无处不在的人工神经网络:机器人拥有意识的关键

机器人、语音识别、人脸识别、自动驾驶……随着科技的发展,我们的身边正被人工智能所包围。与此同时,关于“机器人是否会有意识”的话题也渐渐受到人们的关注,一部分人认为未来的机器人将会拥有自我意识,还有一部分人则认为这是一个难以完成的任务。

说到“意识”的问题,人类之所以有意识,关键还是在于“生物大脑”存在。以此作比,机器人要想有意识,就得先有一个“大脑”,也就是所谓的“人工神经网络”。

什么是人工神经网络?

人工神经网络,常常简称为神经网络,是以计算机网络系统模拟生物神经系统的智能计算系统,是对人脑或自然神经网络的若干基本特性的抽象和模拟。简单地讲,人工神经网络就是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。

人工神经网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的,其中,这些节点就相当于生物大脑中的“神经元”。在生物大脑中, 一个神经元通常具有多个树突、一个轴突,树突主要用来接受传入信息,而在轴突尾端的许多轴突末梢则跟其他神经元的树突产生连接,从而传递信号。这个连接的位置在生物学上叫做“突触”。

人工神经网络的基本结构包括输入层、隐藏层和输出层,类比生物神经元,我们可以将输入层比作树突,而输出层比作神经元的轴突,而主要负责计算的隐藏层则可以比作细胞核。

在工作时,从本质上说,我们需要向人工神经网络提出大量的问题,并提供给它们答案,从而训练它们将问题与答案对接起来。这种方法叫做有监督学习,也是目前人工神经网络的主流学习方式,而该过程我们则称之为反向传播(backpropagation)。借助于足够多的「问题-答案」案例,储存在每个节点中的计算和权值就能慢慢进行调整。

人工神经网络的分类及特点

按照发展的历史递进划分,人工神经网络可分为三类:单层神经网络、两层神经网络和多层神经网络,其典型代表分别为感知器、多层感知器和深度学习;按照模型分,人工神经网络的模型有近40种,包括反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。

不过,不管按照那个指标进行划分,从当前人工智能的发展情况来看,深度学习当属“龙头老大”,毕竟现在只要做个人工智能产品,动不动的就要运用深度学习算法对系统进行训练。而作为人工神经网络的佼佼者,按照神经网络的架构,深度学习有三大类,分别是:

循环神经网络(RNN):是一种节点定向连接成环的人工神经网络。这种网络的内部状态可以展示动态时序行为,可以利用它内部的记忆来处理任意时序的输入序列,这让它可以更容易处理如不分段的手写识别等。 卷积神经网络(CNN):是层间随机相连的人工神经网络。其独特的网络结构可以有效地降低反馈神经网络的复杂性,比如在模式分类领域,其避免了对图像的复杂前期预处理,从而可以直接输入原始图像。 深度神经网络(DNN):层叠了多层网络的人工神经网络。

不管是对于哪种人工智能技术和人工智能产品,人工神经网络都是不可或缺的。至于各种原因,主要归咎于人工神经网络的三大优势:

第一,可自主学习。例如图像识别,只要先把许多不同的图像样板和对应的结果输入人工神经网络,其就会通过自主学习功能,慢慢学会识别类似的图像。 第二,可联想存储。用人工神经网络的反馈网络就可以实现这种联想。 第三,可高速寻找优化解。寻找一个复杂问题的优化解,人工往往需要很大的计算量,而利用一个针对某问题所设计的人工神经网络,便可发挥计算机的高速运算能力,很快找到优化解。

人工神经网络无处不在

作为一个人工智能产品的基层之一,人工神经网络的研究者还是不少的。其中,研究者包括谷歌、IBM、Facebook、百度等科技巨头,以及加州大学柏克莱分校研究团队、韩国浦项工科大学研究团队等小型团体。不过,总体来看,相比于国外的热火朝天,国内对于人工神经网络的研究还是有点落后的。

