信仰 2——日常生活中看不到的那些人和事

Neil Zhu,简书ID Not_GOD,University AI 创始人 & Chief Scientist,致力于推进世界人工智能化进程。制定并实施 UAI 中长期增长战略和目标,带领团队快速成长为人工智能领域最专业的力量。
作为行业领导者,他和UAI一起在2014年创建了TASA(中国最早的人工智能社团), DL Center(深度学习知识中心全球价值网络),AI growth(行业智库培训)等,为中国的人工智能人才建设输送了大量的血液和养分。此外,他还参与或者举办过各类国际性的人工智能峰会和活动,产生了巨大的影响力,书写了60万字的人工智能精品技术内容,生产翻译了全球第一本深度学习入门书《神经网络与深度学习》,生产的内容被大量的专业垂直公众号和媒体转载与连载。曾经受邀为国内顶尖大学制定人工智能学习规划和教授人工智能前沿课程,均受学生和老师好评。

基本上在人们尝试建造出“可以思考”的计算机的时候,研究者们就在争论这些机器运行的方式。是否应该模仿我们目前所知的思维运行方式,如同可以编入一个计算机语言的逻辑的Cartesian天堂和抽象思维?或者计算机模拟一个真实大脑的极其简化的版本,包含神经元的网络和轴突的尾巴,期望这些网络可以增加更加高级的计算层次?这个数十年的争论也在某种程度上形成了人工智能。
在1950年代后期,大脑模仿的先驱,Frank Rosenblatt,一位在Cornell航空实验室的心理学家,被Donald O. Hebb的工作启发。Hebb在十年前已经预测了学习的工作原理:当一个神经元被激活,然后激活另一个,这样不断地进行下去,细胞会提高他们的连接效率。“这些细胞激活另外的细胞,接着就网罗在一起,”这位神经认知学家如是说。Rosenblatt认为,这个简单的想法足够建造出一个可以用来学习识别对象的机器了。
他后来成功设计出来:你可以看到感知机(Perceptron)。它的运作机制很简单。占据整个实验室的空间,感知机包含三层。在一端,400个传感器聚集成一个方块来模拟视网膜;连接很多次到一个包含512个电子trigger的阵列上的传感器,每个当被传入一个某个满足一个阈值的刺激的时候都可以像神经元那样被激发。这些trigger然后会连接到最后一层上,该层可以显示一个对象是否与训练的感知机匹配。
被训练是一个重要的概念:感知机本身并没有编程,但是是训练。他不可以自我学习。Rosenblatt创建了一个公式,可以计算出感知机正确或者错误的程度,并且错误可以被追溯,并在这个512个trigger上进行独立地调整。尽可能巧妙地改变这些权值之后,感知机可以识别出非常基本的模式,例如标准化的字母形状。
这是一个震撼的进步,但是Rosen并不敢公开出来这个结果。在1958年的夏天,他和他的赞助者美国海军组织了一个新闻发布会。在科学界经常发生的情形,他开始讨论未来。对当时的研究者来说,全是傻话;而现在,太有先见之明了。当年的纽约时报总结如下:
海军揭示了今天的电子计算机萌芽时期,它将可以走路、谈话、观察、写作、繁衍本身和意识到自身的存在……将来的感知机可以识别人类、说出他们的名字、并可以实时地翻译演讲,从一种语言翻译成另外的语言并记录下来。
Rosenblatt的名声噪起激怒了同行们,许多人尝试追求基于规则的人工智能;两派都在争取政府同样一笔研究经费。最为重要的是,Marvin Minsky和Seymour Papert,两位MIT的卓越的计算机科学家,开始复制感知机并揭露其缺陷,并在1969年出版的一本专著中宣告神经网络的失败,这事件几乎埋葬了神经网络领域。感知机有着本质的限制。因为它甚至不能学习“异或”,一个逻辑学中的操作。
学习这个函数将需要哎感知机中增加一个额外的层。但是没有人想出一个生物学上合理的解释来计算和为这个隐藏层的调整进行传播。这个神经网络压缩后的信息并不能在后续过程中找回。就像时间那样不可以倒流。学习也就此终止,而获得的经费也随之飞散。Minsky和Papert赢得了这个战争。
遭受挫败后的Rosenblatt随后也就寻找到其他的出口。他开始着迷上一个尝试展示从一个老鼠到另一只老鼠的大脑细胞移植并保留记忆的项目上。这项工作并没有持续太久。Rosenblatt就去世了,很年轻,在1971年的一次航海事故中,那天也是他的生日。
看起来,神经网络要随Rosenblatt而逝去了。
===

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,530评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 86,403评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,120评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,770评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,758评论 5 367
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,649评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,021评论 3 398
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,675评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,931评论 1 299
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,659评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,751评论 1 330
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,410评论 4 321
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,004评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,969评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,203评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,042评论 2 350
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,493评论 2 343

推荐阅读更多精彩内容