人工智能的基石

谷振峰

摘要：2017年5月27日，AlphaGo與中國九段棋手柯潔人機(jī)大戰(zhàn)落下帷幕。AlphaGo在關(guān)于人類頂尖棋手的博弈中，取得了壓倒性的優(yōu)勢，隨著柯潔中盤投子認(rèn)負(fù)，AlphaGo標(biāo)志著人工智能最終勝利。AlphaGo被中國圍棋協(xié)會(huì)授予圍棋九段稱號(hào)，團(tuán)隊(duì)首席Dave Silver作為代表接受了證書。又是那么一場圍棋的人機(jī)大戰(zhàn)再一次喚醒了人類猶如身在恐怖片中的恐懼，一些“不明覺厲”的吃瓜群眾除了在感嘆科技偉大之外，也曾一度被陷入AlphaGo支配的恐怖之中，再度喚醒了心中的“人工智能威脅論”。本文淺談神經(jīng)網(wǎng)絡(luò)作為人工智能核心的發(fā)展。

關(guān)鍵詞：人工智能；神經(jīng)網(wǎng)絡(luò)；深度學(xué)習(xí)；神經(jīng)元

中圖分類號(hào)：TP273 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）08-0220-02

1 傳統(tǒng)人工智能的研究思路

人工智能研究思路基本分為兩種，一種自上而下，其代表的“專家系統(tǒng)”，就是用大批的假設(shè)If-Then的規(guī)則定義的。人腦的功能區(qū)域的劃分利用了自上而下的研究方法。而另一種自下而上就是人工神經(jīng)網(wǎng)絡(luò)（Artifical Neural Network簡寫ANNs），這種方法提供了人工神經(jīng)網(wǎng)絡(luò)的層次，并且這種層次能夠單個(gè)處理問題，或稱其為模式。

然而自圖靈提出“機(jī)器與智能”一來，兩派觀點(diǎn)就一直存在，這一直是人工智能領(lǐng)域中永不磨滅的話題，彼此爭論不休。一派看點(diǎn)問題自上向下，認(rèn)為實(shí)現(xiàn)人工智能必須要用邏輯和符號(hào)系統(tǒng)。另一派自下而上，這派認(rèn)為通過模仿創(chuàng)造大腦可以達(dá)到人工智能，也就是說，如果一臺(tái)計(jì)算機(jī)能夠模擬出大腦中的生物神經(jīng)網(wǎng)絡(luò)，那么這臺(tái)機(jī)器就是有智能的了。用庸俗的哲學(xué)詞來說，就是前者觀點(diǎn)唯心，后者唯物。如圖1所示。

2 神經(jīng)網(wǎng)絡(luò)與生物神經(jīng)網(wǎng)絡(luò)

其實(shí)神經(jīng)網(wǎng)絡(luò)作為人工智能的基石般的存在，在廣義的神經(jīng)網(wǎng)絡(luò)可以指兩種，一種是生物神經(jīng)網(wǎng)絡(luò)，一般指的是生物的細(xì)胞，觸電，大腦神經(jīng)元等等所組成的網(wǎng)絡(luò)，其作用是產(chǎn)生生物意識(shí)，進(jìn)行行動(dòng)與思考。另一個(gè)就是這種人工神經(jīng)網(wǎng)絡(luò)，也簡稱為神經(jīng)網(wǎng)絡(luò)（NNs）或連接模型（Connection Model），這是一種以模仿動(dòng)物生物神經(jīng)網(wǎng)絡(luò)行為的特征，是一種算法數(shù)據(jù)模型，進(jìn)行分布式并行信息處理。神經(jīng)網(wǎng)絡(luò)特別依賴系統(tǒng)的復(fù)雜性，必須經(jīng)過自身調(diào)整內(nèi)部大量節(jié)點(diǎn)之間的互相關(guān)系與彼此關(guān)聯(lián)，從而達(dá)成信息處理的目的。如圖2所示。

人類智能在宏觀上有心理學(xué)，微觀上有分子生物學(xué)等學(xué)科研究。沒有任何學(xué)科能告訴清楚的我們：智能是如何產(chǎn)生的，智能的意義。即使科技發(fā)展到現(xiàn)在，我們已經(jīng)比較清楚了解大腦了，但人類智能仍然是個(gè)黑盒子。

最初目的計(jì)算機(jī)的產(chǎn)生就是代替?zhèn)鹘y(tǒng)人工來計(jì)算繁雜、龐大的數(shù)據(jù)，在計(jì)算方面讓人類望塵莫及的速度優(yōu)勢。然而對于三歲小孩能夠瞬間分辨小貓小狗、爸爸媽媽、花鳥魚蟲，計(jì)算機(jī)卻不能。

