神经网络之后

深度学习的神经元结构设计最初参考了生物神经元的结构。人脑中的神经元形状可以参考下图。一个神经元通过多个树突接受传入信息，通过轴突之后从多个轴突末梢再把信息传递给其它神经元。

图1: 生物神经元

深度学习的人工神经元结构模拟了生物神经元。将输入的多个变量加权求和之后再通过非线性函数得到输出结果。

图2: 神经元模型

单层的人工神经元网络能够解决的问题有限，随着计算能力的提高，又发展出了两层乃至多层神经网络。

图3: 具有4个隐藏层的人工神经网络

依靠改进的算法，飞速发展的计算能力，日益增长的数据量，多层神经网络在语音识别，图像识别等领域已经超越了人类的能力，在商业化领域也取得了很多成功。然而这是否意味着多层神经网络就代表着人工智能发展的未来呢？所有的复杂问题是否可以都通过增加输入（数据量），引入更多的隐藏层来解决呢？我个人认为还需要结合其它技术才能实现。有几个理由。

多层神经网络本质上是对问题进行抽象表示的过程。层数越多，抽象表示的结果就更接近实际情况。但是仅仅将问题抽象化是不足以解决复杂问题的，比如跨越时间轴或者有相互影响的问题。打个比方，用神经网络说明一幅画的内容已经可以做到，但是要它看完一段3分钟的爱情小电影然后回答“为什么男主角爱上了女主角”之类的问题就很难。

新型问题由于没有很多的数据积累，不能满足多层神经网络对于庞大数据量的要求，从而也就无法做出正确的判断。

神经网络缺乏逻辑推理的能力。如果数据互相矛盾，也会影响多层神经网络的决策能力。而逻辑推理恰恰是人类的长处，所以人机结合是目前最好的实践。关于这一点，各位可以看一下我的另一篇文章《

一个数据科学家的自我修养

》。

解决这些问题，其实还是得好好学习以及尊重生物进化的历史。看看我们的大脑究竟是如何工作的。

图4: 大脑的分工协作模式也许可以借鉴

人类的大脑构造十分复杂，然而构成大脑的单个细胞和小白鼠相比其实并无太大差异。大脑的形态和功能是由基因决定的。根据遗传学家的研究，人类大约有21000个基因，但其中将人和小白鼠区分开的基因数目甚至少于10个。然而正是这10个不到的基因以及它们和其它基因共同作用的结果，我们的大脑才能如此敏捷的做出思考和决定，无论是对已有的经验还是新生的事物，都能做出相应的判断。人类拥有大约1000亿个脑神经元，人工智能要模拟出这样庞大的计算能力目前来看似乎不太可能。但是我们可以探索一下更微观的世界，去找寻控制脑神经元工作的机理。