1704610035
1704610036
赫布的这一思想在10年后才真正应用到计算机研究中，而这要归功于弗兰克·罗森布拉特（Frank Rosenblatt）。罗森布拉特在计算机历史上是一个有趣的人物：他是一个真正博学多才的文艺复兴式人物，对音乐、天文、数学和计算机无不精通。碰巧的是，他和我们上一章提到的马文·明斯基是同学，他们在20世纪40年代早期都在布朗克斯科学高中读书。然而，罗森布拉特一直处于人工智能研究主流的边缘。明斯基和约翰·麦卡锡组织达特茅斯会议期间，罗森布拉特拿到了康奈尔大学实验心理学博士学位，学习期间，他被神经网络这一学科深深吸引。罗森布拉特将神经网络称作“感知器”，并努力证明其能够有效地充当人类学习、记忆和认知的模型。
1704610037
1704610038
罗森布拉特最初在纽约布法罗康奈尔航空实验室尝试建造“感知器”。他在那里创建了PARA项目，即“感知和识别自动化”。他的感知器以麦卡洛克和皮茨提出的神经元模型为基础，同时基于能够通过“试错”进行学习的神经网络。每个神经元都有一个输入、一个输出和一组自己的“权重”。开始的时候，“特性”之间的关联和神经元都会获得随机权重。然后，神经元根据网络显示，选择激发或不激发。片刻后，它就能够将见到的所有事物分为两类，即“X”和“非X”。
1704610039
1704610040
由于当时的计算机运行速度太慢，罗森布拉特并没有将其感知器做成软件，而是做成了硬件。他用调光器中使用的可变电阻创建了权重，并用电动机和电阻完成了学习过程。接下来的演示以及罗森布拉特对感知器发展潜力的夸张陈述，足以让人们心潮澎湃。1958年《科学》杂志上发表的一篇极有先见之明的文章上指出：“感知器最终一定能够自主学习、做出决定以及翻译语言。”与此同时，《纽约客》上一篇新发表的文章引用了罗森布拉特的话，“感知器应当证明它能够通过计算机视觉指出‘猫和狗之间的不同点’”。
1704610041
1704610042
1960年，罗森布拉特对“阿尔法感知器”计算机的创建工作进行了监督，他为此收到了美国海军研究办公室信息系统部提供的赞助。阿尔法感知器也成为历史上最早能够通过反复试错学习新技能的计算机之一。《纽约时报》将其称为“边做边学的新海军设备”。
1704610043
1704610044
1704610045
1704610046
1704610048
人工智能：改变世界，重建未来 关于感知器的争论
1704610049
1704610050
令人遗憾的是，不久以后，与感知器有关的研究遭遇了两次严重的挫折。第一次主要是技术方面的原因，也有些许人为因素。感知器当时已经被证实能够完成简单的学习任务，例如识别语音或印刷字体。然而，它们也成功地引起了广泛关注，给它们的投资也远远超过了技术取得成功的水平。这使得人工智能界内部产生了矛盾。马文·明斯基就是众多直率的评论家之一。明斯基在读博士时就已经研究过神经网络，但是对该领域已经不抱任何希望。自20世纪50年代以来，罗森布拉特与明斯基曾在众多科学会议上就脑启发计算机（brain-inspin computer）的有效性展开争论。罗森布拉特强烈推荐他研发的技术，称感知器实际上能够完成任何学习任务。明斯基则持截然相反的态度。直到1969年，明斯基与研究人员西蒙·派珀特合著了一本著作才打破这一僵局，该书就感知器可能无法完成的事情进行抨击。明斯基和派珀特总结道，这一技术“不具有任何科学价值”。为神经网络筹集的资金也顷刻化为乌有。
1704610051
1704610052
第二次挫折更加悲惨。明斯基和派珀特出版《感知器》一书两年后，在一个周日，弗兰克·罗森布拉特去美国最大的河口切萨皮克湾划船。那天是他43岁的生日，然而当天发生了意外，罗森布拉特就这样去世了。在康奈尔大学的悼词中他的一位同事写道：“他的离去让我们失去了一个最无私、最富有同情心的同事，他的机智和幽默给我们留下了深刻的印象。”这样一来，感知器也就失去了最忠实的拥护者。
1704610053
1704610054
脑启发式神经网络在接下来的10年中似乎销声匿迹了。后来，西蒙·派珀特以童话的方式，将传统人工智能和感知器之间的冲突总结如下：
1704610055
1704610056
从前，控制论科学生了两个女儿，一个是自然的，能够从对人脑的研究和自然规律中继承特性。另一个女儿是人造的，涉及范围从计算机最初的创造到使用。这两姐妹都想要建造智能模型，但是用的材料却大不相同。自然科学使用数学纯化神经元构造模型（称为神经网络），而人造科学则是通过计算机程序构造模型。
1704610057