借助于人工神经网络,作曲、写作、下棋、开飞机、制定最优解决方案等等技能都已经被人工智能所掌控,图像识别、人脸识别、语音识别技术也是手到擒来,更是由此开拓了智能家居、智能医疗、智能出行等多个新兴行业。不过,就目前来讲,代表了人工网络神经最佳成绩的还属IBM的AI系统Watson,不仅是在知识上打败人类、为企业问题寻找最优解决方案,Watson还将自己的触角伸到了聊天机器人、智能医疗等多个领域,从各方面展现了人工神经网络的强大。

结语

目前,虽然人工神经网络的性能还没达到生物神经网络的那种高度,但是,哪怕只是现在的阶段,人工神经网络也已经带给人类太多的惊喜与便利。

此前,在The Big Talk的现场,来自康奈尔大学的Hod Lipson教授举了一个例子:他们设计了一个深度学习网络,输入大量的图片来训练这个深度网络准确识别狗和猫。令人惊讶的是,除了狗和猫,他们发现其中一个神经元竟然开始追踪人脸了,而这是当初程序中所没有设定的。由此,我们或许可以猜测,在经过历代变革后的未来,借助于人造神经网络,人工智能是能够具备独立意识的。

原文发布于微信公众号 - 镁客网(im2maker)

原文发表时间:2016-11-03

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据文摘

视频更新|斯坦福CS231n深度学习与计算机视觉课时22-卷积神经网络工程实践技巧与注意点(上)

18940
来自专栏大数据文摘

12位专家,展望未来5年深度学习发展趋势

22180
来自专栏CSDN技术头条

专家展望未来5年深度学习发展趋势

2015年已然过去,2016刚刚开始,回头将目光集中于去年的成就上,以及对将来科学趋势的预测。去年最令人瞩目的一个领域就是深度学习,它是机器学习中越来越流行的一...

42650
来自专栏人工智能头条

专家展望未来5年深度学习发展趋势

19740
来自专栏新智元

【报告】神经网络:技术发展与未来挑战(PDF下载)

【新智元导读】本文为爱思唯尔收费报告。西班牙格拉纳达大学研究人员系统梳理神经网络历史,从模型、模拟器到实现几方面阐释神经网络发展,展示了随时间推移,神经网络如何...

36780
来自专栏程序你好

什么是机器学习和人工智能以及它们之间的差异

机器学习和人工智能的区别:“好的,谷歌!有什么事吗?你能演奏我最喜欢的曲目或者预订一辆从宫殿路到MG路的出租车吗?”

9810
来自专栏PPV课数据科学社区

AI时代就业指南:如何成为一名优秀的算法工程师?

1、算法工程师是做什么的? 广义上是指搞软件算法的,也就是开发和应用软件算法实现工业控制和程序处理。除了机器学习之外 还包括控制算法、图形算法等,狭义上现在谈算...

58180
来自专栏AI科技大本营的专栏

CCAI 2017 | 病人是否有生命危险?机器学习来告诉你——专访南加州大学终身教授刘燕

CCAI大会前夕,CSDN专访了南加州大学计算机系终身教授、机器学习中心主任刘燕,她的主要研究项目是时间序列和时空序列数据的分析与学习,我们就机器学习在医疗中的...

36260
来自专栏CDA数据分析师

入门 | 做数据科学如烤蛋糕?不服来看

面部识别、自动驾驶、机器人统治世界?!还有那个令人毛骨悚然的机器人女孩,索菲亚。emmm…还有黑镜?

10420
来自专栏灯塔大数据

观点|12位专家展望未来5年深度学习发展趋势

? 2015年已然过去,2016刚刚开始,回头将目光集中于去年的成就上,以及对将来科学趋势的预测。去年最令人瞩目的一个领域就是深度学习,它是机器学习中越来越流...

363140

扫码关注云+社区

领取腾讯云代金券