1700045612
无人驾驶：人工智能将从颠覆驾驶开始，全面重构人类生活 第九章 深度学习，无人驾驶的最后一块拼图
1700045613
1700045614
人类识别物体，是根据物体本身的特征，例如从标志性的特征认出某位朋友，或是根据某个颜色鲜艳的标签，让你一眼就从行李传送带上堆积如山的行李中认出自己的行李箱。现在软件也能根据物体显著的特性来学习识别某个物体。
1700045615
1700045616
人类有持久稳定的记忆，能够认出在不同情况下见过的物体或场景，深度学习最终也能赋予机器这种神奇的能力。哪怕数码照片在机器不熟悉的环境和不同层次的灯光下拍摄的照片，深度学习也能识别照片中的物体。事实上，深度学习软件通过不同的应用，已经达到与人类水平相当的识别能力。我们也许不久将会看到莫拉维克悖论解决方案的诞生，因为机器人专家和计算机科学家已经找到新的方式，把深度学习应用到机器人感知与响应领域。
1700045617
1700045618
2012年以来，深度学习发展日渐成熟，现在已经能够应用到多个领域。在无人驾驶汽车方面，深度学习能够为车辆提供视觉能力，并提升语言识别软件的语言理解能力。2016年，深度学习软件在一次备受瞩目的活动中显示了其多才多艺——该活动就是谷歌公司的AlphaGo围棋项目——人工智能软件击败了世界上最顶尖的棋手——要知道围棋可是被公认的比国际象棋比赛更有挑战性。为了鼓励第三方开发商使用其软件工具来开发智能应用程序，谷歌、微软和Facebook分别推出了各自的开源深度学习发展平台。
1700045619
1700045620
与其他深度学习软件类型一样，深度学习软件需要极高的计算能力和大量的训练数据。以高速计算机和传感器为代表的使能技术发展成熟，并不是推动深度学习软件得到普及的唯一因素。政府因素，也是促使深度学习高速发展的巨大动力。
1700045621
1700045622
数十年来人工神经网络的发展步伐缓慢——但这项技术决定着深度学习软件的基础——因此一系列的意识形态都在高校计算机系的研究中停滞不前。自从1950年作为一项正式的研究领域出现以来，人工智能领域就是一项意识形态的战争。由于没有人真正明白大脑是怎么工作的，几个世纪以来，哲学家围绕人类思想的未解之谜展开了激烈的学术斗争。大脑和心智之间的不同在哪里？智能是什么？知识又是什么？现代学术界致力于研发人造大脑的科学家，发现自己和历史上的哲学家一样无法解答上述难题。
1700045623
1700045624
在人类知识的正式研究过程中，研究学者总是会倾向于与某种思想流派，并常常为了捍卫该流派而穷尽毕生之力。虽然有别于思想流派之间争论，但人工知识的研究实际上也遵循着这种规律。对于高校学术界以外的人来说，关于众多不同人工智能方法孰优孰劣的学术辩论就像是一场计算机抽象化理论的斗争。然而对于这些学术研究学者而言，这些辩论一点儿也不抽象，实质上这是关于稀缺资源的战争。
1700045625
1700045626
年轻的人工智能研究员往往进步神速，他们所认同的思想观点决定了他们职业生涯的发展轨迹。教授和研究人员判断一项人工智能研究方式是否合理，是看其能否比其他方法更“严谨缜密”。果然，人们认为有推广价值的唯一研究方法就在于人工智能研究方法的严谨性。这就好比，一个毕业生的作品是否被公开发表，决定了他能否受聘于一所名校。聘用后，他发表学术论文的数量，决定了能否获得联邦政府的研究资金继续研究人这项技术，而获得政府资助的研究项目是他获得终身教职的有利条件。
1700045627
1700045628
在过去的几十年中，神经网络研究屡次受到各个大学计算机系研究工作的重视，却又屡次被否定。致力人工智能研究的学者发现自己很可能要面临极具风险的研究生涯——曾有某个时期神经网络研究被认为是没有价值的，政府机构停止对该研究项目的资助。人们把这一段艰难的岁月称为“人工智能冬天”，神经网络研究人员也将面临艰难的再次职业选择——要么他们顶着艰苦的研究环境迎难而上，要么他们转变研究方向，选择那些国家财政有保障、专业领域获奖有把握的人工智能研究项目。
1700045629
1700045631
神经网络
1700045632
1700045633
在前几章中，我们探讨了人工智能软件之前发展中的局限性，软件通过把整个世界拆分成一系列“如果-则”子句集的逻辑函数表达，来尝试获取自动感知。而神经网络的研究采取了另一种方式。不同于逻辑驱动软件，神经网络以人和动物的神经系统为模板。虽然我们不能确切知道大脑如何工作，但我们知道大脑是由几十亿的神经元细胞所构成的。神经元是神经系统的组成单位，同时在分布在脊髓和全身。
1700045634
1700045635
神经元细胞传递信号是一个电化学反应的过程。一个神经元细胞包含一个细胞体，负责接收信号，信号从其他神经元发出后要经过许多细小的树突（Dendrites）。当神经元细胞体接收到另一个神经元传过来的信号，信号会沿着一根长长的附属线路，类似蒲公英根茎的形状，它叫轴突（Axon）。神经轴突把一个信号传输给另一个。与其他细胞之间的连接点就叫作突触（Synaptic）。当神经元细胞释放电信号的时候，所释放到突触里的化学物质就叫作神经递质（Neurotransmitters）。