3 深度學(xué)習(xí)的骨骼

隨著神經(jīng)網(wǎng)絡(luò)的誕生讓幾乎停滯不前的分類識(shí)別領(lǐng)域有了重大突破。神經(jīng)元，神經(jīng)網(wǎng)絡(luò)的基本組成部分，其實(shí)在神經(jīng)網(wǎng)絡(luò)也沒有正式的嚴(yán)格定義，基本特點(diǎn)就是受到了人腦神經(jīng)元的工作原理啟發(fā)，試圖模仿大腦神經(jīng)元的傳遞功能和處理信息的模式。通常一個(gè)計(jì)算模型需要大量彼此鏈接的神經(jīng)元，并且每個(gè)神經(jīng)元通過激勵(lì)函數(shù)（輸出函數(shù)），通過來自其他相鄰神經(jīng)元的加權(quán)值來計(jì)算處理。加權(quán)值，算法會(huì)不斷通過自我學(xué)習(xí)調(diào)整大小，其實(shí)就是神經(jīng)元之間信息，其實(shí)加權(quán)值換而言之就是神經(jīng)元之間信息傳遞的強(qiáng)度。

訓(xùn)練出一個(gè)符合預(yù)期或者超出預(yù)期的神經(jīng)網(wǎng)絡(luò)模型，還需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，在次基礎(chǔ)上還需要成本函數(shù)、學(xué)習(xí)的算法。

所謂成本函數(shù)就是對特定輸入值，對計(jì)算出來的輸出結(jié)果進(jìn)行對比，和函數(shù)估計(jì)的正確值差距。學(xué)習(xí)的算法就是根據(jù)成本函數(shù)的結(jié)果，進(jìn)行自學(xué)和糾錯(cuò)，以最快的方式找到神經(jīng)元之間最優(yōu)化的加權(quán)值。

簡而言之，神經(jīng)網(wǎng)絡(luò)算法的核心就是計(jì)算、連接、評估、糾錯(cuò)、瘋狂培訓(xùn)。隨著神經(jīng)網(wǎng)絡(luò)研究的不斷更替、變遷，其計(jì)算特點(diǎn)和傳統(tǒng)的生物神經(jīng)元的連接模型漸漸脫鉤。但是它保留的精髓是：非線性、分布式、并行計(jì)算、自適應(yīng)、自組織。

人工智能研究者習(xí)以為常的喜歡用“神經(jīng)元”一類的名詞用來給人們一種科研成果轉(zhuǎn)換的錯(cuò)覺，幾乎沒有人工智能研究者真正做過人腦或者認(rèn)知科學(xué)的相關(guān)研究，甚至有些所謂的“專家”，幾乎對人腦的意識(shí)是怎樣的工作完全不敢興趣，也從來沒有深入的研究過。神經(jīng)為網(wǎng)絡(luò)的神經(jīng)元只是借用了生物學(xué)的名詞，實(shí)際和人腦沒有什么直接關(guān)系，而人工神經(jīng)網(wǎng)絡(luò)有時(shí)被用來理解大腦機(jī)制，但是總體來說，并不是被設(shè)計(jì)來模擬生物機(jī)制。如圖3所示。

現(xiàn)如今，神經(jīng)網(wǎng)絡(luò)被認(rèn)為是深度學(xué)習(xí)研究人員的重要靈感來源之一，但它不再是這一領(lǐng)域的決定性指導(dǎo)方針。神經(jīng)網(wǎng)絡(luò)在深度學(xué)習(xí)領(lǐng)域失去影響力的主要原因是我們沒有關(guān)于大腦的足夠信息。神經(jīng)網(wǎng)絡(luò)給我們一個(gè)理由來希望單一的深度學(xué)習(xí)算法可以解決許多不同的任務(wù)?，F(xiàn)在深度學(xué)習(xí)從很多領(lǐng)域汲取靈感，特別是應(yīng)用數(shù)據(jù)的基礎(chǔ)如線性代數(shù)、概率、信息論和數(shù)值優(yōu)化。當(dāng)一些深度學(xué)習(xí)研究人員把神經(jīng)網(wǎng)絡(luò)作為一個(gè)重要的靈感來源。

4 結(jié)語

無論在圖像，自然語言甚至情感計(jì)算，深度學(xué)習(xí)使得機(jī)器學(xué)習(xí)乃至人工智能整個(gè)領(lǐng)域呈現(xiàn)了更多的實(shí)際應(yīng)用。伴隨著深度學(xué)習(xí)的發(fā)展，使得事情都可以在機(jī)器的且協(xié)助成為可能。人工智能甚至可能一直發(fā)展達(dá)到滿足我們一直有以來對科學(xué)幻想的狀態(tài)。

參考文獻(xiàn)

[1]VGG-Face：Deep Face Recognition[R].British Machine Vision Conference.Visual Geometry Group Department of Engineering ScienceUniversity of Oxford，2015：2-3.

[2]朱大奇.人工神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀及其展望[N].江南大學(xué)學(xué)報(bào)，2004：103-108.

[3]翟振明，彭曉蕓.“強(qiáng)人工智能”將如何改變世界——人工智能的技術(shù)飛躍與應(yīng)用倫理前瞻[J].人民論壇·學(xué)術(shù)前沿.2016，（07）：14-17.

[4]Woolf， Beverly Park，Lane， H Chad，Chaudhri， Vinay K，Kolodner， Janet L.AI Grand Challenges for Education[J].AI Magazine.2013，（4）：3-6.

[5]祝葉華.人工智能革命“助燃劑”：機(jī)器學(xué)習(xí)[J].科技導(dǎo)報(bào)，2016，（07）：16-19.endprint