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大戰落下帷幕。AlphaGo在關于人類頂尖棋手的博弈中，取得了壓倒性的優勢，隨著柯潔中盤投子認負，AlphaGo標志著人工智能最終勝利。AlphaGo被中國圍棋協會授予圍棋九段稱號，團隊首席Dave Silver作為代表接受了證書。又是那么一場圍棋的人機大戰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”。本文淺談神經網絡作為人工智能核心的發展。

關鍵詞：人工智能；神經網絡；深度學習；神經元

中圖分類號：TP273 文獻標識碼：A 文章編號：1007-9416（2017）08-0220-02

1 傳統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”，就是用大批的假設If-Then的規則定義的。人腦的功能區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網絡（Artifical Neural Network簡寫ANNs），這種方法提供了人工神經網絡的層次，并且這種層次能夠單個處理問題，或稱其為模式。

然而自圖靈提出“機器與智能”一來，兩派觀點就一直存在，這一直是人工智能領域中永不磨滅的話題，彼此爭論不休。一派看點問題自上向下，認為實現人工智能必須要用邏輯和符號系統。另一派自下而上，這派認為通過模仿創造大腦可以達到人工智能，也就是說，如果一臺計算機能夠模擬出大腦中的生物神經網絡，那么這臺機器就是有智能的了。用庸俗的哲學詞來說，就是前者觀點唯心，后者唯物。如圖1所示。

2 神經網絡與生物神經網絡

其實神經網絡作為人工智能的基石般的存在，在廣義的神經網絡可以指兩種，一種是生物神經網絡，一般指的是生物的細胞，觸電，大腦神經元等等所組成的網絡，其作用是產生生物意識，進行行動與思考。另一個就是這種人工神經網絡，也簡稱為神經網絡（NNs）或連接模型（Connection Model），這是一種以模仿動物生物神經網絡行為的特征，是一種算法數據模型，進行分布式并行信息處理。神經網絡特別依賴系統的復雜性，必須經過自身調整內部大量節點之間的互相關系與彼此關聯，從而達成信息處理的目的。如圖2所示。

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

最初目的計算機的產生就是代替傳統人工來計算繁雜、龐大的數據，在計算方面讓人類望塵莫及的速度優勢。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，計算機卻不能。

3 深度學習的骨骼

隨著神經網絡的誕生讓幾乎停滯不前的分類識別領域有了重大突破。神經元，神經網絡的基本組成部分，其實在神經網絡也沒有正式的嚴格定義，基本特點就是受到了人腦神經元的工作原理啟發，試圖模仿大腦神經元的傳遞功能和處理信息的模式。通常一個計算模型需要大量彼此鏈接的神經元，并且每個神經元通過激勵函數（輸出函數），通過來自其他相鄰神經元的加權值來計算處理。加權值，算法會不斷通過自我學習調整大小，其實就是神經元之間信息，其實加權值換而言之就是神經元之間信息傳遞的強度。

訓練出一個符合預期或者超出預期的神經網絡模型，還需要大量的數據進行訓練，在次基礎上還需要成本函數、學習的算法。

所謂成本函數就是對特定輸入值，對計算出來的輸出結果進行對比，和函數估計的正確值差距。學習的算法就是根據成本函數的結果，進行自學和糾錯，以最快的方式找到神經元之間最優化的加權值。

簡而言之，神經網絡算法的核心就是計算、連接、評估、糾錯、瘋狂培訓。隨著神經網絡研究的不斷更替、變遷，其計算特點和傳統的生物神經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、并行計算、自適應、自組織。

人工智能研究者習以為常的喜歡用“神經元”一類的名詞用來給人們一種科研成果轉換的錯覺，幾乎沒有人工智能研究者真正做過人腦或者認知科學的相關研究，甚至有些所謂的“專家”，幾乎對人腦的意識是怎樣的工作完全不敢興趣，也從來沒有深入的研究過。神經為網絡的神經元只是借用了生物學的名詞，實際和人腦沒有什么直接關系，而人工神經網絡有時被用來理解大腦機制，但是總體來說，并不是被設計來模擬生物機制。如圖3所示。

現如今，神經網絡被認為是深度學習研究人員的重要靈感來源之一，但它不再是這一領域的決定性指導方針。神經網絡在深度學習領域失去影響力的主要原因是我們沒有關于大腦的足夠信息。神經網絡給我們一個理由來希望單一的深度學習算法可以解決許多不同的任務。現在深度學習從很多領域汲取靈感，特別是應用數據的基礎如線性代數、概率、信息論和數值優化。當一些深度學習研究人員把神經網絡作為一個重要的靈感來源。

4 結語

無論在圖像，自然語言甚至情感計算，深度學習使得機器學習乃至人工智能整個領域呈現了更多的實際應用。伴隨著深度學習的發展，使得事情都可以在機器的且協助成為可能。人工智能甚至可能一直發展達到滿足我們一直有以來對科學幻想的狀態。

參考文獻

[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.人工神經網絡研究現狀及其展望[N].江南大學學報，2004：103-108.

[3]翟振明，彭曉蕓.“強人工智能”將如何改變世界——人工智能的技術飛躍與應用倫理前瞻[J].人民論壇·學術前沿.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”：機器學習[J].科技導報，2016，（07）：16-19.endprint