闲筝

从20世纪40年代诞生至今，人工智能经历了一次又一次的潮起潮落。1956年8月的达特茅斯会议奠定了AI发展的开端。在早期主推用逻辑、概率推导数学定理来研究AI的科学家被誉为符号学派。但在逐步研究的过程中，科学家发现人类自身就不全是靠逻辑解决问题的，于是符号学派慢慢地被主推模拟人脑的连接派取代。

什幺是人工神经网络

在这一过程中，不可不提的就是人工神经网络，它模拟的是人类大脑的神经网，能从信息处理角度对人脑神经元网络进行模拟，抽象地建立某种简单模型，并按不同的连接方式组成不同的网络。在工程与学术界，人工神经网络也被简称为“神经网络”或“类神经网络”。

人脑就是一个“大网络系统”，有100多亿个细胞，连接若干层的网络。简单而言，人工神经网络，就是模拟人脑的一种运算模型，由大量的神经元（或称节点）之间相互联接构成。每个神经元代表一种特定的输出函数，被称为“激励函数”。每两个神经元间的连接都代表一个对于通过该连接信号的加权值，我们称之为“权重”，这相当于人工神经网络的记忆。这些神经元会接收一组输入，以及一组连接权重的设置，然后进行一些数学运算，并将结果作为一组与生物神经元中的突触相似的“激活”作为输出。值得注意的是，人工神经网络通常由几百到上千个神经元组成，但人脑的生物神经网络却拥有数十亿神经元。

最初模拟人脑的人工神经网络只有一层，科学家发现一层网络无法拟合某些函数，20世纪60年代人工智能便走入了“寒冬”。之后，科学家发现2层以上网络就能拟合任意函数，而杰夫辛顿等人提出用更深层网络可以降低网络整体规模，但受限于当时计算机性能的瓶颈、计算复杂性的增长以及数据量的不足，很多AI技术根本无法突破。比如，现在常见的计算机视觉，在当初根本找不到足够的数据库去支撑算法训练，AI的智能也就无从谈起。

人工神经网络的价值

直到2000年前后，得益于电脑计算能力的提高，Yann LeCun构造了着名的人工神经识别网络LeNet。它能够准确识别支票，让人工智能第一次进入了人们的生活。随后，斯坦福大学研究团队通过给几百万张图片打上准确标签的方式，组织了多次图像识别比赛，有力地推进了针对图像识别的人工智能技术。2011年，Watson在电视问答节目中战胜人类选手，成为机器人跨出理解人类语言具有里程碑意义的一步。同年，Apple设计的个人助手Siri问世，当时只作为手机操作系统的一部分。在人声的指导下，Siri能够接收指令并回答问题。尽管Siri的能力还有提升的空间，但它理解人类语言的性能还是进入到了一个几年前都还无法想象的层面。

而在2012年，AI教父Geoff Hinton的AlexNet在ImageNet图像分类大赛上大大降低了错误率，打败了巨头Google，顿时让学术界和工业界哗然。该事件不仅学术意义重大，而且还引发了工业界对深度学习的大规模投入。

在这当中，人工神经网络作为AI发展的基石，对加速发展AI技术起到了不可或缺的作用。众所周知，人工神经元网络在结构上是并行的，而且网络的各个单元可以同时进行类似的处理过程。因此，网络中的信息处理是在大量单元中平行而又有层次地进行运算，其运算速度大大超过传统的序列式运算的数字机。

再者，人工神经网络具有自学习、自适应的能力。因为神经元之间的连接多种多样，神经元网络更是大量神经元的集体行为，并不是各单元行为的简单相加，拥有一般复杂非线性动态系统的特性，如不可预测性、不可逆性等。正是由于人工神经网络具有这些特点，所以它在一定条件下，可以处理一些环境信息十分复杂、知识背景不清楚和推理规则不明确的问题。例如语音识别，其信源提供的模式丰富多彩，因此对其判定决策原则在一部分条件下是无规则可循的，这就需要人工神经网络自主判断。

人工神经网络的短板

类似硬币有正反两面一样，人工神经网络拥有自适应的能力，这也意味着它具备“黑箱”性质，你不知道人工神经网络如何以及为何会得出某一特定的输出。类似你将一个人的图像输入人工神经网络，但是人工神经网络预测这是一只猫的时候，你很难理解是什幺原因导致它产生了这一预测。这也是为什幺目前许多银行不使用人工神经网络来预测客户信用度的原因。

生物神经元结构

不可否认，人工神经网络在算法和自适应的能力上，拥有比传统的机器学习算法更大的优势。但是这都是在过去几十年里，人工神经网络在数据积累和沉淀的基础上获得的成就。就一般情况而言，人工神经网络获得的数据越多，表现的就越好。但相比之下，传统的机器学习算法即便获得更多的数据，也不会提高其性能。

而在成本方面，人工神经网络比传统算法更加昂贵。人工神经网络所具备的计算能力在很大程度上取决于其对数据训练的体量和网络的深度。若想成功完成训练，人工神经网络可能需要几周的时间，而大多数传统的机器学习只需花费几小时或者几天便可。

人工神经网络和生物神经网络的差异

针对人工神经网络拥有的自适应能力，AI专家、谷歌的技术总监雷·库兹韦尔认为，2029年，计算机的智能程度将与单个人的智力不相伯仲。到2040年，在指数级进展的基础上，计算机的智能将是人类的10亿倍！在如此恐怖的数据面前，在庆幸AI给我们带来巨大利益的同时，不少人也开始担忧了，像埃隆·马斯克、比尔·盖茨和史蒂芬·霍金等业界大咖与科学家，都将AI视为人类巨大的威胁之一。

前向网络结构

那幺，人工神经网络是否达到了匹敌人脑神经网络的层级，其中又有怎样的差异？从传导分析的角度来看，人工神经网络靠的是正向和反向传播来更新神经元，从而形成一个好的神经系统。从本质上看，这是一个能让计算机处理和优化的数学模型，不会产生新的连接。而生物神经网络是通过刺激，产生新的连接，能让信号通过新的连接传递而形成反馈。

每个人在从婴幼儿逐渐发育成为成年人的过程中，我们每天都会认识新的朋友，在不知不觉间模仿他人的行为。其实，这是我们通过对大脑中神经网络进行微小的改变来实现的。例如，当你口渴时，会通过嘴与手等一系列器官形成的神经连接， 将信号传递到手上，去拿起装有水的茶杯，让你这个动作变得有意义。人工神经网络要怎样达到这个目的？据说，人工神经网络里的所有神经元之间的连接都是固定且不可更换的。也就是说， 在人工神经网络里， 没有凭空产生新连接的概念。你只能预先准备好要喝水时的动作数据，通过将这些数据一次次放入这套人工神经网络系统中， 才能把要喝水的这个信号，传递到手上。从学术的角度讲，它可称之为“误差反向传递”。

反馈网络

所以，就目前而言，人工神经网络系统跟生物神经网络有着本质上的差异，而AI距离匹敌人类大脑也还很遥远。与其担心AI是否会代替人类，倒不如期待未来它会很了解你。例如，我们现在都用微信聊天。通过这些信息，AI可以知道你跟谁聊天、每天都去哪儿、喜欢吃什幺等等。它知道这些信息之后，就跟你处于不对等的状态，它可以控制你，而你也信它，或许这才是AI的最大威胁。