來(lái)源： 中國安防展覽網(wǎng)

????? 2005年，深度學(xué)習技術(shù)開(kāi)始從腦科學(xué)的發(fā)展中汲取營(yíng)養，通過(guò)模擬神經(jīng)元來(lái)逐漸學(xué)習如何識別圖像、理解語(yǔ)言，甚至作出自己的決定。該技術(shù)主要基于人工神經(jīng)網(wǎng)絡(luò )和一般的數學(xué)原理，從實(shí)例中學(xué)習如何識別圖像和翻譯語(yǔ)言。深度學(xué)習技術(shù)使人們恢復了對人工智能的憧憬。2012年，谷歌開(kāi)發(fā)出智能個(gè)人助理GoogleNow，用自然語(yǔ)言來(lái)回答用戶(hù)問(wèn)題，提供建議，并根據用戶(hù)以往的搜索習慣預測其可能需要的信息。此后，谷歌又推出圖片搜索引擎GooglePhotos。智能手機助理軟件更是一日千里，成為人們不可或缺的生活工具。谷歌AlphaGo戰勝?lài)屙敿飧呤掷钍朗南⒏浅蔀檗Z動(dòng)世界的頭條新聞。技術(shù)進(jìn)步推動(dòng)深度學(xué)習技術(shù)迅速商業(yè)化，并成為人工智能發(fā)展的重要推手。為了搶占先機，各大信息巨頭紛紛砸數十億美元巨資支持其發(fā)展。?
????? 多年來(lái)，人工智能進(jìn)展緩慢，主要是由于人類(lèi)是以自己能夠理解的方式，而不是機器所能理解的方式來(lái)認識世界，處理問(wèn)題，因此，對人類(lèi)來(lái)說(shuō)容易的事，對機器來(lái)說(shuō)則千難萬(wàn)難。而深度學(xué)習最有潛力之處，就是讓機器自己學(xué)習，通過(guò)自主學(xué)習教會(huì )自己如何做出正確的決定。然而，讓機器對特定情境做出正確決定并非一件輕而易舉的事。人類(lèi)之所以比較容易做出正確的決定，是因為一些相關(guān)知識早已儲存在大腦中，事到臨頭可以直覺(jué)的方式瞬間作出反應，并可在今后的實(shí)踐中不斷積累經(jīng)驗。因此，機器學(xué)習的一個(gè)重要方面是為其編碼學(xué)習算法，讓機器從分析比較大量實(shí)例中學(xué)習提高。?
????? 編碼學(xué)習算法面臨的另一個(gè)挑戰，是沒(méi)有一個(gè)放之四海而皆準的固定模式可以處理機器所面對的各種情境。而人類(lèi)則不然，人類(lèi)似乎天生就可以處理各種情境、學(xué)習各種知識。因此，人類(lèi)大腦自然就成為設計人工神經(jīng)網(wǎng)絡(luò )最重要的模型。?
????? 人類(lèi)大腦通過(guò)神經(jīng)元來(lái)進(jìn)行計算，每個(gè)神經(jīng)元通過(guò)突觸傳遞信號。神經(jīng)元在學(xué)習過(guò)程中可以加強突觸的強度，并向臨近的神經(jīng)元傳遞信息。因此，早期深度學(xué)習技術(shù)也從構建虛擬神經(jīng)元來(lái)形成人工神經(jīng)網(wǎng)絡(luò )，并通過(guò)增強連接神經(jīng)元間的突觸優(yōu)勢來(lái)實(shí)現機器學(xué)習?，F在的人工神經(jīng)網(wǎng)絡(luò )用不斷改變每個(gè)突觸連接的數值來(lái)表示該連接強度。雖然每次學(xué)習其數值改變很小，但已可以使人工神經(jīng)網(wǎng)絡(luò )提高預測的準確性。?
????? 為了取得最佳效果，目前的學(xué)習算法還需要人類(lèi)的參與，稱(chēng)之為監督學(xué)習。如通過(guò)為機器提供日落的圖片來(lái)作為輸入，這樣“日落”一詞經(jīng)過(guò)人工智能才能輸出。每次提供不同的日落圖片，不斷改變人工神經(jīng)網(wǎng)絡(luò )突觸連接的數值和強度，以此來(lái)完成學(xué)習任務(wù)。這一學(xué)習過(guò)程的關(guān)鍵是不讓機器單純地死記硬背，而是遇到新的日落圖片時(shí)，同樣可以產(chǎn)生有關(guān)日落的輸出。雖然這一任務(wù)表面上看很簡(jiǎn)單，但由于即便是日落這一簡(jiǎn)單的情境，其圖片也會(huì )產(chǎn)生無(wú)窮的變化，因此要求學(xué)習算法在類(lèi)似的輸入下，會(huì )產(chǎn)生類(lèi)似的輸出，尤其不能出現指鹿為馬的情況。?
????? 有一種處理圖像識別問(wèn)題的神經(jīng)網(wǎng)絡(luò )稱(chēng)之為卷積神經(jīng)網(wǎng)絡(luò )，是人工智能的關(guān)鍵技術(shù)，其有多層神經(jīng)元，對圖像中重要內容的些微變化不敏感。卷積神經(jīng)網(wǎng)絡(luò )在深度學(xué)習中獲得了較為廣泛的應用，其靈感主要來(lái)自人類(lèi)視覺(jué)皮層的多層結構。?
????? 此外，深度學(xué)習在近年來(lái)能夠取得成功得益于兩個(gè)關(guān)鍵因素：一是計算機運算速度提高了近十倍，尤其是圖形處理能力大幅提高；二是深度學(xué)習可順序計算的能力，能對圖像、聲音或數據一步一步地進(jìn)行分析或構造。而對聲音和圖像進(jìn)行識別需要多層網(wǎng)絡(luò )結構。?
????? 人工神經(jīng)網(wǎng)絡(luò )在圖像識別上主要表現為對靜態(tài)圖像的識別能力。目前又出現了一種新型神經(jīng)網(wǎng)絡(luò )，稱(chēng)之為回歸神經(jīng)網(wǎng)絡(luò )，可對隨時(shí)間展開(kāi)的事件進(jìn)行標記?；貧w神經(jīng)網(wǎng)絡(luò )與人類(lèi)大腦的處理方式有很多相似之處，它可以預測一個(gè)句子將出現什么單詞，并在閱讀句子后，對其意思進(jìn)行猜測，今后可應用于語(yǔ)義加工和語(yǔ)言翻譯。?
????? 人工智能技術(shù)走過(guò)了寒冬，迎來(lái)了發(fā)展的春天，這不僅僅是技術(shù)的進(jìn)步，還對我們今后應如何支持科學(xué)技術(shù)的發(fā)展有著(zhù)更為深刻的意義。當某項技術(shù)的發(fā)展遇到暫時(shí)挫折，我們該如何更好地應對挑戰，堅持多樣化發(fā)展策略，有效幫助其走出困境，這對整個(gè)科技發(fā)展都有重要的啟示作用。