未來人工智能自主學習網絡的構建

文/歐陽毓珩

人工智能可以說是現代科技革命的中非常重要的一部分，也是現代產業革命的必須要重視的地方，因為人工智能在提高生產效率、方便人們生活等諸多方面有著非常重要的作用，所以，國家必須要重視人工智能技術的發展和應用。雖然，人工智能技術的發展時間較長，但在構建自主學習網絡方面還存在著許多的問題，在未來自主學習網絡人工智能化的過程中必須要樹立信心，要有足夠的勇氣和決心，才能推動自主學習網絡的進一步提高和發展。

1 傳統人工智能深度學習方式的困局

1957年，弗蘭克羅森布拉特提出了感知器理論，這是最早運用計算機技術模仿人類神經網絡的理論。雖然只是運用一些基本的組件進行搭建，但無疑是人類邁向人工智能化的一個好的開始。弗蘭克的感知器理論所搭建的神經網絡的神經元層次比較的少，只包括兩個層次的神經元，即輸出層、輸入層，不能有效的增加神經層，缺乏實際有效的神經網絡訓練方法，早期的人工智能很難在解決實際問題時發揮有效的作用。神經網絡教父杰弗里欣頓通過將bp 的誤差反向算法與最優化方法結合在一起用來訓練人工智能，雖然，這樣做解決了神經網絡訓練的問題，但是bp 算法也是有非常多局限性的，它的學習速度不快，甚至說是比較緩慢的，而且學習過程中神經網絡狀態也不是很穩定，容錯率也不高。在bp 的基礎上的徑向基網絡就出現了，與以前的搭建的神經網絡相比，徑向基網絡的神經元層次比bp 的更多。徑向基網絡具有局部映射的特性，所以，神經元與神經元之間基本上相互獨立，神經元的職能性也更強。但是徑向基網絡的缺陷在于只能去執行計算機網絡的命令，并不能對命令進行解釋，因而它在只是個計算機網絡命令的執行者。強化學習和深度學習需要消耗大量的數據，深度學習主要依靠的是搜索、價值網絡、策略網絡三者相結合的計算機網絡組合形式，高頻率的計算次數，龐大的數據量使強化學習能夠被有效的實現出來。

2 未來人工智能神經網絡的構建方向

我們應如何實現自主學習智能化呢？如何讓機器代替人工完成自主學習這件事情呢？人工智能的發展好像百煉成鋼，經過數十年的不斷發展，我們擁有了今天的成績。人工智能自主學習網絡的搭建過程中的強化學習、深度學習就像是從鐵礦石中提取高純度的鐵，再通過高溫淬煉成鋼，想要獲得高精度的鋼必須要大量的鐵礦石，這些大量的鐵礦石就是深度學習和強化學習過程中需要的大量數據。深度學習和強化學習是基于對大量的數據進行分析的基礎上總結出的經驗，它可以高效率的進行工作，但是它的創新能力不夠強。就目前的深度學習發展狀況來說，人工智能智能做到對人腦神經網絡淺層次的行為進行模仿，還需要未來堅持不懈的向人腦的更深一層次進行發展。不過，現在在自主學習人工智能化方面，在圖像處理、人工語音等方面的深度學習更加具有先進性，甚至這些領域已經在世界人工智能科技方面占據了一席之地。

這些技術領域的進步跟我們所知道的人工智能自主學習網絡不太相符合，杰弗里欣頓最新的研究理論表明（Capsule 理論，英文是容器的意思，也稱它為膠囊），這個理論比早期的人工智能化神經網絡的理論更為成熟，這一理論的出現更是推翻了杰弗里欣頓教授自己過去三十年的研究成果，給與了人工智能更多發展的可能性，他表示Capsule 是其活動向量所表示的是特定實體類型的實例化參數的一組神經元，用這樣神經元組建的網絡系統（即rcn，遞歸皮質網絡），可以說它是當前最先進的手寫識別性能，在識別高度重疊的數字方面，該網絡要比現在最先進的cnn 技術效果要好的多。rcn 在小樣本識別、單樣本識別等多個任務中，取得的成果非常的喜人，它實現進一步的與系統神經學科理論相結合，rcn 把利用系統神經科中的視皮層中側連接理論將物體轉化成了邊緣和面的組合，從理論上說，這進

一步取得了組成模型方面的進步。除此之外，rcn 能夠實現中低層語義與高層語義的有效對接，將圖形化的中低層語義單元通過側向連接的方式傳遞給高層的語義，從而實現物體邊緣輪廓間的語義共享，從而進一步提高了算法的效率，這樣就解決了神經網絡只能執行命令而不能解釋命令的問題，進一步發展了人工智能自主學習深度化學習和強化學習，也增加了人工智能深度學習創新的可能性。Capsule 理論與rcn 的有機結合，不但可以為未來人工智能化發展提供更多的可能性，它將更進一步的對人類大腦的認知能力進行更進一步的模仿，更具有人的意識，而不只是大量數據基礎上的經驗總結。未來人工智能自主學習網絡的構建應該遵循第一性原理，要立足于人類大腦思維活動的基礎上，讓自主學習網絡未來發展的更加的智能化、人性化，從而實現人工智能的自主學習網絡應用。

3 結束語

綜上所述，人工智能化自主學習網絡的構建還需要走很長的一段路，雖然人工智能化技術已經取得了突破性的進展，但在自主學習網絡構建方面還有一定欠缺，需要加強對這方面的經濟投入、政策支持、人才培養，這樣才能在未來人工智能化發展的大潮中占據一席之地。