人工智慧的原型：用計算機模擬人類大腦

撰文 小熊

出品 創克加科技

歡迎關注創克加科技公眾號

人工智慧歷史悠久，最早可以追溯到十三世紀的西班牙人拉曼魯爾和十七世紀的著名數學家萊布尼茨。不過普遍認為，這一輪人工智慧革命的最直接的源頭來自於加拿大多倫多大學的Geoffrey Hinton教授，他被稱為這一輪人工智慧的開創者。

Geoffrey Hinton教授

Geoffrey Hinton教授上中學的時候，一位老師告訴他，大腦是用全息的方式儲存外界信息的，這勾起了他對人類大腦研究的興趣，後來成為了他後來一生從事的事業。從大學起，他開始研究神經科學，上世紀80年代起就開始研究用計算機系統架構來模擬人類大腦，這也是深度學習的原型。從上世紀80年代初到今天，歷經30多年的時間，Hinton教授做了大量的研究，做出了大量的成果。

之前我們講解了深度學習，《麻省理工學院技術評論》雜誌將深度學習列為2013年十大突破性技術之首。大腦的工作過程是一個不斷迭代、不斷抽象概念化的過程。例如從原始信號攝入開始（瞳孔攝入像素），接著做初步處理（大腦皮層某些細胞發現邊緣和方向），然後抽象（大腦判定眼前物體的形狀，比如是圓形的），然後進一步抽象（大腦進一步判定該物體是一張人臉），最後進行識別。我們可以看出，大腦是一個深度架構，認知過程也是深度的。

視網膜接受信息後，通過低級的V1區提取邊緣特徵，再到更高級的分類判斷

而深度學習，恰恰就是通過組合低層特徵形成更加抽象的高層特徵。在計算機視覺領域，深度學習演算法從原始圖像去學習得到一個低層次表達，然後在此基礎上來得到高層次表達。深度學習可以模擬人腦進行分析學習，模仿人腦的機制來解釋數據。深度學習的主要優勢在於可以利用海量訓練數據（大數據），自動從大數據中學習特徵。

深度學習與傳統神經網路之間有相同的地方，採用了與神經網路相似的分層結構：系統是一個包括輸入層、隱層、輸出層的多層網路。這種分層結構，比較接近人類大腦的結構。

含有多個隱層的深度學習模型

2012年6月，Google啟動了Google Brain項目，用16000個CPU Core的並行計算平台去訓練含有10億個節點的深度神經網路，使其能夠自我訓練，對2萬個不同物體的1400萬張圖片進行辨識。項目負責人之一、大規模計算機系統頂尖專家Jeff Dean說：「我們在訓練的時候不會告訴機器：『這是一隻貓』。系統其實是自己發明或領悟了『貓』的概念。」

2014年3月，基於深度學習的方法，Facebook的DeepFace項目使得人臉識別技術的識別率已經達到了97.25%。該項目利用了9層的神經網路來獲得臉部特徵，神經網路處理的參數高達1.2億個。在2015年的ImageNet物體識別挑戰賽上，微軟亞洲研究院的深度學習方法更是破紀錄地利用了152層深度神經網路。2016年3月，Google旗下英國公司DeepMind開發的具有自我學習能力的AlphaGo計算機程序，在與世界頂尖棋手李世石的對決中以4:1取得完勝，成為人工智慧發展史上的一個里程碑事件。

深度學習能夠自動地從海量大數據中去學習特徵，極大地推進了智能自動化。因此深度學習有了一個別名：無監督特徵學習（Unsupervised Feature Learning）。因此，人工智慧的學習方法和傳統的IT很不一樣。傳統的IT很簡單，相當於買一台電腦拿回家使用就好。而現在人工智慧的原理不是傳統的IT原理，使用人工智慧相當於教孩子畫畫。過去教孩子畫畫，過去的孩子學畫畫，怎麼構圖，怎麼著色，都是規定很清楚的，照著學習就行了。但是現在不同了，我們不需要教孩子每一筆怎麼畫，只需要在孩子完成每一幅畫之後，告訴他畫得好還是不好。經過一段時間的成長，孩子就能成為世界級的大畫家。

這符合著名的科學哲學家托馬斯·庫恩的理論。在《科學革命的結構》一書中，庫恩介紹說，很多科學革命都具備叫做範式轉移的特點，也就是說對新思想的認知和老思想很不一樣。比如哥白尼提出的「日心說」，有力地打破了長期以來居於宗教統治地位的「地心說」，實現了天文學的根本變革。人工智慧也是一樣，過去人們對於人工智慧的理解就是模仿式的，永遠做不到人類一樣好。而新的人工智慧是培養式的，從教機器做事變成機器做事，我們找專家來進行評判。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！