1704610058
派珀特借用了白雪公主的故事，将他和明斯基对感知器的抨击比作猎人冲入树林对白雪公主的追杀。就像童话故事中讲的那样，派珀特和明斯基带着感知器的“心脏”回到他们的主人（在本案例中，我们称其为万能的“美国国防部高级研究计划局”）身边，证实感知器已经死了。“然而，派珀特和明斯基展示给世界的证据并不是白雪公主的心脏，而是猪的心脏。”
1704610059
1704610060
这可能曾一度引起过度紧张，但派珀特承认，神经网络躲过了他和明斯基的猛攻。事实也确实如此。实际上，派珀特在20世纪80年代末写下这句话的时候，神经网络已经又一次发展得如火如荼。
1704610061
1704610062
1704610063
1704610064
1704610066
人工智能：改变世界，重建未来 霍普菲尔德网的兴起
1704610067
1704610068
与明斯基和派珀特的断言相反的是，神经网络研究人员多年来一直认为，神经网络能够展现出新的能力，并且解决罗森布拉特感知器的问题，但前提是在网络输入和输出之间放置额外的“隐含”神经元层。不幸的是，没人知道如何训练这些多层神经网络。著名物理学家约翰·霍普菲尔德（John Hopfield）为具体应当如何做提供了建议。
1704610069
1704610070
霍普菲尔德对当时人工智能的主流形式是什么并不感兴趣。他说：“我从未深入研究过人工智能领域到底发生了什么。人工智能并不能解决现实世界里的问题。我认为没必要去了解它。”然而，多年以后，他一直苦苦追寻被他称作“需要用一生的时间去研究的问题”。由于对人类大脑十分感兴趣，他考虑的问题涵盖范围广泛，从灵长类神经解剖学到昆虫飞行的行为，再到大鼠海马的学习乃至阿兹海默症的治疗。有一段时间，霍普菲尔德对细胞自动机和自我复制的机器人的前景十分着迷。然而，几个月的研究最终还是走进了一条死胡同。
1704610071
1704610072
霍普菲尔德说：“放弃一个错误的思想十分困难，毕竟我们已经研究一年了。”但是，在计算机内部创造一个生命模型的想法却一直都在。他对一个想法十分着迷，即用神经网络完成大脑能够迅速且轻松完成但计算机却不能完成的任务。霍普菲尔德最终选择了联想记忆，联想记忆是指大脑如何以交互的方式工作，也就是看见一个人就能联想起他的名字，或者听到他的名字就能想起他的长相。联想记忆背后的数学运算使霍普菲尔德想到“自旋系统”的数学运算，该运算描述的是固体磁性的复杂形式。他的脑海中突然产生了一个想法。霍普菲尔德回忆道：“神经生物学和我所了解的物理系统之间突然产生了一种联系。一个月之后，我已经开始写论文了。”
1704610073
1704610074
1982年这篇论文发表后，一种全新的神经网络产生了。霍普菲尔德网络比罗森布拉特的感知器中的单层模拟神经元复杂得多。他的思想再次激发了人们对神经网络的热情，这也使他成为这一过程中出人意料的英雄。加州理工学院的一组追随者开始以“霍普集会”（Hop-Fest）的名义召开会议。霍普菲尔德的发现吸引了一些世界上最伟大的理论物理学家参与到神经网络的研究当中。该领域的研究人员多年来头一次感觉到热血沸腾。
1704610075
1704610076
然而，事情并没有我们想象得那么容易。正如我们在第一章中看到的，20世纪80年代早期是“专家系统”的天下，资金也是空前的充裕。尽管后来这些“专家系统”的发展将遭遇困境，但在当时却是十分强大，人们根本不认为它们会失败。世界领先的神经网络专家特里·谢伊诺斯基（Terry Sejnowski）当时正在普林斯顿大学读霍普菲尔德的博士，他回忆道：“我们当时好像是生活在恐龙时代的只有毛皮的哺乳动物，在这些长着麟甲的巨兽的脚下混日子，他们有数百万美元的机器和庞大的预算。那时，所有人都专注于计算逻辑，但是我们明白，他们忽视了推动人工智能向前发展所面临的真正困难。”
1704610077
1704610078
幸运的是，神经网络吸引了许多年轻且富有热情的研究人员，其中就包括圣地亚哥加州大学的认知科学家戴维·鲁梅尔哈特（David Rumelhart）和詹姆斯·麦克兰德（James McClelland），他们成立了一个“并行分布处理”小组，并产生了令人难以置信的影响力。
1704610079
1704610080
说到这里就不得不提到另外一个人，他就是杰夫·辛顿（Geoff Hinton）。
1704610081
1704610082
1704610083
1704610084
[
上一页 ]
[ :1.704610035e+09 ]
[
下一页 ]