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。
1700526518
1700526519
“探索外星智能”项目期望通过了解其他地方智能物种的智能结构演变过程，扩充科学资源，提高人们的科学理解能力。27但是我们对地球上智能机器的了解也少得可怜，不过是一知半解。笔者手头的这台笔记本电脑便是一例，我就是用它来录入本书的文稿的，28我们可以也必将对这部机器的奥秘一探究竟。
1700526520
1700526521
进化算法：以百万倍速度进化
1700526522
1700526523
这里给出一条投资建议：在决定投资一家公司之前，你需要核查该公司管理经营是否得当、财务状况是否平稳、过去赢利状况如何、当前相关领域走向及投资分析师的意见等。不知不觉中你发现需要做那么多工作，下面有一种便捷的方法：
1700526524
1700526525
首先，在你的电脑上随机列出100万组投资规则，每组规则都应根据现有的金融数据明确定义买卖股票（或其他证券）的时机。这并非什么难事，因为并不需要每组规则都合理。然后用电子“染色体”的编码方式，将每组规则嵌入模拟软件“有机体”中。现在，我们需要用真实生活中的金融数据（网络上有很多相关资源）创造一个模拟环境，对每个模拟有机体进行评估。让每个有机体软件模拟进行金融投资，根据真实的历史数据评价其投资是否成功，从中选出收益高于市场平均水平的“有机体”存活至第二代，将其他“有机体”删除。在这之后，成倍复制留下的“有机体”，直至总体数量恢复到100万。复制过程中，可以在“染色体”中掺杂随机的变异因素，至此，第一代模拟进化完成。将上述更新换代过程再重复1 000次，进化至最后存活下来的软件就是最聪慧的“投资者”，因为它们的投资方法经历了1 000次的进化筛选后仍然有效。
1700526526
1700526527
现实生活中，许多成功的投资基金都认为这些在模拟进化过程中存活下来的“生物”比人类金融分析师更为睿智。道富环球投资管理公司已运用神经网络和进化算法进行买卖决策，对3.7万亿美元成功进行管理投资。这些决策包括对一家高风险企业“先进投资技术公司”的投资，结合上述两种方法成功实现资金运转，29还有“巴克莱全球投资公司”也利用进化算法的相关技术成功运转了950亿美元的资金，“富达和泛安戈拉资产管理公司”也有过成功案例。
1700526528
1700526529
上文所述的模式被称为进化（有时也称为基因）算法，该系统的设计者并不直接编写算法程序，而是通过模拟竞争和改进的过程让解决方案浮出水面。30这一演化过程十分巧妙但速度缓慢，若要加强其智能性，我们就必须在保证识别能力的同时加快其速度。电脑可以在几小时、几天或几星期的时间内快速模拟出上千代的进化过程，但是我们只有一次机会完整地经历这一过程。这个模拟进化过程完成后，我们便能将进化完全且高度精确的规则快速应用到实际问题中。
1700526530
1700526531
同神经网络一样，进化算法是对混乱的数据中包含的细微而深奥的模式加以利用的方法，这一方法最需要的就是大量有待解决的问题的案例。在金融界从不缺乏大量混乱的信息——交易市场分分秒秒发生的变化都可以在网络上找到。
1700526532
1700526533
进化算法擅长解决包含多种变量的问题，得出精确的计算结果。比如设计喷气式飞机引擎时，涉及100种变量和几十种限定条件，通用电气公司的研究人员利用进化算法，轻而易举地设计出引擎，比传统方法设计出的引擎更符合限定条件。
1700526534
1700526535
进化算法作为混沌或复杂理论领域的一部分，也越来越多地被用来解决一些棘手的商业问题。通用汽车公司利用进化算法协调了汽车的喷漆过程，它将昂贵的换漆工序（以前，更换汽车油漆颜色时整个喷漆棚都要暂停使用）成本降低了50%。沃尔沃利用进化算法详细制定了沃尔沃770型小型卡车的生产流程。资产30亿美元的水泥工厂西麦斯也采用类似方法对其复杂的物流运输进行管理。进化算法在工业生产中逐步取代传统的分析方法。
1700526536
1700526537