1700045636
1700045637
在大脑里，当神经元受到刺激时会“放电”，传递信号给别的细胞。视网膜神经元受到光线的刺激，它的电位会发生变化，释放出电能沿着轴突传输，把信号传递给突触，使其释放神经递质。其他的神经元接收到释放的神经递质，依次传递给其他的神经元，再依次往下传递。最后，经过一系列的激活，信号被传送到了位于大脑最高执行层的神经元，即前额皮层（Prefrontal Cortex）。就在这长长的一串神经元相互作用下，奇迹发生了，我们的意识告诉我们说，“看，这是我朋友！”或“小心，这是一只熊！”。
1700045638
1700045639
在这么一个没人能完全看见的过程里，我们大脑中的神经元学会了识别并对某一种特定刺激产生电位变化，至于其他不相干的刺激则没有反应。神经元之间的连接经过长时间的收到刺激或忽略刺激，会改变其连接性，即要么连接加强了，或者连接削弱了，我们把这个过程称为突触可塑性（Synaptic Plasticity）。一些大脑科学研究专家认为，如果大脑体验的是积极的过程，内啡肽（Endorphin）会加强活化神经元之间的连接。然而负面的体验将会抑制或削弱这些连接。突触可塑性的概念在人工智能神经网络的研究中扮演着关键的角色，而且是整个深度学习的核心。
1700045640
1700045641
对于神经元细胞来说，最重要的问题是“我是否应该放电”。当神经元没有传递信号的时候，它处于休息的状态。当神经元周围的网络开始传输信号时，神经元可能在放电，也可能没有。神经元是否放电取决于所接受的信号累积强度能否达到阈值。如果信号强度没有达到阈值，细胞不会放电，一点儿也不会。
1700045642
1700045643
这一幅简单的神经网络工作流程图，就是生理上真实的神经元细胞工作的过程的简化版。然而，对于人工智能研究的目的，它提供了基础。现在让我们一起去看看人工神经元网络在计算机版本里所扮演的角色。
1700045644
1700045645
人工神经网络的研究没有被公认的确切开始日期，但20世纪40年代是该项研究的一个良好开端。1943年，两位电子工程师，沃伦·麦卡洛克（Warren McCulloch）和沃尔特·皮茨（Walter Pitts），发表了一篇关于为首个人造神经元细胞构建数学模型的论文，该模型被称为阈值逻辑单元（Threshold Logic Unit）。这个被他们描述为“大脑里的神经网”简易模型，随即成为好几种人造神经网络的基础。
1700045646
1700045647
1949年，心理学家唐纳德·赫布（Donald Hebb）提出在神经元连接基础上加入神经元学习性的生理模型——赫布突触学习理论（Hebb’s Synaptic Learning Rule）。赫布假定当神经元之间的激活连接被正向强化时（放大），大脑开启学习功能；同时，神经元连接被负向强化削弱的时候（缩小），大脑也在学习。赫布把大脑运行规律的新理论阐述在他的著作《行为的组织》（The Organization of Behavior）里。
1700045648
1700045649
提起赫布理论，人们通常指的是“共同激活的神经元成为联合”的说法。赫布这一对于神经元的简单推测随后被称为“赫布型学习（Hebbian learning）”。人们把赫布型学习理论应用到人工神经网络中，使计算机进行学习能力培养的科学也由此诞生。
1700045650
1700045651
今天在人工神经元网络研究的领域包含了好几种不同的方法，但这些方法都有着一些得到普遍认同的核心概念。观点一：神经元彼此连接，组成一个去中心化的神经网络。观点二：当个体神经元细胞之间的兴奋加强或减弱时，大脑开启学习。观点三：只有达到一定的阈值，神经元才能放电或实现实现信息的传递。在人工神经元网络的研究中，根据神经网络种类不同，设计需求也不同，这些公认的核心概念在应用时也有不同的呈现方式和细微的差别。
1700045652
1700045654
感知器
1700045655
1700045656
世界上首批人工神经网络出现在1957年，由当时纽约康奈尔大学伊萨卡学院心理学系的教授弗兰克·罗森布拉特（Frank Rosenblatt）提出。罗森布拉特把他制造的模型命名为“马克1号”。尽管制作的技术并不先进，使用了木质框架、成捆的电线、若干灯泡等，但是最终罗森布拉特制作出非常成功的感知器，“马克1号”就是现代深度学习神经网络的鼻祖。
1700045657
1700045658
感知器的出色之处在于其简洁性。按理推测，感知器可能是机器学习与模式识别最简单的实现方式。通过微调八个人工神经元细胞之间的连接强弱，感知器能识别这些简单的模式。
1700045659
1700045660
罗森布拉特感知器的另一个特征在当时非常罕见，它使用的不是属于程序员难以改动的硬编码。相反地，这台机器运用了类似人类从经历中学习，能够灵活识别模式。这种方法在当时独树一帜，当时的人工智能技术里占绝对主流的可是模板匹配（template matching）与逻辑规则（logic rules）。
[
上一页 ]
[ :1.700045611e+09 ]
[
下一页 ]