人工智能的核心是算法(algorithm),实现方式是代码(code)。
简单来说,就是用“代码”这个身体承载“算法”这个灵魂,便可完成神经网络的搭建。
刚建立的神经网络的性能是很差的,需要用大量已知结果的数据来训练神经网络方可提高其性能。
机器翻译便是最典型的例子之一。
最初,机器翻译大多是基于规则(语法)的,到90年代时,全世界的学术界在机器翻译领域已经投入了半个世纪的研究时间,但是依然没有开发出勉强可用的产品,而且看不到曙光。
贾里尼克在IBM的下属彼得.布朗设计出数学模型+数据的方法翻译自然语言的框架,但由于数据不足,效果不好。后来布朗离开了IBM,去了基金对冲公司。
2004年,在南加州大学做老师的计算机大佬奥科被邀加盟Google,将这种方法改进,并用Google的海量数据进行一系列训练。半年后,在参加美国国家标准与技术研究院的机器翻译系统的测评中遥遥领先第一名,超越第二名南加州大学10年的水平。
有意思的是,南加州大学的系统也是奥科写的。当时整个学术界对此很好奇。后来奥科给出的解释是他在Google并没有时间改进方法,只是使用了比先前多10000倍的数据。
训练神经网络的过程,有人也叫用大数据“喂养”的过程,其实就是让神经网络不断学习的过程。其“聪明”程度除了神经网络本身外,与用来训练的数据大小、质量紧密相关。
作为一个对神经生物学和人工智能都有一丢丢了解的人,我想说的是人类神经系统比人工智能的神经网络复杂很多,但两者的学习过程有类似的地方。
也就是说,你“笨”,不一定是你笨。很可能是:
一、你用来喂养自己大脑的东西不够好;
二、喂养次数不够多。
看到这里,每天刷着微博、今日头条,思考着明星八卦的你,怕了吗
是不是迫不及待的想选上好“食材”,喂养自己的大脑呢?
嗯,你很幸运,这个公众号就是为了给你提供“喂养”大脑的“上好食材”而存在。扫描下面的二维码关注公众号,开启用“上好食材”喂养你的大脑之旅。
不小心写成了自己公众号的软文
一个知识的搬运工
By Marina
领取专属 10元无门槛券
私享最新 技术干货