AL123 人文社科会员免费专区文学 2024-12-16

十堂极简人工智能课_【英】彼得·J.本特利_AZW3_MOBI_EPUB_PDF_电子书（无页码）_【英】彼得·J.本特利

内容节选

效法生物脑的电脑答案来自大自然。在人工智能的最早期，沃伦·麦卡洛、沃尔特·皮茨、马文·明斯基和弗兰克·罗森布拉特等研究者就开始使用简单的计算机模拟，将神经元连接在一起。他们雄心勃勃，企图让它们能够像生物大脑那样学习。虽然最早的神经网络过于简单（正如明斯基那本臭名昭著的书所强调的那样，这些失败的努力导致人们对这种技术大失所望，如第一章所述），但研究者们一直在继续推进这种方法，把神经元模型做得更加复杂，并且开发出更好的方法来训练那些神经元。我们可以用建设性的、对人类有益的方式应用计算机视觉技术，这方面还有很多潜力可供挖掘。 ——李飞飞，计算机科学家（2017）人工神经网络是一种成熟且非常成功的人工智能类型。其原理是把生物大脑的工作方式高度简化，得到一种模型，由此在计算机中运行。生物体内的大部分复杂性都被去掉了——什么化合物、支持细胞、血液供应这类东西都没有建模，而且神经元之间并不互相放电。剩下的只是一种抽象的人工神经元概念，它的行为有点像数学函数。当给定一个或多个数字输入时，它将这些数字与它的当前状态结合，并使用被称为激活函数（通常是双曲正切）的数学函数产生输出。这些“神经元”连接成网络，一排排的输入神经元接收数据（例如，来自摄像头的图像）可能连接到一排又一排的“隐藏层”，最终连接到数量较少的输出神经元，提供一个整体结果——它也许是输入的分类，或控制机器人的信号。神经网络通过改变神经元之间连接的权重来进行学习，它会根据不同的输入，让一些连接变得更重要，而让另一些连接变得不那么重要。优化连接的权重和偏置（这是修改激活函数效果的另一种方式）让神经元在接收到给定“训练数据”时输出正确的答案，就完成了对神经网络的训练，这样它对新的、以前未见过的输入数据也能做出正确的表现。这样的网络被称为前馈式，因为每一层的神经元只与下一层相连，而不会反向连接。训练这种前馈式神经网络的常用方法被称为反向传播，即计算机从输出神经元开始，通过各层神经元反向逐层更新权重和偏置，最终让输出的误差降到最小。马文·明斯基（1927—2016）马文·明斯基被尊为人工智能之父，这是有原因的。他是达特茅斯人工智能研讨会的最初倡议者之一，他帮助创建并命名了这个领域，与约翰·麦卡锡共同创建了著名的麻省理工学院人工智能实验室。明斯基的职业生涯相当多产，他发明了共焦显微镜和第一个头戴式显示器。1951年，他建造了第一台神经网络学习机斯纳克（SNARC，随机神经模拟强化计算器），它由40个神经元组成。明斯基后来在这一领域继续耕耘，与西摩尔·派普特一起出版了《感知机》一书。这本书批判了罗森布拉特的工作，是人工神经网络分析的一个突破性进展。明斯基一生在人工智能领域取得了众多重大进展，其中包括心智社会理论，即认为我们的意识由多种多样的行为主体互相协作、共同组成。除了获得许多奖项外，他还在阿瑟·克拉克的小说《2001：太空漫游》中获得了永生；明斯基还曾为斯坦利·库布里克导演的同名电影担任顾问，影片中维克多·卡明斯基这个角色的名字就来自他。训练神经网络的最大问题之一是正确的数据。早期的研究工作试图仔细提取有意义的特征，因此研究者会通过其他算法从图像中提取边缘、几何形状和距离，然后把这些特征喂给神经网络。为视觉而设计的神经网络通常使用监督学习进行训练：如果我们希望有一个简单的分类器，在看到猫的图像时输出1，在看到狗的图像时输出0，那么我们会提供数百上千张猫狗图片，并调整神经网络（例如使用反向传播），直到它“看到”猫时正确输出1，“看到”狗时正确输出0。对于这种应用来说，使用监督学习是很重要的，因为我们要监督它的训练，确保它能准确地学到我们想要它学习的东西。然而，直到人们开始创建类似生物视觉皮层神经元的那种人工神经网络时，这些概念才真正开始起飞。事实证明，生物的眼睛以精巧的方式与大脑相连。视网膜上的感光细胞（人眼的视杆或视锥）并不直接连接到单个神经元上，而是会有一整片区域的神经元与每一个感光细胞相连接。相邻的神经元会连接到视网膜上相邻的又有所重叠的区域。然后这些神经元将它们的输出传给下一层神经元，新一层中的每个神经元又都与上一层中的同一组相邻神经元相连，以此类推。与传统的前馈式神经网络的全连接层相比，这是一种截然不同的神经网络布线方式。当人工神经网络以这种方式连接起来，并与大量的神经元层和大量的输入数据相结合时，其能力就会陡然提升。这种神经网络被称为卷积神经网络，这是一种常用于计算机视觉的深度学习网络（所谓“深度”，正是因为它有很多层神经元）。在过去，卷积神经网络庞大的规模导致其训练速度非常慢，而且它对输入数据非常饥渴。但在最近几年，这两个问题都得到了解决。大数据时代使得给这些神经网络喂数据变得容易得很——有数以百万计的几乎任何种类的图像例子，无论是汽车牌照、字母表里的字母，还是......