进化算法这一进化模式还擅长模式识别。现有的进化算法在指纹、人脸、笔迹等识别领域的应用效果都要优于神经网络。进化算法还可以用于编写电脑软件程序，尤其是那些需要处理大量数据的程序，最典型的例子便是微软的Windows 95系统，其中的软件便能很好地处理资源数据，而该过程均为软件通过自我演化而成，并非人工详细编写的。
1700526538
1700526539
使用进化算法时，你得明白自己想要达到什么效果。约翰·科扎尝试用一个进化程序解决“堆积木”的问题。该程序演化出一种解决方案，符合问题的各个限制条件，除了如下一条：该程序将木块移动了2 319次，人们要实际操作不太现实。很明显这是程序设计员的设计漏洞，忘了限定使用最少的移动次数。科扎说：“我们想要什么，进化算法就给了我们什么，不多不少刚刚好。”
1700526540
1700526541
自组织
1700526542
1700526543
神经网络和进化算法都被视为新兴的自组织方法，因为其产生的结果不可预测，并且常常出乎设计者的意料。不仅结果无法预料，其解决问题的过程也经常无法预测。比如，神经网络或进化算法在解决一个问题时反反复复运行了上百次却几乎没有进展，但在某一瞬间——似乎程序也会灵光一现，将所有事情梳理开来，解决方法也便水到渠成了。
1700526544
1700526545
在制造智能机器时，我们会越来越倾向于将复杂的问题（如理解人类语言）分解成一个个小问题，每个部分都有自己的自组织程序。这类新兴的分层系统的专业界线会越来越模糊，在解决真实世界的各类复杂问题时也会有更大的灵活性。
1700526546
1700526547
人类记忆的全息特性
1700526548
1700526549
求知领域的“圣杯”就是将学习过程自动化，让机器走进现实世界（或者对于新型机器来说，走进网络世界）并能自主获得知识。
1700526550
1700526551
这也是“混沌理论”的诸多方法（包括神经网络、进化计算及其衍生数学方法）允许范畴之内的功能。一旦这些方法汇总为一个最佳方案，神经连接的强度或者电子染色体的进化模式都代表了一种知识形式，可以存储以备日后使用。
1700526552
1700526553
然而，这类知识很难阐述清楚。一个已能识别人脸的神经网络软件包含了网络结构和神经元连接强度的相关知识。比如识别系统能正确识别出张三的脸部，但它无法说明因为这张面孔有着目光深邃的眼睛、高挺的鼻子，从而识别这是张三。我们也能让神经网络学会识别棋局中的巧妙棋步，但它同样无法阐述走这步棋的理由。
1700526554
1700526555
人类记忆同样如此。我们能轻易认出一把椅子，并不是因为脑中有相关具体描述——椅子是一个水平面下方垂直连接多处支撑架构的结构，该水平面上方又有一个垂直面，而是因为神经网络中存储着无数次看到椅子的经验，虽无法细化到每次看到椅子的具体时间地点，但是这些经验已经留在神经连接模式中，形成了有关椅子的知识。同理，我们大脑中也没有一块特定区域存储着朋友的相貌，是突触的部位辨析及整合功能让我们记住了朋友的样貌。
1700526556
1700526557
虽然我们仍无法理解人类记忆的精确运行机制——有可能人脑各区域的结构还不尽相同，但我们知道大多数人脑存储的大部分信息分散在特定的区域。如果你接触过全息图，就会知道分散存储组织信息的好处。全息图是利用两束光波互相干涉的原理在胶片上生成的图像。这两束光波一束来源于被激光照明的背景，另一束直接来自同一束激光本身。在光的照射下，全息图的两束光波可以呈现出两个图像，用肉眼来看似乎就是原物体的立体投影。但不同于普通投影的是，如果我们将全息图遮住一半，所呈现的投影并不会随之消失一半，而是仍会呈现完整的物象，改变的仅是投影成像的清晰度。也就是说，图像中每个点中都存储着整张图片的信息，只是清晰度接近于零。如果不小心刮花了全息图，用激光照射它也并不会影响成像效果，只会影响清晰度而已，立体投影的图像中不会有任何刮痕，也就是说，全息图的质量相对稳定，单从成像形式无法看出损坏和瑕疵。
1700526558
1700526559
人类记忆也是同理。人脑每小时会损耗数千个神经元，但因为思维进程的高度分散性，这点损耗对整体几乎没有影响。31在人类的脑细胞中，没有哪个细胞比其他细胞更重要，不存在所谓的CEO（首席执行官）细胞。
[
上一页 ]
[ :1.70052651e+09 ]
[
下一页 ]