西安电子科技大学模式识别与智能系统硕士

前不久，据华尔街日报宣布， Uber在一宗无人车的测试过程中，造成了一名行人去世亡的严重交通事件，除此之外，环顾我们身边，苹果手机的虚拟个人助理Siri有时会无法识别我们在说什么；某些人脸识别支付运用也存在着一些安全问题。
这些事宜反响出来的一个情形是，目前的AI彷佛并没有足够的智能，乃至并无法很好地处理从外界获取的信息。

人脑中的神经网络是一个非常繁芜的组织，成人的大脑中约有1000亿个神经元，人类至今仍在探索人脑的事情事理。
而人们通过对生物神经元的研究和理解，构建了一个仿照人脑的打算模型：人工神经网络！

图/https://image.so.com/

那么，人工神经网络是什么？人类通过布局神经网络，能否给AI赋能，使之自我进化？

什么是神经网络？

大略来说，神经网络是一种仿照人脑的打算架构；利用神经网络进行机器学习，则让打算机不再只是实行命令的机器，而是具有了一定程度上剖析判断的能力。
当然，这个能力也离不开海量的数据和高超的打算能力。

一个经典的神经网络一样平常包含三个层次：输入层、隐蔽层和输出层。
而这三个层分别模拟的是神经元的树突、轴突和轴突末梢。
输入层吸收外部的输入数据，比如图片、文本、语音等，通过，隐层抽象数据的通用模式，进而通过输出层输出模型的打算的结果。

历史上，科学家还设计过多层的神经网络，每一层都会对前一层传来的结果进行再次加工，目的是仿照出一种“寻思熟虑”的觉得，但末了创造结果准确度并没有提高，有的时候还会陷入误区，就像人随意马虎朝着一个思路越陷越深，末了钻牛角尖了一样。
随着技能进步，让这一问题得到改进。
现在，最厉害的神经网络技能不但已经非常靠近人脑，还打消了很多人脑自身存在的低效的思维办法。

柯洁在与AlphaGo大战后，在接管腾讯体育的采访时表示，“我也不敢想象，它居然可以把棋下得那么强硬，撑得那么满，彷佛好多块棋扭在一起，那是人类善于发挥的地方了。
跟它下棋会创造它处理得彷佛比我们人类还好很多，实在那一刻是很绝望的。
乃至是那些研发它的人也不知道是怎么做到这一点的，研发它的人是下不过它的，很多人乃至不懂棋，居然能创造出这么一个怪物。
以是，我唯一能感想熏染到的是它对形势的乐不雅观和自傲，而且是绝对的乐不雅观和自傲，这一点人类是没有的。
再自傲也不会像它那么自傲，无论你验证多少次，它都是不可降服的。
”

神经网络为何无法实现人类的推理并产生意识？

“机器人是否具故意识”一贯是人们所辩论的焦点之一，而在这个中，人工神经网络的技能发展起着重要的浸染。
对当前的人工神经网络而言，办理某些特定场景的问题，特殊具有上风，但办理人们习以为常的问题却非常困难。
比如，MIT媒体实验室研究员joy buolamwini研究文章称，人脸识别技能针对不同种族的准确率差异巨大，个中针对黑人女性的缺点率高达35%！

中国工程院院士郑南宁指出，人工智能研究的一个主要方向，是借鉴认知科学、打算神经科学的研究成果，使打算机通过直觉推理和履历学习，将自身勾引到更高的层次。
然而，人脑对真实天下的理解、非完全信息的处理、繁芜时空的任务处理能力是当前机器学习无法比拟的，还有人的大脑神经网络构造的可塑性，以及人脑在非认知成分和认知功能之间的相互浸染，都是很难以形式化、公式化的描述。

图/https://image.so.com/

神经网络是怎么运用到各领域的？

神经网络虽然缺少人类办理问题的强大理解能力，但却可以通过海量的打算从大量的数据中找到一些通用的模式。
因此它们作为赞助工具，已经在各行各业，尤其是在多媒体领域表示了自身的代价。

手写数字识别该当是神经网络最早的商业运用之一。
大部分的人都可以轻松识别下图中的手写数字，但要设计一套打算机程序来识别这些数字，就会创造视觉模式识别的难度。
而神经网络的思想是，利用大量的手写数字，即演习样本，从中自动学习到识别各个数字的规则。
而且随着样本数量的增加，神经网络可以学习到更多信息，从而可以进一步提升准确度。
目前最好的商用神经网络已经足够好到能被银行用来处理支票，以及被邮局用来识别地址。

MNIST手写数字数据集一览

手写数字或许有些过于大略，那么利用神经网络创造地生手星，就更能显示它的能力了。
谷歌和得克萨斯大学奥斯丁分校互助，利用上万颗被标记的恒星数据，演习了一个卷积神经网络，演习结果显示，神经网络判别行星的准确率高达96%。
然后，研究职员让这个神经网络处理2009年到2013年不雅观测到的670颗恒星的数据集，通过眇小的特色变革，创造了两个星系存在地生手星的可能性非常高。
经由研究职员的验证，确认了这两颗新的行星。

神经网络创造的开普勒-90星系与太阳系的比拟

近日，美国FDA首次批准了用于检测糖尿病视网膜病变的人工智能产品：IDx-DR。
这次FDA评估了来自10个低级卫生保健点的900名糖尿病患者的视网膜临床研究图像数据，IDx-DR能够精确识别轻度以上糖尿病性视网膜病变的准确率为87.4%，而精确识别没有轻度以上的糖尿病性视网膜病变的准确率为89.5%。

在目前比较火热的无人车领域，虽然各大厂商还在研究测试通用的办理方案，但在一些详细的案例上已经有了一些成果。
图森未来利用自主研发的深度学习感知算法，能够做到让摄像头像人眼一样实时感知行车周边环境，检测和跟踪视野中的各种物体，能够对可视场景进行像素级的解读。
凭借视觉高精度定位和多传感器领悟技能，能够实现高速公路上的无人驾驶，帮助货运企业降落本钱，加快货运周转。

总之，神经网络在不断地影响着生活、医疗和出行，但科研界对它有更多理性的意见。
伯克利大学机器学习专家Michael I. Jordan认为，打算机科学仍旧是最紧张的学科，人工智能还无法取而代之，而神经网络只是该领域中仍在发展中的一个部份。

“现在要问神经网络会把我们带多远还为时尚早。
”最看好神经网络发展前景的专家题谈论成员——OpenAI共同创办人兼研究总监Ilya Sutskever表示，“这些模型很难明得。
例如，将机器视觉作为一种程序真的很不可思议，但现在我们对不可思议的问题都能提出不可思议的办理方案了。
”

无论如何，我们目前正处理人工智能对社会的变革过程中，它们已经从实验室过渡到了商业支配。
无疑，广泛的工业领域将受到弘大的数据和数据剖析功能的深远影响。
只管神经网络还无法实现基本的人类推理和理解力，但它们将是建构人工智能漫漫长路上所用到的主要工具之一。

虽然现在神经网络还无法产生意识，但随着信息科学、认知科学、神经生物学、生理学等前沿学科和交叉学科的深度领悟与不断发展，人工智能将会迎来新的发展高潮。

（审稿/谦恒，北理工大学网络中央助理研究员

网络信息安全专家）