526503
球棒击中球后，我们可以根据球飞过来的轨迹、转向、转速以及周边风向预测球打出去的运行路线。但外场手无法直接对这些属性进行测量，只能从自己的角度观察球的走向。根据球的走向确定外场手应跑去的位置，这一过程就如求解一组极其复杂的方程式一般；随着新的视觉数据的出现，方程式中的数值也要重新设定。一个10岁的少年棒球队员若没有电脑，没有计算器，没有纸笔，未学习过任何数学课程，而且只有短短几秒钟时间，如何完成这一系列复杂的计算过程呢？
1700526504
1700526505
答案是，这个少年棒球队员并未进行任何计算，只是运用了自身神经网络的模式识别能力，这种能力在很大程度上为她的技能形成打下了坚实的基础。这位棒球手虽仅有10岁，但她的神经网络已经过大量对比训练，能够识别球的飞行路线与其接球位置间的关系。一旦她学会了这项技能，这就成了她的第二本能，也就是说，她不用再费神思考怎么接球，因为她大脑中的神经网络已对此类活动有了认知：如果球从我的视线上方飞来，就往后退一步；如果低于视线的某一水平线，就往前一步……人类棒球手并不会刻意花心思解答这些等式，也不会无意识地在脑中进行计算。整个过程只有模式识别系统在运作，它也是人类思维的根基。
1700526506
1700526507
所以，开启智能的钥匙之一在于了解什么是不需要计算的。一个成功人士不一定会在各方面优于其同龄人，她的模式识别天赋会告诉她哪些问题值得解答。
1700526508
1700526509
建立硅网络
1700526510
1700526511
现今，大多数以电脑为基础的神经网络应用都是在软件中模拟人脑的神经网络，也就是说，一台机器上存在许多台电脑同时进行平行处理的模拟汇总至这台机器，显现出的效果就是该机器每次只运算一次。如今在家用电脑上运行的神经网络软件每秒能进行100万次神经元连接计算，人脑的运算能力是它的10亿倍（但我们可以直接用电脑的机器语言进行编码，这将大大提升电脑的运算速度）。即便如此，使用神经网络模型的软件也能让家用电脑在文字、语音和人脸识别等领域的水平接近人脑。
1700526512
1700526513
还有一类经过优化的电脑硬件可以模拟神经网络，这些系统也可以并行，只是规模没有那么大，其运算速度比家用电脑中的神经网络软件快1 000倍，但人脑的运算能力仍是其100万倍。
1700526514
1700526515
越来越多的研究人员在尝试模拟人脑的构造来建造神经网络系统：每个神经元都配有专用的小电脑，从而进行大规模数据处理。日本京都大型研究中心ATR（先进通信研究所）正在研究制造这样一个包含10亿电子神经元的人工大脑。这10亿神经元却还只是人类神经元细胞数量的1%，但因为它们都是电子的，其运行速度比人脑神经元要快100万倍。所以，ATR的这个人工大脑的整体计算速度将比人脑快上千倍。ATR的大脑制造研究小组组长雨果·德·加里斯希望能让这个人工大脑学会人类语言，可以以电子的速度快速阅读网络上那些它感兴趣的文学作品。25
1700526516
1700526517
那么上述内容是否意味着这些简单的神经网络模型与人脑神经系统的工作原理一样呢？是又不是。一方面，人脑神经系统比模拟模型更为复杂多样，神经间的连接由多个神经递质控制，绝非单一数字可以左右。人脑也不是一个单一的器官，而是由上百个结构功能各异的独特的信息处理器官组成。另一方面，在探究人脑不同区域神经结构的并行算法时，我们又发现神经元的结构与信息处理方式并无直接联系，而是与维持生命进程有关。所以人脑的计算方法虽形式多样，却也直接明了。比如，研究学者卡弗·米德发明的一种视觉芯片能逼真地捕捉人脑处理图像时的早期阶段。26虽然此类芯片使用的方法与上面讨论的神经系统模型不同，但这些方法仍在可接受范围内，并且已经逐渐在芯片领域得到应用。将我们大脑中不同的神经网络分门别类——每一种模式都十分简单，这将有助于我们进一步理解人类智能，提高智能再创造的能力，最终超越人类智能。
[
上一页 ]
[ :1.700526468e+09 ]
[
下一页 ]